本發(fā)明涉及電力系統(tǒng)的智能電網(wǎng)與負荷管理領(lǐng)域，尤其涉及一種基于cnn-attention的配電網(wǎng)偽量測數(shù)據(jù)預測方法及系統(tǒng)。

背景技術(shù)：

1、隨著電力系統(tǒng)的智能化和自動化程度不斷提高，配電網(wǎng)的安全穩(wěn)定運行對準確的電力信息和數(shù)據(jù)分析變得越來越重要。智能配電網(wǎng)通過部署大量的傳感器和智能設(shè)備，能夠?qū)崟r監(jiān)測電網(wǎng)的運行狀態(tài)。結(jié)合先進的數(shù)據(jù)分析技術(shù)，系統(tǒng)能夠及時發(fā)現(xiàn)潛在的故障隱患，并提前發(fā)出預警，從而有效避免大規(guī)模停電事故的發(fā)生。

2、傳統(tǒng)的配電網(wǎng)感知系統(tǒng)通常依賴于有限數(shù)量的實際傳感器來獲取電力數(shù)據(jù)，這些傳感器的布置往往受到安裝難度的限制，包括地形與環(huán)境因素、基礎(chǔ)設(shè)施限制、資源限制以及技術(shù)與標準限制等，這些因素共同作用，導致配電網(wǎng)的數(shù)據(jù)采集密度有限。

技術(shù)實現(xiàn)思路

1、本發(fā)明旨在提供一種基于cnn-attention的配電網(wǎng)偽量測數(shù)據(jù)預測方法及系統(tǒng)，以解決配電網(wǎng)數(shù)據(jù)采集密度有限的技術(shù)問題，從而實現(xiàn)推動配電網(wǎng)智能化和自動化水平的進一步提升的效果。

2、為了解決上述技術(shù)問題，本發(fā)明實施例提供了一種基于cnn-attention的配電網(wǎng)偽量測數(shù)據(jù)預測方法，包括：

3、獲取目標配電網(wǎng)中設(shè)置傳感器的已量測節(jié)點的歷史量測數(shù)據(jù)；

4、通過所述歷史量測數(shù)據(jù)對預先構(gòu)建好的lstm模型進行訓練，得到初始lstm模型，通過所述初始lstm模型對所述目標配電網(wǎng)中各個待量測節(jié)點進行預測，得到偽標簽數(shù)據(jù)，根據(jù)所述偽標簽數(shù)據(jù)和所述歷史量測數(shù)據(jù)構(gòu)建訓練數(shù)據(jù)集；所述待量測節(jié)點被設(shè)計為與所述已量測節(jié)點的功率相關(guān)；

5、對所述訓練數(shù)據(jù)集進行聚類，根據(jù)聚類結(jié)果構(gòu)建典型負荷功率曲線模板庫數(shù)據(jù)；

6、構(gòu)建基于cnn-attention的配電網(wǎng)偽量測生成模型，根據(jù)所述典型負荷功率曲線模板庫數(shù)據(jù)對所述配電網(wǎng)偽量測生成模型進行訓練，得到訓練好的所述配電網(wǎng)偽量測生成模型；

7、在實際預測過程中，將訓練好的所述配電網(wǎng)偽量測生成模型部署到所述目標配電網(wǎng)中的各個所述待量測節(jié)點，通過遷移學習算法對訓練好的所述配電網(wǎng)偽量測生成模型進行調(diào)整，以使所述配電網(wǎng)偽量測生成模型適應所述待量測節(jié)點的數(shù)據(jù)分布；

8、將獲取到的各個所述已量測節(jié)點的實時量測數(shù)據(jù)輸入調(diào)整后的所述配電網(wǎng)偽量測生成模型中，預測得到各個所述待量測節(jié)點的偽量測數(shù)據(jù)。

9、作為其中一種優(yōu)選方案，所述通過聚類算法對所述訓練數(shù)據(jù)集進行聚類，根據(jù)聚類結(jié)果構(gòu)建典型負荷功率曲線模板庫數(shù)據(jù)，包括：

