CN109636009B - 一种建立确定电网线损的神经网络模型的方法和系统 - Google Patents

一种建立确定电网线损的神经网络模型的方法和系统 Download PDF

Info

Publication number
CN109636009B
CN109636009B CN201811398825.8A CN201811398825A CN109636009B CN 109636009 B CN109636009 B CN 109636009B CN 201811398825 A CN201811398825 A CN 201811398825A CN 109636009 B CN109636009 B CN 109636009B
Authority
CN
China
Prior art keywords
line loss
neural network
power grid
equal
network model
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
Application number
CN201811398825.8A
Other languages
English (en)
Other versions
CN109636009A (zh
Inventor
刘丽平
白江红
江木
张家安
王宇星
孙云超
周前
周琪
岑炳成
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Hebei University of Technology
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Hebei University of Technology
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Hebei University of Technology, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811398825.8A priority Critical patent/CN109636009B/zh
Publication of CN109636009A publication Critical patent/CN109636009A/zh
Application granted granted Critical
Publication of CN109636009B publication Critical patent/CN109636009B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • 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
    • 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)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明提供一种建立确定电网线损的神经网络模型的方法和系统。所述方法和系统针对线损建模输入的优化问题，提出采用互信息原理方法辨识出影响线损的主要因素的强弱程度，然后基于采集的线损和影响因素的样本集中的训练集将所述影响因素分组依次代入训练神经网络模型，确定若干个神经网络模型，并利用样本集中的测试集确定每个神经网络模型的评价指标，再对所述评价指标分组计算评价指标平均值以确定作为最优神经网络模型的输入的影响因素，从而提高所建神经网络模型预测线损的准确性。

