基于多算法动态的配电控制柜电力功率数据实时分析方法与流程
本发明涉及电力数据处理,具体为基于多算法动态的配电控制柜电力功率数据实时分析方法。
背景技术:
1、配电控制柜作为配电网的重要节点,其运行过程中会产生大量的电力功率数据。对这些数据进行实时分析和预测,对于保障电网稳定运行具有重要意义。在现有的电力数据分析方案中,通常采用单一的机器学习预测模型。然而,电力负荷受外部环境、生产调度等多种因素影响,数据呈现出强烈的非线性和动态突变特征。单一固定模型在面对配电运行状态的变化时,往往会出现预测精度下降的问题,难以适应实际工况的复杂性。
2、为了提升预测的适应性,部分方案尝试引入多模型并行处理技术。但在实际的工业现场,配电控制柜通常作为边缘计算节点,其处理器的计算资源和并发线程容量非常有限。如果直接在边缘端并发运行大量复杂的预测模型,会导致数据处理的执行时间超出单次分析周期的严格时间预算,进而引发计算超时和任务阻塞,无法满足工业控制系统的实时性要求。
3、此外,在实际运行场景中,系统输出预测结果与获取真实物理功率数据之间存在时间差。现有技术在进行模型更新时,大多依赖于获取完整数据后的集中式重新训练。这种方式不仅需要消耗大量的计算和存储资源,而且无法有效处理实际数据的延迟反馈问题。这导致边缘控制柜难以利用实时获取的物理反馈数据进行轻量化的参数在线更新。因此,如何在算力受限的边缘环境下,根据当前数据特征动态调度最优模型组合,并实现轻量化的参数自适应调整,成为当前亟待解决的技术问题。
技术实现思路
1、针对现有技术的不足,本发明提供了基于多算法动态的配电控制柜电力功率数据实时分析方法,解决了边缘配电控制柜在计算资源受限下,单一固定预测模型难以适应电力功率状态变化,且缺乏结合数据特征动态选取模型组合与轻量化参数更新机制的问题。
2、为实现以上目的,本发明通过以下技术方案予以实现:基于多算法动态的配电控制柜电力功率数据实时分析方法,包括:
3、为各机器学习预测模型初始化特征协方差矩阵与累积参数向量,设定最大预测模型数量;
4、获取滑动时间窗口内的有功功率数据,计算近似熵及关联维数生成上下文特征向量;
5、计算近似熵与历史统计量的偏差绝对值,通过映射函数得到探索系数;
6、结合上下文特征向量计算各所述机器学习预测模型的期望奖励估计值,利用探索系数计算探索项以得到置信上界值,截取排名前所述最大预测模型数量的机器学习预测模型构成选定模型集合;
7、将所述有功功率数据分别输入所述选定模型集合中的各机器学习预测模型得到独立预测值,基于所述期望奖励估计值生成融合权重并加权求和输出融合预测值,生成反馈记录并存入延迟反馈队列;
8、获取预测目标时刻的实际有功功率值,从所述延迟反馈队列中调取与所述预测目标时刻对应的反馈记录,计算所述实际有功功率值与所述反馈记录中的独立预测值的绝对误差并转换为观测奖励,基于所述观测奖励对对应机器学习预测模型的所述特征协方差矩阵与所述累积参数向量进行增量更新。
9、上述方案的原理在于:在配电控制柜内配置多个预测模型,将功率波动特征作为上下文状态变量,在线计算各预测模型的期望奖励估计值。结合时间预算动态截断并行推理任务,依据预测值与实际值的绝对偏差进行奖励转换,并在实际数据到达后完成参数的闭环迭代,解决算力约束下的多模型自适应预测问题。
10、进一步的,所述设定最大预测模型数量,包括:
11、分别测定特征提取时间上限、模型选择时间上限以及结果融合时间上限;
12、结合处理器的并行线程容量,测定不同数量的机器学习预测模型同时执行时对应的最大推理时间,按照耗时最长的模型组合确定相应的预测模型推理时间上限;
13、使特征提取时间上限、模型选择时间上限、预测模型推理时间上限以及结果融合时间上限之和不超过单次分析周期的整体时间预算,据此确定所述最大预测模型数量。
14、上述步骤的原理在于:由于边缘控制器的并发处理能力有限,通过测定特征提取、模型选择和结果融合的基础耗时,结合耗时最长的模型推理时间,利用整体时间预算反向推算单次允许并行执行的模型总数,确保预测分析任务在规定周期内完成。
