1.本发明涉及输电线路线损预测领域，具体涉及一种基于隐马尔可夫模型的线损率预测方法、装置及设备。
背景技术：2.传统线损计算模型主要是通过潮流计算对线路产生的功率损耗进行计算，根据线路拓扑结构建立各种等值模型，如均方根电流法或者平均电流法等。但是随着新能源不断并入电网，导致配电网的接线方式以及元件模型越来越复杂，新能源出力的不确定性更是给以损耗功率计算为核心的线损计算模型带来了巨大挑战，传统线损计算模型精度低。
技术实现要素：3.本技术的目的在于提供一种基于隐马尔可夫模型的线损率预测方法、装置及设备，解决了传统线损计算精度低的问题。
4.本发明通过下述技术方案实现：
5.第一方面，本发明提供一种基于隐马尔可夫模型的线损率预测方法，包括：
6.采样线损率序列，并对所述线损率序列进行预处理，得到预处理后的线损率序列；
7.采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列；
8.构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型；
9.以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率。
10.进一步地，所述线损率序列w包括w1,w2,....,wn,...,wn，wn表示前n天时采样的线损率，n＝1,2,
…
,n，n表示采样总天数。
11.进一步地，对所述线损率序列进行预处理，得到预处理后的线损率序列，包括：
12.确定线损率序列的缺失值或者异常值，所述异常值表示该值与平均值之间的差值大于设定的阈值；
13.将缺失值或者异常值更新为：
[0014][0015]
其中，d
t
'表示更新后的缺失值或者异常值，t表示缺失值或者异常值对应的时间，d
t-k
表示缺失值或者异常值前的第k个值，d
t+l
表示缺失值或者异常值后的第l个值，k＝1,2,
…
,k1，k1表示第一数据个数，l＝1,2,
…
,l1，l1表示第二数据个数；
[0016]
根据更新缺失值和异常值后线损率序列w，获取线损率均值为：
[0017][0018]
其中，wn表示线损率序列w中的第n个线损率，表示线损率均值；
[0019]
根据所述线损率均值，获取线损率标准差为：
[0020][0021]
其中，sa表示类型为a的数据标准差；
[0022]
根据所述线损率均值以及线损率标准差，进行标准化处理，得到预处理后的线损率序列w'，所述标准化处理包括：
[0023][0024]
其中，wn'表示标准化后的wn，w'＝w1',w2',....,wn',...,wn'。
[0025]
进一步地，采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列，包括：
[0026]
提取预处理后的线损率序列w'，并获取该的线损率序列w'对应的聚类数c，该聚类数c为预先存储数据或者响应于人机交互所产生的数据；
[0027]
构建目标函数为：
[0028][0029]dij
＝||x
i-cj||
[0030]
其中，min(jm)表示目标函数，u
ij
表示第i个样本对第j个聚类中心的隶属度，d
ij
表示第i个样本与第j个聚类中心之间的几何距离，i＝1,2,
…
,n，j＝1,2,
…
,c，所述样本用于表征线损率序列w'中的线损率，xi表示线损率序列w'中第i个线损率，cj表示第j个聚类区间的聚类中心；
[0031]
执行目标函数，获取c个聚类中心为c
t1
,c
t2
,...,c
tj
,....,c
tc
，并根据聚类中心c
t1
,c
t2
,...,c
tj
,....,c
tc
，获取聚类区间为：
[0032]
ξ1＝[d
min
,b2]
[0033]
ξ2＝[b1,b2]
[0034][0035]
ξc＝[bc,d
max
]
[0036][0037]
其中，bj表示区间边界，j＝1,2,
…
,c，ξ1,ξ2,
…
,ξc表示c个聚类区间，d
min
表示线损率序列w'中的最小值，d
max
表示线损率序列w'中的最大值；
[0038]
获取线损率序列w'中每个线损率在所有聚类区间中的隶属度，得到模糊化后的线损率序列sf＝{a1,a2,...,an,....,an}，其中，第n个线损率对应的模糊子集an为：
[0039][0040][0041]
其中，表示线损率序列w'中第n个线损率wn'对应于第j个聚类区间ξj的隶属度。
[0042]
进一步地，构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型，包括：
[0043]
构建隐马尔可夫模型为：
[0044]
λ＝(h,o,hh,ho,π)
[0045]