Description

一种建立确定电网线损的神经网络模型的方法和系统
技术领域
本发明涉及电网线损建模领域,并且更具体地，涉及一种建立确定电网线损的神经网络模型的方法和系统。
背景技术
随着社会经济的飞速发展，能源的需求量与日俱增，实现节能低碳发展对于国民经济的绿色可持续发展意义深远。电能作为重要的二次能源，在线路传输中会产生一定的损耗，由于电网日益复杂的网架结构和庞大的规模，线路中损失的电量也不断增大。因此，如何建立预测准确度较高的线损模型成为了电力系统近年研究的热点。
由于近年来人工神经网络的发展和广泛的应用，为电力系统中计算线损提供了新的思路。传统的方法在利用神经网络建立线损模型时，考虑到影响电网线损的影响因素众多，例如：线路中的阻抗、发电机的发电量、有功功率负载、功率因数等，会采集所有影响因素的数据作为神经网络训练的输入，去建立线损的预测模型。事实上，在如此繁多的影响因素中，有些因素对线损的影响会很小，这类因素将不利于模型的建立，延长神经网络学习训练的时间，影响所建模型预测的准确性。因此，如何确定影响线损的主要因素，从而提高建立确定电网线损的神经网络模型的准确性就成为一个急需解决的问题。
发明内容
为了解决现有技术中作为确定电网线损的神经网络模型的输入的影响因素繁多，影响所建立的神经网络预测电网模型的准确性的技术问题，本发明提供了一种建立确定电网线损的神经网络模型的方法，所述方法包括：
基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损Y的程度从强到弱排序的影响因素集Z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数；
设置确定电网线损Y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集Z'＝{z1，z2，…zj}T，隐含层神经元为m个，隐含层输出向量为H＝{h1，h2，…hm}T，输出层神经元为1个，输出层输出向量O＝[o1]T，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的权值wm1和阈值bm1，利用样本集中的训练集对线损Y进行训练，生成n-1个线损Y的神经网络模型，其中，影响因素集Z'＝{z1，z2，…zj}是影响因素集Z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，T表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的N'组数据，N/2≤N'<N；
根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合；
根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型。
进一步地，所述方法在利用互信息原理分别计算线损Y与每种影响因素xi的互信息值之前还包括：
设置影响电网线损Y的n个影响因素，生成确定电网线损Y的影响因素集X＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数；
采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集，其中，N为自然数。
进一步地，所述采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的N组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离LE设定关联范围，分别计算负荷变化△PL、结构参数变化△ZRX对关联母线电压的变化
Figure GDA0003601808280000033
的灵敏度SPL、SZRX，并修正负荷变化△PL、电网结构参数变化△ZRX情况下系统母线的电压值UB'来补偿负荷变化△PL、电网结构参数变化△ZRX对系统电压的影响，其计算公式为：
Figure GDA0003601808280000031
Figure GDA0003601808280000032
式1和2中，SPL(i)为负荷参数的灵敏度，SZRX结构参数变化△ZRX对关联母线电压的变化
Figure GDA0003601808280000034
的灵敏度，UB(i)为i节点的母线电压值，
Figure GDA0003601808280000035
为其它影响因素相对于UB(i)的变化值，△ZRX(j)为电网结构参数变化量，S(i)为灵敏度，△(j)代表设备j对i点母线电压产生影响的因素，LEset为电气距离设定值，LEjn为设备j与节点n之间的电气距离，[m|LEim<LEset]为与节点i间电气距离小于LEset的节点集合。
进一步地，基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)包括：
基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，通过信息熵求取线损Y与每种影响因素xi的第一互信息值I'(Y,xi)，其计算公式为：
I'(Y,xi)＝H(Y)+H(xi)-H(Y,xi) (3)
式中，H(Y)和H(xi)分别为Y、xi的边缘熵，H(Y,xi)为Y、xi的联合熵，三者的计算公式如下：
Figure GDA0003601808280000041
Figure GDA0003601808280000042
Figure GDA0003601808280000043
将根据式3、4、5和6确定的第一互信息值I'(Y,xi)进行归一化生成线损Y与每种影响因素xi的第二互信息值I(Y,xi)，公式如下：
Figure GDA0003601808280000044
进一步地，所述隐含层神经元为m个，其计算公式为：
Figure GDA0003601808280000045
式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。
进一步地，所述根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2的计算公式为：
Figure GDA0003601808280000046
式中，c为第k个确定线损Y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。
进一步地，所述根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型包括：
将n-1个线损Y的神经网络模型的评价指标Rk 2依次分成Q组，每组含有p个模型的评价指标，计算公式如下：
Figure GDA0003601808280000051
计算第q组神经网络模型的评价指标平均值，其计算公式为：
Figure GDA0003601808280000052
式11中，
Figure GDA0003601808280000053
为第q组模型评价指标的平均值，1≤q≤Q，1≤k≤n-1，p<n-1，n为自然数；
选择Rk 2值最大的一组模型中模型评价指标Rk 2值最大的模型作为确定线损Y的最优神经网络模型。
根据本发明的另一方面，本发明提供一种建立确定电网线损的神经网络模型的系统，所述系统包括：
影响因素集单元，其用于基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损Y的程度从强到弱排序的影响因素集Z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数；
