一种配电线路日线损率预测方法和系统与流程

1.本发明实施例涉及配电网分析技术领域，尤其涉及一种配电线路日线损率预测方法和系统。


背景技术：

2.线损率是电力线路损耗电量与供电量的比值，由线路关口供电量与各出口售电量统计得出。作为电力公司一项重要的综合性技术经济指标，线损率反映电网规划设计与运行管理水平，对配电网基层管理人员日常线路维护工作起直接指导作用。目前短期线损率预测的相关研究较为匮乏，已有的线损率预测研究多基于长时间尺度，以多种影响因素回归的方式预测线损率。由于时间尺度不同，传统研究所用的影响因素难以用于日线损率预测。随着用电信息采集系统在配电网的覆盖，海量量测数据为日线损率预测提供了可靠数据支撑。
3.线损率的准确预测有助于管理人员把握线损率的发展趋势，及时判断线路的异常线损状态，对线路运行方式做出快速排查与调整。受设备采集异常、负荷转供、双电源用户供电切换等多方面影响，存在统计线损率与真实值不符的少数情况。


技术实现要素：

4.本发明实施例提供一种配电线路日线损率预测方法和系统，通过准确预测配电线路日线损率，合理指导基层人员把握各地区各线路短期线损率波动水平，辅助判断线路异常高损状态，提升配电网线损管理精益化水平。
5.第一方面，本发明实施例提供一种配电线路日线损率预测方法，包括：
6.步骤s1、获取预测日前配电网的第一时间段的第一测量数据，以及第二时间段的第二测量数据；所述第二测量数据为所述第一测量数据前一年同一时间段的测量数据；所述第一测量数据和所述第二测量数据中均包括与配电网日线损率关联的预测特征，所述预测特征包括日线损率、日售电量和日均气温；
7.步骤s2、基于灰色相关度分析法确定所述第二测量数据和所述第一测量数据中灰色综合关联度大于预设关联性阈值的预测特征，以作为辅助预测特征；
8.步骤s3、提取所述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征，并基于所述预测特征和所述辅助预测特征构建多维编码序列；
9.步骤s4、将所述多维编码序列输入至预先训练好的日线损率预测模型，以得到预测日的日线损率。
10.作为优选的，所述步骤s2具体包括：
11.步骤s21、计算历史日线损率、日售电量与日均气温在第一时间段的序列与第二时间段同期序列间的灰色绝对关联度与灰色相对关联度；
12.步骤s22、设定加权系数，基于灰色绝对关联度与灰色相对关联度计算出各预测特征第一时间段的序列与第二时间段同期序列间的灰色综合关联度；
13.步骤s23、比较各预测特征第一时间段的序列与第二时间段同期序列间的灰色综合关联度大小，若大于0.6则判断对应的预测特征具有强关联性，将强关联性的预测特征对应的第二时间段同期序列作为辅助预测特征。
14.作为优选的，所述步骤s3具体包括：
15.基于预先训练的降噪自编码器模型对述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征进行特征编码与重构，实现输入序列特征提取与降维；由降噪自编码器编码部分输出特征提取后的多维编码序列；
16.将多维编码序列代入降噪自编码器解码部分得到还原序列，比较还原序列与原始输入序列的精度验证降噪自编码器特征提取效果。
17.作为优选的，所述降噪自编码器模型输入信息x经输入层后被编码为隐含层信息h，隐含层信息h经解码又重新被映射为输出信息y，具体表示如下：
18.h＝η(w1x b1)
19.y＝η(w2h b2)
20.式中，w1与b1，w2与b2分别为编码器与解码器的权重参数与偏置参数矩阵；η为神经元间的激活函数；设置隐含层神经元数量小于其它两层，此时编码器起降维作用，隐含层信息即为提取到的输入信息低维特征；
21.降噪自编码器模型在迭代中寻求输入信息x与输出信息误差y的最小化，通过最小化损失函数求解编码器与解码器参数并更新，其损失函数可以表征如下：
22.j(w,b)＝∑||y,x||223.对原始输入信息x进行损坏，得到含噪信息z，将含噪信息z作为降噪自编码器模型的输入而以原始输入信号x作为输出层的学习目标，此时隐含层信息h与输出层信息y更新如下：
