电网输电利用率预测方法及系统与流程
本技术涉及电数据处理,具体涉及一种电网输电利用率预测方法及系统。
背景技术:
1、电网输电利用率是评价电网运行效率、指导电网规划的重要指标,其预测方法通常基于机器学习模型实现。现有方法从电网数据中提取多维特征,利用机器学习模型建立特征与输电功率之间的映射关系,预测未来时段的输电功率,再结合线路额定容量计算得到输电利用率预测值。为了提高模型预测精度,部分现有技术引入元启发式优化算法对预测模型的超参数进行自动寻优,以降低对人工经验的依赖。此外,亦有研究利用变分模态分解等信号分解技术对功率时序数据进行预处理,通过将原始序列分解为多个本征模态分量以降低非平稳性对预测精度的影响。
2、然而,上述方法在应用于电网输电利用率预测时仍存在以下缺陷:输电利用率预测涉及功率时序分解、多分量建模与预测、预测结果重构等环节,各环节中均包含可调参数,例如vmd分解的分解模态数和惩罚因子、各预测子模型的超参数等,上述参数共同构成了高维度的待优化参数空间,且不同参数之间相互耦合、共同影响最终预测精度,呈现显著的非线性特征。现有元启发式优化算法在求解此类高维非线性参数优化问题时,其觅食行为通常基于二维平面几何假设,缺乏在高维参数空间中的工程依据,难以在复杂的参数空间中协调全局探索与局部开发之间的平衡,导致算法容易在迭代过程中陷入局部最优解,寻优效率低下,限制了模型预测精度的进一步提升。
技术实现思路
1、本技术实施例提供一种电网输电利用率预测方法及系统,能够解决待优化参数同时涵盖信号分解参数与模型超参数,且各参数间存在强耦合关系,导致参数空间呈现高维度与非线性特征,造成输电利用率预测精度偏低的技术问题。
2、本技术实施例的第一方面提供了一种电网输电利用率预测方法,所述方法包括:
3、获取电网输电线路的历史运行数据;
4、根据所述历史运行数据构建训练样本集和验证样本集,并确定初始预测模型的待优化超参数集及各超参数的取值范围;
5、采用随机初始化方式构建旅鼠种群,所述旅鼠种群中包含多个旅鼠个体,每个旅鼠个体的位置向量对应于所述待优化超参数集的一组取值;
6、以所述初始预测模型在所述验证样本集上的预测误差最小化为优化目标,利用改进的旅鼠算法对所述旅鼠种群进行迭代更新,得到最优超参数组合;
7、根据所述最优超参数组合训练所述初始预测模型,输出未来时段的输电功率预测值,并根据所述输电功率预测值与线路额定容量计算输电利用率预测值。
8、在一种可能的实施方式中,所述确定初始预测模型的待优化超参数集及各超参数的取值范围,包括:
9、获取变分模态分解的分解模态数的取值范围和惩罚因子的取值范围,将所述分解模态数和所述惩罚因子作为所述待优化超参数集中的第一类参数;
10、获取所述初始预测模型的各模型超参数的取值范围,将所述各模型超参数作为所述待优化超参数集中的第二类参数。
11、在一种可能的实施方式中,所述获取变分模态分解的分解模态数的取值范围和惩罚因子的取值范围,包括:
12、对所述输电功率时序数据进行频谱分析,获取所述输电功率时序数据的频谱分布特征;
13、根据所述频谱分布特征确定所述分解模态数的取值范围,所述分解模态数的下限不小于所述频谱分布中的主频峰数量,所述分解模态数的上限不超过预设的最大分解层数;
14、根据所述输电功率时序数据的幅值动态范围和信噪比确定所述惩罚因子的取值范围。
15、在一种可能的实施方式中,所述以所述初始预测模型在所述验证样本集上的预测误差最小化为优化目标,利用改进的旅鼠算法对所述旅鼠种群进行迭代更新,得到最优超参数组合,包括:
16、在每次迭代中,对于任一旅鼠个体,根据该旅鼠个体的位置向量中的分解模态数和惩罚因子,对所述历史运行数据中的输电功率时序数据进行变分模态分解,得到多个本征模态分量;
17、根据该旅鼠个体的位置向量中的模型超参数,分别对所述多个本征模态分量中的每个本征模态分量建立对应的预测子模型,并将各个预测子模型的预测值进行叠加重构,得到该旅鼠个体对应的输电功率预测值;
18、计算所述输电功率预测值与所述验证样本集真实值之间的误差,作为该旅鼠个体的误差值;
19、分别计算所述旅鼠种群中每个旅鼠个体的误差值,并根据各所述误差值确定当前全局最优个体;
20、根据预设的能量因子判定各旅鼠个体当前轮次执行探索行为或开发行为,当判定执行所述开发行为时,所述旅鼠个体在觅食行为和躲避天敌行为中择一执行;
21、当所述旅鼠个体执行所述觅食行为时,获取该旅鼠个体在历史迭代过程中于所述验证样本集上产生的第一误差序列,以及所述当前全局最优个体在所述历史迭代过程中于所述验证样本集上产生的第二误差序列;
22、根据所述第一误差序列和第二误差序列之间的相关性确定该旅鼠个体的觅食步长,并根据所述觅食步长更新该旅鼠个体的位置;
23、重复上述步骤,直至达到预设的迭代终止条件,将当前全局最优个体的位置向量作为所述最优超参数组合。
24、在一种可能的实施方式中,所述根据预设的能量因子判定各旅鼠个体当前轮次执行探索行为或开发行为,包括:
25、获取当前迭代次数和预设的最大迭代次数;
26、生成在(0,1)区间内均匀分布的随机数;
27、根据所述当前迭代次数、预设的最大迭代次数和随机数计算当前代的能量因子;
28、根据所述当前代的能量因子判定旅鼠个体执行所述探索行为或开发行为。
29、在一种可能的实施方式中,所述根据所述第一误差序列和第二误差序列之间的相关性确定该旅鼠个体的觅食步长,并根据所述觅食步长更新该旅鼠个体的位置,包括:
30、获取预设的历史窗口长度k;
31、提取第i个旅鼠个体在最近k次迭代中于所述验证样本集上产生的误差值,得到第一误差序列;
32、提取当前全局最优个体在最近k次迭代中于所述验证样本集上产生的误差值,得到第二误差序列;
33、计算所述第一误差序列与所述第二误差序列之间的皮尔逊相关系数;
34、根据所述皮尔逊相关系数的绝对值确定所述觅食步长的缩放系数;
35、根据所述第i个旅鼠个体上一轮迭代的移动方向与当前全局最优个体对所述第i个旅鼠个体的吸引方向,确定觅食步长的更新方向;
36、根据所述缩放系数和所述更新方向生成所述觅食步长,根据所述觅食步长更新所述第i个旅鼠个体的位置。
37、在一种可能的实施方式中,所述根据所述第i个旅鼠个体上一轮迭代的移动方向与当前全局最优个体对所述第i个旅鼠个体的吸引方向,确定觅食步长的更新方向,包括:
38、获取当前种群中所有旅鼠个体在当前位置下所述初始预测模型在所述验证样本集上的误差值,计算所述误差值的种群方差;
39、获取历史记录中的最大种群方差;
40、根据所述种群方差与所述历史最大种群方差的比值,在预设的惯性系数上限与惯性系数下限之间进行线性插值,得到当前代的惯性保持系数;
41、根据所述惯性保持系数,将所述第i个旅鼠个体上一轮迭代的移动方向与当前全局最优个体对所述第i个旅鼠个体的吸引方向进行加权求和,得到所述更新方向。
42、在一种可能的实施方式中,所述根据所述缩放系数和所述更新方向生成所述觅食步长,根据所述觅食步长更新所述第i个旅鼠个体的位置,包括:
43、获取所述缩放系数和所述更新方向;
44、获取预设的方向翻转因子和预设的步长补偿系数;
45、根据所述方向翻转因子、所述步长补偿系数、所述缩放系数和所述更新方向,生成完整步长并更新所述第i个旅鼠个体的位置。
46、在一种可能的实施方式中,所述根据所述最优超参数组合训练所述初始预测模型,输出未来时段的输电功率预测值,包括:
47、根据所述最优超参数组合中的最优分解模态数和最优惩罚因子,对所述历史运行数据中的输电功率时序数据进行变分模态分解,得到多个本征模态分量;
48、根据所述最优超参数组合中的模型超参数,分别对所述多个本征模态分量中的每个本征模态分量建立对应的预测子模型;
49、将各个预测子模型输出的预测值进行叠加重构,得到所述输电功率预测值。
