本發(fā)明涉及配網(wǎng)規(guī)劃，尤其是一種基于人工智能的配網(wǎng)規(guī)劃指標預測方法。

背景技術(shù)：

1、配網(wǎng)規(guī)劃旨在設(shè)計和優(yōu)化電力配電網(wǎng)絡(luò)以保證高效、安全和可靠的電力供應。當前，隨著電力需求的不斷增長及風力發(fā)電、光伏發(fā)電等可再生能源發(fā)電在配電網(wǎng)中的滲透率日益提高，給配電網(wǎng)的規(guī)劃和管理帶來了巨大的困難，需要研究更有效的配電網(wǎng)的規(guī)劃方法。

2、配網(wǎng)規(guī)劃指標預測是一種通過分析歷史和實時數(shù)據(jù)，結(jié)合環(huán)境與經(jīng)濟因素，來預測電力配電網(wǎng)絡(luò)未來需求和性能的過程。其核心在于評估現(xiàn)有電網(wǎng)的能力和效率，以保證其能夠滿足未來的負載增長和用電需求，其能夠幫助電力公司合理配置資源，優(yōu)化電力設(shè)施的布局和規(guī)模，避免資源浪費，可以提前識別潛在的供電瓶頸和弱點，從而采取措施提升供電的穩(wěn)定性和可靠性，保證電網(wǎng)發(fā)展與城市規(guī)劃、經(jīng)濟增長相協(xié)調(diào)。機器學習技術(shù)在近年來取得了長足的發(fā)展，因此目前針對配網(wǎng)規(guī)劃指標預測主要集中在機器學習方法上。在目前配網(wǎng)規(guī)劃指標預測中存在以下問題，配網(wǎng)規(guī)劃指標預測的準確性和效率較低，數(shù)據(jù)來源不一致：不同的指標依賴于不同的數(shù)據(jù)來源而數(shù)據(jù)來源不一致，會導致指標計算結(jié)果的差異，影響決策的準確性；缺乏動態(tài)調(diào)整機制：配網(wǎng)規(guī)劃指標通常是基于歷史數(shù)據(jù)和經(jīng)驗進行設(shè)定的，但隨著時間的推移和環(huán)境的變化，這些指標會產(chǎn)生較大變化；指標之間的關(guān)聯(lián)性不足：指標在設(shè)定時沒有考慮到相互之間的關(guān)聯(lián)性，會導致規(guī)劃不合理；未考慮外部因素：在設(shè)定指標時，未考慮經(jīng)濟波動、氣候變化等外部因素的影響。

3、因此，如何克服現(xiàn)有技術(shù)不足，提升配網(wǎng)規(guī)劃指標預測評估現(xiàn)有電網(wǎng)的能力，是配網(wǎng)規(guī)劃技術(shù)領(lǐng)域亟需解決的問題。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是為了解決現(xiàn)有技術(shù)的不足，提供一種基于人工智能的配網(wǎng)規(guī)劃指標預測方法。

2、為了實現(xiàn)上述目的，本發(fā)明采用了如下技術(shù)方案：

3、一種基于人工智能的配網(wǎng)規(guī)劃指標預測方法，包括如下步驟：

4、步驟(1)，數(shù)據(jù)采集，采集n類配網(wǎng)規(guī)劃相關(guān)要素數(shù)據(jù)；

5、步驟(2)，數(shù)據(jù)預處理，對步驟(1)中采集的n類配網(wǎng)規(guī)劃相關(guān)要素數(shù)據(jù)進行異常值去除、數(shù)據(jù)清洗、去噪、填補缺失值，并通過標準化或歸一化進行處理；

6、步驟(3)，模型建立與動態(tài)調(diào)整，建立多層次綜合模型，結(jié)合多層感知器mlp、時間序列模型arima和長短期記憶lstm網(wǎng)絡(luò)，對配電網(wǎng)規(guī)劃指標進行預測；結(jié)合三種模型的預測值進行加權(quán)求和處理，并通過實時數(shù)據(jù)流機制和自適應學習算法實現(xiàn)模型參數(shù)的動態(tài)調(diào)整，包括以下步驟：