其中，λ表示隐马尔可夫模型，h表示隐藏状态链；o表示观察状态链，即模糊化后的线损率序列；hh表示隐藏状态之间的状态转移矩阵，ho表示由隐藏状态到观察状态的状态发射矩阵，π表示隐藏状态的初始概率分布向量；h＝(h1,h2,...,h
n1
)，h1,h2,...,h
n1
表示不同的隐藏状态；o＝(o1,o2,...,on)，o1,o2,...,on表示不同的观察状态，n＝c，观察状态用于表征模糊化后的线损率；状态转移矩阵hh的维数为n1
×
n1，其包含元素hh
i'j'
；hh
i'j'
表示隐藏状态h
i'
到隐藏状态h
j'
的转移概率，i'＝1,2,...,n1，j'＝1,2,...,n1；状态发射矩阵ho的维数为n1
×
n，其包括元素ho
i'j”，ho
i'j”表示隐藏状态h
i'
到观察状态o
j”的发射概率；j”＝1,2,
…
,n；
[0046]
对隐马尔可夫模型随机初始化，得到初始隐马尔可夫模型λ'；
[0047]
根据初始隐马尔可夫模型λ'以及模糊化后的线损率序列进行求解，得到最终隐马尔可夫模型，所述求解包括：
[0048]
π
i'
＝γ1(i')
[0049][0050][0051][0052]
其中，π
i'
表示隐藏状态i'的初始概率，γ1(i')表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为1时的隐藏状态为h
i'
的概率；表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为t时的隐藏状态为h
i'
，并且时刻为t+1的隐藏状态为h
j'
的条件概率；γ
t
(i')表示在初始隐马尔可夫模型λ'以及模糊化
后的线损率序列的基础上，时刻为t时的隐藏状态为h
i'
的概率；o(t)＝o
j”表示t时刻的观测状态为o
j”，α
t
(i')表示前面t项出现隐藏状态为h
i'
的概率，β
t
(i')表示剩余项出现隐藏状态为h
i'
的概率，hh'
i'j'
表示初始隐马尔可夫模型λ'的转移概率，ho'
j'(t+1)
表示初始隐马尔可夫模型λ'的发射概率；β
t+1
(i')表示除去前面t+1项后，剩余项出现隐藏状态为h
i'
的概率。
[0053]
进一步地，以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率，包括：
[0054]
根据最终隐马尔可夫模型为基础，获取时间预测的置信向量；
[0055]
采用加权平均法对该置信向量去模糊化，得到预测的线损率。
[0056]
进一步地，所述时间预测的置信向量为：
[0057]
fr
n+1
＝(p
n+1,1
,...,p
n+1,c'
)
[0058][0059]
其中，fr
n+1
表示置信向量，p
n+1,j”表示在n+1时刻，线损率序列w'的模糊子集为a
j”的概率；j”＝1,2,
…
,c'，c'为常数；表示时刻为n时的隐藏状态为hq，并且时刻为n+1的隐藏状态为h
p
的条件概率；ho
qj”表示隐藏状态hq到观察状态o
j”的发射概率。
[0060]
进一步地，所述预测的线损率为：
[0061]w°
(n+1)＝fr
n+1
×
(c)
t
[0062]
其中，w
°
(n+1)表示预测的线损率，(c)
t
表示线损率序列w'的簇中心向量的换位，t表示转置。
[0063]
第二方面，本发明提供一种基于隐马尔可夫模型的线损率预测装置，包括预处理模块、模糊化模块、构建模块以及预测模块；
[0064]
所述预处理模块用于，采样线损率序列，并对所述线损率序列进行预处理，得到预处理后的线损率序列；
[0065]
所述模糊化模块用于，采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列；
[0066]
所述构建模块用于，构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型；
[0067]
所述预测模块用于，以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率。
[0068]
第三方面，本发明提供一种基于隐马尔可夫模型的线损率预测设备，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；
[0069]
所述存储器存储计算机执行指令；
[0070]
所述处理器执行存储器存储的计算机执行指令，使得处理器执行如第一方面所述的一种基于隐马尔可夫模型的线损率预测方法。
[0071]
本发明与现有技术相比，具有如下的优点和有益效果：
[0072]
本发明提供了一种基于隐马尔可夫模型的线损率预测方法、装置及设备，采用隐马尔可夫模型，建立一个模糊关系来描述影响线损的干扰源和观测到的线损数据之间的联系，实现了线路损耗的预测，提高了线损预测的精度。
