[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

说明书

本公开提供了一种知识蒸馏优化RNN短期停电预测方法、存储介质及设备，获取与停电故障高关联度特征，作为初始故障特征，将故障数据分为线性主体部分和非线性主体部分，以ARIMA算法实现对线性主体部分的短期数据预测，以RNN实现对非线性主体部分的预测，二者均作为softmax的输入，最终给出区域短期停电预测值，从而在保证预测精度的前提下，实现对RNN模型的精简和压缩，进而提高模型的运行速度和调参性能。

技术领域

本公开涉及知识蒸馏优化RNN短期停电预测方法、存储介质及设备。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

随着经济现代化进程的快速发展，对电能的稳定性要求越来越高，停电事件严重影响着人们正常的生产生活，甚至危及人类生命安全。停电判别工作经过多年的发展，由最初的人为经验判定到智能化判别，当前电力系统以15分钟一次的频率采集用户用电信息，海量采集数据为停电判别提供了数据支撑，但由于电网终端、线路故障、网络稳定性、天气等因素影响，导致停电判别涉及采集特征因素复杂且数据量大，而当前的停电事件判别方法对采集数据利用率低，易造成误判、错判停电事件，且近些年的智能化判别过程大都通过线路故障判别停电事件，涉及停电事件通常为大面积停电，对于台区小范围停电的研究相对较少，受台区内电网设备、雷电天气等影响，使得台区停电难以监测，并且由于电网的终端轮换，即定期更换电网终端设备，使得之前终端表现的特点在更换的终端中不可使用，进而台区停电预测规则也就发生了“漂移”，故需结合新的终端对台区停电规则进行调整，此外在以往的停电判别过程中，对于影响停电发生的因素选取上多为人为经验选择，这种方法主观性比较强，缺乏科学性，容易导致判别结果出现比较大的误差。

据发明人了解，当前智能电网倾向于采用神经网络来实现对人工判别的模拟，然而由于电力用户多且涉及特征因素繁多，初始即采用循环神经网络(RecurrentNeuralNetwork,RNN)实现停电预测，会导致模型规模庞大、学习速度缓慢且训练时间长，尤其在终端批量轮换导致预测漂移的情况下，需对模型参数进行调整，由此将造成服务器开销负担过重。

发明内容

本公开为了解决上述问题，提出了一种知识蒸馏优化RNN短期停电预测方法、存储介质及设备，本公开能够解决海量采集数据导致停电预测低效且终端批量轮换导致预测偏移的问题。

根据一些实施例，本公开采用如下技术方案：

一种知识蒸馏优化RNN短期停电预测方法，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。

可以根据该停电故障预测值对停电事件进行判别，进而进行针对性的预防/解决措施。

上述方案中将故障数据分为线性主体部分和非线性主体部分，以ARIMA算法实现对线性主体部分的短期数据预测，以RNN实现对非线性主体部分的预测，二者均作为softmax的输入，最终给出区域短期停电预测值，从而在保证预测精度的前提下，实现对RNN模型的精简和压缩，进而提高模型的运行速度和调参性能。