50、本示例中,提供一种电网输电利用率预测方法及系统,首先获取电网输电线路的历史运行数据,根据历史运行数据构建训练样本集和验证样本集,并确定初始预测模型的待优化超参数集及各超参数的取值范围;接着采用随机初始化方式构建旅鼠种群,每个旅鼠个体的位置向量对应于待优化超参数集的一组取值;然后以初始预测模型在验证样本集上的预测误差最小化为优化目标,利用改进的旅鼠算法对旅鼠种群进行迭代更新,最优超参数组合;最后根据最优超参数组合训练初始预测模型,输出未来时段的输电功率预测值,并根据输电功率预测值与线路额定容量计算输电利用率预测值,包括以下有益效果:
51、1、通过将变分模态分解的分解模态数和惩罚因子与预测模型的各模型超参数共同纳入待优化超参数集中进行协同优化,使信号分解环节与预测建模环节形成统一的优化闭环,避免了两环节参数各自孤立设定导致的次优匹配问题,增强了模型对原始功率时序数据中多尺度振荡特征的提取能力,从而在根源上降低了原始序列非平稳性对预测精度的干扰。
52、2、通过获取旅鼠个体与全局最优个体在历史迭代过程中的误差序列并计算其皮尔逊相关系数,以相关系数的绝对值直接控制觅食步长的缩放系数,使算法能够精准识别“数值距离远但优化行为同质”的冗余个体并自动压缩其步长、同时为“行为差异显著”的个体分配大步长探索资源,将种群搜索焦点从高维参数空间中的无效区域转移至真正具有潜力的区域,有效改善了高维非线性参数空间中的寻优效率。
53、3、通过引入基于上一轮迭代移动方向与全局最优个体吸引方向的加权求和作为觅食步长的更新方向,使个体的搜索轨迹保留了历史动量信息,避免了原始算法中无记忆随机游走导致的震荡式搜索,同时结合种群方差动态调节惯性保持系数,在种群分散时强化历史动量的主导作用以拓展搜索覆盖范围、在种群聚集时强化最优个体的牵引作用以加速精细收敛,实现了全局探索与局部开发的自适应平衡,显著提升了算法在高维非线性参数空间中的收敛速度和求解精度,使模型能够获得更优的超参数组合,从而有效提升了输电利用率预测精度。
54、本技术实施例的第二方面提供一种电网输电利用率预测系统,所述系统包括:
55、第一模块,用于获取电网输电线路的历史运行数据;
56、第二模块,用于根据所述历史运行数据构建训练样本集和验证样本集,并确定初始预测模型的待优化超参数集及各超参数的取值范围;
57、第三模块,用于采用随机初始化方式构建旅鼠种群,所述旅鼠种群中包含多个旅鼠个体,每个旅鼠个体的位置向量对应于所述待优化超参数集的一组取值;
58、第四模块,用于以所述初始预测模型在所述验证样本集上的预测误差最小化为优化目标,利用改进的旅鼠算法对所述旅鼠种群进行迭代更新,得到最优超参数组合;
59、第五模块,用于根据所述最优超参数组合训练所述初始预测模型,输出未来时段的输电功率预测值,并根据所述输电功率预测值与线路额定容量计算输电利用率预测值。
60、本技术实施例的第三方面提供一种终端,包括处理器、输入设备、输出设备和存储器,所述处理器、输入设备、输出设备和存储器相互连接,其中,所述存储器用于存储计算机程序,所述计算机程序包括程序指令,所述处理器被配置用于调用所述程序指令,执行如本技术实施例第一方面中电网输电利用率预测方法所述的步骤指令。
61、本技术实施例的第四方面提供了一种计算机可读存储介质,其中,上述计算机可读存储介质存储用于电子数据交换的计算机程序,其中,上述计算机程序使得计算机执行如本技术实施例第一方面中电网输电利用率预测方法所描述的部分或全部步骤。
62、本技术实施例的第五方面提供了一种计算机程序产品,其中,上述计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质,上述计算机程序可操作来使计算机执行如本技术实施例第一方面中电网输电利用率预测方法所描述的部分或全部步骤。该计算机程序产品可以为一个软件安装包。
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