配电网稳定性预测方法、装置、设备及存储介质与流程

1.本发明涉及电网智能化领域，尤其涉及一种配电网稳定性预测方法、装置、设备及存储介质。


背景技术：

2.电压暂降会对配电网中的线路造成直接影响，使配电网发生直接波动，因此，为了提高配电网的运行可靠性，以预测出电压暂降变化为基础，预测出配电网的未来一段时间的稳定性，从而有利于电网智能化发展成为当前亟待解决的技术问题，目前传统的方式主要是采用人工或人机结合的方式进行预测，其预测效率和准确性都比较差。
3.上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。


技术实现要素：

4.本发明的主要目的在于提供一种配电网稳定性预测方法、装置、设备及存储介质，旨在解决现有技术中难以准确预测出配电网的未来一段时间内的稳定性的技术问题。
5.为实现上述目的，本发明提供一种配电网稳定性预测方法，所述配电网稳定性预测方法包括以下步骤：
6.获取目标配电网的预处理后配电网数据集；
7.对所述预处理后配电网数据集进行特征选择，得到目标特征值；
8.对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；
9.根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求；
10.获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性。
11.可选地，所述对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量，包括：
12.根据目标配电网的预处理后配电网数据集，得到电压暂降正序电压的变化量和正序电流的变化量；
13.根据所述电压暂降正序电压的变化量和正序电流的变化量，得到正序功率的增量；
14.根据所述电压暂降逆序电压的变化量和正序电流的变化量，得到逆序功率的增量；
15.当所述正序功率的增量和逆序功率的增量均大于预设阈值时，则确定电压暂降位于上游；
16.基于所述电压暂降正序电压的变化量、电压暂降逆序电压的变化量相对于其上游和下游之间的关联，得到目标配电网的电压暂降量。
17.可选地，所述根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，包括：
18.分别基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的神经网络和改进的卷积神经网络；
19.将所述训练后的改进的神经网络和改进的卷积神经网络基于深度学习进行优化，得到配电网稳定性预测模型。
20.可选地，所述基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的神经网络，包括：
21.通过选取sigmoid激励函数，建立输出层；
22.随机设置输出层神经元之间的连接权重，输入预处理后配电网数据集、目标特征值通过隐含层，计算出第一目标配电网的预测电压暂降量；
23.根据所述第一目标配电网的预测电压暂降量和目标配电网的电压暂降量，对所述输出层神经元之间的连接权重进行调整；
24.重复上述操作，直到第一目标配电网的预测电压暂降量与目标配电网的电压暂降量差值满足预设要求，得到目标改进的神经网络。
25.可选地，所述基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的卷积神经网络，包括：
26.通过激活函数relu建立卷积层，通过sigmoid函数建立输出层；
27.将所述输出层、所述卷积层和池化层和随机设置的权重，建立卷积神经网络，并输入预处理后配电网数据集、目标特征值通过隐含层，计算出第二目标配电网的预测电压暂降量；
28.根据所述第二目标配电网的预测电压暂降量和目标配电网的电压暂降量，对所述改进的卷积神经网络的权重进行调整；
29.重复上述操作，直到第二目标配电网的预测电压暂降量与目标配电网的电压暂降量差值满足预设要求，得到目标改进的卷积神经网络。
30.可选地，所述将所述训练后的改进的神经网络和改进的卷积神经网络基于深度学习进行优化，得到配电网稳定性预测模型，包括：
31.根据目标改进的卷积神经网络和目标改进的神经网络建立深度学习优化网络；
32.调整所述深度学习优化网络的学习率，并对深度学习优化网络的迭代次数进行调整；
33.重复上述操作，得到目标深度学习优化网络。
34.可选地，所述获取目标配电网的预处理后配电网数据集，包括：
35.获取目标配电网的配电网数据集；
36.对所述配电网中数据集的重复值进行剔除；
37.通过箱式图和预设法则，寻找出配电网数据集中的离群值，并进行剔除，得到预处理后的配电网数据集。
