(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210635589.7 (22)申请日 2022.06.06 (71)申请人 国网河北省电力有限公司营销服 务 中心 地址 050000 河北省石家庄市高新区湘江 道与兴安大街交口南行100米路西电 力科技园院内C座 申请人 国家电网有限公司 (72)发明人 张洋瑞　陶鹏　申洪涛　韩桂楠　 刘晓瑜　贾永良　 (74)专利代理 机构 石家庄国为知识产权事务所 13120 专利代理师 付晓娣 (51)Int.Cl. G06Q 10/04(2012.01)G06V 10/44(2022.01) G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 低压台区网络线损率在线预测模型的训练 方法及装置 (57)摘要 本发明提供一种低压台区网络线损率在线 预测模型的训练方法及装置， 该方法包括： 根据 采集到的低压台区网络内各台区对应的历史线 损率数据与历史电气特征量数据， 筛选出每个台 区中与线损率强相关的目标电气特征量数据； 根 据每个台区的目标电气特征量数据及采集的地 理信息进行图信号处理， 获得各台区的时空特征 矩阵； 根据每个时空特征矩阵输入对应台区的预 设神经网络模型后的输出结果和对应台区的历 史线损率数据， 更新各台区的预设神经网络模型 的权重， 满足训练停止条件时， 获得每个台区训 练好的线损率在线预测模型。 本发 明提供的模型 训练方法可以得到全面准确的台区线损率在线 预测模型， 进而实现对低压台区网络中每个台区 进行线损率的准确在线预测。 权利要求书3页 说明书12页 附图2页 CN 114971053 A 2022.08.30 CN 114971053 A 1.一种低压台区网络线损率在线预测模型的训练方法， 其特 征在于， 包括： 采集低压台区网络 内各个台区对应的历史线损率数据、 历史电气特征量数据及地理信 息； 根据各个 台区对应的所述历史线损率数据与所述历史电气特征量数据， 筛选出每个 台 区中与线损率强相关的目标电气特 征量数据； 根据每个 台区的目标电气特征量数据及地理信 息进行图信号处理， 获得所述低压 台区 网络内各个台区的时空特 征矩阵； 根据每个所述时空特征矩阵输入对应台区的预设神经网络模型后的输出结果和对应 台区的历史线损率数据， 更新各个台区的预设神经网络模型 的权重， 直到满足模型训练停 止条件时， 获得每 个台区训练好的线损率在线预测模型。 2.如权利要求1所述的低压 台区网络线损率在线预测模型的训练方法， 其特征在于， 所 述根据每个台区的目标电气特征量数据及地理信息进 行图信号处理， 获得所述低压台区网 络内各个台区的时空特 征矩阵， 包括： 根据每个台区的目标电气特征量数据及地理信息构建所述低压台区网络的台区节点 无向图； 基于所述台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时 空特征提取， 获得 所述低压台区网络内各个台区的时空特 征矩阵。 3.如权利要求2所述的低压 台区网络线损率在线预测模型的训练方法， 其特征在于， 所 述基于所述台区节点无向图中各个台区节点的图信号进行直接时空特征提取和间接时空 特征提取， 获得 所述低压台区网络内各个台区的时空特 征矩阵， 包括： 针对所述台区节点无向图中的每个 台区节点， 将与该台区节点直接相连的台区节点标 记为相连节点， 并基于该台区节点的每个相连节点的图信号对相应的相连节点进 行直接时 空特征提取， 获得 该台区节点相对于每 个相连节点的间接时空特 征矩阵； 基于该台区节点的图信号以及每个所述间接时空特征矩阵对该台区节点进行直接时 空特征提取， 获得 该台区节点的时空特 征矩阵。 4.