低压台区网络线损率在线预测模型的训练方法及装置与流程

1.本发明涉及线损率预测技术领域，尤其涉及一种低压台区网络线损率在线预测模型的训练方法及装置。


背景技术：

2.近年来，我国经济建设快速发展，城市化建设脚步加快，用电需求逐步加大，人们生活电器和工作电器的增加也给电力建设带来了压力。线损率是衡量电网技术经济性的重要指标，在评价新型电力市场系统的经济运行中扮演着重要的角色，也同样是电力企业的重点管理内容之一，它综合反映了电力系统的规划设计、生产运行和经营管理水平。
3.近年来各省市地区的智能采集设备覆盖率大大提升，提高了电力量测数据的可用性，海量数据为线损分析和预测等运维任务提供支撑，提高了对整个低压台区配电网网络线损率的在线预测的可能性，但是目前现有技术中对台区线损率预测局限于某一台区的线损率预测，预测精度低且速度慢，并且也无法实现对整个网络台区的线损率的监控与管理。


技术实现要素：

4.本发明实施例提供了一种低压台区网络线损率在线预测模型的训练方法及装置，以解决现有技术中对台区线损率预测局限于预测某一台区的线损率，预测精度低且速度慢，并且也无法实现对整个低压台区网络中每个台区的线损率的准确预测及监控管理的技术问题。
5.第一方面，本发明实施例提供了一种低压台区网络线损率在线预测模型的训练方法，包括：
6.采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息；
7.根据各个台区对应的所述历史线损率数据与所述历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据；
8.根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得所述低压台区网络内各个台区的时空特征矩阵；
9.根据每个所述时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，直到满足模型训练停止条件时，获得每个台区训练好的线损率在线预测模型。
10.在一种可能的实现方式中，所述根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得所述低压台区网络内各个台区的时空特征矩阵，包括：
11.根据每个台区的目标电气特征量数据及地理信息构建所述低压台区网络的台区节点无向图；
12.基于所述台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时空特征提取，获得所述低压台区网络内各个台区的时空特征矩阵。
13.在一种可能的实现方式中，所述基于所述台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时空特征提取，获得所述低压台区网络内各个台区的时空特征矩阵，包括：
14.针对所述台区节点无向图中的每个台区节点，将与该台区节点直接相连的台区节点标记为相连节点，并基于该台区节点的每个相连节点的图信号对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵；
15.基于该台区节点的图信号以及每个所述间接时空特征矩阵对该台区节点进行直接时空特征提取，获得该台区节点的时空特征矩阵。
16.在一种可能的实现方式中，所述将与该台区节点直接相连的台区节点标记为相连节点，并基于该台区节点的每个相连节点的图信号对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵，包括：
17.根据对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵；
18.其中，h
(m+1)
表示该台区节点相对于每个相连节点的间接时空特征矩阵，表示邻接矩阵a与单位矩阵in的和，d表示的度矩阵，表示对进行归一化处理，w
(m)
表示与每个相连节点直接相连的m个台区节点的权重向量，m为正整数，σ表示relu激活函数，h
(m)
表示未进行时空特征提取之前各个相连节点的图信号。
19.在一种可能的实现方式中，所述基于该台区节点的图信号以及每个所述间接时空特征矩阵对该台区节点进行直接时空特征提取，获得该台区节点的时空特征矩阵，包括：
20.根据对该台区节点进行直接时空特征提取，将该直接时空特征矩阵记为该台区节点的时空特征矩阵；
21.其中，f表示该台区节点的时空特征矩阵，表示对进行归一化处理，h
(m+1)
表示该台区节点相对于每个相连节点的间接时空特征矩阵，σ1表示softmax激活函数，w
(n)
表示与该台区节点直接相连的n个相连节点的权重向量，n为正整数。
22.在一种可能的实现方式中，所述根据每个所述时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，包括：
23.根据更新各个台区的预设神经网络模型的权重；
24.其中，q
t+1
表示各个台区的预设神经网络模型经过当前时刻t后实时更新的权重，q
t
表示各个台区的预设神经网络模型当前进行预测的权重，α表示学习率，m
t
表示权重变化量，j(θ)为损失函数，所述损失函数由各个所述时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据确定，
25.在一种可能的实现方式中，在获得每个台区训练好的线损率在线预测模型之后，还包括：
26.s1：将采集的低压台区网络内各个台区对应的实时目标电气特征量数据及所述地理信息进行图信号处理，得到所述低压台区网络内各个台区的时空特征矩阵，并将各个台区的时空特征矩阵输入至对应台区的线损率在线预测模型中，得到所述低压台区网络中每个台区的线损率在线预测结果；
27.s2：基于各个台区的线损率在线预测结果和各个台区对应的实际线损率数据更新相应台区的线损率在线预测模型的权重，以根据更新后的每个台区的线损率在线预测模型继续跳转到s1执行。
28.第二方面，本发明实施例提供了一种低压台区网络线损率在线预测模型的训练装置，包括：
29.数据采集模块，用于采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息；
30.特征筛选模块，用于根据各个台区对应的所述历史线损率数据与所述历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据；
31.特征提取模块，用于根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得所述低压台区网络内各个台区的时空特征矩阵；
