【技术实现步骤摘要】
本专利技术涉及一种生成式对抗停电时长预测方法、装置及存储介质，属于停电预测。
技术介绍
1、电力能源作当今世界应用最为广泛的能源之一，是清洁低碳、安全高效能源体系的重要组成部分。新型电力系统承载着能源转型的历史使命，具有重大而深远的意义，且具备清洁低碳、安全可控、灵活高效、智能友好、开放互动等新特征。
2、由于电力基础设施的老化和天气模式的变化，配电网络中的停电现象非常常见，且停电次数逐年上升，虽然针对电力系统的良好设计和维护能够减少停电次数，却无法完全消除停电隐患，当需要停电执行设备维护或升级时，往往通过仔细规划人员部署和操作顺序，最大限度地减少对客户服务的干扰。然而，系统故障通常会导致意外停机，这种持续时长未知的服务中断给客户带来极大的不便，因此精确的停电时长预测对于严重依赖电力的客户至关重要。目前比较常见的是依据现场报告的评估和可用工作人员数量来估计电力恢复时间，因此只有在完成相关评估后才能应用对应的确定性模型。
技术实现思路
1、本专利技术的目的在于克服现有技术中的不足，提供一种生成式对抗停电时长预测方法、装置及存储介质，通过利用门控循环生成器生成停电预测结果，以及利用支持向量判别器对停电预测结果进行判定，获得与真实值无限接近的预测结果，从而达到对停电时长的精确预测。
2、为达到上述目的，本专利技术是采用下述技术方案实现的：
3、第一方面，本专利技术提供了一种生成式对抗停电时长预测方法，包括：
4、采集历史停电数据，利用时空深
5、根据预构建的门控循环生成器，基于所述历史停电事件数据进行预测，获得停电时长预测结果；
6、构建支持向量判别器，并与所述门控循环生成器之间形成对抗式网络，基于所述停电时长预测结果和所述历史停电时长数据，通过所述对抗式网络的学习过程调整停电时长预测结果以及门控循环生成器和支持向量判别器的参数；
7、采用引力粒子群优化算法搜索出门控循环生成器和支持向量判别器的最优参数，使得门控循环生成器输出与真实值接近的预测结果；
8、利用具有最优参数的支持向量判别器和门控循环生成器，输入待预测停电时长的停电事件数据，得到停电时长预测结果。
9、结合第一方面，进一步地，所述历史停电数据包括事件类型、温度、湿度、气候、停电开始时间、停电结束时间、地理位置；
10、其中，时间类型细分为电力设备故障、电力系统运行中断、电力系统人为破坏、公众报修、燃料供应不足、极端天气事件。
11、结合第一方面，进一步地，所述历史停电数据的特征进行增强，包括：
12、利用时空深度提取器从时域角度对所述温度、湿度、停电开始时间以及停电结束时间进行特征提取，获得时域特征，并将所有时域特征加入到当前停电数据进行特征增强，其中，时域特征包括平均值、均方根、方差、标准差、峰度、偏度、熵、波形因数、峰间系数和波峰因数；
13、利用时空深度提取器从空间角度对所述事件类型、气候以及地理位置进行特征增强，以提取出深层特征，所述深层特征加入当前停电数据进行特征增强。
14、结合第一方面，进一步地，所述门控循环生成器表达式如下：
15、
16、其中，θ表示为超平面的方向；e表示为偏置项；表示为非线性函数；b表示为区分当前停电数据是真实值还是预测值。
17、结合第一方面，进一步地，所述支持向量判别器选择径向基函数作为支持向量判别器的核函数，所述径向基函数的表达式如下：
18、
19、其中，τ表示为径向基函数的广度；ai表示为由停电时长特征序列和停电时长值构成的组合向量，且停电时长值分为预测值和真实值；bi表示为组合向量中停电时长值属于预测值还是真实值。
20、结合第一方面，进一步地，采用引力粒子群优化算法搜索出支持向量判别器的最优参数，包括：
21、采用引力粒子群优化算法计算所有粒子的适应度值；
22、根据所述所有粒子的适应度值，获得所有粒子当前的最佳位置，并更新各粒子的速度和位置；
23、不断对粒子的位置进行迭代，当所述粒子的位置达到最大迭代次数后，选出所述支持向量判别器的最优参数；若所述粒子的位置还没有达到最大迭代次数，则重新计算所有粒子的适应度值，直至选出所述支持向量判别器的最优参数。
24、结合第一方面，进一步地，所述更新各粒子的速度和位置的计算表达式如下：
25、sid(n+1)＝θ·sid(n)+h1·q1(pid-aid(n))+h2·q2(pgd-aid(n))
