基于ADPSO优化GRU神经网络的配网线损计算方法、装置及电子设备与流程

本发明涉及一种配网线损评估技术，具体涉及一种基于adpso优化gru神经网络的配网线损计算技术。

背景技术：

1、在电力网络运行中，配电网因其庞大的设备数量、广泛的覆盖范围以及较低的电压等级，不可避免地会产生大量的电能损耗。特别是在分布式可再生能源广泛接入的背景下，低压配电系统中的潮流、线损、电压分布等关键指标都发生了显著变化，这对配电系统的线损管理带来了极大的挑战。随着时代的快速进步，配电网的覆盖范围不断扩大，对于配电网的线损控制和管理也提出了更高的要求。因此，进行精确的配电网线损计算显得尤为重要。这不仅有助于深入分析配电网的电能损耗情况，更能为制定有效的节能措施、优化配电网结构提供重要依据，从而实现配电网的高效、经济、可靠运行。

2、传统的线损计算模型，如最大电流法、均方根电流法等，均属于简化的电路等值模型范畴，虽然简便易行，但计算精度相对较低，难以满足现代配电网精细化管理的需求。相比之下，潮流计算法以其较高的计算精度在配电网损耗评估中占据重要地位。然而，潮流计算法的实现也面临着诸多挑战。牛顿法和解耦法作为潮流计算的经典方法，虽在理论上完善，但实际应用中却常因算法原理的限制而遭遇计算不收敛的困境，导致计算结果误差较大。同样，虽然回路阻抗法适用于环网回路场景，收敛性较好，但其节点与支路编号处理繁琐，计算量大，且难以有效揭示配电网海量数据与损耗之间的内在联系。目前配电网潮流调整时，主要依赖个人经验，缺乏系统的调整方法。这无疑限制了配电网运行优化的深度和广度，也制约了电力行业的进一步发展。

技术实现思路

1、本发明创造所要解决的技术问题在于提供一种基于adpso优化gru神经网络的配电网线损计算方法、装置及电子设备，以解决现有配电网线损计算方法较低准确率以及耗时长等问题。考虑线损计算相关因素众多，将其都作为模型输入会耗费大量的时间，从而影响模型的性能，故采用最大信息系数法进行相关性分析，从中筛选出相关性较高的参数作为模型输入。针对传统优化算法易陷入局部最优等问题，采用改进的粒子群算法对gru神经网络进行优化，并构建配电网线损计算模型，通过数据测试集来对模型进行验证。

2、为了达到上述目的，本发明采用以下技术方案予以实现：

3、第一方面，本发明公开了一种基于adps0优化gru神经网络的配网线损计算方法，包括：

4、步骤(1)：分析与配网线损计算相关联的数据参数的相关性大小，从中选取相关度较大的参数，作为配网线损计算模型的输入；

5、步骤(2)：对选取的数据参数进行预处理，结合gru神经网络理论，建立gru神经网络模型来完成配网线损的计算；

6、步骤(3)：利用改进的粒子群算法(adpso)对配网模型进行优化，形成基于adpso-gru神经网络的配网线损计算模型。

7、进一步的，所述步骤(1)为利用最大信息系数(mic)分析输入配网数据中各个参数与配网线损的相关性，从中选取相关性较大的参数，作为配网线损计算模型的输入；

8、设x＝{x1，x2，...，xn}与y＝{y1，y2，...，yn}分别为数据集中的随机变量，n为样本数量，则x与y之间的互信息mi为：

9、

10、式(1)中，∫表示积分号；p(x，y)为x与y之间的联合概率密度；p(x)与p(y)分别为x与y之间的边缘概率密度；

11、mic计算公式为：

12、

13、式(2)中，b为样本数量，大小设置是数据量的0.6次方左右；n为样本变量；i(x，y)为x与y之间的互信息mi；mic∈[0，1]，mic值越接近1，则其相关性越强；

