CN109871622A - 一种基于深度学习的低压台区线损计算方法及系统 - Google Patents
一种基于深度学习的低压台区线损计算方法及系统 Download PDFInfo
- Publication number
- CN109871622A CN109871622A CN201910135982.8A CN201910135982A CN109871622A CN 109871622 A CN109871622 A CN 109871622A CN 201910135982 A CN201910135982 A CN 201910135982A CN 109871622 A CN109871622 A CN 109871622A
- Authority
- CN
- China
- Prior art keywords
- line loss
- neural network
- network model
- depth confidence
- low
- 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.)
- Pending
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于深度学习的低压台区线损计算方法及系统。该计算方法包括:获取深度置信神经网络模型;所述深度置信神经网络模型由深度置信网络模型以及深度神经网络模型组成;采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型;采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型;采集低压台区的线损特征值指标;根据所述线损特征值指标,通过线损计算模型,计算低压台区的线损。通过本方法或系统能够快速、准确的计算低压台区线损。
Description
技术领域
本发明涉及线损计算领域,特别是涉及一种基于深度学习的低压台区线损计算方法及系统。
背景技术
随着国家经济的快速发展,配电网的规模不断扩大,供电量的快速增长,使得低压台区线损率计算困难问题也日益凸显。低压台区线损率是电力系统经济运行的一个重要技术指标,而且是电力公司的重点管理内容之一。降低电网运行过程中产生的损耗是实现电网运行高效、节能环保的重要举措,因此研究台区线损情况对提高配电网的经济运行有十分重要的意义。
然而,通过近几年从事理论线损计算工作以来,发现了一些线损计算中的问题。计算与低压台区线损率的方法大多采用的容量分摊法,实测数据多,计算难度大,因此导致线损计算工作效率低;采用传统神经网络学习算法对低压台区进行线损计算出现准确度不高,而且不容易收敛,容易陷入局部最优解。
发明内容
本发明的目的是提供一种基于深度学习的低压台区线损计算方法及系统,用以快速、准确的计算低压台区线损。
为实现上述目的,本发明提供了如下方案:
一种基于深度学习的低压台区线损计算方法,所述计算方法包括:
获取深度置信神经网络模型;所述深度置信神经网络模型由深度置信网络模型以及深度神经网络模型组成;
采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型;
采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型;
采集低压台区的线损特征值指标;
根据所述线损特征值指标,通过线损计算模型,计算低压台区的线损。
可选的,所述线损特征值指标包括用户负荷、每段线路长度以及线路型号。
可选的,所述采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型,具体包括:
获取所述深度置信神经网络模型的初始参数;
采用贪婪学习算法更新所述初始参数,更新次数达到预设迭代次数时停止更新,得到最优深度置信神经网络模型。
可选的,所述采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型,具体包括:
获取训练集;所述训练集包括线损特征值指标训练集以及实际线损;
将所述线损特征值指标训练集输入至所述最优深度置信神经网络模型,得到预测结果;
判断所述预测结果与所述实际线损的误差值是否在预设误差范围内;
若是,确定所述最优深度置信神经网络模型为线损计算模型;
若否,采用梯度下降算法调整所述最优深度置信神经网络模型的内部系数,使所述预测结果与所述实际线损的误差值在预设误差范围内。
本发明还提供了一种基于深度学习的低压台区线损计算系统,所述计算系统包括:
模型获取模块,用于获取深度置信神经网络模型;所述深度置信神经网络模型由深度置信网络模型以及深度神经网络模型组成;