32.模型训练模块，用于根据每个所述时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，直到满足模型训练停止条件时，获得每个台区训练好的线损率在线预测模型。
33.第三方面，本发明实施例提供了一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
34.第四方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
35.本发明实施例提供一种低压台区网络线损率在线预测模型的训练方法及装置，通过采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息；再根据各个台区对应的历史线损率数据与历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据；然后根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵；最后根据每个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，直到满足模型训练停止条件时，获得每个台区训练好的线损率在线预测模型。通过本发明实施例提供的低压台区网络线损率在线预测模型的训练方法可以得到全面准确的低压台区网络中每个台区的线损率在线预测模型，进而实现对整个低压台区网络中的每个台区节点进行线损率的准确在线预测，实现对整个网络台区的线损率监控与管理，有利于电力部门增强对线损工作的管理力度，提高对低压台区网络的线损率检查速度，保障电网顺利稳定运行。
附图说明
36.为了更清楚地说明本发明实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
37.图1是本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的实现流程图；
38.图2为本发明实施例提供的低压台区网络的台区节点无向图示例图；
39.图3是本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的结构示意图；
40.图4是本发明实施例提供的电子设备的示意图。
具体实施方式
41.以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
42.为使本发明的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
43.本发明实施例的第一方面提供了一种低压台区网络线损率在线预测模型的训练方法，请参照图1，图1为本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的实现流程图，该方法包括：
44.s101：采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息。
45.在本实施例中，可采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息；示例性地，采集的各个台区的历史电气特征量数据可以包括：有功功率、无功功率、变压器损耗、供电半径、线路总长度、三相负荷不平衡损耗和负载率等，本技术对此不作限定。
46.s102：根据各个台区对应的历史线损率数据与历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据。
47.在本实施例中，可根据计算每个台区对应的历史电气特征量数据与历史线损率数据之间的相关性。示例性的，相关性阈值可以设置为0.7，筛选出每个台区中与其对应的线损率相关性高于设定阈值的目标电气特征量数据，其中，r为历史电气特征量数据与历史线损率数据之间的相关性，n为序列的长度，rk和sk分别为历史电气特征量数据的序列、历史线损率数据的序列，分别为rk序列和sk序列的平均值。
48.进一步地，在本实施例中，在根据各个台区对应的历史线损率数据与历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据之前，还可以对各个
台区对应的历史电气特征量数据进行预处理。
49.对各个台区对应的历史电气特征量数据进行预处理包括：对历史电气特征量数据中的缺失数据进行填充，可以使用fancyimpute中填补缺失值专用的softlmpute模块对数据进行填充，softlmpute模块通过svd分解的迭代软阈值处理来填充数据，使数据适应模型并且匹配模型的需求；也可以使用其他方法实现对历史电气特征量数据中的缺失数据进行填充，本技术对此不作限定。
50.在本实施例中，在筛选目标电气特征量数据之前对各个台区的历史电气特征量数据中的缺失数据进行填充，可以得到较为全面准确的历史电气特征量数据，为后续各个台区线损率预测模型训练时提供全面准确的历史电气特征量数据。
51.s103：根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵。
52.在本实施例中，可以对每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵。
53.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的一种具体实施方式，根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵，包括：
54.根据每个台区的目标电气特征量数据及地理信息构建低压台区网络的台区节点无向图。
55.基于台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时空特征提取，获得低压台区网络内各个台区的时空特征矩阵。
56.本实施例中，根据每个台区的目标电气特征量数据及地理信息构建低压台区网络的台区节点无向图g＝(v,e,w)来描述低压台区网络内台区的拓扑结构，该台区节点无向图中，v为低压台区网络内台区节点的集合，该集合中包含n个台区节点，每个节点中都包含对应台区的目标电气特征量数据，e为台区节点无向图中边的集合，用于描述节点之间的邻接关系，w为训练的注意力机制权重矩阵，用于描述节点之间的空间依赖关系。基于该台区节点无向图g＝(v,e,w)中各个台区节点的图信号进行直接时空特征提取和间接时空特征提取，获得低压台区网络内各个台区的时空特征矩阵。请参照图2，图2为本发明实施例提供的低压台区网络的台区节点无向图示例图，仅以该示例图为示例，并非对本发明进行限定。