24.h'＝η(w1z b1)
25.y'＝η(w2h' b2)
26.降噪自编码器模型的参数迭代过程同样以输出信息y与原始输入信息x的误差最小化为目标，其损失函数计算过程与自编码器相同。
27.作为优选的，所述步骤s1前，还包括：
28.获取配电网各线路的历史测量数据，所述历史测量数据包括与配电网日线损率关联的预测特征；
29.基于所述历史测量数据进行神经网络训练，得到用于预测日线损率的日线损率预测模型。
30.作为优选的，所述获取配电网各线路的历史测量数据，具体包括：
31.获取配电网各线路的历史量测数据，包括配电网各线路预测日前n个月的日线损率、日售电量与日均气温数据，n≥2；收集与前n个月近期数据相对应的前一年同月份是历史量测数据；
32.将历史量测数据划分为训练集样本、测试集样本，其中测试集样本量选取不超过总样本量的三分之一。
33.作为优选的，基于所述历史测量数据进行神经网络训练，得到用于预测日线损率的日线损率预测模型，具体包括：
34.构建三层长短期记忆神经网络模型，在前两层神经网络加入dropout环节；所述三层长短期记忆神经网络模型中的神经元由一个记忆单元与三个控制门构成，神经元每一时刻输出量由当前时刻输入量x
t
、上一时刻输出量y
t
‑1和记忆单元存储信息c
t
‑1共同决定；这些信息经遗忘门f
t
，输入门i
t
运算后得到新的记忆单元存储信息c
t
，由记忆单元存储信息c
t
与输出门状态o
t
决定神经元输出量y
t
；其过程如下式所示：
35.f
t
＝σ(w
fy
y
t
‑1 w
fx
x
t
w
fc
c
t
‑1 b
f
)
36.i
t
＝σ(w
iy
y
t
‑1 w
ix
x
t
w
ic
c
t
‑1 b
i
)
[0037][0038]
c
t
＝c
t
‑1f
t
z
t
i
t
[0039]
o
t
＝σ(w
oy
y
t
‑1 w
ox
x
t
w
oc
c
t
b
o
)
[0040][0041]
其中，z
t
为记忆单元更新需要的中间信息，σ与分别表示sigmoid与tanh激活函数，w
fy
、w
fx
、w
fc
、w
iy
、w
ix
、w
ic
、w
zy
、w
zx
、w
oy
、w
ox
、w
oc
为网络权重参数矩阵，b
f
、b
i
、b
z
、b
o
为网络偏置参数矩阵；
[0042]
采用网格搜索方法获取长短期记忆神经网络最优参数，设置长短期记忆网络的神经元数，学习率等参数的搜索范围；
[0043]
提取历史测量数据中的预测特征和辅助预测特征，构建多维编码序列，将多维编码序列输入长短期记忆神经网络模型，经训练拟合得到日线损率预测模型；
[0044]
设置模型预测效果评估指标，以平均绝对百分误差mape与均方根误差rmse两种评价指标对日线损率预测结果进行评估。
[0045]
第二方面，本发明实施例提供一种配电线路日线损率预测系统，包括：
[0046]
采集模块，获取预测日前配电网的第一时间段的第一测量数据，以及第二时间段的第二测量数据；所述第二测量数据为所述第一测量数据前一年同一时间段的测量数据；所述第一测量数据和所述第二测量数据中均包括与配电网日线损率关联的预测特征，所述预测特征包括日线损率、日售电量和日均气温；
[0047]
特征提取模块，基于灰色相关度分析法确定所述第二测量数据和所述第一测量数据中灰色综合关联度大于预设关联性阈值的预测特征，以作为辅助预测特征；
[0048]
多维编码序列提取模块，提取所述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征，并基于所述预测特征和所述辅助预测特征构建多维编码序列；
[0049]
日线损率预测模型，将所述多维编码序列输入至预先训练好的日线损率预测模型，以得到预测日的日线损率。
[0050]
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述配电线路日线损率预测方法的步骤。
[0051]
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述配电线路日线损率预测方法的步骤。
