CN109146335B - 判断10kV线路电能表系统变比与实际变比一致性的方法 - Google Patents
判断10kV线路电能表系统变比与实际变比一致性的方法 Download PDFInfo
- Publication number
- CN109146335B CN109146335B CN201811180188.7A CN201811180188A CN109146335B CN 109146335 B CN109146335 B CN 109146335B CN 201811180188 A CN201811180188 A CN 201811180188A CN 109146335 B CN109146335 B CN 109146335B
- Authority
- CN
- China
- Prior art keywords
- transformation ratio
- line
- electric energy
- daily
- energy meter
- 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.)
- Active
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000013528 artificial neural network Methods 0.000 claims abstract description 48
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 88
- 238000012360 testing method Methods 0.000 claims description 42
- 230000006870 function Effects 0.000 claims description 23
- 238000010606 normalization Methods 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 abstract description 4
- 239000000463 material Substances 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011835 investigation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Public Health (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请提供一种判断10kV线路电能表系统变比与实际变比一致性的方法,其具体步骤包括:S1、采集线路的线路日表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比;S2、对采集的数据进行预处理;S3、使用BP‑adaboost算法构建神经网络;S4、根据步骤S1和S2中的数据,计算10kV线路输入神经网络的特征量,并将特征数据归一化;S5、将步骤S4中归一化的特征数据输入步骤S3中建立的神经网络,输出判断结果;S6、根据输出值确定线路中系统变比与实际变比一致性的电能表;S7、更换系统变比与实际变比一致性的问题电能表。采用本发明可大幅减少人力物力,有效快速准确治理电能表系统变比与实际变比一致性问题,提高线损计算数据质量和线损治理效率。
Description
技术领域
本发明属于电力技术领域,特别涉及一种判断10kV线路电能表系统变比与实际变比一致性的方法。
背景技术
对于电网企业来说,异常线损电量不仅是效益的损失,更是国有电量资源的绝对流失。线损质量管理和安全生产一样,是电网企业管理永恒的主题。为进一步提升电网生产经营管理效率和效益,优化线损管理流程,推动调度、运维、营销业务的融合并充分利用各个部门系统数据资源,实现“技术线损最优,管理线损最小”的目标。在同期线损治理过程中,由于35kV及以上电压等级的线路数量少、拓扑结构简单、变动较少、台账历史数据质量高并且更新及时,所以其线损治理水平较高,相应的线损考核指标达到要求;但是对于10kV及以下电压等级的配电网,设备运维精益管理系统的历史台账数据质量低以及数据更新不及时、刀闸开关动作频繁、表计及设备维护工作量大等原因造成10kV电压等级及以下的线损考核指标达标率低的问题。其中数据质量低和数据更新不及时的问题,集中体现在一体化系统中电能表变比与实际变比一致性、公专变实际所在线路与系统中不一致等。目前对于10kV线路的主要治理手段仍然是基层工作人员进行现场的地毯式排查,此方式需要耗费大量的人力物力,且效率低。