57.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的一种具体实施方式，基于台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时空特征提取，获得低压台区网络内各个台区的时空特征矩阵，包括：
58.针对台区节点无向图中的每个台区节点，将与该台区节点直接相连的台区节点标记为相连节点，并基于该台区节点的每个相连节点的图信号对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵。
59.基于该台区节点的图信号以及每个间接时空特征矩阵对该台区节点进行直接时空特征提取，获得该台区节点的时空特征矩阵。
60.本实施例中，对低压台区网络内的每个台区节点进行两次时空特征提取操作，可以充分挖掘低压台区网络中台区节点之间的特征关系，充分提取每个台区节点的时空特征，为训练出准确的低压台区网络线损率在线预测模型提供了数据支持。
61.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的一种具体实施方式，将与该台区节点直接相连的台区节点标记为相连节点，并基于该台区节点的每个相连节点的图信号对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵，包括：
62.根据对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵。
63.其中，h
(m+1)
表示该台区节点相对于每个相连节点的间接时空特征矩阵，表示邻接矩阵a与单位矩阵in的和，d表示的度矩阵，表示对进行归一化处理，w
(m)
表示与每个相连节点直接相连的m个台区节点的权重向量，m为正整数，σ表示relu激活函数，h
(m)
表示未进行时空特征提取之前各个相连节点的图信号。
64.本实施例中，邻接矩阵a是根据台区节点无向图g＝(v,e,w)中n个台区节点之间的关系构建的n
×
n维的矩阵。h
(m)
表示未进行时空特征提取之前该台区节点的各个相连节点的图信号，图信号中包括筛选出的台区中与线损率强相关的目标电气特征量数据。将归一化处理后的邻接矩阵和矩阵h
(m)
作为第一次直接时空特征提取操作的输入，根据计算该台区节点的相连节点层的直接时空特征矩阵，将该直接时空特征矩阵标记为该台区节点相对于每个相连节点的间接时空特征矩阵。
65.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的一种具体实施方式，基于该台区节点的图信号以及每个间接时空特征矩阵对该台区节点进行直接时空特征提取，获得该台区节点的时空特征矩阵，包括：
66.根据对该台区节点进行直接时空特征提取，将该直接时空特征矩阵记为该台区节点的时空特征矩阵。
67.其中，f表示该台区节点的时空特征矩阵，表示对进行归一化处理，h
(m+1)
表示该台区节点相对于每个相连节点的间接时空特征矩阵，σ1表示softmax激活函数，w
(n)
表示与该台区节点直接相连的n个相连节点的权重向量，n为正整数。
68.本实施例中，将归一化处理后的邻接矩阵和该台区节点相对于每个相连节点的间接时空特征矩阵h
(m+1)
作为第二次直接时空特征提取操作的输入，根据计算此时该台区节点的直接时空特征矩阵，并将该直接时空特征矩阵记为该台区节点的时空特征矩阵。
69.本实施例中，通过对与该台区节点的相连节点进行直接时空特征提取操作，在更新相连节点的时空特征后，基于更新后的相连节点的时空特征，对该台区节点进行直接时空特征提取操作。针对低压台区网络内的每个台区节点，都进行两次时空特征提取操作，可以充分挖掘低压台区网络中台区节点之间的特征关系，充分提取整个低压台区网络中各个台区节点的时空特征，为训练出准确的低压台区网络线损率在线预测模型提供了数据支持。
70.s104：根据每个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和
对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，直到满足模型训练停止条件时，获得每个台区训练好的线损率在线预测模型。
71.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的一种具体实施方式，根据每个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，包括：
72.根据更新各个台区的预设神经网络模型的权重。
73.其中，q
t+1
表示各个台区的预设神经网络模型经过当前时刻t后实时更新的权重，q
t
表示各个台区的预设神经网络模型当前进行预测的权重，α表示学习率，m
t
表示权重变化量，j(θ)为损失函数，损失函数由各个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据确定，
74.本实施例中，预设神经网络模型可以为卷积神经网络模型、长短期记忆网络(lstm)模型和循环神经网络模型等，本技术对此不作限定。
75.本实施例中，通过引入m
t
在线更新低压台区网络内各个台区对应的预设神经网络模型的梯度，从而实现各个台区对应的预设神经网络模型的权重的在线更新。
76.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练方法的一种具体实施方式，在获得每个台区训练好的线损率在线预测模型之后，还包括：
77.s1：将采集的低压台区网络内各个台区对应的实时目标电气特征量数据及地理信息进行图信号处理，得到低压台区网络内各个台区的时空特征矩阵，并将各个台区的时空特征矩阵输入至对应台区的线损率在线预测模型中，得到低压台区网络中每个台区的线损率在线预测结果。
78.s2：基于各个台区的线损率在线预测结果和各个台区对应的实际线损率数据更新相应台区的线损率在线预测模型的权重，以根据更新后的每个台区的线损率在线预测模型继续跳转到s1执行。
79.本实施例中，基于训练好的低压台区网络中各个台区的线损率在线预测模型，采集低压台区网络内各个台区对应的实时目标电气特征量数据及地理信息，并对这些数据进行图信号处理，得到各个台区的时空特征矩阵，将各个台区的时空特征矩阵输入对应台区的线损率在线预测模型中，得到各个台区的线损率在线预测结果；再根据得到的各个台区的线损率在线预测结果和各个台区对应的实际线损率数据更新相应的台区的线损率在线预测模型的权重。更新好各个台区的线损率在线预测模型之后，再进行下一次的低压台区网络内各个台区的线损率在线预测。
