本技术属于新能源并网对线损变化预测，尤其涉及一种光伏高渗透电网的线损预测方法及装置。
背景技术：
1、随着社会经济的快速发展和人民生活水平的提高，人们对电力的需求日益增长，这对电力系统的稳定性和经济性提出了更高的要求。同时，新能源的广泛应用，特别是光伏发电的普及，为电力系统带来了新的机遇与挑战。光伏发电作为分布式能源的重要形式，其高渗透率接入电网后，显著改变了电网的潮流分布，使得线损问题变得更加复杂和不确定。线损作为电力系统运行的一项重要指标，直接影响电力企业的经济效益和社会效益。因此，准确计算线损对优化电网运行，提高电力系统的经济性和稳定性具有重要意义。
2、相关技术中，例如公开号为cn106156892a的专利文件中，公开了一种电网线损率预测模型的建立方法，通过因变量同多个自变量的因果关系进行回归分析求解回归方程，对回归方程进行检验得出预测值。然而没有考虑新能源的加入使得线损变化出现了不确定性和复杂的非线性，因此，如果针对包括新能源在内的电力系统，无法通过上述方法或一些常规算法来准确的计算线损。
3、那么，有必要发明一种用于分析新能源并网对线损影响的方法，解决新能源的加入使得线损变化出现了不确定性和复杂的非线性的问题。
技术实现思路
1、本技术实施例提供了一种光伏高渗透电网的线损预测方法及装置，能够解决新能源的加入使得线损变化出现了不确定性和复杂的非线性的问题。
2、本技术是通过如下技术方案实现的：
3、第一方面，本技术实施例提供了一种光伏高渗透电网的线损预测方法，包括：
4、获取新能源并网的多种历史输入特征；历史输入特征包括天气特征、新能源发电有功功率、负荷和电网总线损；
5、基于多种历史输入特征之间的相关性进行图嵌入，对多种历史输入特征进行优化，得到优化特征序列；
6、利用滑动时间窗口将多种历史输入特征进行重构，得到重构特征序列；
7、采用图转换网络(graph transformer network，gtn)对优化特征序列和重构特征序列进行处理，并输出最终线损变化率的预测值。
8、在第一方面的一种可能的实施方式中，基于多种历史输入特征之间的相关性进行图嵌入，对多种历史输入特征进行优化，得到优化特征序列，包括：
9、将多种历史输入特征的每个原始特征序列嵌入图结构中的节点；
10、采用配对相关性分析，确定图结构中任意两个节点之间的边信息；
11、利用稀疏化操作，处理图结构中节点之间的边信息，得到优化边信息；
12、基于优化边信息，确定优化邻接矩阵；邻接矩阵表征优化特征序列，优化邻接矩阵用于描述图结构。
13、在第一方面的一种可能的实施方式中，边信息包括边权重；
14、利用稀疏化操作，处理图结构中节点之间的边信息，得到优化边信息，包括：
15、利用稀疏化操作删除图结构中边权重小于权重阈值的边；其中，权重阈值为所有边权重构成的盒图的下限；
16、将图结构中剩余的边和边权重，作为优化边信息。
17、在第一方面的一种可能的实施方式中，利用滑动时间窗口将多种历史输入特征进行重构，得到重构特征序列，包括：
18、通过滑动时间窗口将多种历史输入特征重构成多个图像块的特征结构；
19、基于滑动时间窗口的长度，确定特征结构中每个图像块的重构邻接矩阵；重构邻接矩阵表征重构特征序列。
20、在第一方面的一种可能的实施方式中，若多种历史输入特征的每个原始特征序列的邻接矩阵的维度为n×n，则重构邻接矩阵的维度为τn×τn；τ为滑动时间窗口的长度。
21、在第一方面的一种可能的实施方式中，图转换网络包括编码器、解码器和全连接层；其中，编码器包括多层的第一多头图自注意力模块；解码器包括掩码多头图自注意力模块和第二多头图自注意力模块；
22、多层的第一多头图自注意力模块用于对输入到编码器的重构特征序列进行处理，并将处理后的重构特征序列和优化特征序列进行融合，得到带有边信息的向量相关性矩阵，将向量相关性矩阵输入到掩码多头图自注意力模块；
23、掩码多头图自注意力模块用于将嵌入零序列的重构特征序列和向量相关性矩阵进行处理后，得到掩码特征数据，并将掩码特征数据输入到第二多头图自注意力模块；