附图说明
[0073]
为了更清楚地说明本发明示例性实施方式的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。在附图中：
[0074]
图1为本发明实施例提供的一种基于隐马尔可夫模型的线损率预测方法的流程图。
[0075]
图2为本发明实施例提供的一种基于隐马尔可夫模型的线损率预测装置的结构示意图。
[0076]
图3为本发明实施例提供的一种基于隐马尔可夫模型的线损率预测设备的结构示意图。
[0077]
其中，21-预处理模块、22-模糊化模块、23-构建模块、24-预测模块、31-存储器、32-处理器、33-总线。
具体实施方式
[0078]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0079]
实施例1
[0080]
如图1所示，一种基于隐马尔可夫模型的线损率预测方法，包括：
[0081]
s11、采样线损率序列，并对线损率序列进行预处理，得到预处理后的线损率序列。
[0082]
线损率序列可以表示一个连续时间序列所对应的线损率，例如，以天为单位，连续采集一个月的线损率数据，该连续一个月的线损率数据则可以构成线损率序列。
[0083]
对线损率进行预处理可以包括：识别线损率中的缺失值或者异常值，缺失值可以表示时间点上对应的数据为空，异常值可以表示其与平均线损率的差值超过一定范围。
[0084]
可选的，对线损率序列进行预处理可以包括：判断缺失值和异常值的数量是否大于线损率数量的10％，若是，则重新采集线损率序列后，再进行预处理，否则对缺失值以及异常值进行校正，以消除缺失值和异常值。
[0085]
s12、采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列。
[0086]
s13、构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型。
[0087]
对该线路线损情况进行准确预测，线损率、线路拓扑结构和新能源出力等情况都需要进行考虑在内，故定义线损情况的观测状态为该线路的线损率，隐状态代表线路的拓扑结构、电力系统中的运行状态、新能源接入后的出力情况以及用户侧的用电情况等多种复杂因素。因此，通过隐马尔可夫模型确定隐藏状态与线损率之间的映射关系，可以更好地对线损率进行预测。
[0088]
s14、以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率。
[0089]
以最终隐马尔可夫模型为基础，进行去模糊化，可以包括：对隐马尔可夫模型去模
糊化，则可以进行线损率的预测。
[0090]
在本实施例中，线损率序列w包括w1,w2,....,wn,...,wn，wn表示前n天时采样的线损率，n＝1,2,
…
,n，n表示采样总天数。
[0091]
在本实施例中，对线损率序列进行预处理，得到预处理后的线损率序列，包括：
[0092]
确定线损率序列的缺失值或者异常值，异常值表示该值与平均值之间的差值大于设定的阈值。
[0093]
将缺失值或者异常值更新为：
[0094][0095]
其中，d
t
'表示更新后的缺失值或者异常值，t表示缺失值或者异常值对应的时间，d
t-k
表示缺失值或者异常值前的第k个值，d
t+l
表示缺失值或者异常值后的第l个值，k＝1,2,
…
,k1，k1表示第一数据个数，l＝1,2,
…
,l1，l1表示第二数据个数。
[0096]
通过对缺失值或者异常值进行更新，保证了数据的完整性，使构建的隐马尔可夫模型能够更好的预测线损率。
[0097]
根据更新缺失值和异常值后线损率序列w，获取线损率均值为：
[0098][0099]
其中，wn表示线损率序列w中的第n个线损率，表示线损率均值。
[0100]
根据线损率均值，获取线损率标准差为：
[0101][0102]
其中，sa表示类型为a的数据标准差；
[0103]
根据线损率均值以及线损率标准差，进行标准化处理，得到预处理后的线损率序列w'，标准化处理包括：
[0104][0105]
其中，wn'表示标准化后的wn，w'＝w1',w2',....,wn',...,wn'。
[0106]
本实施例中，采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列，包括：
[0107]
提取预处理后的线损率序列w'，并获取该的线损率序列w'对应的聚类数c，该聚类数c为预先存储数据或者响应于人机交互所产生的数据。
[0108]
构建目标函数为：
[0109][0110]dij
＝||x
i-cj||
[0111]
其中，min(jm)表示目标函数，u
ij
表示第i个样本对第j个聚类中心的隶属度，d
ij
表示第i个样本与第j个聚类中心之间的几何距离，i＝1,2,
…
,n，j＝1,2,
…
,c，样本用于表征线损率序列w'中的线损率，xi表示线损率序列w'中第i个线损率，cj表示第j个聚类区间的聚类中心。
[0112]
执行目标函数，获取c个聚类中心为c
t1
,c
t2
,...,c
tj
,....,c
tc
，并根据聚类中心c
t1
,c
t2
,...,c
tj
,....,c
tc
，获取聚类区间为：
[0113]
ξ1＝[d
min
,b2]
[0114]
ξ2＝[b1,b2]
[0115][0116]
ξc＝[bc,d
max
]
[0117][0118]
其中，bj表示区间边界，j＝1,2,
…
,c，ξ1,ξ2,
…
,ξc表示c个聚类区间，d
min
表示线损率序列w'中的最小值，d
max
表示线损率序列w'中的最大值。
[0119]
获取线损率序列w'中每个线损率在所有聚类区间中的隶属度，得到模糊化后的线损率序列sf＝{a1,a2,...,an,....,an}，其中，第n个线损率对应的模糊子集an为：
[0120][0121][0122]
其中，表示线损率序列w'中第n个线损率wn'对应于第j个聚类区间ξj的隶属度。
[0123]
在本实施例中，构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型，包括：
[0124]
构建隐马尔可夫模型为：
[0125]
λ＝(h,o,hh,ho,π)
[0126]
其中，λ表示隐马尔可夫模型，h表示隐藏状态链；o表示观察状态链，即模糊化后的线损率序列；hh表示隐藏状态之间的状态转移矩阵，ho表示由隐藏状态到观察状态的状态发射矩阵，π表示隐藏状态的初始概率分布向量；h＝(h1,h2,...,h
n1
)，h1,h2,...,h
n1
表示不同的隐藏状态；o＝(o1,o2,...,on)，o1,o2,...,on表示不同的观察状态，n＝c，观察状态用于表征模糊化后的线损率；状态转移矩阵hh的维数为n1
×
n1，其包含元素hh
i'j'
；hh
i'j'
表示隐藏状态h
i'
到隐藏状态h
j'
的转移概率，i'＝1,2,...,n1，j'＝1,2,...,n1；状态发射矩阵ho的维数为n1
×
n，其包括元素ho
i'j”，ho
i'j”表示隐藏状态h
i'
到观察状态o
j”的发射概率；j”＝1,2,
…
,n。
[0127]
可选的，可以用过以下方式对隐藏状态数量进行确定：
[0128]
构建目标函数aic为：
[0129]
aic＝2k-2ln(π)
[0130]
其中，k表示常量，且k-3。
[0131]
以目标函数aic最小为目标，获取初始概率分布向量π的值，从而确定最佳的隐藏状态数量。
[0132]
对隐马尔可夫模型随机初始化，得到初始隐马尔可夫模型λ'。
[0133]
值得说明的是，o1,o2,...,on与a1,a2,...,an,....,an是对应的，观察状态即是线损率，通过构建发射矩阵，可以更好的确定隐藏状态与线损率之间的关系，结合隐藏状态的概率变换，使线损率的预测更加精准。而隐藏状态数量也可以是存储于数据库中的数据或者响应于人机交互所产生的数据。
[0134]
根据初始隐马尔可夫模型λ'以及模糊化后的线损率序列进行求解，得到最终隐马尔可夫模型，求解包括：
[0135]
π
i'
＝γ1(i')
[0136][0137][0138][0139]
其中，π
i'
表示隐藏状态i'的初始概率，γ1(i')表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为1时的隐藏状态为h
i'
的概率；表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为t时的隐藏状态为h
i'
，并且时刻为t+1的隐藏状态为h
j'
的条件概率；γ
t
(i')表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为t时的隐藏状态为h
i'
的概率；o(t)＝o
j”表示t时刻的观测状态为o
j”，α
t
(i')表示前面t项出现隐藏状态为h
i'
的概率，β
t
(i')表示剩余项出现隐藏状态为h
i'
的概率，hh'
i'j'
表示初始隐马尔可夫模型λ'的转移概率，ho'
j'(t+1)
表示初始隐马尔可夫模型λ'的发射概率；β
t+1
(i')表示除去前面t+1项后，剩余项出现隐藏状态为h
i'
的概率。
[0140]
在本实施例中，以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率，包括：
[0141]
根据最终隐马尔可夫模型为基础，获取时间预测的置信向量；
[0142]
采用加权平均法对该置信向量去模糊化，得到预测的线损率。
[0143]
在本实施例中，时间预测的置信向量为：
[0144]
fr
n+1
＝(p
n+1,1
,...,p
n+1,c'
)
[0145][0146]
其中，fr
n+1
表示置信向量，p
n+1,j”表示在n+1时刻，线损率序列w'的模糊子集为a
j”的
概率；j”＝1,2,
…
,c'，c'为常数；表示时刻为n时的隐藏状态为hq，并且时刻为n+1的隐藏状态为h
p
的条件概率；ho
qj”表示隐藏状态hq到观察状态o
j”的发射概率。
[0147]
在本实施例中，预测的线损率为：
[0148]w°
(n+1)＝fr
n+1
×
(c)
t
[0149]
其中，w
°
(n+1)表示预测的线损率，(c)
t
表示线损率序列w'的簇中心向量的换位，t表示转置。
[0150]
实施例2
[0151]
如图2所示，本发明提供一种基于隐马尔可夫模型的线损率预测装置，包括预处理模块21、模糊化模块22、构建模块23以及预测模块24。
[0152]
预处理模块21用于，采样线损率序列，并对线损率序列进行预处理，得到预处理后的线损率序列；
[0153]
模糊化模块22用于，采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列；
[0154]
构建模块23用于，构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型；
[0155]
预测模块24用于，以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率。
[0156]
本实施例所述的一种基于隐马尔可夫模型的线损率预测装置可以执行上述实施例1所述的技术方案，其实现原理以及有益效果类似，此处不再进行赘述。
[0157]
实施例3
[0158]
如图3所示，本发明提供一种基于隐马尔可夫模型的线损率预测设备，包括存储器31和处理器32，存储器31与处理器32之间通过总线33相互连接；
[0159]
存储器31存储计算机执行指令；
[0160]
处理器32执行存储器存储的计算机执行指令，使得处理器执行如实施例1所述的一种基于隐马尔可夫模型的线损率预测方法。
[0161]
具体举例的，存储器可以但不限于包括随机存取存储器(random access memory，ram)、只读存储器(read only memory，rom)、闪存(flash memory)、先进先出存储器(first input first output，fifo)和/或先进后出存储器(first in last out，filo)等等；具体地，处理器可以包括一个或多个处理核心，比如4核心处理器、8核心处理器等。处理器可以采用dsp(digital signal processing，数字信号处理)、fpga(field－programmable gate array，现场可编程门阵列)、pla(programmable logic array，可编程逻辑阵列)中的至少一种硬件形式来实现，同时，处理器也可以包括主处理器和协处理器，主处理器是用于对在唤醒状态下的数据进行处理的处理器，也称cpu(central processing unit，中央处理器)；协处理器是用于对在待机状态下的数据进行处理的低功耗处理器。
[0162]
在一些实施例中，处理器可以在集成有gpu(graphics processing unit，图像处理器)，gpu用于负责显示屏所需要显示的内容的渲染和绘制，例如，所述处理器可以不限于采用型号为stm32f105系列的微处理器、精简指令集计算机(reduced instruction set computer，risc)微处理器、x86等架构处理器或集成嵌入式神经网络处理器(neural-network processing units，npu)的处理器；所述收发器可以但不限于为无线保真(wifi)
无线收发器、蓝牙无线收发器、通用分组无线服务技术(general packet radio service，gprs)无线收发器、紫蜂协议(基于ieee802.15.4标准的低功耗局域网协议，zigbee)无线收发器、3g收发器、4g收发器和/或5g收发器等。此外，所述装置还可以但不限于包括有电源模块、显示屏和其它必要的部件。
[0163]
实施例4
[0164]
本发明提供了一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，当计算机执行指令被处理器执行时用于实现如实施例1所述的一种基于隐马尔可夫模型的线损率预测方法。
[0165]
实施例5
[0166]
