一种基于人工智能技术的空间负荷态势感知方法技术

本发明专利技术是一种基于人工智能技术的空间负荷态势感知方法，其特征是，包括的内容有：首先，在态势觉察阶段，使用孤立森林算法对Ⅰ类元胞负荷实测数据进行异常检测，对异常值用拉格朗日内插值法进行修正；其次，在态势理解阶段，运用变分模态分解对态势觉察后的Ⅰ类元胞负荷数据进行分解得到各分量，计算各分量的能量值，以能量值为依据提取趋势分量和低频分量，剔除高频分量；最后，在态势预测阶段，分别采用多层感知机和门控循环单元建立趋势分量和低频分量的预测模型，并将两个分量的预测结果进行反演重构得到目标年的Ⅰ类元胞负荷预测结果，具有方法科学合理，适用性强，效果佳等优点。点。点。

【技术实现步骤摘要】
一种基于人工智能技术的空间负荷态势感知方法


[0001]本专利技术涉及电力系统中的空间电力负荷态势感知，是一种基于人工智能技术的空间负荷态势感知方法。

技术介绍

[0002]传统电网已经不能完全适应社会发展和进步需要，建设坚强智能电网和泛在电力物联网势在必行，坚强智能电网和泛在电力物联网的重要特征之一是大量智能终端设备的应用。过去的传统终端在硬件和软件层面均不具备采集和传输大量电网数据的能力，而智能终端则同时弥补了传统终端在硬件和软件层面的不足，其不仅拥有超大存储空间，使用先进的5G通信技术，而且有相应的配套软件，这使得采集、保存和传输海量且高质量的负荷数据成为现实，但随之而来的问题是如何高效地利用这些数据，充分把握数据中的规律性并实现高精度的空间电力负荷态势感知。
[0003]本专利技术提出一种基于人工智能技术的空间负荷态势感知方法，其特征是，在态势觉察阶段，使用孤立森林算法对电力地理信息系统中既定空间分辨率下的Ⅰ类元胞负荷实测数据进行异常识别，对识别出的异常数据采用拉格朗日内插值法进行修正，获取合理的Ⅰ类元胞负荷数据。在态势理解阶段，运用变分模态分解对态势觉察后的Ⅰ类元胞负荷数据进行分解得到不同中心频率的分量，计算所有分量的能量值，并以能量值为依据提取趋势分量和低频分量，并剔除高频分量。在态势预测阶段，采用多层感知机和门控循环单元分别对趋势分量和低频分量进行预测，并将两个分量的预测结果进行反演重构得到目标年的Ⅰ类元胞负荷态势感知结果，在此基础上运用空间电力负荷网格化技术求得基于Ⅱ类元胞的负荷态势感知结果，实施例分析表明了本方法相对传统方法具有更小的预测误差，即本方法的态势感知结果更优。