24、第二多头图自注意力模块用基于掩码特征数据中每个向量之间的相关性，得到最终输入特征序列，并将最终输入特征序列输入到全连接层；
25、全连接层用于输出最终线损变化率的预测值。
26、在第一方面的一种可能的实施方式中，掩码特征数据中每个向量之间的相关性z′l表示为：
27、
28、其中，中ql为第一多头图自注意力模块的第l层的查询索引，kl为第一多头图自注意力模块的第l层的查询键；ml为掩码多头图自注意力模块对应于第一多头图自注意力模块的第l层的掩码矩阵；为张量积运算。
29、在第一方面的一种可能的实施方式中，全连接层包括第一全连接层和第二全连接层；
30、第一全连接层用于调整信道的数量，以使信道的数量与预测域的时间长度相等；
31、第二全连接层与第一全连接层连接，用于调整节点数量，以使节点数量与原空间的节点数量相等。
32、在第一方面的一种可能的实施方式中，最终线损变化率的预测值的表达式为：
33、
34、其中，σ为selu激活函数，w1为第一全连接层中的权重系数矩阵；w2为第二全连接层中的权重系数矩阵；hf为输入第一全连接层的最终输入特征序列。
35、第二方面，本技术实施例提供了一种光伏高渗透电网的线损预测装置，执行如第一方面的光伏高渗透电网的线损预测方法，包括：
36、特征获取模块，用于获取多种历史输入特征；历史输入特征包括天气特征、新能源发电有功功率、负荷和电网总线损；
37、特征优化模块，用于基于多种历史输入特征之间的相关性进行图嵌入，对多种历史输入特征进行优化，得到优化特征序列；
38、特征重构模块，用于利用滑动时间窗口将多种历史输入特征进行重构，得到重构特征序列；
39、特征处理及预测输出模块，用于采用图转换网络对优化特征序列和重构特征序列进行处理，并输出最终线损变化率的预测值。
40、本技术实施例与相关技术相比存在的有益效果是：
41、本技术实施例的光伏高渗透电网的线损预测方法及装置，通过综合考虑多种历史输入特征，全面地捕捉影响线损变化的各种因素，利用图嵌入技术优化特征序列，进一步增强了特征之间的关联性，然后利用滑动时间窗口将历史输入特征重构，能够实现对历史数据的动态更新和实时处理，利用自关注网络进行深度特征处理，能够同时提取多变量序列的时间相关性和交互信息，充分挖掘多变量序列的有效特征，能够自动学习数据中的非线性关系，从而获得未来的准确的线损变化率，为电网的智能化决策提供支持。
42、上述第二方面实施例的有益效果参见第一方面实施例的有益效果，此处不再赘述。
1.一种光伏高渗透电网的线损预测方法，其特征在于，包括：
2.如权利要求1所述的光伏高渗透电网的线损预测方法，其特征在于，所述基于所述多种历史输入特征之间的相关性进行图嵌入，对所述多种历史输入特征进行优化，得到优化特征序列，包括：
3.如权利要求2所述的光伏高渗透电网的线损预测方法，其特征在于，所述边信息包括边权重；
4.如权利要求1所述的光伏高渗透电网的线损预测方法，其特征在于，所述利用滑动时间窗口将所述多种历史输入特征进行重构，得到重构特征序列，包括：
5.如权利要求4所述的光伏高渗透电网的线损预测方法，其特征在于，若所述多种历史输入特征的每个原始特征序列的邻接矩阵的维度为n×n，则所述重构邻接矩阵的维度为τn×τn；τ为所述滑动时间窗口的长度。
6.如权利要求1所述的光伏高渗透电网的线损预测方法，其特征在于，所述图转换网络包括编码器、解码器和全连接层；其中，所述编码器包括多层的第一多头图自注意力模块；所述解码器包括掩码多头图自注意力模块和第二多头图自注意力模块；
7.如权利要求6所述的光伏高渗透电网的线损预测方法，其特征在于，所述掩码特征数据中每个向量之间的相关性z′l表示为：
8.如权利要求6所述的光伏高渗透电网的线损预测方法，其特征在于，所述全连接层包括第一全连接层和第二全连接层；
9.如权利要求8所述的光伏高渗透电网的线损预测方法，其特征在于，所述最终线损变化率的预测值的表达式为：
10.一种光伏高渗透电网的线损预测装置，应用如权利要求1至9任一项所述的光伏高渗透电网的线损预测方法，其特征在于，包括：