7、步驟(3.1)，第一層次模型：使用多層感知器mlp識別主要趨勢和影響因素；

8、步驟(3.2)，第二層次模型：采用時間序列模型arima分析捕捉數(shù)據(jù)中的時間依賴性和周期性變化；

9、步驟(3.3)，第三層次模型：通過長短期記憶lstm網(wǎng)絡(luò)模型處理復雜和非線性關(guān)系，以提高預測精度；

10、步驟(3.4)，加權(quán)求和處理：采用blending技術(shù)，通過加權(quán)求和公式進行融合：

11、

12、其中ot是長短期記憶lstm網(wǎng)絡(luò)模型預測輸出，yt是時間序列模型arima輸出，是mlp預測輸出；α1、α2、α3是介于0-1之間的權(quán)重系數(shù)，通過網(wǎng)格搜素方法確定，保證輸出的準確性；

13、步驟(3.5)，動態(tài)調(diào)整機制：建立實時數(shù)據(jù)流機制，設(shè)置觸發(fā)條件，并根據(jù)顯著變化啟動自適應學習算法，動態(tài)調(diào)整模型參數(shù)；

14、步驟(4)，模型評估與優(yōu)化，采用交叉驗證法對模型進行評估，根據(jù)評估結(jié)果對模型超參數(shù)進行優(yōu)化；

15、步驟(5)，指標預測，利用優(yōu)化后的模型進行配網(wǎng)規(guī)劃指標預測，預測步驟包括：

16、步驟(5.1)，處理模型輸入數(shù)據(jù)：將n類配網(wǎng)規(guī)劃相關(guān)要素歷史數(shù)據(jù)按步驟(2)

17、處理為模型所需數(shù)據(jù)格式；

18、步驟(5.2)，執(zhí)行預測：加載訓練好的步驟(3)中的多層次綜合模型，輸入模型輸入數(shù)據(jù)得到綜合預測結(jié)果；

19、步驟(5.3)，處理預測結(jié)果：對步驟(5.2)中得到的綜合預測結(jié)果進行逆標準化，保證結(jié)果準確，存儲逆標準化預測結(jié)果以供后續(xù)分析；

20、步驟(6)，結(jié)果分析與可視化展示，通過可視化工具展示預測結(jié)果，幫助規(guī)劃人員理解負荷變化趨勢并提出配網(wǎng)規(guī)劃建議。

21、優(yōu)選地，所述步驟(1)中n類配網(wǎng)規(guī)劃相關(guān)要素數(shù)據(jù)中n＝5；5類配網(wǎng)規(guī)劃相關(guān)要素數(shù)據(jù)中為：用電負荷、月電量、溫度、降雨量、gdp增速、人口增速、變壓器數(shù)據(jù)、線路數(shù)據(jù)、風能發(fā)電量、太陽能發(fā)電量。

22、優(yōu)選地，所述步驟(2)中的數(shù)據(jù)預處理通過以下公式篩除異常值：

23、

24、其中，z為標準分數(shù)，μ為均值，σ為標準差，當z超過預設(shè)的閾值時，將對應數(shù)據(jù)判定為異常值并剔除；

25、所述步驟(2)中的數(shù)據(jù)預處理對數(shù)據(jù)進行篩除異常值、清洗與去噪、填補缺失值，并通過以下公式進行歸一化處理：

26、

27、x'是歸一化后的值，x為原始數(shù)據(jù)值，xmin和xmax分別為最小值和最大值。

28、優(yōu)選地，所述步驟(3.1)中的第一層次模型通過以下mlp分析識別數(shù)據(jù)中主要趨勢和影響因素：

29、

30、回歸系數(shù)的估計通過最小化以下?lián)p失函數(shù)得到：

31、

32、其中：是預測的輸出負荷預測；σ是非線性激活函數(shù)；β0是偏置量；β1,β2,…,βn是權(quán)重；x1,x2,…,xn是輸入特征用電負荷、月電量、溫度、降雨量、gdp增速、人口增速、變壓器數(shù)據(jù)、線路數(shù)據(jù)、風能發(fā)電量、太陽能發(fā)電量等；m是樣本數(shù)，yi是實際值，是預測值。