发明内容
为了改进由于电能表在一体化电量与线损管理系统中的变比与实际变比一致性错误,导致10kV电压等级及以下的线损考核指标达标率低、一体化电量与线损管理系统数据质量低的问题,本申请提出了一种判断10kV线路电能表系统变比与实际变比一致性的方法,其具体步骤如下:
S1、采集数据,采集10kV线路的线路日输入表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比;
S2、对所述采集数据进行预处理,所述预处理包括计算线路日线损电量和线路日线损率、剔除零电量公变和零电量专变;
S3、使用BP-adaboost算法构建神经网络,具体包括以下步骤:
S31、输入训练样本,挑出存在系统变比与现场变比一致性问题的电能表及其所在线路,并将样本分成训练集和测试集;
S32、训练集和测试集的样本包括以下特征量:
第一特征量C:线路日线损电量与各个公变日用电量皮尔逊相关系数,或者线路日损失电量与各个专变日用电量皮尔逊相关系数;
第二特征量K:公变或专变系统变比;
S33、对训练集、测试集做归一化处理:;
S34、以BP作为adaboost算法的弱分类器,根据训练样本设定BP神经网络训练参数:包括隐藏层层数Cnumber;隐藏层节点数Jnumber;最大迭代次数;学习速率;误差;设定弱分类器个数T,并规定样本集中对应的电能表若存在系统变比与实际变比一致性问题则理论输出值Y为-1,若不存在系统变比与实际变比一致性问题则输出值Y为1;
S36、根据adaboost算法调整每次训练时神经网络的误差函数:
将BP神经网络的误差函数E(w,b)设定为
S37、将训练样本投入到调整过误差函数的BP神经网络中训练,并计算弱分类器的权重αt;
S38、将M个测试样本投入到T个弱分类器,根据各个弱分类器及其权重计算强分类器分类结果;
S39、若强分类器对测试样本的分类正确率达标,则保存T个弱分类器网络,若分类正确率不达标,则重复S31~S38,直至达标,建立起能判断10kV线路电能表系统变比与实际变比一致性的神经网络;
S4、根据步骤S1中从10kV线路采集的数据和S2中预处理的数据,计算10kV线路输入神经网络的特征量,并将特征数据归一化;
S5,将步骤S4中归一化的特征数据输入步骤S3中建立的神经网络,电能表若存在系统变比与实际变比一致性问题,则输出值Y为-1,若不存在该问题则输出值Y为1;
S6,根据输出值确定10kV线路中系统变比与实际变比一致性的电能表;以及
S7,更换系统变比与实际变比一致性的问题电能表。
优选的,步骤S2中计算线路日线损电量和线路日线损率,具体步骤为:
第i天电量=变比*(第i+1天表底-第i天表底)
线路日线损电量=线路日输入电量-线路日输出电量;
线路日线损率=线路日线损电量/线路日输入电量*100%;
其中,线路日输出电量=公变日用电量之和+专变日用电量之和;
计算线路日线损率的具体表达式如下:
Li=(Si-∑Gji-∑Zki)/Si*100%
其中,Li表示第i天线损率,Si表示第i天线路输入电量,Gji表示线路第j个公变第i天用电量,Zki表示线路第k个专变第i天用电量
第一次训练时初始化样本权重:
其中,N为训练样本数量;
根据第t个弱分类器的分类结果,计算分类的错误率εt,并调整第t+1次分类时的样本权重:
其中I为第t次分类错误的样本集合,ht(x)为第t个弱分类器,为第t次分类时训练样本j的样本权重;xj表示第j个训练样本向量,yj表示第j个训练样本对应的目标值,sign为sign函数,y=sign(x)的含义为权重调整的表达式为:
优选的,步骤S31中将样本分成训练集和测试集,训练集N与测试集T数量比例大约为10∶1;训练集N和测试集M中都存在有系统变比与现场变比一致性问题的电能表及其所在线路。
优选的,步骤S1采集10kV线路的线路日输入电量、公变日用电量、专变日用电量、线变关系和电能表系统变比,的采样天数为为30天。
与现有技术相比,本发明具有以下有益效果:
本申请提出了一种判断10kV线路电能表系统变比与实际变比一致性的方法,主要利用BP神经网络和adaboost算法相结合,通过人工智能的分析手段训练出能够迅速判断10kV线路电能表系统变比与实际变比一致性,并利用这个方法来快速定位线路中存在系统变比与现场变比一致性问题的电能表;以此方法的分类结果提高线损数据的治理效率,并用新的治理结果扩大训练样本,进一步提高网络的泛化能力。此方法可大幅减少人力财力的消耗,有效快速的解决系统变比与现场变比一致性问题,快速降低线损考核不合格线路数量,查明线损异常原因,切实提高线损治理效果及一体化电量与线损管理系统数据质量。从数据分析的角度快速且准确定位系统变比与现场变比一致性的电能表,大幅度减少目前地毯式现场排查的工作量;提高线损治理效果和一体化电量与线损管理系统的数据质量,突破目前同期线损考核指标提升的瓶颈。