14、上述最大信息系数(mic)进行参数指标相关性分析的步骤如下：

15、step1：给定i、j，对x、y构成的散点图进行i列j行网格化，并利用公式(1)求出最大的互信息值mi；

16、step2：将得到的最大互信息除以log2 min(x，y)，即为归一化；

17、step3：选择不同尺度下互信息的最大值作为mic值；

18、step4：根据计算出的各参数与线损间的mic值，确定各参数与配网线损值的相关性。

19、进一步的，所述步骤(2)为：

20、对线损指标进行预处理，结合gru神经网络理论，建立gru神经网络模型来完成台区电网线损的计算，包括：

21、s11，在输入数据前，对配网数据进行预处理工作；包含增删、归一化和聚类三个步骤；

22、对于明显异常或大量丢失的数据，做删除处理；对于数据缺失且缺失值数量较少的，采用三次hermite多项式插值的办法进行补全，其过程如下：

23、对于已知的两个节点x0，x1上的函数值与导数值分别为：yi＝f(xi)，mi＝f′(xi)，(i＝0，1)，要求的是一次数不超过3的多项式h3(x)，使满足h3(xi)＝yi，h3′(xi)＝mi，(i＝0，1)，称h3(x)为三次hermite多项式，上述条件为此问题的插值条件；其中，f′(xi)表示函数f(xi)在点x＝xi处的导数；

24、s22，采用不同的方法对数据集中数据进行归一化处理；

25、将原始输入数据集分为只包含日电能消耗数据的数据集一与不包含日电能消耗数据在内的数据集二；对数据集二进行归一化处理，其计算公式为如下：

26、

27、其中，xi表示原始数据值，x′i表示归一化后的数据，ximax表示第i个向量中元素的最大值；ximin表示第i个向量中元素的最小值，n表示样本中数据的个数；

28、对数据集一利用pca方法对日电能消耗数据进行降维；

29、将m维原始日有功供电量数据集降维成一个新的k维正交特征数据集；降维处理前先将原始日有功供电量数据集表示为大小为n×m的矩阵x；

30、

31、式中，n为配电线路总数；m为数据采集频率；xnm为第n条配电线路在时间m的有功供电量；

32、所述pca方法具体步骤如下：

33、1)样本标准化；

34、

35、式中其中，xij表示日有功供电量原始数据值；x′ij表示归一化后的数据；n表示样本中数据的个数；

36、2)计算样本协方差矩阵c；

37、

38、式中，xt为矩阵x的转置矩阵；n为矩阵x的列数，即为配电线路总数；

39、5)计算协方差矩阵的特征值pi及其对应的特征向量λi；

40、6)选择特征值最大的k个特征向量，然后形成对应的特征向量矩阵p；

41、5)降维后的矩阵y＝xp；

42、6)在降维过程中，新矩阵的维数由各主成分的贡献率决定，其计算公式如下：

43、

44、式中，λi为第i个特征值对应的特征向量；m为特征值的个数；

45、7)设置阈值为ε＝0.85，求解k个特征向量的方差比之和为ρ；如果ρ＞ε，则认为新的k维矩阵保留了原始矩阵的大部分信息；

46、还包含将数据集一与数据集二重新合并在一起，作为配网线损计算模型的输入数据的步骤；

47、然后，采用k-means聚类算法通过对数据的关联度进行聚类分析，按如下公式计算特征聚类中心点与聚类对象点与中心之间距离：

48、

49、其中，x1，y1表示中心点的横纵坐标，xn，yn表示样本点的横纵坐标，k表示样本的个数；

50、基于关联度分析的所述k-means聚类算法步骤为：

51、s101：确定输入、输出；将数据集样本集作为输入，确定簇的数目以及算法最大迭代次数；输出时对簇进行划分，使得平方误差最小；

52、s102：为每个聚类选择一个初始聚类中心；

53、s103：将样本集按照最小距离原则分配到最邻近聚类；

54、s104：使用每个聚类的样本均值更新聚类中心；

55、s105：重复步骤s103、s104，直到聚类中心不再发生变化；

56、s106：输出最终的特征聚类中心和k个簇划分；

57、进一步的，所述步骤(3)搭建配网线损计算模型的同时，将处理好的数据作为线损计算的输入，将台区电网线损值作为输出指标；

58、门控循环单元神经网络(gated recurrent unit，gru)是长短时记忆网络的衍生模型；gru包含输入门xt、重置门rt、更新门zt，其中更新门捕捉时间序列中的长期相关性，重置门捕捉时间序列中的短期相关性，数学模型如下：

59、s201：输入数据xt，计算经过更新门和重置门后的输出，计算公式如式(9)、(10)所示；

60、

61、

62、其中，σ为sigmoid函数；wr、wz为输入权重矩阵；rr、rz为循环权重矩阵；为偏置矩阵；ht-1为前一时刻的信息；rt，zt分别代表经过重置门和更新门的输出；

