一种用于数字孪生电网的防过拟合电力预测方法与流程

1.本发明涉及用于数字孪生电网的网络资源调度自动化管理技术领域，尤其涉及一种用于数字孪生电网的防过拟合电力预测方法。


背景技术：

2.数字孪生电网是近年来提出的一种新的技术，其通过采集电力系统的全生命周期状态、全方位的信息数据，采取多尺度、多物理量、多空间、多学科交叉融合方法，构造电力系统的数字孪生体模型，利用数字孪生计算平台和服务平台，完成物理空间电力系统和虚拟空间电力系统的实时映射和交互，达到对真实与虚拟系统的实时完善及更新的目的，实现电力系统运行状态的实时捕捉、潜在风险实时监测和预测等功能，使电力系统以最佳方式运行。
3.电力系统孪生数据构建及管理是数字孪生电网的一种重要内容。电力企业在现有数据的基础上，利用数字孪生技术，融合大数据分析、人工智能、机器学习等技术手段，预测各地区的电力需求，在数字孪生电力网络中合理地对电力资源进行调度分配，优化电力“发、输、变、配、用”的过程，得到高效的电力资源调度分配方案，然后将其应用到实际的电力系统中，进而提高电力系统的整体运行管理成效，降低电力损耗，增加有效消费。
4.但是，目前预测常用的方法是基于现有的电网数据，设计并学习得到智能模型，然后利用该模型进行用电量预测，协助实现智能电能调度。但是，这些方法存在着传统机器学习方法的固有不足，主要表现在预测模型过拟合问题，即预测模型的准确性依赖于所采集数据，在此基础上产生的预测结果会有较大偏差。比如，在用电历史记录来看，某用户在某个时间段的用电量较高，以此为基础进行预测，模型很可能给出在未来的时间段，该用户会有较高的用电需求。在数据分布不发生变化的情况下，这种数据驱动的预测方法具有较好的预测效果，但是过于依赖历史数据可能存在预测过拟合问题，当历史数据出现偏差或发生数据分布变化时，预测结果将是不可靠的。比如，由于技术改造升级(如煤/油改电等)、新能源设备的推广等原因，该用户可能需要更多的用电需求，或者由于场地维修而暂时造成停工停产，造成该时间段内的用电量显著少于往年同时期，那么将这时间段的用电数据作为模型训练输入，极可能造成预测不准确，或者过拟合。如果将这些具有偏差或者对历史数据过拟合的模型用于数字孪生电力网络中电力资源调度分配优化，所得到的调度方案也必将是不合理的。因此，亟需设计一种用于数字孪生电网的防过拟合电力预测方法。
5.以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，也不必然会给出技术教导；在没有明确的证据表明上述内容在本专利申请的申请日之前已经公开的情况下，上述背景技术不应当用于评价本技术的新颖性和创造性。


技术实现要素：

6.为了克服现有技术存在的不足，本发明提供一种用于数字孪生电网的防过拟合电
力预测方法，具体技术方案如下：
7.一方面，提供了一种用于数字孪生电网的防过拟合电力预测方法，包括以下步骤：
8.以机器学习的方式对数字孪生电网的电力网络调度接受数据进行建立深度学习模型，并给出相应的模型输入数据(c,s,y)以及模型输出数据的定义，将所述数字孪生电网的电力网络调度接受数据分为非偏差输入数据和偏差输入数据，数字孪生电网的电力网络调度接受数据记作x，c为非偏差输入数据，s为偏差输入数据，c和s通过预定义的信息稳定性进行区分，y为电量需求实际值，为电量需求预测值；
9.在深度学习模型中，将所述数字孪生电网的电力网络调度接受数据输入变分自动编码器进行转换，以得到均值和方差数据，用得到的均值和方差构建模拟高斯分布，从高斯分布中随机采样以得到表征特征，记作z，将表征特征划分为两部分，分别记作zb部分和z
p
部分，利用z去拟合数字孪生电网的电力网络调度接受数据，利用zb部分数据去拟合偏差输入数据，通过生成对抗网络进行训练，从而提升zb部分和z
p
部分的独立性，将训练后输出的z
p
部分作为已去除偏差数据的特征，以输入回归网络，进而得到电量需求预测值，对得到的电量需求预测值进行考察以判断是否满足预设要求，若不满足预设要求，则需进一步优化所述深度学习模型，直至满足预设要求。
