[0001] 本发明涉及电力分配技术领域，具体涉及基于负荷预测的配电网无功电压优化控制方法及设备。

[0002] 在现有技术中，电网的无功电压优化通常依赖于对系统运行状态的实时监测，只有在检测到无功功率不平衡或电压异常时，才会进行相应的补偿和调整。

[0003] 然而，由于电力系统负荷的动态变化较快，电网在监测到异常并进行调整的过程中，可能已经出现了无功功率不平衡、电压波动等问题。这种滞后的响应机制无法及时应对负荷的变化，导致电网频繁发生电压偏移或不稳定现象，从而对电网的整体运行稳定性产生不利影响。

[0004] 此外，电压波动还可能影响电能质量，进而影响用户设备的正常运行和电网的经济性。因此，现有无功电压优化方式难以满足现代电网对高效、实时无功功率调节的需求。

[0005] 综上所述，现有技术中无功电压优化调整通常发生于监测到异常后，存在严重的滞后性，导致无法及时响应负荷变化，进而影响电网的运行稳定性和电能质量的技术问题。

[0014] 本申请提供了基于负荷预测的配电网无功电压优化控制方法及设备，用于针对解决现有技术中无功电压优化调整通常发生于监测到异常后，存在严重的滞后性，导致无法及时响应负荷变化，进而影响电网的运行稳定性和电能质量的技术问题。达到了提前预测出电网支路的无功需求和无功损耗情况，并主动进行无功补偿和电压调整，以确保电网的无功功率平衡和电压稳定，提升电网的运行效率和稳定性的技术效果。

[0015] 下面，将参考附图对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本发明的一部分实施例，而不是本发明的全部实施例，应理解，本发明不受这里描述的示例实施例的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外还需要说明的是，为了便于描述，附图中仅示出了与本发明相关的部分而非全部。

[0016] 实施例一，如图1所示，本申请提供了基于负荷预测的配电网无功电压优化控制方法，包括：A100：获得第一电表登记信息直到第N电表登记信息，其中，所述第一电表登记信息包括第一用户类型信息和第一用户面积信息，所述第N电表登记信息包括第N用户类型信息和第N用户面积信息。

[0017] 具体而言，在本实施例中，电表登记信息指的是与电表相关的用户数据，具体由用户类型信息和用户面积信息构成，用户类型信息是用户的分类，包括但不限于住宅用户、商业用户、工业用户，用户面积信息是用户所占用的面积大小，应理解的，用户面积通常与电力消耗量有关，且用户面积大小往往与用电量成正比。

[0018] 本实施预配置有用于存储电表登记信息的数据中心，因而通过交互数据中心即可获得第一电表登记信息直到第N电表登记信息，本实施例所获如上信息用于后续预测不同时间段内的电力需求，进而优化配电网的无功电压控制策略。

[0019] A200：配置负荷预测时区。

[0020] 具体而言，在本实施例中，负荷预测时区是在进行电力负荷预测时，所选定的时间段，通过合理配置负荷预测时区，可以更准确地预测电力需求。

[0021] 应理解的，电力需求在一周内的不同日子可能会有显著变化，且受人们的活动模式影响，一天中的不同时间可能会有不同的电力需求，因而本实施例中，所述负荷预测时区具有星期特征标签和日时区特征标签。

[0022] 示例性的，负荷预测时区配置为周三，15:00‑18:00。

[0023] A300：根据所述第一用户类型信息和所述第一用户面积信息，通过生长预测模型对所述负荷预测时区进行负荷分析，获得第一用户需求用电量。

[0024] 在一个实施例中，根据所述第一用户类型信息和所述第一用户面积信息，通过生长预测模型对所述负荷预测时区进行负荷分析，获得第一用户需求用电量，本申请提供的方法步骤A300包括：A310：获得所述负荷预测时区的星期特征标签和日时区特征标签。