神经网络模型单元，其用于设置确定电网线损Y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集Z'＝{z1，z2，…zj}T，隐含层神经元为m个，隐含层输出向量为H＝{h1，h2，…hm}T，输出层神经元为1个，输出层输出向量O＝[o1]T，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的权值wm1和阈值bm1，利用样本集中的训练集对线损Y进行训练，生成n-1个线损Y的神经网络模型，其中，影响因素集Z'＝{z1，z2，…zj}是影响因素集Z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，T表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的N'组数据，N/2≤N'<N；
模型评价指标单元，其用于根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合；
最优模型确定单元，其用于根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型。
进一步地，所述系统还包括：
影响因素确定单元，其用于设置影响电网线损Y的n个影响因素，生成确定电网线损Y的影响因素集X＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数；
样本集单元，其用于采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集，其中，N为自然数。
进一步地，所述样本集单元采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的N组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离LE设定关联范围，分别计算负荷变化△PL、结构参数变化△ZRX对关联母线电压的变化
Figure GDA0003601808280000074
的灵敏度SPL、SZRX，并修正负荷变化△PL、电网结构参数变化△ZRX情况下系统母线的电压值UB'来补偿负荷变化△PL、电网结构参数变化△ZRX对系统电压的影响，其计算公式为：
Figure GDA0003601808280000071
Figure GDA0003601808280000072
式1和2中，SPL(i)为负荷参数的灵敏度，SZRX为结构参数变化△ZRX对关联母线电压的变化
Figure GDA0003601808280000075
的灵敏度，UB(i)为i节点的母线电压值，
Figure GDA0003601808280000076
为其它影响因素相对于UB(i)的变化值，△ZRX(j)为电网结构参数变化量，S(i)为灵敏度，△(j)代表设备j对i点母线电压产生影响的因素，LEset为电气距离设定值，LEjn为设备j与节点n之间的电气距离，[m|LEim<LEset]为与节点i间电气距离小于LEset的节点集合。
进一步地，所述影响因素集单元包括：
第一互信息值单元，其用于基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，通过信息熵求取线损Y与每种影响因素xi的第一互信息值I'(Y,xi)，其计算公式为：
I'(Y,xi)＝H(Y)+H(xi)-H(Y,xi) (3)
式中，H(Y)和H(xi)分别为Y、xi的边缘熵，H(Y,xi)为Y、xi的联合熵，三者的计算公式如下：
Figure GDA0003601808280000073
Figure GDA0003601808280000081
Figure GDA0003601808280000082
第二互信息值单元，其用于将第一互信息值单元确定的第一互信息值I'(Y,xi)进行归一化生成线损Y与每种影响因素xi的第二互信息值I(Y,xi)，公式如下：
Figure GDA0003601808280000083
进一步地，所述神经网络模型单元设置隐含层神经元为m个，其计算公式为：
Figure GDA0003601808280000084
式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。
进一步地，所述模型评价指标单元根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2的计算公式为：
Figure GDA0003601808280000085
式中，c为第k个确定线损Y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。
进一步地，所述最优模型确定单元包括：
分组单元，其用于将n-1个线损Y的神经网络模型的评价指标Rk 2依次分成Q组，每组含有p个模型的评价指标，计算公式如下：
Figure GDA0003601808280000091
指标平均值单元，其用于计算第q组神经网络模型的评价指标平均值，其计算公式为：
Figure GDA0003601808280000092
式11中，
Figure GDA0003601808280000093
为第q组模型评价指标的平均值，1≤q≤Q，1≤k≤n-1，p<n-1，n为自然数；
最优模型单元，其用于选择Rk 2值最大的一组模型中模型评价指标Rk 2值最大的模型作为确定线损Y的最优神经网络模型。
本发明所述的建立确定电网线损的神经网络模型的方法和系统针对线损建模输入的优化问题，提出采用互信息原理方法辨识出影响线损的主要因素的强弱程度，然后基于采集的线损和影响因素的样本集中的训练集将所述影响因素分组依次代入训练神经网络模型，确定若干个神经网络模型，并利用样本集中的测试集确定每个神经网络模型的评价指标，再对所述评价指标分组计算评价指标平均值以确定作为最优神经网络模型的输入的影响因素，从而提高所建神经网络模型预测线损的准确性。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的建立确定电网线损的神经网络模型的方法的流程图；
图2为根据本发明优选实施方式的确定电网线损的神经网络模型的结构示意图；
图3为根据本发明优选实施方式的确定电网线损的神经网络模型的评价指标的折线图；
图4为根据本发明优选实施方式的建立确定电网线损的神经网络模型的系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的建立确定电网线损的神经网络模型的方法的流程图。如图1所示，本优选实施方式所述的建立确定电网线损的神经网络模型的方法100从步骤101开始。
在步骤101，设置影响电网线损Y的n个影响因素，生成确定电网线损Y的影响因素集X＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数。
在本优选实施方式中，以10机39节点的系统为例，利用潮流计算得到整个电网的仿真数据，以110kV系统电网线损为例，并用Y表示，确定影响Y的相关因素共计23个，并组成影响因素集X＝{x1，x2，…x23}，它们分别是10kV母线电压水平(均值)、110kV母线电压水平(均值)、220kV母线电压水平(均值)、10kV电压等级下的有功负载、110kV电压等级下的有功负载、220kV电压等级下的有功负载、10kV电压等级下的无功负载、110kV电压等级下的无功负载、220kV电压等级下的无功负载、发电机发电总和、10kV电压等级下电阻总和、110kV电压等级下电阻总和、220kV电压等级下电阻总和、10kV电压等级下电抗总和、110kV电压等级下电抗总和、220kV电压等级下电抗总和、10kV电压等级下供电总和、15kV电压等级下供电总和、110kV电压等级下供电总和、220kV电压等级下供电总和、10kV电压等级下变压器平均负载率、110kV电压等级下变压器平均负载率、220kV电压等级下变压器平均负载率。
在步骤102，采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集，其中，N为自然数。
优选地，所述采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的N组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离LE设定关联范围，分别计算负荷变化△PL、结构参数变化△ZRX对关联母线电压的变化△UB的灵敏度SPL、SZRX，并修正负荷变化△PL、电网结构参数变化△ZRX情况下系统母线的电压值UB'来补偿负荷变化△PL、电网结构参数变化△ZRX对系统电压的影响，其计算公式为：