如权利要求3所述的低压 台区网络线损率在线预测模型的训练方法， 其特征在于， 所 述将与该台区节点直接相连的台区节点标记为相连节点， 并基于该台区节点的每个相连节 点的图信号对相应的相连节点进 行直接时空特征提取， 获得该台区节点相对于每个相连节 点的间接时空特 征矩阵， 包括： 根据 对相应的相连节点进 行直接时空特征提取， 获得该 台区节点相对于每 个相连节点的间接时空特 征矩阵； 其中， H(m+1)表示该台区节点相对于每个相连节点的间接时空特征矩阵， 表示邻接矩阵A与单位矩阵IN的和， D表示 的度矩阵， 表示对 进行归一化处理， W (m)表示与每个相连节 点直接相连的m个台区节 点的权重向量， m为正整数， σ 表 示Relu激活函 数， H(m)表示未进行时空特 征提取之前 各个相连节点的图信号。 5.如权利要求4所述的低压 台区网络线损率在线预测模型的训练方法， 其特征在于， 所 述基于该台区节点的图信号以及每个所述间接时空特征矩阵对该台区节点进行直接时空权　利　要　求　书 1/3 页 2 CN 114971053 A 2特征提取， 获得 该台区节点的时空特 征矩阵， 包括： 根据 对该台区节点进行直接时空特征提取， 将该直接时空特征矩 阵记为该台区节点的时空特 征矩阵； 其中， F表示该台区节点的时空特征矩阵， 表示对 进行归一化处理， H(m+1) 表示该台区节点相对于每个相连节点的间接时空特征矩阵， σ1表示Softmax激活函数， W(n) 表示与该台区节点 直接相连的n个相连节点的权 重向量， n 为正整数。 6.如权利要求1 ‑5任一项所述的低压台区网络线损率在线预测模型的训练方法， 其特 征在于， 所述根据每个所述时空特征矩阵输入对应台区的预设神经网络模 型后的输出结果 和对应台区的历史线损率数据， 更新各个台区的预设神经网络模型的权 重， 包括： 根据 更新各个台区的预设神经网络模型的权 重； 其中， Qt+1表示各个台区的预设神经网络模型经过当前时刻 t后实时更新的权重， Qt表示 各个台区的预设神经网络模型当前进行预测的权重， α表示学习率， mt表示权重变化量， J ( θ )为损失函数， 所述损失函数由各个所述时空特征矩阵输入对应台区的预设神经网络模 型后的输出 结果和对应台区的历史线损率数据确定， 7.如权利要求1 ‑5任一项所述的低压台区网络线损率在线预测模型的训练方法， 其特 征在于， 在获得每 个台区训练好的线损率在线预测模型之后， 还 包括： S1： 将采集的低压台区网络 内各个台区对应的实时目标电气特征量数据及所述地理信 息进行图信号处理， 得到所述低压台区网络内各个台区的时空特征矩阵， 并将各个台区的 时空特征矩阵输入至对应台区的线损率在线 预测模型中， 得到所述低压台区网络中每个台 区的线损率在线预测结果； S2： 基于各个 台区的线损率在线预测结果和各个 台区对应的实际线损率数据更新相应 台区的线损率在线预测模型的权重， 以根据更新后的每个台区的线损率在线 预测模型继续 跳转到S1执 行。 8.一种低压台区网络线损率在线预测模型的训练装置， 其特 征在于， 包括： 数据采集模块， 用于采集低压台区网络内各个台区对应的历史线损率数据、 历史电气 特征量数据及地理信息； 特征筛选模块， 用于根据各个 台区对应的所述历史线损率数据与所述历史电气特征量 数据， 筛选出每个台区中与线损率强相关的目标电气特 征量数据； 特征提取模块， 用于根据每个台区的目标电气特征量数据及地理信息进行图信号处 理， 获得所述低压台区网络内各个台区的时空特 征矩阵； 模型训练模块， 用于根据每个所述 时空特征矩阵输入对应 台区的预设神经网络模型后 的输出结果和对应台区的历史线损率数据， 更新各个台区的预设神经网络模型 的权重， 直 到满足模型训练停止条件时， 获得每 个台区训练好的线损率在线预测模型。 9.一种电子设备， 包括存储器、 处理器以及存储在所述存储器中并可在所述处理器上权　利　要　求　书 2/3 页 3 CN 114971053 A 3