前向训练模块,用于采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型;
后向训练模块,用于采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型;
指标采集模块,用于采集低压台区的线损特征值指标;
计算模块,用于根据所述线损特征值指标,通过线损计算模型,计算低压台区的线损。
可选的,所述线损特征值指标包括用户负荷、每段线路长度以及线路型号。
可选的,所述前向训练模块,具体包括:
初始参数获取单元,用于获取所述深度置信神经网络模型的初始参数;
更新单元,用于采用贪婪学习算法更新所述初始参数,更新次数达到预设迭代次数时停止更新,得到最优深度置信神经网络模型。
可选的,所述后向训练模块,具体包括:
训练集获取单元,用于获取训练集;所述训练集包括线损特征值指标训练集以及实际线损;
输入单元,用于将所述线损特征值指标训练集输入至所述最优深度置信神经网络模型,得到预测结果;
判断单元,用于判断所述预测结果与所述实际线损的误差值是否在预设误差范围内;
结果确定单元,用于当所述预测结果与所述实际线损的误差值在预设误差范围内时,确定所述最优深度置信神经网络模型为线损计算模型;
调整单元,用于当所述预测结果与所述实际线损的误差值在预设误差范围外时,采用梯度下降算法调整所述最优深度置信神经网络模型的内部系数,使所述预测结果与所述实际线损的误差值在预设误差范围内。
与现有技术相比,本发明具有以下技术效果:本发明采用深度置信神经网络模型DBN-DNN计算低压台区的线损,DBN-DNN计算台区相比于传统的神经网络算法有更高的准确性,传统的神经网络属于浅层结构,它局限于对复杂函数的表示能力,并且泛化能力较弱;深度置信网络由于增添了预训练过程,所以可以将浅层网络扩展到深层网络,避免了传统神经网络中因为增加层数而导致梯度弥散的致命问题,而且由于层数增加,可以实现更为复杂的线损计算。本发明解决了传统低神经网络压台区线损计算不准确的问题,满足国家电网坚强、节能环保的要求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例基于深度学习的低压台区线损计算方法的流程图;
图2为本发明实施例基于深度学习的低压台区线损计算系统的结构框图。
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、完整地描述,显然,所描述的实施例仅仅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他实施例,都属于本发明保护的范围。
本发明的目的是提供一种基于深度学习的低压台区线损计算方法及系统,用以快速、准确的计算低压台区线损。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
如图1所示,基于深度学习的低压台区线损计算方法包括以下步骤:
步骤101:获取深度置信神经网络模型;所述深度置信神经网络模型由深度置信网络模型以及深度神经网络模型组成。
步骤102:采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型。具体的,获取所述深度置信神经网络模型的初始参数;采用贪婪学习算法更新所述初始参数,更新次数达到预设迭代次数时停止更新,得到最优深度置信神经网络模型。
步骤103:采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型。具体的,获取训练集;所述训练集包括线损特征值指标训练集以及实际线损;将所述线损特征值指标训练集输入至所述最优深度置信神经网络模型,得到预测结果;判断所述预测结果与所述实际线损的误差值是否在预设误差范围内;若是,确定所述最优深度置信神经网络模型为线损计算模型;若否,采用梯度下降算法调整所述最优深度置信神经网络模型的内部系数,使所述预测结果与所述实际线损的误差值在预设误差范围内。
DBN模型是有多个RBM堆叠而成的,本发明选取3个RBM作为DBN模型。有很强的优势。它通过贪婪的前向学习并且结合梯度下降的反向微调,达到最优的模型训练。第一层和第二层形成RBM1,第二层与第三次形成RBM2,以此类推直到最后一层,在最后一层加上一个输出层就构成了DNN模型。整个DBN-DNN的训练过程是包含两个过程的:无监督学习预训练过程(前向训练)和监督学习反向微调过程(反向训练)。
(1)无监督预训练过程
预训练是从底部神经层向顶部神经层学习的一个过程,它利用RBM的无监督训练贪婪训练机制进行逐层训练,得到每个RBM的参数,实现把低层的数据特征逐层训练成高层特征,最后送入到最顶层的输出层,为达到全局最优做准备。预训练的目的就是给参数提供一个好的初值,避免梯度下降算法在深层神经网络中梯度消失的问题。
