CN103106350A - 基于人工神经网络的线损分析数据还原方法 - Google Patents
基于人工神经网络的线损分析数据还原方法 Download PDFInfo
- Publication number
- CN103106350A CN103106350A CN2013100740904A CN201310074090A CN103106350A CN 103106350 A CN103106350 A CN 103106350A CN 2013100740904 A CN2013100740904 A CN 2013100740904A CN 201310074090 A CN201310074090 A CN 201310074090A CN 103106350 A CN103106350 A CN 103106350A
- Authority
- CN
- China
- Prior art keywords
- points
- mutation
- indicatrix
- artificial neural
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Measuring Or Testing Involving Enzymes Or Micro-Organisms (AREA)
Abstract
一种基于人工神经网络的线损分析数据还原方法,先用人工神经网络对供电量的每天24点的小时电量曲线进行分类,确定每一条曲线的特征曲线,然后对人工神经网络特征曲线进行突变、漏点数据识别训练,使之具有对本类曲线中的突变、漏点数据进行识别的能力,再利用人工神经网络精确定位突变、漏点数据,最后对突变、漏点数据进行还原。本发明利用人工神经网络对电力系统线损分析数据进行还原,解决了数据缺失、突变、漏点等问题。
Description
技术领域
本发明涉及一种基于人工神经网络的线损分析数据还原方法。
背景技术
在电力系统线损分析数据中存在大量坏数据的情况,台区线损供电侧数据也存在由于非设备原因导致的数据缺失、突变、漏点等问题。这些问题都大大影响了数据的精度。
发明内容
本发明提供一种基于人工神经网络的线损分析数据还原方法,可以解决电力系统负荷数据缺失、突变、漏点等问题。
为了达到上述目的,本发明提供一种基于人工神经网络的线损分析数据还原方法,该方法包含以下步骤:
步骤1、用人工神经网络对供电量的每天24点的小时电量曲线进行分类,确定每一条曲线的特征曲线;
步骤2、对人工神经网络特征曲线进行突变、漏点数据识别训练,使之具有对本类曲线中的突变、漏点数据进行识别的能力;
步骤3、精确定位突变、漏点数据;
步骤4、对突变、漏点数据进行还原,得到还原后的线损率;
;
所述的步骤1包含以下步骤:
步骤1.1、将未发生突变、漏点的某天的日电量数据作为第1条特征曲线;
步骤1.2、假设发生正突变,假设0点发生正突变,作为第2条特征曲线输入,假设1点发生正突变,作为第3条特征曲线输入……,直到23点发生正突变,作为第25条特征曲线输入;
步骤1.3、假设发生负突变,假设0点发生负突变,作为第26条特征曲线输入,假设1点发生负突变,作为第27条特征曲线输入……,直到23点发生负突变,作为第49条特征曲线输入;
共计得到49条特征曲线,每条特征曲线代表一个BP子网。
所述的步骤2包含以下步骤:
步骤2.1、获取第一BP子网BP1的训练样本集;
步骤2.2、用步骤2.2的方法获取剩余BP子网的训练样本集;
步骤2.3、对BP子网进行突变、漏点数据识别训练。
所述的步骤2.1包含以下步骤:
步骤2.1.1、将49条特征曲线中的其中一条特征曲线X1作为一个输入样本,对应输出样本为Y1=(0,0,…,0);
步骤2.1.2、将X1的第一个分量叠加一个偏差e,e为一正数,其范围是分量的两倍,即X1(1)=X1(1)+e,产生一条坏数据曲线,对应输出为y=(+0.5,0,0,…0);
步骤2.1.3、依次对全部分量均如此处理,得到正偏样本集;
步骤2.1.4、将偏差e换成-e,对应输出y中的+0.5换成-0.5,利用步骤2.1.2的方法,得到负偏样本集,至此形成BP1的训练样本集。
所述的步骤3包含以下步骤:
步骤3.1、设定一个正常数据接受域[-c,c],选取[-3,+3];
步骤3.2、将待检曲线输入人工神经网络,与该曲线相似度最高的特征曲线所对应的输出神经元值为1,激活相应的BP子网;
步骤3.3、将待检曲线作为被激活的BP子网的输入,得到的输出Y中,超出接受域的分量所对应的输入分量即为异常数据分量。
本发明利用人工神经网络对电力系统线损分析数据进行还原,解决了数据缺失、突变、漏点等问题。
附图说明
图1是本发明的人工神经网络结构模型;
图2为实施例中日电量典型曲线;
图3为实施例中突变样本特征曲线。
具体实施方式
以下根据图1~图3,具体说明本发明的较佳实施例。
本发明提供一种基于人工神经网络的线损分析数据还原方法,包含以下步骤:
步骤1、用人工神经网络对供电量的每天24点的小时电量曲线进行分类,确定每一条曲线的特征曲线;
