配电网投资需求预测方法、装置、终端设备及介质与流程

1.本发明涉及人工智能及需求预测技术领域，尤其涉及一种配电网投资需求预测方法、装置、终端设备及介质。


背景技术：

2.精准的投资需求预测是支撑配电网投资决策重要环节之一，能够有效提升电网企业投资效益和效率水平。然而，现有的投资需求主要依赖于政策影响和人工规划，由于缺乏预测模型或算法的科学支撑，往往导致投资需求预测精度不足，最终出现重投入、轻收益以及超规模投资等现象，从而影响配电网投资效益水平的较好实现。


技术实现要素：

3.本发明的目的在于提供一种配电网投资需求预测方法、装置、终端设备及介质，以解决现有技术中配电网投资需求预测方法由于缺乏科学指导，导致需求预测结果的精度低、进而影响配电网投资效益水平的问题。
4.为实现上述目的，本发明提供一种配电网投资需求预测方法，包括：
5.确定影响配电网投资需求的第一因素；
6.利用关联度算法对所述第一因素进行筛选，得到第二因素；
7.从配电网中获取关于所述第二因素的历史数据，作为训练样本；
8.构建初始神经网络模型，利用所述训练样本对所述初始神经网络模型进行训练，生成目标预测模型；
9.利用目标预测模型进行配电网投资需求预测。
10.作为优选地，利用鱼骨图模型确定影响配电网投资需求的第一因素。
11.作为优选地，所述第一因素包括内因和外因；
12.所述内因包括供电可靠率、线路负载率、线损率、设备利用率、电压等级及供电能力及电压合格率；
13.所述外因包括电源分布、电源结构、负荷特性、负荷分布、人均用电量、电力需求密度、人均gdp、经济结构、城市化率及人口总量及供电面积。
14.作为优选地，利用灰色斜率关联度算法对所述第一因素进行筛选，得到所述第二因素。
15.作为优选地，所述第二因素包括所述人均gdp、所述人均用电量、所述电力需求密度、所述线路负载率及所述供电可靠率。
16.作为优选地，所述初始神经网络模型为支持向量机模型。
17.本发明还提供一种配电网投资需求预测装置，包括：
18.第一因素确定单元，用于确定影响配电网投资需求的第一因素；
19.第二因素确定单元，用于利用关联度算法对所述第一因素进行筛选，得到第二因素；
20.训练样本获取单元，用于从配电网中获取关于所述第二因素的历史数据，作为训练样本；
21.模型构建单元，用于构建初始神经网络模型，利用所述训练样本对所述初始神经网络模型进行训练，生成目标预测模型；
22.预测单元，用于利用目标预测模型进行配电网投资需求预测。
23.作为优选地，所述第一因素确定单元，还用于利用鱼骨图模型确定影响配电网投资需求的第一因素。
24.本发明还提供一种终端设备，包括：
25.一个或多个处理器；
26.存储器，与所述处理器耦接，用于存储一个或多个程序；
27.当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的配电网投资需求预测方法。
28.本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的配电网投资需求预测方法。
29.相对于现有技术，本发明的有益效果在于：
30.本发明公开了一种配电网投资需求预测方法、装置、终端设备及介质，该方法包括：确定影响配电网投资需求的第一因素；利用关联度算法对第一因素进行筛选，得到第二因素；从配电网中获取关于第二因素的历史数据，作为训练样本；构建初始神经网络模型，利用训练样本对初始神经网络模型进行训练，生成目标预测模型；利用目标预测模型进行配电网投资需求预测。
31.本发明提供的配电网投资需求预测方法，通过利用影响配电网投资需求的关键因素来获取训练样本，以对初始神经网络模型进行训练，并将最终生成的目标预测模型用于配电网投资需求预测。本发明能够为配电网投资需求提供科学指导，以提高投资需求预测结果的精确度，进而提高配电网投资效益水平。
附图说明
32.为了更清楚地说明本发明的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。
33.图1是本发明某一实施例提供的配电网投资需求预测方法的流程示意图；
34.图2是本发明某一实施例提供的鱼骨图模型的结构示意图；
35.图3是本发明某一实施例提供的支持向量机模型中最优超平面的结构示意图；
36.图4是本发明某一实施例提供的支持向量机模型的结构示意图；
37.图5是本发明某一实施例提供的配电网投资需求预测装置的结构示意图；
38.图6是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
39.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。
