一种低压配网户变关系预测方法及相关设备与流程

本发明涉及低压配网，具体为一种低压配网户变关系预测方法及相关设备。

背景技术：

1、在电力系统中，预测户变站点的运行状态和关系可以帮助电力系统了解和预测供电情况，优化电力调度和配电计划，以提高电网的供电质量和可靠性；预测可以采用时间序列分析、机器学习算法、神经网络模型或基于统计的模型回归分析与时间序列分解，然而，这些方法在单独处理时存在局限性，例如，时间序列分析对数据的平稳性要求高，处理复杂的数据会影响结果的准确性；机器学习算法需要训练大量的数据，计算复杂度高；单一的神经网络模型也要耗费大量计算资源，处理配网用户数据容易过拟合；基于统计的模型对数据分布做了假设，导致预测结果存在主观性，且处理小样或数据质量差时表现不佳。

技术实现思路

1、本发明的目的是针对现有技术中单一的预测方法由于存在局限性，导致低压配网户变关系预测效率低的问题；提出了一种低压配网户变关系预测方法及相关设备，通过tvfemd算法对采集的低压配网户变关系数据进行分解，获得一系列imf分量；采用tcn-svm组合模型对低压配网户变关系进行多用户数据同步预测，获得预测值；将预测值与真实值比对分析，判断是否需要对预测值进行优化，若需要，则基于aca群优化算法对tcn-svm组合模型进行优化，即在tcn-svm组合模型进行多用户数据同步预测过程，采用aca群优化算法求解最优预测值；克服了现有技术中单一的预测方法由于存在局限性，导致低压配网户变关系预测效率低的问题，显著提高了低压配网户变关系预测结果的准确性和可靠性。

2、为解决上述技术问题，本发明采用的技术方案为：一种低压配网户变关系预测方法，包括以下步骤：

3、s1、基于tvfemd算法对低压配网户变关系数据x(t)进行分解，获得imf分量；

4、s2、将所述imf分量作为tcn-svm组合模型的输入，通过所述tcn-svm组合模型对低压配网户变关系进行多用户数据同步预测，获得预测值pforecast；

5、s3、将所述预测值pforecast与真实值preal进行比对分析，判断所述预测值pforecast是否为最优值，若是，则将所述预测值pforecast作为低压配网户变关系的多用户预测值；若否，则执行s4；

6、s4、基于aca群优化算法对所述tcn-svm组合模型进行优化，获得所述tcn-svm组合模型的最优预测参数，并将所述最优预测参数作为低压配网户变关系的多用户预测值。

7、本方案中，通过时变滤波经验模式分解(time-variant filtered empiricalmode decomposition，tvfemd)方法对低压配网户变关系数据进行分解，能够明显改善经验模态分解中模态混叠问题，能够有效分解数据中的多种频率成分，以便于对有源低压配网户变关系数据进行时频分解，快速捕捉数据中的非线性和时变特征，有利于预测模型对其进行更准确的分析和预测，为高精度的预测结果提供有力的数据支撑；通过tcn-svm组合模型进行多用户数据同步预测，充分利用时域卷积网络(temporal convolutional network,tcn)对分解过后的有源低压配网户变关系数据进行时序预测后，得到数据的非线性趋势；再利用支持向量机(supportvector machine,svm)实现数据的非线性预测回归，提高预测模型的准确性、可靠性和多用户数据预测的能力；其中，tcn能够通过堆叠多个膨胀卷积层来有效提取低压配网户变关系中的时间序列数据的长期依赖关系和时序特征；svm能够通过最大化间隔来选择决策边界，以提高tcn-svm组合模型对低压配网户变关系数据的泛化能力，并降低低压配网户变关系数据的异常点和噪声点对预测结果的影响；tcn与svm的结合进一步增强了模型的泛化能力和鲁棒性，实现多用户数据预测，提高了预测的精度，实现了在面对复杂多变的低压配网数据时能够保持稳定的预测性能；通过蚁群算法(antcolonyalgorithm,aca)对tcn-svm组合模型进行优化，能够根据有源低压配网户变关系数据的具体情况动态调整tcn-svm组合模型的权重，进一步提升tcn-svm组合模型的性能，避免预测结果因为低压配网户变关系数据的动态变化等因素而存在误差，进而求解预测值的最优值，克服了现有技术中单一的预测方法由于存在局限性，导致低压配网户变关系预测效率低的问题，显著提高了低压配网户变关系预测结果的准确性和可靠性。

8、优选地，执行所述s1之前包括如下子步骤：

9、采集有源低压配网户变关系数据，得到低压配网户变关系数据集；

10、对所述低压配网户变关系数据集进行预处理，并将预处理后的数据进行标准化，得到统一标准格式的低压配网户变关系数据x(t)。

11、优选地，所述s1包括如下子步骤：

12、s11、对所述低压配网户变关系数据x(t)进行变换后提取出瞬时幅值a(t)和瞬时频率

13、s12、基于所述瞬时幅值a(t)和所述瞬时频率计算得到截止频率

14、s13、根据所述截止频率计算样条插值节点，基于所述样条插值节点对所述低压配网户变关系数据x(t)进行逼近，获得逼近结果m(t)；

15、s14、基于所述低压配网户变关系数据x(t)的属性特征确定带宽阈值；

16、s15、将所述低压配网户变关系数据x(t)的加权均值瞬时频率与loughlin瞬时带宽的比值和所述带宽阈值进行比对分析，判断所述截止频率是否截止准则，若是，则将当前低压配网户变关系数据作为一个imf分量；若否，则x1(t)＝x(t)-m(t)，表征当前低压配网户变关系数据分解为残差分量，将其进行过滤；

17、s16、重复执行所述s11-s14，直至将所述低压配网户变关系数据全部分解完，获得所有的imf分量。

18、优选地，所述s12包括如下子步骤：

19、s121、对所述瞬时幅值a(t)的局部最大值a({tmax})与局部最小值a({tmin})分别进行插值，基于完成插值的所述局部最大值a({tmax})以及所述局部最小值a({tmin})计算得到瞬时均值α1(t)和瞬时包络α2(t)；

20、s122、对所述瞬时频率的局部最小值与所述瞬时幅值a(t)的局部最小值a({tmin})的乘积进行插值得到η1(t)，对所述瞬时频率的局部最大值与所述瞬时幅值a(t)的所述局部最大值a({tmax})的乘积进行插值得到η2(t)；

21、s123、根据所述η1(t)与所述η2(t)计算得到第一瞬时子频率与第二瞬时子频率

22、s124、基于所述第一瞬时子频率与第二瞬时子频率计算得到所述截止频率

23、本方案中，通过tvfemd方法来处理采集得到的有源低压配网户变关系数据，能够根据有源低压配网户变关系数据中信号的特性自适应地调整滤波器的频率响应，从而更好地提取出信号中的不同频率成分，解决了非平稳信号中存在的间歇性和模态混淆，有助于更好地理解数据的内在结构，提高了有源低压配网户变关系数据中频率分离性能和低采样率下的稳定性，以及抗噪声干扰的鲁棒性；提取数据的瞬时幅值和瞬时频率，反映了有源低压配网户变关系数据在时间域和频率域上的动态变化，为后续的分析和预测提供了重要依据；通过对瞬时幅值和瞬时频率进行插值处理，可以平滑数据中的噪声和异常点，提高数据的信噪比和可靠性，确保预测结果的准确性。

24、优选地，执行所述s2之前包括如下子步骤：

25、对tcn算法进行tcn参数配置并配置辅助功能函数；

26、其中，所述参数至少包括因果卷积、膨胀卷积以及残差块；所述辅助功能函数至少包括激活函数、正则化以及dropout；

27、对svm算法进行svm参数配置，所述svm参数至少包括：核函数、惩罚系数以及高斯核系数；

28、基于配置完成的tcn算法与svm算法进行模型训练，获得tcn-svm组合模型。

29、本方案中，通过配置tcn的因果卷积，确保tcn网络在处理低压配网户变关系数据时，当前时间步的输出仅依赖于过去和当前时间步的输入，而不依赖于未来数据，确保组合模型进行配网多用户预测的可靠性和适用性；配置膨胀卷积是为了在卷积核中引入间隔采样，使得tcn网络能够在较少的层数下捕捉到低压配网户变关系数据中更长距离的时序依赖关系，提升tcn网络的数据处理性能；通过残差块能够解决深层网络训练中的梯度消失问题，避免陷入局部最优解或过度拟合训练数据中的噪声，确保多用户数据预测的准确性；通过激活函数引入非线性，增强tcn网络的表达能力，进而提高tcn-svm组合模型的表达性能；通过正则化防止模型过拟合，提高tcn网络的泛化能力，并减少存储和计算量，提高多用户数据预测效率；通过dropout超参数在tcn-svm组合模型的训练过程中随机丢弃部分神经元，减少神经元之间的共适应，提高tcn-svm组合模型的鲁棒性。通过配置svm不同的核函数，以实现非线性分类或回归，有助于针对不同的特征映射选择合适的核函数，提高数据分析效率；通过惩罚系数能够控制错误分类的惩罚程度，由于较小的系数值会导致较大的间隔，容忍更多的错误分类，较大的系数值会导致较小的间隔，对错误分类的容忍度较低，因此，通过调整，实现了在svm模型的偏差和方差之间的权衡；通过高斯核系数能够控制每个训练参数的影响范围，可以避免欠拟合或过拟合。