[0025] A320：根据所述第一用户类型信息、所述第一用户面积信息、所述星期特征标签和所述日时区特征标签，构建第一基准检索条件。

[0026] A330：基于所述第一基准检索条件进行一级样本采集，获得一级样本检索结果，其中，所述一级样本检索结果视为所述第一基准检索条件的子样本。

[0027] A340：遍历所述一级样本检索结果对所述第一基准检索条件中具有差异的条件进行更新，构建第二基准检索条件。

[0028] A350：基于所述第二基准检索条件进行二级样本采集，获得二级样本检索结果。

[0029] A360：直到五级样本检索结果。

[0030] A370：对所述一级样本检索结果、所述二级样本检索结果直到所述五级样本检索结果进行逆向聚合，获得所述第一用户需求用电量。

[0031] 在一个实施例中，根据所述第一用户类型信息、所述第一用户面积信息、所述星期特征标签和所述日时区特征标签，构建第一基准检索条件，如图2所示，本申请提供的方法步骤A320包括：A321：为所述第一用户类型信息、所述星期特征标签配置类别检索条件，当所述第一用户类型信息和所述星期特征标签的类别同时符合，视为类别检索条件满足。

[0032] A322：为所述第一用户面积信息、所述日时区特征标签配置区间检索条件，当第一用户面积区间、日时区特征区间同时符合，视为区间检索条件满足。

[0033] A323：当所述类别检索条件和所述区间检索条件同时满足，视为样本符合筛选条件。

[0034] 在一个实施例中，对所述一级样本检索结果、所述二级样本检索结果直到所述五级样本检索结果进行逆向聚合，获得所述第一用户需求用电量，本申请提供的方法步骤A370包括：A371：构建根节点，以所述一级样本检索结果为一级叶子节点，以所述二级样本检索结果为二级叶子节点直到以所述五级样本检索结果为五级叶子节点，构建层级树。

[0035] A372：提取四级样本检索结果的四级第一样本的五级子样本集合，其中，所述五级子样本集合包括用电量记录数据集合。

[0036] A373：对所述用电量记录数据集合进行众数分析，获得用电量聚合特征值。

[0037] A374：将所述用电量聚合特征值存储至所述四级第一样本，同时删除所述五级子样本集合。

[0038] A375：基于上述原理，对所述层级树自底层向根节点聚合，获得所述第一用户需求用电量。

[0039] 本实施例预测特定用户的电力需求的技术实现如下：将用户按照类型进行分类，如住宅用户、商业用户、工业用户等，用于定义用户类型类别，将星期的每一天标记为一个特征类别，例如星期一、星期二等，用于定义星期特征类别。

[0040] 从步骤A200配置的所述负荷预测时区提取获得星期特征标签和日时区特征标签。

[0041] 基于所述第一用户类型信息定义用户类型类别，基于所述星期特征标签定义星期特征类别，完成类别检索条件的配置，最终所述类别检索条件包括类型特征类别和星期特征类别。

[0042] 当检索所获历史数据中的用户类型与当前用户类型相匹配，并且星期特征也与当前选择的星期特征相匹配时，认为类别检索条件得到满足。

[0043] 根据用户面积的大小，设定不同的面积区间，如小于50平方米、50‑100平方米、大于100平方米等，用于后续定义用户面积区间；将一天分为不同的时间段，如高峰时段（早7点至9点）、非高峰时段（晚11点至早7点）等，用于后续定义日时区特征。

[0044] 采用所述第一用户面积信息遍历前文设定的多个面积区间，以确定第一用户面积信息的所落入的用户面积区间，作为所述第一用户面积区间。

[0045] 采用相同方法，通过将日时区特征标签遍历前文设定的多个时间段，确定所述日时区特征标签落入的具体时间段，作为所述日时区特征区间。

[0046] 所述第一用户面积区间和日时区特征区间构成所述区间检索条件，当检索所获历史数据中的用户面积区间与当前用户面积区间相匹配，并且日时区特征区间也与当前选择的日时区特征相匹配时，认为区间检索条件得到满足。

[0047] 只有同时满足类别检索条件和区间检索条件的历史数据样本才会被视为样本符合筛选条件，可以被选中用于负荷预测。

[0048] 本实施例构建出包括类别检索条件和区间检索条件的精确的基准检索条件，为后续从历史用电量数据中筛选出与当前用户最相似的数据提供保障作用，间接保障负荷预测的准确性。

[0049] 从电力公司预调用历史用电量数据，所述历史用电量数据包括多个样本用户的多个样本电表登记信息（样本用户类型、样本用户面积）、多个样本日时区特征标签、多个样本星期特征标签和多个样本实测用电负荷。

[0050] 所述类别检索条件和区间检索条件构成第一基准检索条件，基于所述第一基准检索条件遍历历史用电量数据进行一级样本采集，获得一级样本检索结果，其中，所述一级样本检索结果视为所述第一基准检索条件的子样本。