10.进一步地，所述考察包括预测准确率考察和去偏差程度考察，其中，所述预测准确率考察利用以下公式进行，
[0011][0012]
式中，a为预测准确率，yi是数字孪生电网中的调度自动化系统给出的对应区域i的电力需求实际值，是所述深度学习模型给出的对应区域i的电力需求预测值,为电力需求实际值的平均值,n为区域总数；
[0013]
所述去偏差程度考察利用以下公式进行，
[0014][0015]
式中，δeo为去偏差程度，tp
s＝i
是在i类数据上的预测为偏差数据实际也为偏差数据的数量；fn
s＝i
是在i类数据上的预测为偏差数据实际为非偏差数据的数量；tp
s＝j
是在j类数据上的预测为偏差数据实际也为偏差数据的数量；fn
s＝j
是在j类数据上的预测为偏差数据实际为非偏差数据的数量。
[0016]
进一步地，所述变分自动编码器包括均值编码器和方差编码器，所述均值编码器和方差编码器均定义2层神经网络，均用elu函数作为层间激活函数，均用tanh函数作为尾层激活函数，
[0017]
其中，所述均值编码器对应的转换公式如下：
[0018]
u＝tanh(w
u2
×
elu(w
u1
×
x))
[0019]
所述方差编码器对应的转换公式如下：
[0020]
v＝tanh(w
v2
×
elu(w
v1
×
x))
[0021]
式中，u，v分别表示数据的均值和方差，w
*i
表示处理*的第i个网络层权重，其中b
*i
表示处理*的第i个网络层的偏移量，*为u或v。
[0022]
进一步地，利用z去拟合数字孪生电网的电力网络调度接受数据，其对应的拟合公式如下：
[0023][0024]
利用zb部分数据去拟合偏差输入数据，其对应的拟合公式如下：
[0025][0026]
式中，为拟合后的数字孪生电网的电力网络调度接受数据，为拟合后的偏差输入数据，w
*i
表示处理*的第i个网络层权重，*为x或a。
[0027]
进一步地，利用z去拟合数字孪生电网的电力网络调度接受数据对应至一个输出无偏差输入信息还原的神经网络，所述输出无偏差输入信息还原的神经网络的损失函数计算如下：
[0028][0029]
利用zb部分数据去拟合偏差输入数据对应至一个输出偏差输入信息还原的神经网络，所述输出偏差输入信息还原的神经网络损失函数计算如下：
[0030][0031]
使得zb部分和z
p
部分之间互相独立的损失函数计算如下：
[0032][0033]
式中，p(x|z)是解码分布，q(z|x)是编码分布，p(z)是表征特征先验，p(s|zb)是偏差信息解码分布，z
bk
是第k个预测偏差输入表征维度；
[0034]
通过以上三个损失函数，以得出训练表征时总体的损失函数为：
[0035]
loss＝loss
vae
lossb α
×
lossz[0036]
式中，α为控制表征消除偏差信息程度的参数。
[0037]
进一步地，若预测准确率满足要求而去偏差程度不满足要求，则需调低α数值再次进行学习优化；若去偏差程度满足要求而预测准确率不满足要求，则需调高α再次进行学习优化，其中，α取值范围为[0,1]。
[0038]
进一步地，所述回归网络记作f，其对应的损失函数如下：
[0039][0040]
其中，是回归阈值。
[0041]
进一步地，所述非偏差输入数据包括地区gdp、地区常住人口数量、地区用户数量、地区电力设备数量、地区输电线长度、地区输电线类型、历史用电需求量；所述偏差输入数据为潜在历史偏差输入信息，它包括定义的明确偏差数据，如用电有关的特殊时期的特定信息，比如新建工业园，拆迁工厂，新能源补贴等。
[0042]
又一方面，提供了一种计算机设备，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计算机程序时实现所述用于数字孪生电网的防过拟合电力预测方法。
[0043]
再一方面，提供了一种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任一项所述的用于数字孪生电网的防过拟合电力预测方法。
[0044]