[0052]
本发明实施例提供的一种配电线路日线损率预测方法和系统，本发明实施例的有益效果为：
[0053]
1、以日线损率、日售电量、日均气温等多种因素的时间序列数据为模型输入构建时间序列预测模型，相较传统静态的回归方法更能把握日线损率短期变化趋势；
[0054]
2、将影响因素的去年同期量作为辅助输入，增强了原始数据所含信息，为日线损率的准确预测提供数据基础；
[0055]
3、通过降噪自编码去除模型输入所含的冗余信息，特征提取得到的低维编码序列更易于模型学习；长短期记忆神经网络能记忆输入序列的时序规律，更适于时间序列预测场景；基于降噪自编码器与长短期记忆神经网络相结合的配电网日线损率预测模型能准确预测配电线路未来日线损率，相较传统模型预测精度更高。
[0056]
4、基于网格搜索在人为设定的参数范围内搜寻模型最优参数，通过耗费较少的模型训练次数换取模型性能提升，保障预测模型能发挥出最佳效果。
附图说明
[0057]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0058]
图1根据本发明实施例的一种配电线路日线损率预测方法流程图；
[0059]
图2为根据本发明实施例的原始线路数据图；
[0060]
图3为根据本发明实施例的降噪自编码器编码结果图；
[0061]
图4为根据本发明实施例的降噪自编码器编码还原结果图；
[0062]
图5为根据本发明实施例的日线损率预测结果图；
[0063]
图6为根据本发明实施例的实体结构示意图。
具体实施方式
[0064]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0065]
本技术实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。
[0066]
本技术实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本技术的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本技术的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
[0067]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0068]
目前短期线损率预测的相关研究较为匮乏，已有的线损率预测研究多基于长时间尺度，以多种影响因素回归的方式预测线损率。有学者以变压器容量、馈线长度、接线方式、负载系数等变量作为输入量，通过建立多灰色模型预测配网线路年线损率。另有学者以类似参数作为输入，通过建立灰色模型与bp神经网络的组合预测模型进一步提升年线损率的预测精度。由于时间尺度不同，上述研究的影响因素难以用于日线损率预测。目前仍缺少有效的配电线路日线损率预测方法。
[0069]
因此，本发明实施例提供一种配电线路日线损率预测方法和系统，首先建立灰色综合关联度分析指标，挖掘日线损率影响因素近期量与其去年同期量间的相关性，选择去年同期量作为模型的输入变量辅助预测；然后以无监督的方式构建降噪自编码器模型对输入序列进行特征编码与重构，实现输入序列的特征提取与降维；最后将编码后的序列输入长短期记忆神经网络，经训练拟合得到日线损率预测模型。以下将通过多个实施例进行展开说明和介绍。
[0070]
图1为本发明实施例提供一种配电线路日线损率预测方法，包括：
[0071]
步骤s1、获取预测日前配电网的第一时间段的第一测量数据，以及第二时间段的第二测量数据；所述第二测量数据为所述第一测量数据前一年同一时间段的测量数据；所述第一测量数据和所述第二测量数据中均包括与配电网日线损率关联的预测特征，所述预测特征包括日线损率、日售电量和日均气温；
[0072]
例如，获取配电网各线路的线损率、售电量、气温等历史量测数据，具体包括：收集配电网各线路预测日前n个月的日线损率、日售电量与日均气温数据，这里n一般大于2；收集与前n个月近期数据相对应的前一年同月份数据；
