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 PDF

Info

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
Application number
CN2013100740904A
Other languages
English (en)
Other versions
CN103106350B (zh
Inventor
盛方正
张钻
李涛
冯蓓艳
潘华明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
SHANGHAI RUNPOWER INFORMATION TECHNOLOGY Co Ltd
State Grid Corp of China SGCC
Shanghai Municipal Electric Power Co
Original Assignee
SHANGHAI RUNPOWER INFORMATION TECHNOLOGY Co Ltd
State Grid Corp of China SGCC
Shanghai Municipal Electric Power Co
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by SHANGHAI RUNPOWER INFORMATION TECHNOLOGY Co Ltd, State Grid Corp of China SGCC, Shanghai Municipal Electric Power Co filed Critical SHANGHAI RUNPOWER INFORMATION TECHNOLOGY Co Ltd
Priority to CN201310074090.4A priority Critical patent/CN103106350B/zh
Publication of CN103106350A publication Critical patent/CN103106350A/zh
Application granted granted Critical
Publication of CN103106350B publication Critical patent/CN103106350B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

基于人工神经网络的线损分析数据还原方法
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；
；
其中， 
Figure 443624DEST_PATH_IMAGE004
为输入，
Figure 383078DEST_PATH_IMAGE004
=[
Figure 387299DEST_PATH_IMAGE006
]，
Figure 984951DEST_PATH_IMAGE008
为对应的输出，
Figure 531524DEST_PATH_IMAGE009
=[
Figure 787373DEST_PATH_IMAGE011
]，n为去除突变后的点数，
Figure 57391DEST_PATH_IMAGE012
为第i点的电量值，
Figure 892809DEST_PATH_IMAGE014
表示去除突变点，T为矩阵转置，P’为还原后的线损率。
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；
Figure 319559DEST_PATH_IMAGE002
；
其中， 
Figure 390338DEST_PATH_IMAGE004
为输入，
Figure 147390DEST_PATH_IMAGE004
=[
Figure 879296DEST_PATH_IMAGE006
]，
Figure 356862DEST_PATH_IMAGE008
为对应的输出，
Figure 432451DEST_PATH_IMAGE009
=[
Figure 66750DEST_PATH_IMAGE011
]，n为去除突变后的点数，
Figure 348006DEST_PATH_IMAGE012
为第i点的电量值，
Figure 846694DEST_PATH_IMAGE014
表示去除突变点，T为矩阵转置，P’为还原后的线损率。
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
可以发现14点的输出变为1，即说明该点的值为突变值。需要进行修复，根据上述突变还原公式可以计算得出
Figure 786148DEST_PATH_IMAGE017
=42.02，相对符合实际情况。
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)

1.一种基于人工神经网络的线损分析数据还原方法，其特征在于，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；
Figure 2013100740904100001DEST_PATH_IMAGE001
；
其中，
Figure 2013100740904100001DEST_PATH_IMAGE002
为输入，
Figure 854977DEST_PATH_IMAGE002
=[
Figure 2013100740904100001DEST_PATH_IMAGE003
]，
Figure 2013100740904100001DEST_PATH_IMAGE004
为对应的输出，
Figure 2013100740904100001DEST_PATH_IMAGE005
=[]，n为去除突变后的点数，
Figure 2013100740904100001DEST_PATH_IMAGE007
为第i点的电量值，
Figure 2013100740904100001DEST_PATH_IMAGE008
表示去除突变点，T为矩阵转置，P’为还原后的线损率。
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。
CN201310074090.4A 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 Active CN103106350B (zh)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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