40.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
41.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
42.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
43.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
44.请参阅图1，本发明某一实施例提供一种配电网投资需求预测方法。如图1所示，该配电网投资需求预测方法包括步骤s10至步骤s50。各步骤具体如下：
45.s10、确定影响配电网投资需求的第一因素。
46.本步骤中，首先确定出影响配电网投资需求的第一因素。具体地，此处的配电网主要为中低压配电网。需要说明的是，中低压配电网主要为本发明实施例的一个优选方式，在实际应用中可以选择其他类型的配电网进行投资需求预测，在此不作任何限定。
47.在一可选实施例中，为了更有使得各个第一因素之前的层次分明、条理更加清晰，优先采用鱼骨图模型确定第一因素。
48.需要说明的是，鱼骨图的基本原理为：从被分析对象的结构、流程等方面提取因素，然后将各因素按照因素之间的关联性绘制成层次分明、条理清晰的图形。因为图形看起来像鱼骨一样，所以被称为鱼骨图。鱼骨图模型是一种定性的研究方法，在管理学、技术经济分析等领域被广泛应用。在实际操作时，一般将因素分为大要因、中要因、小要因三个层次。鱼骨图的应用分为两个步骤，一是分析因素，二是绘制鱼骨图。其中，鱼骨图模型的结构示意图如图2所示。
49.具体地，利用鱼骨图模型去识别影响配电网投资需求的具体应用步骤如下：
50.1)分析因素：
51.1.1)针对研究对象，选择分类方式，即大要因。
52.1.2)运用头脑风暴法、德尔菲法等分别找出各类中所有可能的因素。
53.1.3)将因素进行整理，明确各因素的属性。
54.1.4)将因素进行简洁地描述。
55.2)绘制鱼骨图：
56.目前很多专门的软件都可以用来绘制鱼骨图，如visio、xmind等。在word和excel中也可以绘制简单的鱼骨图。具体地，绘制方法如下：
57.2.1)将要研究的问题标识在鱼头上。
58.2.2)画出大骨，填写大要因。
59.2.3)在大骨上延伸出中骨、小骨，分别填写中要因、小要因。
60.2.4)对特殊因素进行简要说明，重要因素要用特殊符号标明。
61.需要说明的是，在执行步骤2.4)时，要秉承因素越多越好的原则，然后再对其进行
精简。在绘制时，大要因一般与水平线的夹角为60
°
，中要因一般保持水平，小要因依据整体图形的清晰和美观度保持水平或呈60
°
，以便于观察和记录。
62.在一具体实施方式中，所述第一因素包括内因和外因；
63.所述内因包括供电可靠率、线路负载率、线损率、设备利用率、电压等级及供电能力及电压合格率；
64.所述外因包括电源分布、电源结构、负荷特性、负荷分布、人均用电量、电力需求密度、人均gdp、经济结构、城市化率及人口总量及供电面积。
65.s20、利用关联度算法对所述第一因素进行筛选，得到第二因素。
66.由于在步骤s10中确定的第一因素中，对配电网投资需求影响的程度并非等同，存在着较多影响程度较小的因素，进而导致参数类型冗余。因此在本步骤中，主要通过关联度算法对第一因素进行筛选，以获得对配电网投资需求影响程度较大的关键因素。
67.在一具体实施方式中，利用灰色斜率关联度算法对所述第一因素进行筛选，得到所述第二因素。
68.需要说明的是，灰色斜率关联度算法是最常用的关联度算法之一，它的基本思想是根据两个数据序列曲线之间相对变化率的差值来将原始数据序列记为：斜率关联度基于离散的数据序列。可以理解的是，关联度越大，说明两个数据序列在相应时间段上的斜率越相近；关联度越小，则说明两个数据序列在相应的时间段上的斜率差异越大。具体地，斜率关联度算法计算步骤如下：
69.记原始数据序列为x
i
＝(x
i
(1),x
i
(2),...,x
i
(n)),(i＝0,1,2,...,m)，则斜率关联度r
0i
的计算公式为：
[0070][0071]
式中，n表示原始数据的个数，m表示第m个原始数据。
[0072]
其中，ζ(k)的计算公式如下：
[0073][0074]
其中，δx
i
(k)＝x
i
(k+1)
‑
x
i
(k),i＝0,1,2,...,m；k＝1,2,...,n
‑
1。
[0075]
通过步骤s20计算出斜率关联度r
0i
，然后将斜率关联度较大的第一因素筛选出来作为第二因素。具体地，第二因素包括人均gdp、人均用电量、电力需求密度、线路负载率及供电可靠率。
[0076]
s30、从配电网中获取关于所述第二因素的历史数据，作为训练样本。
[0077]