[0051] 所述一级样本检索结果为样本用户类型、样本用户面积、样本日时区特征标签、样本星期特征标签满足所述第一基准检索条件的若干个样本电表登记信息（样本用户类型、样本用户面积）、若干个样本日时区特征标签、若干个样本星期特征标签和若干个样本用电量记录数据。

[0052] 对所述一级样本检索结果中若干个样本用户面积进行面积极大值和极小值提取，获得作为第二用户面积区间，对所述一级样本检索结果中若干个样本日时区特征标签进行极大值和极小值提取，作为第二日时区特征区间。

[0053] 采用第二用户面积区间替换第一用户面积区间，采用第二日时区特征区间替换第一日时区特征区间，完成对所述第一基准检索条件中具有差异的条件进行更新，获得第二基准检索条件。

[0054] 基于所述第二基准检索条件遍历所述一级样本检索结果进行二级样本采集，获得二级样本检索结果。所述二级样本检索结果为样本用户类型、样本用户面积、样本日时区特征标签、样本星期特征标签满足所述第二基准检索条件的若干个样本电表登记信息（样本用户类型、样本用户面积）、若干个样本日时区特征标签、若干个样本星期特征标签和若干个样本用电量记录数据。

[0055] 以此类推，循环第二基准检索条件和二级样本检索结果的获得过程，不断进行检索结果限缩，直到获得五级样本检索结果。

[0056] 进而本实施例设定层级树的层数为从一级到五级的五层，初始化根节点，它代表整个用户群体的用电量数据集合。将一级样本检索结果的若干个样本电表登记信息（样本用户类型、样本用户面积）、若干个样本日时区特征标签、若干个样本星期特征标签和若干个样本用电量记录数据作为若干个一级叶子节点挂载到根节点下。

[0057] 应理解的，基于前文可知，二级样本检索结果脱胎于一级样本检索结果，且二级样本检索结果的数据量小于一级样本检索结果。

[0058] 基于此，本实施例将二级样本检索结果的若干个样本电表登记信息（样本用户类型、样本用户面积）、若干个样本日时区特征标签、若干个样本星期特征标签和若干个样本用电量记录数据作为若干个二级叶子节点挂载在对应的一级子节点下。

[0059] 以此类推，进行剩余三级样本检索结果至五级样本检索结果的层层挂载直到五级样本检索结果作为五级叶子节点，完成所述层级树的数据填充。

[0060] 在本实施例中，四级第一样本也就是基于四级样本检索结果更新获得的第四基准检索条件，在层级树中，识别并调用以第四基准检索条件为约束从四级样本检索结果匹配获得的五级子样本集合，并从所述五级子样本集合进行具体的样本用电量记录数据提取，获得用电量记录数据集合。

[0061] 对所述用电量记录数据集合进行众数分析，获得用电量聚合特征值。将所述用电量聚合特征值存储至所述四级第一样本，同时删除所述五级子样本集合。

[0062] 基于上述原理，对所述层级树自底层向根节点聚合，获得对应第一基准检索条件至第四基准检索条件的四个用电量聚合特征值，对四个用电量聚合特征值进行均值计算，作为所述第一用户需求用电量。

[0063] 本实施例通过逐级聚合提供了一个从具体到一般的负荷预测视角，使得预测结果更加精确和可靠。

[0064] A400：直到根据所述第N用户类型信息和所述第N用户面积信息，通过所述生长预测模型对所述负荷预测时区进行负荷分析，获得第N用户需求用电量。

[0065] 具体而言，在本实施例中，步骤A300的细化是应用于第一用户的用电需求预测的生长预测模型的数据处理过程。

[0066] 本实施例采用相同方法，根据所述第N用户类型信息和所述第N用户面积信息，通过所述生长预测模型对所述负荷预测时区进行负荷分析，获得第N用户需求用电量。共计获得第一用户需求用电量至第N用户需求用电量的N个用户需求用电量。

[0067] A500：通过配电网无功损耗预测网络，对所述第一用户需求用电量直到所述第N用户需求用电量进行分析，获得第一支路预测无功损耗功率、第二支路预测无功损耗功率直到第M支路预测无功损耗功率。

[0068] 在一个实施例中，通过配电网无功损耗预测网络，对所述第一用户需求用电量直到所述第N用户需求用电量进行分析，获得第一支路预测无功损耗功率、第二支路预测无功损耗功率直到第M支路预测无功损耗功率，本申请提供的方法步骤A500包括：A510：根据配电网拓扑结构，配置无功损耗预测图神经网络架构，其中，所述无功损耗预测图神经网络架构的拓扑结构与所述配电网拓扑结构相同，每一个用户接入位置抽象为一个输入节点，每一个线路支路抽象为一个输出节点。

[0069] A520：采集配电网断面数据集，其中，所述配电网断面数据集包括第一用户用电量记录数据集直到第N用户用电量记录数据集，以及第一支路无功损耗功率监测数据集、第二支路无功损耗功率监测数据集直到第M支路无功损耗功率监测数据集。

[0070] A530：以所述第一支路无功损耗功率监测数据集、所述第二支路无功损耗功率监测数据集直到所述第M支路无功损耗功率监测数据集为监督，以所述第一用户用电量记录数据集直到所述第N用户用电量记录数据集为输入，对所述无功损耗预测图神经网络架构进行参数训练，获得所述配电网无功损耗预测网络。

[0071] 具体而言，应理解的，配电网拓扑结构是电网各个组件之间的连接方式，这些节点与线路的连通性决定了电能在电网中的流动模式。在本实施例中，交互获得待进行无功电压优化的配电网拓扑结构，所述配电网拓扑结构包括N个用户的N个拓扑节点，和M条拓扑连线连接，N个拓扑节点代表N个用户接入点，M个拓扑连线表示这些节点之间的电力传输关系。

[0072] 图神经网络Graph Neural Network, GNN是一种专门用于处理图结构数据的模型，图神经网络架构中，每个节点和其邻居节点之间都有连通性，这种结构与配电网中的电力流动非常相似。

[0073] 将每一个用户接入位置抽象为一个输入节点，每一个线路支路抽象为一个输出节点，基于所述配电网拓扑结构配置生成无功损耗预测图神经网络架构，以使所述无功损耗预测图神经网络架构的拓扑结构与所述配电网拓扑结构具有一致性，其中，所述无功损耗预测图神经网络架构包含了M个支路和N个节点，N和M为无数值关系的正整数。

[0074] 采集配电网断面数据集，所述配电网断面数据集是指在特定时间点或时间段内，电网中各点的运行数据的集合，可以用于分析电网的运行状态和电网的损耗情况。

[0075] 基于用户用电量对配电网无功损耗具有直接影响的特性，本实施例采集第一用户用电量记录数据集直到第N用户用电量记录数据集，这些用户用电量记录数据集记录了各个用户在不同时间段内的用电量。

[0076] 同时，本实施例采集记录各条支路在不同时间段内的无功损耗功率的第一支路无功损耗功率监测数据集、第二支路无功损耗功率监测数据集直到第M支路无功损耗功率监测数据集。

[0077] 第一用户用电量记录数据集直到第N用户用电量记录数据集，第一支路无功损耗功率监测数据集、第二支路无功损耗功率监测数据集直到第M支路无功损耗功率监测数据集构成所述配电网断面数据集。

[0078] 采用所述配电网断面数据集对无功损耗预测图神经网络架构进行参数训练的具体过程如下：采用第一支路无功损耗功率监测数据集到第M支路无功损耗功率监测数据集作为监督数据，监督数据提供实际的无功损耗值，帮助神经网络学习如何将输入数据（用户用电量）映射为输出数据（无功损耗）。

[0079] 输入数据代表各用户的用电行为，影响配电网的无功损耗，以第一用户用电量记录数据集到第N用户用电量记录数据集作为输入数据。

[0080] 图神经网络的参数训练过程是通过输入数据和监督数据不断调整模型参数，使得网络能够更准确地预测每个支路的无功损耗，模型学习的是用户用电量与无功损耗之间的复杂关系，通过不断优化模型的权重和偏置，提升模型的预测准确性。

[0081] 以所述第一支路无功损耗功率监测数据集、所述第二支路无功损耗功率监测数据集直到所述第M支路无功损耗功率监测数据集为监督，以所述第一用户用电量记录数据集直到所述第N用户用电量记录数据集为输入，采用常规的图神经网络模型训练方法，对所述无功损耗预测图神经网络架构进行参数训练，在训练过程中，模型会学习用户用电量与无功损耗之间的关系，通过调整网络参数，使得模型能够根据输入的用户用电量记录数据集预测出各支路的无功损耗功率，最终获得能够根据新的用户用电量记录数据集预测未来各支路的无功损耗功率的所述配电网无功损耗预测网络。将训练好的无功损耗预测网络部署到实际的配电网运营管理系统中，用于无功损耗预测。