Figure GDA0003601808280000111
Figure GDA0003601808280000112
式1和2中，SPL(i)为负荷参数的灵敏度，SZRX为结构参数变化△ZRX对关联母线电压的变化
Figure GDA0003601808280000122
的灵敏度，UB(i)为i节点的母线电压值，
Figure GDA0003601808280000123
为其它影响因素相对于UB(i)的变化值，△ZRX(j)为电网结构参数变化量，S(i)为灵敏度，△(j)代表设备j对i点母线电压产生影响的因素，LEset为电气距离设定值，LEjn为设备j与节点n之间的电气距离，[m|LEim<LEset]为与节点i间电气距离小于LEset的节点集合。
在优选实施方式中，采集线损Y和所述影响因素集X中每个影响因素xi的数据利用电网运行管理历史库来提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与该时期电网状态对应的多个数据样本。其中，所述电网运行管理历史库是电网控制中心的能量管理系统(Energy Management System,EMS)的历史库或其他包含电网结构参数和运行状态的数据库。其中的结构参数变化包括线路长度、变压器电气参数等(电阻、电抗、对地电导、对地电纳)随季节温度的变化的情况。
表1为根据本发明优选实施方式的线损和影响因素的数据样本集。如表1所示，本优选实施方式一共记录了55组经过仿真模拟后得到的包括线损Y和23个影响因素的数据的样本集。
表1
Figure DA00036018082839284447
Figure GDA0003601808280000121
Figure GDA0003601808280000131
Figure DA00036018082839288283
在步骤103，基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损程度从强到弱排序的影响因素集Z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数。
优选地，基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)包括：
基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，通过信息熵求取线损Y与每种影响因素xi的第一互信息值I'(Y,xi)，其计算公式为：
I'(Y,xi)＝H(Y)+H(xi)-H(Y,xi) (3)
式中，H(Y)和H(xi)分别为Y、xi的边缘熵，H(Y,xi)为Y、xi的联合熵，三者的计算公式如下：
Figure GDA0003601808280000141
Figure GDA0003601808280000142
Figure GDA0003601808280000143
将根据式3、4、5和6确定的第一互信息值I'(Y,xi)进行归一化生成线损Y与每种影响因素xi的第二互信息值I(Y,xi)，公式如下：
Figure GDA0003601808280000144
在本优选实施方式中，所得到的I(Y,xi)的取值范围是[0.1]，互信息值的大小代表了线损与影响因素之间相关性的强弱，考虑到有23个影响因素，由此可以得到表征线损与影响因素之间相关性的相关系数矩阵，大小为23×1，线损Y与每种影响因素xi的第二互信息值具体如表2所示。
表2
Figure GDA0003601808280000145
Figure GDA0003601808280000151
将表2所示互信息值按照从大到小的顺序进行降序排列，则可生成影响电网线损程度从强到弱排序的影响因素集Z＝{z1，z2，…zi，…zn}。生成的影响因素集如表3所示。
表2
Z X降序排列
z<sub>1</sub> x<sub>12</sub>
z<sub>2</sub> x<sub>15</sub>
z<sub>3</sub> x<sub>19</sub>
z<sub>4</sub> x<sub>22</sub>
z<sub>5</sub> x<sub>4</sub>
z<sub>6</sub> x<sub>5</sub>
z<sub>7</sub> x<sub>7</sub>
z<sub>8</sub> x<sub>8</sub>
z<sub>9</sub> x<sub>20</sub>
z<sub>10</sub> x<sub>10</sub>
z<sub>11</sub> x<sub>23</sub>
z<sub>12</sub> x<sub>17</sub>
z<sub>13</sub> x<sub>21</sub>
z<sub>14</sub> x<sub>1</sub>
z<sub>15</sub> x<sub>2</sub>
z<sub>16</sub> x<sub>3</sub>
z<sub>17</sub> x<sub>6</sub>
z<sub>18</sub> x<sub>9</sub>
z<sub>19</sub> x<sub>13</sub>
z<sub>20</sub> x<sub>16</sub>
z<sub>21</sub> x<sub>11</sub>
z<sub>22</sub> x<sub>14</sub>
z<sub>23</sub> x<sub>18</sub>
在步骤104，设置确定电网线损Y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集Z'＝{z1，z2，…zj}T，隐含层神经元为m个，隐含层输出向量为H＝{h1，h2，…hm}T，输出层神经元为1个，输出层输出向量O＝[o1]T，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的权值wm1和阈值bm1，利用样本集中的训练集对线损Y进行训练，生成n-1个线损Y的神经网络模型，其中，影响因素集Z'＝{z1，z2，…zj}是影响因素集Z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，T表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的N'组数据，N/2≤N'<N。
优选地，所述隐含层神经元为m个，其计算公式为：
Figure GDA0003601808280000161
式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。
图2为根据本发明优选实施方式的确定电网线损的神经网络模型的结构示意图。如图2所示，所述神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集Z'＝{z1，z2，…zj}T，隐含层神经元为m个，隐含层输出向量为H＝{h1，h2，…hm}T，输出层神经元为1个，输出层输出向量O＝[o1]T，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的权值wm1和阈值bm1。
在步骤105，根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合。
优选地，所述根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2的计算公式为：
Figure GDA0003601808280000162
式中，c为第k个确定线损Y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。
