一种电网线路阻抗预测方法及系统技术方案

本发明专利技术提供了一种电网线路阻抗预测方法及系统，获取电网线路的阻抗历史数据；对获取的阻抗历史数据进行时间序列分解，得到多个趋势信号数据；对得到的趋势信号数据采用导数动态时间规整算法距离优化的k

【技术实现步骤摘要】
一种电网线路阻抗预测方法及系统


[0001]本专利技术涉及电力工程
，特别涉及一种电网线路阻抗预测方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]随着智能电表和采集全覆盖，智能电能表的高级应用已成为配网运营管理的重要手段，不仅促进了营配贯通，还提高了及经济和社会效益；同时，电网中的数据采集频度和共享频度由“日采集、日共享”向“小时采集、实时共享”提升，为深度挖掘智能表非计量功能提供良好的基础。
[0004]通过检测台区处总负荷阻抗和户表处视在负荷阻抗，可以预测台区负荷阻抗变化趋势、分析台区总负荷阻抗变化与用户负荷阻抗的关联关系，用于发现和定位接触不良或重载损伤的问题线路，为线路维护、改造和故障定位提供依据。目前的线路阻抗预测算法的研究大多采用改进传统算法，随着人工智能的兴起，机器学习与深度学习这些现代预测方法越来越多的应用于电力负荷预测领域。
[0005]专利技术人发现，电网线路阻抗的变化值与用户的用电习惯、时间、气温等有关，具有周期性、噪声大的特点，现有的噪声滤除方案往往只是对数据的异常进行处理，无法有效的提取阻抗变化的趋势数据；现代负荷阻抗预测算法大多采用RNN(Recurrent Neural Network，循环神经网络)、LSTM(Long Short
‑
Term Memory，长短期记忆网络)等单一算法模型，在进行阻抗预测时存在梯度消失/梯度爆炸等问题。