10、對所述訓練數(shù)據(jù)集進行初始化，并隨機選擇若干數(shù)量的個數(shù)據(jù)點作為所述訓練數(shù)據(jù)集的各個初始聚類中心；

11、在分配過程中，分別計算所述訓練數(shù)據(jù)集中的每個所述數(shù)據(jù)點到每一所述初始聚類中心的距離，根據(jù)距離結(jié)果為每個所述數(shù)據(jù)點分配對應的所述初始聚類中心，得到若干個初始聚類；

12、在計算過程中，分別計算每個所述初始聚類的聚類中心；

13、重復所述執(zhí)行分配過程和所述計算過程，直到達到預設(shè)的迭代次數(shù)；

14、對迭代后的所述聚類中心進行處理，根據(jù)處理的結(jié)果構(gòu)建典型負荷功率曲線模板庫數(shù)據(jù)。

15、作為其中一種優(yōu)選方案，所述根據(jù)所述典型負荷功率曲線模板庫對所述配電網(wǎng)偽量測生成模型進行訓練，得到訓練好的所述配電網(wǎng)偽量測生成模型，包括：

16、對所述配電網(wǎng)偽量測生成模型的參數(shù)進行隨機初始化；

17、在模型計算過程中，根據(jù)所述典型負荷功率曲線模板庫計算所述配電網(wǎng)偽量測生成模型的輸出與實際損失，根據(jù)所述輸出與所述實際損失計算所述配電網(wǎng)偽量測生成模型的損失函數(shù)；

18、在參數(shù)更新過程中，根據(jù)所述損失函數(shù)的計算結(jié)果和梯度下降方法對所述參數(shù)進行更新；

19、重復所述執(zhí)行模型計算過程和所述參數(shù)更新過程，直到達到預設(shè)的迭代次數(shù)，以得到訓練好的所述配電網(wǎng)偽量測生成模型。

20、作為其中一種優(yōu)選方案，所述損失函數(shù)表示為：

21、

22、其中，mse(θ)為損失函數(shù)，n為采樣點個數(shù)，yi實際有功功率量測，為生成的偽量測。

23、作為其中一種優(yōu)選方案，所述歷史量測數(shù)據(jù)包括：有功功率、電壓幅值和電流幅值；

24、在獲取目標配電網(wǎng)中設(shè)置傳感器的已量測節(jié)點的歷史量測數(shù)據(jù)之后，還包括對所述歷史量測數(shù)據(jù)進行預處理：

25、對不同采集頻次的所述歷史量測數(shù)據(jù)進行時間對齊；

26、對時間對齊后的所述歷史量測數(shù)據(jù)進行數(shù)據(jù)歸一化處理。

27、作為其中一種優(yōu)選方案，在根據(jù)所述偽標簽數(shù)據(jù)和預處理后的所述歷史量測數(shù)據(jù)構(gòu)建訓練數(shù)據(jù)集之后，還包括：

28、通過所述訓練數(shù)據(jù)集對所述初始lstm模型進行迭代訓練；

29、通過驗證集對迭代訓練得到的lstm模型進行精度評估，根據(jù)評估的結(jié)果對所述lstm模型進行優(yōu)化。

30、作為其中一種優(yōu)選方案，所述通過遷移學習算法對訓練好的所述配電網(wǎng)偽量測生成模型進行調(diào)整，包括：

31、基于最大均值差異mmd評估所述待量測數(shù)據(jù)和所述歷史量測數(shù)據(jù)之間的差異性；

32、根據(jù)所述差異性對所述配電網(wǎng)偽量測生成模型的參數(shù)進行凍結(jié)與調(diào)整。

33、所述基于所述差異性對所述配電網(wǎng)偽量測生成模型的參數(shù)進行凍結(jié)與調(diào)整，包括：

34、作為其中一種優(yōu)選方案，所述基于所述差異性對所述配電網(wǎng)偽量測生成模型的參數(shù)進行凍結(jié)與調(diào)整，包括：

35、基于所述差異性和所述配電網(wǎng)偽量測生成模型的結(jié)構(gòu)，選定所述配電網(wǎng)偽量測生成模型的凍結(jié)層；

36、根據(jù)選定的凍結(jié)層對所述配電網(wǎng)偽量測生成模型的參數(shù)進行凍結(jié)；

37、基于預先準備的部分待量測節(jié)點數(shù)據(jù)對凍結(jié)后的所述配電網(wǎng)偽量測生成模型進行訓練，基于訓練過程中得到的參數(shù)對所述配電網(wǎng)偽量測生成模型進行調(diào)整。

