本發(fā)明涉及配電，更具體地涉及一種中長期區(qū)域用戶的配電策略確定方法、裝置、設(shè)備。

背景技術(shù)：

1、隨著經(jīng)濟發(fā)展和社會用電需求的不斷增長，電量需求呈現(xiàn)出較為復雜的變化趨勢，而電量需求受到多種因素的影響，電網(wǎng)面臨著日益增長的復雜性和異常波動的挑戰(zhàn)，在制定中長期區(qū)域用戶電力規(guī)劃時，需要準確預測未來用電，進而對電網(wǎng)的配電策略進行針對性調(diào)整以滿足用戶需求，現(xiàn)有技術(shù)中缺少對于中長期區(qū)域用戶配電策略進行針對性調(diào)整的方法。

技術(shù)實現(xiàn)思路

1、鑒于上述問題，本發(fā)明提供了中長期區(qū)域用戶的配電策略確定方法、裝置、設(shè)備。

2、根據(jù)本發(fā)明的第一個方面，提供了一種中長期區(qū)域用戶的配電策略確定方法，包括：獲取針對目標區(qū)域在歷史時段內(nèi)的目標歷史時序信息，其中，上述目標歷史時序信息包括：目標歷史用電時序信息、目標歷史氣象時序信息和目標歷史配電交易時序信息；基于譜聚類算法，對上述目標歷史時序信息進行聚類，得到目標因素的時序信息，其中，上述目標因素表征與歷史用電量關(guān)聯(lián)緊密的影響因素；利用時序神經(jīng)網(wǎng)絡(luò)對上述目標因素的時序信息進行特征提取，得到上述目標因素的變化特征和影響權(quán)重，其中，上述變化特征包括：周期性變化特征和實時變化特征，上述影響權(quán)重表征各變化特征對目標時段的目標用電時序數(shù)據(jù)的影響程度，上述時序神經(jīng)網(wǎng)絡(luò)是以樣本歷史用電數(shù)據(jù)為標簽進行訓練得到的；以及利用上述時序神經(jīng)網(wǎng)絡(luò)對上述目標因素的變化特征和影響權(quán)重進行處理，得到上述目標時段的目標用電數(shù)據(jù)，以基于上述目標用電時序數(shù)據(jù)確定針對上述目標區(qū)域的配電網(wǎng)的配電策略。

3、根據(jù)本發(fā)明的實施例，上述時序神經(jīng)網(wǎng)絡(luò)包括多尺度路由模塊，上述多尺度路由模塊包括特征提取層、池化層和路徑選擇層，上述利用時序神經(jīng)網(wǎng)絡(luò)對上述目標因素的時序信息進行特征提取，得到上述目標因素的變化特征和影響權(quán)重，包括：利用上述特征提取層對上述目標因素的時序信息進行離散傅里葉變換，得到頻率分量序列；并對前k個頻率分量進行逆離散傅里葉變換，得到上述目標因素的周期性變化特征，k為大于1的整數(shù)；?利用上述池化層對上述目標因素的周期性變化特征進行平均池化和加權(quán)處理，得到上述目標因素的實時變化特征；以及利用路徑選擇層將基于上述周期性變化特征和上述實時變化特征輸入多尺度路由器，生成上述影響權(quán)重。

4、根據(jù)本發(fā)明的實施例，上述時序神經(jīng)網(wǎng)絡(luò)還包括：多尺度注意力模塊和多尺度聚合模塊，上述利用上述時序神經(jīng)網(wǎng)絡(luò)對上述目標因素的變化特征和影響權(quán)重進行處理，得到上述目標時段的目標用電時序數(shù)據(jù)，包括：利用上述多尺度注意力模塊基于注意力機制對上述周期性變化特征進行融合，得到融合周期性變化特征；利用上述多尺度注意力模塊基于上述注意力機制對上述實時變化特征進行融合，得到融合實時變化特征；以及利用上述多尺度聚合模塊，按照上述影響權(quán)重對上述融合周期性變化特征和上述融合實時變化特征進行處理，生成上述目標用電時序數(shù)據(jù)。

5、根據(jù)本發(fā)明的實施例，上述利用上述多尺度注意力模塊基于注意力機制對上述周期性變化特征進行融合，得到融合周期性變化特征，包括：將上述周期性變化特征進行劃分，得到多個第一特征向量；基于自注意力機制將各上述第一特征向量進行內(nèi)部融合，得到各融合后的第一特征；基于交互注意力機制在各上述第一特征向量之間進行融合，得到融合后的第二特征；以及將上述各融合后的第一特征和上述融合后的第二特征進行拼接，得到上述融合周期性變化特征。

6、根據(jù)本發(fā)明的實施例，上述利用上述多尺度注意力模塊基于上述注意力機制對上述實時變化特征進行融合，得到融合實時變化特征，包括：將上述實時變化特征進行劃分，得到多個第二特征向量；基于自注意力機制將各上述第二特征向量進行內(nèi)部融合，得到各融合后的第三特征；基于交互注意力機制在各上述第二特征向量之間進行融合，得到融合后的第四特征；以及將上述各融合后的第三特征和上述融合后的第四特征進行拼接，得到上述融合實時變化特征。