图3为根据本发明优选实施方式的确定电网线损的神经网络模型的评价指标的折线图。如图3所示，在本优选实施方式中，由于确定110kV系统电网线损的影响因素有23个，因此，确定线损的神经模型的输入，即影响因素的个数为2到23个，最终确定了22个线损的神经网络模型，其对应的评价指标也为22个。
在步骤106，根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型。
优选地，所述根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型包括：
将n-1个线损Y的神经网络模型的评价指标Rk 2依次分成Q组，每组含有p个模型的评价指标，计算公式如下：
Figure GDA0003601808280000171
计算第q组神经网络模型的评价指标平均值，其计算公式为：
Figure GDA0003601808280000172
式11中，
Figure GDA0003601808280000173
为第q组模型评价指标的平均值，1≤q≤Q，1≤k≤n-1，p<n-1，n为自然数；
选择Rk 2值最大的一组模型中模型评价指标Rk 2值最大的模型作为确定线损Y的最优神经网络模型。
在本优选实施方式中，将22组神经网络模型的评价指标值分为7组，每组含3个模型的评价指标，根据式11计算出的每组模型的评价指标平均值如表3所示。
表4
模型分组 组1 组2 组3 组4 组5 组6 组7
各组平均值R<sup>2</sup> 0.1254 0.5698 0.6059 0.9044 0.8804 0.8690 0.8251
由表4可知，当输入的影响因素落在第4组时，模型的评价指标平均值最大，其中，根据式11可知，第4组神经网络模型的评价指标是R11 2、R12 2和R13 2，对应的，其模型的影响因素个数分别为12个，13个和14个，从图3中可以看出，当影响因素个数为13个时的神经网络模型的评价指标值最大，影响因素个数为13个的神经网络模型是确定电网线损的最佳神经网络模型。
图4为根据本发明优选实施方式的建立确定电网线损的神经网络模型的系统的结构示意图。如图4所示，本优选实施方式所述的建立确定电网线损的神经网络模型的系统200包括：
影响因素确定单元201，其用于设置影响电网线损Y的n个影响因素，生成确定电网线损Y的影响因素集X＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数。
样本集单元202，其用于采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集，其中，N为自然数。
优选地，所述样本集单元采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的N组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离LE设定关联范围，分别计算负荷变化△PL、结构参数变化△ZRX对关联母线电压的变化△UB的灵敏度SPL、SZRX，并修正负荷变化△PL、电网结构参数变化△ZRX情况下系统母线的电压值UB'来补偿负荷变化△PL、电网结构参数变化△ZRX对系统电压的影响，其计算公式为：
Figure GDA0003601808280000191
Figure GDA0003601808280000192
式1和2中，SPL(i)为负荷参数的灵敏度，SZRX为结构参数变化△ZRX对关联母线电压的变化
Figure GDA0003601808280000193
的灵敏度，UB(i)为i节点的母线电压值，
Figure GDA0003601808280000194
为其它影响因素相对于UB(i)的变化值，△ZRX(j)为电网结构参数变化量，S(i)为灵敏度，△(j)代表设备j对i点母线电压产生影响的因素，LEset为电气距离设定值，LEjn为设备j与节点n之间的电气距离，S(i)为灵敏度，[m|LEim<LEset]为与节点i间电气距离小于LEset的节点集合。
影响因素集单元203，其用于基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损程度从强到弱排序的影响因素集Z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数。
神经网络模型单元204，其用于设置确定电网线损Y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集Z'＝{z1，z2，…zj}T，隐含层神经元为m个，隐含层输出向量为H＝{h1，h2，…hm}T，输出层神经元为1个，输出层输出向量O＝[o1]T，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的权值wm1和阈值bm1，利用样本集中的训练集对线损Y进行训练，生成n-1个线损Y的神经网络模型，其中，影响因素集Z'＝{z1，z2，…zj}是影响因素集Z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，T表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的N'组数据，N/2≤N'<N。
模型评价指标单元205，其用于根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合。
最优模型确定单元206，其用于根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型。
优选地，所述影响因素集单元203包括：
第一互信息值单元231，其用于基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，通过信息熵求取线损Y与每种影响因素xi的第一互信息值I'(Y,xi)，其计算公式为：
I'(Y,xi)＝H(Y)+H(xi)-H(Y,xi) (3)
式中，H(Y)和H(xi)分别为Y、xi的边缘熵，H(Y,xi)为Y、xi的联合熵，三者的计算公式如下：
Figure GDA0003601808280000201
Figure GDA0003601808280000202
Figure GDA0003601808280000203
第二互信息值单元232，其用于将第一互信息值单元确定的第一互信息值I'(Y,xi)进行归一化生成线损Y与每种影响因素xi的第二互信息值I(Y,xi)，公式如下：
Figure GDA0003601808280000204
优选地，所述神经网络模型单元204设置隐含层神经元为m个，其计算公式为：
Figure GDA0003601808280000211
式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。
优选地，所述模型评价指标单元205根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2的计算公式为：
Figure GDA0003601808280000212
式中，c为第k个确定线损Y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。
优选地，所述最优模型确定单元206包括：
分组单元261，其用于将n-1个线损Y的神经网络模型的评价指标Rk 2依次分成Q组，每组含有p个模型的评价指标，计算公式如下：
Figure GDA0003601808280000213
指标平均值单元262，其用于计算第q组神经网络模型的评价指标平均值，其计算公式为：
Figure GDA0003601808280000214
式(11)中，
Figure GDA0003601808280000215
为第q组模型评价指标的平均值，1≤q≤Q，1≤k≤n-1，p<n-1，n为自然数；
最优模型单元263，其用于选择Rk 2值最大的一组模型中模型评价指标Rk 2值最大的模型作为确定线损Y的最优神经网络模型。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。

