基于JSOA-LSTM线路阻抗负荷预测方法及系统

基于jsoa-lstm线路阻抗负荷预测方法及系统
技术领域
1.本发明涉及电力工程技术领域，特别涉及一种基于jsoa-lstm线路阻抗负荷预测方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
3.随着电网建设规模的日益壮大，电力系统网络结构日趋复杂，电力部门亟需具有一定精度的短期负荷预测方法安排日、周调度计划来保证电力系统安全、经济、稳定运行；
4.目前对传统负荷预测算法的研究大多采用改进传统算法或者将其与新型算法进行结合改进，使它们能够优势互补，随着智能化时代的推进，机器学习与深度学习这些现代预测方法越来越多的应用于电力负荷预测领域；
5.发明人发现，虽然各种单一机器学习算法和神经网络已被广泛应用于短期负荷预测并取得了较大的实践成果，但单一的机器学习算法和神经网络在负荷预测的性能上或多或少存在其局限性，导致预测的准确度偏低。


技术实现要素：

6.为了解决现有技术的不足，本发明提供了一种基于jsoa-lstm线路阻抗负荷预测方法及系统，实现了更精准的线路阻抗负荷预测。
7.为了实现上述目的，本发明采用如下技术方案：
8.本发明第一方面提供了一种基于jsoa-lstm线路阻抗负荷预测方法。
9.一种基于jsoa-lstm线路阻抗负荷预测方法，包括以下过程：
10.对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；
11.采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；
12.根据低频信号、第一高频信号和第二高频信号以及预训练的lstm网络模型，得到各个信号的负荷预测；其中，采用jsoa算法进行lstm网络模型的神经元个数寻优；
13.将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。
14.作为本发明第一方面可选的一种实现方式，获取设定时间间隔的阻抗变化值，包括：
15.获取电网数据，对获取的电网数据采用基于gan网络的数据插补算法进行填充操作，得到填充后的电网数据，根据填充后的电网数据计算支路的阻抗变化值。
16.作为本发明第一方面可选的一种实现方式，电网数据包括台区总表和户表的电量、电压、电流和功率。
17.作为本发明第一方面可选的一种实现方式，采用sym4小波作为小波变换的小波基。
18.作为本发明第一方面可选的一种实现方式，采用小波变换提取阻抗变化曲线的低频信号、第一高频信号、第二高频信号和第三高频信号，去除作为高频噪声信号的第三高频
信号。
19.本发明第二方面提供了一种基于jsoa-lstm线路阻抗负荷预测系统。
20.一种基于jsoa-lstm线路阻抗负荷预测系统，包括：
21.阻抗变化曲线获取模块，被配置为：对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；
22.特征提取模块，被配置为：采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；
23.负荷预测模块，被配置为：根据低频信号、第一高频信号和第二高频信号以及预训练的lstm网络模型，得到各个信号的负荷预测；其中，采用jsoa算法进行lstm网络模型的神经元个数寻优；
24.负荷预测叠加模块，被配置为：将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。
25.作为本发明第二方面可选的一种实现方式，获取设定时间间隔的阻抗变化值，包括：
26.获取电网数据，对获取的电网数据采用基于gan网络的数据插补算法进行填充操作，得到填充后的电网数据，根据填充后的电网数据计算支路的阻抗变化值。
27.作为本发明第二方面可选的一种实现方式，电网数据包括台区总表和户表的电量、电压、电流和功率。
28.本发明第三方面提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的基于jsoa-lstm线路阻抗负荷预测方法中的步骤。
29.本发明第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的基于jsoa-lstm线路阻抗负荷预测方法中的步骤。
30.与现有技术相比，本发明的有益效果是：