33、優(yōu)選地，所述步驟(3.2)中的第二層次模型通過時間序列模型arima捕捉數(shù)據(jù)中的時間依賴性和周期性變化，具體為：

34、yt＝δdyt＝y(tǒng)t-yt-1-…-yt-d

35、yt＝c+φ1yt-1+φ2yt-2+…+φpyt-p+θ1∈t-1+θ2∈t-2+…+θq∈t-q+∈t

36、其中：yt是時間t的預測值；c是常數(shù)項；φi是自回歸部分的系數(shù)；θi是移動平均部分的系數(shù)；∈t是白噪聲；p是自回歸階數(shù)，d是差分階數(shù)，q是移動平均階數(shù)。

37、優(yōu)選地，所述步驟(3.3)中的第三層次模型通過建立長短期記憶lstm網(wǎng)絡(luò)模型，用于捕捉序列數(shù)據(jù)中的長期依賴關(guān)系，lstm網(wǎng)絡(luò)的狀態(tài)更新通過以下公式實現(xiàn)：

38、(a)，遺忘門：

39、ft＝σ(wf[ht-1,xt]+bf)

40、(b)，輸入門：

41、it＝σ(wi[ht-1,xt]+bi)

42、(c)，候選記憶單元：

43、

44、(d)，記憶單元更新：

45、

46、(e，)輸出門：

47、ot＝σ(wo[ht-1,xt]+bo)

48、(f)，隱狀態(tài)更新：

49、ht＝ot*tanh(ct)；

50、其中，σ是sigmoid激活函數(shù)；wf和bf分別是遺忘門的權(quán)重和偏置；wi，wc和bi，bc是輸入門和候選記憶的權(quán)重和偏置；wo和bo是輸出門的權(quán)重和偏置，ht是當前時間步的隱狀態(tài)。

51、優(yōu)選地，所述步驟(3.5)中的動態(tài)調(diào)整機制進一步包括以下步驟：

52、a，偏差檢測：在每個預測周期結(jié)束后，計算預測結(jié)果和實際值之間的偏差，評估模型的預測性能，具體計算公式為：

53、

54、其中：是預測結(jié)果，ynew(i)是實際值；

55、b，模型調(diào)整：首先根據(jù)偏差結(jié)果deviation，對各層次模型的參數(shù)進行迭代調(diào)整，然后對使用blending技術(shù)進行模型融合后的參數(shù)進行迭代調(diào)整，具體步驟如下：

56、(a)，mlp的權(quán)重和偏置調(diào)整：使用adam優(yōu)化算法迭代更新網(wǎng)絡(luò)權(quán)重，具體步驟如下：

57、計算梯度：

58、

59、更新一階和二階矩估計：

60、mk＝β1mk-1+(1-β1)g

61、vk＝β2vk-1+(1-β2)g⊙g

62、修正偏差：

63、

64、更新參數(shù)：

65、

66、其中，mk和vk分別是梯度的一階矩和二階矩的估計，β1和β2是控制這兩個矩估計的指數(shù)衰減率，通常設(shè)置為0.9和0.999，∈是防止除零的小常數(shù)，k是當前迭代次數(shù)，η為學習率，θk是mlp第k次迭代時的權(quán)重和偏置集合，在訓練過程中不斷迭代；

67、(b)，時間序列模型arima參數(shù)調(diào)整：確定差分階數(shù)d，自相關(guān)系數(shù)acf，偏自相關(guān)系數(shù)pacf，得到最佳的階層p和階數(shù)q，然后通過d，p，q獲得arima模型進行參數(shù)優(yōu)化：