[0073]
步骤s2、基于灰色相关度分析法确定所述第二测量数据和所述第一测量数据中灰色综合关联度大于预设关联性阈值的预测特征，以作为辅助预测特征；
[0074]
步骤s21、计算历史日线损率、日售电量与日均气温在第一时间段的序列与第二时间段同期序列间的灰色绝对关联度与灰色相对关联度；
[0075]
步骤s22、设定加权系数，基于灰色绝对关联度与灰色相对关联度计算出各预测特征第一时间段的序列与第二时间段同期序列间的灰色综合关联度；
[0076]
步骤s23、比较各预测特征第一时间段的序列与第二时间段同期序列间的灰色综合关联度大小，若大于0.6则判断对应的预测特征具有强关联性，将强关联性的预测特征对应的第二时间段同期序列作为辅助预测特征。
[0077]
步骤s3、提取所述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征，并基于所述预测特征和所述辅助预测特征构建多维编码序列；
[0078]
构建降噪自编码器对预测模型输入进行特征编码与重构，实现输入序列特征提取与降维；
[0079]
基于预先训练的降噪自编码器模型对述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征进行特征编码与重构，实现输入序列特征
提取与降维；由降噪自编码器编码部分输出特征提取后的多维编码序列；
[0080]
将多维编码序列代入降噪自编码器解码部分得到还原序列，比较还原序列与原始输入序列的精度验证降噪自编码器特征提取效果。
[0081]
作为优选的，所述降噪自编码器模型输入信息x经输入层后被编码为隐含层信息h，隐含层信息h经解码又重新被映射为输出信息y，具体表示如下：
[0082]
h＝η(w1x b1)
[0083]
y＝η(w2h b2)
[0084]
式中，w1与b1，w2与b2分别为编码器与解码器的权重参数与偏置参数矩阵；η为神经元间的激活函数；设置隐含层神经元数量小于其它两层，此时编码器起降维作用，隐含层信息即为提取到的输入信息低维特征；
[0085]
降噪自编码器模型在迭代中寻求输入信息x与输出信息误差y的最小化，通过最小化损失函数求解编码器与解码器参数并更新，其损失函数可以表征如下：
[0086]
j(w,b)＝∑||y,x||2[0087]
对原始输入信息x进行损坏，得到含噪信息z，将含噪信息z作为降噪自编码器模型的输入而以原始输入信号x作为输出层的学习目标，此时隐含层信息h与输出层信息y更新如下：
[0088]
h'＝η(w1z b1)
[0089]
y'＝η(w2h' b2)
[0090]
降噪自编码器模型的参数迭代过程同样以输出信息y与原始输入信息x的误差最小化为目标，其损失函数计算过程与自编码器相同。
[0091]
步骤s4、将所述多维编码序列输入至预先训练好的日线损率预测模型，以得到预测日的日线损率。
[0092]
在本实施例中，作为一种优选的实施方式，所述步骤s1前，还包括：
[0093]
步骤s1’、训练日线损率预测模型；
[0094]
具体的，在本实施例中，首先建立灰色综合关联度分析指标，挖掘日线损率影响因素近期量与其去年同期量间的相关性，选择去年同期量作为模型的输入变量辅助预测；然后以无监督的方式构建降噪自编码器模型对输入序列进行特征编码与重构，实现输入序列的特征提取与降维；最后将编码后的序列输入长短期记忆神经网络，经训练拟合得到日线损率预测模型，基于该日线损率预测模型实现预测日的日线损率预测；具体包括：
[0095]
步骤s11’、获取配电网各线路的线损率、售电量、气温等历史量测数据，具体包括：收集配电网各线路预测日前n个月的日线损率、日售电量与日均气温数据，这里n一般大于2；收集与前n个月近期数据相对应的前一年同月份数据；
[0096]
步骤s将历史数据样本划分为训练集样本、测试集样本，其中测试集样本量选取一般不超过总样本量的三分之一。训练集样本用于分析与模型训练，测试集样本用于模型预测效果验证；
[0097]
步骤s12’、基于灰色综合关联分析辅助选取预测模型输入量，将关联程度较高的影响因素去年同期量加入模型输入；