与现有技术相比，本发明具有下列优点：基于变分自动编码器和生成对抗网络对训练数据进行鲁棒性表征，减少模型的过拟合，降低历史数据偏差给模型带来的影响，以提高预测的环境适应性。
附图说明
[0045]
图1是本发明实施例提供的用于数字孪生电网的防过拟合电力预测方法中变分自动编码数据处理过程示意图；
[0046]
图2是本发明实施例提供的用于数字孪生电网的防过拟合电力预测方法中整体训练流程图；
[0047]
图3是本发明实施例提供的用于数字孪生电网的防过拟合电力预测方法去偏差信息方法流程图。
具体实施方式
[0048]
为了使本技术领域的人员更好地理解本发明方案，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，所描述的实施例仅仅是本发明一部分的实施例，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做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
[0049]
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含。
[0050]
为了解决背景技术中的问题，本发明对训练数据进行鲁棒性表征，减少模型的过拟合，降低历史数据偏差给模型带来的影响。深度学习是用多层神经网络进行数据拟合、预测和分析的机器学习方法，表征学习是深度学习中编码特征的数据处理方法，通过转换数据的映射空间，挖掘出数据的潜在信息。当前数字孪生电网中的调度自动化系统运用的智能化方法，忽略了历史数据中不稳定因素对模型造成的过拟合影响。而变分自动编码器是一种无监督的数据生成模型，它能编码输入的数据到表征空间，再从表征空间还原数据。编码过程不仅对数据进行了加密，能够获得列之间更加独立的表征特征。表征特征基本包含了原始数据的全部信息，包括数字孪生电网的电力网络系统调度所需的信息，以及一些标识地区的信息。而要实现降低过拟合的影响，高效的用于数字孪生电网的电力资源调度，就必须将模型训练的数据中的偏差信息给去除。
[0051]
在本发明的一个实施例中，提供了一种用于数字孪生电网的防过拟合电力预测方法，包括以下步骤：
[0052]
步骤一、数学建模
[0053]
以机器学习的方式对数字孪生电网的电力网络调度接受数据进行建立深度学习模型，并给出相应的模型输入数据(c,s,y)以及模型输出数据的定义，将所述数字孪生电
网的电力网络调度接受数据分为非偏差输入数据和偏差输入数据，数字孪生电网的电力网络调度接受数据记作x，c为非偏差输入数据，s为偏差输入数据，c和s通过预定义的信息稳定性进行区分，y为电量需求实际值，为电量需求预测值；
[0054]
其中，可以以年度合同电量的制定与执行为例，给出相应的模型输入数据；
[0055]
非偏差输入信息c：用于电力需求预测的输入数据，它主要包括一些正确的历史地区电力相关信息，如地区gdp、地区常住人口数量、地区用户数量、地区电力设备数量、地区输电线长度、地区输电线类型、历史用电需求量等；
[0056]
偏差输入信息s：用于电力需求预测的输入数据，属于潜在历史偏差输入信息；它包括定义的明确偏差数据，如用电有关的特殊时期的特定信息，比如新建工业园，拆迁工厂，新能源补贴等等；
[0057]
电量需求实际值y：数字孪生电网中的调度自动化系统给出的电力需求实际值，即现实中地区的实际用电量；
[0058]
电量需求预测值预测回归值，表示依据输入信息，数字孪生电网中的电网调度自动化系统应当给改地区分配的资源值。
[0059]
步骤二、模型网络搭建
[0060]
在深度学习模型中，参见图1和图2，将z输入变分自动编码器进行转换，以得到均值和方差数据，用得到的均值和方差构建模拟高斯分布，从高斯分布中随机采样以得到表征特征，记作z，将表征特征划分为两部分，分别记作zb部分和z
p
部分，利用z去拟合数字孪生电网的电力网络调度接受数据，利用zb部分数据去拟合偏差输入数据，通过生成对抗网络进行训练，从而提升zb部分和z
p