[0082] 本实施例实现了能够根据新的用户用电量记录数据集进行未来各支路的无功损耗功率的准确预测的技术效果。

[0083] A600：遍历所述第一支路预测无功损耗功率、所述第二支路预测无功损耗功率直到所述第M支路预测无功损耗功率进行无功平衡优化，获得第一支路无功补偿功率、第二支路无功补偿功率直到第M支路无功补偿功率。

[0084] 在一个实施例中，遍历所述第一支路预测无功损耗功率、所述第二支路预测无功损耗功率直到所述第M支路预测无功损耗功率进行无功平衡优化，获得第一支路无功补偿功率、第二支路无功补偿功率直到第M支路无功补偿功率，本申请提供的方法步骤A600包括：A610：获得第一支路基础信息，其中，所述第一支路基础信息包括初始无功功率总和、负载消耗无功功率总和，所述初始无功功率总和为第一支路固定部署的无功电源提供的恒定无功功率，所述负载消耗无功功率总和为第一支路恒定支出的无功功率总和。

[0085] A620：构建无功平衡式：区域无功平衡参数=初始无功功率总和‑无功功率总和‑第一支路预测无功损耗功率+第一支路无功补偿功率。

[0086] A630：配置区域无功平衡参数偏差模值区间。

[0087] A640：基于所述第一支路基础信息、所述第一支路预测无功损耗功率和所述无功平衡式，进行第一支路无功补偿功率配置，获得满足所述区域无功平衡参数偏差模值区间的所述第一支路无功补偿功率。

[0088] A650：以相同方式，获得所述第二支路无功补偿功率直到所述第M支路无功补偿功率。

[0089] 在本实施例中，收集每个支路的基础无功功率信息，为后续的无功功率平衡提供数据支持，具体的，收集获得第一支路基础信息，所述第一支路基础信息包括初始无功功率总和、负载消耗无功功率总和，所述初始无功功率总和为第一支路固定部署的无功电源提供的恒定无功功率，所述负载消耗无功功率总和为第一支路恒定支出的无功功率总和。

[0090] 其中，初始无功功率总和由第一支路中固定的无功电源（如电容器、无功补偿设备）提供的无功功率，是一个恒定值，用来补偿系统中的无功需求。负载消耗无功功率总和是第一支路中的负载设备消耗的无功功率，是系统稳定运行时必须提供的功率。

[0091] 无功平衡的核心思想是确保一个区域内无功功率的供给与消耗平衡，本申请基于此构建的无功平衡式如下：区域无功平衡参数=初始无功功率总和‑无功功率总和‑第一支路预测无功损耗功率+第一支路无功补偿功率。

[0092] 设定一个允许的偏差范围作为区域无功平衡参数偏差模值区间，所述区域无功平衡参数偏差模值区间用于评估和调整无功补偿功率，以保持电网的无功功率平衡。

[0093] 将所述第一支路基础信息、所述第一支路预测无功损耗功率代入所述无功平衡式，计算获得第一区域无功平衡参数。若第一区域无功平衡参数落入所述区域无功平衡参数偏差模值区间，则第一支路的无功功率供需平衡，不需要额外的无功补偿，反之则表示第一支路内无功功率供需失衡，需要对第一支路进行无功补偿。

[0094] 基于此，参考所述第一区域无功平衡参数进行第一支路无功补偿功率配置，具体功率配置逻辑如下：如果第一区域无功平衡参数超出所述区域无功平衡参数偏差模值区间的上限，表示无功功率供给过剩，则减少无功补偿，反之，如果第一区域无功平衡参数超出所述区域无功平衡参数偏差模值区间的下限，表示无功功率供给不足，则增加无功补偿。通过增加/减少无功补偿，获得满足所述区域无功平衡参数偏差模值区间的所述第一支路无功补偿功率。

[0095] 以相同方式，获得所述第二支路无功补偿功率直到所述第M支路无功补偿功率。

[0096] 本实施例通过获取每个支路的基础无功功率信息，并基于无功平衡公式进行动态计算与调整，实现了对各支路无功功率的精准补偿，进而确保各支路的无功功率供需平衡的技术效果。