Claims (10)

1.一种建立确定电网线损的神经网络模型的方法，其特征在于，所述方法包括：
基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损Y的程度从强到弱排序的影响因素集Z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数；
设置确定电网线损Y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集Z'＝{z1，z2，…zj}T，隐含层神经元为m个，隐含层输出向量为H＝{h1，h2，…hm}T，输出层神经元为1个，输出层输出向量O＝[o1]T，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的权值wm1和阈值bm1，利用样本集中的训练集对线损Y进行训练，生成n-1个线损Y的神经网络模型，其中，影响因素集Z'＝{z1，z2，…zj}是影响因素集Z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，T表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的N'组数据，N/2≤N'<N；
根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2，其中，所述评价指标Rk 2的计算公式为：
Figure FDA0003601808270000011
式中，c为第k个确定线损Y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合；
根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型，包括：
将n-1个线损Y的神经网络模型的评价指标Rk 2依次分成Q组，每组含有p个模型的评价指标，计算公式如下：
Figure FDA0003601808270000021
计算第q组神经网络模型的评价指标平均值，其计算公式为：
Figure FDA0003601808270000022
式11中，
Figure FDA0003601808270000023
为第q组模型评价指标的平均值，1≤q≤Q，1≤k≤n-1，p<n-1，n为自然数；
选择Rk 2值最大的一组模型中模型评价指标Rk 2值最大的模型作为确定线损Y的最优神经网络模型。
2.根据权利要求1所述的方法，其特征在于，所述方法在利用互信息原理分别计算线损Y与每种影响因素xi的互信息值之前还包括：
设置影响电网线损Y的n个影响因素，生成确定电网线损Y的影响因素集X＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数；
采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集，其中，N为自然数。
3.根据权利要求2所述的方法，其特征在于，所述采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的N组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离LE设定关联范围，分别计算负荷变化△PL、结构参数变化△ZRX对关联母线电压的变化
Figure FDA0003601808270000035
的灵敏度SPL、SZRX，并修正负荷变化△PL、电网结构参数变化△ZRX情况下系统母线的电压值UB'来补偿负荷变化△PL、电网结构参数变化△ZRX对系统电压的影响，其计算公式为：
Figure FDA0003601808270000031
Figure FDA0003601808270000032
式1和2中，SPL(i)为负荷参数的灵敏度，SZRX为结构参数变化△ZRX对关联母线电压的变化
Figure FDA0003601808270000033
的灵敏度，UB(i)为i节点的母线电压值，
Figure FDA0003601808270000034
为其它影响因素相对于UB(i)的变化值，△ZRX(j)为电网结构参数变化量，S(i)为灵敏度，△(j)代表设备j对i点母线电压产生影响的因素，LEset为电气距离设定值，LEjn为设备j与节点n之间的电气距离，[m|LEim<LEset]为与节点i间电气距离小于LEset的节点集合。
4.根据权利要求3所述的方法，其特征在于，基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)包括：
基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，通过信息熵求取线损Y与每种影响因素xi的第一互信息值I'(Y,xi)，其计算公式为：
I'(Y,xi)＝H(Y)+H(xi)-H(Y,xi) (3)
式中，H(Y)和H(xi)分别为Y、xi的边缘熵，H(Y,xi)为Y、xi的联合熵，三者的计算公式如下：
Figure FDA0003601808270000041
Figure FDA0003601808270000042
Figure FDA0003601808270000043
将根据式3、4、5和6确定的第一互信息值I'(Y,xi)进行归一化生成线损Y与每种影响因素xi的第二互信息值I(Y,xi)，公式如下：
Figure FDA0003601808270000044
5.根据权利要求1所述的方法，其特征在于，所述隐含层神经元为m个，其计算公式为：
Figure FDA0003601808270000045
式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。
6.一种建立确定电网线损的神经网络模型的系统，其特征在于，所述系统包括：
影响因素集单元，其用于基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，利用互信息原理分别计算线损Y与每种影响因素xi的互信息值I(Y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损Y的程度从强到弱排序的影响因素集Z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数；
