一种基于组合模型的配电网供电可靠性预测方法及系统与流程

本发明涉及电力系统配电网预测，特别是一种基于组合模型的配电网供电可靠性预测方法及系统。

背景技术：

1、配电网是电力系统中用于分配电能的网络，配网供电可靠性是配网规划和建设的中心点，直接关系到用户的安全用电。配电网供电可靠性是衡量供电系统持续稳定对用户供电的重要指标，据不完全统计，电网中停电事故中有超过80％是由极端气象导致配电网发生故障而引起的，除此之外，近些年以光伏发电为代表的分布式可再生能源接入电网的比例越来越高，新能源发电的周期性对配电网带来了极大的挑战。因此，如何准确且快速预测配电网供电可靠性变得越来越重要。

2、目前，已有的配电网供电可靠性预测主要采用枚举法、数理统计和神经网络等方法，枚举法受限于配电网结构的复杂性，只有枚举大量的历史故障数据才有可能实现准确预测，神经网络则由于高维非线性等问题导致算法很容易陷入早熟，同时收敛的速度较慢。上述的几种预测算法在面对越来越复杂的配电网结构时，无法准确的预测出配电网供电的可靠性。

技术实现思路

1、鉴于现有的基于组合模型的配电网供电可靠性预测方法及系统中存在的问题，提出了本发明。

2、因此，本发明的目的是提供一种基于组合模型的配电网供电可靠性预测方法及系统，针对现有技术中配电网供电可靠性预测方法存在的问题，如数据处理复杂和模型性能不稳定等，本发明提出了基于组合模型的方法，包括数据预处理、聚类分析、迁移学习以及灰狼优化算法，解决了现有技术在可靠性预测方面的挑战。

3、为解决上述技术问题，本发明提供如下技术方案：

4、第一方面，本发明实施例提供了一种基于组合模型的配电网供电可靠性预测方法，其包括，采集配电网供电可靠性相关的原始指标数据，对采集到的原始指标数据进行预处理，计算各原始指标数据的皮尔逊系数，筛选供电可靠性强指标数据；对原始指标数据进行聚类分析，利用样本标签标注原始指标数据内的系数，将标签标注的系数进行训练，生成对抗网络，采用迁移学习算法对生成的对抗网络数进行迁移学习；基于配电网供电可靠性预测模型进行迭代，输出模型的预测结果，根据灰狼优化算法对预测结果输出的参数进行计算，建立配电网供电可靠性预测模型。

5、作为本发明所述基于组合模型的配电网供电可靠性预测方法的一种优选方案，其中：所述原始指标数据包括采用用户停电时间、配电网停电概率和供电可靠率作为配电网供电可靠性原始指标数据，所述用户停电时间的平均时间计算公式为：

6、

7、其中，tavg表示用户平均故障停电时间，ti表示用户单次停电时长，ni表示停电的用户数量，n表示配电网用户总数；

8、所述供电可靠率计算公式为：

9、

10、其中，t1表示用户的平均停电时间，t2表示统计周期时间长度。

11、作为本发明所述基于组合模型的配电网供电可靠性预测方法的一种优选方案，其中：所述预处理包括对输入的原始数据进行标准化处理，消除原始数据中不同数据之间差异和量纲的影响，标准化处理具体公式为：

12、

13、其中，表示各指标标准化之后的值；x表示原始指标数据，表示原始指标数据的均值，δ表示原始指标数据的标准差。

14、作为本发明所述基于组合模型的配电网供电可靠性预测方法的一种优选方案，其中：所述计算各原始指标数据的皮尔逊系数的具体公式为：

15、

16、其中，cov(x,y)表示两个指标因素之间的协方差，σx和σy分别表示两个指标因素之间的方差，和表示两个指标因素的平均值；

17、所述筛选包括从输入的原始数据中随机选择k个数据作为初始的聚类中心，计算输入的原始数据中各指标数据到聚类中心点的距离，具体计算公式为：

18、

19、其中，d(i,j)为k个聚类中心mj(i)和样本数据x中各指标数据对象xi之间的距离；

20、所述聚类中心点的距离计算公式为：

21、

22、其中，nj表示数据对象在第j个类中的数量；

23、当k＝0时，则构建配电网供电可靠性预测模型spre＝0，当k＝k+1时，则进行迭代，判断输出的聚类结果，具体步骤如下：

24、比较上次迭代和本次迭代的结果，若聚类的中心点相同，则满足终止条件；

25、利用离散度准则函数计算上次迭代和本次迭代的聚类结果的离散度之差，若差值小于收敛值，则满足终止条件；

26、若迭代次数达到了设置的最大迭代次数，则满足终止条件。

27、作为本发明所述基于组合模型的配电网供电可靠性预测方法的一种优选方案，其中：所述迁移学习包括对生成对抗网络的生成器和参数进行学习，对条件生成的对抗网络进行训练，构建配电网供电可靠性预测模型；所述条件生成的对抗网络包括在生成对抗网络的基础上增加约束；所述对抗网络包括基于判别模型对真实数据和生成模型的数据进行判别，根据判别的结果对生成模型和判别模型进行优化，所述生成器包括完成生成模型的数据任务，当输入和输出之间存在信息共享时，基于网络的损失函数的l1共享函数，提高生成模型的数据和原始数据之间的相似度，所述网络的损失函数的具体计算公式为：