附图说明
图1为本发明判断10kV线路电能表系统变比与实际变比一致性的方法流程图;
图2为本发明BP-adaboost训练流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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它实施例,都属于本发明保护的范围。
本发明提供一种判断10kV线路电能表系统变比与实际变比一致性的方法,具体步骤包括:
S1、采集10kV线路的线路日输入表底数据、公变日表底数据、专变日表底数据、线变关系和电能表系统变比。其中,每个10kV线路可以包括有多个公变用电和专变用电。
S2、对采集的数据进行预处理。预处理包括计算线路日线损电量和线路日线损率、剔除零电量公变和零电量专变,具体如下:
S21、根据表底数据和电能表变比信息计算电能表日电量:
第i天电量=变比*(第i+1天表底-第i天表底),
其中底表就是从电能表中读取的数据,变比就是用于读取数据的电能表的电能表系统变比,因此在本实施例中,可以具体为:
线路日输入电量=电能表系统变比*(第i+1天线路日输入表底数据-第i天线路日输入表底数据);此处计算获得的线路日输入电量为所采集线路的第i天的日输入电量;
公变日用电量=电能表系统变比*(第i+1天公变日表底数据-第i天公变日表底数据);此处计算获得的公变日用电量为所采集的公变第i天的日输入电量;
专变日用电量=电能表系统变比*(第i+1天专变日表底数据-第i天专变日表底数据);此处计算获得的专变日用电量为所采集的专变第i天的日输入电量;
S22、根据线路的配置情况计算线路日线损率:
线路日线损电量=线路日输入电量-线路日输出电量;
线路日线损率=线路日线损电量/线路日输入电量*100%;
其中,线路日输出电量=公变日用电量之和+专变日用电量之和;
计算线路日线损率的具体表达式如下:
Li=(Si-∑Gji-∑Zki)/Si*100% (1)
其中,Li表示第i天线损率,Si表示第i天线路输入电量,Gji表示线路第j个公变第i天用电量,Zki表示线路第k个专变第i天用电量
S23、剔除采集期间电量全部为零的公变或者专变。
S3、使用BP-adaboost算法构建神经网络,具体包括:输入训练样本,训练样本为以前治理过的10kV线路数据集,将样本分为训练集和测试集,对训练集和测试集中的数据分别进行归一化处理,根据投入训练的特征量,对训练集采用BP-adaboost算法进行训练;并使用测试集进行检验,保存泛化能力强的网络;具体包括以下步骤:
S31、输入训练样本,挑出存在系统变比与现场变比一致性问题的电能表及其所在线路,并将样本分成两部分,一部分为训练集N,一部分为测试集M,训练集N与测试集T数量比例大约为10∶1;训练集N和测试集M中都存在有系统变比与现场变比一致性问题的电能表及其所在线路;
S32、投入训练的特征量包括以下特征量:
第一特征量C:线路日线损电量与各个公变日用电量皮尔逊相关系数,或者线路日损失电量与各个专变日用电量皮尔逊相关系数
第二特征量K:公变或专变系统的变比,
S33、对训练集、测试集做归一化处理:
mapminmax是matlab中的归一化函数,假设A为向量或矩阵,对A进行归一化再matlab中调用归一化函数,[An Aps]=mapminmax(A),其中An为归一化后的结果,Aps为归一化的算法规则,若使用相同的算法规则Aps对B进行归一化,其语句为:Bn=mapminmax(’apply’,B,Aps);
可以在matlab中进行归一化处理:
归一化训练集[inputn inputps]=mapminmax(input_train);
归一化测试集inputn_test=mapminmax(’apply’,input_test,inputps);
其中input_train为训练集、input_test为测试集;inputps为自动生成的归一化算法规则;inputn为input_train的归一化后的结果;inputn_test为input_test根据inputps规则进行归一化后的结果;
S34、以BP作为adaboost算法的弱分类器,根据训练样本设定BP神经网络训练参数:包括隐藏层层数Cnumber;隐藏层节点数Jnumber;最大迭代次数;学习速率;误差;设定弱分类器个数T,并规定样本集N中对应的电能表若存在系统变比与实际变比一致性问题则理论输出值Y为-1,若不存在该问题则输出值Y为1;
