一种交直流配电系统演进预测方法、系统、设备及介质与流程

1.本发明涉及交直流配电领域，特别是关于一种交直流配电系统演进预测方法、系统、设备及介质。


背景技术：

2.目前，分布式电源和电动汽车等各类源荷快速发展，配电网正在经历自传统配送负荷为主的电能配送平台，演进为可再生能源消纳支撑平台、多利益主体参与的交易平台以及电气化交通发展的支撑服务平台。伴随电力电子技术进步，交直流配电系统应运而生，并成为配电网的一种重要技术形态，直流配电具有传输效率高、传输容量大、传输距离远、供电可靠率高和供电灵活等特点，能够满足各类直流源荷的接入和电能交互需求。传统交流配电系统向未来成熟的交直流配电系统演进是适应分布式源荷发展的重要技术途径。
3.任何系统在发展过程中均遵循某些基本规律和原则，但是交直流配电系统“复杂”、“多变”，受源荷发展和电力电子进步影响的技术特征尤其突出。目前，系统工程、模糊数学、灰色系统、神经网络、自组织理论和多元统计等理论和技术手段，已经开始用于分析交直流配电系统动态变化等研究领域，如何利用交直流配电系统技术特征，分析预测其发展趋势及演进线路，提高交直流配电系统系统演进的动态量化预测水平，成为电力工作者研究的重要课题。
4.然而，常规的预测方法主要采用神经网络预测、灰色预测和时间序列预测，存在多维度数据特征复杂适应能力差、预测精度不高等问题。


技术实现要素：

5.针对上述问题，本发明的目的是提供一种交直流配电系统演进预测方法、系统、设备及介质，能够提高交直流配电系统系统演进的动态量化预测水平。
6.为实现上述目的，本发明采取以下技术方案：第一方面，提供一种交直流配电系统演进预测方法，包括：
7.获取待测交直流配电系统当前时间步长的源网荷侧指标并进行归一化处理和赋权；
8.将归一化处理和赋权后的源网荷侧指标输入至预先构建的交直流配电系统演进预测模型中，得到待测交直流配电系统未来若干时间步长的源网荷侧指标预测值。
9.进一步地，所述交直流配电系统演进预测模型的构建过程为：
10.确定交直流配电系统的源网荷侧指标，包括源侧指标、网侧指标和荷侧指标；
11.对确定的源网荷侧指标进行归一化处理和赋权；
12.获取待测交直流配电系统的源网荷侧指标的原始历史数据，计算归一化处理和赋权后的源网荷侧指标，并采用梯度提升算法，构建交直流配电系统演进预测模型。
13.进一步地，所述源侧指标包括分布式电源发电量占比s
dg
：
[0014][0015]
其中，为交直流配电系统中第i1个dg的发电量，为交直流配电系统中第j1个发电厂的发电量，n
dg
和ns分别为交直流配电系统中dg的数量和发电厂的数量；
[0016]
分布式电源中直流发电功率占比s
dc
：
[0017][0018]
其中，为交直流配电系统中第i2个直流电源的有功功率输出，为交直流配电系统中第j2个dg的有功功率输出，n
dc
为交直流配电系统中直流电源的数量；
[0019]
分布式电源中的交流发电功率占比s
ac
：
[0020][0021]
其中，为交直流配电系统中第i3个交流电源的有功功率输出，为交直流配电系统中第j3个dg的有功功率输出，n
ac
为交直流配电系统中交流电源的数量；
[0022]
储能装置的容量占比s
esd
：
[0023][0024]
其中，为交直流配电系统中第i4个esd的容量，为交直流配电系统中第j4个电源的容量，n
esd
为交直流配电系统中esd的数量，ng为交直流配电系统中电源的数量。
[0025]
进一步地，所述网侧指标包括交流线路容量占比n
cac
为：
[0026][0027]
其中，c
ac
为交流线路容量，c
ac/dc
为交直流配电系统的线路容量；
[0028]
直流线路容量占比n
cdc
：
[0029][0030]
其中，c
dc
为交流线路容量；c
ac/dc
为交直流配电系统的线路容量；
[0031]
交流变压器容量占比n
tac
：
[0032][0033]
其中，t
ac
为交流变压器容量，t
ac/dc
为交直流配电系统的变压器容量；
[0034]
直流变压器容量占比n
tdc
：
[0035][0036]
其中，t
dc
为直流变压器容量。
[0037]
进一步地，所述荷侧指标包括交流负载功率占比l
ac
：
[0038][0039]
其中，为第m1个交流负载的有功功率，n
lac
为ac/dc配电系统中交流负载的数量，为交直流配电系统中第n1个负载容量，n
l
