【技术实现步骤摘要】
本专利技术涉及电力系统负荷预测，尤其涉及一种三相变压器的负荷预测方法、装置、电子设备及存储介质。
技术介绍
1、电力行业直接影响了国家的不同领域，其发展水平也与国家经济发展和人民生活相互关联。对未来一段时间的三相变压器负荷进行准确合理的预测，能够为发电机的地址选择和装机容量提供参考。然而，由于时间跨度较大，变压器负荷预测过程往往会出现较大的预测误差。实时准确的变压器负荷预测可以保证电网公司、变压器系统或者地区电厂在送发电和机组承诺方面做出正确判断，也能够为变压器系统的安全调度、稳定运行提供丰富的数据支撑，有利于最大程度地发挥社会经济效益。
2、近几年，智能电网的发展突飞猛进，不仅为变压器负荷预测提供了海量的支撑数据，也为变压器负荷预测方法的优化和改进赋予了重要的现实意义。同时，人工智能、数据挖掘等前沿计算机技术在各个领域取得了丰富的研究成果，传统变压器技术和新兴先进手段出现了交叉融合，逐渐影响了智能变压器系统的改进和优化。基于人工智能和数据挖掘的变压器系统技术具有较高的预测精度，也为变压器系统的稳定运行和实时调度提供了坚实的技术支撑。然而，传统的预测模型主要基于时间序列分析，由于受多种不确定因素的影响，出现了不可忽略的预测误差，已经不能完全满足电力系统的实际需要。
技术实现思路
1、本专利技术实施例提供一种三相变压器的负荷预测方法、装置、电子设备及存储介质，能有效解决现有技术难以准确预测三项变压器各相负荷的缺陷。
2、本专利技术一实施例提供一种三相变压器的负
3、获取待预测周期，并根据所述待预测周期，获取在所述待预测周期的上一周期内，三相变压器出力的变压器三相负荷数据集；
4、将所述变压器三相负荷数据集中，各相负荷的若干变压器负荷数据进行希尔伯特-黄变换，生成所述三相变压器各相负荷的随机分量集合、周期分量集合、以及趋势分量集合；
5、将所述随机分量集合、所述周期分量集合、以及所述趋势分量集合输入至预先构建的特征提取器中，以使所述特征提取器输出表征三相变压器各相负荷出力特性的特征数据；
6、将各所述特征数据进行高斯噪声拼接，获得特征数据样本；
7、将所述特征数据样本输入至预先通过生成对抗网络构建完成的变压器三相负荷预测器中，以使所述变压器三相负荷预测器输出所述待预测周期所对应的预测结果。
8、进一步的，所述获取在所述待预测周期的上一周期内，三相变压器出力的变压器三相负荷数据集，包括：
9、获取在所述待预测周期的上一周期内，所述三相变压器各相出力的原始负荷数据集；
10、对所述原始负荷数据集进行线性插值，并剔除所述原始负荷数据集中的数值波动超过预设波动阈值的原始负荷数据，生成待处理负荷数据集；
11、通过以下公式对所述待处理负荷数据集中各待处理负荷数据进行归一化处理，生成各待处理负荷数据所对应的变压器负荷数据：
12、
13、其中，为所述变压器负荷数据，xt为所述待处理负荷数据，xmin为所述待处理负荷数据集中的最小值，xmax所述待处理负荷数据集中的最大值；
14、根据各变压器负荷数据，生成所述变压器三相负荷数据集。
15、进一步的，所述将所述变压器三相负荷数据集中，各相负荷的若干变压器负荷数据进行希尔伯特-黄变换，生成所述三相变压器各相负荷的随机分量集合、周期分量集合、以及趋势分量集合，包括：
16、对所述变压器三相负荷数据集中各相负荷的若干变压器负荷数据进行经验模态分解，得到所述三相变压器各相负荷的对应的若干模态分量；
17、对各模态分量进行希尔伯特变换，得到各模态分量的瞬时频率；
18、将所述三相变压器各相负荷中，瞬时频率大于预设的频率阈值的模态分量，作为随机分量；
19、将所述三相变压器各相负荷中，瞬时频率小于预设的频率阈值，且瞬时频率不在预设的数值区间内的模态分量，作为周期分量；
20、将所述三相变压器各相负荷中，瞬时频率小于预设的频率阈值，且瞬时频率在所述数值区间内的模态分量，作为趋势分量；
21、根据所述三相变压器各相负荷的若干随机分量、若干周期分量、以及若干趋势分量，分别生成所述三相变压器各相负荷的随机分量集合、周期分量集合、以及趋势分量集合。
22、进一步的，在获取待预测周期之前，还包括：
23、获取若干三相变压器各相出力的负荷训练数据，构建负荷数据训练集，并根据所述负荷数据训练集，生成所述三相变压器各相负荷的随机分量训练集合、周期分量训练集合、以及趋势分量训练集合；
24、构建一神经网络模型；
