[发明专利]配电网边缘侧负荷辨识方法、装置和终端设备

说明书

本申请适用于边缘计算技术领域，提供了一种配电网边缘侧负荷辨识方法、装置和终端设备。该方法包括：获取原始数据集，将原始数据集划分为日负荷训练数据集和日负荷验证数据集；基于日负荷训练数据集对日总负荷预测模型进行训练，以及基于训练后的日总负荷预测模型确定目标日的日总负荷预测值；计算时间数据、天气数据与日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集；基于层间过渡数据集训练分时刻负荷预测模型；基于训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。本申请能够提高利用边缘侧所采集数据进行区域负荷预测的效率并减轻边缘侧计算压力。

技术领域

本申请涉及一种边缘计算技术领域，具体涉及一种配电网边缘侧负荷辨识方法、装置和终端设备。

背景技术

我国电力物联网发展迅速，随着5G通信网络的逐渐展开其建设进程进一步加快，社会生产进步和人民生活水平提高，对电力系统安全的依赖性也不断加强，对配电网络安全稳定性的提升以及智能化的建设提出了更高要求。配电物联网建设过程中最为基础的感知层设备数量大幅增长，设备状态数据、运行环境信息等海量异构且不同传输带宽的数据爆炸式增长，给电力数据的传输存储以及运算处理工作带来了巨大压力。边缘计算技术可以就近处理仅对于本地更有价值的数据，也能够更近距离地储存和归档原始数据，进行简单的过滤、统计工作或通过上层云计算中心下发的数据处理模型对数据进行初步处理后再将结果上传，减少需要进行维护或送往云端和企业数据中心的数据量，从而节约时间成本和能耗成本，并为更重要更复杂的数据流处理节约有限的网络带宽，在配电物联网中合理设计边缘计算架构、应用边缘计算技术可以降低组网成本。

边缘计算架构下的配网数据处理工作要求利用边缘侧有限的计算资源和结构复杂的本地数据，进行有效的信息提取并尽量节约数据处理的能耗和传输时间。但配电物联网当前阶段采用的基于深度学习的负荷预测方法多适用于电力数据中心，网络结构复杂、占用大量计算资源不适合在边缘计算架构进行轻量化的计算和实时数据处理。

发明内容

有鉴于此，本申请实施例提供了一种配电网边缘侧负荷辨识方法、装置和终端设备，能够提高利用边缘侧所采集数据进行区域负荷辨识的效率并减轻边缘侧计算压力。

为达到上述目的，本申请采用如下技术方案：

第一方面，本申请实施例提供了一种配电网边缘侧负荷辨识方法，包括：

获取原始数据集，将所述原始数据集划分为日负荷训练数据集和日负荷验证数据集；所述原始数据集包含天气数据、时间数据、历史分时刻负荷数据以及日总负荷数据；

基于所述日负荷训练数据集对日总负荷预测模型进行训练，以及基于训练后的日总负荷预测模型确定目标日的日总负荷预测值；计算所述时间数据、天气数据与所述日总负荷预测值之间的关联程度，删除关联程度小于阈值的数据，得到层间过渡数据集；基于所述层间过渡数据集训练分时刻负荷预测模型；

基于训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。

本申请实施例中，首先将原始数据集划分为日负荷训练数据集和日负荷验证数据集。之后，基于日负荷训练数据集对日总负荷预测模型进行训练并确定目标日的日总负荷预测值。然后，根据数据之间的关联程度将关联程度较低的数据删除得到层间过渡数据集，根据层间过渡数据集训练分时刻负荷预测模型。最后，采用训练后的日总负荷预测模型和分时刻负荷预测模型，对预测日的总负荷值和每隔预设时长的多个负荷值进行预测。本申请能够提高利用边缘侧所采集数据进行区域负荷预测的效率并减轻边缘侧计算压力。

基于第一方面，在一些实施例中，所述于所述日负荷训练数据集对日总负荷预测模型进行训练，包括：

设置日总负荷预测模型的隐藏层层数的初始值，隐藏层每层的节点数的初始值，在训练过程中根据所述日总负荷预测模型的收敛情况以及预测效果对隐藏层和节点数进行试凑；