配电自动化运行趋势预测方法及系统、终端、存储介质技术方案

本发明专利技术提供一种配电自动化运行趋势预测算法及终端、系统、存储介质，包括数据治理器、运行趋势预测器、运行趋势诊断器，所述数据治理器与运行趋势预测器连接，运行趋势预测器与运行趋势诊断器连接。采用基因表达式编程(GEP)对RBF神经网络进行参数优化，利用最优参数建立的GEP

【技术实现步骤摘要】
配电自动化运行趋势预测方法及系统、终端、存储介质


[0001]本专利技术属于电力领域的配电自动化智能运维
，具体地，涉及配电自动化运行趋势预测方法及系统、终端、存储介质。

技术介绍

[0002]随着全球信息化建设的不断推进，电力工业已成为必然趋势，智能电网逐步取代传统电网已成必然，未来以通信网、互联网、物联网为代表的通信手段与电力系统将会更加紧密的融合起来。智能配电网是智能电网的重要组成部分，也是整个电力系统与分散的用户直接相连的部分。智能配电运维管理系统旨在利用计算机技术、网络技术等将配电网数据和用户数据、电网结构和地理图形进行信息集成，实现配电系统正常运行及事故情况下的监测，以及对有可能发生的故障进行提前预警。
[0003]现有技术中，配电网信息展示较为简单，数据来源相对单一，可视化的实时程度不高。就信息化情况而言，传统配电管理工作的信息化程度并不高，主要手段依然是依靠人工，通过人工定时巡检等方式来进行，这种管理方式不仅耗时较长，实时性较低，同时也不可靠。其后果就是在电力设备出现故障等情况时，无法对故障点进行迅速准确的定位，直接影响了配电集群的安全性、可靠性和高效性；通常，配电系统中电力设备的种类较为多样，连接线路较为复杂，需要投入大量的人力物力才能实现对配电设备进行相对有效的管理，这种模式已经无法适应供电规模的迅速扩大与居民、企业日益增长的用电需求。
[0004]因此，在此背景下，开展配电自动化智能运维策略研究，针对海量的运行信息、缺陷信息及终端安全防护信息等数据，提出数据质量核查、数据自动清洗等数据治理工具及方法，提升数据可用性、可靠性；配网自动化运行趋势预测方法存在技术问题包括：(1)如何利用基因表达式编程对Transformer模型进行优化。(2)如何利用改进的密度峰值聚类模型对运行趋势进行判断。