本步骤中，主要选择与第二因素对应的历史数据，然后用于下一步的模型训练。
[0078]
s40、构建初始神经网络模型，利用所述训练样本对所述初始神经网络模型进行训练，生成目标预测模型；
[0079]
在一具体实施方式中，本实施例中的初始神经网络模型优选为支持向量机模型。
[0080]
需要说明的是，支持向量机求解非线性函数优化的原理是通过把非线性映射到高维空间中，对高维特征空间进行线性规划求解。因此本实施例中首先要构造一个决策函数(分类超平面)，将样本数据进行分类。分类超平面能够在保证分类精度的同时，使超平面两
侧的空白区域最大化，使得实现对线性可分问题的最优分类。线性可分指的是用一条或几条直线把属于不同类别的样本点分开。
[0081]
具体地，根据训练样本确定样本集{(x
i
,y
i
),i＝1,2,
…
,l}，其中x
i
∈r
n
，y
i
∈{+1,
‑
1}。若存在分类超平面wx+b＝0，并满足约束条件：y
i
(wx+b)
‑
1≥0,i＝1,2,
…
,l，则称训练集是线性可分的。其中w为权值向量，x为输入向量，b∈r为偏置。
[0082]
其中，用p表示超平面与最近的样本之间的距离，支持向量机的目的就是找到一个分离边缘最大的超平面，以作为最优超平面(optimalhyperplane)。其中，最优超平面的结构示意图如图3所示。
[0083]
进一步地，由于要确定p最大时的w、b，先以p最大为目标构建预测函数。其中该预测函数具有的推广能力强，能够使得预测结果对原有样本的分类错误率最小。具体地，该预测函数的表达式为：
[0084]
y＝f(x)＝sgn(wx+b)
[0085]
式中，sgn(
·
)为符号函数。
[0086]
其中，样本空间任意一点到最优超平面的距离为：
[0087][0088]
对上式进行化简，得到：
[0089]
g(x)＝r||w0||＝w0x+b0[0090]
然后将该函数g(x)进行归一化处理，使得|g(x0)|＝1，既能够得到支持向量，使其离分类决策面最近。
[0091]
进一步地，支持向量到最优超平面的代数距离为：
[0092][0093]
此时，可认为分离边缘最大化等价于使权值向量的范数||w||最小化，也即使得||w||最小的分类超平面就是最优超平面。
[0094]
为了使得||w||最小化，在某一个具体实施例中，引入分类机。需要说明的是，分类机是将最大间隔法求解最优分类面的最优化问题转化为其对偶问题，从而通过求解相对简单的对偶问题来求解原分类问题的算法。本实施例中，优先采用lagrange优化方法及wofle对偶理论，将上述||w||最小化问题转化为其对偶问题，即得到最大化泛函数：
[0095][0096][0097]
式中，α
i
为样本i对应的lagrange乘子。
[0098]
为求解最大化泛函数，进一步地，确定最优分类函数：
[0099]
[0100]
式中，nsv为支持向量个数，b'是分类阈值，可用两类中任意一对支持向量取中值求得。
[0101]
需要说明的是，此处通过引入松驰项ξ
i
对最优分类函数进行处理，可实现广义分类面，解决训练样本线性不可分的情况，即折衷考虑最小错分样本和最大分类间隔。对于非线性问题，可通过非线性变换将其转化为某个高维空间中的线性问题，然后在这个高维空间中寻求最优分类面。仅有样本间的内积运算(x
i
·
x
j
)被涉及，因此在高维空间中只需进行内积运算，而内积运算可通过原空间中的函数实现。根据hilbert
‑
schmidt原理，只要核函数k(x
i
·
x
j
)满足mercer条件，它就对应某一交换空间中的内积。因此，采用满足mercer条件的核函数k(x
i
·
x
j
)代替式中的内积，就可实现某种非线性变换后的线性分类，则最优分类函数转化为：
[0102][0103]
因此，svm就是通过某种事先选择的非线性映射，将输入向量映射到一个高维特征空间，在这个特征空间中构造最优分类超平面。在形式上，svm分类函数类似于神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量，如图4所示。神经网络的中间节点数要靠经验或对比实验进行选取，逻辑的不同会对网络性能产生很大影响；而svm的中间节点数由计算自动确定。通过引入不敏感损失函数，将svm分类理论中得到的结果推广，使其可用于函数拟合，有了这种推广，svm方法成为高维空间中函数表达的一般方法，它可以用于各种函数估计问题，包括密度估计问题和求解线性算子方程问题。
[0104]
具体地，对转化后的分类函数引入松驰变量ξ
i
和构造如下优化问题：
[0105][0106][0107]
式中，常数c是惩罚系数。
[0108]
因此可得到其对偶的优化问题为：
[0109][0110][0111]
