本发明专利技术公开了一种低压配网户变关系预测方法及相关设备，涉及低压配网技术领域，包括：S1、基于TVFEMD算法对低压配网户变关系数据x(t)进行分解，获得IMF分量；S2、将IMF分量作为TCN‑SVM组合模型的输入，通过TCN‑SVM组合模型对低压配网户变关系进行多用户数据同步预测，获得预测值P<subgt;forecast</subgt;；S3、将预测值P<subgt;forecast</subgt;与真实值P<subgt;real</subgt;进行比对分析，判断预测值P<subgt;forecast</subgt;是否为最优值，若是，则将预测值P<subgt;forecast</subgt;作为低压配网户变关系的多用户预测值；若否，则执行S4；S4、基于ACA群优化算法对TCN‑SVM组合模型进行优化，获得TCN‑SVM组合模型的最优预测参数，并将最优预测参数作为低压配网户变关系的多用户预测值；克服了现有技术由于存在局限性，导致预测效率低的问题，显著提高了预测结果的准确性和可靠性。
【技术实现步骤摘要】
本专利技术涉及低压配网，具体为一种低压配网户变关系预测方法及相关设备。
技术介绍
1、在电力系统中，预测户变站点的运行状态和关系可以帮助电力系统了解和预测供电情况，优化电力调度和配电计划，以提高电网的供电质量和可靠性；预测可以采用时间序列分析、机器学习算法、神经网络模型或基于统计的模型回归分析与时间序列分解，然而，这些方法在单独处理时存在局限性，例如，时间序列分析对数据的平稳性要求高，处理复杂的数据会影响结果的准确性；机器学习算法需要训练大量的数据，计算复杂度高；单一的神经网络模型也要耗费大量计算资源，处理配网用户数据容易过拟合；基于统计的模型对数据分布做了假设，导致预测结果存在主观性，且处理小样或数据质量差时表现不佳。
技术实现思路
1、本专利技术的目的是针对现有技术中单一的预测方法由于存在局限性，导致低压配网户变关系预测效率低的问题；提出了一种低压配网户变关系预测方法及相关设备，通过tvfemd算法对采集的低压配网户变关系数据进行分解，获得一系列imf分量；采用tcn-svm组合模型对低压配网户变关系进行多用户数据同步预测，获得预测值；将预测值与真实值比对分析，判断是否需要对预测值进行优化，若需要，则基于aca群优化算法对tcn-svm组合模型进行优化，即在tcn-svm组合模型进行多用户数据同步预测过程，采用aca群优化算法求解最优预测值；克服了现有技术中单一的预测方法由于存在局限性，导致低压配网户变关系预测效率低的问题，显著提高了低压配网户变关系预测结果的准确性和可靠性。</p>2、为解决上述技术问题，本专利技术采用的技术方案为：一种低压配网户变关系预测方法，包括以下步骤：
3、s1、基于tvfemd算法对低压配网户变关系数据x(t)进行分解，获得imf分量；
4、s2、将所述imf分量作为tcn-svm组合模型的输入，通过所述tcn-svm组合模型对低压配网户变关系进行多用户数据同步预测，获得预测值pforecast；
5、s3、将所述预测值pforecast与真实值preal进行比对分析，判断所述预测值pforecast是否为最优值，若是，则将所述预测值pforecast作为低压配网户变关系的多用户预测值；若否，则执行s4；
6、s4、基于aca群优化算法对所述tcn-svm组合模型进行优化，获得所述tcn-svm组合模型的最优预测参数，并将所述最优预测参数作为低压配网户变关系的多用户预测值。
7、本方案中，通过时变滤波经验模式分解(time-variant filtered empiricalmode decomposition，tvfemd)方法对低压配网户变关系数据进行分解，能够明显改善经验模态分解中模态混叠问题，能够有效分解数据中的多种频率成分，以便于对有源低压配网户变关系数据进行时频分解，快速捕捉数据中的非线性和时变特征，有利于预测模型对其进行更准确的分析和预测，为高精度的预测结果提供有力的数据支撑；通过tcn-svm组合模型进行多用户数据同步预测，充分利用时域卷积网络(temporal convolutional network,tcn)对分解过后的有源低压配网户变关系数据进行时序预测后，得到数据的非线性趋势；再利用支持向量机(supportvector machine,svm)实现数据的非线性预测回归，提高预测模型的准确性、可靠性和多用户数据预测的能力；其中，tcn能够通过堆叠多个膨胀卷积层来有效提取低压配网户变关系中的时间序列数据的长期依赖关系和时序特征；svm能够通过最大化间隔来选择决策边界，以提高tcn-svm组合模型对低压配网户变关系数据的泛化能力，并降低低压配网户变关系数据的异常点和噪声点对预测结果的影响；tcn与svm的结合进一步增强了模型的泛化能力和鲁棒性，实现多用户数据预测，提高了预测的精度，实现了在面对复杂多变的低压配网数据时能够保持稳定的预测性能；通过蚁群算法(antcolonyalgorithm,aca)对tcn-svm组合模型进行优化，能够根据有源低压配网户变关系数据的具体情况动态调整tcn-svm组合模型的权重，进一步提升tcn-svm组合模型的性能，避免预测结果因为低压配网户变关系数据的动态变化等因素而存在误差，进而求解预测值的最优值，克服了现有技术中单一的预测方法由于存在局限性，导致低压配网户变关系预测效率低的问题，显著提高了低压配网户变关系预测结果的准确性和可靠性。