如图1所示,为本发明的人工神经网络结构辨识模型,输入X为被检曲线,输出Y为与X相同维数的矢量,其中,在接受域内的为正常数据,否则为突变、漏点数据;
模型的第一层11为人工神经网络自组织特征映射网络,它的作用是将样本曲线进行分类,并给出各类特征曲线;
模型的第二层22为BP子网,一次只能有一个BP子网被激活,实现突变、漏点数据精确定位;
线损供电量的日数据曲线有24个点(每小时一个数据点),因此,输入人工神经网络的神经元个数为24个;
步骤1.1、将未发生突变、漏点的某天的日电量数据作为第1条特征曲线;
步骤1.2、假设发生正突变,假设0点发生正突变,作为第2条特征曲线输入,假设1点发生正突变,作为第3条特征曲线输入……,直到23点发生正突变,作为第25条特征曲线输入;
步骤1.3、假设发生负突变,假设0点发生负突变,作为第26条特征曲线输入,假设1点发生负突变,作为第27条特征曲线输入……,直到23点发生负突变,作为第49条特征曲线输入;
共计得到49条特征曲线,每条特征曲线代表一个BP子网;
步骤2、对人工神经网络特征曲线进行突变、漏点数据识别训练,使之具有对本类曲线中的突变、漏点数据进行识别的能力;
步骤2.1、获取第一BP子网BP1的训练样本集;
步骤2.1.1、将49条特征曲线中的其中一条特征曲线X1作为一个输入样本,对应输出样本为Y1=(0,0,…,0);
步骤2.1.2、将X1的第一个分量叠加一个偏差e,e为一正数,其范围一般是分量的两倍,具体大小依经验而定,即X1(1)=X1(1)+e(所有分量均可按上述公式进行叠加),产生一条坏数据曲线,对应输出为y=(+0.5,0,0,…0)(该数值是分量叠加后的输出值);
步骤2.1.3、依次对全部分量均如此处理,得到正偏样本集;
步骤2.1.4、将偏差e换成-e,对应输出y中的+0.5换成-0.5,利用步骤2.1.2的方法,得到负偏样本集,至此形成BP1的训练样本集;
步骤2.2、用步骤2.2的方法获取剩余BP子网的训练样本集;
步骤2.3、对BP子网进行突变、漏点数据识别训练;
步骤3、精确定位突变、漏点数据;
步骤3.1、设定一个正常数据接受域[-c,c],一般选取[-3,+3];
步骤3.2、将待检曲线输入人工神经网络,与该曲线相似度最高的特征曲线所对应的输出神经元值为1,激活相应的BP子网;
步骤3.3、将待检曲线作为被激活的BP子网的输入,得到的输出Y中,超出接受域的分量所对应的输入分量即为异常数据分量;
步骤4、对突变、漏点数据进行还原,得到还原后的线损率;
通过本发明提供的方法,基本可以完成线损分析数据中的异常数据的识别和还原,提高线损计算的精度。
例如,南汇地区名为航头镇中北的台区,其每日供电量数据在正常情况下保持相似的趋势,正常情况下数据的日电量典型曲线如下表和图2所示:
0点 | 1点 | 2点 | 3点 | 4点 | 5点 | 6点 | 7点 | 8点 | 9点 | 10点 | 11点 |
40.44 | 38.76 | 37.16 | 37.07 | 44.98 | 39.02 | 28.80 | 18.49 | 29.78 | 60.80 | 62.67 | 61.96 |
12点 | 13点 | 14点 | 15点 | 16点 | 17点 | 18点 | 19点 | 20点 | 21点 | 22点 | 23点 |
45.78 | 45.96 | 51.91 | 58.58 | 55.11 | 42.13 | 41.42 | 52.36 | 51.11 | 48.00 | 46.22 | 42.76 |
假设其0点发生正突变,作为第2条特征曲线输入,假设1点发生正突变,作为第3条特征曲线输入……,得到一系列突变样本,如下表和图3所示,共有49个样本集。
0点 | 1点 | 2点 | 3点 | 4点 | 5点 | 6点 | 7点 | 8点 | 9点 | 10点 | 11点 |
40000.44 | 38.76 | 37.16 | 37.07 | 44.98 | 39.02 | 28.80 | 18.49 | 29.78 | 60.80 | 62.67 | 61.96 |
12点 | 13点 | 14点 | 15点 | 16点 | 17点 | 18点 | 19点 | 20点 | 21点 | 22点 | 23点 |
45.78 | 45.96 | 51.91 | 58.58 | 55.11 | 42.13 | 41.42 | 52.36 | 51.11 | 48.00 | 46.22 | 42.76 |
0点 | 1点 | 2点 | 3点 | 4点 | 5点 | 6点 | 7点 | 8点 | 9点 | 10点 | 11点 |
40.44 | 38000.76 | 37.16 | 37.07 | 44.98 | 39.02 | 28.80 | 18.49 | 29.78 | 60.80 | 62.67 | 61.96 |
12点 | 13点 | 14点 | 15点 | 16点 | 17点 | 18点 | 19点 | 20点 | 21点 | 22点 | 23点 |