7、根據(jù)本發(fā)明的實施例，在獲取針對目標區(qū)域在歷史時段內(nèi)的目標歷史時序信息之前，上述方法還包括：獲取針對目標區(qū)域在歷史時段內(nèi)的初始歷史時序信息，其中，上述初始歷史時序信息包括：初始歷史用電時序信息、初始歷史氣象時序信息和初始歷史配電交易時序信息；利用孤立森林算法分別從上述初始歷史時序信息中確定異常信息和與上述異常信息對應的異常時刻；其中，上述異常信息包括以下至少之一：歷史異常用電信息、歷史異常氣象信息和歷史異常配電交易時序信息；以及去除上述異常信息，并基于與上述異常時刻相鄰的至少兩個正常時刻對應的歷史信息，修正上述異常信息，得到上述目標歷史時序信息。

8、根據(jù)本發(fā)明的實施例，上述基于譜聚類算法，對上述目標歷史時序信息進行聚類，得到目標因素的時序信息，包括：根據(jù)上述目標歷史時序信息構(gòu)建相似度矩陣，其中，上述相似度矩陣中各元素表征各因素與歷史用電量的關(guān)聯(lián)度；根據(jù)上述相似度矩陣分別計算鄰接矩陣和度矩陣；根據(jù)上述鄰接矩陣和上述度矩陣，生成拉普拉斯矩陣；基于本征遞增原則，計算歸一化后的上述拉普拉斯矩陣中的前t個本征值對應的t個本征向量，t為大于1的整數(shù)；以及對上述t個本征向量進行聚類，得到上述目標因素的時序信息。

9、根據(jù)本發(fā)明的實施例，上述基于上述目標用電時序數(shù)據(jù)確定針對上述目標區(qū)域的配電網(wǎng)的配電策略，包括：基于上述目標用電時序數(shù)據(jù)，確定各時刻對應的用電負荷數(shù)據(jù)和相鄰時刻的用電負荷數(shù)據(jù)的變化趨勢；以及基于上述用電負荷數(shù)據(jù)和上述變化趨勢，確定上述配電策略。

10、本發(fā)明的第二方面提供了一種中長期區(qū)域用戶的配電策略確定裝置，包括：獲取模塊，用于獲取針對目標區(qū)域在歷史時段內(nèi)的目標歷史時序信息，其中，上述目標歷史時序信息包括：目標歷史用電時序信息、目標歷史氣象時序信息和目標歷史配電交易時序信息；聚類模塊，用于基于譜聚類算法，對上述目標歷史時序信息進行聚類，得到目標因素的時序信息，其中，上述目標因素表征與歷史用電量關(guān)聯(lián)緊密的影響因素；特征提取模塊，用于利用時序神經(jīng)網(wǎng)絡(luò)對上述目標因素的時序信息進行特征提取，得到上述目標因素的變化特征和影響權(quán)重；其中，上述變化特征包括：周期性變化特征和實時變化特征；上述影響權(quán)重表征各變化特征對目標時段的目標用電時序數(shù)據(jù)的影響程度；以及處理模塊，用于利用上述時序神經(jīng)網(wǎng)絡(luò)對上述目標因素的變化特征和影響權(quán)重進行處理，得到上述目標時段的目標用電數(shù)據(jù)，以基于上述目標用電時序數(shù)據(jù)確定針對上述目標區(qū)域的配電網(wǎng)的配電策略。

11、根據(jù)本發(fā)明的實施例，上述時序神經(jīng)網(wǎng)絡(luò)包括多尺度路由模塊，上述多尺度路由模塊包括特征提取層、池化層和路徑選擇層，上述特征提取模塊包括：離散傅里葉變換子模塊，用于利用上述特征提取層對上述目標因素的時序信息進行離散傅里葉變換，得到頻率分量序列；并對前k個頻率分量進行逆離散傅里葉變換，得到上述目標因素的周期性變化特征，k為大于1的整數(shù)；池化子模塊，用于利用上述池化層對上述目標因素的周期性變化特征進行平均池化和加權(quán)處理，得到上述目標因素的實時變化特征；以及影響權(quán)重生成子模塊，用于利用路徑選擇層將基于上述周期性變化特征和上述實時變化特征輸入多尺度路由器，生成上述影響權(quán)重。

12、根據(jù)本發(fā)明的實施例，上述時序神經(jīng)網(wǎng)絡(luò)還包括：多尺度注意力模塊和多尺度聚合模塊，上述處理模塊包括：周期性融合子模塊，用于利用上述多尺度注意力模塊基于注意力機制對上述周期性變化特征進行融合，得到融合周期性變化特征；實時融合子模塊，用于利用上述多尺度注意力模塊基于上述注意力機制對上述實時變化特征進行融合，得到融合實時變化特征；以及多尺度聚合子模塊，用于利用上述多尺度聚合模塊，按照上述影響權(quán)重對上述融合周期性變化特征和上述融合實時變化特征進行處理，生成上述目標用電時序數(shù)據(jù)。