15、进一步的,所述计算近似熵及关联维数生成上下文特征向量,包括:
16、利用延迟坐标嵌入方法将所述有功功率数据的一维时间序列重构为相空间状态矩阵,统计满足距离阈值条件的状态点对比例求取关联积分,根据所述关联积分随距离阈值变化的对数斜率计算得到所述关联维数;
17、设定模式评估长度参数以及相似容差阈值,计算不同维度下序列模式向量之间的匹配概率,通过求取模式维度变化前后的概率对数差值计算得到所述近似熵;
18、采用带边界截断的最小值最大值归一化方法对所述关联维数与所述近似熵分别执行归一化处理,将处理后的关联维数以及近似熵按序排列,构建表征当前配电运行状态的二维上下文特征向量。
19、上述步骤的原理在于:有功功率序列并非单一周期信号,关联维数反映了时间序列重构相空间中拓扑结构的复杂程度,近似熵反映了序列模式分布的无序程度。将两者结合构成二维上下文特征向量,用于量化配电网当前工况的运行规律,提供状态评估依据。
20、进一步的,所述计算近似熵与历史统计量的偏差绝对值,通过映射函数得到探索系数,包括:
21、维护近似熵历史滑动窗口,根据所述近似熵历史滑动窗口内的数据计算历史均值以及历史标准差作为所述历史统计量;
22、计算所述近似熵与所述历史均值之间的差值绝对值,将所述差值绝对值除以所述历史标准差与预设正数之和得到所述偏差绝对值;
23、将所述偏差绝对值输入基于s形(sigmoid)函数构造的所述映射函数,计算得到探索系数,并在完成计算后将所述近似熵写入所述近似熵历史滑动窗口。
24、上述步骤的原理在于:利用当前近似熵偏离历史统计分布的程度,判断配电状态的波动情况。当状态平稳时,输出较小的探索系数;当状态波动引起偏差增大时,通过映射函数输出较大的探索系数,提升置信上界计算中探索项的数值,从而增加非优选模型被选中的概率,避免模型固化。
25、进一步的,所述结合上下文特征向量计算各所述机器学习预测模型的期望奖励估计值,利用探索系数计算探索项以得到置信上界值,包括:
26、针对各所述机器学习预测模型,计算对应特征协方差矩阵的逆矩阵,将所述逆矩阵与所述累积参数向量进行矩阵乘法运算得到参数估计向量,计算所述上下文特征向量的转置矩阵与所述参数估计向量的内积生成所述期望奖励估计值;
27、计算所述上下文特征向量的转置矩阵、所述逆矩阵以及所述上下文特征向量三者的连续矩阵乘积,对乘积结果进行开平方运算后与所述探索系数相乘生成所述探索项;
28、将所述期望奖励估计值与所述探索项相加得到对应机器学习预测模型的置信上界值。
29、上述步骤的原理在于:累积参数向量存储历史奖励与特征的结合信息,特征协方差矩阵记录特征的分布统计。通过矩阵运算将特征映射为期望奖励估计值,利用二次型运算计算参数估计不确定性形成探索项,将两者相加完成对各预测模型执行价值的量化评估。
30、进一步的,所述截取排名前所述最大预测模型数量的机器学习预测模型构成选定模型集合,包括:
31、获取各所述机器学习预测模型对应的置信上界值,按所述置信上界值进行降序排序;
32、当存在多个置信上界值相等的机器学习预测模型时,读取对应模型维护的历史执行次数统计变量,优先将次数较少的机器学习预测模型排在前面;若次数相等则按模型初始化配置序列的默认编号排序;
33、按照所述最大预测模型数量截取排名靠前的机器学习预测模型构成当前周期的所述选定模型集合。
34、上述步骤的原理在于:以置信上界值为基准筛选预测模型,当置信上界值相等时,引入历史执行次数作为判定条件,优先选择执行次数较少的模型,防止算法在初期陷入局部固定选择,按照算力约束数量截取生成最终执行推理的模型集合。
35、进一步的,所述基于所述期望奖励估计值生成融合权重并加权求和输出融合预测值,包括:
36、采用带温度调节系数的指数归一化函数生成融合权重,从所述选定模型集合中各所述机器学习预测模型对应的期望奖励估计值中减去各所述期望奖励估计值中的最大值获得差值;
37、将所述差值除以所述温度调节系数后进行指数运算,将单次指数运算结果除以所述选定模型集合内所有指数运算结果之和,得到各所述机器学习预测模型对应的融合权重;