为交直流配电系统中所有负载的数量；
[0040]
直流负载功率占比l
dc
：
[0041][0042]
其中，为第m2个直流负载的有功功率，n
ldc
为交直流配电系统中直流负载的数量，为交直流配电系统中第n2个负载容量，n
l
为交直流配电系统中所有负载的数量；
[0043]
智能响应可控负荷功率占比l
ir
：
[0044][0045]
其中，为第m3个智能响应可控负荷的有功功率，n
ir
为交直流配电系统中直流负载的数量，为交直流配电系统中第n3个负载容量，n
l
为交直流配电系统中所有负载的数量。
[0046]
进一步地，所述对源网荷侧指标进行归一化处理和赋权，包括：
[0047]
对源网荷侧指标中的正向指标进行归一化处理，其中，源网荷侧指标中的正向指标包括所有源侧指标、网侧指标中的直流线路容量占比n
cdc
和直流变压器容量占比n
tdc
以及荷侧指标中的直流负载功率占比l
dc
和智能响应可控负荷功率占比l
ir
；
[0048]
对源网荷侧指标中的负向指标进行归一化处理，其中，源网荷侧指标中的负向指标包括网侧指标中的交流线路容量占比n
cac
和交流变压器容量占比n
tac
以及荷侧指标中的交流负载功率占比l
ac
；
[0049]
对归一化处理后的指标进行赋权。
[0050]
进一步地，所述获取待测交直流配电系统的源网荷侧指标的原始历史数据，计算归一化处理和赋权后的源网荷侧指标，并采用梯度提升算法，构建交直流配电系统演进预测模型，包括：
[0051]
获取待测交直流配电系统的源网荷侧指标过去若干步长的原始历史数据，并计算归一化处理和赋权后的源网荷侧指标；
[0052]
对计算的源网荷特征指标进行异常数据辨识和重构处理，并分别抽样得到训练数据和测试数据；
[0053]
对训练数据进行模态分解，得到若干组模态，并分别输入至由浅层神经网络构成的若干个弱学习器中，作为多层神经网络训练模型的输入数据，多层神经网络训练模型的输出为未来若干时间步长的源网荷侧指标预测值；
[0054]
通过训练数据对多层神经网络训练模型进行多层神经网络训练，通过测试数据对训练好的交直流配电系统演进预测模型进行测试，得到最终的交直流配电系统演进预测模型。
[0055]
第二方面，提供一种交直流配电系统演进预测系统，包括：
[0056]
数据获取模块，用于获取待测交直流配电系统当前时间步长的源网荷侧指标并进行归一化处理和赋权；
[0057]
演进预测模块，用于将归一化处理和赋权后的源网荷侧指标输入至预先构建的交直流配电系统演进预测模型中，得到待测交直流配电系统未来若干时间步长的源网荷侧指标预测值。
[0058]
第三方面，提供一种处理设备，包括计算机程序指令，其中，所述计算机程序指令被处理设备执行时用于实现上述交直流配电系统演进预测方法对应的步骤。
[0059]
第四方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令，其中，所述计算机程序指令被处理器执行时用于实现上述交直流配电系统演进预测方法对应的步骤。
[0060]
本发明由于采取以上技术方案，其具有以下优点：
[0061]
1、本发明构建的交直流配电系统演进预测模型，不仅能够进行单一变量预测，也可有效反映多变量间的相互作用，实现多变量的同时预测，弥补常规预测模型在多因素驱动下变量预测上适应性较差的缺陷，提高多因素混合驱动下交直流配电系统的源网荷侧指标的预测精确性。
[0062]
2、本发明采用熵值法客观权重赋值法对源网荷侧指标进行归一化处理和赋权，统一了指标量纲，并对影响权重进行赋值，可以有效提高量化预测交直流配电系统源网荷侧指标的准确率。
[0063]
3、本方法通过待测交直流配电系统的源网荷侧指标的原始历史数据得到训练数据，输入至多个以浅层神经网络为基础的弱学习器中，然后对每一弱学习器的训练结果，采用梯度提升算法迭代形成由多层神经网络组成的强学习器，使得变量预测能够更加精准地反映多因素混合驱动结果。
[0064]
综上所述，本发明可以广泛应用于交直流配电领域中。
附图说明
[0065]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。在整个附图中，用相同的附图标记表示相同的部件。在附图中：
[0066]
图1是本发明一实施例提供的整体方法流程示意图；
[0067]
图2是本发明一实施例提供的构建交直流配电系统演进预测模型的方法流程示意图；