部分的独立性。
[0061]
具体地，使用变分自动编码器和生成对抗网络对数据特征表示进行去偏差信息化处理，首先搭建自动编码器模型，公式(1)-(3)描述了数据通过变分自动编码器的转换流程。变分自动编码器由均值编码器和方差编码器组成，这两个编码器都定义2层神经网络，用elu函数作为层间激活函数，用tanh函数作为尾层激活函数，用预测得到的均值和方差构建模拟分布，最终表征特征从分布中随机采样而来。
[0062]
将得到的表征z划分为zb部分和z
p
部分，用[zb z
p
]拟合原始数据，用zb去拟合偏差输入数据,公式(4)-(6)描述了这一对抗学习过程。最后提升zb和z
p
的独立性。最终输出z
p
作为已去除潜在偏差的编码特征。
[0063]
u＝tanh(w
u2
×
elu(w
u1
×
x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0064]
v＝tanh(w
v2
×
elu(w
v1
×
x))
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)
[0065][0066]
zb,z
p
＝split(z)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0067][0068][0069]
式中，u，v分别表示数据的均值和方差，为拟合后的数字孪生电网的电力网络调度接受数据，为拟合后的偏差输入数据，w
*i
表示处理*的第i个网络层权重，*为u、v、x、a，表示从参数为u，v的正态分布中采样。以上操作是为了偏差表征，将变分自动编码器和对抗网络一起作为表征模型，因此表征模型整体包括如下几个子网络：输出
数据均值的神经网络，输出数据方差的神经网络，输出无偏差输入信息还原的神经网络和输出偏差输入信息还原的神经网络。
[0070]
步骤三、模型优化
[0071]
将最终输出的z
p
部分作为已去除偏差输入的编码特征以输入回归网络，进而得到电量需求预测值，对得到的电量需求预测值进行考察以判断是否满足预设要求，若不满足预设要求，则需进一步优化所述深度学习模型，直至满足预设要求。
[0072]
具体地，模型优化包括以下内容：
[0073]
在变分自动编码器中，每一列特征都从自己独特的预测均值和方差产生的高斯分布中采样而来，通过约束生成的高斯分布与标准高斯分布的关系，使得表征特征之间更加独立。
[0074]
利用z去拟合数字孪生电网的电力网络调度接受数据对应至一个输出无偏差输入信息还原的神经网络，通过一个简单的均方误差损失函数，约束表征中的信息携带；所述输出无偏差输入信息还原的神经网络的损失函数计算如下：
[0075][0076]
利用z
p
部分数据去拟合偏差输入数据对应至一个输出偏差输入信息还原的神经网络，通过一个简单的均方误差损失函数，约束表征中z
p
部分的信息携带；所述输出偏差输入信息还原的神经网络损失函数计算如下：
[0077][0078]
使得zb部分和z
p
部分之间互相独立的损失函数计算如下：
[0079][0080]
式中,p(x|z)是解码分布，q(z|x)是编码分布，p(z)是表征特征先验，p(s|zb)是偏差信息解码分布，z
bk
是第k个预测偏差输入表征维度,z,z
p
,zb之间的关系是z＝[z
p
,zb]；
[0081]
通过以上三个损失函数，以得出训练表征时总体的损失函数为：
[0082]
loss＝loss
vae
lossb α
×
lossz[0083]
式中，α为控制表征消除偏差信息程度的参数，α取值范围为[0,1]。α越大，说明对抗过拟合的优化更深，表征如果提升了抗过拟合性，那么其包含的完整历史信息将减少，因此选择一个适当的α作为优化平衡参数也是非常重要的。
[0084]
通过最终得到的表征z
p
，利用一个朴素的回归网络f输出高效的资源分配值，即电量需求预测值，回归网络f对应的损失函数如下：
[0085][0086]
其中，是回归阈值。
[0087]
对得到的电量需求预测值进行考察以判断是否满足预设要求，所述考察包括预测准确率考察和去偏差程度考察，其中，所述预测准确率考察利用以下公式进行，
[0088]
[0089]
式中，a为预测准确率，yi是数字孪生电网中的调度自动化系统给出的对应区域i的电力需求实际值，是所述深度学习模型给出的对应区域i的电力需求预测值,为电力需求实际值的平均值,n为区域总数；预测准确率a通过对回归值归一化，给出合理的模型准确率评估数据，其值在0和1之间，越大则准确性越好
[0090]
所述去偏差程度考察利用以下公式进行，
[0091][0092]
通过一个朴素的分类器，对待检测数据进行分类，判断其数据是否是偏差数据,将数据平均地发散到k个批次中，i是第i个批次。式中，δeo为去偏差程度，δeo的值越大，说明信息去偏差越好,tp
s＝i
是在i类数据上的预测为偏差数据实际也为偏差数据的数量；fn
s＝i
是在i类数据上的预测为偏差数据实际为非偏差数据的数量；tp
s＝j
是在j类数据上的预测为偏差数据实际也为偏差数据的数量；fn
s＝j
是在j类数据上的预测为偏差数据实际为非偏差数据的数量。
[0093]
若预测准确率满足要求而去偏差程度不满足要求，则需调低α数值再次进行学习优化；若去偏差程度满足要求而预测准确率不满足要求，则需调高α再次进行学习优化，通过不断的调整优化，直到同时满足预测准确率要求和去偏差程度要求。
[0094]
本发明实施例中，步骤一主要工作是对数字孪生电网的电力预测过拟合问题进行数学建模；步骤二主要工作是搭建模型的各个网络框架，表征的输出是依靠变分自动编码器实现的，表征的信息分离是靠强化不同部分之间的独立性实现的，表征的信息保留是靠解码网络实现的；步骤三主要工作是将不同的神经网络用各自的优化目标进行优化迭代。在本发明的一个优选实施例中，参见图3，数学建模后进行网络模块初始化，然后对表征模型进行训练，即对变分自动编码器和对抗网络进行训练，通过调整设置α以达到预期屏蔽信息能力，然后进一步训练回归模型，通过调整设置α并训练表征模型，以使得回归模型满足预期评定误差，以最终输出表征模型和回归模型，将模型输入数据依次经过表征模型和回归模型以得到电量需求预测值。
[0095]
本实施例提供的用于数字孪生电网的防过拟合电力预测方法采用深度学习中数据表征的方法来加工待调入区域的数据特征，基于变分自动编码器和生成对抗网络对数据进行高效表征，以深度学习模型的策略对电力资源进行调度，替代之前过于关注配电效率的调度自动化系统，防止数字孪生电网的电网调度模型的过拟合。
[0096]
本发明提供的用于数字孪生电网的防过拟合电力预测方法对输入特征有差提取，去掉妨碍预测能力的偏差数据，用变分自动编码器和生成对抗网络降低预测用电量和偏差数据之间的相关性；利用表征学习的手段对电力网络调度接受数据进行去偏差数据，实现对合同电量的合理的预测，促进调度自动化系统的运作高效。
[0097]
本发明实施例还提供了一种计算机设备，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计算机程序时实现上述的用于数字孪生电网的防过拟合电力预测方法。本设备实施例的思想与上述实施例中检测方法的工作过程属于同一思想，通过全文引用的方式将上述检测方法实施例的全部内容并入本设备实施例，不再赘述。
[0098]
本发明实施例还提供了一种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上述的用于数字孪生电网的防过拟合电力预测方法。本存储介质实施例的思想与上述实施例中检测方法的工作过程属于同一思想，通过全文引用的方式将上述检测方法实施例的全部内容并入本存储介质实施例，不再赘述。
[0099]
本发明提供的用于数字孪生电网的防过拟合电力预测方法基于变分自动编码器和生成对抗网络对数据进行鲁棒性表征，以深度学习模型的策略对电力资源进行调度，替代之前过于关注历史数据的调度自动化系统。
[0100]
以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。