第一次训练时初始化样本权重:
其中,N为训练样本数量;
根据第t个弱分类器的分类结果,计算分类的错误率εt,并调整第t+1次分类时的样本权重:
其中I为第t次分类错误的样本集合,ht(x)为第t个弱分类器,为第t次分类时训练样本j的样本权重;xj表示第j个训练样本向量,yj表示第j个训练样本对应的目标值,sign为sign函数,y=sign(x)的含义为
权重调整的表达式为:
S36、根据adaboost算法调整每次训练时神经网络的误差函数:
BP神经网络的原误差函数为:
现将BP神经网络的误差函数E(w,b)调整为:
由adaboost算法调整后,若第t次分类时第j个样本分类错误,则会增大,根据此公式调整误差函数后,在第t+1次分类时,第j个样本在误差函数中所占比重会增大,由于BP神经网络优化误差的原理可知,在第t+1次分类时第j个样本的误差会被着重优化,从而使得该样本更容易被分类正确。
S37、将训练样本投入到调整过误差函数的BP神经网络中训练,并计算弱分类器的权重αt
其中,εt为第t个弱分类器的误差率,其计算方法见S35;
S38、将M个测试样本投入到T个弱分类器,根据各个弱分类器集其权重计算强分类器分类结果:
F(x)=sign(f(x))
S39、若强分类器对测试样本的分类正确率达标,优选的可以将分类正确率>70%设为达标,则保存T个弱分类器网络,若分类正确率不达标,则重复S31~S38,直至达标,建立起可判断10kV线路电能表系统变比与实际变比是否相符的神经网络;
S4、根据步骤S1中从10kV线路采集的数据和S2中预处理的数据,计算10kV线路输入神经网络的特征量,并对特征量进行归一化处理,包括:
第一特征量C:线路日线损电量与各个公变日用电量皮尔逊相关系数,或者线路日损失电量与各个专变日用电量皮尔逊相关系数
第二特征量K:公变或专变系统变比
在matlab中归一化处理:
inputn_other=mapminmax(’apply’,input_other,inputps);
input_other为需要进行判断的线路数据集;
S5,将步骤S4中归一化的特征数据输入步骤S3中建立的神经网络,电能表若存在系统变比与实际变比一致性问题,则输出值Y为-1,若不存在该问题则输出值Y为1;
S6,根据输出值确定10kV线路中系统变比与实际变比一致性的电能表。
S7,更换系统变比与实际变比一致性的问题电能表,降低线损考核不合格线路数量。
下面以某市级电网2017年10月的10kV配电线路数据为研究对象。本发明实施例提供了一种基于BP神经网络和adaboost算法的10kV线路电能表系统变比与实际变比一致性的治理方法,具体步骤包括:
S1、采集需要检查的10kV线路的线路日输入电量、公变日用电量、专变日用电量、线变关系和电能表系统变比;
S2、对采集的数据进行预处理,预处理包括计算线路日线损率、线路日线损电量、剔除零电量公变和零电量专变;
S3、输入17条10kV线路作为样本,数据包括这17条10kV线路的输入电量、公变用电量、专变用电量、线变关系和电能表系统变比。样本包括存在系统变比与实际变比一致性的电能表所在线路信息。根据投入训练的特征量,对训练集数据归一化处理,取训练集采用BP-adaboost算法进行训练;用相同的归一化参数对测试集数据归一化处理,取测试集进行检验,保存泛化能力强的网络;具体包括一下步骤:
S31、17条10kV线路的样本共有293个,其中53个电能表存在系统变比与实际变比一致性问题,将样本分成两部分,其中训练样本为266个,其中有46个电能表存在系统变比与实际变比一致性问题,测试样本为27个样本包含7个电能表存在系统变比与实际变比一致性问题。
S32、特征量包括:
第一特征量C:线路日线损电量与各个公变日用电量皮尔逊相关系数,或者线路日损失电量与各个专变日用电量皮尔逊相关系数
第二特征量K:公变或专变系统变比
由于本实施例的样本集和测试集有293个,这里仅展示本实施例采用的训练集部分数据如下:
S33、对训练样本和测试样本做相同的归一化处理:
在matlab中归一化处理:
归一化训练样本[inputn inputps]=mapminmax(input_train);
归一化测试样本inputn_test=mapminmax(’apply’,input_test,inputps);
S34、以BP作为adaboost算法的弱分类器,根据训练样本设定BP神经网络训练参数:隐藏层层数为1层;隐藏层节点数为10;最大迭代次数为1000次;学习速率lr为0.01;误差为0.00001。设定弱分类器个数为10个,并规定样本中对应的电能表若存在系统变比与实际变比一致性问题则理论输出值Y为-1,若不存在该问题则输出值Y为1;
