配电网电压预测模型的训练方法及配电网电压的预测方法与流程

本发明涉及配电网电压预测，尤其涉及一种配电网电压预测模型的训练方法及配电网电压的预测方法。

背景技术：

1、随着电力体制的改革发展，高比例新能源接入配电网后，电压越限、潮流改变等安全性问题也越发突出。因此，亟需对配电网区域内电压的变化趋势进行预测来保证配电网安全稳定地运行。

2、现实生活中，对配电网电压进行预测是一项极具挑战性的工作。通常情况下，配电网的实际拓扑结构比较复杂，且各节点缺少高精度信息采集装置，因而难以建立准确的潮流模型。并且，由于配电网的电压等级较低且结构呈现多样性，线路和设备也可能会因长久运行难以获得准确的运行参数，从而无法有效建立精确的数值模型。

3、而且，进一步考虑到光伏、风机等新能源的波动性主要受到外界环境的影响，如何实现配电网电压的准确预测，是本领域技术人员亟需解决的技术问题。

技术实现思路

1、本发明实施例提供了一种配电网电压预测模型的训练方法及配电网电压的预测方法，以解决现有技术中对配电网电压进行预测的精度较低的问题。

2、第一方面，本发明实施例提供了一种配电网电压预测模型的训练方法，包括：

3、获取配电网中各个节点的历史环境数据、历史电网数据以及历史环境数据和历史电网数据对应的历史电压数据构成的训练集；

4、基于所述训练集对预设机器学习模型进行训练，得到第一机器学习模型；

5、当所述训练集的样本数据质量不满足第一预设要求或所述第一机器学习模型的第一预测结果不满足第二预设要求时，基于所述训练集的概率密度函数对所述训练集进行数据修正和数据重组处理，得到重组训练集；

6、将重组训练集作为新的训练集，重新执行基于所述训练集得到第一机器学习模型的步骤及后续步骤，直到样本数据质量满足第一预设要求且第一预测结果满足第二预设要求时，将第一机器学习模型作为目标配电网电压预测模型。

7、在一种可能的实现方式中，所述基于所述训练集的概率密度函数对所述训练集进行数据修正和数据重组处理，得到重组训练集，包括：

8、根据所述训练集和预设核函数确定所述训练集的最优概率密度函数；

9、基于所述最优概率密度函数对所述训练集进行数据抽取，得到修正集；

10、将所述修正集和所述训练集进行重组和随机混合，得到重组训练集。

11、在一种可能的实现方式中，所述根据所述训练集和预设核函数确定所述训练集的最优概率密度函数，包括：

12、基于所述训练集和至少一个预设核函数确定每个预设核函数对应的概率密度函数；

13、基于寻优函数确定所述至少一个预设核函数分别对应的平滑参数中，使得概率密度函数的函数值最优的最优平滑参数；

14、根据所述最优平滑参数和最优平滑参数对应的预设核函数确定所述训练集的最优概率密度函数。

15、在一种可能的实现方式中，所述基于所述训练集和至少一个预设核函数确定每个预设核函数对应的概率密度函数，包括：

16、基于确定每个预设核函数对应的概率密度函数；其中，fh(x)表示所述概率密度函数，n表示所述训练集中的样本数，表示预设核函数，h表示预设核函数的平滑参数，x表示随机变量，xr表示第r个样本数据，d表示所述训练集的样本维度。

17、在一种可能的实现方式中，所述基于所述训练集对预设机器学习模型进行训练，得到第一机器学习模型，包括：

18、基于所述训练集和所述预设机器学习模型的初始化参数对所述预设机器学习模型进行训练，得到中间第一机器学习模型；

19、检测所述中间第一机器学习模型的第二预测结果是否满足所述第二预设要求；

20、当所述第二预测结果不满足所述第二预设要求时，对所述中间第一机器学习模型中的目标参数进行参数优化处理，得到第一机器学习模型。

21、在一种可能的实现方式中，在检测所述中间第一机器学习模型的第二预测结果是否满足所述第二预设要求之后，还包括：

22、当所述第二预测结果满足所述第二预设要求时，将所述中间第一机器学习模型作为所述第一机器学习模型，重新执行“当所述训练集的样本数据质量不满足第一预设要求或所述第一机器学习模型的第一预测结果不满足第二预设要求时”的步骤及后续步骤，直到得到目标配电网电压预测模型。