31.1、本发明在传统预测方法的基础上，通过小波变换对原始流量数据进行多尺度分解，提取不同频率阻抗的细节特征，对原始流量数据进行预处理；小波变换在低频处将频率细分作为趋势项，高频处将时间细分作为噪声项；对频率高且难以预测的信号进行舍去，减少随机因素对预测的影响，提高了预测精度。
32.2、本发明采用lstm(长短时记忆网络)进行负荷预测，其具有“门”结构，通过门单元的逻辑控制决定数据是否更新或是选择丢弃，克服了rnn权重影响过大、容易产生梯度消失和爆炸的缺点，使网络可以更好、更快地收敛，广泛应用于长时间的序列数据预测方法。
33.3、本发明通过跳蛛优化算法(jumping spider optimization algorithm，jsoa)模拟跳蛛的狩猎行为来达到lstm神经元个数寻优的目的，利用jsoa算法可以快速的找到全局的最优解，并且jsoa算法还可以在常见的机器学习算法中代替原有的参数更新过程，来避免传统的机器学习算法可能出现的陷入局部极值的情况。
附图说明
34.构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
35.图1为本发明实施例1提供的基于jsoa-lstm线路阻抗负荷预测方法的整体流程图；
36.图2为本发明实施例1提供的数据插补算法的效果图；
37.图3为本发明实施例1提供的常见的小波基函数；
38.图4为本发明实施例1提供的离散的小波变换的分解与重构；
39.图5为本发明实施例1提供的lstm网络的循环单元结构；
40.图6为本发明实施例1提供的预测过程流程图；
41.图7为本发明实施例1提供的小波变换与分解示意图；
42.图8为本发明实施例1提供的lstm预测效果图；
43.图9为本发明实施例1提供的jsoa参数优化的流程图。
具体实施方式
44.下面结合附图与实施例对本发明作进一步说明。
45.应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
46.在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
47.实施例1：
48.如图1所示，本发明实施例1提供了一种基于jsoa-lstm线路阻抗负荷预测方法，包括以下过程：
49.s1：数据获取
50.目前智能电表的普及以及hplc的应用，数据通信速率、通信成功率等能力显著提高，数据采集频度和共享频度由“日采集、日共享”向“小时采集、实时共享”提升，台区总表和户表的电压、电流、功率数据的获取已经十分便捷。
51.s2：数据预处理
52.用采系统采集的电量、电压、电流、功率等多元数据，由于采集环境、设备等的问题，采集数据中普遍存在数据缺失的问题；对于该问题，本实施例采用基于gan网络的数据插补算法进行填充操作(如图2所示)，在模拟数据缺失实验中，插补数据与原始数据的mse(均方误差)仅为0.09。
53.利用采集到的电网数据，构建多源数据融合的低压电网模型，利用电压、电流、功率等数据进行线路的阻抗计算，最后计算了台区一个月每条支路(共30条)中小时级的阻抗变化值，每条支路共696个阻抗变化值，其中前660条数据用于训练集，后36条数据用于测试集。
54.s3：小波变换实现对阻抗变化曲线的特征提取
55.s3.1：小波变换的理论
56.小波变换是一种信号的时间—尺度(时间—频率)分析方法，它具有多分辨分析的特点，而且在时频两域都具有表征信号局部特征的能力，是一种窗口大小固定不变但其形状可改变，时间窗和频率窗都可以改变的时频局部化分析方法；即在低频部分具有较低的时间分辨率和较高的频率分辨率，在高频部分具有较高的时间分辨率和较低的频率分辨
率，很适合于分析非平稳的信号和提取信号的局部特征。
57.小波变换是数据处理过程中常用的一种时频多分辨率分析方法，对于某一时间序列f(t)∈l2(r)，连续小波变换可定义成：
[0058][0059]
式中，wf(a，b)为小波变换系数，为复共轭母小波函数，a为频率参数或尺寸参数，b为时域参数或平移参数。
[0060]
对于离散数据序列f(nδt)，小波函数的变换系数为：
[0061][0062]
式中，δt为采样间隔；n为样本容量。
[0063]
由于小波变换主要有连续和离散两种形式，而电网支路阻抗值的时间序列表现为离散形式，所以需要对其进行离散小波变换。
[0064]
小波变换通过小波基函数的伸缩和平移，能够在时域跟频域上对信号进行分解，而不同的小波基函数具有不同的时频特性。因此，小波变换具有以下特点：