38、将各所述机器学习预测模型输出的所述独立预测值与各自对应的所述融合权重相乘并求和,生成所述融合预测值。
39、上述步骤的原理在于:利用指数运算将奖励估计值映射至正向区间,归一化后作为融合权重。通过减去最大值限制输入指数项的数据上限,防止控制器在浮点数运算时发生数值溢出;利用温度系数调节权重的分布集中度,实现预测结果的加权融合。
40、进一步的,所述生成反馈记录存入延迟反馈队列,包括:
41、提取所述上下文特征向量、所述选定模型集合、各所述独立预测值以及所述融合预测值;
42、将上述信息连同预测生成时刻和预测目标时刻对应的时间戳记录为一条反馈记录,存入所述延迟反馈队列;
43、为所述延迟反馈队列设置最大等待时间,当任一反馈记录等待时间超过所述最大等待时间仍未匹配到对应实际有功功率值时,将该反馈记录标记为无效并从队列中删除。
44、上述步骤的原理在于:由于预测时间与实际结果发生时间存在时间差,建立数据队列暂存预测周期的数据,使系统在等待实际有功功率值期间可继续执行后续数据分析。设置超时逻辑用于清理缺失实际数据对应的失效记录,防止队列阻塞。
45、进一步的,所述计算所述实际有功功率值与独立预测值的绝对误差并转换为观测奖励,包括:
46、利用所述实际有功功率值的绝对值与预设正数之和作为分母,所述独立预测值与所述实际有功功率值之间的绝对误差作为分子,计算预测误差的尺度归一化结果;
47、将所述尺度归一化结果乘以预设的误差敏感系数后取负值,采用指数衰减函数计算得到对应机器学习预测模型的所述观测奖励。
48、上述步骤的原理在于:直接使用绝对误差作为指标会受功率基础数值波动的影响。将实际有功功率值引入分母计算相对误差比例,消除功率数值大小对误差尺度的影响;采用指数衰减函数将预测误差转换为连续的正向奖励值,为模型参数更新提供基准。
49、进一步的,所述对所述特征协方差矩阵与所述累积参数向量进行增量更新,包括:
50、针对所述选定模型集合中的各机器学习预测模型,调取对应所述反馈记录中保存的所述上下文特征向量;
51、计算所述上下文特征向量与其转置的外积,将所述外积累加至该机器学习预测模型原有的所述特征协方差矩阵;
52、将所述上下文特征向量与该机器学习预测模型对应的所述观测奖励相乘,将乘积累加至该机器学习预测模型原有的所述累积参数向量;
53、完成增量更新后,将对应的所述反馈记录标记为已处理并从所述延迟反馈队列中删除。
54、上述步骤的原理在于:仅利用当前观测奖励与上下文特征向量执行矩阵运算,直接更新特征协方差矩阵和累积参数向量。该方式无需对预测模型进行重新训练,降低了边缘设备的计算消耗,满足在线增量更新的需求。
55、本发明提供了基于多算法动态的配电控制柜电力功率数据实时分析方法。具备以下有益效果:
56、1、本发明通过提取有功功率数据的近似熵与关联维数生成上下文特征向量,并结合探索系数动态评估各机器学习预测模型的期望奖励与置信上界,系统能够根据当前数据的波动特征实时截取最优的模型组合进行加权预测。该机制避免了单一固定模型在工况发生突变时出现的预测失效问题,提高了电力功率数据分析的准确性与鲁棒性。
57、2、本发明通过分别测定特征提取、模型选择、推理和结果融合的基础时间,并结合处理器的并行线程容量反推耗时最长的模型组合,系统将各环节时间之和严格限制在单次分析周期的整体时间预算内,据此设定最大预测模型数量。该机制防止了边缘设备因并发任务过多导致的计算超时问题,保障了工业现场实时分析任务的确定性与可靠性。
58、3、本发明通过建立延迟反馈队列暂存预测周期的上下文数据与预测结果,系统在获取到实际有功功率值后计算绝对误差并转换为观测奖励,随后仅通过基础的矩阵外积与向量乘加运算对特征协方差矩阵和累积参数向量进行增量更新。这种方式解耦了预测执行与结果反馈的时序差异,同时避免了在边缘端执行高资源消耗的模型重新训练流程,满足了系统的连续自适应学习需求。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com