63、s202：中间处理单元进行候选隐藏状态计算，计算公式如式(11)所示；

64、

65、其中，tanh为双曲正切函数；为输入权重矩阵；为循环权重矩阵；为偏置矩阵；ht-1为前一时刻的信息；为候选隐藏状态；

66、s203：进行输出ot计算，并输出结果；

67、

68、

69、其中，w为输入权重矩阵；r为循环权重矩阵；b为偏置矩阵；ht-1为前一时刻的信息；为候选隐藏状态；⊙表示哈达玛积运算；ot为神经元输出；zt代表经过更新门的输出；

70、s204：使用上述模型对线损进行计算后，使用均方根误差(rmse)进行性能评估，计算方法如下：

71、

72、其中，yi为真实值，为预测值；n为数据集中数据个数；

73、基于以上gru神经网络数学模型搭建台区电网线损计算模型；

74、进一步的，所述步骤(3)为：

75、利用所提出的adpso优化算法对已建立台区电网模型进行优化，形成基于adpso算法优化gru神经网络的台区电网线损计算模型，包括：

76、s301，采用粒子群算法(pso)进行种群智能优化算法；通过更新粒子的速度及位置实现全局寻优，其过程如下：

77、假如一个有n个个体的种群在一个m维空间内寻找最优位置，那么每个个体的搜索方向和速度分别可以用公式(15)、公式(16)所示的数学模型表示：

78、

79、式中：xi、vi分别表示为种群中个体i的位置与速度；为种群中个体i在第k维搜索空间的位置；为种群中个体i在第k维搜索空间的速度；n为种群个体数量；m为种群搜索空间维度；

80、s302：开始进行搜寻，记录每个个体的初始位置，即初始最优位置；

81、s303：不断进行迭代搜寻；按公式(17)、公式(18)对个体的速度和所在位置进行更新，如下所示：

82、

83、

84、

85、式中：d＝1，2，3...，m分别表示为个体i在第k次迭代中第d维的速度向量与位置向量；d＝1，2，3...，m为个体i在第k次迭代中第d维的历史最优位置，即在第k次迭代后，个体i搜索得到的最优解；d＝1，2，3...，m为种群在第k次迭代中第d维的历史最优位置，即在第k次迭代后，整个种群中的最优解；m为种群搜索空间维度；c1，c2为学习因子；r1，r2为[0，1]范围之内的随机数；α是控制更新速度权重的约束因子；ω为惯性权重因子；tmax为优化设置的最大迭代次数；t为当前的迭代次数；m为种群搜索空间维度；

86、s304：对种群个体进行适应度计算；选取误差平方之和(sum of square error，sse)作准则函数，将其定义成适应度函数对群体中的个体进行评价，表达式为：

87、

88、式中，表示个体j在第q维空间的最优位置坐标；表示种群在第q维空间的最优位置坐标；n为种群个体数量；m为种群搜索空间维度；

89、s305：在每一次位置的寻找之后，在每一次的搜寻过程中，记录每个个体的最优位置：

90、

91、式中，pibest表示种群中个体i的最优位置；d＝1，2，3...，m为个体i在第d维搜索空间的最优位置；n为种群个体数量；

92、s306：反复进行搜寻(迭代)，直至达到所设顶的最大迭代次数为止，记录整个种群最优位置为，如下所示；

93、

94、其中，gibest表示种群的最优位置；d＝1，2，3...，m为种群中个体i在第d维空间的最优位置；n为种群个体数量。

95、进一步的，所述步骤(3)中考虑到当求解多个目标函数或约束条件的整体最优时，由于pso算法中ω、c1、c2为定常数，针对ω、c1、c2三个参数，进行改进，形成adpso算法，使其更适合于求解多个约束条件的整体最优，具体改进如下：

