[发明专利]知识蒸馏优化RNN短期停电预测方法、存储介质及设备

权利要求书

1.一种知识蒸馏优化RNN短期停电预测方法，其特征是：包括以下步骤：

获取与停电故障高关联度特征，作为初始故障特征，基于停电故障样本，获取输电线故障、雷电故障及负荷不均衡故障特征数据，针对不同的故障建立ARIMA模型，得到相应的故障因子值；

基于初始故障特征，采用RNN构建停电故障预测深层模型，输入得到的故障因子值以softmax输出对短期区域停电故障预测值，采用反向传播算法完成模型参数的调节，模型构建完成后提取全连接层的神经元输出数据作为非线性主体的预测值学习目标；

将与输电线故障、雷电故障和负荷不均衡故障相关的线性停电特征数据剔除，简化模型的输入数据，并以简化后的特征数据为输入，构建浅层RNN非线性主体预测子模型，最终输出非线性主体预测值；

以所有故障因子值和非线性主体预测值为softmax的输入，得到所属区域内停电故障的预测值。

2.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法，其特征是：基于用电信息采集系统、营销业务应用系统进行用户用电数据的抽取历史停电样本数据，并以网络数据爬取活得天气信息，抽取数据包含用户用电数据、区域停电数据、区域输电线路数据、终端设备数据和历史气象数据，对采集数据进行数据预处理，实现数据补全、异常值剔除、统一规格和归一化处理，并以灰色关联度分析获取与停电故障高关联度特征，作为初始故障特征。

3.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法，其特征是：基于停电故障样本，获取输电线故障、雷电故障及负荷不均衡故障特征数据，实现对停电故障线性主体部分的预测，即针对输电线故障、雷电故障及负荷不均衡故障分别建立ARIMA模型，输出输电线故障因子值、雷电故障因子值及负荷不均衡故障因子值。

4.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法，其特征是：基于非线性主体的学习目标，同样采用灰色关联度分析算法实现特征数据的筛选，从而将与输电线故障、雷电故障和负荷不均衡故障相关的线性停电特征数据剔除，简化模型的输入数据，并以简化后的特征数据为输入，构建浅层RNN非线性主体预测子模型，最终输出非线性主体预测值。

5.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法，其特征是：以输电线故障因子值、雷电故障因子值、负荷不均衡故障因子值、非线性主体预测值为输入，以softmax实现短期区域停电故障预测，并将结果反馈，不断优化浅层RNN非线性主体预测子模型的参数。

6.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法，其特征是：针对不同的故障建立ARIMA模型，得到相应的故障因子值的具体过程包括：对输电线故障、雷电故障及负荷不均衡故障因子进行平稳性的检验；

进行模式识别，通过自相关系数和偏自相关系数的拖尾和截尾性选择模型，根据模式识别确定的输电线故障、雷电故障和负荷不均衡故障分别选择的ARIMA模型类型，进而确定各模型的自回归过程阶数和移动平均过程阶数；

根据确定的模型和阶数，为输电线故障、雷电故障和负荷不均衡故障分别建立ARIMA模型求解模型中各参数值，利用Q统计量方法，对建立的ARIMA模型计算得到的残差序列进行残差检验，对得到的残差序列进行波动检验；

为雷电故障和负荷不均衡故障分别在各自的ARIMA模型基础上建立广义自回归条件异方差模型。

7.如权利要求1所述的一种知识蒸馏优化RNN短期停电预测方法，其特征是：考虑到气象数据对台区影响具有不确定性，引入了一个随机变量R，对雷电故障预测模型进行改进，根据R方、平稳R方、绝对平方误差和绝对平均百分比误差进行模型评估。