[0065]
(1)时频域特点，小波变换是一种兼具时频域的分析方法，与傅里叶变换相比，它具有更好的时域窗，能够准确得到信号的局部信息，并且能够准确反映出信号高低频在时域上的分布特点；
[0066]
(2)灵活性，由于小波变换是根据所选用的小波基函数来对信号进行分解，不同的小波基函数时频特点也会有所差异，其对于不同信号的逼近程度也不尽相同，而目前可供选择的小波基函数十分多样，研究者可以根据自己实际研究需要，选择逼近效果更好的小波基函数；
[0067]
(3)应用的广泛性，由于小波变换兼具时域以及频域的分析特点，因此，小波变换不仅常被用于信号的降噪处理也被众多学者用于信号时域特点的研究，同时，小波变换也可以用于处理平稳信号以及非平稳信号，其应用范围非常广泛。
[0068]
s3.2：小波基的选择
[0069]
小波基是利用小波变换进行信号分析时一个十分重要的因素，其中包括db小波、coif4小波、meyr小波、symlet小波、haar小波以及mexh小波与morl小波等小波基，其中symlet小波系通常表示为symn(n＝2，3，
…
，8)；
[0070]
symn小波的支撑范围2n-1，消失矩为n，同时也具备较好的正则性，该小波与dbn小波相比，在连续性、支集长度、滤波器长度等方面与dbn小波一致，但symn小波具有更好的对称性，即一定程度上能够减少对信号进行分析和重构时的相位失真；
[0071]
通过对比发现，sym4小波不仅能够对所研究的信号进行有效分解，并且能够很好地排除噪声的影响，在保持信号波峰位置不变的情况下还有着非常好的线性关系，常见的小波基函数如图3所示。
[0072]
s3.3：小波变换分解层数的选择
[0073]
小波分解中，对信号的分解是一层一层进行的，对每一层的近似分量进行分解以
获得下一层的近似分量与细节分量(如图4所示)，其中ca是近似分量(低频信号)、cd为细节分量(高频信号)，对原始信号进行离散小波变换(dwt)后，依次对得到的近似分量(ca)进行离散小波变换以获得下一层的分解量。
[0074]
在实际使用小波变换进行多级分解的过程中，若分级次数太少得到的高频信号频率较高，在预测时会增加预测难度；若分级次数太多又会增加预测时间。最终，经过多次实验，本实施例把原始信号分为一个低频信号(ca3)和三个高频信号(cd1、cd2、cd3)，小波变换与分解示意图如图7所示。
[0075]
s4：网络模型的搭建与训练
[0076]
s4.1：lstm模型的搭建
[0077]
搭建深度学习训练模型，并将s3所提取的低频信号和高频信号输入到模型中，进行模型训练。
[0078]
lstm拥有三个门，分别为遗忘门、输入门、输出门，以此决定每一时刻信息记忆与遗忘，输入门决定有多少新的信息加入到细胞当中，遗忘门控制每一时刻信息是否会被遗忘，输出门决定每一时刻是否有信息输出；
[0079]
假设有h个隐藏单元，批量大小为n，输入数为d，因此，输入为x
t
∈rn×d，前一时间步的隐藏状态为h
t-1
∈rn×h；
[0080]
相应地，时间步t被定义如下：输入是i
t
∈rn×h，遗忘门是f
t
∈rn×h，输出门是o
t
∈rn×h，三个门的计算方法如下：
[0081]it
＝σ(x
twxi
+h
t-1whi
+bi)
[0082]ft
＝σ(x
twxf
+h
t-1whf
+bf)
[0083]ot
＝σ(x
twxo
+h
t-1who
+bo)
[0084]
其中，w
xi
，w
xf
，w
xo
∈rd×h和w
hi
，w
hf
，w
ho
∈rh×h是权重参数，bi，bf，bo∈r1×h是偏置参数。
[0085]
图5给出了lstm网络的循环单元结构，其计算过程为：
[0086]
1)首先利用上一时刻的隐藏状态h
t-1
和当前时刻的输入x
t
，计算出三个门，以及候选状态
[0087]
2)结合遗忘门f
t
和输入门i
t
来更新记忆单元c
t
；
[0088]
3)结合输出门o
t
，将内部状态的信息传递给隐藏状态h
t
。
[0089]
综上，候选单元记忆单元c
t
以及隐藏状态h
t
的计算公式为：
[0090][0091][0092]ht
＝o
t
⊙
tanh(c
t
)
[0093]
对于小波分解与重构后的低频信号ca3和高频信号cd3、cd2分别进行lstm训练；而cd1由于为高频噪声信号，不在进行训练，最后将训练得到的各个阻抗信号进行线性叠加计算出预测值，经过多次实验，预测准确率可以达到90％，预测过程的流程图如图6所示。