38.此外，为实现上述目的，本发明还提出一种配电网稳定性预测装置，所述配电网稳定性预测装置包括：
39.获取模块，用于获取目标配电网的预处理后配电网数据集；
40.特征选择模块，用于对所述预处理后配电网数据集进行特征选择，得到目标特征值；
41.识别模块，用于对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；
42.建模模块，用于根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求；
43.预测模块，用于获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性。
44.此外，为实现上述目的，本发明还提出一种配电网稳定性预测设备，所述设备包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的配电网稳定性预测程序，所述配电网稳定性预测程序配置为实现如上文所述的配电网稳定性预测方法。
45.此外，为实现上述目的，本发明还提出一种存储介质，所述存储介质上存储有配电网稳定性预测程序，所述配电网稳定性预测程序被处理器执行时实现如上文所述的配电网稳定性预测方法。
46.本发明其公开了一种配电网稳定性预测方法、装置、设备及存储介质，该方法包括：获取目标配电网的预处理后配电网数据集；对所述预处理后配电网数据集进行特征选择，得到目标特征值；对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求；获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性，从而可以及时对配电网进行智能调节，有助于电网智能化发展。
附图说明
47.图1是本发明实施例方案涉及的硬件运行环境的配电网稳定性预测设备结构示意图；
48.图2为本发明配电网稳定性预测方法第一实施例的流程示意图；
49.图3为本发明配电网稳定性预测方法第二实施例的流程示意图；
50.图4为本发明配电网稳定性预测方法第三实施例的流程示意图；
51.图5为本发明配电网稳定性预测装置第一实施例的功能模块示意图。
52.本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
53.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的一部分实施例，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。
54.参照图1，图1为本发明实施例方案涉及的硬件运行环境的配电网稳定性预测设备结构示意图。
55.如图1所示，该配电网稳定性预测设备可以包括：处理器1001，例如中央处理器(central processing unit，cpu)，通信总线1002、用户接口1003，网络接口1004，存储器1005。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏(display)，可选用户接口1003还可以包括标准的有线接口、无线接口，对于用户接口1003的有线接口在本发明中可为usb接口。网络接口1004可选的可以包括标准的有线接口、无线接口(如无线保真(wireless-fidelity，wi-fi)接口)。存储器1005可以是高速的随机存取存储器(random access memory，ram)存储器，也可以是稳定的存储器(non-volatile memory，nvm)，例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
56.本领域技术人员可以理解，图1中示出的结构并不构成对配电网稳定性预测设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
57.如图1所示，认定为一种计算机存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及配电网稳定性预测程序。
58.在图1所示的配电网稳定性预测设备中，网络接口1004主要用于连接后台服务器，与所述后台服务器进行数据通信；用户接口1003主要用于连接用户设备；所述配电网稳定性预测设备通过处理器1001调用存储器1005中存储的配电网稳定性预测程序，并执行本发明实施例提供的配电网稳定性预测方法。
59.基于上述硬件结构，提出本发明配电网稳定性预测方法的实施例。
60.参照图2，图2为本发明配电网稳定性预测方法第一实施例的流程示意图，提出本发明配电网稳定性预测方法第一实施例。
61.在第一实施例中，所述配电网稳定性预测方法包括以下步骤：