[0068]
图3是本发明一实施例提供的交直流配电系统中分布式电源占比预测示意图；
[0069]
图4是本发明一实施例提供的不同模型不同步长下预测精度的比较示意图。
具体实施方式
[0070]
下面将参照附图更详细地描述本发明的示例性实施方式。虽然附图中显示了本发明的示例性实施方式，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了能够更透彻地理解本发明，并且能够将本发
明的范围完整地传达给本领域的技术人员。
[0071]
应理解的是，文中使用的术语仅出于描述特定示例实施方式的目的，而无意于进行限制。除非上下文另外明确地指出，否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的，并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在，但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行，除非明确指出执行顺序。还应当理解，可以使用另外或者替代的步骤。
[0072]
尽管可以在文中使用术语第一、第二、第三等来描述多个元件、部件、区域、层和/或部段，但是，这些元件、部件、区域、层和/或部段不应被这些术语所限制。这些术语可以仅用来将一个元件、部件、区域、层或部段与另一区域、层或部段区分开。除非上下文明确地指出，否则诸如“第一”、“第二”之类的术语以及其它数字术语在文中使用时并不暗示顺序或者次序。因此，以下讨论的第一元件、部件、区域、层或部段在不脱离示例实施方式的教导的情况下可以被称作第二元件、部件、区域、层或部段。
[0073]
本发明实施例提供的交直流配电系统演进预测方法、系统、设备及介质，基于交直流配电系统的特点，基于梯度提升算法，构建交直流配电系统演进预测模型，相对于现有技术中的预测模型，不仅能够进行单一变量预测，也可有效反映多变量间的相互作用，实现多变量的同时预测，弥补了常规预测模型在多因素驱动下变量预测上适应性较差的缺陷，为分析和动态预测交直流配电系统的演进奠定了技术基础。
[0074]
实施例1
[0075]
如图1所示，本实施例提供一种交直流配电系统演进预测方法，包括以下步骤：
[0076]
1)确定交直流(ac/dc)配电系统的源网荷侧指标，包括源侧指标、网侧指标和荷侧指标，具体为：
[0077]
1.1)确定交直流配电系统的源侧指标，包括分布式电源(dg)发电量占比s
dg
、分布式电源中直流发电功率占比s
dc
、分布式电源中的交流发电功率占比s
ac
和储能装置(esd)的容量占比s
esd
。
[0078]
具体地，驱动因素为正向驱动时，分布式电源发电量占比s
dg
呈上升趋势，交直流配电系统向高级阶段演进，否则将保持不变甚至降低，因此，分布式电源发电量占比s
dg
为：
[0079][0080]
其中，为交直流配电系统中第i1个dg的发电量，为交直流配电系统中第j1个发电厂的发电量，n
dg
和ns分别为交直流配电系统中dg的数量和发电厂的数量。
[0081]
具体地，分布式电源中直流发电功率占比s
dc
呈上升趋势，交直流配电系统向高级阶段演进，否则将保持不变甚至降低，因此，分布式电源中直流发电功率占比s
dc
为：
[0082][0083]
其中，为交直流配电系统中第i2个直流电源的有功功率输出，为交直流配电系统中第j2个dg的有功功率输出，n
dc
为交直流配电系统中直流电源的数量。
[0084]
具体地，分布式电源中的交流发电功率占比s
ac
的演进特征与分布式电源发电量占
比s
dg
相类似，其计算公式为：
[0085][0086]
其中，为交直流配电系统中第i3个交流电源的有功功率输出，为交直流配电系统中第j3个dg的有功功率输出，n
ac
为交直流配电系统中交流电源的数量。
[0087]
具体地，储能装置的容量占比s
esd
的演进特征与分布式电源发电量占比s
dg
相类似，其计算公式为：
[0088][0089]
其中，为交直流配电系统中第i4个esd的容量，为交直流配电系统中第j4个电源的容量，n
esd
为交直流配电系统中esd的数量，ng为交直流配电系统中电源的数量。
[0090]
1.2)确定交直流配电系统的网侧指标，包括交流线路容量占比n
cac
、直流线路容量占比n
cdc
、交流变压器容量占比n
tac