96、s401：一种随迭代次数不断进行非线性变化的新的学习因子c′1，c′2，所提出的新的学习因子分别如公式(23)、公式(24)所示：

97、

98、

99、其中，c′1，c′2为所提出的新的学习因子；t为当前迭代次数；tmax为优化设置的最大迭代次数；

100、s402：对ω进行分段处理，采用非线性时变的思想对惯性权重因子ω进行调整，使惯性权重因子ω非线性时变，即用公式(25)所示对公式(19)进行更新；

101、

102、其中，c′1，c′2为所提出的新的学习因子；t为当前迭代次数；tmax为优化设置的最大迭代次数；ω为惯性权重因子；

103、在迭代后期，所有个体都会向最优个体靠近，出现局部最优解；对最优个体进行非均匀化变异操作，过程如下：

104、假设xi＝(xi1，xi2，...，xim)为种群中的某一个体，其上下边界分别是ximax、ximin，随机生成一个整数k∈[1，m]，再从个体中取出对应的元素xik，然后按下面公式确定变异后x′ik，组成新的个体x′i＝(xi1，xi2，...，x′ik，...，xim)；

105、

106、其中，ximax、ximin分别为变量xik的上下边界；函数δ(t，z)返回的是一个位于[0，z]范围之间的值，并且随t的增加，函数δ(t，z)越趋于0；函数δ(t，z)的特性使算法在前期具有较大的搜索范围，在后期可以进行小范围的调整；其中函数δ(t，z)表示为：

107、

108、其中，r为[0，1]范围之内的随机数；是一个分均匀度的参数；t为当前进化代数；tmax表示最大进化代数；

109、adpso算法步骤如下：

110、s501：设置种群个体数n和算法的最大迭代次数tmax，初始化个体位置和速度信息及起始迭代数t＝1；

111、s502：计算种群每个个体的初始适应度，找到当前最优个体的位置并保留作为种群初始最优位置值；

112、s503：开始迭代，按公式(17)、(18)计算，对个体位置和速度更新；

113、s504：位置与速度更新结束，按公式(20)计算每个个体的适应度，并与先前保留的个体与种群的最优位置的适应度值进行比较；若优于，则利用新的最优值更新个体最优位置值和群体最优位置值；

114、s505：判断当前迭代次数是否达到最大迭代次数tmax；如果是，则输出最优解，计算结束；否则进入下一次迭代，并返回步骤3，直到达到最大迭代次数tmax为止。

115、进一步的，所述步骤(3)运用adpso算法来优化所建立的gru神经网络模型的神经元权重、阈值及隐含层神经元个数等参数，形成改进的adpso-gru神经网络模型来计算电网的线损，adpso优化步骤如下：

116、s601：输入配网数据，利用最大信息系数(mic)分析输入数据中各个参数与配网线损的相关性；从中选取相关性较大的参数，作为配网线损计算模型的输入；

117、s602：对选取的数据参数进行预处理，按照7:3的比例划分为训练集与测试集；将训练集数据作为配网线损计算的输入；

118、s603：搭建gru神经网络线损计算模型；利用改进的adpso算法优化gru神经网络模型的隐藏层神经元数、阈值和连接权重矩阵；

119、s604：建立起改进的adpso-gru配网线损计算神经网络模型；

120、s605：输入配网测试集数据，输出计算的理论线损值，并进行性能评估；

121、第二方面，本发明还公开了一种基于adpso优化gru神经网络的配网线损计算方法装置，包括：

122、数据获取模块：用于获取电网采集系统采集的相关潮流数据；

123、参数相关性计算模块：利用最大信息系数(mic)分析输入数据中各个参数与配网线损的相关性；从中选取相关性较大的参数，作为配网线损计算模型的输入；

124、算法优化模块：将构建的配网线损计算模型用该改进的adpso-gru算法进行优化学习，获得优化学习后的配网线损计算模型；

125、线损计算分析模块：将待测数据样本经过参数相关性计算模块处理后，输入配网线损计算模型中，进行配网线损计算，并输出结果。

126、第三方面，本发明还公开了一种电子设备，包括处理器及存储介质；

127、所述存储介质用于存储指令；

128、所述处理器用于根据所述指令进行操作以执行根据前述任一项所述方法的步骤。

129、本发明有益效果是：

130、1、采用最大信息系数(mic)法来分析电网采集数据中各参数与配电网线损的相关性，从中选取相关性较大的参数，作为配电网线损计算模型的输入，从而降低模型的复杂度，提高模型的计算速度；

131、2、分别对原始粒子群算法中三参数进行改进，形成改进的粒子群优化算法(adpso)，克服了原始粒子群算法易陷入局部最优、寻优能力较差的缺点；

132、3、利用改进的粒子群算法(adpso)优化gru神经网络模型参数，提出了一种与gru神经网络混合的优化模型，在线损计算时具有明显的优势，计算速度更快，比基本算法更适用于配电网线损计算。