技术实现思路

[0004]本专利技术的目的是克服现有技术的不足，提供一种科学合理，准确率高，科学合理，准确率高，适用性强，效果佳的基于人工智能技术的空间负荷态势感知方法。
[0005]实现本专利技术目的采用的技术方案是，一种基于人工智能技术的空间负荷态势感知方法，其特征是，它包括利用孤立森林算法进行态势觉察、利用变分模态分解进行态势理解、利用多层感知机和门控循环单元进行态势预测，具体内容为：
[0006]1)利用孤立森林算法进行空间电力负荷态势觉察
[0007]在电力地理信息系统环境下，根据选定的电力负荷空间分辨率将指定区域划分为一组供电小区，每个供电小区被称为一个元胞，根据划分方式的不同，元胞分为两类：第一类是按照电力设备、供电单位的供电范围划分待预测区域生成的元胞，称为Ⅰ类元胞；第二类是按照相同大小的规则网格划分待预测区域生成的元胞，称为Ⅱ类元胞；
[0008]直接采集来的历史负荷数据存在异常值，采用孤立森林算法进行异常值检测：
[0009]①
从数据集中选取多个特征值来构成特征空间；
[0010]②
在选取的特征内的最大值和最小值之间分割值形成分区构建孤立树；
[0011]③
将构建的孤立树组成孤立森林；
[0012]④
计算每一个点的异常得分；
[0013]根据每个Ⅰ类元胞的负荷数据特点设定相应的阈值，结合每个数据的异常得分判断数据的异常与否，并对异常数据进行修正，修正方法为采用多阶拉格朗日内插值法计算异常数据近邻正常数据的均值进行替代，计算式为式(1)，
[0014][0015]式中，k为从负荷异常时刻向前推的负荷数据个数，k＝1，
…
，m1；i为从负荷异常时刻向后推的负荷数据个数，i＝1，
…
，m2；t为负荷数据异常的时刻；P
t
‑
k
和P
t+i
分别为原始负荷序列中t
‑
k和t+i时刻的负荷值；P
t
为修正后的负荷序列中t时刻的负荷值；
[0016]另外，针对历史上出现负荷转供现象多且负荷转供值大的馈线，计算其平均负荷转供值，并在空间电力负荷态势感知结果中同时给出考虑负荷转供和不考虑负荷转供的目标年负荷预测值；
[0017]2)利用变分模态分解进行空间电力负荷态势理解
[0018]利用变分模态分解算法将态势觉察后得到的Ⅰ类元胞负荷时间序列分解为不同的分量，然后计算每个分量的能量值，根据能量值的范围将所有分量划分为趋势分量、低频分量和高频分量；
[0019]①
变分模态分解算法是一种非递归新算法，能够自适应地分解信号，分解过程的实质就是构造和求解变分问题的过程，通过迭代搜寻变分模型将态势觉察后的负荷时间序列分解得到k个中心频率为ω
i
的分量μ
i
，使经过变分模态分解后得到的各分量估计带宽之和最小化，约束是使得各个模态分量之和等于给定信号，目标函数和约束函数为式(2)：
[0020][0021]式中:{μ
i
}＝{μ1，μ2，...,μ
k
}表示分解之后的各个模态分量；{ω
i
}＝{ω1，ω2，...,ω
k
}表示分解得到的各个模态函数对应的中心频率；i为分量的编号，i＝1，
…
，k；j2＝
‑
1；π为圆周率；δ(t)表示冲击函数；*表示卷积运算符；约束中的f表示变分模态分解时输入的信号；
[0022]通过拉格朗日乘子λ和二次惩罚项α将式(2)所示的有约束极值问题转换为无约束问题按式(3)进行求解：
[0023][0024]式中，α为二次惩罚项；λ为拉格朗日乘子；{μ
i
}＝{μ1，μ2，...,μ
k
}表示分解之后的各个模态分量；{ω
i
}＝{ω1，ω2，...,ω
k
}表示分解得到的各个模态函数对应的中心频率；
i为分量的编号，i＝1，
…
，k；j2＝
‑
1；π为圆周率；δ(t)表示冲击函数；*表示卷积运算符；约束中的f表示变分模态分解时输入的信号；
[0025]分解尺度k的值采用枚举法选取；
[0026]②
对变分模态分解后得到的各个分量，根据式(4)计算每个分量的能量值，并以态势觉察后的负荷时间序列的能量值为基准进行归一化，
[0027][0028]式中，E
i