[0094]
s4.2：跳蛛(jsoa)优化算法原理
[0095]
跳蛛狩猎行为包括：迫害，跳上猎物，搜索猎物，信息素。
[0096]
s4.2.1：迫害
[0097]
当蜘蛛不在可以跳跃捕捉猎物的距离内时，它会通过做一些隐秘的动作靠近，直到达到可以跳跃捕捉猎物的距离。迫害策略可以用匀加速直线运动来表示，见等式：
[0098][0099]
其中xi为跟随蜘蛛的位置，t是时间，vo是初始速度，a是加速度，其中v＝x-x0。
[0100]
对于优化算法，每次迭代可以认为为一段时间，设置每次迭代时间为1，初始速度设置为0，因此上式可以改写成：
[0101][0102]
其中xi(g+1)代表个体迭代后的新位置，代表个体当前位置，为随机选择个体的位置。
[0103]
s4.2.2：跳上猎物
[0104]
跳蛛跟着猎物向它扑去，跳蛛的狩猎策略向猎物跳跃可以表示为抛射运动:
[0105][0106]
s4.2.3：搜索猎物
[0107]
跳蛛在周围环境中进行随机搜索，以找到猎物。本文提出了两个数学函数：局部搜索和全局搜索，用于该模型的建模搜索。
[0108]
局部搜索：
[0109][0110]
其中代表个体迭代后的新位置，是最优个体，walk是(-2，2)之间的均匀随机数，ε是(0，1)之间的随机数。
[0111]
全局搜索：
[0112][0113]
其中代表个体迭代后的新位置，是最优个体，是最差个体，ε是(0，1)之间的随机数。
[0114]
s4.2.4：信息素
[0115]
数学模型取自bwoa，根据适应度大小进行归一化。
[0116]
信息素计算如下：
[0117][0118]
其中，pheromone(i)为个体i的信息素，fitness
max
为最大适应度值，eitness
min
为
最小适应度值，fitness(i)为当前个体适应度值(当前向量的评估结果)。
[0119]
当个体的信息素≤0.3时采用下式进行更新：
[0120][0121]
jsoa优化的参数为lstm层的隐藏单元数目，隐藏单元个数在[32，500]之间选择，lstm预测效果图如图8所示，具体的参数优化流程图如图9所示。
[0122]
s4.2.5：线路阻抗预测
[0123]
将测试数据导入训练好的模型中，得到不同频率下的预测值，最后进行线性叠加，即为线路阻抗的预测值。
[0124]
实施例2：
[0125]
本发明实施例2提供了一种基于jsoa-lstm线路阻抗负荷预测系统，包括：
[0126]
阻抗变化曲线获取模块，被配置为：对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；
[0127]
特征提取模块，被配置为：采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；
[0128]
负荷预测模块，被配置为：根据低频信号、第一高频信号和第二高频信号以及预训练的lstm网络模型，得到各个信号的负荷预测；其中，采用jsoa算法进行lstm网络模型的神经元个数寻优；
[0129]
负荷预测叠加模块，被配置为：将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。
[0130]
所述系统的工作方法与实施例1提供的基于jsoa-lstm线路阻抗负荷预测方法相同，这里不再赘述。
[0131]
实施例3：
[0132]
本发明实施例3提供一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本发明实施例1所述的基于jsoa-lstm线路阻抗负荷预测方法中的步骤。
[0133]
实施例4：
[0134]
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明实施例1所述的基于jsoa-lstm线路阻抗负荷预测方法中的步骤。
[0135]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0136]
本发明是参照根据本发明实施例的方法、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。
[0137]
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。
