面向动态数据分布的配电网模型训练优化方法及装置与流程

本发明涉及配电网模型在线监测，尤其涉及面向动态数据分布的配电网模型训练优化方法及装置。

背景技术：

1、现有配电网模型更新方案主要包括固定周期更新与阈值触发更新两类。固定周期更新按照预设的日、周或月度周期汇集新增运行样本，对模型进行参数调整或重新训练；阈值触发更新则持续监测模型预测误差或业务告警指标，在相应指标达到预设阈值时启动模型更新。然而，上述方案主要依据预设时间周期或单一性能指标确定模型更新时机，在配电网运行场景中存在以下问题：第一，真实标签存在延迟，线损异常、设备风险和故障结果往往需要运维核验后才能形成标签，单纯依据误差阈值会延迟发现突发天气或结构性变化。第二，缺失、尖峰、采样时间错位和字段单位变化会改变统计分布，但其本质属于数据质量异常，不宜直接触发重训。第三，动态更新若缺少历史稳定样本约束，模型虽然能够快速适应新窗口，却易遗忘已有稳定规律，导致长期运行风险上升。

2、与通用互联网场景中主要由用户行为、内容热度和流量结构变化引起的数据分布漂移不同，配电网模型的数据分布及输入输出关系同时受到季节负荷变化、气象条件变化、分布式光伏接入水平变化、设备运行状态变化、运行方式调整和网络拓扑调整的影响。配电网运行数据具有明显的拓扑关联性和物理约束性，拓扑版本、监测对象映射、采样时间或字段单位不一致可能造成统计分布变化，但该类变化属于数据质量异常，不宜直接触发模型训练；同时，越限、故障和设备风险等真实标签通常需要经过运维核验后才能获得，而峰值低估、越限漏报等低频样本虽然数量较少，但可能产生较高的运行风险。

3、因此，有必要设计一种新的方法，实现兼顾模型对当前运行状态的适应能力、历史稳定规律保持能力和配电网运行安全性。

技术实现思路

1、本发明的目的在于克服现有技术的缺陷，提供面向动态数据分布的配电网模型训练优化方法及装置。

2、为实现上述目的，本发明采用以下技术方案：面向动态数据分布的配电网模型训练优化方法，包括：

3、构建配电网模型的运行窗口样本和基线窗口样本，并读取所述配电网模型的近期预测结果和业务告警记录；

4、对所述运行窗口样本执行多维度数据质量检查，当所述运行窗口样本未通过所述多维度数据质量检查时，生成数据修复任务并终止本轮漂移计算和模型训练触发；

5、当所述运行窗口样本通过所述多维度数据质量检查时，对所述运行窗口样本计算统计漂移指标、特征空间漂移指标、残差漂移指标和业务告警指标，并将所述统计漂移指标、所述特征空间漂移指标、所述残差漂移指标和所述业务告警指标融合得到综合漂移分数；其中，根据所述运行窗口样本和所述基线窗口样本计算统计漂移指标和特征空间漂移指标，根据所述近期预测结果计算残差漂移指标，并根据所述业务告警记录计算业务告警指标，所述综合漂移分数用于整体刻画所述运行窗口样本相对于所述基线窗口样本的数据分布变化程度和所述配电网模型的性能变化程度；

6、基于所述综合漂移分数、模型误差稳定性和业务告警指标确定漂移等级，并根据所述漂移等级选择维持当前稳定模型、归一化参数校准、阈值校准、局部微调、滚动更新或全量重训中的模型训练优化动作之一；

7、当选择的所述模型训练优化动作为局部微调、滚动更新或全量重训时，利用近期训练窗口样本、历史代表样本和高风险样本训练候选模型；

8、对所述候选模型执行离线回放、发布准入、试运行验证和回退控制。

9、本发明还提供了面向动态数据分布的配电网模型训练优化装置，包括：

10、窗口构建单元，用于构建配电网模型的运行窗口样本和基线窗口样本，并读取所述配电网模型的近期预测结果和业务告警记录；

11、数据质量检查单元，用于对所述运行窗口样本执行多维度数据质量检查，当所述运行窗口样本未通过所述多维度数据质量检查时，生成数据修复任务并终止本轮漂移计算和模型训练触发；