62.步骤s10：获取目标配电网的预处理后配电网数据集。
63.理解的是，本实施例的执行主体是为配电网稳定性预测设备，该配电网稳定性预测设备具有数据处理、数据通信及程序运行等功能。
64.在具体实施中，配电网稳定性预测设备发送收集指令到电流传感器、电压传感器，以使电流传感器、电压传感器在接收到了收集指令后开始收集目标配电网的配电网变压器容量、高压侧电流、低压侧电流、高压侧电流以及共箱式环网柜电流数据。从而使可以测得配电网变压器容量、高压侧电流、低压侧电流、高压侧电流以及共箱式环网柜电流；对所述配电网变压器容量、高压侧电流、低压侧电流、高压侧电流以及共箱式环网柜电流的重复值进行剔除；通过箱式图和预设法则，寻找出配电网数据集中的离群值，并进行剔除，得到预处理后的配电网数据集。
65.步骤s20：对所述预处理后配电网数据集进行特征选择，得到目标特征值。
66.应理解的是，对于一个配电网数据集中由n个特征数据组成的对象，可以产生2n个配电网数据特征子集，配电网数据特征选择就是从所生成的配电网数据特征子集中选择出对特定配电网数据更有益的最佳特征配电网数据子集.最佳特征子集不仅要取得最少的特征配电网数据数目，还要使得训练出的分类器的分类性能最好。
67.步骤s30：对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量。
68.在具体实施中，根据目标配电网的预处理后配电网数据集，得到电压暂降正序电压的变化量和正序电流的变化量；根据所述电压暂降正序电压的变化量和正序电流的变化
量，得到正序功率的增量；根据所述电压暂降逆序电压的变化量和正序电流的变化量，得到逆序功率的增量；当所述正序功率的增量和逆序功率的增量均大于预设阈值时，则确定电压暂降位于上游；基于所述电压暂降正序电压的变化量、电压暂降逆序电压的变化量相对于其上游和下游之间的关联，得到目标配电网的电压暂降量，从而得到目标配电网的电压暂降量。
69.需要说明的是，配电网电压暂降现象发生时，会对一定区域造成影响，导致配电网发生局部或者区域性停电，严重则会损坏设备。本实施例用基于序功率增量方向方法完成，该方法能够衡量电压暂降源与每一个观测点上下游之间的关联，同时考虑配电网的实时运行拓扑状态，进行综合分析后获取电压暂降源的候选区域识别结果。该方法进行电压暂降源候选区识别时，需依据判断标准完成，即正序和负序两种功率增量方向。
70.应当理解的是，功率增量和电压，电流的计算公式如下：
[0071][0072]
其中，电压超前电流的角度用α表示，判据1：如果δp＞0，那么表示发生的电压暂降位于上游。判据2：如果δp＜0，那么表示发生的电压暂降位于下游，可以通过该方法得到上游还是下游，从而确定电压暂降量。
[0073]
步骤s40：根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求。
[0074]
在具体实施中，分别基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的神经网络和改进的卷积神经网络；将所述训练后的改进的神经网络和改进的卷积神经网络基于深度学习进行优化，得到配电网稳定性预测模型，从而建立优化后的配电网稳定性预测模型，为配电网稳定性预测做准备。
[0075]
步骤s50：获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性。
[0076]
应理解的是，根据预测时间周期，持续获取元采集10kv侧电流、0.4kv侧电流、10kv侧电流以及共箱式环网柜电流数据；将获元采集10kv侧电流、0.4kv侧电流、10kv侧电流以及共箱式环网柜电流数据输入所述测试样本，得到新的测试样本；根据所述新的测试样本，对所述满足精度要求配电网稳定性预测模型进行校正。
[0077]
在本实施例中，获取目标配电网的预处理后配电网数据集；对所述预处理后配电网数据集进行特征选择，得到目标特征值；对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求；获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性，从而可以及时对配电网进行智能调节，有助于电网智能化发展。
[0078]
参照图3，图3为本发明配电网稳定性预测方法第二实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明配电网稳定性预测方法的第二实施例。
[0079]
在第二实施例中，所述步骤s40，包括：
[0080]
步骤s401：分别基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的神经网络和改进的卷积神经网络。