为第i个分量的能量值，IMF
i
为第i个分量，T
min,i
和T
max,i
分别为第i个分量的时间上限和时间下限；
[0029]3)利用多层感知机和门控循环单元进行空间电力负荷态势预测
[0030]经过态势理解后，变分模态分解得到的各分量被划分为趋势分量、低频分量和高频分量，高频分量难以预测，所以将其剔除，趋势分量、低频分量分别采用多层感知机和门控循环单元进行预测；
[0031]①
多层感知机是一种前馈神经网络模型，其由输入层、隐藏层和输出层构成，输入层为底层，中间是隐藏层，最后是输出层，多层感本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于人工智能技术的空间负荷态势感知方法，其特征是，它包括利用孤立森林算法进行态势觉察、利用变分模态分解进行态势理解、利用多层感知机和门控循环单元进行态势预测，具体内容为：1)利用孤立森林算法进行空间电力负荷态势觉察在电力地理信息系统环境下，根据选定的电力负荷空间分辨率将指定区域划分为一组供电小区，每个供电小区被称为一个元胞，根据划分方式的不同，元胞分为两类：第一类是按照电力设备、供电单位的供电范围划分待预测区域生成的元胞，称为Ⅰ类元胞；第二类是按照相同大小的规则网格划分待预测区域生成的元胞，称为Ⅱ类元胞；直接采集来的历史负荷数据存在异常值，采用孤立森林算法进行异常值检测：
①
从数据集中选取多个特征值来构成特征空间；
②
在选取的特征内的最大值和最小值之间分割值形成分区构建孤立树；
③
将构建的孤立树组成孤立森林；
④
计算每一个点的异常得分；根据每个Ⅰ类元胞的负荷数据特点设定相应的阈值，结合每个数据的异常得分判断数据的异常与否，并对异常数据进行修正，修正方法为采用多阶拉格朗日内插值法计算异常数据近邻正常数据的均值进行替代，计算式为式(1)，式中，k为从负荷异常时刻向前推的负荷数据个数，k＝1，
…
，m1；i为从负荷异常时刻向后推的负荷数据个数，i＝1，
…
，m2；t为负荷数据异常的时刻；P
t
‑
k
和P
t+i
分别为原始负荷序列中t
‑
k和t+i时刻的负荷值；P
t
为修正后的负荷序列中t时刻的负荷值；另外，针对历史上出现负荷转供现象多且负荷转供值大的馈线，计算其平均负荷转供值，并在空间电力负荷态势感知结果中同时给出考虑负荷转供和不考虑负荷转供的目标年负荷预测值；2)利用变分模态分解进行空间电力负荷态势理解利用变分模态分解算法将态势觉察后得到的Ⅰ类元胞负荷时间序列分解为不同的分量，然后计算每个分量的能量值，根据能量值的范围将所有分量划分为趋势分量、低频分量和高频分量；
①
变分模态分解算法是一种非递归新算法，能够自适应地分解信号，分解过程的实质就是构造和求解变分问题的过程，通过迭代搜寻变分模型将态势觉察后的负荷时间序列分解得到k个中心频率为ω
i
的分量μ
i
，使经过变分模态分解后得到的各分量估计带宽之和最小化，约束是使得各个模态分量之和等于给定信号，目标函数和约束函数为式(2)：式中:{μ
i
}＝{μ1，μ2，...,μ
k
}表示分解之后的各个模态分量；{ω
i
}＝{ω1，ω2，...,ω
k
}表示分解得到的各个模态函数对应的中心频率；i为分量的编号，i＝1，
…
，k；j2＝
‑
1；π为圆
周率；δ(t)表示冲击函数；*表示卷积运算符；约束中的f表示变分模态分解时输入的信号；通过拉格朗日乘子λ和二次惩罚项α将式(2)所示的有约束极值问题转换为无约束问题按式(3)进行求解：式中，α为二次惩罚项；λ为拉格朗日乘子；{μ
i
}＝{μ1，μ2，...,μ
k
}表示分解之后的各个模态分量；{ω
i
}＝{ω1，ω2，...,ω
k
}表示分解得到的各个模态函数对应的中心频率；i为分量的编号，i＝1，
…
，k；j2＝
‑
1；π为圆周率；δ(t)表示冲击函...

【专利技术属性】
技术研发人员：肖白，周文凯，姜卓，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：