[0097] A700：根据所述第一支路无功补偿功率、所述第二支路无功补偿功率直到所述第M支路无功补偿功率进行配电网无功电压控制。

[0098] 在一个实施例中，根据所述第一支路无功补偿功率、所述第二支路无功补偿功率直到所述第M支路无功补偿功率进行配电网无功电压控制，本申请提供的方法步骤A700包括：A710：遍历所述第一支路无功补偿功率、所述第二支路无功补偿功率直到所述第M支路无功补偿功率，通过电容量匹配网络进行拟合，获得第一支路电容量、第二支路电容量直到第M支路电容量。

[0099] A720：根据所述第一支路电容量、所述第二支路电容量直到所述第M支路电容量，进行电容器并连投切控制，其中，所述电容器为电容量可调电容器。

[0100] 具体而言，应理解的，无功补偿功率代表各条支路中补偿电网无功功率的不平衡部分，通过这些补偿量来保持电压的稳定。在本实施例中，遍历所述第一支路无功补偿功率、所述第二支路无功补偿功率直到所述第M支路无功补偿功率。

[0101] 预构建电容量匹配网络，该网络可以理解为一个计算模型，它根据每条支路的无功补偿需求，计算出对应的电容器电容量，为了将无功补偿功率转化为实际可使用的电容量，使用电容量匹配网络进行拟合，获得第一支路电容量、第二支路电容量直到第M支路电容量。

[0102] 应理解的，电容量可调电容器的电容量可以根据每条支路的需求动态调整，确保电网无功功率平衡和电压稳定，基于此，本实施例根据所述第一支路电容量、所述第二支路电容量直到所述第M支路电容量，进行电容器并连投切控制。

[0103] 本实施例结合无功补偿功率的需求和电容器的动态控制，实现配电网的无功电压优化控制，达到了有效提高了电网的运行效率和稳定性的技术效果。

[0104] 本实施例通过引入负荷预测和无功损耗预测技术，解决了传统无功电压优化方法中滞后性调整的问题，实现了提前预测和主动控制，通过动态、精确的无功补偿和电压控制极大提升了配电网的稳定性和运行效率，显著减少了电压波动与调整滞后性带来的影响，为电网的智能化管理提供了技术支持。

[0105] 实施例二，基于与前述实施例中基于负荷预测的配电网无功电压优化控制方法相同的发明构思，如图3所示，本申请提供了基于负荷预测的配电网无功电压优化控制设备，其中，所述设备包括：登记信息采集模块11，用于获得第一电表登记信息直到第N电表登记信息，其中，所述第一电表登记信息包括第一用户类型信息和第一用户面积信息，所述第N电表登记信息包括第N用户类型信息和第N用户面积信息。

[0106] 预测时区配置模块12，用于配置负荷预测时区。

[0107] 负荷分析执行模块13，用于根据所述第一用户类型信息和所述第一用户面积信息，通过生长预测模型对所述负荷预测时区进行负荷分析，获得第一用户需求用电量。

[0108] 用电需求获得模块14，用于直到根据所述第N用户类型信息和所述第N用户面积信息，通过所述生长预测模型对所述负荷预测时区进行负荷分析，获得第N用户需求用电量。

[0109] 损耗功率预测模块15，用于通过配电网无功损耗预测网络，对所述第一用户需求用电量直到所述第N用户需求用电量进行分析，获得第一支路预测无功损耗功率、第二支路预测无功损耗功率直到第M支路预测无功损耗功率。

[0110] 补偿功率输出模块16，用于遍历所述第一支路预测无功损耗功率、所述第二支路预测无功损耗功率直到所述第M支路预测无功损耗功率进行无功平衡优化，获得第一支路无功补偿功率、第二支路无功补偿功率直到第M支路无功补偿功率。

[0111] 电压控制执行模块17，用于根据所述第一支路无功补偿功率、所述第二支路无功补偿功率直到所述第M支路无功补偿功率进行配电网无功电压控制。

[0112] 在一个实施例中，所述负荷分析执行模块13，包括：获得所述负荷预测时区的星期特征标签和日时区特征标签；根据所述第一用户类型信息、所述第一用户面积信息、所述星期特征标签和所述日时区特征标签，构建第一基准检索条件；基于所述第一基准检索条件进行一级样本采集，获得一级样本检索结果，其中，所述一级样本检索结果视为所述第一基准检索条件的子样本；遍历所述一级样本检索结果对所述第一基准检索条件中具有差异的条件进行更新，构建第二基准检索条件；基于所述第二基准检索条件进行二级样本采集，获得二级样本检索结果；直到五级样本检索结果；对所述一级样本检索结果、所述二级样本检索结果直到所述五级样本检索结果进行逆向聚合，获得所述第一用户需求用电量。

[0113] 在一个实施例中，所述负荷分析执行模块13，包括：为所述第一用户类型信息、所述星期特征标签配置类别检索条件，当所述第一用户类型信息和所述星期特征标签的类别同时符合，视为类别检索条件满足；为所述第一用户面积信息、所述日时区特征标签配置区间检索条件，当第一用户面积区间、日时区特征区间同时符合，视为区间检索条件满足；当所述类别检索条件和所述区间检索条件同时满足，视为样本符合筛选条件。

[0114] 在一个实施例中，所述负荷分析执行模块13，包括：构建根节点，以所述一级样本检索结果为一级叶子节点，以所述二级样本检索结果为二级叶子节点直到以所述五级样本检索结果为五级叶子节点，构建层级树；提取四级样本检索结果的四级第一样本的五级子样本集合，其中，所述五级子样本集合包括用电量记录数据集合；对所述用电量记录数据集合进行众数分析，获得用电量聚合特征值；将所述用电量聚合特征值存储至所述四级第一样本，同时删除所述五级子样本集合；基于上述原理，对所述层级树自底层向根节点聚合，获得所述第一用户需求用电量。

[0115] 在一个实施例中，所述损耗功率预测模块15，包括：根据配电网拓扑结构，配置无功损耗预测图神经网络架构，其中，所述无功损耗预测图神经网络架构的拓扑结构与所述配电网拓扑结构相同，每一个用户接入位置抽象为一个输入节点，每一个线路支路抽象为一个输出节点；采集配电网断面数据集，其中，所述配电网断面数据集包括第一用户用电量记录数据集直到第N用户用电量记录数据集，以及第一支路无功损耗功率监测数据集、第二支路无功损耗功率监测数据集直到第M支路无功损耗功率监测数据集；以所述第一支路无功损耗功率监测数据集、所述第二支路无功损耗功率监测数据集直到所述第M支路无功损耗功率监测数据集为监督，以所述第一用户用电量记录数据集直到所述第N用户用电量记录数据集为输入，对所述无功损耗预测图神经网络架构进行参数训练，获得所述配电网无功损耗预测网络。

[0116] 在一个实施例中，所述补偿功率输出模块16，包括：获得第一支路基础信息，其中，所述第一支路基础信息包括初始无功功率总和、负载消耗无功功率总和，所述初始无功功率总和为第一支路固定部署的无功电源提供的恒定无功功率，所述负载消耗无功功率总和为第一支路恒定支出的无功功率总和；构建无功平衡式：区域无功平衡参数=初始无功功率总和‑无功功率总和‑第一支路预测无功损耗功率+第一支路无功补偿功率；配置区域无功平衡参数偏差模值区间；基于所述第一支路基础信息、所述第一支路预测无功损耗功率和所述无功平衡式，进行第一支路无功补偿功率配置，获得满足所述区域无功平衡参数偏差模值区间的所述第一支路无功补偿功率；以相同方式，获得所述第二支路无功补偿功率直到所述第M支路无功补偿功率。

[0117] 在一个实施例中，所述电压控制执行模块17，包括：遍历所述第一支路无功补偿功率、所述第二支路无功补偿功率直到所述第M支路无功补偿功率，通过电容量匹配网络进行拟合，获得第一支路电容量、第二支路电容量直到第M支路电容量；根据所述第一支路电容量、所述第二支路电容量直到所述第M支路电容量，进行电容器并连投切控制，其中，所述电容器为电容量可调电容器。

[0118] 综上所述的任意一项方法或者步骤可作为计算机指令或程序存储在各种不限类型的计算机存储器中，通过各种不限类型的计算机处理器识别计算机指令或程序，进而实现上述任一项方法或者步骤。

[0119] 基于本发明的上述具体实施例，本技术领域的技术人员在不脱离本发明原理的前提下，对本发明所作的任何改进和修饰，皆应落入本发明的专利保护范围。