[0138]
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。
[0139]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-only memory，rom)或随机存储记忆体(random access memory，ram)等。
[0140]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

技术特征：
1.一种基于jsoa-lstm线路阻抗负荷预测方法，其特征在于，包括以下过程：对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；根据低频信号、第一高频信号和第二高频信号以及预训练的lstm网络模型，得到各个信号的负荷预测；其中，采用jsoa算法进行lstm网络模型的神经元个数寻优；将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。2.如权利要求1所述的基于jsoa-lstm线路阻抗负荷预测方法，其特征在于，获取设定时间间隔的阻抗变化值，包括：获取电网数据，对获取的电网数据采用基于gan网络的数据插补算法进行填充操作，得到填充后的电网数据，根据填充后的电网数据计算支路的阻抗变化值。3.如权利要求1所述的基于jsoa-lstm线路阻抗负荷预测方法，其特征在于，电网数据包括台区总表和户表的电量、电压、电流和功率。4.如权利要求1所述的基于jsoa-lstm线路阻抗负荷预测方法，其特征在于，采用sym4小波作为小波变换的小波基。5.如权利要求1所述的基于jsoa-lstm线路阻抗负荷预测方法，其特征在于，采用小波变换提取阻抗变化曲线的低频信号、第一高频信号、第二高频信号和第三高频信号，去除作为高频噪声信号的第三高频信号。6.一种基于jsoa-lstm线路阻抗负荷预测系统，其特征在于，包括：阻抗变化曲线获取模块，被配置为：对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；特征提取模块，被配置为：采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；负荷预测模块，被配置为：根据低频信号、第一高频信号和第二高频信号以及预训练的lstm网络模型，得到各个信号的负荷预测；其中，采用jsoa算法进行lstm网络模型的神经元个数寻优；负荷预测叠加模块，被配置为：将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测。7.如权利要求6所述的基于jsoa-lstm线路阻抗负荷预测系统，其特征在于，获取设定时间间隔的阻抗变化值，包括：获取电网数据，对获取的电网数据采用基于gan网络的数据插补算法进行填充操作，得到填充后的电网数据，根据填充后的电网数据计算支路的阻抗变化值。8.如权利要求6所述的基于jsoa-lstm线路阻抗负荷预测系统，其特征在于，电网数据包括台区总表和户表的电量、电压、电流和功率。9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-5任一项所述的基于jsoa-lstm线路阻抗负荷预测方法中的步骤。10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-5任一项所述的基于jsoa-lstm线路阻抗负荷预测方法中的步骤。

技术总结
本发明提供了一种基于JSOA-LSTM线路阻抗负荷预测方法及系统，对任一条支路，获取设定时间间隔的阻抗变化值，得到此支路的阻抗变化曲线；采用小波变换提取阻抗变化曲线的低频信号、第一高频信号和第二高频信号；根据低频信号、第一高频信号和第二高频信号以及预训练的LSTM网络模型，得到各个信号的负荷预测；其中，采用JSOA算法进行LSTM网络模型的神经元个数寻优；将各信号的负荷预测结果进行叠加后，得到此支路的阻抗负荷预测；本发明实现了更精准的线路阻抗负荷预测。的线路阻抗负荷预测。的线路阻抗负荷预测。


技术研发人员：侯沛景 李源 杨同瑶 刘青 安秋路 袁青彬 戴苏 刘繁 张法业 姜明顺
受保护的技术使用者：山东大学
技术研发日：2022.11.30
技术公布日：2023/7/11