和直流变压器容量占比n
tdc
。
[0091]
具体地，交流线路容量占比n
cac
为：
[0092][0093]
其中，c
ac
为交流线路容量，c
ac/dc
为交直流配电系统的线路容量。
[0094]
具体地，直流线路容量占比n
cdc
为：
[0095][0096]
其中，c
dc
为交流线路容量；c
ac/dc
为交直流配电系统的线路容量。
[0097]
具体地，交流变压器容量占比n
tac
为：
[0098][0099]
其中，t
ac
为交流变压器容量，t
ac/dc
为交直流配电系统的变压器容量。
[0100]
具体地，直流变压器容量占比n
tdc
为：
[0101][0102]
其中，t
dc
为直流变压器容量。
[0103]
1.3)确定交直流配电系统的荷侧指标，包括交流负载功率占比l
ac
、直流负载功率占比l
dc
和智能响应可控负荷功率占比l
ir
。
[0104]
具体地，交流负载功率占比l
ac
为：
[0105][0106]
其中，为第m1个交流负载的有功功率，n
lac
为ac/dc配电系统中交流负载的数量，为交直流配电系统中第n1个负载容量，n
l
为交直流配电系统中所有负载的数量。
[0107]
具体地，直流负载功率占比ldc为：
[0108]
[0109]
其中，为第m2个直流负载的有功功率，n
ldc
为交直流配电系统中直流负载的数量，为交直流配电系统中第n2个负载容量，n
l
为交直流配电系统中所有负载的数量。
[0110]
具体地，智能响应可控负荷功率占比l
ir
为：
[0111][0112]
其中，为第m3个智能响应可控负荷的有功功率，n
ir
为交直流配电系统中直流负载的数量，为交直流配电系统中第n3个负载容量，n
l
为交直流配电系统中所有负载的数量。
[0113]
2)采用熵值法客观权重赋值方法，对源网荷侧指标进行归一化处理和赋权，具体为：
[0114]
2.1)对源网荷侧指标中的正向指标进行归一化处理，其中，源网荷侧指标中的正向指标包括所有源侧指标、网侧指标中的直流线路容量占比n
cdc
和直流变压器容量占比n
tdc
以及荷侧指标中的直流负载功率占比l
dc
和智能响应可控负荷功率占比l
ir
八个指标。
[0115]
具体地，正向指标值越大，则交直流配电系统向直流配电方向和智能化方向演进的特征越显著，正向指标的归一化处理公式为：
[0116][0117]
其中，b
kl
为归一化后的指标，x
kl
为归一化前的指标，k为第k个指标，l为第l个待评估对象。根据熵的特性，可以通过计算熵值来判断一个事件的随机性及无序程度，也可以用熵值来判断某个指标的离散程度，指标的离散程度越大，该指标对综合评价的影响(权重)越大，其熵值越小。设有k个指标，l个待评估对象形成原始指标数据矩阵a＝(x
kl
)k
×
l，对其归一化后得到b＝(b
kl
)k
×
l，对于某项指标，归一化前的指标值x
kl
的差距越大，则该指标在综合评价中所起的作用越大；如果某项指标的指标值全部相等，则该指标在综合评价中不起作用。
[0118]
2.2)对源网荷侧指标中的负向指标进行归一化处理，其中，源网荷侧指标中的负向指标包括网侧指标中的交流线路容量占比n
cac
和交流变压器容量占比n
tac
以及荷侧指标中的交流负载功率占比l
ac
三个指标。
[0119]
具体地，负向指标值越大，则交直流配电系统向直流配电方向和智能化方向演进特征越不显著，负向指标的归一化处理公式为：
[0120][0121]
2.3)对归一化处理后的指标进行赋权。
[0122]
2.3.1)确定第k个归一化处理后的指标在第l个待评估对象中的比重f
kl
：
[0123][0124]
其中，n为待评估样本的数量。
[0125]
2.3.2)根据第k个归一化处理后的指标在第l个待评估对象中的比重f
kl
，确定归一化处理后指标的熵值。
[0126]
具体地，在具有a个指标和b个待评估对象的评价问题中，第k个指标的熵值hk为：
[0127][0128]
2.3.3)根据归一化处理后指标的熵值，确定归一化处理后指标的熵权重ωk：
[0129][0130]
3)如图2所示，获取待测交直流配电系统的源网荷侧指标的原始历史数据，计算归一化处理和赋权后的源网荷侧指标，并采用梯度提升算法，构建交直流配电系统演进预测模型，具体为：
[0131]
3.1)获取待测交直流配电系统的源网荷侧指标过去若干步长的原始历史数据，包括网络结构、参数和运行信息等，并计算归一化处理和赋权后的源网荷侧指标。