神经网络模型单元，其用于设置确定电网线损Y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集Z'＝{z1，z2，…zj}T，隐含层神经元为m个，隐含层输出向量为H＝{h1，h2，…hm}T，输出层神经元为1个，输出层输出向量O＝[o1]T，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的权值wm1和阈值bm1，利用样本集中的训练集对线损Y进行训练，生成n-1个线损Y的神经网络模型，其中，影响因素集Z'＝{z1，z2，…zj}是影响因素集Z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，T表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的N'组数据，N/2≤N'<N；
模型评价指标单元，其用于根据确定的n-1个线损Y的神经网络模型，利用样本集中的测试集计算每个线损Y的神经网络模型的评价指标Rk 2，其中，所述评价指标Rk 2的计算公式为：
Figure FDA0003601808270000051
式中，c为第k个确定线损Y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合；
最优模型确定单元，其用于根据线损Y的神经网络模型的评价指标Rk 2确定线损Y的最优神经网络模型，包括：
分组单元，其用于将n-1个线损Y的神经网络模型的评价指标Rk 2依次分成Q组，每组含有p个模型的评价指标，计算公式如下：
Figure FDA0003601808270000052
指标平均值单元，其用于计算第q组神经网络模型的评价指标平均值，其计算公式为：
Figure FDA0003601808270000061
式11中，
Figure FDA0003601808270000062
为第q组模型评价指标的平均值，1≤q≤Q，1≤k≤n-1，n为自然数；
最优模型单元，其用于选择Rk 2值最大的一组模型中模型评价指标Rk 2值最大的模型作为确定线损Y的最优神经网络模型。
7.根据权利要求6所述的系统，其特征在于，所述系统还包括：
影响因素确定单元，其用于设置影响电网线损Y的n个影响因素，生成确定电网线损Y的影响因素集X＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数；
样本集单元，其用于采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集，其中，N为自然数。
8.根据权利要求7所述的系统，其特征在于，所述样本集单元采集线损Y和所述影响因素集X中每个影响因素xi的数据，生成包括N组线损Y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的N组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离LE设定关联范围，分别计算负荷变化△PL、结构参数变化△ZRX对关联母线电压的变化
Figure FDA0003601808270000063
的灵敏度SPL、SZRX，并修正负荷变化△PL、电网结构参数变化△ZRX情况下系统母线的电压值UB'来补偿负荷变化△PL、电网结构参数变化△ZRX对系统电压的影响，其计算公式为：
Figure FDA0003601808270000071
Figure FDA0003601808270000072
式1和2中，SPL(i)为负荷参数的灵敏度，SZRX为结构参数变化△ZRX对关联母线电压的变化
Figure FDA0003601808270000073
的灵敏度，UB(i)为i节点的母线电压值，
Figure FDA0003601808270000074
为其它影响因素相对于UB(i)的变化值，△ZRX(j)为电网结构参数变化量，S(i)为灵敏度，△(j)代表设备j对i点母线电压产生影响的因素，LEset为电气距离设定值，LEjn为设备j与节点n之间的电气距离，[m|LEim<LEset]为与节点i间电气距离小于LEset的节点集合。
9.根据权利要求8所述的系统，其特征在于，所述影响因素集单元包括：
第一互信息值单元，其用于基于预先建立的包括N组线损Y和影响因素xi的数据的样本集，通过信息熵求取线损Y与每种影响因素xi的第一互信息值I'(Y,xi)，其计算公式为：
I'(Y,xi)＝H(Y)+H(xi)-H(Y,xi) (3)
式中，H(Y)和H(xi)分别为Y、xi的边缘熵，H(Y,xi)为Y、xi的联合熵，三者的计算公式如下：
Figure FDA0003601808270000075
Figure FDA0003601808270000076
Figure FDA0003601808270000081
第二互信息值单元，其用于将第一互信息值单元确定的第一互信息值I'(Y,xi)进行归一化生成线损Y与每种影响因素xi的第二互信息值I(Y,xi)，公式如下：
Figure FDA0003601808270000082
10.根据权利要求6所述的系统，其特征在于，所述神经网络模型单元设置隐含层神经元为m个，其计算公式为：
Figure FDA0003601808270000083
式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。
CN201811398825.8A 2018-11-22 2018-11-22 一种建立确定电网线损的神经网络模型的方法和系统 Active CN109636009B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811398825.8A CN109636009B (zh) 2018-11-22 2018-11-22 一种建立确定电网线损的神经网络模型的方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811398825.8A CN109636009B (zh) 2018-11-22 2018-11-22 一种建立确定电网线损的神经网络模型的方法和系统

Publications (2)

Publication Number Publication Date
CN109636009A CN109636009A (zh) 2019-04-16
CN109636009B true CN109636009B (zh) 2022-07-01

Family

ID=66068927

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811398825.8A Active CN109636009B (zh) 2018-11-22 2018-11-22 一种建立确定电网线损的神经网络模型的方法和系统

Country Status (1)

Country Link
CN (1) CN109636009B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110417516B (zh) 2019-08-16 2022-03-01 北京小米移动软件有限公司 无线调制解调器的调整方法及装置
CN111080001A (zh) * 2019-12-09 2020-04-28 华北电力大学 一种应用于风电场风速的深度神经网络预测方法
CN111552911B (zh) * 2020-03-17 2023-06-02 东南大学 一种基于多场景生成的技术线损影响因素定量分析方法
CN111626559A (zh) * 2020-04-22 2020-09-04 国网山西省电力公司电力科学研究院 一种基于主因子分析法的中压配电网线损关键特征指标提取方法及系统
CN113469239B (zh) * 2021-06-29 2023-01-31 展讯通信（上海）有限公司 线损值评估模型生成方法、系统、设备及介质
CN115224698B (zh) * 2022-07-20 2023-06-30 南京理工大学 基于数字孪生的新能源电力系统无功-电压优化控制方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318318A (zh) * 2014-10-10 2015-01-28 国家电网公司 基于荷、网、源协调控制的因子对电网损耗影响量化模型
CN108694467A (zh) * 2018-05-22 2018-10-23 中国电力科学研究院有限公司 一种对配电网线损率进行预测的方法及系统
CN108805443A (zh) * 2018-06-07 2018-11-13 华北电力大学 一种电网性能综合评价方法和系统

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104318318A (zh) * 2014-10-10 2015-01-28 国家电网公司 基于荷、网、源协调控制的因子对电网损耗影响量化模型
CN108694467A (zh) * 2018-05-22 2018-10-23 中国电力科学研究院有限公司 一种对配电网线损率进行预测的方法及系统
CN108805443A (zh) * 2018-06-07 2018-11-13 华北电力大学 一种电网性能综合评价方法和系统

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Transmission line loss Allocation Using Power Flow Tracing with Distribution Factors;Tomokazu Ogawa et al.;《2007 IEEE Power Engineering Society General Meeting》;20070723;全文 *
基于数据挖掘技术的台区线损计算方法研究;李亚;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20180315(第3期);第C042-2108页 *
基于灰色关联分析和改进神经网络的10kV配电网线损预测;张义涛 等;《电网技术》;20181015;第43卷(第4期);第1404-1410页 *

Also Published As

Publication number Publication date
CN109636009A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
CN109636009B (zh) 一种建立确定电网线损的神经网络模型的方法和系统
CN106655159B (zh) 一种新能源电站一次调频能力测试系统及其测试方法
CN108694467A (zh) 一种对配电网线损率进行预测的方法及系统
CN106374513B (zh) 一种基于主从博弈的多微网联络线功率优化方法
Zhang et al. Application of simulated annealing genetic algorithm-optimized back propagation (BP) neural network in fault diagnosis
CN105512808A (zh) 一种面向大数据的电力系统暂态稳定评估方法
CN108681786B (zh) 基于供电社团结构的分布式发电选址规划方法
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN105046584A (zh) 一种基于k-means算法的理想线损率的计算方法
CN106875055A (zh) 基于ahp和ga的储能装置参与电网调频的参数优化方法
CN115940267A (zh) 一种区域配电网分布式光伏集群划分方法
CN108830451A (zh) 一种用户侧分布式储能的汇聚潜力评估方法及系统
CN113437756B (zh) 考虑配电网静态电压稳定性的微电网优化配置方法
CN105914752A (zh) 基于快速搜索与密度峰值聚类的主导节点选择方法
CN110852495A (zh) 一种分布式储能电站选址方法
CN111404163A (zh) 一种电磁环网开环方法
Cai et al. Optimal reactive power dispatch based on modified particle swarm optimization considering voltage stability
CN111293687A (zh) 一种基于三维粒子群算法的分布式电源选址定容的方法
CN105896547A (zh) 一种风电接入下的大电网分级电压控制方法
CN110676871A (zh) 一种分布式光伏规模化接入农村配电网的组群划分方法
CN113690930B (zh) 基于nsga-iii算法的分布式光伏电源中长期选址定容方法
CN114781277A (zh) 一种基于lstm-svr的超级电容器剩余使用寿命预测方法
CN113595069A (zh) 一种配电网光伏消纳容量提升方法
CN111639463A (zh) 一种基于XGBoost算法的电力系统扰动后频率特征预测方法
Chen et al. The optimal planning and dynamic operation of distributed generation method based on modified multiobjective optimization in power distribution system

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