式中，是lagrange乘子。
[0112]
进一步地，为求解此问题，得到最优的lagrange乘子构建拟合函数：
[0113][0114]
然后，通过训练样本对拟合函数进行训练至满足预设条件，以确定b的大小，最终得到目标预测模型。其中，预设条件为根据训练场景需要自行设置，例如训练1000次，在此不作进一步赘述。
[0115]
s50、利用目标预测模型进行配电网投资需求预测。
[0116]
最后，根据步骤s40生成的目标预测模型进行配电网投资需求预测。
[0117]
本发明实施例提供的配电网投资需求预测方法，通过利用影响配电网投资需求的关键因素来获取训练样本，以对初始神经网络模型进行训练，并将最终生成的目标预测模型用于配电网投资需求预测。本发明实施例能够为配电网投资需求提供科学指导，以提高投资需求预测结果的精确度，进而提高配电网投资效益水平。
[0118]
请参阅图5，本发明某一实施例还提供一种配电网投资需求预测装置，包括：
[0119]
第一因素确定单元01，用于确定影响配电网投资需求的第一因素；
[0120]
第二因素确定单元02，用于利用关联度算法对所述第一因素进行筛选，得到第二因素；
[0121]
训练样本获取单元03，用于从配电网中获取关于所述第二因素的历史数据，作为训练样本；
[0122]
模型构建单元04，用于构建初始神经网络模型，利用所述训练样本对所述初始神经网络模型进行训练，生成目标预测模型；
[0123]
预测单元05，用于利用目标预测模型进行配电网投资需求预测。
[0124]
在某一实施例中，第一因素确定单元01，还用于利用鱼骨图模型确定影响配电网投资需求的第一因素。
[0125]
本发明实施例提供的配电网投资需求预测装置用于执行如上述任一项实施例所提供的配电网投资需求预测方法，本发明实施例通过利用影响配电网投资需求的关键因素来获取训练样本，以对初始神经网络模型进行训练，并将最终生成的目标预测模型用于配电网投资需求预测。本发明实施例能够为配电网投资需求提供科学指导，以提高投资需求预测结果的精确度，进而提高配电网投资效益水平。
[0126]
请参阅图6，本发明某一实施例还提供一种终端设备，包括：
[0127]
一个或多个处理器；
[0128]
存储器，与所述处理器耦接，用于存储一个或多个程序；
[0129]
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的配电网投资需求预测方法。
[0130]
处理器用于控制该终端设备的整体操作，以完成上述的配电网投资需求预测方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(static random access memory，简称sram)，电可擦除可编程只读存储器(electrically erasable programmable read
‑
only memory，简称eeprom)，可擦除可编程只读存储器(erasable programmable read
‑
only memory，简称eprom)，可编程只
读存储器(programmable read
‑
only memory，简称prom)，只读存储器(read
‑
only memory，简称rom)，磁存储器，快闪存储器，磁盘或光盘。
[0131]
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(application specific 1ntegrated circuit，简称as1c)、数字信号处理器(digital signal processor，简称dsp)、数字信号处理设备(digital signal processing device,简称dspd)、可编程逻辑器件(programmable logic device，简称pld)、现场可编程门阵列(field programmable gate array，简称fpga)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的配电网投资需求预测方法，并达到如上述方法一致的技术效果。
[0132]
在另一示例性实施例中，还提供一种包括程序指令的计算机可读存储介质，该程序指令被处理器执行时实现如上述任一项实施例所述的配电网投资需求预测方法的步骤。例如，该计算机可读存储介质可以为上述包括程序指令的存储器，上述程序指令可由终端设备的处理器执行以完成如上述任一项实施例所述的配电网投资需求预测方法，并达到如上述方法一致的技术效果。
[0133]
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。