第一次训练时初始化样本权重:
其中,N为训练样本数量;
根据第t个弱分类器的分类结果,计算分类的错误率εt,并调整第t+1次分类时的样本权重:
其中I为第t次分类错误的样本集合,ht(x)为第t个弱分类器
权重调整的表达式为:
S36、根据adaboost算法调整每次训练时神经网络的误差函数:
BP神经网络的原误差函数为:
将BP神经网络的误差函数E(w,b)调整为:
由adaboost算法调整后,若第t次分类时第j个样本分类错误,则会增大,根据此公式调整误差函数后,在第t+1次分类时,第j个样本在误差函数中所占比重会增大,由于BP神经网络优化误差的原理可知,在第t+1次分类时第j个样本的误差会被着重优化,从而使得该样本更容易被分类正确。
S37、将训练样本投入修改误差函数的BP神经网络中训练,并计算弱分类其的权重αt
其中εt为第t个弱分类器的误差率,其计算方法见S35;
S38、将测试样本投入T个若分类器,根据各个弱分类器集其权重计算强分类器分类结果:
F(x)=sign(f(x))
S39、若强分类器对测试样本的分类正确率达标,则保存T个弱分类器网络,若分类正确率不达标,则重复S31~S38,直至达标;
本实施例共采用BP-adaboost算法训练7次,为了体现本申请方案的优势,同时仅使用BP神经网络训练7次,以下为实验结果对比情况表,表1为采用本发明所提出利用BP-adaboost算法的神经网络实验结果表,表2为目前常用的BP神经网络实验结果表:
表1
表2
经adaboost算法改进后的BP-adaboost算法平均训练此时为246次,平均训练时间为452.24秒,相比单纯的使用BP神经网络来解决此问题训练次数减少了25倍,训练时间缩短了17倍,同时BP-adaboost的分类正确率略高于BP神经网络。
S4、计算步骤S1中10kV线路的特征量:
第一特征量C:线路日线损电量与各个公变日用电量皮尔逊相关系数,或者线路日损失电量与各个专变日用电量皮尔逊相关系数
第二特征量K:公变或专变系统变比
在matlab中归一化处理:
inputn_other=mapminmax(’apply’,input_other,inputps);
input_other为需要进行判断的线路数据集;
S5、将步骤S4中归一化的特征数据输入步骤S3中采用BP-adaboost算法训练出的神经网络,电能表若存在系统变比与实际变比一致性问题,则输出值Y为-1,若不存在该问题则输出值Y为1;
S6、根据输出值确定10kV线路中系统变比与实际变比一致性的电能表;
S7、更换系统变比与实际变比一致性的问题电能表,降低线损考核不合格线路数量。
本实施例可证明,在工程实际中此方式不仅判断系统变比与实际变比一致性问题的准确率高,且在训练样本数量巨大时,仍可大幅降低BP神经网络的训练时间,具有极高的实用价值。
最后应说明的是:以上所述的各实施例仅用于说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分或全部技术特征进行等同替换;而这些修改或替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。
Claims (5)
1.一种判断10kV线路电能表系统变比与实际变比一致性的方法,其特征在于,包括以下步骤:
S1、采集数据,采集10kV线路的线路日输入表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比;
S2、对所述采集数据进行预处理,所述预处理包括计算线路日线损电量和线路日线损率、剔除零电量公变和零电量专变;
S3、使用BP-adaboost算法构建神经网络,具体包括以下步骤:
S31、输入训练样本,挑出存在系统变比与实际变比一致性问题的电能表及其所在线路,并将样本分成训练集和测试集;
S32、训练集和测试集的样本包括以下特征量:
第一特征量C:线路日线损电量与各个公变日用电量皮尔逊相关系数,或者线路日损失电量与各个专变日用电量皮尔逊相关系数;
第二特征量K:公变或专变系统变比;
S33、对训练集、测试集做归一化处理;
S34、以BP作为adaboost算法的弱分类器,根据训练样本设定BP神经网络训练参数:包括隐藏层层数Cnumber;隐藏层节点数Jnumber;最大迭代次数;学习速率;误差;设定弱分类器个数T,并规定样本集中对应的电能表若存在系统变比与实际变比一致性问题则输出值Y为-1,若不存在系统变比与实际变比一致性问题则输出值Y为1;
S36、根据adaboost算法调整每次训练时神经网络的误差函数:
将BP神经网络的误差函数E(w,b)设定为
S37、将训练样本投入到调整过误差函数的BP神经网络中训练,并计算弱分类器的权重αt;