技术实现思路

>[0006]为了解决现有技术的不足，本专利技术提供了一种电网线路阻抗预测方法及系统，将若干个长时间的线路阻抗在降噪后分成若干个序列进行聚类分析，能够有效的降低曲线噪声以及提取曲线的周期性，通过分类预测的方法，提高了预测的精度。
[0007]为了实现上述目的，本专利技术采用如下技术方案：
[0008]本专利技术第一方面提供了一种电网线路阻抗预测方法。
[0009]一种电网线路阻抗预测方法，包括以下过程：
[0010]获取电网线路的阻抗历史数据；
[0011]对获取的阻抗历史数据进行时间序列分解，得到多个趋势信号数据；
[0012]对得到的趋势信号数据采用导数动态时间规整算法距离优化的聚类算法进行聚类，得到多个分类；
[0013]对同一分类的趋势信号数据采用预训练的预测模型，得到当前电网线路未来设定时间段的阻抗预测数据。
[0014]作为本专利技术第一方面进一步的限定，对获取的阻抗历史数据进行时间序列分解，得到若干个趋势信号数据，包括：
[0015]采用时间序列分解的方法进行阻抗历史数据的降噪处理，去除噪声信号数据，保
留趋势信号数据。
[0016]作为本专利技术第一方面进一步的限定，采用导数动态时间规整算法距离优化的k
‑
medoids聚类算法进行聚类，包括：
[0017]为每个簇随意选择一个代表对象，剩余的对象采用导数动态时间规整算法计算与代表对象的相似度，生成距离矩阵，根据与代表对象的距离分配给最近的一个簇；
[0018]然后反复地用非代表对象来替代代表对象，直至聚类结束。
[0019]作为本专利技术第一方面进一步的限定，聚类操作完成后，采用CNN
‑
Transformer模型进行预测，包括：
[0020]Transformer模型采用LogSparse自注意力机制，对于长度为L的序列数据，计算每层中每个单元的O(logL)点积，堆叠到O(logL)层，以使得预测模型能够访问每个单元的信息，将会得到查询向量(Q)、键向量(K)、值向量(V)构成的矩阵，然后通过一维膨胀卷积神经网络进一步提取时间序列的特征。
[0021]作为本专利技术第一方面更进一步的限定，趋势信号数据输入到预测模型之前添加位置编码，为时间序列赋予时间和顺序的信息。
[0022]作为本专利技术第一方面进一步的限定，预测模型的训练时，每一类趋势信号数据单独输入到预测模型中进行训练，从而得到属于每个类的模型参数权重。
[0023]作为本专利技术第一方面进一步的限定，在利用预测模型进行预测之前，将聚类后的趋势信号数据通过同步压缩小波变换转换为频域信号，采用变换后的频域信号作为预测模型的输入数据。
[0024]本专利技术第二方面提供了一种电网线路阻抗预测系统。
[0025]一种电网线路阻抗预测系统，包括：
[0026]数据获取模块，被配置为：获取电网线路的阻抗历史数据；
[0027]趋势信号获取模块，被配置为：对获取的阻抗历史数据进行时间序列分解，得到多个趋势信号数据；
[0028]信号聚类模块，被配置为：对得到的趋势信号数据采用导数动态时间规整算法距离优化的聚类算法进行聚类，得到多个分类；
[0029]阻抗预测模块，被配置为：对同一分类的趋势信号数据采用预训练的预测模型，得到当前电网线路未来设定时间段的阻抗预测数据。
[0030]本专利技术第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本专利技术第一方面所述的电网线路阻抗预测方法中的步骤。
[0031]本专利技术第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本专利技术第一方面所述的电网线路阻抗预测方法中的步骤。
[0032]与现有技术相比，本专利技术的有益效果是：
[0033]1、本专利技术将若干个长时间的线路阻抗在降噪后分成若干个序列聚类分析，能够有效的降低曲线噪声以及提取曲线的周期性，通过分类预测的方法，提高了预测的精度。
[0034]2、本专利技术通过时间序列分解的方式，将原始信号分为趋势信号和噪声信号，趋势信号反映了信号的整体的变化趋势，去除了噪音，提取了信号的趋势，保证了后续预测的精度。
[0035]3、本专利技术将低压台区不同支路的阻抗趋势信号按照DDTW距离优化的k
‑
medoids聚类算法进行分类，每一类的阻抗趋势信号在同一个的模型下进行训练，因为同一地区下用户的用电习惯类似，支路的阻抗变化曲线类似，将信号分为不同的类分别训练有利于增加训练集的数量，提高了模型的预测精度。
[0036]4、本专利技术的预测模型采用CNN
‑
Transformer模型，CNN能够实现对信号的特征提取，对信号进行降维处理；Transformer具有能够捕获长距离依赖和交互的能力，在时间序列预测方面具有很大的优势；通过将CNN与Transformer结合起来，能够有效地提高预测精度。
[0037]本专利技术附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0038]构成本专利技术的一部分的说明书附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。
[0039]图1为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网线路阻抗预测方法，其特征在于，包括以下过程：获取电网线路的阻抗历史数据；对获取的阻抗历史数据进行时间序列分解，得到多个趋势信号数据；对得到的趋势信号数据采用导数动态时间规整算法距离优化的聚类算法进行聚类，得到多个分类；对同一分类的趋势信号数据采用预训练的预测模型，得到当前电网线路未来设定时间段的阻抗预测数据。2.如权利要求1所述的电网线路阻抗预测方法，其特征在于，对获取的阻抗历史数据进行时间序列分解，得到若干个趋势信号数据，包括：采用时间序列分解的方法进行阻抗历史数据的降噪处理，去除噪声信号数据，保留趋势信号数据。3.如权利要求1所述的电网线路阻抗预测方法，其特征在于，采用导数动态时间规整算法距离优化的k
‑
medoids聚类算法进行聚类，包括：为每个簇随意选择一个代表对象，剩余的对象采用导数动态时间规整算法计算与代表对象的相似度，生成距离矩阵，根据与代表对象的距离分配给最近的一个簇；然后反复地用非代表对象来替代代表对象，直至聚类结束。4.如权利要求1所述的电网线路阻抗预测方法，其特征在于，预测模型中，采用一维的卷积神经网络提取时间序列的特征，包括：一维的卷积神经网络允许卷积时的输入存在间隔采样，最底层的采样率最高，自最底层向最高层，采样率逐渐降低。5.如权利要求4所述的电网线路阻抗预测方法，其特征在于，特征提取完成后，采用LogSparse
‑
Transformer模型进行预测，包括：采用LogSparse自注意力机制，对于长度为L的序列数据，计算...

【专利技术属性】
技术研发人员：姜明顺，刘繁，张法业，张雷，王晓龙，赵彤，
申请(专利权)人：山东大学，
类型：发明
国别省市：