8、优选地，执行所述s1之前包括如下子步骤：
9、采集有源低压配网户变关系数据，得到低压配网户变关系数据集；
10、对所述低压配网户变关系数据集进行预处理，并将预处理后的数据进行标准化，得到统一标准格式的低压配网户变关系数据x(t)。
11、优选地，所述s1包括如下子步骤：
12、s11、对所述低压配网户变关系数据x(t)进行变换后提取出瞬时幅值a(t)和瞬时频率
13、s12、基于所述瞬时幅值a(t)和所述瞬时频率计算得到截止频率
14、s13、根据所述截止频率计算样条插值节点，基于所述样条插值节点对所述低压配网户变关系数据x(t)进行逼近，获得逼近结果m(t)；
15、s14、基于所述低压配网户变关系数据x(t)的属性特征确定带宽阈值；
16、s15、将所述低压配网户变关系数据x(t)的加权均值瞬时频率与loughlin瞬时带宽的比值和所述带宽阈值进行比对分析，判断所述截止频率是否截止准则，若是，则将当前低压配网户变关系数据作为一个imf分量；若否，则x1(t)＝x(t)-m(t)，表征当前低压配网户变关系数据分解为残差分量，将其进行过滤；
17、s16、重复执行所述s11-s14，直至将所述低压配网户变关系数据全部分解完，获得所有的imf分量。
18、优选地，所述s12包括如下子步骤：
19、s121、对所述瞬时幅值a(t)的局部最大值a({tmax})与局部最小值a({tmin})分别进行插值，基于完成插值的所述局部最大值a({tmax})以及所述局部最小值a({tmin})计算得到瞬时均值α1(t)和瞬时包络α2(t)；
20、s122、对所述瞬时频率的局部最小值与所述瞬时幅值a(t)的局部最小值a({tmin})的乘积进行插值得到η1(t)，对所述瞬时频率的局部最大值与所述瞬时幅值a(t)的所述局部最大值a({tmax})的乘积进行插值得到η2(t)；
21、s123、根据所述η1(t)与所述η2(t)计算得到第一瞬时子频率与第二瞬时子频率
22、s124、基于所述第一瞬时子频率与第二瞬时子频率计算得到所述截止频率
23、本方案中，通过tvfemd方法来处理采集得到的有源低压配网户变关系数据，能够根据有源低压配网户变关系数据中信号的特性自适应地调整滤波器的频率响应，从而更好地提取出信号中的不同频率成分，解决了非平稳信号中存在的间歇性和模本文档来自技高网
...
【技术保护点】
1.一种低压配网户变关系预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种低压配网户变关系预测方法，其特征在于：执行所述S1之前包括如下子步骤：
3.根据权利要求1所述的一种低压配网户变关系预测方法，其特征在于：所述S1包括如下子步骤：
4.根据权利要求3所述的一种低压配网户变关系预测方法，其特征在于：所述S12包括如下子步骤：
5.根据权利要求1所述的一种低压配网户变关系预测方法，其特征在于：执行所述S2之前包括如下子步骤：
6.根据权利要求5所述的一种低压配网户变关系预测方法，其特征在于：所述S2包括如下子步骤：
7.根据权利要求5所述的一种低压配网户变关系预测方法，其特征在于：所述S3包括如下子步骤：
8.根据权利要求1所述的一种低压配网户变关系预测方法，其特征在于：所述S4中，基于ACA群优化算法对所述预测值Pforecast进行优化，获得所述TCN-SVM组合模型的最优预测参数包括如下子步骤：
9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8中任一项所述的一种低压配网户变关系预测方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至8中任一项所述的一种低压配网户变关系预测方法。
...
【技术特征摘要】
1.一种低压配网户变关系预测方法，其特征在于：包括如下步骤：
2.根据权利要求1所述的一种低压配网户变关系预测方法，其特征在于：执行所述s1之前包括如下子步骤：
3.根据权利要求1所述的一种低压配网户变关系预测方法，其特征在于：所述s1包括如下子步骤：
4.根据权利要求3所述的一种低压配网户变关系预测方法，其特征在于：所述s12包括如下子步骤：
5.根据权利要求1所述的一种低压配网户变关系预测方法，其特征在于：执行所述s2之前包括如下子步骤：
6.根据权利要求5所述的一种低压配网户变关系预测方法，其特征在于：所述s2包括如下子步骤：
7.根据权利要求5所述的一种低压配网户变关系预...
【专利技术属性】
技术研发人员：李剑，吴金木，徐旭，幸进，朱轶群，杨玺，罗啸远，叶益，李如兵，陈晟瑜，王芳，郑聪，杨胜辉，王明燕，季定帮，
申请(专利权)人：国网浙江省电力有限公司双创中心，
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。