12、漂移计算单元，用于当所述运行窗口样本通过所述多维度数据质量检查时，对所述运行窗口样本计算统计漂移指标、特征空间漂移指标、残差漂移指标和业务告警指标，并将所述统计漂移指标、所述特征空间漂移指标、所述残差漂移指标和所述业务告警指标融合得到综合漂移分数；其中，根据所述运行窗口样本和所述基线窗口样本计算统计漂移指标和特征空间漂移指标，根据所述近期预测结果计算残差漂移指标，并根据所述业务告警记录计算业务告警指标，所述综合漂移分数用于整体刻画所述运行窗口样本相对于所述基线窗口样本的数据分布变化程度和所述配电网模型的性能变化程度；

13、触发决策单元，用于基于所述综合漂移分数、模型误差稳定性和业务告警指标确定漂移等级，并根据所述漂移等级选择维持当前稳定模型、归一化参数校准、阈值校准、局部微调、滚动更新或全量重训中的模型训练优化动作之一；

14、候选模型训练单元，用于当选择的所述模型训练优化动作为局部微调、滚动更新或全量重训时，利用近期训练窗口样本、历史代表样本和高风险样本构建加权训练样本集，并基于所述加权训练样本集训练候选模型；

15、样本池管理单元，用于维护所述近期训练窗口样本、所述历史代表样本和所述高风险样本，并处理真实标签延迟样本、弱标签样本、待复核样本和冻结样本；

16、发布治理单元，用于对所述候选模型执行离线回放、发布准入、试运行验证和回退控制，并记录所述候选模型的离线回放结果、发布准入结果、试运行验证结果、发布动作和回退版本。

17、本发明与现有技术相比的有益效果是：本发明通过构建运行窗口与基线窗口样本，先对运行窗口执行数据完整性、时序一致性、字段口径一致性和拓扑一致性等多维度数据质量检查，利用关键质量约束因子和质量状态分数判定数据质量异常并终止漂移计算，从而区分真实分布漂移与数据质量异常；在通过质量检查后，融合统计漂移指标、特征空间漂移指标、残差漂移指标和业务告警指标得到综合漂移分数，并结合模型误差稳定性与业务告警情况确定l0至l3漂移等级；再根据漂移等级选择维持稳定模型、归一化参数校准、阈值校准、局部微调、滚动更新或全量重训的优化动作，在训练候选模型时通过加权训练样本集和参数保持约束兼顾新窗口适应与历史规律保持，最后经离线回放、发布准入、试运行验证和回退控制确保模型上线安全性，从而实现模型对当前运行状态的适应能力、历史稳定规律保持能力和配电网运行安全性的兼顾。

18、下面结合附图和具体实施例对本发明作进一步描述。

1.面向动态数据分布的配电网模型训练优化方法，其特征在于，包括：

2.根据权利要求1所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述运行窗口样本表示当前监测周期内的样本集合；所述基线窗口样本由与所述运行窗口样本在季节、工作日类型、对象类别和运行方式上相近的稳定历史样本组成。

3.根据权利要求1所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述多维度数据质量检查包括数据完整性检查、时序一致性检查、字段口径一致性检查和拓扑一致性检查；其中，

4.根据权利要求1所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述统计漂移指标采用群体稳定性指标计算，用于衡量所述运行窗口样本与所述基线窗口样本中各输入特征的分箱占比变化，各输入特征的群体稳定性指标表示为：；所述统计漂移指标为各输入特征的群体稳定性指标的平均值；

5.根据权利要求1所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述模型误差表示当前稳定模型在已获得真实标签样本上的预测误差；所述漂移等级包括l0、l1、l2和l3；其中，

6.根据权利要求1所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述根据所述漂移等级选择模型训练优化动作，包括：

7.根据权利要求1所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述利用近期训练窗口样本、历史代表样本和高风险样本训练候选模型，包括：

8.根据权利要求7所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述近期训练窗口样本、所述历史代表样本和所述高风险样本通过样本池进行维护，所述样本池的维护包括：

9.根据权利要求1所述的面向动态数据分布的配电网模型训练优化方法，其特征在于，所述对所述候选模型执行离线回放、发布准入、试运行验证和回退控制，包括：

10.面向动态数据分布的配电网模型训练优化装置，其特征在于，包括：