[0098]
计算历史日线损率、日售电量与日均气温等影响因素近期序列与去年同期序列间的灰色绝对关联度与灰色相对关联度大小；
[0099]
具体的，对于样本数为n的待分析序列g，其当前时期序列与去年同期序列分别表示为g0与g1。
[0100][0101]
求灰色绝对关联度所需的初始化像g'0与g
′1。
[0102][0103]
求灰色绝对关联度所需的初始化像g
″0与g
″1。
[0104][0105][0106]
计算灰色绝对关联度的几何因子s'0与s
′1。
[0107][0108]
计算灰色相对关联度的几何因子s
″0与s
″1。
[0109][0110]
得到去年同期序列与当前时期序列间的灰色绝对关联度与灰色相对关联度γ1与γ2。
[0111][0112]
设定加权系数，由灰色绝对关联度与灰色相对关联度计算出各影响因素近期序列与去年同期序列间的灰色综合关联度大小；
[0113]
比较各影响因素近期序列与去年同期序列间的灰色综合关联度大小，大于0.6视为具有强关联性，将强关联性因素对应的去年同期序列加入模型输入辅助预测。
[0114]
步骤s13’、构建降噪自编码器模型，设定模型层数与编码维度，设置模型的激活函数、损失函数、优化算法与输入序列所含的噪声幅度；
[0115]
具体的，根据降噪自编码器对日线损率预测模型的多维影响因素输入序列进行特性提取与降维，通过加入噪声提升特征提取效果的鲁棒性，具体包括：
[0116]
自编码器模型输入信息x经输入层后被编码为隐含层信息h，隐含层信息h经解码又重新被映射为输出信息y，具体表示如下：
[0117]
h＝η(w1x b1)
[0118]
y＝η(w2h b2)
[0119]
式中，w1与b1，w2与b2分别为编码器与解码器的权重参数与偏置参数矩阵。η为神经元间的激活函数，一般为selu等非线性函数。通常设置隐含层神经元数量小于其它两层，此时编码器起降维作用，隐含层信息即为提取到的输入信息低维特征。
[0120]
自编码器在迭代中寻求输入信息x与输出信息误差y的最小化，通过最小化损失函数求解编码器与解码器参数并更新，其损失函数可以表征如下：
[0121]
j(w,b)＝∑||y,x||2[0122]
降噪自编码器从自编码器的基础上发展而来。为了使自编码器能够学习到更具鲁棒性的隐层特征，通过人为地对原始输入信息x进行损坏，得到含噪信息z，将含噪信息z作为自编码器的输入而以原始输入信号x作为输出层的学习目标，此时隐含层信息h'与输出层信息y'更新如下：
[0123]
h'＝η(w1z b1)
[0124]
y'＝η(w2h' b2)
[0125]
降噪自编码器的参数迭代过程同样以输出信息y'与原始输入信息x的误差最小化为目标，其损失函数计算过程与自编码器相同。降噪自编码器被要求从含噪信息中重构原始信息，这需要编码部分能够学习输入信息的本质特征，从而实现输入降噪。
[0126]
代入训练集样本训练降噪自编码器模型，由降噪自编码器编码部分输出特征提取后的多维编码序列；
[0127]
将多维编码序列代入降噪自编码器解码部分得到还原序列，比较还原序列与原始输入序列的精度验证降噪自编码器特征提取效果。
[0128]
步骤s14’、构建长短期记忆神经网络，并将降噪自编码器编码后序列输入神经网络中进行训练，拟合得到日线损率预测；
[0129]
构建三层长短期记忆神经网络模型，在前两层神经网络加入dropout环节，防止网络因参数过多导致过拟合；
[0130]
根据长短期记忆网络神经元拟合输入的多维编码序列信息，得到日线损率预测模型，具体包括：
[0131]
长短期记忆网络神经元由一个记忆单元与三个控制门构成，神经元每一时刻输出量由当前时刻输入量x
t
、上一时刻输出量y
t
‑1和记忆单元存储信息c
t
‑1共同决定。这些信息经遗忘门f
t
，输入门i
t
运算后得到新的记忆单元存储信息c
t
，由记忆单元存储信息c
t
与输出门状态o
t
决定神经元输出量y
t
。其过程如下式所示：
[0132]
f
t
＝σ(w
fy
y
t
‑1 w
fx
x
t
w