[0081]
在具体实施中，通过选取sigmoid激励函数，建立输出层；随机设置输出层神经元之间的连接权重，输入预处理后配电网数据集、目标特征值通过隐含层，计算出第一目标配电网的预测电压暂降量；根据所述第一目标配电网的预测电压暂降量和目标配电网的电压暂降量，对所述输出层神经元之间的连接权重进行调整；重复上述操作，直到第一目标配电网的预测电压暂降量与目标配电网的电压暂降量差值满足预设要求，得到目标改进的神经网络；从而为得到配电网预测模型的构建做准备；通过激活函数relu建立卷积层，通过sigmoid函数建立输出层；将所述输出层、所述卷积层和池化层和随机设置的权重，建立卷积神经网络，并输入预处理后配电网数据集、目标特征值通过隐含层，计算出第二目标配电网的预测电压暂降量；根据所述第二目标配电网的预测电压暂降量和目标配电网的电压暂降量，对所述改进的卷积神经网络的权重进行调整；重复上述操作，直到第二目标配电网的预测电压暂降量与目标配电网的电压暂降量差值满足预设要求，得到目标改进的卷积神经网络。
[0082]
这里的输出层选用的sigmoid激励函数公式如下所述：
[0083][0084]
其中，k为任意常数，s为输入值。
[0085]
输入层的计算公式如下：
[0086][0087]
其中，hj为隐藏层的输出，ω
jk
表示为连接的权重，b为阈值，计算出bp神经网络的预测目标配电网的电压暂降量差值yk。
[0088]
需要说明的是，改进mpso优化算法与bp神经网络算法结合形成混合算法，bp神经网络在预测电压暂降量权向量输出值，选取其中预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量的n个粒子构成粒子群，以后各代粒子位置根据飞行速度变化。mpso-bp神经网络混合优化实现需要进行初始化，可以更新极值并更新惯性权重。在mpso全局寻优基础上进行局部细致搜索。改进mspo与bp神经网络组合预测模型为mpso-bp算法，解码得到参数组合接近符合应用需要最佳组合，从而根据输入参数到改进mpso优化算法与bp神经网络算法模型，mpso-bp神经网络负荷预测模型应用需要选择学习样本，输入变量处理，进行负荷预测仿真分析，输出配电网的电压暂降量差值，从而可以输出配电网的电压暂降量差值，改进粒子群bp神经网络系统采用三层bp网络，以负荷数据为依据进行网络训练，采用bp结合训练法，适应度函数为改进神经网络输出与目标输出均方差。
[0089]
应当理解的是，这里使用的卷积神经网络是一类具有深度结构的前馈神经网络，卷积神经网络由一个或多个卷积层和顶端的全连通层组成，同时也包括权重和池化层。
[0090]
步骤s402：将所述训练后的改进的神经网络和改进的卷积神经网络基于深度学习进行优化，得到配电网稳定性预测模型。
[0091]
在具体实施中，根据目标卷积神经网络和目标bp神经网络建立深度学习优化网
络；基于adagrad方法，调整所述深度学习优化网络的学习率；基于adam方法，对深度学习优化网络的迭代次数进行调整，重复上述操作，得到目标深度学习优化网络。
[0092]
需要说明的是，adagrad算法的学习速率是可以自动变化的，即算法在整个迭代过程中自动地调整建立并训练改进的神经网络的学习率。首先给出初始学习率，并用该学习率与历史梯度的平方根的比值作为当前建立并训练改进的神经网络迭代的学习率。adagrad方法将历史梯度的平方根作为分母，会导致学习率逐渐减小至零，导致算法提前终止，即算法初始迭代点处的梯度所占权重很小，越靠后的迭代点处的梯度所占的权重越大。这样可以丢掉比较靠前的点处的梯度，从而加速算法收敛。adagrad算法基于梯度l2范数的优化算法。基于动量的优化算法和基于l2范数的优化算法各有优缺点，将两者的优势结合起来，产生的新算法为adam方法。
[0093]
在本实施例中，获取目标配电网的预处理后配电网数据集；对所述预处理后配电网数据集进行特征选择，得到目标特征值；对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；分别基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的神经网络和改进的卷积神经网络；将所述训练后的改进的神经网络和改进的卷积神经网络基于深度学习进行优化，得到配电网稳定性预测模型；获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性。从而，可以通过建立改进的神经网络和改进的卷积神经网络并通过深度学习进行优化完成，对配电网的未来的稳定性进行预测，有利于电网智能化的发展。
[0094]