(2)监督反向微调过程
反向微调阶段是一个从上到下的一个反过程,首先求出输出层结果与实际数值之间的误差,然后利用梯度下降算法或者对梯度下降的优化算法,根据误差从顶层逐层向下调整模型内部系数,从而达到降低误差的目的。预训练只是找到模型最优解的大概范围,而反向微调是为了缩小这个范围并找到最优解的。通过全局的一个微调过程,最终确定内部最优参数,正是由于DBN模型深度特征提取能力使得模型准确率大大提高。
在训练开始前要首先对模型进行初始化,设置输入节点、隐藏层数、每层节点数、迭代次数、学习率、动量等。然后DBN就开始进行无监督的训练,当满足最大迭代次数后,无监督训练就会结束。无监督训练结束后就立即进入有监督的反向微调过程,使用梯度下降算法或者梯度下降的优化算法进行计算,直到达到最大迭代次数,反向微调过程结束。至此,就完成了对DBN-DNN的训练。预训练只存在与相邻两层之间,反向微调是对整个模型中参数的全局调整。算法流程图如下:
(1)DBN-DNN前向训练:贪婪学习算法
贪婪学习是应用在DBN相邻两层之间,后一层神经元只受前一层神经元的影响,例如v只影响h1的数值。贪婪学习是将可见层样本输入值映射到隐藏层,而对比散度算法是对可见层的重构,并利用可见层与重构可见层的误差来进行参数的调整。这样通过对RBM的训练就完成了对DBN-DNN前向的无监督训练。算法步骤如下:
算法:贪婪前向算法步骤
输入:训练样本集X,网络层数L,学习率ε,迭代次数
输出:训练好的模型参数θ={w,a,b}
(2)DBN-DNN反向训练:梯度下降微调
反向微调过程的目的是得到最优解。因为在预训练过程中得到是一个最优解的大致范围,所以需要反向训练来确定最优解。DBN的反向微调就是BP神经网络中的BP算法,常见的算法主要有快速梯度下降和共轭梯度下降。算法步骤如下:
算法:反向微调算法步骤
输入:训练样本集X={(x1,y1),…,(xt,yt)}(含有标签),隐藏层单元h,网络层数L,学习率ε
输出:训练好的模型参数θ={w,a,b}
步骤104:采集低压台区的线损特征值指标。所述线损特征值指标包括用户负荷、每段线路长度以及线路型号。
由于低压台区网架结构复杂,运行情况多样,因此影响线路损失的因素有很多,比如线路长度、供电半径、变压器容量、供电量、无功供电量、三相不平衡度、用户数量等。考虑到这些指标获取的难易程度和对线路损失影响大小,选择用户负荷、每段线路长度以及线路型号作为低压台区的特征指标。
(1)线路长度
线路长度是影响线路损失的一个重要指标。线路长度越长,线路的电阻值就会越大,从而在线路上产生的损失就越大,因此需要知道低压台区中每段线路的长度。可以从电网公司中SCADA中得到。
(2)用户负荷
目前随着国家电网的远程自动抄表系统普及,使得低压台区的用户负荷能够被准确的采集。用户负荷直接影响着线路损失,用户的负荷越大在线路上产生的损失也就越大。用户负荷是根据电表所采集的数据,可以从电网公司中SCADA中得到
(3)线路型号
对于低压台区来说,线路的型号是千差万别的,不同的线路型号其电阻值也是有很大差别的。通常作为一个台区的主干线的线路型号的线径要大,作为分支的线路型号的线径要小。线径越小阻值越大,线径越粗阻值越小,因此线路型号也是直接影响线路损失大小的重要指标。线路型号是一个固定的数值可以从电网公司中SCADA系统中得到。
上面3种电气特征指标构成台区的输入变量。因为这3种变量的范围和单位都不同,因此需要对数据进行标准化处理。标准化处理的方法为正规化。设特征值参数为m个,样本数为N个,标准化步骤如下:
式中:Zij为xij正规化处理后得到的量;为xij的平均值;sij为xij的方差。经过标准化的数据就可以作为输入数据。
步骤105:根据所述线损特征值指标,通过线损计算模型,计算低压台区的线损。
由表1可以看出DBN-DNN计算台区相比于传统的神经网络算法有更高的准确性。
表1 DBN-DNN方法与神经网络方法比较
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明采用深度置信神经网络模型DBN-DNN计算低压台区的线损,DBN-DNN计算台区相比于传统的神经网络算法有更高的准确性,传统的神经网络属于浅层结构,它局限于对复杂函数的表示能力,并且泛化能力较弱;深度置信网络由于增添了预训练过程,所以可以将浅层网络扩展到深层网络,避免了传统神经网络中因为增加层数而导致梯度弥散的致命问题,而且由于层数增加,可以实现更为复杂的线损计算。本发明解决了传统低神经网络压台区线损计算不准确的问题,满足国家电网坚强、节能环保的要求
如图2所示,本发明还提供了一种基于深度学习的低压台区线损计算系统,所述计算系统包括:
模型获取模块201,用于获取深度置信神经网络模型;所述深度置信神经网络模型由深度置信网络模型以及深度神经网络模型组成。
前向训练模块202,用于采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型。
所述前向训练模块203,具体包括:
初始参数获取单元,用于获取所述深度置信神经网络模型的初始参数;
更新单元,用于采用贪婪学习算法更新所述初始参数,更新次数达到预设迭代次数时停止更新,得到最优深度置信神经网络模型。
后向训练模块203,用于采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型。
所述后向训练模块203,具体包括:
训练集获取单元,用于获取训练集;所述训练集包括线损特征值指标训练集以及实际线损;
输入单元,用于将所述线损特征值指标训练集输入至所述最优深度置信神经网络模型,得到预测结果;
判断单元,用于判断所述预测结果与所述实际线损的误差值是否在预设误差范围内;
结果确定单元,用于当所述预测结果与所述实际线损的误差值在预设误差范围内时,确定所述最优深度置信神经网络模型为线损计算模型;
调整单元,用于当所述预测结果与所述实际线损的误差值在预设误差范围外时,采用梯度下降算法调整所述最优深度置信神经网络模型的内部系数,使所述预测结果与所述实际线损的误差值在预设误差范围内。
指标采集模块204,用于采集低压台区的线损特征值指标。所述线损特征值指标包括用户负荷、每段线路长度以及线路型号。
计算模块205,用于根据所述线损特征值指标,通过线损计算模型,计算低压台区的线损。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (8)
1.一种基于深度学习的低压台区线损计算方法,其特征在于,所述计算方法包括:
获取深度置信神经网络模型;所述深度置信神经网络模型由深度置信网络模型以及深度神经网络模型组成;
采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型;
采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型;
采集低压台区的线损特征值指标;
根据所述线损特征值指标,通过线损计算模型,计算低压台区的线损。
2.根据权利要求1所述的低压台区线损计算方法,其特征在于,所述线损特征值指标包括用户负荷、每段线路长度以及线路型号。
3.根据权利要求1所述的低压台区线损计算方法,其特征在于,所述采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型,具体包括:
获取所述深度置信神经网络模型的初始参数;
采用贪婪学习算法更新所述初始参数,更新次数达到预设迭代次数时停止更新,得到最优深度置信神经网络模型。
4.根据权利要求1所述的低压台区线损计算方法,其特征在于,所述采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型,具体包括:
获取训练集;所述训练集包括线损特征值指标训练集以及实际线损;
将所述线损特征值指标训练集输入至所述最优深度置信神经网络模型,得到预测结果;
判断所述预测结果与所述实际线损的误差值是否在预设误差范围内;
若是,确定所述最优深度置信神经网络模型为线损计算模型;
若否,采用梯度下降算法调整所述最优深度置信神经网络模型的内部系数,使所述预测结果与所述实际线损的误差值在预设误差范围内。
5.一种基于深度学习的低压台区线损计算系统,其特征在于,所述计算系统包括:
模型获取模块,用于获取深度置信神经网络模型;所述深度置信神经网络模型由深度置信网络模型以及深度神经网络模型组成;
前向训练模块,用于采用贪婪学习算法对所述深度置信神经网络模型进行前向训练,得到最优深度置信神经网络模型;
后向训练模块,用于采用梯度下降算法对所述最优深度置信神经网络模型进行后向训练,得到线损计算模型;
指标采集模块,用于采集低压台区的线损特征值指标;
计算模块,用于根据所述线损特征值指标,通过线损计算模型,计算低压台区的线损。
6.根据权利要求5所述的低压台区线损计算系统,其特征在于,所述线损特征值指标包括用户负荷、每段线路长度以及线路型号。
7.根据权利要求5所述的低压台区线损计算系统,其特征在于,所述前向训练模块,具体包括:
初始参数获取单元,用于获取所述深度置信神经网络模型的初始参数;
更新单元,用于采用贪婪学习算法更新所述初始参数,更新次数达到预设迭代次数时停止更新,得到最优深度置信神经网络模型。
8.根据权利要求5所述的低压台区线损计算系统,其特征在于,所述后向训练模块,具体包括:
训练集获取单元,用于获取训练集;所述训练集包括线损特征值指标训练集以及实际线损;
输入单元,用于将所述线损特征值指标训练集输入至所述最优深度置信神经网络模型,得到预测结果;
判断单元,用于判断所述预测结果与所述实际线损的误差值是否在预设误差范围内;
结果确定单元,用于当所述预测结果与所述实际线损的误差值在预设误差范围内时,确定所述最优深度置信神经网络模型为线损计算模型;
调整单元,用于当所述预测结果与所述实际线损的误差值在预设误差范围外时,采用梯度下降算法调整所述最优深度置信神经网络模型的内部系数,使所述预测结果与所述实际线损的误差值在预设误差范围内。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135982.8A CN109871622A (zh) | 2019-02-25 | 2019-02-25 | 一种基于深度学习的低压台区线损计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910135982.8A CN109871622A (zh) | 2019-02-25 | 2019-02-25 | 一种基于深度学习的低压台区线损计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109871622A true CN109871622A (zh) | 2019-06-11 |
Family
ID=66919219
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910135982.8A Pending CN109871622A (zh) | 2019-02-25 | 2019-02-25 | 一种基于深度学习的低压台区线损计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871622A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288035A (zh) * | 2019-06-28 | 2019-09-27 | 海南树印网络科技有限公司 | 一种智能垃圾桶在线自主学习方法及系统 |
CN110490409A (zh) * | 2019-07-05 | 2019-11-22 | 国网江苏省电力有限公司电力科学研究院 | 一种基于dnn的低压台区线损率标杆值设定方法 |
CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
CN110909934A (zh) * | 2019-11-20 | 2020-03-24 | 齐鲁工业大学 | 一种基于机器学习的模拟预测低压线损的方法 |
CN111049139A (zh) * | 2019-12-31 | 2020-04-21 | 国网山西省电力公司电力科学研究院 | 无功功率预测方法、系统、设备及存储介质 |
CN111582630A (zh) * | 2020-03-25 | 2020-08-25 | 中国电力科学研究院有限公司 | 一种用于确定低压台区线损率评估值的方法及系统 |
CN112565144A (zh) * | 2020-11-18 | 2021-03-26 | 国网重庆市电力公司市南供电分公司 | 一种基于ofdm宽带载波通信系统的台区识别方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
-
2019
- 2019-02-25 CN CN201910135982.8A patent/CN109871622A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
CN106709820A (zh) * | 2017-01-11 | 2017-05-24 | 中国南方电网有限责任公司电网技术研究中心 | 一种基于深度置信网络的电力系统负荷预测方法及装置 |
CN109165764A (zh) * | 2018-06-26 | 2019-01-08 | 昆明理工大学 | 一种遗传算法优化bp神经网络的线损计算方法 |
CN109102126A (zh) * | 2018-08-30 | 2018-12-28 | 燕山大学 | 一种基于深度迁移学习的理论线损率预测模型 |
Non-Patent Citations (2)
Title |
---|
GEOFFREY E. HINTON等: "A Fast Learning Algorithm for Deep Belief Nets", 《NEURAL COMPUTATION》 * |