fc
c
t
‑1 b
f
)
[0133]
i
t
＝σ(w
iy
y
t
‑1 w
ix
x
t
w
ic
c
t
‑1 b
i
)
[0134][0135]
c
t
＝c
t
‑1f
t
z
t
i
t
[0136]
o
t
＝σ(w
oy
y
t
‑1 w
ox
x
t
w
oc
c
t
b
o
)
[0137][0138]
其中，z
t
为记忆单元更新需要的中间信息，σ与分别表示sigmoid与tanh激活函数，w
fy
、w
fx
、w
fc
、w
iy
、w
ix
、w
ic
、w
zy
、w
zx
、w
oy
、w
ox
、w
oc
为网络权重参数矩阵，b
f
、b
i
、b
z
、b
o
为网络偏置参数矩阵。
[0139]
采用网格搜索方法获取长短期记忆神经网络最优参数，设置长短期记忆网络的神经元数，学习率等参数的搜索范围；
[0140]
将多维编码序列输入长短期记忆神经网络模型，经训练拟合得到日线损率预测模型；
[0141]
设置模型预测效果评估指标，以平均绝对百分误差mape与均方根误差rmse两种评价指标对日线损率预测结果进行评估。
[0142]
步骤s15’、基于所述测试样本集对所述预测模型进行验证。
[0143]
本实施例中，以输入测试样本，验证模型对未来14天的日线损率预测精度进行验证。
[0144]
获取测试样本集，输入步骤s43得到的配电线路日线损率预测模型，得到每日线损率预测结果。对结果进行逆归一化，得到实际预测线损率，逆归一化公式如下：
[0145]
x
i
＝(x
max
‑
x
min
)x
′
i
x
min
,i∈1,
…
,n
[0146]
依据步骤s44设置的预测效果评估指标，统计预测日线损率与测试样本实际日线损率的mape与rmse值，通过mape与rmse评价模型日线损率预测的绝对误差与相对误差大小。
[0147]
以下提供具体实施例对本发明实施例的技术方案作进一步实施解释说明：
[0148]
实施例数据源自以我国某地市20条10kv配电线路的日线损率、日售电量、日均气温实测数据。其中，将2019年7至10月共123天的时序数据作为分析及训练数据，以2019年11月1日至14日的时序数据作为测试集数据。原始数据如图2所示。具体实施例预测流程如下。
[0149]
s201、计算训练样本集中各线路日线损率、日售电量、日均气温近期序列与去年同期序列间的灰色绝对关联度与灰色相对关联度。取加权系数为0.5，计算得到各因素近期序列与去年同期序列间的灰色综合关联度。
[0150]
s202、统计出20条线路平均的灰色关联分析结果，如表1所示。从表1可知，日线损率、日均气温的当前数据与去年同期数据的综合灰色关联度分别为0.802与0.824，表明两者当前时期数据与去年同期数据间具有极强相关性；日售电量当前时期数据与去年同期数据的综合灰色关联度达0.736，仍属于强相关范围。因此考虑将日线损率、日售电量、日均气温的去年同期数据作为输入变量加至预测模型中，辅助日线损率预测。
[0151]
表1
[0152][0153]
s301、构建降噪自编码器模型对日线损率、日售电量、日均气温的当年数据及去年同期数据共6维序列进行降维与特征提取。设置降噪自编码器模型模型降维维度为4，输入
维度为6，输出维度为6，隐含层与输出层激活函数采用selu,优化算法采用adam算法，损失函数为mse。模型输入随机叠加均值为0的高斯噪声，并限制噪声幅值不超过输入值的10％。
[0154]
s302、6维输入序列经构建降噪自编码器编码后被压缩为4维特征序列，再经dae解码网络还原得到6维解码序列，以mape为指标计算20条线路解码序列与原始输入序列间的相对误差的平均值，验证dae模型多维日线损率影响因素序列特征提取的有效性，mape误差计算结果如表2所示。图3与图4分别展示了单条线路特征编码与解码结果。
[0155]
由20条线路的特征序列信息损失分析结果可知，6条序列中日线损率近期与去年同期序列损失信息极少，相对误差在1％以内；日售电量解码信息与原始信息相对误差介于1％
‑
2％，曲线基本贴合；日均气温解码信息与原始信息相对误差介于3％