26、aid(n+1)＝aid(n)+sid(n+1)
27、其中，h1、h2为学习率；q1、q2为[0，1]之间的随机数；sid(n+1)为第n+1次迭代中第i个粒子在参数d上的速度；pgd为所有粒子在参数d上的最佳位置；aid(n)为第n次迭代中第i个粒子在参数d上的位置；aid(n+1)为第n+1次迭代中第i个粒子在参数d上的位置。
28、第二方面，一种基于引力粒子群优化的生成式对抗停电时长预测装置，包括：
29、特征增强模块，用于采集历史停电数据，利用时空深度提取器提取所述历史停电数据的特征，并将所述历史停电数据的特征进行增强，其中，所述历史停电数据包括历史停电事件数据和相应的历史停电时长数据；
30、停电时长预测模块，用于根据预构建的门控循环生成器，基于所述历史停电事件数据进行预测，获得停电时长预测结果；
31、对抗学习模块，用于构建支持向量判别器，并与所述门控循环生成器之间形成对抗式网络，基于所述停电时长预测结果和所述历史停电时长数据，通过所述对抗式网络的学习过程调整停电时长预测结果以及支持向量判别器的参数；
32、寻优模块，用于采用引力粒子群优化算法搜索出门控循环生成器和支持向量判别器的最优参数，使得门控循环生成器输出与真实值接近的预测结果；
33、预测输出模块，用于利用具有最优参数的支持向量判别器和门控循环生成器，输入待预测停电时长的停电事件数据，得到停电时长预测结果。
34、第三方面，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现前述任一项所述方法的步骤。
35、与现有技术相比，本专利技术所达到的有益效果：
36、根据获取的待预测数据，利用时空深度提取器从时域和空间角度出发，挖掘出待预测数据的特征，并对其特征进行增强，以便提取到有用的信息。通过构建门控循环生成器，以输出停电时长预测结果，并构建支持向量判别器对生成器输出的预测结果进行判定，考虑到门控循环生成器和支持向量判别器形成的对抗式学习过程中能够自行调整停电时长预测结果和判别器的参数优化，最后采用引力粒子群优化算法搜寻支持向量判别器本文档来自技高网...
【技术保护点】
1.一种生成式对抗停电时长预测方法，其特征在于，包括：
2.根据权利要求1所述的生成式对抗停电时长预测方法，其特征在于，所述历史停电数据包括事件类型、温度、湿度、气候、停电开始时间、停电结束时间、地理位置；
3.根据权利要求2所述的生成式对抗停电时长预测方法，其特征在于，所述历史停电数据的特征进行增强，包括：
4.根据权利要求1所述的的生成式对抗停电时长预测方法，其特征在于，所述支持向量判别器的表达式如下：
5.根据权利要求1所述的生成式对抗停电时长预测方法，其特征在于，所述支持向量判别器选择径向基函数作为支持向量判别器的核函数，所述径向基函数的表达式如下：
6.根据权利要求1所述的生成式对抗停电时长预测方法，其特征在于，采用引力粒子群优化算法搜索出支持向量判别器的最优参数，包括：
7.根据权利要求6所述的生成式对抗停电时长预测方法，其特征在于，所述更新各粒子的速度和位置的计算表达式如下：
8.一种生成式对抗停电时长预测装置，其特征在于，包括：
9.一种计算机可读存储介质，其上存储有计
...【技术特征摘要】
1.一种生成式对抗停电时长预测方法，其特征在于，包括：
2.根据权利要求1所述的生成式对抗停电时长预测方法，其特征在于，所述历史停电数据包括事件类型、温度、湿度、气候、停电开始时间、停电结束时间、地理位置；
3.根据权利要求2所述的生成式对抗停电时长预测方法，其特征在于，所述历史停电数据的特征进行增强，包括：
4.根据权利要求1所述的的生成式对抗停电时长预测方法，其特征在于，所述支持向量判别器的表达式如下：
5.根据权利要求1所述的生成式对抗停电时长预测方法，其特征在于，所述支持向量判...
【专利技术属性】
技术研发人员：戚成飞，刘岩，毕超然，王耀宇，杨晓波，易忠林，程杰，焦东翔，张希蔚，熊洪樟，吕凛杰，王亚超，李文文，王杰，张茹，
申请(专利权)人：国网冀北电力有限公司计量中心，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。