13、根據(jù)本發(fā)明的實施例，上述多尺度聚合子模塊包括：劃分單元，用于將上述周期性變化特征進行劃分，得到多個第一特征向量；內(nèi)部融合單元，用于基于自注意力機制將各上述第一特征向量進行內(nèi)部融合，得到各融合后的第一特征；第二特征融合單元，用于基于交互注意力機制在各上述第一特征向量之間進行融合，得到融合后的第二特征；以及周期性拼接單元，用于將上述各融合后的第一特征和上述融合后的第二特征進行拼接，得到上述融合周期性變化特征。

14、根據(jù)本發(fā)明的實施例，上述實時融合子模塊包括：第二劃分單元，用于將上述實時變化特征進行劃分，得到多個第二特征向量；第二內(nèi)部融合單元，用于基于自注意力機制將各上述第二特征向量進行內(nèi)部融合，得到各融合后的第三特征；第四特征融合單元，用于基于交互注意力機制在各上述第二特征向量之間進行融合，得到融合后的第四特征；以及實時拼接單元，用于將上述各融合后的第三特征和上述融合后的第四特征進行拼接，得到上述融合實時變化特征。

15、根據(jù)本發(fā)明的實施例，上述裝置還包括：初始歷史時序信息獲取模塊，用于獲取針對目標區(qū)域在歷史時段內(nèi)的初始歷史時序信息，其中，上述初始歷史時序信息包括：初始歷史用電時序信息、初始歷史氣象時序信息和初始歷史配電交易時序信息；異常時刻確定模塊，用于利用孤立森林算法分別從上述初始歷史時序信息中確定異常信息和與上述異常信息對應的異常時刻；其中，上述異常信息包括以下至少之一：歷史異常用電信息、歷史異常氣象信息和歷史異常配電交易時序信息；以及去除模塊，用于去除上述異常信息，并基于與上述異常時刻相鄰的至少兩個正常時刻對應的歷史信息，修正上述異常信息，得到上述目標歷史時序信息。

16、根據(jù)本發(fā)明的實施例，上述聚類模塊包括：相似度矩陣構(gòu)建子模塊，用于根據(jù)上述目標歷史時序信息構(gòu)建相似度矩陣，其中，上述相似度矩陣中各元素表征各因素與歷史用電量的關(guān)聯(lián)度；計算子模塊，用于根據(jù)上述相似度矩陣分別計算鄰接矩陣和度矩陣；拉普拉斯矩陣生成子模塊，用于根據(jù)上述鄰接矩陣和上述度矩陣，生成拉普拉斯矩陣；本征向量計算子模塊，用于基于本征遞增原則，計算歸一化后的上述拉普拉斯矩陣中的前t個本征值對應的t個本征向量，t為大于1的整數(shù)；以及聚類子模塊，用于對上述t個本征向量進行聚類，得到上述目標因素的時序信息。

17、根據(jù)本發(fā)明的實施例，上述處理模塊包括：變化趨勢確定子模塊，用于基于上述目標用電時序數(shù)據(jù)，確定各時刻對應的用電負荷數(shù)據(jù)和相鄰時刻的用電負荷數(shù)據(jù)的變化趨勢；以及配電策略確定子模塊，用于基于上述用電負荷數(shù)據(jù)和上述變化趨勢，確定上述配電策略。

18、本發(fā)明的第三方面提供了一種電子設(shè)備，包括：一個或多個處理器；存儲器，用于存儲一個或多個計算機程序，其中，上述一個或多個處理器執(zhí)行上述一個或多個計算機程序以實現(xiàn)上述方法的步驟。

19、本發(fā)明的第四方面還提供了一種計算機可讀存儲介質(zhì)，其上存儲有計算機程序或指令，上述計算機程序或指令被處理器執(zhí)行時實現(xiàn)上述方法的步驟。

20、本發(fā)明的第五方面還提供了一種計算機程序產(chǎn)品，包括計算機程序或指令，上述計算機程序或指令被處理器執(zhí)行時實現(xiàn)上述方法的步驟。

21、根據(jù)本發(fā)明實施例，通過譜聚類算法來對目標歷史時序信息進行聚類，從而得到與歷史用電量關(guān)聯(lián)緊密的影響因素數(shù)據(jù)，可以篩選出目標歷史時序信息中影響因素數(shù)據(jù)較大的點，從而更準確地捕捉數(shù)據(jù)的內(nèi)在構(gòu)成，減少噪聲干擾，進一步地降低計算復雜度；通過時序神經(jīng)網(wǎng)絡(luò)來提取目標因素的變化特征和影響權(quán)重，從而得到目標時段的目標用電數(shù)據(jù)，進而確定針對于目標區(qū)域配電網(wǎng)的配電策略，可以捕捉到時序信息中復雜的時序特性，從而針對性的根據(jù)變化特征和影響權(quán)重來調(diào)整配電策略，優(yōu)化電網(wǎng)資源分配，進一步地提高電網(wǎng)運行的效率，增強了電網(wǎng)可靠性。