S38、将M个测试样本投入到T个弱分类器,根据各个弱分类器及其权重计算强分类器分类结果;
S39、若强分类器对测试样本的分类正确率达标,则保存T个弱分类器网络,若分类正确率不达标,则重复S31~S38,直至达标,建立起能判断10kV线路电能表系统变比与实际变比一致性的神经网络;
S4、根据步骤S1中从10kV线路采集的数据和S2中预处理的数据,计算10kV线路输入神经网络的特征量,并将特征数据归一化;
S5、将步骤S4中归一化的特征数据输入步骤S3中建立的神经网络,电能表若存在系统变比与实际变比一致性问题,则输出值Y为-1,若不存在该问题则输出值Y为1;
S6、根据输出值确定10kV线路中系统变比与实际变比一致性的电能表;
S7、更换系统变比与实际变比一致性的问题电能表。
2.根据权利要求1所述的判断10kV线路电能表系统变比与实际变比一致性的方法,其特征在于,步骤S2中计算线路日线损电量和线路日线损率的具体步骤为:
第i天电量=变比*(第i+1天表底-第i天表底);
线路日线损电量=线路日输入电量-线路日输出电量;
线路日线损率=线路日线损电量/线路日输入电量*100%;
其中,线路日输出电量=公变日用电量之和+专变日用电量之和;
计算线路日线损率的具体表达式如下:
Li=(Si-∑Gj′i-∑Zki)/Si*100%
其中,Li表示第i天线损率,Si表示第i天线路输入电量,Gj′ i 表示线路第j′个公变第i天用电量,Zki表示线路第k个专变第i天用电量。
4.根据权利要求3所述的判断10kV线路电能表系统变比与实际变比一致性的方法,其特征在于,步骤S31中将样本分成训练集和测试集,所述训练集与测试集数量比例为10:1;所述训练集和测试集中都存在有系统变比与实际变比一致性问题的电能表及其所在线路。
5.根据权利要求3所述的判断10kV线路电能表系统变比与实际变比一致性的方法,其特征在于,步骤S1采集10kV线路的线路日输入表底读数、公变日表底读数、专变日表底读数、线变关系和电能表系统变比,采样天数为30天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811180188.7A CN109146335B (zh) | 2018-10-10 | 2018-10-10 | 判断10kV线路电能表系统变比与实际变比一致性的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811180188.7A CN109146335B (zh) | 2018-10-10 | 2018-10-10 | 判断10kV线路电能表系统变比与实际变比一致性的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109146335A CN109146335A (zh) | 2019-01-04 |
CN109146335B true CN109146335B (zh) | 2021-08-20 |
Family
ID=64811440
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811180188.7A Active CN109146335B (zh) | 2018-10-10 | 2018-10-10 | 判断10kV线路电能表系统变比与实际变比一致性的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109146335B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109991493B (zh) * | 2019-03-25 | 2020-05-19 | 珠海格力电器股份有限公司 | 电能监测方法、装置、设备和系统 |
CN110649664B (zh) * | 2019-09-23 | 2021-06-04 | 武汉大学 | 一种基于扩展有功理论的三矢量预测优化的增强控制方法 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2882862A4 (en) * | 2012-08-10 | 2016-07-20 | Cedars Sinai Medical Center | METABOLITES OF METHIONINE PREDICT PROGRESSION OF AGGRESSIVE CANCER |
-
2018
- 2018-10-10 CN CN201811180188.7A patent/CN109146335B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