参照图4，图4为本发明配电网稳定性预测方法第三实施例的流程示意图，基于上述图2所示的第一实施例，提出本发明配电网稳定性预测方法的第三实施例。
[0095]
在第三实施例中，所述步骤s10，包括：
[0096]
步骤s101：获取目标配电网的配电网数据集。
[0097]
在具体实施中，需要说明的是，在收集到预处理之前的配电网工作数据时，通过电压采集单元和电流采集单元采集10kv侧电流、0.4kv侧电流、10kv侧电流以及共箱式环网柜电流数据。
[0098]
步骤s102：对所述配电网中数据集的重复值进行剔除。
[0099]
需要说明的是，剔除所述待处理电网数据中的冗余数据，以使数据集不存在缺失值，再对进行重复值的删除处理。
[0100]
步骤s103：通过箱式图和预设法则，寻找出配电网数据集中的离群值，并进行剔除，得到预处理后的配电网数据集。
[0101]
需要说明的是，使用箱式图结合3σ准则寻找离群值，3σ准则：设对被测量变量进行等精度测量，具体操作如下：并按贝塞尔公式算出标准误差σ，若某个测量值x的剩余误差v(1≤b≤n)，满足v》3σ，则认为x是含有粗大误差值的坏值，应予剔除。贝塞尔公式如下：
[0102][0103]
其中，vi为剩余误差，σ为标准误差，n为样本数据个数，从而可以确定寻找出配电网数据集中的离群值，并进行剔除，得到预处理后的配电网数据集。
[0104]
在本实施例中，获取目标配电网的配电网数据集；对所述配电网中数据集的重复
值进行剔除；通过箱式图和预设法则，寻找出配电网数据集中的离群值，并进行剔除，得到预处理后的配电网数据集。对所述预处理后配电网数据集进行特征选择，得到目标特征值；对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求；获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性，从而获得最佳的预处理配电网数据，有助于精确预测出电网的未来的稳定性，从而实现电网的智能化调控。
[0105]
此外，本发明实施例还提出一种存储介质，所述存储介质上存储有配电网稳定性预测程序，所述配电网稳定性预测程序被处理器执行时实现如上文所述的配电网稳定性预测方法的步骤。
[0106]
由于本存储介质可以采用上述所有实施例的技术方案，因此至少具有上述实施例的技术方案所带来的有益效果，在此不再一一赘述。
[0107]
参照图5，图5为本发明配电网稳定性预测装置第一实施例的功能模块示意图。
[0108]
本发明配电网稳定性预测装置第一实施例中，该配电网稳定性预测装置包括：
[0109]
获取模块10，用于获取目标配电网的预处理后配电网数据集；
[0110]
特征选择模块20，用于对所述预处理后配电网数据集进行特征选择，得到目标特征值；
[0111]
识别模块30，用于对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；
[0112]
建模模块40，用于根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求；
[0113]
预测模块50，用于获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性。
[0114]
在本实施例中，获取目标配电网的预处理后配电网数据集；对所述预处理后配电网数据集进行特征选择，得到目标特征值；对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量；根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，直至满足精度要求；获取当前的配电网的数据集，通过所述满足精度要求配电网稳定性预测模型，得到预测的配电网的未来电压暂降量，并根据所述未来电压暂降量预测出配电网的稳定性，从而可以及时对配电网进行智能调节，有助于电网智能化发展。
[0115]
在一实施例中，所述识别模块30，还用于对目标配电网进行电压暂降识别，得到目标配电网的电压暂降量，包括：
[0116]
根据目标配电网的预处理后配电网数据集，得到电压暂降正序电压的变化量和正序电流的变化量；
[0117]
根据所述电压暂降正序电压的变化量和正序电流的变化量，得到正序功率的增量；
[0118]
根据所述电压暂降逆序电压的变化量和正序电流的变化量，得到逆序功率的增
量；
[0119]
当所述正序功率的增量和逆序功率的增量均大于预设阈值时，则确定电压暂降位于上游；
[0120]
基于所述电压暂降正序电压的变化量、电压暂降逆序电压的变化量相对于其上游和下游之间的关联，得到目标配电网的电压暂降量。
[0121]
在一实施例中，所述建模模块40，还用于根据所述预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量，建立并训练配电网稳定性预测模型，包括：
[0122]
分别基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的神经网络和改进的卷积神经网络；
[0123]
将所述训练后的改进的神经网络和改进的卷积神经网络基于深度学习进行优化，得到配电网稳定性预测模型。
[0124]
在一实施例中，所述建模模块40，还用于基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的神经网络，包括：
[0125]
通过选取sigmoid激励函数，建立输出层；
[0126]
随机设置输出层神经元之间的连接权重，输入预处理后配电网数据集、目标特征值通过隐含层，计算出第一目标配电网的预测电压暂降量；
[0127]
根据所述第一目标配电网的预测电压暂降量和目标配电网的电压暂降量，对所述输出层神经元之间的连接权重进行调整；
[0128]
重复上述操作，直到第一目标配电网的预测电压暂降量与目标配电网的电压暂降量差值满足预设要求，得到目标改进的神经网络。
[0129]
在一实施例中，所述建模模块40，还用于基于建立预处理后配电网数据集、目标特征值以及目标配电网的电压暂降量建立并训练改进的卷积神经网络，包括：
[0130]
通过激活函数relu建立卷积层，通过sigmoid函数建立输出层；
[0131]
将所述输出层、所述卷积层和池化层和随机设置的权重，建立卷积神经网络，并输入预处理后配电网数据集、目标特征值通过隐含层，计算出第二目标配电网的预测电压暂降量；
[0132]
根据所述第二目标配电网的预测电压暂降量和目标配电网的电压暂降量，对所述改进的卷积神经网络的权重进行调整；
[0133]
重复上述操作，直到第二目标配电网的预测电压暂降量与目标配电网的电压暂降量差值满足预设要求，得到目标改进的卷积神经网络。
[0134]
在一实施例中，所述建模模块40，还用于将所述训练后的改进的神经网络和改进的卷积神经网络基于深度学习进行优化，得到配电网稳定性预测模型，包括：
[0135]
根据目标改进的卷积神经网络和目标改进的神经网络建立深度学习优化网络；
[0136]
调整所述深度学习优化网络的学习率，并对深度学习优化网络的迭代次数进行调整；
[0137]
重复上述操作，得到目标深度学习优化网络。
[0138]
在一实施例中，所述获取模块10，还用于获取目标配电网的预处理后配电网数据集，包括：
[0139]
获取目标配电网的配电网数据集；
[0140]
对所述配电网中数据集的重复值进行剔除；
[0141]
通过箱式图和预设法则，寻找出配电网数据集中的离群值，并进行剔除，得到预处理后的配电网数据集。
[0142]
本发明所述配电网稳定性预测装置的其他实施例或具体实现方式可参照上述各方法实施例，因此至少具有上述实施例的技术方案所带来的所有有益效果，此处不再赘述。
[0143]
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者系统所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括该要素的过程、方法、物品或者系统中还存在另外的相同要素。
[0144]
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。词语第一、第二、以及第三等的使用不表示任何顺序，可将这些词语解释为名称。
[0145]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例方法可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件，但很多情况下前者是更佳的实施方式。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(如只读存储器镜像(read only memory image，rom)/随机存取存储器(random access memory，ram)、磁碟、光盘)中，包括若干指令用以使得一台终端设备(可以是手机，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的方法。
[0146]
以上仅为本发明的优选实施例，并非因此限制本发明的专利范围，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，或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。