本发明涉及电力系统，更具体的说是涉及基于共识fls++和轨迹优化的变压器预警方法及系统。
背景技术：
1、随着光伏发电的普及和推广，大量光伏低压并网用户在发电高峰期会因用户满载而导致配电变压器反向重/过载。如果不及时处理，将导致配电变压器损坏、光伏逆变器退出运行、电气设备烧毁等严重后果。
2、光伏接入的配电网是双向潮流，其负荷率不仅取决于电力消费者的总负荷和配电变压器的额定容量，还与低压接入的光伏有功功率有关，需要考虑更多特征变量。此外，由于光伏发电的间歇性和波动性，以及用户用电行为的复杂性，使得预测模型面临高维小样本的挑战。叠加目前屋顶光伏推进现状，传统的预警方法在高维小样本数据集中往往表现不佳。
3、因此，如何提供基于共识fls++和轨迹优化的变压器预警方法及系统，开发更先进的算法和模型，提高配电变压器光伏接入的反向重/过载预警水平，提高预警的准确性和可靠性，从而更好地支持地区光伏发电的大规模应用是本领域技术人员亟需解决的问题。
技术实现思路
1、有鉴于此，本发明提供了基于共识fls++和轨迹优化的变压器预警方法及系统，基于共识前瞻局部搜索++(foresight local search++， fls++)和统一轨迹优化方法，解决现有模型在光伏接入配电变压器过载预测中负荷预测和光伏发电预测不准确的问题。
2、为了实现上述目的，本发明采用如下技术方案：基于共识fls++和轨迹优化的变压器预警方法，包括：
3、获取电力系统的原始数据；
4、采用改进的模糊c均值聚类算法对所述原始数据进行聚类分析，并得到训练数据集；
5、构建基于神经网络的电力预测模型，将所述训练数据集输入至所述电力预测模型中进行训练；其中，采用共识fls++搜索得到多个共识区域；构造与所述神经网络对应的动力学系统；基于多个所述共识区域，对所述动力学系统的轨迹进行积分，获得多个具有最优神经网络权值和结构的候选预测模型，采用线性集成的方法对多个所述候选预测模型进行合并，得到最终的电力预测模型；
6、根据最终的电力预测模型对电力系统的电力负荷数据进行预测，得到预测结果。
7、优选的，采用改进的模糊c均值聚类算法对所述原始数据进行聚类分析，包括：
8、为每个类找到聚类中心，以最小化模糊目标函数；
9、；
10、其中， n表示聚类对象的数量； c是类别的数量；表示第 i个样本属于第 j类聚类中心的程度； m是模糊因子，表示欧氏距离；是第 i个样本；是第 j个聚类中心；
11、其中，利用协方差来描述负载曲线之间的纵向形状相似性，具有相关系数的距离函数表示为：
12、；
13、；
14、其中，表示第 i个样本的第 k个维数值，是第 i个样本所有维度的平均值，表示第 j个集群中心的第 k个维值，是第 j个集群中心所有维度的平均值，p表示总维度数值。
15、优选的，构建基于神经网络的电力预测模型，包括：
16、采用长短期记忆网络进行负荷和光伏发电预测；
17、通过均方根误差作为预测值和实际值之间的损失函数评估长短期记忆网络的预测性能，表示为：
18、；
19、其中， m为样本数；表示 t时刻第 i个样本的输入数据；表示神经元和超参数的权值。
20、优选的，在神经网络模型的权重参数的解空间随机初始化大量初始点，采用采样方法初始化聚类中心；每次选择新的中心点时，更新每个点到最近中心的距离；
21、初始化方法如下：
22、；
23、其中，p为初始点位置，k为聚类中心个数；
24、对初始聚类中心点集合执行lloyd函数迭代，更新中心点位置：
25、；
26、其中，是一个分配函数，它将每个数据点映射到最近的中心点；
27、完成初始化后，对聚类中心进行局部搜索迭代。
28、优选的，在每次迭代中，首先使用采样方法选择一个新的候选中心点；然后通过新的候选中心点替换当前解中的每个已有中心点，并对每次替换后的结果运行一次lloyd迭代。
29、优选的，使用k-means++算法在每个固定间隔将所有粒子聚集成多个共识区域；
30、使用共识fls++选择的代表性粒子作为初始点。
31、优选的，神经网络的非线性方程组：
32、；
33、其中，h是神经网络的损失，是权重，x是输入数据，n是小批量的大小；
34、通过所述动力学系统的动力学轨迹求解非线性方程组的解，表示为：
35、；
36、其中，是的梯度，为数据影响度调节参数；
37、确定动力学系统的稳定平衡点，所述动力学系统的稳定平衡点是非线性方程组的局部最优解。
38、优选的，通过伪暂态连续法来加快数值积分过程，表示为：
39、；