25、以所述三相变压器各相负荷的随机分量训练集合、周期分量训练集合、以及趋势分量训练集合为输入，以所述三相变压器各相负荷的训练负荷数据为输出，对所述神经网络模型进行训练直至预设的损失函数收敛；
26、将训练完成后的神经网络模型的特征提取网络作为所述特征提取器。
27、进一步的，在获取待预测周期之前，以及在将训练完成后的神经网络模型的特征提取网络作为所述特征提取器之后，还包括：
28、将所述三相变压器各相负荷的随机分量训练集合、周期分量训练集合、以及趋势分量训练集合输入至所述特征提取器中，以使所述特征提取器输出对应的训练特征数据；
29、将由所述随机分量训练集合、所述周期分量训练集合、以及所述趋势分量训练集合所构成的真实训练数据集合，以及由训练特征数据所构成的特征训练数据集合，分别进行高斯噪声拼接，获得对应的真实训练数据样本以及特征训练数据样本；
30、构建一生成对抗网络；
31、以所述特征训练数据样本为输入，以所述真实训练数据样本为输出，通过所述生成对抗网络进行训练，在所述生成对抗网络中的生成网络的第一损失函数和判别网络的第二损失函数收敛时，完成训练，并得到所述变压器三相负荷预测器。
32、进一步的，所述神经网络模型，包括：卷积神经网络层、反卷积神经网络层、以及全连接神经网络层；
33、所述构建一生成对抗网络，包括：
34、根据所述神经网络模型的卷积神经网络层、反卷积神经网络层、以及全连接神经网络层，构建所述生成对抗网络中生成器的隐藏层。
35、本专利技术另一实施例提供了一种三相变压器的负荷预测装置，包括
36、预测数据获取模块，用于获取待预测周期，并根据所述待预测周期，获取在所述待预测周期的上一周期内，三相变压器出力的变压器三相负荷数据集；
37、预测数据处理模块，用于将所述变压器三相负荷数据集中，各相负荷的若干变压器负荷数据进行希尔伯特-黄变换，生成所述三相变压器各相负荷的随机分量集合、周期分量集合、以及趋势分量集合；
38、负荷特征提取模块，用于将所述随机分量集合、所述周期分量集合、以及所述趋势分量集合输入至预先构建的特征提取器中，以使所述特征提本文档来自技高网...
【技术保护点】
1.一种三相变压器的负荷预测方法，其特征在于，包括：
2.如权利要求1所述的一种三相变压器的负荷预测方法，其特征在于，所述获取在所述待预测周期的上一周期内，三相变压器出力的变压器三相负荷数据集，包括：
3.如权利要求2所述的一种三相变压器的负荷预测方法，其特征在于，所述将所述变压器三相负荷数据集中，各相负荷的若干变压器负荷数据进行希尔伯特-黄变换，生成所述三相变压器各相负荷的随机分量集合、周期分量集合、以及趋势分量集合，包括：
4.如权利要求3所述的一种三相变压器的负荷预测方法，其特征在于，在获取待预测周期之前，还包括：
5.如权利要求4所述的一种三相变压器的负荷预测方法，其特征在于，在获取待预测周期之前，以及在将训练完成后的神经网络模型的特征提取网络作为所述特征提取器之后，还包括：
6.如权利要求5所述的一种三相变压器的负荷预测方法，其特征在于，所述神经网络模型，包括：卷积神经网络层、反卷积神经网络层、以及全连接神经网络层；
7.一种三相变压器的负荷预测装置，其特征在于，包括
8.一种电子设备，
9.一种存储介质，其特征在于，所述存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述存储介质所在设备执行如权利要求1至6中任意一项所述的一种三相变压器的负荷预测方法。
...【技术特征摘要】
1.一种三相变压器的负荷预测方法，其特征在于，包括：
2.如权利要求1所述的一种三相变压器的负荷预测方法，其特征在于，所述获取在所述待预测周期的上一周期内，三相变压器出力的变压器三相负荷数据集，包括：
3.如权利要求2所述的一种三相变压器的负荷预测方法，其特征在于，所述将所述变压器三相负荷数据集中，各相负荷的若干变压器负荷数据进行希尔伯特-黄变换，生成所述三相变压器各相负荷的随机分量集合、周期分量集合、以及趋势分量集合，包括：
4.如权利要求3所述的一种三相变压器的负荷预测方法，其特征在于，在获取待预测周期之前，还包括：
5.如权利要求4所述的一种三相变压器的负荷预测方法，其特征在于，在获取待预测周期之前，以及在将训练完成后的神经网络...
【专利技术属性】
技术研发人员：石墨，罗颖婷，张彬，李鑫，阮迪航，
申请(专利权)人：广东电网有限责任公司，
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。