38、作為其中一種優(yōu)選方案，在基于訓練過程中得到的參數(shù)對所述配電網(wǎng)偽量測生成模型進行調(diào)整之后，還包括：

39、通過測試集對調(diào)整后的所述配電網(wǎng)偽量測生成模型的性能進行評估；

40、根據(jù)評估結(jié)果對模型進行迭代優(yōu)化，所述優(yōu)化的方法包括調(diào)整模型結(jié)構(gòu)、參數(shù)和訓練策略。

41、本發(fā)明另一實施例提供了一種基于cnn-attention的配電網(wǎng)偽量測數(shù)據(jù)預測系統(tǒng)，包括：

42、獲取模塊，用于獲取目標配電網(wǎng)中設(shè)置傳感器的已量測節(jié)點的歷史量測數(shù)據(jù)；

43、構(gòu)建模塊，用于通過所述歷史量測數(shù)據(jù)對預先構(gòu)建好的lstm模型進行訓練，得到初始lstm模型，通過所述初始lstm模型對所述目標配電網(wǎng)中各個待量測節(jié)點進行預測，得到偽標簽數(shù)據(jù)，根據(jù)所述偽標簽數(shù)據(jù)和所述歷史量測數(shù)據(jù)構(gòu)建訓練數(shù)據(jù)集；所述待量測節(jié)點被設(shè)計為與所述已量測節(jié)點的有功功率相關(guān)；

44、聚類模塊，用于對所述訓練數(shù)據(jù)集進行聚類，根據(jù)聚類結(jié)果構(gòu)建典型負荷功率曲線模板庫數(shù)據(jù)；

45、訓練模塊，用于構(gòu)建基于cnn-attention的配電網(wǎng)偽量測生成模型，根據(jù)所述典型負荷功率曲線模板庫數(shù)據(jù)對所述配電網(wǎng)偽量測生成模型進行訓練，得到訓練好的所述配電網(wǎng)偽量測生成模型；

46、遷移模塊，用于在實際預測過程中，將訓練好的所述配電網(wǎng)偽量測生成模型部署到所述目標配電網(wǎng)中的各個所述待量測節(jié)點，通過遷移學習算法對訓練好的所述配電網(wǎng)偽量測生成模型進行調(diào)整，以使所述配電網(wǎng)偽量測生成模型適應所述待量測節(jié)點的數(shù)據(jù)分布；

47、預測模塊，用于將獲取到的各個節(jié)點的實時量測數(shù)據(jù)輸入調(diào)整后的所述配電網(wǎng)偽量測生成模型中，預測得到各個所述待量測節(jié)點的偽量測數(shù)據(jù)。

48、相比于現(xiàn)有技術(shù)，本發(fā)明實施例的有益效果在于以下所述中的至少一點：

49、(1)通過生成虛擬傳感器數(shù)據(jù)，該技術(shù)顯著提高了配電網(wǎng)數(shù)據(jù)采集的密度和精度，從而增強了電力信息的可靠性。

50、(2)結(jié)合遷移學習方法，該系統(tǒng)能夠高效自適應地進行的模型優(yōu)化方法和參數(shù)調(diào)整策略，生成配電網(wǎng)中各個節(jié)點的偽量測數(shù)據(jù)，有效覆蓋到傳統(tǒng)方法中傳感器難以到達的區(qū)域；

51、(3)利用先進的cnn_attention機制，為配電網(wǎng)的智能化和自動化水平的提升做出了重要貢獻。