80.本实施例中，每次预测出低压台区网络内各个台区的线损率结果后，都会根据预测出的各个台区的线损率结果和各个台区对应的实际线损率更新对应台区的线损率在线预测模型的权重。通过不断更新低压台区网络中各个台区的线损率在线预测模型的权重，得到更为准确的台区线损率在线预测模型，进而实现对整个低压台区网络中的每个台区节点进行线损率的准确在线预测。
81.本发明实施例提供一种低压台区网络线损率在线预测模型的训练方法及装置，通过采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息；再根据各个台区对应的历史线损率数据与历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据；然后根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵；最后根据每个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，直到满足模型训练停止条件时，获得每个台区训练好的线损率在线预测模型。通过本发明实施例提供的低压台区网络线损率在线预测模型的训练方法可以得到全面准确的低压台区网络中每个台区的线损率在线预测模型，进而实现对整个低压台区网络中的每个台区节点进行线损率的准确在线预测，实现对整个网络台区的线损率监控与管理，有利于电力部门增强对线损工作的管理力度，提高对低压台区网络的线损率检查速度，保障电网顺利稳定运行。
82.应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
83.以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
84.图3示出了本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
85.如图3所示，本发明实施例提供的低压台区网络线损率在线预测模型的训练装置包括：
86.数据采集模块301，用于采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息。
87.特征筛选模块302，用于根据各个台区对应的历史线损率数据与历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据。
88.特征提取模块303，用于根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵。
89.模型训练模块304，用于根据每个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，直到满足模型训练停止条件时，获得每个台区训练好的线损率在线预测模型。
90.本发明实施例通过采集低压台区网络内各个台区对应的历史线损率数据、历史电气特征量数据及地理信息；再根据各个台区对应的历史线损率数据与历史电气特征量数据，筛选出每个台区中与线损率强相关的目标电气特征量数据；然后根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵；最后根据每个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，直到满足模型训练停止条件时，获得每个台区训练好的线损率在线预测模型。通过本发明实施例提供的低压台区网络线损率在线预测模型的训练装置可以得到全面准确的低压台区网络中每个台区的线损率在线预测模型，进而实现对整个低压台区网络中的每个台区节点进行线损率的准确在
线预测，实现对整个网络台区的线损率监控与管理，有利于电力部门增强对线损工作的管理力度，提高对低压台区网络的线损率检查速度，保障电网顺利稳定运行。
91.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的一种具体实施方式，该装置还可以包括：预处理模块，该预处理模块用于对各个台区对应的历史电气特征量数据进行预处理。
92.对各个台区对应的历史电气特征量数据进行预处理包括：对历史电气特征量数据中的缺失数据进行填充，可以使用fancyimpute中填补缺失值专用的softlmpute模块对数据进行填充，softlmpute模块通过svd分解的迭代软阈值处理来填充数据，使数据适应模型并且匹配模型的需求；也可以使用其他方法实现对历史电气特征量数据中的缺失数据进行填充，本技术对此不作限定。
93.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的一种具体实施方式，特征提取模块303根据每个台区的目标电气特征量数据及地理信息进行图信号处理，获得低压台区网络内各个台区的时空特征矩阵，具体用于：
94.根据每个台区的目标电气特征量数据及地理信息构建低压台区网络的台区节点无向图。
95.基于台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时空特征提取，获得低压台区网络内各个台区的时空特征矩阵。
96.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的一种具体实施方式，特征提取模块303基于台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时空特征提取，获得低压台区网络内各个台区的时空特征矩阵，具体用于：
97.针对台区节点无向图中的每个台区节点，将与该台区节点直接相连的台区节点标记为相连节点，并基于该台区节点的每个相连节点的图信号对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵。
98.基于该台区节点的图信号以及每个间接时空特征矩阵对该台区节点进行直接时空特征提取，获得该台区节点的时空特征矩阵。
99.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的一种具体实施方式，特征提取模块303将与该台区节点直接相连的台区节点标记为相连节点，并基于该台区节点的每个相连节点的图信号对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵，具体用于：
100.根据对相应的相连节点进行直接时空特征提取，获得该台区节点相对于每个相连节点的间接时空特征矩阵。
101.其中，h
(m+1)
表示该台区节点相对于每个相连节点的间接时空特征矩阵，表示邻接矩阵a与单位矩阵in的和，d表示的度矩阵，表示对进行归一化处理，w
(m)
表示与每个相连节点直接相连的m个台区节点的权重向量，m为正整数，σ表示relu激活函数，h
(m)
表示未进行时空特征提取之前各个相连节点的图信号。
102.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的一种具体实施方式，特征提取模块303基于该台区节点的图信号以及每个间接时空特征
矩阵对该台区节点进行直接时空特征提取，获得该台区节点的时空特征矩阵，具体用于：
103.根据对该台区节点进行直接时空特征提取，将该直接时空特征矩阵记为该台区节点的时空特征矩阵。
104.其中，f表示该台区节点的时空特征矩阵，表示对进行归一化处理，h
(m+1)
表示该台区节点相对于每个相连节点的间接时空特征矩阵，σ1表示softmax激活函数，w
(n)
表示与该台区节点直接相连的n个相连节点的权重向量，n为正整数。
105.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的一种具体实施方式，模型训练模块304根据每个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据，更新各个台区的预设神经网络模型的权重，具体用于：
106.根据更新各个台区的预设神经网络模型的权重。
107.其中，q
t+1
表示各个台区的预设神经网络模型经过当前时刻t后实时更新的权重，q
t
表示各个台区的预设神经网络模型当前进行预测的权重，α表示学习率，m
t
表示权重变化量，j(θ)为损失函数，损失函数由各个时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应台区的历史线损率数据确定，
108.可选的，作为本发明实施例提供的低压台区网络线损率在线预测模型的训练装置的一种具体实施方式，模型训练模块304在获得每个台区训练好的线损率在线预测模型之后，还具体用于：
109.s1：将采集的低压台区网络内各个台区对应的实时目标电气特征量数据及地理信息进行图信号处理，得到低压台区网络内各个台区的时空特征矩阵，并将各个台区的时空特征矩阵输入至对应台区的线损率在线预测模型中，得到低压台区网络中每个台区的线损率在线预测结果。
110.s2：基于各个台区的线损率在线预测结果和各个台区对应的实际线损率数据更新相应台区的线损率在线预测模型的权重，以根据更新后的每个台区的线损率在线预测模型继续跳转到s1执行。
111.图4是本发明实施例提供的电子设备的示意图。如图4所示，该实施例的电子设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个低压台区网络线损率在线预测模型的训练方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示模块301至304的功能。
112.示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于
描述所述计算机程序42在所述电子设备4中的执行过程。例如，所述计算机程序42可以被分割成图3所示的模块301至304。
113.所述电子设备4可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述电子设备4可包括，但不仅限于，处理器40、存储器41。本领域技术人员可以理解，图4仅仅是电子设备4的示例，并不构成对电子设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述电子设备还可以包括输入输出设备、网络接入设备、总线等。
114.所称处理器40可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现场可编程门阵列(field-programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
115.所述存储器41可以是所述电子设备4的内部存储单元，例如电子设备4的硬盘或内存。所述存储器41也可以是所述电子设备4的外部存储设备，例如所述电子设备4上配备的插接式硬盘，智能存储卡(smart media card，smc)，安全数字(secure digital，sd)卡，闪存卡(flash card)等。进一步地，所述存储器41还可以既包括所述电子设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述电子设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
116.所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本技术的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
117.在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
118.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
119.在本发明所提供的实施例中，应该理解到，所揭露的装置/电子设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/电子设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置
或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
120.所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
121.另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
122.所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个低压台区网络线损率在线预测模型的训练方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、u盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(read-only memory，rom)、随机存取存储器(random access memory，ram)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
123.以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。