45.78 | 45.96 | 51.91 | 58.58 | 55.11 | 42.13 | 41.42 | 52.36 | 51.11 | 48.00 | 46.22 | 42.76 |
根据此台区用电特性和工作经验,选取+-10倍作为突变判断阀值,即高于典型值的10倍即可判断为突变。发生突变即记为1,非突变记为0,针对突变样本得到49条样本输出,分别记为(1,0,0,0……)、(0,1,0,0……)等等,对样本进行训练。
将该台区实际运行中的某天的日电量曲线作为待检验数据,利用人工神经网络进行仿真计算,输入及输出分别如下;
输入数据:
0点 | 1点 | 2点 | 3点 | 4点 | 5点 | 6点 | 7点 | 8点 | 9点 | 10点 | 11点 |
40.0 | 36.8 | 36.8 | 36.8 | 46.4 | 35.2 | 28.8 | 19.2 | 25.6 | 52.8 | 59.2 | 65.6 |
12点 | 13点 | 14点 | 15点 | 16点 | 17点 | 18点 | 19点 | 20点 | 21点 | 22点 | 23点 |
41.6 | 43.2 | 51.2 | 56.0 | 51.2 | 35.2 | 33.6 | 44.8 | 44.8 | 46.4 | 43.2 | 43.2 |
输出数据:
0点 | 1点 | 2点 | 3点 | 4点 | 5点 | 6点 | 7点 | 8点 | 9点 | 10点 | 11点 |
0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
12点 | 13点 | 14点 | 15点 | 16点 | 17点 | 18点 | 19点 | 20点 | 21点 | 22点 | 23点 |
0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
从输出的数据来看,24点对应的值均为0,即表示数据无突变。将其中14点的数据改为51000.2,重新进行计算,得到如下的结果:
0点 | 1点 | 2点 | 3点 | 4点 | 5点 | 6点 | 7点 | 8点 | 9点 | 10点 | 11点 |
0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
12点 | 13点 | 14点 | 15点 | 16点 | 17点 | 18点 | 19点 | 20点 | 21点 | 22点 | 23点 |
0 | 0 | 1 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 | 0 |
尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的权利要求来限定。
Claims (5)
2.如权利要求1所述的基于人工神经网络的线损分析数据还原方法,其特征在于,所述的步骤1包含以下步骤:
步骤1.1、将未发生突变、漏点的某天的日电量数据作为第1条特征曲线;
步骤1.2、假设发生正突变,假设0点发生正突变,作为第2条特征曲线输入,假设1点发生正突变,作为第3条特征曲线输入……,直到23点发生正突变,作为第25条特征曲线输入;
步骤1.3、假设发生负突变,假设0点发生负突变,作为第26条特征曲线输入,假设1点发生负突变,作为第27条特征曲线输入……,直到23点发生负突变,作为第49条特征曲线输入;
共计得到49条特征曲线,每条特征曲线代表一个BP子网。
3.如权利要求2所述的基于人工神经网络的线损分析数据还原方法,其特征在于,所述的步骤2包含以下步骤:
步骤2.1、获取第一BP子网BP1的训练样本集;
步骤2.2、用步骤2.2的方法获取剩余BP子网的训练样本集;
步骤2.3、对BP子网进行突变、漏点数据识别训练。
4.如权利要求3所述的基于人工神经网络的线损分析数据还原方法,其特征在于,所述的步骤2.1包含以下步骤:
步骤2.1.1、将49条特征曲线中的其中一条特征曲线X1作为一个输入样本,对应输出样本为Y1=(0,0,…,0);
步骤2.1.2、将X1的第一个分量叠加一个偏差e,e为一正数,其范围是分量的两倍,即X1(1)=X1(1)+e,产生一条坏数据曲线,对应输出为y=(+0.5,0,0,…0);
步骤2.1.3、依次对全部分量均如此处理,得到正偏样本集;
步骤2.1.4、将偏差e换成-e,对应输出y中的+0.5换成-0.5,利用步骤2.1.2的方法,得到负偏样本集,至此形成BP1的训练样本集。
5.如权利要求4所述的基于人工神经网络的线损分析数据还原方法,其特征在于,所述的步骤3包含以下步骤:
步骤3.1、设定一个正常数据接受域[-c,c],选取[-3,+3];
步骤3.2、将待检曲线输入人工神经网络,与该曲线相似度最高的特征曲线所对应的输出神经元值为1,激活相应的BP子网;
步骤3.3、将待检曲线作为被激活的BP子网的输入,得到的输出Y中,超出接受域的分量所对应的输入分量即为异常数据分量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310074090.4A CN103106350B (zh) | 2013-03-08 | 2013-03-08 | 基于人工神经网络的线损分析数据还原方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310074090.4A CN103106350B (zh) | 2013-03-08 | 2013-03-08 | 基于人工神经网络的线损分析数据还原方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103106350A true CN103106350A (zh) | 2013-05-15 |
CN103106350B CN103106350B (zh) | 2016-01-20 |
Family
ID=48314204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310074090.4A Active CN103106350B (zh) | 2013-03-08 | 2013-03-08 | 基于人工神经网络的线损分析数据还原方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103106350B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353895A (zh) * | 2013-07-22 | 2013-10-16 | 广西电网公司电力科学研究院 | 一种配电网线损数据的预处理方法 |
CN105321008A (zh) * | 2014-06-17 | 2016-02-10 | 国网山西省电力公司电力科学研究院 | 一种分布式低压台区线损计算与分析系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0713026A (ja) * | 1993-06-22 | 1995-01-17 | Hitachi Cable Ltd | 光架空地線路の保守方法 |
CN102231171A (zh) * | 2011-06-09 | 2011-11-02 | 青海省电力公司 | 一种统计线损与理论线损计算比对分析降损方法 |
CN102868432A (zh) * | 2012-09-07 | 2013-01-09 | 天津理工大学 | 一种双阶段神经网络下的盲波束形成装置及其形成方法 |
-
2013
- 2013-03-08 CN CN201310074090.4A patent/CN103106350B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0713026A (ja) * | 1993-06-22 | 1995-01-17 | Hitachi Cable Ltd | 光架空地線路の保守方法 |
CN102231171A (zh) * | 2011-06-09 | 2011-11-02 | 青海省电力公司 | 一种统计线损与理论线损计算比对分析降损方法 |
CN102868432A (zh) * | 2012-09-07 | 2013-01-09 | 天津理工大学 | 一种双阶段神经网络下的盲波束形成装置及其形成方法 |
Non-Patent Citations (5)
Title |
---|
ABBASY N H, ET AL.,: "POWER SYSTEM STATE ESTIMATION: ANN APPLICATION TO BAD DATA DETECTION AND IDENTIFICATION", 《AFRICON》, vol. 2, no. 2, 31 December 1996 (1996-12-31), pages 611 - 615, XP010207882, DOI: doi:10.1109/AFRCON.1996.562959 * |
H. SALEHFAR, ET AL.: "A neural network preestimation filter for bad –data detection and identification in power system state estimation", 《ELECTRIC POWER SYSTEM RESEARCH》, vol. 34, no. 8, 31 December 1995 (1995-12-31), pages 127 - 134 * |
KEWEN LIU,ET AL.,: "Application of Bp Neural Network for Line Losses Calculation Based on Quantum Genetic Algorithm", 《2011 FOURTH INTERNATIONAL SYMPOSIUM ON COMPUTATIONAL INTELLIGENCE AND DESIGN》, 31 December 2011 (2011-12-31), pages 3 - 7 * |
严修红等: "基于数据预处理灰色神经网络组合和集成预测", 《智能系统学报》, vol. 2, no. 4, 31 August 2007 (2007-08-31), pages 58 - 62 * |
文福拴等: "基于分群算法和人工神经元网络的配电网线损计算", 《中国电机工程学报》, vol. 13, no. 3, 31 May 1993 (1993-05-31), pages 41 - 51 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103353895A (zh) * | 2013-07-22 | 2013-10-16 | 广西电网公司电力科学研究院 | 一种配电网线损数据的预处理方法 |
CN105321008A (zh) * | 2014-06-17 | 2016-02-10 | 国网山西省电力公司电力科学研究院 | 一种分布式低压台区线损计算与分析系统 |
CN105321008B (zh) * | 2014-06-17 | 2020-09-04 | 国网山西省电力公司电力科学研究院 | 一种分布式低压台区线损计算与分析系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103106350B (zh) | 2016-01-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103020423B (zh) | 基于copula函数获取风电场出力相关特性的方法 | |
Li et al. | Dynamic equivalent modeling of two-staged photovoltaic power station clusters based on dynamic affinity propagation clustering algorithm | |
CN103545827A (zh) | 一种适用于低压配电网的三相不平衡负荷分配方法 | |
CN108197156A (zh) | 用电信息采集系统的异常电量数据修复方法及终端设备 | |
CN108667005B (zh) | 一种计及新能源影响的电网静动态结合脆弱性评估方法 | |
CN104332665A (zh) | 一种电池配组方法 | |
CN105826921A (zh) | 一种基于变压器运行数据的配电网负荷预测方法及系统 | |
CN108122057B (zh) | 一种智能园区能源利用方案综合评价方法及装置 | |
CN108132441B (zh) | 储能电池模组荷电状态的运行范围确定方法及装置 | |
CN109949324B (zh) | 基于非经典感受野非线性亚单元响应的轮廓检测方法 | |
CN108182511A (zh) | 一种基于秩和比法的需求侧响应资源价值评价方法 | |
CN103887792B (zh) | 一种含分布式电源的低压配电网建模方法 | |
CN103106350A (zh) | 基于人工神经网络的线损分析数据还原方法 | |
CN111651448B (zh) | 一种基于降噪差分进化的低压拓扑识别方法 | |
CN111259965A (zh) | 一种对基于降维的电气特征数据进行均值聚类的方法及系统 | |
CN110008981B (zh) | 基于矢量模糊矩阵模型的电水气用能替代可引导评价方法 | |
CN108459585B (zh) | 基于稀疏局部嵌入深度卷积网络的电站风机故障诊断方法 | |
Shi et al. | Forecasting smog in Beijing using a novel time-lag GM (1, N) model based on interval grey number sequences | |
CN112098917B (zh) | 一种基于用电数据分析的低压电能表反向走字异常排查方法 | |
CN108233382B (zh) | 一种提取直角坐标潮流方程雅可比矩阵的方法 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN113887920A (zh) | 一种基于台区线损合理区间计算与评估方法 | |
CN113346489B (zh) | 一种新能源空间耦合性建模评估方法及系统 | |
CN104240144A (zh) | 一种基于需求响应的电力负荷聚类方法 | |
CN106971278B (zh) | 一种电能替代实施效果的评价方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |