CN109767109A - 基于神经网络的异常线损率台区识别方法 - Google Patents

Abstract

本发明公开了一种基于神经网络的异常线损率台区识别方法，通过将收集到的台区电气特征参数和计算得到的实际线损率作为训练样本集，计算得到各层之间的权重；当后续台区数量变化时，及时修改样本集，迭代更新权重，得到最优权重系数；接着将台区的电气特征参数作为输入，最优权重作为权重系数，得到估算线损率值；通过对实际线损率和估算线损率进行对比，计算两者的误差率即能识别异常线损的台区。本发明通过对实际线损率和估算线损率进行对比，计算两者的误差率即能识别异常线损的台区，方便管理人员进行线损管理，电力企业能够及时进行有效的补救措施，从而减少经济的进一步损失。

Description

基于神经网络的异常线损率台区识别方法

技术领域

本发明涉及一种线损率异常识别方法，尤其涉及一种基于神经网络的异常线损率台区识别方法。

背景技术

我国现有的配网规模较为庞大，而且结构复杂。由于低压用户越来越多，低压配网的线损问题越来越突出。由于低压台区数量众多，且管理的状况参差不齐，很难在庞大的台区数量中直接辨别异常线损的台区。低压配电台区作为电力系统的末端环节，直接关联到电力公司的经济效益。所以计算台区线损率，识别线损异常的台区，可以方便管理人员进行线损管理，电力企业能够及时进行有效的补救措施，从而减少经济的进一步损失。

发明内容

发明目的：针对以上问题，本发明提出一种基于神经网络的异常线损率台区识别方法，计算实际线损率和估算线损率之间的误差率，从而识别出异常线损的台区，方便管理人员对异常线损的台区进行管理。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于神经网络的异常线损率台区识别方法，包括步骤：

(1)收集电网各台区的电气特征参数；

(2)收集各台区的供电量和售电量，计算实际线损率；

(3)将各台区电气特征参数作为训练集的输入，实际线损率作为训练集的输出，训练神经网络，计算权重系数；

(4)将台区下的电气特征参数作为样本数据的输入，权重系数作为最优权重，进行神经网络算法，计算估算线损率值；

(5)计算实际线损率和估算线损率值的误差，根据误差率的大小判断台区是否为线损异常台区。

进一步地，所述步骤1中，电气特征参数包括低压线路特征参数、变压器特征参数、气象特征参数和用电性质特征参数。

进一步地，所述步骤2中，实际线损率L％为：

其中，供电量为A_supply，售电量为A_sale。

进一步地，所述步骤3为计算输入层到隐藏层、隐藏层到输出层的阈值权重，包括步骤：

(3.1)确定训练集；

(3.2)确定损失函数；

(3.3)确定参数调整策略；

(3.4)计算各层的权重梯度值；

(3.5)迭代更新各层权重值。

进一步地，所述步骤(3.4)包括：

(3.4.1)计算输出层阈值θ_j的梯度；

(3.4.2)计算隐藏层到输出层的连接权值w_hj的梯度；

(3.4.3)计算隐藏层阈值γ_h的梯度。

进一步地，所述步骤5中，实际线损率和估算线损率值的误差率为：

有益效果：本发明通过对实际线损率和估算线损率进行对比，计算两者的误差率即能识别异常线损的台区，方便管理人员进行线损管理，电力企业能够及时进行有效的补救措施，从而减少经济的进一步损失。

附图说明

图1是本发明的方法流程图；

图2是神经网络训练流程图；

图3是单层神经网络示意图。

具体实施方式

下面结合附图和实施例对本发明的技术方案作进一步的说明。

本发明的基于神经网络的异常线损率台区识别方法，通过将收集到的台区电气特征参数和计算得到的实际线损率作为训练样本集，计算得到各层之间的权重。当后续台区数量变化时，及时修改样本集，迭代更新权重，得到最优权重系数。接着将台区的电气特征参数作为输入，最优权重作为权重系数，得到估算线损率值。通过对实际线损率和估算线损率进行对比，计算两者的误差率即能识别异常线损的台区。

首先收集各台区特征参数，收集台区下的线路参数、变压器参数、用电性质参数、气象参数等台区电气特征参数；收集各台区的供电量和售电量，根据得到的供电量和售电量计算统计线损率，作为实际线损率。然后将将收集到的台区电气特征参数作为学习的训练样本集的输入，实际线损率作为输出，得到权重系数。当台区数量增多或减少时，对样本集进行重新训练学习，迭代更新权重系数得到最优的权重，使其更为精确。接着将收集到的台区下的电气特征参数作为样本数据的输入，将计算得到的权重系数作为最优权重进行神经网络算法，得到估算线损率值。最后将实际线损率和估算线损率值比较计算得到误差率，根据误差率的大小判断台区是否为线损异常台区。

本发明的基于神经网络的异常线损率台区识别方法，如图1所示，包含以下步骤：

(1)收集台区电气特征参数；

(1.1)收集低压线路特征参数：包括导线导体材料，20℃时的导线单位长度电阻值，供电范围半径，最大供电长度；

(1.2)收集变压器特征参数：包括平均负载率、K系数、平均电流I_av、最大电流、最小电流、三相电流不平衡度、变压器额定容量、空载损耗、负载损耗、变压器的分接头电压、变压器的平均电压；

(1.3)收集气象特征参数：包括当前室外温度、当前室外湿度；

(1.4)收集用电性质特征参数：包括工业用电量、农业用电量、居民用电量、商业用电量；

(1.5)收集电量特征参数：包括供电量A_supply、售电量A_sale；

(2)计算实际线损率L％；

通过计量装置上采集到的供电量A_supply和售电量A_sale，计算统计线损率，作为实际线损率。

(3)训练神经网络模型，计算各层权重系数；

如图2所示，获取部分台区电气特征数据作为BP神经网络算法的训练样本集，并计算输入层到隐藏层、隐藏层到输出层的阈值以及权重。

(3.1)确定训练集；

将收集到的台区电气特征参数作为输入x_jm，计算的实际线损率L％作为输出y_m，学习模式如图3所示，训练集D为：

以下为神经网络所需的参数：

d为输入层的神经元个数；

q为隐藏层的神经元个数；

l为输出层的神经元个数；

v_ih为输入层第i个神经元和隐藏层第h个神经元的权重；

w_hj为隐藏层第h个神经元和输出层第j个神经元的权重；

b_h为隐藏层第h个神经元的输出；

θ_j为输出层第j个神经元的阈值；

γ_h为隐藏层第h个神经元的阈值；

为隐藏层第h个神经元的输入；

为输出层第j个神经元的输入；

(3.2)确定损失函数；

线损率样本集为(x_1m,x_2m,...,x_im),y_m)，神经网络的输出为：

可以变换为：

神经网路样本(x_1m,x_2m,...,x_im),y_m)的均方根误差为：

(3.3)确定参数调整策略；

BP算法基于梯度下降策略，以目标的扶梯度方向对参数进行调整：

v＝v+Δv_hj

其中，η为学习速率，即为梯度下降的补偿，此处定为0.6；v为各层的权重值；Δv_hj为权重的梯度值。

(3.4)计算各层的权重梯度值；

(3.4.1)计算输出层阈值θ_j的梯度；

根据链式法则、公式(2)、sigmoid函数激活函数以及公式(1)可得输出层权重梯度，并将其定义为g_j：

(3.4.2)计算隐藏层到输出层的连接权值w_hj的梯度；

根据链式法则、由β_j定义可得出隐藏层到输出层的权重梯度：

(3.4.3)计算隐藏层阈值γ_h的梯度；

根据链式法则可得出隐藏层的阈值梯度：

(3.5)迭代更新各层权重值；

根据上述训练样本可得各层权重值：

在现有的电网模型架构中，台区的数量经常会有或多活少的或增或减，相对应的我们的样本数据会有变动。为了保证神经网络BP算法计算出的估算线损率值更为精确，所以我们需要不定时的对各层权重进行迭代更新，以求出最优权重。

(4)计算估算线损率值；

通过步骤3对样本集进行训练学习，可得到各层的最优权重。将收集到的台区电气参数作为输入，通过BP神经网络算法，计算得到估算的线损率。

(5)计算实际线损率和估算线损率值的误差；

通过上述公式计算误差率，根据误差率来辨别线损异常的台区。假使误差率小于5％，则视为正常台区。假使误差率大于5％，则视为异常台区，管理人员着重关注此台区。由此可以有效的帮助管理人员管理线损，电力企业能够及时进行有效的补救措施，从而减少经济的进一步损失。

以下通过某具体实施例，验证本发明的基于神经网络的异常线损率台区识别方法。

步骤1、收集电网台区的电气特征参数；

选取以下七个台区作为样本数据，各个台区的电气特征参数如表1所示。

表1

步骤2、根据修正系数K和平均电流I_av，计算均方根电流I_rms；

根据公式I_rms＝K*I_av，计算均方根电流I_rms，结果如下表2。

表2

台区	修正系数K	平均电流I<sub>av</sub>	均方根电流I<sub>av</sub>
				台区1	1.0	16.052	16.052
台区2	1.07	22.136	20.68785
				台区3	1.09	20.258	18.58532
台区4	1.15	23.369	23.13762
				台区5	1.19	23.025	19.34874
台区6	1.26	19.025	15.09921
				台区7	1.3	29.903	23.00231

步骤3、计算统计线损率；

根据公式可得实际日线损率，结果如下表3。

表3

步骤4、确定神经网络训练模型，计算各层权重系数；

将表1中收集到的台区特征参数作为输入，表3中计算得到的实际线损率作为输出，建立BP神经网络的训练模型，计算的得到各层权重。

步骤5、计算估算线损率；

将步骤4计算得到的最优权重以及表1台区特征参数、表2的均方根电流建立神经网络模型，计算的到的输出即为估算线损率值。

通过公式计算实际线损率和估算线损率的误差率，具体值如下表4。

表4

台区	实际线损率/％	估算线损率/％	误差率/％
				台区1	3.082	2.894126	1.764831994
台区2	4.558	5.232264	5.305197085
				台区3	3.079	5.856236	2.481189985
台区4	4.47	4.236112	2.735179827
				台区5	3.856	3.565916	4.207436353
台区6	2.566	2.226921	5.748728412
				台区7	5.496	5.226911	3.620444496

步骤6、评估异常线损台区；

根据表4的到的误差率，判断误差率大于5％以上的，我们可以以此判定该台区为异常线损台区，需要加强管理人员对该台区的日常管理。

步骤7、更新样本集，得出最优权重；

将采集到的新的台区的电气特征参数加入样本集，更新训练样本集。

表5

步骤8、根据步骤2、步骤4和步骤5更新均方根电流、实际线损率和误差率；

表6

台区	修正系数K	平均电流I<sub>av</sub>	均方根电流I<sub>av</sub>
				台区1	1.0	24.025	24.025
台区2	1.07	24.657	23.044
				台区3	1.09	25.79	28.111
台区4	1.15	24.036	24.276
				台区5	1.19	22.165	26.376
台区6	1.26	18.752	23.628
				台区7	1.3	21.972	28.564
台区8	1.24	29.562	36.657
				台区9	1.17	25.317	29.621
台区10	1.31	32.973	43.195

表7

台区	供电量/kWh	售电量/kWh	实际线损率/％
				台区1	136795	128954	5.732
台区2	145987	136541	6.47
				台区3	168975	158562	6.162
台区4	123689	115659	6.492
				台区5	289623	278964	3.68
台区6	375698	365987	2.585
				台区7	445698	432139	3.042
台区8	597856	572364	4.264
				台区9	372698	362326	2.783
台区10	678954	639627	5.793

表8

步骤9、评估更新后的数据；

比对表4的到的误差率和表8更新后的误差率，可以看出，样本越多，误差率更小，神经算法的精确度更高。对于管理人员来讲，能更快速寻找异常线损台区，高效的管理台区，减少电力企业的经济流失。

Claims (6)

1.一种基于神经网络的异常线损率台区识别方法，其特征在于，包括步骤：

(1)收集电网各台区的电气特征参数；

(2)收集各台区的供电量和售电量，计算实际线损率；

(3)将各台区电气特征参数作为训练集的输入，实际线损率作为训练集的输出，训练神经网络，计算权重系数；

(4)将台区下的电气特征参数作为样本数据的输入，权重系数作为最优权重，进行神经网络算法，计算估算线损率值；

(5)计算实际线损率和估算线损率值的误差，根据误差率的大小判断台区是否为线损异常台区。

2.根据权利要求1所述的基于神经网络的异常线损率台区识别方法，其特征在于，所述步骤1中，电气特征参数包括低压线路特征参数、变压器特征参数、气象特征参数和用电性质特征参数。

3.根据权利要求1所述的基于神经网络的异常线损率台区识别方法，其特征在于，所述步骤2中，实际线损率L％为：

其中，供电量为A_supply，售电量为A_sale。

4.根据权利要求1所述的基于神经网络的异常线损率台区识别方法，其特征在于，所述步骤3为计算输入层到隐藏层、隐藏层到输出层的阈值权重，包括步骤：

(3.1)确定训练集；

(3.2)确定损失函数；

(3.3)确定参数调整策略；

(3.4)计算各层的权重梯度值；

(3.5)迭代更新各层权重值。

5.根据权利要求4所述的基于神经网络的异常线损率台区识别方法，其特征在于，所述步骤(3.4)包括：

(3.4.1)计算输出层阈值θ_j的梯度；

(3.4.2)计算隐藏层到输出层的连接权值w_hj的梯度；

(3.4.3)计算隐藏层阈值γ_h的梯度。

6.根据权利要求1所述的基于神经网络的异常线损率台区识别方法，其特征在于，所述步骤5中，实际线损率和估算线损率值的误差率为：