MR_RESEARCHER: "深度置信神经网络(DBN-DNN)", 《CSDN博客》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110288035A (zh) * | 2019-06-28 | 2019-09-27 | 海南树印网络科技有限公司 | 一种智能垃圾桶在线自主学习方法及系统 |
CN110490409A (zh) * | 2019-07-05 | 2019-11-22 | 国网江苏省电力有限公司电力科学研究院 | 一种基于dnn的低压台区线损率标杆值设定方法 |
CN110490409B (zh) * | 2019-07-05 | 2022-09-09 | 国网江苏省电力有限公司电力科学研究院 | 一种基于dnn的低压台区线损率标杆值设定方法 |
CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
CN110909934A (zh) * | 2019-11-20 | 2020-03-24 | 齐鲁工业大学 | 一种基于机器学习的模拟预测低压线损的方法 |
CN111049139A (zh) * | 2019-12-31 | 2020-04-21 | 国网山西省电力公司电力科学研究院 | 无功功率预测方法、系统、设备及存储介质 |
CN111582630A (zh) * | 2020-03-25 | 2020-08-25 | 中国电力科学研究院有限公司 | 一种用于确定低压台区线损率评估值的方法及系统 |
CN112565144A (zh) * | 2020-11-18 | 2021-03-26 | 国网重庆市电力公司市南供电分公司 | 一种基于ofdm宽带载波通信系统的台区识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871622A (zh) | 一种基于深度学习的低压台区线损计算方法及系统 | |
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN108876021B (zh) | 一种中长期径流预报方法及系统 | |
CN103177188B (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN103353923B (zh) | 基于空间特征分析的自适应空间插值方法及其系统 | |
CN110472778A (zh) | 一种基于Blending集成学习的短期负荷预测方法 | |
CN107087161B (zh) | 视频业务中基于多层神经网络的用户体验质量的预测方法 | |
CN108446794A (zh) | 一种基于多个卷积神经网络结合架构深度学习预测方法 | |
CN107705556A (zh) | 一种基于支持向量机和bp神经网络结合的交通流预测方法 | |
CN104037776B (zh) | 随机惯性因子粒子群优化算法的电网无功容量配置方法 | |
CN104951834A (zh) | 基于遗传算法和粒子群集成的lssvm风速预测方法 | |
CN104732300B (zh) | 一种基于模糊分区理论的神经网络风功率短期预测方法 | |
CN106650784A (zh) | 一种基于特征聚类比较的光伏电站功率预测方法及装置 | |
CN106501721A (zh) | 一种基于生物进化的锂电池soc估算方法 | |
CN104899431A (zh) | 基于蚁群和粒子群集成的lssvm脉动风速预测方法 | |
CN106529719A (zh) | 基于粒子群优化算法风速融合的风电功率预测的方法 | |
CN109215344B (zh) | 用于城市道路短时交通流量预测的方法和系统 | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力系统低压负荷点预测及概率预测方法 | |
CN112330487B (zh) | 一种光伏发电短期功率预测方法 | |
CN105007170A (zh) | 一种基于fahp-svm理论的wlan网络负载综合评价方法 | |
CN109934422A (zh) | 一种基于时间序列数据分析的神经网络风速预测方法 | |
CN110363349A (zh) | 一种基于ascs的lstm神经网络水文预测方法及系统 | |
CN111369120A (zh) | 一种基于设备迁移学习的非侵入式负荷监测方法 | |
CN107145965A (zh) | 一种基于相似度匹配和极限学习机的河流洪水预测方法 | |
CN115374995A (zh) | 一种分布式光伏、小风电场站功率预测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190611 |