‑
4％，出现局部信息损失，但仍在可接受范围。上述结果表明dae模型在提取原始序列特征，剔除冗余信息的同时有效保留了原始信息，为日线损率预测模型的输入提供可靠有效的低维样本。
[0156]
表2
[0157][0158]
s401、实验中每个长短期记忆网络设置为3层，前两层激活函数为tanh，最后一层输出层为selu，损失函数为均方误差mse，在前两层神经网络后加入dropout层防止模型过拟合，dropout系数设为10％。网络其余参数通过网格搜索确定，范围如表3所示。
[0159]
表3
[0160][0161]
s402、为验证本文选取的日线损率影响因素及其去年同期数据在日线损率预测中的作用，检验提出模型对日线损率的有效性与准确性，共设置了6组预测实验。其中，model1至model5为5组对照实验，model6采用提出的预测方法。实验使用输入数据及模型如表4所示。对照实验中涉及的支持向量机参数如表5所示。
[0162]
表4
[0163][0164][0165]
表5
[0166][0167]
s50、通过model1至model6预测模型学习训练，得到算例中20条配电线路在各模型下的日线损率预测值。统计20条线路的平均日线损率预测误差并记录各模型在相同处理器下的单核运算时间，结果如表6所示。由于预测对象及模型较多，以结果中的6条线路为例展示各模型日线损率预测效果，如图5所示。
[0168]
由表6可知，相比于未加入输入降维处理的model3，model4
‑
model6的日线损率预测误差均有所减小，表明冗余信息减少有助于增强模型学习能力，提升预测效果与泛化能力。在model4
‑
model6三组实验中，dae
‑
svm的预测误差稍优于pca
‑
lstm，而本文所提dae
‑
lstm的预测误差最小，mape与rmse分别为4.3324％与0.1991，由图5可知，所提方法的日线损率预测曲线与实际日线损率最为贴近，拟合效果最佳。
[0169]
表6
[0170][0171]
本发明实施例提供的配电网线路日线损率预测方法考虑线损率影响因素的近期数据与去年同期数据之间具有较强相关性，通过加入去年同期数据辅助日线损率预测，有效减小了模型预测偏差，提升了模型预测精度；通过降噪自编码器特征提取环节有效减少了模型输入数据中的冗余信息，降低了输入维度；所提出的日线损率预测模型能够有效学习原始输入变量中的多维时间序列，具有较高预测精度。所提方法利于准确把握配电线路线损率短期变化趋势，提升配电网线损精益化管理水平。
[0172]
本发明实施例还提供一种配电线路日线损率预测系统，基于上述各实施例中的配电线路日线损率预测方法，包括：
[0173]
采集模块，获取预测日前配电网的第一时间段的第一测量数据，以及第二时间段的第二测量数据；所述第二测量数据为所述第一测量数据前一年同一时间段的测量数据；所述第一测量数据和所述第二测量数据中均包括与配电网日线损率关联的预测特征，所述预测特征包括日线损率、日售电量和日均气温；
[0174]
特征提取模块，基于灰色相关度分析法确定所述第二测量数据和所述第一测量数据中灰色综合关联度大于预设关联性阈值的预测特征，以作为辅助预测特征；
[0175]
多维编码序列提取模块，提取所述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征，并基于所述预测特征和所述辅助预测特征构建多维编码序列；
[0176]
日线损率预测模型，将所述多维编码序列输入至预先训练好的日线损率预测模
型，以得到预测日的日线损率。
[0177]
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图6所示，该服务器可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述配电线路日线损率预测方法的步骤。例如包括：
[0178]
步骤s1、获取预测日前配电网的第一时间段的第一测量数据，以及第二时间段的第二测量数据；所述第二测量数据为所述第一测量数据前一年同一时间段的测量数据；所述第一测量数据和所述第二测量数据中均包括与配电网日线损率关联的预测特征，所述预测特征包括日线损率、日售电量和日均气温；