23、第二方面，本发明实施例提供了一种配电网电压的预测方法，包括：

24、获取实时的配电网中各个节点的环境数据和电网数据，并将所述环境数据和所述电网数据记为实时电网数据；

25、将各个节点的所述实时电网数据输入至目标配电网电压预测模型中，输出所述实时电网数据对应的节点的预测电压；其中，所述目标配电网电压预测模型基于如上第一方面或第一方面的任一种可能的实现方式所述的方法训练得到。

26、第三方面，本发明实施例提供了一种训练设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。

27、第四方面，本发明实施例提供了一种预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述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如上第二方面所述方法的步骤。

28、第五方面，本发明实施例提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面、第二方面或第一方面的任一种可能的实现方式所述方法的步骤。

29、本发明实施例提供一种配电网电压预测模型的训练方法及配电网电压的预测方法，通过获取配电网中各个节点的历史环境数据、历史电网数据以及历史环境数据和历史电网数据对应的历史电压数据构成的训练集；然后基于训练集对预设机器学习模型进行训练，得到第一机器学习模型；当训练集的样本数据质量不满足第一预设要求或第一机器学习模型的第一预测结果不满足第二预设要求时，表明此时模型训练所采用的数据不足以支撑训练出符合要求的模型，或者此时模型预测的预测质量还不符合最终模型预测质量的要求。因此，此时基于训练集的概率密度函数对训练集进行数据修正和数据重组处理，得到重组训练集；然后将重组训练集作为新的训练集，重新执行模型训练的过程，直到训练集的样本数据质量满足第一预设要求且第一机器学习模型的第一预测结果满足第二预设要求时，将此时的第一机器学习模型作为目标配电网电压预测模型，从而基于该目标配电网电压预测模型对配电网中各个节点的电压进行精准预测。本发明能够训练得到精度较高的配电网电压预测模型，从而利于快速实现配电网中各个节点的电压的精准预测，得到配电网电压的变化趋势，为配电网安全稳定地运行提供一定的数据支撑。

技术特征：

1.一种配电网电压预测模型的训练方法，其特征在于，包括：

2.根据权利要求1所述的配电网电压预测模型的训练方法，其特征在于，所述基于所述训练集的概率密度函数对所述训练集进行数据修正和数据重组处理，得到重组训练集，包括：

3.根据权利要求2所述的配电网电压预测模型的训练方法，其特征在于，所述根据所述训练集和预设核函数确定所述训练集的最优概率密度函数，包括：

4.根据权利要求3所述的配电网电压预测模型的训练方法，其特征在于，所述基于所述训练集和至少一个预设核函数确定每个预设核函数对应的概率密度函数，包括：

5.根据权利要求1-4任一项所述的配电网电压预测模型的训练方法，其特征在于，所述基于所述训练集对预设机器学习模型进行训练，得到第一机器学习模型，包括：

6.根据权利要求5所述的配电网电压预测模型的训练方法，其特征在于，在检测所述中间第一机器学习模型的第二预测结果是否满足所述第二预设要求之后，还包括：

7.一种配电网电压的预测方法，其特征在于，包括：

8.一种训练设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述方法的步骤。

9.一种预测设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求7所述方法的步骤。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述方法的步骤。

技术总结
本发明提供一种配电网电压预测模型的训练方法及配电网电压的预测方法，该方法包括：获取训练集；基于训练集对预设机器学习模型进行训练，得到第一机器学习模型；当训练集的样本数据质量不满足第一预设要求或第一机器学习模型的第一预测结果不满足第二预设要求时，基于训练集的概率密度函数对训练集进行数据修正和数据重组处理，得到重组训练集；将重组训练集作为新的训练集，重新执行基于训练集得到第一机器学习模型的步骤及后续步骤，直到样本数据质量满足第一预设要求且第一预测结果满足第二预设要求时，将第一机器学习模型作为目标配电网电压预测模型。本发明能够训练得到高精度配电网电压预测模型，从而实现配电网中各节点的电压的精准预测。

技术研发人员：曾四鸣,王磊,杨少波,孟政吉,张润涛,孙鹏,张波,李子璠
受保护的技术使用者：国网河北省电力有限公司电力科学研究院
技术研发日：
技术公布日：2024/1/13