本发明还可以提供一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现如实施例1所述的一种基于隐马尔可夫模型的线损率预测方法。
[0167]
本发明提供了一种基于隐马尔可夫模型的线损率预测方法、装置及设备，采用隐马尔可夫模型，建立一个模糊关系来描述影响线损的干扰源和观测到的线损数据之间的联系，实现了线路损耗的预测，提高了线损预测的精度。
[0168]
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、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：1.一种基于隐马尔可夫模型的线损率预测方法，其特征在于，包括：采样线损率序列，并对所述线损率序列进行预处理，得到预处理后的线损率序列；采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列；构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型；以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率。2.根据权利要求1所述的基于隐马尔可夫模型的线损率预测方法，其特征在于，所述线损率序列w包括w1,w2,....,w
n
,...,w
n
，w
n
表示前n天时采样的线损率，n＝1,2,
…
,n，n表示采样总天数。3.根据权利要求2所述的基于隐马尔可夫模型的线损率预测方法，其特征在于，对所述线损率序列进行预处理，得到预处理后的线损率序列，包括：确定线损率序列的缺失值或者异常值，所述异常值表示该值与平均值之间的差值大于设定的阈值；将缺失值或者异常值更新为：其中，d
t
'表示更新后的缺失值或者异常值，t表示缺失值或者异常值对应的时间，d
t-k
表示缺失值或者异常值前的第k个值，d
t+l
表示缺失值或者异常值后的第l个值，k＝1,2,
…
,k1，k1表示第一数据个数，l＝1,2,
…
,l1，l1表示第二数据个数；根据更新缺失值和异常值后线损率序列w，获取线损率均值为：其中，w
n
表示线损率序列w中的第n个线损率，表示线损率均值；根据所述线损率均值，获取线损率标准差为：其中，s
a
表示类型为a的数据标准差；根据所述线损率均值以及线损率标准差，进行标准化处理，得到预处理后的线损率序列w'，所述标准化处理包括：其中，w
n
'表示标准化后的w
n
，w'＝w1',w2',....,w
n
',...,w
n
'。4.根据权利要求3所述的基于隐马尔可夫模型的线损率预测方法，其特征在于，采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列，包括：
提取预处理后的线损率序列w'，并获取该的线损率序列w'对应的聚类数c，该聚类数c为预先存储数据或者响应于人机交互所产生的数据；构建目标函数为：d
ij
＝||x
i-c
j
||其中，min(j
m
)表示目标函数，u
ij
表示第i个样本对第j个聚类中心的隶属度，d
ij
表示第i个样本与第j个聚类中心之间的几何距离，i＝1,2,
…
,n，j＝1,2,
…
,c，所述样本用于表征线损率序列w'中的线损率，x
i
表示线损率序列w'中第i个线损率，c
j
表示第j个聚类区间的聚类中心；执行目标函数，获取c个聚类中心为c
t1
,c
t2
,...,c
tj
,....,c
tc
，并根据聚类中心c
t1
,c
t2
,...,c
tj
,....,c
tc
，获取聚类区间为：其中，b
j
表示区间边界，j＝1,2,
…
,c，ξ1,ξ2,
…
,ξ
c
表示c个聚类区间，d
min
表示线损率序列w'中的最小值，d
max
表示线损率序列w'中的最大值；获取线损率序列w'中每个线损率在所有聚类区间中的隶属度，得到模糊化后的线损率序列s
f
＝{a1,a2,...,a
n
,....,a
n
}，其中，第n个线损率对应的模糊子集a
n
为：为：其中，表示线损率序列w'中第n个线损率w
n
'对应于第j个聚类区间ξ
j
的隶属度。5.根据权利要求4所述的基于隐马尔可夫模型的线损率预测方法，其特征在于，构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型，包括：构建隐马尔可夫模型为：λ＝(h,o,hh,ho,π)其中，λ表示隐马尔可夫模型，h表示隐藏状态链；o表示观察状态链，即模糊化后的线损率序列；hh表示隐藏状态之间的状态转移矩阵，ho表示由隐藏状态到观察状态的状态发射
矩阵，π表示隐藏状态的初始概率分布向量；h＝(h1,h2,...,h
n1
)，h1,h2,...,h
n1
表示不同的隐藏状态；o＝(o1,o2,...,o
n
)，o1,o2,...,o
n
表示不同的观察状态，n＝c，观察状态用于表征模糊化后的线损率；状态转移矩阵hh的维数为n1
×
n1，其包含元素hh
i'j'
；hh
i'j'
表示隐藏状态h
i'
到隐藏状态h
j'
的转移概率，i'＝1,2,...,n1，j'＝1,2,...,n1；状态发射矩阵ho的维数为n1
×
n，其包括元素ho
i'j”，ho
i'j”表示隐藏状态h
i'
到观察状态o
j”的发射概率；j”＝1,2,
…
,n；对隐马尔可夫模型随机初始化，得到初始隐马尔可夫模型λ'；根据初始隐马尔可夫模型λ'以及模糊化后的线损率序列进行求解，得到最终隐马尔可夫模型，所述求解包括：π
i'
＝γ1(i')(i')(i')其中，π
i'
表示隐藏状态i'的初始概率，γ1(i')表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为1时的隐藏状态为h
i'
的概率；表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为t时的隐藏状态为h
i'
，并且时刻为t+1的隐藏状态为h
j'
的条件概率；γ
t
(i')表示在初始隐马尔可夫模型λ'以及模糊化后的线损率序列的基础上，时刻为t时的隐藏状态为h
i'
的概率；o(t)＝o
j”表示t时刻的观测状态为o
j”，α
t
(i')表示前面t项出现隐藏状态为h
i'
的概率，β
t
(i')表示剩余项出现隐藏状态为h
i'
的概率，hh'
i'j'
表示初始隐马尔可夫模型λ'的转移概率，ho'
j'(t+1)
表示初始隐马尔可夫模型λ'的发射概率；β
t+1
(i')表示除去前面t+1项后，剩余项出现隐藏状态为h
i'
的概率。6.根据权利要求5所述的基于隐马尔可夫模型的线损率预测方法，其特征在于，以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率，包括：根据最终隐马尔可夫模型为基础，获取时间预测的置信向量；采用加权平均法对该置信向量去模糊化，得到预测的线损率。7.根据权利要求6所述的基于隐马尔可夫模型的线损率预测方法，其特征在于，所述时间预测的置信向量为：fr
n+1
＝(p
n+1,1
,...,p
n+1,c'
)其中，fr
n+1
表示置信向量，p
n+1,j”表示在n+1时刻，线损率序列w'的模糊子集为a
j”的概
率；j”＝1,2,
…
,c'，c'为常数；表示时刻为n时的隐藏状态为h
q
，并且时刻为n+1的隐藏状态为h
p
的条件概率；ho
qj”表示隐藏状态h
q
到观察状态o
j”的发射概率。8.根据权利要求7所述的基于隐马尔可夫模型的线损率预测方法，其特征在于，所述预测的线损率为：w
°
(n+1)＝fr
n+1
×
(c)
t
其中，w
°
(n+1)表示预测的线损率，(c)
t
表示线损率序列w'的簇中心向量的换位，t表示转置。9.一种基于隐马尔可夫模型的线损率预测装置，其特征在于，包括预处理模块、模糊化模块、构建模块以及预测模块；所述预处理模块用于，采样线损率序列，并对所述线损率序列进行预处理，得到预处理后的线损率序列；所述模糊化模块用于，采用模糊c均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列；所述构建模块用于，构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型；所述预测模块用于，以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率。10.一种基于隐马尔可夫模型的线损率预测设备，其特征在于，包括存储器和处理器，所述存储器与处理器之间通过总线相互连接；所述存储器存储计算机执行指令；所述处理器执行存储器存储的计算机执行指令，使得处理器执行如权利要求1至8任意一项所述的一种基于隐马尔可夫模型的线损率预测方法。
技术总结本发明公开了一种基于隐马尔可夫模型的线损率预测方法，包括：采样线损率序列，并对所述线损率序列进行预处理，得到预处理后的线损率序列；采用模糊C均值聚类算法将预处理后的线损率序列模糊化，得到模糊化后的线损率序列；构建初始隐马尔可夫模型，并根据模糊化后的线损率序列对隐马可夫模型求解，得到最终隐马尔可夫模型；以最终隐马尔可夫模型为基础，进行去模糊化，获取预测的线损率。本发明采用隐马尔可夫模型，建立模糊关系来描述影响线损的干扰源和观测到的线损数据之间的联系，实现了线路损耗的预测，提高了线损预测的精度。提高了线损预测的精度。提高了线损预测的精度。
技术研发人员：方建全 陈维民 王家驹 张君胜 谢智 孙晓璐 薛莉思 钟黎 张然 刘晨
受保护的技术使用者：国网四川省电力公司营销服务中心
技术研发日：2022.07.25
技术公布日：2022/11/1