30、优选地，所述s2包括如下子步骤：

31、s21、将所述imf分量进行叠加，得到imf叠加数据集；

32、s22、将所述imf叠加数据集作为所述tcn-svm组合模型的输入进行时序预测，获得所述低压配网户变关系数据x(t)的非线性趋势；

33、s23、对所述低压配网户变关系数据x(t)的非线性趋势进行非线性预测，得到所述tcn-svm组合模型的所述预测值pforecast。

34、本方案中，将分解得到的多个imf分量进行叠加，可以重新构造一个包含原始数据所有信息但结构更为清晰的数据集；imf叠加数据集保留了原始数据的全部信息，但通过将不同频率成分分离并重新组合，有助于揭示低压配网户变关系数据中的隐藏模式或趋势，以便于后续的数据预测工作，简化了tcn-svm预测前对数据进行一系列的清洗和处理流程；通过tcn-svm组合模型对imf叠加数据集进行处理，能够捕捉序列数据中的长期依赖关系与非线性关系，从而提高预测的准确性和可靠性；通过tcn-svm模型的组合，能够降低单一模型可能存在的过拟合风险，提高整个预测系统的鲁棒性。

35、优选地，所述s3包括如下子步骤：

36、s31、根据所述预测值pforecast与真实值preal计算出平均绝对百分比误差与均方根误差，将所述平均绝对百分比误差作为所述最优值的第一评价指标，将所述均方根误差作为所述最优值的第二评价指标；

37、s32、将所述第一评价指标与第一标准阈值进行比对，将所述第二评价指标与第二标准阈值进行比对，若所述第一评价指标以及所述第二评价指标均达到相对应的标准阈值，则所述预测值为最优值；若所述第一评价指标以及所述第二评价指标中有一个未达到相对应的标准阈值，则所述预测值pforecast非最优值。

38、本方案中，通过计算平均绝对百分比误差与均方根误差，能够直观地了解预测值与实际值之间的偏离程度，有助于利用平均绝对百分比误差对预测值的相对误差进行评估，利用均方根误差对预测值的绝对误差进行评估；将计算出来的平均绝对百分比误差与均方根误差分别与标准阈值比对，能够快速地判断预测值是否达到最优水平；两种方式结合实现从不同角度评估tcn-svm组合模型的性能，进而判断是否需要对tcn-svm组合模型进行优化，进一步优化预测值的结果，得到最优解。

39、优选地，所述s4中，基于aca群优化算法对所述预测值pforecast进行优化，获得所述tcn-svm组合模型的最优预测参数包括如下子步骤：

40、s41、基于所述预测值pforecast与所述最优值的差量对aca群优化算法的运行参数进行配置，所述运行参数至少包括最大迭代次数、启发函数因子、信息素因子、信息素挥发因子以及信息素常数；

41、s42、根据配置完成的aca网络对所述tcn-svm组合模型进行优化训练，并同步执行所述s2；

42、s43、判断是否达到所述最大迭代次数，若是，则结束计算程序，执行s44；若否，则继续执行所述s42；

43、s44、输出所述tcn-svm组合模型的优化预测结果，分析判断所述优化预测结果的第一评价指标与第二评价指标是否均达到标准阈值，若是，则将所述优化预测结果作为所述最优预测参数；若否，则重新执行所述s4。

44、本方案中，通过aca算法优化训练tcn-svm组合模型，实现了对低压配网户变关系数据的预测求解最优解，获得多用户数据预测的最优预测参数；有助于在tcn-svm组合模型处理低压配网户变关系数据的非线性的基础上通过aca算法的搜索性能进一步处理这种非线性关系，从而获取最优预测参数，显著提高了低压配网户变关系的预测精度。此外，通过aca算法优化后的tcn-svm组合模型在保持高预测精度的同时，还能够缩短预测时间，提高预测效率。

45、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一种低压配网户变关系预测方法。

46、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一种低压配网户变关系预测方法。

47、本发明的有益效果：

48、1、通过tvfemd方法对低压配网户变关系数据进行分解，能够明显改善经验模态分解中模态混叠问题，能够有效分解数据中的多种频率成分，以便于对有源低压配网户变关系数据进行时频分解，快速捕捉数据中的非线性和时变特征，有利于预测模型对其进行更准确的分析和预测，为高精度的预测结果提供有力的数据支撑；

49、2、通过tcn-svm组合模型进行多用户数据同步预测，避免了低压配网户变关系数据的异常点和噪声点对预测结果的影响，提高了预测的精度，实现多用户数据预测；

50、3、通过aca算法优化训练tcn-svm组合模型，有助于增强tcn-svm组合模型的泛化能力，使其在面对不同数据集或数据分布变化时仍能保持较好的预测性能，显著提高了低压配网户变关系的预测精度，缩短预测时间，进一步提高预测效率。