[0179]
步骤s2、基于灰色相关度分析法确定所述第二测量数据和所述第一测量数据中灰色综合关联度大于预设关联性阈值的预测特征，以作为辅助预测特征；
[0180]
步骤s3、提取所述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征，并基于所述预测特征和所述辅助预测特征构建多维编码序列；
[0181]
步骤s4、将所述多维编码序列输入至预先训练好的日线损率预测模型，以得到预测日的日线损率。
[0182]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0183]
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述配电线路日线损率预测方法的步骤。例如包括：
[0184]
步骤s1、获取预测日前配电网的第一时间段的第一测量数据，以及第二时间段的第二测量数据；所述第二测量数据为所述第一测量数据前一年同一时间段的测量数据；所述第一测量数据和所述第二测量数据中均包括与配电网日线损率关联的预测特征，所述预测特征包括日线损率、日售电量和日均气温；
[0185]
步骤s2、基于灰色相关度分析法确定所述第二测量数据和所述第一测量数据中灰色综合关联度大于预设关联性阈值的预测特征，以作为辅助预测特征；
[0186]
步骤s3、提取所述第一测量数据中的用于预测日线损率的预测特征和所述第二测量数据中的辅助预测特征，并基于所述预测特征和所述辅助预测特征构建多维编码序列；
[0187]
步骤s4、将所述多维编码序列输入至预先训练好的日线损率预测模型，以得到预测日的日线损率。
[0188]
基于相同的技术构思，本技术实施例还提供一种计算机程序，当该计算机程序被
主控设备执行时，用以实现上述方法实施例。
[0189]
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
[0190]
基于相同的技术构思，本技术实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
[0191]
综上所述，本发明实施例提供的一种配电线路日线损率预测方法和系统，本发明实施例的有益效果为：
[0192]
1、以日线损率、日售电量、日均气温等多种因素的时间序列数据为模型输入构建时间序列预测模型，相较传统静态的回归方法更能把握日线损率短期变化趋势；
[0193]
2、将影响因素的去年同期量作为辅助输入，增强了原始数据所含信息，为日线损率的准确预测提供数据基础；
[0194]
3、通过降噪自编码去除模型输入所含的冗余信息，特征提取得到的低维编码序列更易于模型学习；长短期记忆神经网络能记忆输入序列的时序规律，更适于时间序列预测场景；基于降噪自编码器与长短期记忆神经网络相结合的配电网日线损率预测模型能准确预测配电线路未来日线损率，相较传统模型预测精度更高。
[0195]
4、基于网格搜索在人为设定的参数范围内搜寻模型最优参数，通过耗费较少的模型训练次数换取模型性能提升，保障预测模型能发挥出最佳效果。
[0196]
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
[0197]
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本技术所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solid statedisk)等。
[0198]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：rom或随机存储记忆体ram、磁碟或者光盘等各种可存储程序代码的介质。
[0199]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。