技术实现思路

[0005]为解决现有技术中存在的不足，本专利技术提供一种配电自动化运行趋势预测方法及系统、终端、存储介质，在数据治理基础上，基于大数据和人工智能技术，提出配电自动化运行趋势预测方法，构建基于基因表达式编程优化的Transformer运行趋势预测模型，实现配电自动化状态实时预测，为智能化实时运维提供依据，提高了调控管理辅助决策能力的实时性与智能化水平。针对性解决电网自动化智能运维，提出配电自动化智能运维策略方向，迅速准确的预测配电实时运行状态，保证了电力系统运行和管理的高效与安全。
[0006]本专利技术采用如下的技术方案：
[0007]步骤1，采集配电自动化运行数据，对配电自动化运行数据中的不良数据进行替换和分割得到训练集和测试集。
[0008]所述步骤1中采集配电自动化的运行数据并对配电自动化运行数据中的不良数据进行的替换和分割包括：
[0009]步骤1.1，建立配电自动化运行数据仓库，采集配电自动化运行数据并存入到所述数据仓库中；
[0010]步骤1.2，对配电自动化运行数据仓库中采集到的配电自动化运行数据中的不良数据进行检测；
[0011]步骤1.3，选取配电自动化运行数据中的不良数据邻近一周的运行数据，基于距离加权算法，对不良数据进行替换和分割，得到替换后的配电自动化运行数据，即所述训练集和测试集；
[0012]步骤1.3.1，以如下关系式分别计算待替换的不良数据与邻近一周的运行数据的欧几里得距离：
[0013][0014]式中，
[0015]i代表邻近一周内的第i天
[0016]x代表待替换的不良数据，
[0017]y
i
代表待替换的不良数据邻近第i天的运行数据，
[0018]j代表第j个数据，
[0019]m代表数据的维度；
[0020]步骤1.3.2，按照欧式距离大小给对应的邻近一周的运行数据赋予权值，满足如下关系式：
[0021][0022]式中，
[0023]w
i
指的是第i天的权值，
[0024]d
i
是待替换的不良数据所在天与邻近一周内的第i天的欧几里得距离；
[0025]n表示选取的不良数据邻近数据的总天数
[0026]步骤1.3.3，运行数据替换值满足如下关系式：
[0027][0028]式中，
[0029]x
′
代表运行替换值，
[0030]y
i
代表待替换的不良数据邻近第i天的运行数据
[0031]w
i
指的是第i天的权值。
[0032]步骤2，基于Transformer算法建立的运行趋势预测模型，利用训练集输入运行趋势预测模型中进行训练；利用测试集基于基因表达式编程对训练好的运行趋势预测模型的head的个数λ进行优化，得到最优参数下的运行趋势预测模型。
[0033]基于Transformer算法建立的运行趋势预测模型包括：多层编码器，多层解码器；其中，多层编码器包括：输入层，自注意力机制层，前馈神经网络；多层解码器从上至下包括：前馈神经网络，编码
‑
解码多头注意力层，多头自注意力机制层。
[0034]输入层采用正弦函数和余弦函数进行位置编码，规则如下：
[0035][0036][0037]式中，
[0038]PE()代表位置编码positional encoding，
[0039]pos代表时间步，
[0040]f代表输入数据的维度编号，
[0041]d
model
代表输入数据的特征维度。
[0042]自注意力机制层中单头注意力机制的计算公式如下：
[0043]Q＝Linear
q
(X)＝XW
Q
[0044]K＝Linear
k
(X)＝XW
K
[0045]V＝Linear
v
(X)＝XW
v
[0046][0047]式中，
[0048]Q、K、V分别代表查询向量、键向量、值向量，
[0049]X代表输入矩阵，
[0050]Linear
q
(X)代表计算查询向量时对输入数据X进行线性变化，
[0051]Linear
k
(X)代表计算键向量时对输入数据X进行线性变化，
[0052]Linear
v
(X)代表计算值向量时对输入数据X进行线性变化，
[0053]W
Q
、W
K
、W
v
代表计算查询向量、键向量、值向量时对应的权重矩阵，SelfAttention()代表经过单头注意力机制后的输出，softmax()代表归一化指数函数，
[0054]d
k
代表键向量维度。
[0055]多头自注意力机制层中多头自注意力机制的计算公式如下：