Non-Patent Citations (1)
Title |
---|
基于BP神经网络的谐波电能计量误差分析装置;张鹏;<<中国优秀硕士学位论文全文数据库 工程科技II辑>>;20041215;参见正文第20-45页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109146335A (zh) | 2019-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
He et al. | Robust online dynamic security assessment using adaptive ensemble decision-tree learning | |
Xie et al. | Multi-objective active distribution networks expansion planning by scenario-based stochastic programming considering uncertain and random weight of network | |
CN109002933B (zh) | 基于ReliefF和t-SNE的配电线路线变关系模型优化方法 | |
Dehghanpour et al. | A game-theoretic data-driven approach for pseudo-measurement generation in distribution system state estimation | |
CN109308571B (zh) | 配电线路线变关系检测方法 | |
CN107590565A (zh) | 一种构建建筑能耗预测模型的方法及装置 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
Ma et al. | Topology identification of distribution networks using a split-EM based data-driven approach | |
CN110309884A (zh) | 基于泛在电力物联网体系的用电数据异常识别系统 | |
CN109146335B (zh) | 判断10kV线路电能表系统变比与实际变比一致性的方法 | |
CN108304931A (zh) | 一种变电设备状态检修故障诊断方法 | |
CN107832927A (zh) | 基于灰色关联分析法的10kV线路线变关系评价方法 | |
Shin et al. | Spatiotemporal load-analysis model for electric power distribution facilities using consumer meter-reading data | |
CN109829560A (zh) | 一种配电网可再生能源发电集群接入规划方法 | |
Xue et al. | Adaptive ultra-short-term wind power prediction based on risk assessment | |
CN109657846A (zh) | 电网交叉补贴规模影响因子筛选方法 | |
CN110084502A (zh) | 一种电能质量治理设备运行状态评估方法及装置 | |
Fonseca et al. | Unsupervised load shape clustering for urban building performance assessment | |
CN115759389A (zh) | 基于天气类型的相似日组合策略的日前光伏功率预测方法 | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN117353321A (zh) | 一种基于源荷不确定性的配电网安全评估方法和系统 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
Hu et al. | Real-time line loss calculation method based on equivalent resistance of low voltage distribution network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |