一种基于贝叶斯优化深度神经网络的线损率在线预测方法与流程

1.本发明涉及线损率在线预测技术领域，具体涉及了一种基于贝叶斯优化深度神经网络的线损率在线预测方法。


背景技术：

2.在技术不断发展的情况下，配电网络各层次的数据采集量越来越大，在时间轴上分布也越来越紧密，加之不同电网单位间的信息传递，使得网络信息量变得极为庞大。对于传统数据处理方式，网络信息量的扩大意味着计算量和计算难度的上升，但是对于机器学习，本身就需要大量数据进行学习，数据量的增大将会使学习得到的模型更为精确和实用。相对于理论驱动的传统计算方式，深度神经网络通过数据驱动的形式，能够简化电力系统理论框架的束缚，使得在信息化电网下的线损率计算难度大幅下降，而且随着计算机的发展，这种数据驱动算法的优越性会变得越来越明显。基于此，本技术提供了一种基于贝叶斯优化深度神经网络的线损率在线预测方法。


技术实现要素：

3.本发明的目的在于提供一种基于贝叶斯优化深度神经网络的线损率在线预测方法，以解决信息化电网下传统线损率计算方法工作量大的问题。
4.为实现本技术的目的，本技术提供的技术方案如下：一种基于贝叶斯优化深度神经网络的线损率在线预测方法，包括以下步骤：步骤s1：采集电网历史负荷类型数据及线损率数据；步骤s2：利用基于改进灰色加权关联度分析的特征筛选方法，从电网历史负荷类型数据中筛选出与线损率数据相关性强的负荷相关数据；步骤s3：将筛选出的负荷相关数据和线损率数据进行标准化处理，将负荷相关数据作为输入，将线损率数据作为输出，构建深度神经网络线损率预测模型；步骤s4：通过贝叶斯优化方法对深度神经网络线损率预测模型的超参数进行优化，输出优化后的超参数结果，构建基于贝叶斯优化深度神经网络线损率预测模型；步骤s5：在基于贝叶斯优化深度神经网络线损率预测模型基础上，对于实时线损率数据，通过权值更新公式实时计算权值，实现线损率数据的在线预测。
5.与现有技术相比，本发明的有益效果为，本发明提供了一种基于贝叶斯优化深度神经网络的线损率在线预测方法，将贝叶斯优化方法和在线深度神经网络算法结合，对于数据化、信息化的电网线损数据进行了研究，根据电网结构复杂、数据信息量庞大的特点，构建了基于贝叶斯优化下的在线深度神经网络线损率预测模型，有利于电力部门增强对线损工作的管理力度，从而制定相关降损的解决方案。
附图说明
6.图1所示为本发明实施例提供的方法流程示意图。
实施方式
7.以下结合附图和具体实施例对本发明作进一步详细说明。
8.如图1所示，本发明提供了一种基于贝叶斯优化深度神经网络的线损率在线预测方法，包括以下步骤：步骤s1：采集电网历史负荷类型数据及线损率数据；其中，所述电网历史负荷类型数据包括用电量、有功功率、无功功率。
9.步骤s2：利用基于改进灰色加权关联度分析的特征筛选方法，从电网历史负荷类型数据中筛选出与线损率数据相关性强的负荷相关数据；其中，所述利用基于改进灰色加权关联度分析的特征筛选方法，从电网历史负荷类型数据中筛选出与线损率数据相关性强的负荷相关数据，具体包括：步骤s2.1：计算灰色关联系数，公式如下：；式中：f
ik
为负荷类型数据与线损率数据之间的灰色关联系数；y
ik
为线损率数据序列；y
ok
为负荷类型数据序列；为分辨系数，取 =0.5，i、k分别表示负荷类型数据序列和线损率数据序列中的最小值，n，m分别表示负荷类型数据序列和线损率数据序列中的最大值；步骤s2.2：在灰色关联系数基础上，采用皮尔逊相关系数法确定各负荷类型数据的权重，公式如下：；式中：wk为第k个负荷类型数据的权重，k=1,2，
···
，m，pk为第k个负荷类型数据的pearson相关系数绝对值；步骤s2.3：根据，得到每个负荷类型数据的灰色加权关联度，公式如下：；式中：di为第i个负荷类型数据的灰色加权关联度；步骤s2.4：根据灰色加权关联度筛选出与线损率数据相关性强的负荷相关数据。
10.步骤s3：将筛选出的负荷相关数据和线损率数据进行标准化处理，将负荷相关数据作为输入，将线损率数据作为输出，构建深度神经网络线损率预测模型；其中，所述深度神经网络线损率预测模型由卷积模块、循环跳跃模块、自回归模块和全连接层组成；
其中，卷积模块由多个滤波器组成，第a个滤波器对输入矩阵x进行卷积的操作的公式如下：；式中：*表示卷积运算，ha为输出的特征向量，relu为激活函数，wa为连接到第a个特征量的卷积核的权重矩阵，ba为该特征量的偏置向量；其中，循环跳跃模块为带跳跃步数的循环神经网络，引入时间序列的周期s为跳跃步数，循环跳跃模块在t时刻的单元状态更新过程表述为：；其中：表示跳跃步数后的输入数据、p是被跳过的隐藏单元格数，表示向量的元素对应位置乘积，是sigmoid型函数，
ϕ
表示tanh型函数，r
t
、u
t
、g
t
、o
t
、s
t
和h
t
分别表示输入门、遗忘门、输入节点、输出门、记忆单元和隐含层的输出；w
xr
、w
hr
、w
xu
、w
hu
、w
xg
、w
hg
、w
xo
和w
ho
分别为相关门与输入x
t
和中间输出h
t-p
相乘的矩阵权重；br、bu、bg、bo分别为相关门的偏置向量；其中，全连接层用来组合循环跳跃模块的输出，全连接层的输出值，计算公式如下：
11.其中，全连接层的输入包括时间t处的循环分量，以及从时间t-p+1到t时刻的，表示负荷类型数据，是长短期时间序列网络在时间点t处预测的结果，wr和为模型的参数，b为模型的偏置向量；其中，自回归模块采用ar模型作为线性分量，ar模型用公式表示：；式中：为ar模型预测结果，和为模型的参数，为输入矩阵的窗
口大小，为输入的负荷类型数据；其中，全连接层的输出和自回归模块的输出进行整合，得到最终预测结果 ，公式如下： 。
12.步骤s4：通过贝叶斯优化方法对深度神经网络线损率预测模型的超参数进行优化，输出优化后的超参数结果，构建基于贝叶斯优化深度神经网络线损率预测模型；其中，所述超参数包括隐含层层数、学习率、卷积核个数以及跳跃单元的数量。
13.其中，通过贝叶斯优化方法对深度神经网络线损率预测模型的超参数进行优化，具体包括：步骤s4.1：设定待优化隐含层层数、学习率、卷积核个数、跳跃单元的数量参数范围，优化目标为决定系数r2；步骤s4.2：利用贝叶斯优化方法对深度神经网络线损率预测模型进行优化；其中，采集函数为pi函数，公式如下：；式中：为正态累积分布函数，f（x）为目标函数值，f（x
+
）为目前最优的目标函数值，分别为高斯过程所得目标函数的均值、方差，即为f（x）的后验分布，θ为超参数，用于探索未知的空间或在最大值附近进行探索，θ为0，则倾向于收敛到f（x
+
）附近；步骤s4.3：返回优化的r2最大值及对应深度神经网络线损率预测模型的超参数，其中，将超参数作为基于贝叶斯优化深度神经网络线损率预测模型的参数。
14.步骤s5：在基于贝叶斯优化深度神经网络线损率预测模型基础上，对于实时线损率数据，通过权值更新公式实时计算权值，实现线损率数据的在线预测。
15.其中，对于实时线损率数据，通过权值更新公式实时计算权值，实现线损率数据的在线预测，具体包括：步骤s5.1：针对接收的实时线损率数据，随机选取1个实时线损率数据k；步骤s5.2：计算该线损率数据的误差函数和误差函数梯度；具体公式如下：
16.式中，为实时线损率数据k的值，为模型预测的线损率结果值，
为求偏导数的运算；步骤s5.3：计算新权值，公式如下：；式中，为随机下降速率，取0.01；步骤s5.4：返回最终的新权值，实现线损率数据的在线预测。
17.本发明提供了一种基于贝叶斯优化深度神经网络的线损率在线预测方法，将贝叶斯优化方法和在线深度神经网络算法结合，对于数据化、信息化的电网线损数据进行了研究，根据电网结构复杂、数据信息量庞大的特点，构建了基于贝叶斯优化下的在线深度神经网络线损率预测模型，有利于电力部门增强对线损工作的管理力度，从而制定相关降损的解决方案。
18.以上结合附图详细描述了本发明实施例的可选实施方式，但是，本发明实施例并不限于上述实施方式中的具体细节，在本发明实施例的技术构思范围内，可以对本发明实施例的技术方案进行多种简单变型，这些简单变型均属于本发明实施例的保护范围。
19.另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明实施例对各种可能的组合方式不再另行说明。

技术特征：
1.一种基于贝叶斯优化深度神经网络的线损率在线预测方法，其特征在于，包括以下步骤：步骤s1：采集电网历史负荷类型数据及线损率数据；步骤s2：利用基于改进灰色加权关联度分析的特征筛选方法，从电网历史负荷类型数据中筛选出与线损率数据相关性强的负荷相关数据；步骤s3：将筛选出的负荷相关数据和线损率数据进行标准化处理，将负荷相关数据作为输入，将线损率数据作为输出，构建深度神经网络线损率预测模型；步骤s4：通过贝叶斯优化方法对深度神经网络线损率预测模型的超参数进行优化，输出优化后的超参数结果，构建基于贝叶斯优化深度神经网络线损率预测模型；步骤s5：在基于贝叶斯优化深度神经网络线损率预测模型基础上，对于实时线损率数据，通过权值更新公式实时计算权值，实现线损率数据的在线预测。2.根据权利要求1所述的基于贝叶斯优化深度神经网络的线损率在线预测方法，其特征在于，步骤s1中，所述电网历史负荷类型数据包括用电量、有功功率、无功功率。3.根据权利要求1所述的基于贝叶斯优化深度神经网络的线损率在线预测方法，其特征在于，步骤s2中，利用基于改进灰色加权关联度分析的特征筛选方法，从电网历史负荷类型数据中筛选出与线损率数据相关性强的负荷相关数据，具体包括：步骤s2.1：计算灰色关联系数，公式如下：;式中：f
ik
为负荷类型数据与线损率数据之间的灰色关联系数；y
ik
为线损率数据序列；y
ok
为负荷类型数据序列；为分辨系数，取 =0.5，i、k分别表示负荷类型数据序列和线损率数据序列中的最小值，n，m分别表示负荷类型数据序列和线损率数据序列中的最大值；步骤s2.2：在灰色关联系数基础上，采用皮尔逊相关系数法确定各负荷类型数据的权重，公式如下：；式中：w
k
为第k个负荷类型数据的权重，k=1,2，
···
，m，p
k
为第k个负荷类型数据的pearson相关系数绝对值；步骤s2.3：根据确定的负荷类型数据的权重，得到每个负荷类型数据的灰色加权关联度，公式如下：；式中：d
i
为第i个负荷类型数据的灰色加权关联度；步骤s2.4：根据灰色加权关联度筛选出与线损率数据相关性强的负荷相关数据。4.根据权利要求3所述的基于贝叶斯优化深度神经网络的线损率在线预测方法，其特
征在于，步骤s3中，所述深度神经网络线损率预测模型由卷积模块、循环跳跃模块、自回归模块和全连接层组成；其中，卷积模块由多个滤波器组成，第a个滤波器对输入矩阵x进行卷积的操作的公式如下：；式中：*表示卷积运算，h
a
为输出的特征向量，relu为激活函数，w
a
为连接到第a个特征量的卷积核的权重矩阵，b
a
为该特征量的偏置向量；其中，循环跳跃模块为带跳跃步数的循环神经网络，引入时间序列的周期s为跳跃步数，循环跳跃模块在t时刻的单元状态更新过程表述为：；其中：表示跳跃步数后的输入数据、p是被跳过的隐藏单元格数，表示向量的元素对应位置乘积，是sigmoid型函数，
ϕ
表示tanh型函数，r
t
、u
t
、g
t
、o
t
、s
t
和h
t
分别表示输入门、遗忘门、输入节点、输出门、记忆单元和隐含层的输出；w
xr
、w
hr
、w
xu
、w
hu
、w
xg
、w
hg
、w
xo
和w
ho
分别为相关门与输入x
t
和中间输出h
t-p
相乘的矩阵权重；b
r
、b
u
、b
g
、b
o
分别为相关门的偏置向量；其中，全连接层用来组合循环跳跃模块的输出，全连接层的输出值，计算公式如下：；其中，全连接层的输入包括时间t处的循环分量 ，以及从时间t-p+1到t时刻的，表示负荷类型数据，是长短期时间序列网络在时间t点处预测的结果，w
r
和为模型的参数，b为模型的偏置向量；其中，自回归模块采用ar模型作为线性分量，ar模型用公式表示：；
式中：为ar模型预测结果，和为模型的参数，为输入矩阵的窗口大小，为输入的负荷类型数据；其中，全连接层的输出和自回归模块的输出进行整合，得到最终预测结果，公式如下：。5.根据权利要求4所述的基于贝叶斯优化深度神经网络的线损率在线预测方法，其特征在于，步骤s4中，所述超参数包括隐含层层数、学习率、卷积核个数以及跳跃单元的数量。6.根据权利要求5所述的基于贝叶斯优化深度神经网络的线损率在线预测方法，其特征在于，步骤s4中，通过贝叶斯优化方法对深度神经网络线损率预测模型的超参数进行优化，具体包括：步骤s4.1：设定待优化隐含层层数、学习率、卷积核个数、跳跃单元的数量参数范围，优化目标为决定系数r2；步骤s4.2：利用贝叶斯优化方法对深度神经网络线损率预测模型进行优化；其中，采集函数为pi函数，公式如下：；式中：为正态累积分布函数，f（x）为目标函数值，f（x
+
）为目前最优的目标函数值，分别为高斯过程所得目标函数的均值、方差，即为f（x）的后验分布，θ为超参数，用于探索未知的空间或在最大值附近进行探索，θ为0，则倾向于收敛到f（x
+
）附近；步骤s4.3：返回优化的r2最大值及对应深度神经网络线损率预测模型的超参数，其中，将超参数作为基于贝叶斯优化深度神经网络线损率预测模型的参数。7.根据权利要求6所述的基于贝叶斯优化深度神经网络的线损率在线预测方法，其特征在于，步骤s5中，对于实时线损率数据，通过权值更新公式实时计算权值，实现线损率数据的在线预测，具体包括：步骤s5.1：针对接收的实时线损率数据，随机选取1个实时线损率数据k；步骤s5.2：计算该线损率数据的误差函数和误差函数梯度；具体公式如下：；式中，为实时线损率数据k的值，为模型预测的线损率结果值，为求偏导数的运算；
步骤s5.3：计算新权值，公式如下：；式中，为随机下降速率，取0.01；步骤s5.4：返回最终的新权值，实现线损率数据的在线预测。

技术总结
本发明公开了一种基于贝叶斯优化深度神经网络的线损率在线预测方法，包括以下步骤：采集电网历史负荷类型数据及线损率数据；从电网历史负荷类型数据中筛选出与线损率数据相关性强的负荷相关数据；构建深度神经网络线损率预测模型；构建基于贝叶斯优化深度神经网络线损率预测模型；对于实时线损率数据，通过权值更新公式实时计算权值，实现线损率数据的在线预测。本发明将贝叶斯优化方法和在线深度神经网络算法结合，对于数据化、信息化的电网线损数据进行了研究，根据电网结构复杂、数据信息量庞大的特点，构建了基于贝叶斯优化下的在线深度神经网络线损率预测模型，有利于电力部门增强对线损工作的管理力度，从而制定相关降损的解决方案。损的解决方案。损的解决方案。


技术研发人员：卢静雅 张皓 张宇 刘浩宇 程宝华 何海航 何泽昊 吉杨 翟术然 曹国瑞 滕永兴 孙源祥 李琳
受保护的技术使用者：国网天津市电力公司 国家电网有限公司
技术研发日：2023.09.04
技术公布日：2023/10/15