[0056]MultiHead(Q,K,V)＝C本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种配电自动化运行趋势预测方法，其特征在于，所述方法包括：步骤1，采集配电自动化运行数据，对运行数据中的不良数据进行替换，并对处理后的运行数据进行分割得到训练集和测试集；步骤2，基于Transformer算法建立的运行趋势预测模型，利用训练集输入运行趋势预测模型中进行训练；利用测试集基于基因表达式编程对训练好的运行趋势预测模型的多头注意力机制中head的个数λ进行优化，得到最优参数下的运行趋势预测模型；步骤3，将实时采集的配电自动化运行数据输入最优参数下的运行趋势预测模型，得到实时的运行趋势预测值；步骤4，根据实时的运行趋势预测值，基于改进的密度峰值聚类算法来判断配电自动化运行趋势的正常与否，并进行预测预警。2.根据权利要求1所述的配电自动化运行趋势预测方法，其特征在于，步骤1包括：步骤1.1，建立配电自动化运行数据仓库，采集配电自动化运行数据并存入到所述数据仓库中；步骤1.2，对配电自动化运行数据仓库中采集到的配电自动化运行数据中的不良数据进行检测；步骤1.3，选取配电自动化运行数据中的不良数据邻近一周的运行数据，基于距离加权算法，对不良数据进行替换和分割，得到替换后的配电自动化运行数据，即所述训练集和测试集；步骤1.4，在Spark平台上部署基于Transformer的运行趋势预测模型，将替换后的配电自动化运行数据存储到计算机节点中，再分别输入到运行趋势预测模型训练。3.根据权利要求2所述的配电自动化运行趋势预测方法，其特征在于，步骤1.3包括：步骤1.3.1，以如下关系式分别计算待替换的不良数据与邻近一周的运行数据的欧几里得距离：式中，i代表邻近一周内的第i天x代表待替换的不良数据，y
i
代表待替换的不良数据邻近第i天的运行数据，j代表第j个数据，m代表数据的维度；步骤1.3.2，按照欧式距离大小给对应的邻近一周的运行数据赋予权值，满足如下关系式：
式中，w
i
指的是第i天的权值，d
i
是待替换的不良数据所在天与邻近一周内的第i天的欧几里得距离；步骤1.3.3，运行数据替换值满足如下关系式：式中，x
′
代表运行替换值，y
i
代表待替换的不良数据邻近第i天的运行数据，n代表选取的不良数据邻近总天数n，w
i
指的是第i天的权值。4.根据权利要求1所述的配电自动化运行趋势预测方法，其特征在于，基于Transformer算法建立的运行趋势预测模型包括：多层编码器，多层解码器；其中，多层编码器包括：输入层，自注意力机制层，前馈神经网络；多层解码器从上至下包括：前馈神经网络，编码
‑
解码多头注意力层，多头自注意力机制层。5.根据权利要求4所述的配电自动化运行趋势预测方法，其特征在于，输入层采用正弦函数和余弦函数进行位置编码，规则如下：输入层采用正弦函数和余弦函数进行位置编码，规则如下：式中，PE()代表位置编码positional encoding，pos代表时间步，f代表输入数据的维度编号，d
model
代表输入数据的特征维度。6.根据权利要求4所述的配电自动化运行趋势预测方法，其特征在于，自注意力机制层中单头注意力机制的计算公式如下：Q＝Linear
q
(X)＝XW
Q
K＝Linear
k
(X)＝XW
K
V＝Linear
v
(X)＝XW
v
式中，
Q、K、V分别代表查询向量、键向量、值向量，X代表输入矩阵，Linear
q
(X)代表计算查询向量时对输入数据X进行线性变化，Linear
k
(X)代表计算键向量时对输入数据X进行线性变化，Linear
v
(X)代表计算值向量时对输入数据X进行线性变化，W
Q
、W
K
、W
v
代表计算查询向量、键向量、值向量时对应的权重矩阵，SelfAttention()代表经过单头注意力机制后的输出，softmax()代表归一化指数函数，d
k
代表键向量维度。根据权利要求4所述的配电自动化运行趋势预测方法，其特征在于，多头自注意力机制层中多头自注意力机制的计算公式如下：MultiHead(Q,K,V)＝Concat(head1,...,head
λ
)W
o
式中，MultiHead()代表多头注意力机制的输出，head
h
代表多头注意力机制中的第h个注意力机制，Q、K、V分别代表查询向量、键向量、值向量，Concat()代表将γ个单头注意力机制运算后的多个输出拼接起来，SelfAttention()代表经过单头注意力机制后的输出，分别代表计算第h个查询向量时对应的权重矩阵，分别代表计算第h个键向量时对应的权重矩阵，分别代表计算第h个值向量时对应的权重矩阵，W0代表...

【专利技术属性】
技术研发人员：胡金峰，秦军，施雅媛，凌佳凯，戴健，苏磊，陈平，陈凯，花梦炜，刘志仁，方小宇，
申请(专利权)人：国网江苏省电力有限公司无锡供电分公司，
类型：发明
国别省市：