40、其中，i是单位矩阵，是搜索方向，d是动力学系统的雅可比矩阵；
41、通过校正动力学系统搜索方向加快训练速度，表示为：
42、。
43、优选的，采用线性集成的方法对多个所述候选预测模型进行合并，得到：
44、；
45、根据中每个候选预测模型与预测目标的相似度，计算出每个候选预测模型的权重。
46、优选的，基于共识fls++和轨迹优化的变压器预警系统，包括：
47、原始数据获取模块，用于获取电力系统的原始数据；
48、聚类分析模块，用于采用改进的模糊c均值聚类算法对所述原始数据进行聚类分析，并得到训练数据集；
49、模型训练集成模块，用于构建基于神经网络的电力预测模型，将所述训练数据集输入至所述电力预测模型中进行训练；其中，采用共识fls++搜索得到多个共识区域；构造与所述神经网络对应的动力学系统；基于多个所述共识区域，对所述动力学系统的轨迹进行积分，获得多个具有最优神经网络权值和结构的候选预测模型，采用线性集成的方法对多个所述候选预测模型进行合并，得到最终的电力预测模型；
50、预测模块，用于根据最终的电力预测模型对电力系统的电力负荷数据进行预测，得到预测结果。
51、经由上述的技术方案可知，与现有技术相比，本发明公开提供了基于共识fls++和轨迹优化的变压器预警方法及系统，获取电力系统的原始数据；采用改进的模糊c均值聚类算法对所述原始数据进行聚类分析，并得到训练数据集；构建基于神经网络的电力预测模型，将所述训练数据集输入至所述电力预测模型中进行训练；其中，采用共识fls++搜索得到多个共识区域；构造与所述神经网络对应的动力学系统；基于多个所述共识区域，对所述动力学系统的轨迹进行积分，获得多个具有最优神经网络权值和结构的候选预测模型，采用线性集成的方法对多个所述候选预测模型进行合并，得到最终的电力预测模型；根据最终的电力预测模型对电力系统的电力负荷数据进行预测，得到预测结果。本发明利用新的基于共识fls++和统一轨迹的神经网络优化方法进行神经网络模型训练，获得了多个具有最优神经网络权值和结构的候选预测模型，可分别实现较为精确的负荷预测和光伏发电预测。为了获得更加精确的预测结果，通过多个具有最优神经网络权值和结构的候选预测模型，创建出比单个模型更准确和更可靠的集成预测模型。由多个高质量的神经网络模型组成的集成模型比单个模型具有更高的性能。该集成模型是各高质量神经网络模型的最优组合，可以充分利用各子神经网络的优势，进一步提高模型的整体精度和泛化能力，实现了高准确率的预警变压器运行状态。
1.基于共识fls++和轨迹优化的变压器预警方法，其特征在于，包括：
2.根据权利要求1所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，采用改进的模糊c均值聚类算法对所述原始数据进行聚类分析，包括：
3.根据权利要求1所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，构建基于神经网络的电力预测模型，包括：
4.根据权利要求1所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，在神经网络模型的权重参数的解空间随机初始化大量初始点，采用采样方法初始化聚类中心；每次选择新的中心点时，更新每个点到最近中心的距离；
5.根据权利要求4所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，在每次迭代中，首先使用采样方法选择一个新的候选中心点；然后通过新的候选中心点替换当前解中的每个已有中心点，并对每次替换后的结果运行一次lloyd迭代。
6.根据权利要求1所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，使用k-means++算法在每个固定间隔将所有粒子聚集成多个共识区域；
7.根据权利要求1所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，神经网络的非线性方程组：
8.根据权利要求7所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，通过伪暂态连续法来加快数值积分过程，表示为：
9.根据权利要求1所述的基于共识fls++和轨迹优化的变压器预警方法，其特征在于，采用线性集成的方法对多个所述候选预测模型进行合并，得到：
10.基于共识fls++和轨迹优化的变压器预警系统，其特征在于，包括：