68、遍歷所有可能的參數(shù)組合(p,d,q)，使用信息準則aic/bic選擇最佳參數(shù)組合；擬合arima模型并估計參數(shù)，通過liung-box檢驗模型殘差的自相關(guān)性，不斷調(diào)整參數(shù)組合(p,d,q)保證模型擬合充分：

69、

70、其中，c為常數(shù)項，為自回歸系數(shù)，θj為移動平均系數(shù)，∈t為白噪聲；

71、(c)，長短期記憶lstm網(wǎng)絡(luò)權(quán)重和偏置調(diào)整：使用隨機梯度下降(sgd)對lstm權(quán)重和偏置進行更新：

72、計算梯度：均勻采樣的一個樣本索引i∈{1,…,n}，并計算損失函數(shù)l(θ)的梯度

73、梯度更新：

74、

75、其中，l是當前迭代次數(shù)，η為學習率；θl為lstm模型的第l次迭代時的權(quán)重和偏置集合，為損失函數(shù)l對權(quán)重和偏置的集合θ的梯度，表示當前參數(shù)的變化方向；

76、(d)，blending模型參數(shù)調(diào)整：使用sgd進一步對blending技術(shù)融合得到的模型權(quán)重參數(shù)進行迭代優(yōu)化，使加權(quán)求和的預測結(jié)果最優(yōu)：

77、

78、其中，a為blending模型的權(quán)重參數(shù)。

79、優(yōu)選地，所述步驟(4)中的模型評估采用k折交叉驗證方法，具體包括以下步驟：

80、(a)，將整個數(shù)據(jù)集d隨機分成k個相同大小的子集d1,d2,…,dk；

81、(b)，使用其中一個子集dk作為驗證集，剩余的k-1個子集作為訓練集；

82、(c)，訓練模型m并計算在驗證集dk上的性能指標ek；

83、(d)，重復上述步驟k次，最終計算所有k次測試結(jié)果的平均值eavg，根據(jù)eavg大小對建立的多層次綜合模型進行調(diào)整。

84、優(yōu)選地，所述步驟(5.3)中的后處理預測結(jié)果包括對預測結(jié)果進行以下公式的逆標準化處理保證結(jié)果準確：

85、x＝x′(xmax-xmin)+xmin

86、其中，x為原始數(shù)據(jù)值，x'是歸一化后的值，xmin和xmax分別為最小值和最大值。

87、本發(fā)明公開一種基于人工智能的配網(wǎng)規(guī)劃指標預測方法具有以下技術(shù)效果。

88、本發(fā)明結(jié)合三種模型建立了多層次模型，顯著提升了配網(wǎng)規(guī)劃指標預測的準確性和效率。利用多層感知器mlp識別配網(wǎng)規(guī)劃的主要趨勢和影響因素，提供非線性建模能力。通過時間序列模型arima捕捉數(shù)據(jù)的時間依賴性和周期性變化，保證對短期波動的敏感性。長短期記憶網(wǎng)絡(luò)lstm專注于捕捉復雜的非線性關(guān)系和長期依賴性，進一步提升預測的精度。最終通過blending技術(shù)，將各模型的預測結(jié)果進行加權(quán)求和，實現(xiàn)了模型優(yōu)勢的最大化輸出，優(yōu)化了融合結(jié)果的準確性。通過實時數(shù)據(jù)流機制和自適應學習算法，模型參數(shù)得以動態(tài)調(diào)整。使得預測不僅具有實時性，還能適應不斷變化的市場和環(huán)境條件，保持高預測精度。本發(fā)明通過多層次模型的優(yōu)勢互補，結(jié)合動態(tài)調(diào)整機制，實現(xiàn)了對配網(wǎng)規(guī)劃指標的精準預測。不僅幫助電力公司合理配置資源，優(yōu)化設(shè)施布局，還能提前識別潛在的供電瓶頸，提升供電穩(wěn)定性和可靠性，保證電網(wǎng)發(fā)展與城市規(guī)劃、經(jīng)濟增長相協(xié)調(diào)。