[发明专利]一种应用配电网全域大数据的人工智能预测模型构方法

权利要求书

1.一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：构建以配电网全域大数据为基础的人工智能预测模型，采用深度学习的各种模型，利用从各类在线监测系统、无人机或机器人巡检系统、PMS生产管理系统、OMS系统、监控系统、电能管理系统及智能中断等不同的平台及设备中获取的信息，充分利用处理，构建的如下构建配网负荷模型、供电可靠性分析模型、安全运行风险预警模型、投资成本效能分析模型、优质服务要点研究模型等五大模型，概述如下：

配网负荷预测模型,负荷虽然分为不同类型，但大部分同时间和外部环境条件紧密相关，以历史负荷、历史气象数据和用电大户投运时间等作为时间序列数据进入深度模型进行学习，最终生成负荷预测模型,并且可通过迭代学习进化负荷预测模型，通过该模型得以提升电力负荷预测的准确度；

供电可靠性分析模型,供电可靠性受系统负荷，元件可靠性性能，元件电气性能和网架结构等影响，通过将四个方面的运行数据进入深度模型中学习，最终生成供电可靠性影响分析模型，以提高可靠性评估水平；

安全运行风险预警模型,从电网、设备、人员等多维度环境中挖掘潜在的风险点隐患，确定出相应的风险及管控措施；

投资成本效能分析模型,通过引入大数据分析技术，对电网项目与供电覆盖范围、可供电量、用电量、缺陷、故障等之间潜在规律和关联关系的分析和研究，提供未来投资进行辅助决策建议；

优质服务要点研究模型,利用多种统计标准反映供电服务指挥过程中经济状态、整体现状与特点的分析模式，通过对外部环境研究使得系统相关功能及流程设计既确保具有直接客户应用的能够分层次分区域的运作模式，又能支撑服务质量监督与管控集中开展的一体化运作模式。

2.根据权利要求1所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：LSTM即长短时神经网络，采用深度神经网络，学习训练，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷,该模型的构建，拟利用采用LSTM模型算法，其核心是是一种特定形式的循环式神经网络，LSTM是一种门限RNN，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell,一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门,说起来无非就是一进二出的工作原理，却可以在反复运算下解决神经网络中长期存在的大问题,目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多,在门限RNN中一个信息进入LSTM的网络当中，可以根据规则来判断是否有用,只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。

3.根据权利要求2所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：可靠性智能监控预警，分别从线损监控、指标预警、数据溯源等方面进行分析，结合实际深入分析管理中出现的配电网线损异常问题，通过设定报警公式，对线损相关指标进行分析，自动定位异常线路、台区以及用电客户，还可根据理论线损和配线、台区线损计算的计算结果，通过多种维度多种方式进行高级应用分析，提出在日后降损过程中应采取的技术措施和工作中应采取的管理措施，实现一套基于多维度信息平台的新型线损信息管理模式，提供自动、可靠、完整的数据源，从而为配电网运行提供科学的分析、降损、增效的技术手段。

4.根据权利要求3所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：LSTM的巧妙之处在于通过增加输入门限，遗忘门限和输出门限，使得自循环的权重是变化的，这样一来在模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了梯度消失或者梯度膨胀的问题,利用该算法在实现负荷预测时，简单理解其原理是根据遗忘门可以过滤大多数无用的数据，通过输出门可实现有效数据长期存在，并得出下一个输出门可能的数值。

5.根据权利要求4所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：对于安全运行风险预测，实现预警，可采用GRU算法模型网络，这也是RNN的一种模型，并且算是LSTM网络的变体，它只保留了两个门，分别为更新门和重置门，即图中的zt和rt,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多,重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。