[0132]
3.2)对计算的源网荷特征指标进行异常数据辨识和重构处理，并分别抽样得到训练数据和测试数据。
[0133]
具体地，异常数据辨识用于筛选缺失值和越限值等异常数据，异常数据重构用于填补和修补异常数据，其中，单点数据异常可以采用常量或均值进行填充，多点数据异常可以采用时间序列拟合和预测进行填充，连续数据异常可以采用多源数据相关性回归方法进行填充。
[0134]
3.3)对训练数据进行模态分解，得到m组模态，并分别输入至由浅层神经网络构成的m个弱学习器中，作为多层神经网络训练模型的输入数据，多层神经网络训练模型的输出为未来若干时间步长的源网荷侧指标预测值。
[0135]
具体地，m个弱学习器的模态分别为具体地，m个弱学习器的模态分别为m个弱学习器计算的最优权重值分别为γ1、γ2、
…
、γm、
…
、γm，其中，xi为第i个输入数据，r
im
为第m个弱学习器中第i个输入数据的计算残差。
[0136]
3.4)基于m组模态，通过训练数据对多层神经网络训练模型进行多层神经网络训练。
[0137]
3.5)判断训练次数是否满足最大迭代次数，若不满足，则进入步骤3.4)；若满足，则得到训练好的交直流配电系统演进预测模型。
[0138]
3.6)通过测试数据对训练好的交直流配电系统演进预测模型进行测试，对比计算测试数据与输出的预测结果之间的平均绝对误差mae，分析预测结果的精度，验证预测结果的准确度并对交直流配电系统演进预测模型进行相应调整，得到最终的交直流配电系统演进预测模型。
[0139]
4)获取待测交直流配电系统当前时间步长的源网荷侧指标并进行归一化处理和赋权后输入至构建的交直流配电系统演进预测模型中，得到待测交直流配电系统未来若干时间步长的源网荷侧指标预测值。
[0140]
下面通过具体实施例详细说明本发明的交直流配电系统演进预测方法：
[0141]
采用构建的交直流配电系统演进预测模型(gbsn)对某一交直流配电系统过去十五年的源网荷侧指标的原始历史数据(以交直流配电系统中分布式电源占比为例)进行仿真验证，预测结果如图3所示，结果显示本发明构建的模型能够较为准确的对源网荷侧指标的变化趋势进行预测。
[0142]
为进一步比较本发明构建的模型的预测精度，选取支持向量机(svm)和多层神经
网络(ann)模型与本发明的模型进行mae比较，结果如图4所示，可以看出，在不同步长的预测下，当预测步长为1步(5年)时，本发明模型的mae为0.939，远低于支持向量机和神经网络模型，预测步长增大，预测精度仍表现优秀。因此，本发明方法构建的模型比其他预测模型具有更低的mae，可以更准确地预测交直流配电系统的负荷。
[0143]
实施例2
[0144]
本实施例提供一种交直流配电系统演进预测系统，包括：
[0145]
数据获取模块，用于获取待测交直流配电系统当前时间步长的源网荷侧指标并进行归一化处理和赋权。
[0146]
演进预测模块，用于将归一化处理和赋权后的源网荷侧指标输入至预先构建的交直流配电系统演进预测模型中，得到待测交直流配电系统未来若干时间步长的源网荷侧指标预测值。
[0147]
在一个优选的实施例中，该还包括模型构建模块，用于构建交直流配电系统演进预测模型。
[0148]
具体地，模型构建模块包括：
[0149]
指标确定单元，用于确定交直流配电系统的源网荷侧指标，包括源侧指标、网侧指标和荷侧指标。
[0150]
归一化处理和赋权单元，用于对确定的源网荷侧指标进行归一化处理和赋权。
[0151]
模型构建单元，用于获取待测交直流配电系统的源网荷侧指标的原始历史数据，计算归一化处理和赋权后的源网荷侧指标，并采用梯度提升算法，构建交直流配电系统演进预测模型。
[0152]
在一个优选的实施例中，归一化处理和赋权单元包括：
[0153]
正向指标归一化处理单元，用于对源网荷侧指标中的正向指标进行归一化处理，其中，源网荷侧指标中的正向指标包括所有源侧指标、网侧指标中的直流线路容量占比n
cdc
和直流变压器容量占比n
tdc
以及荷侧指标中的直流负载功率占比l
dc
和智能响应可控负荷功率占比l
ir
。
[0154]
负向指标归一化处理单元，用于对源网荷侧指标中的负向指标进行归一化处理，其中，源网荷侧指标中的负向指标包括网侧指标中的交流线路容量占比n
cac
和交流变压器容量占比n
tac
以及荷侧指标中的交流负载功率占比l
ac
。
[0155]
赋权单元，用于对归一化处理后的指标进行赋权。
[0156]
在一个优选的实施例中，模型构建单元包括：
[0157]
数据获取单元，用于获取待测交直流配电系统的源网荷侧指标过去若干步长的原始历史数据，并计算归一化处理和赋权后的源网荷侧指标；
[0158]
抽样单元，用于对计算的源网荷特征指标进行异常数据辨识和重构处理，并分别抽样得到训练数据和测试数据；
[0159]
模态分解单元，用于对训练数据进行模态分解，得到m组模态，并分别输入至由浅层神经网络构成的m个弱学习器中，作为多层神经网络训练模型的输入数据，多层神经网络训练模型的输出为未来若干时间步长的源网荷侧指标预测值；
[0160]
多层神经网络训练单元，用于通过训练数据对多层神经网络训练模型进行多层神经网络训练，通过测试数据对训练好的交直流配电系统演进预测模型进行测试，得到最终
的交直流配电系统演进预测模型。
[0161]
本实施例提供的系统是用于执行上述各方法实施例，具体流程和详细内容请参照上述实施例，此处不再赘述。
[0162]
实施例3
[0163]
本实施例提供一种与本实施例1所提供的交直流配电系统演进预测方法对应的处理设备，处理设备可以适用于客户端的处理设备，例如手机、笔记本电脑、平板电脑、台式机电脑等，以执行实施例1的方法。
[0164]
所述处理设备包括处理器、存储器、通信接口和总线，处理器、存储器和通信接口通过总线连接，以完成相互间的通信。存储器中存储有可在处理设备上运行的计算机程序，处理设备运行计算机程序时执行本实施例1所提供的交直流配电系统演进预测方法。
[0165]
在一些实现中，存储器可以是高速随机存取存储器(ram：random access memory)，也可能还包括非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。
[0166]
在另一些实现中，处理器可以为中央处理器(cpu)、数字信号处理器(dsp)等各种类型通用处理器，在此不做限定。
[0167]
此外，上述的存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。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或者该技术方案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中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0168]
本领域技术人员可以理解，上述计算设备的结构，仅仅是与本技术方案相关的部分结构，并不构成对本技术方案所应用于其上的计算设备的限定，具体的计算设备可以包括更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0169]
实施例4
[0170]
本实施例提供一种与本实施例1所提供的交直流配电系统演进预测方法对应的计算机程序产品，计算机程序产品可以包括计算机可读存储介质，其上载有用于执行本实施例1所述的交直流配电系统演进预测方法的计算机可读程序指令。
[0171]
计算机可读存储介质可以是保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是但不限于电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意组合。
[0172]
上述实施例提供的一种计算机可读存储介质，其实现原理和技术效果与上述方法实施例类似，在此不再赘述。
[0173]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产
生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0174]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0175]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0176]
上述各实施例仅用于说明本发明，其中各部件的结构、连接方式和制作工艺等都是可以有所变化的，凡是在本发明技术方案的基础上进行的等同变换和改进，均不应排除在本发明的保护范围之外。