28、lcgan(g,d)＝ex,y[log(d(x|y))]+ex,z[log(1-(d(z|y)))]

29、其中，d(x|y)和g(z|y)表示加入标签信息y之后得到的条件概率值，g为生成器，d表示判别器；

30、所述提高生成模型的数据和原始数据之间的相似度包括基于网络的损失函数下计算生成器g的损失函数和判别器d的损失函数，获取生成对抗网络的损失函数公式，具体步骤如下：

31、计算生成器g的损失函数具体公式为：

32、ll1(g)＝ex,y,z[||y-g(x,z)||1]

33、计算判别器d的损失函数具体公式为：

34、ld(d,g)＝ex,y[log(d(x,y))]+ex,y,z[log(1-d(x,g(x,z)))]

35、生成对抗网络的损失函数具体公式为：

36、

37、其中，x表示生成的配电网数据，y表示真实数据，g(x,y)表示生成器生成的标签数据，z表示dropout层中生成器网络的随机噪声，λ表示设置的权重数值。

38、作为本发明所述基于组合模型的配电网供电可靠性预测方法的一种优选方案，其中：所述训练包括将条件生成的对抗网络采集到的配电网数据和噪声数据进行整合，作为生成器的输入，通过全连接和relu激活函数转化数据格式，将数据格式经过二维采样处理和二维卷积处理，输出生成样本，将真实样本和生成样本输入到判别器中，经过二维卷积处理转换为一维数据，经过sigmoid函数，输出判定数据值，获取网络结构；

39、所述基于配电网供电可靠性预测模型进行迭代包括采用迁移学习算法将条件生成对抗网络的生成器迁移到预测模型中进行复用，将生成器输入的分布特征和时序特征进行结合，所述结合包括通过迭代训练降低模型中冗余神经元的数量，所述迭代训练包括基于时间卷积网络对训练完成后的预测模型进行优化；

40、时间卷积网络运算公式为：

41、

42、其中，f(s)为卷积结果，f为滤波器，d为扩张卷积的扩张系数，k为因果卷积核大小，s-d.i表示卷积方向。

43、作为本发明所述基于组合模型的配电网供电可靠性预测方法的一种优选方案，其中：所述根据灰狼优化算法对预测结果输出的参数进行计算包括确定时间卷积网络的结构，计算灰狼个体的适应度函数，具体公式为：

44、

45、其中，yk表示实际值，ok表示预测值；

46、根据个体的适应度函数计算狼个体的适应度值，对个体的适应度值进行排序，模拟灰狼种群的狩猎过程，通过如下公式更新灰狼种群，具体公式为：

47、

48、

49、

50、其中，和分别表示α、β和δ当前的距离，表示对α的随机扰动，表示对β的随机扰动，表示对δ的随机扰动；

51、根据上述公式更新灰狼种群计算个体收敛因子，具体计算公式为：

52、

53、其中，t表示迭代次数，参数m表示最大迭代次数；

54、基于迭代次数计算ω狼对α、β和δ狼的学习权重值ω1、ω2和ω3，具体步骤如下：

55、计算ω狼对α的学习权重值ω1的公式为：

56、

57、计算ω狼对α的学习权重值ω2的公式为：

58、

59、计算ω狼对α的学习权重值ω3的公式为：

60、

61、根据上述计算结果进行迭代，具体迭代公式为：

62、x(t+1)＝(w1x1+w2x2+w3x3)

63、所述建立包括根据迭代输出结果建立配电网供电可靠性预测模型。

64、第二方面，本发明实施例提供了一种基于组合模型的配电网供电可靠性预测系统，其包括：筛选模块，通过采集配电网供电可靠性相关的原始指标数据，对采集到的原始指标数据进行预处理，计算各原始指标数据的皮尔逊系数，筛选供电可靠性强指标数据；

65、训练模块，通过对原始指标数据进行聚类分析，利用样本标签标注原始指标数据内的系数，将标签标注的系数进行训练，生成对抗网络；

66、预测模块，其基于配电网供电可靠性预测模型进行迭代，输出模型的预测结果，根据灰狼优化算法对预测结果输出的参数进行计算，建立配电网供电可靠性预测模型。

67、第三方面，本发明实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现上述的基于组合模型的配电网供电可靠性预测方法的任一步骤。

68、第四方面，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现上述的基于组合模型的配电网供电可靠性预测方法的任一步骤。

69、本发明有益效果为：本发明采用基于组合模型的配电网供电可靠性预测方法，通过皮尔逊系数计算和聚类分析，筛选出供电可靠性强的指标数据，提高了数据精度。引入迁移学习和对抗网络，加强了模型的泛化能力和稳定性。利用灰狼优化算法对预测结果参数进行计算，提升了模型准确性。整合时间卷积网络和迭代训练，优化了模型结构，降低了冗余神经元，提高了模型效率。本发明综合运用多种技术手段解决了传统方法中的数据处理和模型性能不稳定等问题，为配电网供电可靠性预测提供了可靠准确的解决方案。