CN109871998B - 一种基于专家样本库的配电网线损率预测方法及装置 - Google Patents
一种基于专家样本库的配电网线损率预测方法及装置 Download PDFInfo
- Publication number
- CN109871998B CN109871998B CN201910136589.0A CN201910136589A CN109871998B CN 109871998 B CN109871998 B CN 109871998B CN 201910136589 A CN201910136589 A CN 201910136589A CN 109871998 B CN109871998 B CN 109871998B
- Authority
- CN
- China
- Prior art keywords
- line loss
- sample library
- distribution network
- power distribution
- expert
- 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
Images
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
本发明涉及一种基于专家样本库的配电网线损率预测方法及装置。利用粒子群(particle swam optimization,PSO)算法搜索包含尽可能多电力运行状态的数据记录,构建专家样本库,然后选择输入变量,基于专家样本库和最小二乘支持向量机(least squares support vector machine,LSSVM)方法建立线损率预测模型,以此改善模型的预测精度。
Description
技术领域
本发明属于配电网线损率计算和人工智能技术交叉领域,具体涉及一种基于专家样本库的配电网线损率预测方法及装置。
背景技术
配电网线损率是反映电网设计和企业经营管理水平的综合性指标之一,配电网线损直接或间接地影响着电网的经济运行、无功优化以及输配电价制定等工作。供电半径、负荷分布、线路总长度、电表数量以及天气状况等因素都会给配电网线损带来影响。台区线损率的精确计算仍然是一个亟待解决的问题。随着配电网信息化技术的发展,电力运行数据的采集条件得到了明显的改善,各台区线路的电压、电流、功率以及用户用电信息都已实现了在线测量。通过人工智能技术,分析配电网电力运行数据并建立合适的模型,可以实现配电网线损率的快速预测。在利用电力运行数据建立线损率预测模型时,所采用的数据样本对模型的预测精度有十分重要的影响。台区用户的用电特性在不同日期和天气下有所差异,若采集的数据样本不能包含所有可能的电力运行状态,所建立的线损率模型在新电力工况下的预测精度就会降低。
发明内容
本发明的目的在于提供一种基于专家样本库的配电网线损率预测方法及装置,基于电力运行数据,利用PSO优化算法搜索包含尽可能多电力运行状态的数据记录,建立专家样本库,并基于专家样本库来训练配电网线损率预测模型,以此实现模型预测精度的改进。
为实现上述目的,本发明的技术方案是:一种基于专家样本库的配电网线损率预测方法,包括如下步骤:
步骤1:选择对配电网线损有影响的参数,从配电网数据库中,采集电力运行数据;
步骤2:将步骤1得到的电力运行数据中的变量进行标准化处理;
步骤3:将步骤2得到的结果,根据基于专家样本库的线损预测模型,计算配电网线损率。
在本发明一实施例中,所述基于专家样本库的线损预测模型的建立方式如下:
步骤S1:选择对配电网线损有影响的待分析参数作为专家样本库特征变量;
步骤S2:根据步骤S1得到的参数,从配电网数据库中,采集台区一段电力运行数据样本,构成样本矩阵;
步骤S3:将步骤S2得到的样本矩阵的各数据样本中变量进行标准化处理,使其分布在[-1,1]范围内;
步骤S4:根据步骤S3的结果,利用PSO算法构建专家样本库;
步骤S5:基于步骤S4构建的专家样本库,利用人工智能算法建立基于专家样本库的线损预测模型。
在本发明一实施例中,步骤S1中选择的待分析参数为电力运行状态变量、气象温度和气象湿度信息。
在本发明一实施例中,所述电力运行状态变量包括有功供电量、无功供电量、端口电流、居民容量占比、表计数目。
在本发明一实施例中,步骤S2中,采集电力运行数据样本时,选择时间跨度为一年的运行数据。
在本发明一实施例中,步骤2中,将步骤1得到的电力运行数据中的变量进行标准化处理,通过下式实现;
其中,ui和xi分别是归一化前和归一化后第i个变量值,uimax和uimin分别是采集的电力运行数据中变量ui的最大值和最小值。
在本发明一实施例中,步骤S3中,对数据样本中的变量进行标准化处理的方式为归一化方法,通过下式实现;
其中,ui和xi分别是归一化前和归一化后第i个变量值,uimax和uimin分别是采集的数据样本中变量ui的最大值和最小值。
在本发明一实施例中,步骤S4中,利用PSO算法构建专家样本库,所采用的目标函数为:
这里,v(·)是所选数据样本覆盖的凸包空间值,通过Qhull算法计算;vmax是所有采样数据样本所覆盖的凸包空间值。
在本发明一实施例中,步骤S5中,所述人工智能算法为LSSVM算法。
本发明还提供了一种基于专家样本库的配电网线损率预测装置,包括:
采集模块,用于从配电网数据库中,采集电力运行数据;
数据预处理模块,用于将采集模块采集的电力运行数据中的变量进行标准化处理;
计算模块,将数据预处理模块处理后的数据,通过基于专家样本库的线损预测模型,计算配电网线损率。
相较于现有技术,本发明具有以下有益效果:本发明方法及装置基于电力运行数据,利用PSO优化算法搜索包含尽可能多电力运行状态的数据记录,建立专家样本库,并基于专家样本库来训练配电网线损率预测模型,以此实现模型预测精度的改进。
附图说明
图1是基于专家样本库的配电网线损率建模过程示意图;
图2是利用本发明得到的线损率预测相对误差对比图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细描述。应当理解,此处所描述的具体实施例仅用于解释本发明,并不用于限定本发明。
相反,本发明涵盖任何由权利要求定义的在本发明的精髓和范围上做的替代、修改、等效方法以及方案。进一步,为了使公众对本发明有更好的了解,在下文对本发明的细节描述中,详尽描述了一些特定的细节部分。对本领域技术人员来说没有这些细节部分的描述也可以完全理解本发明。
本发明提出一种基于专家样本库的配电网线损率预测的改进方法,利用PSO算法搜索包含尽可能多的电力运行状态的数据记录,构建专家样本库(尽可能包含所有电力运行状态的数据样本的专家样本),然后选择输入变量,基于专家样本库和LSSVM方法建立线损率预测模型,以此改善模型的预测精度。
本发明还提供了一种基于专家样本库的配电网线损率预测装置,包括:
采集模块,用于从配电网数据库中,采集电力运行数据;
数据预处理模块,用于将采集模块采集的电力运行数据中的变量进行标准化处理;
计算模块,将数据预处理模块处理后的数据,通过基于专家样本库的线损预测模型,计算配电网线损率。
本实例是采集5个台区运行时间跨度2个月的电力数据记录,进行构建专家样本库和建立配电网线损率预测模型。请参考图1,建立配电网线损率预测模型的流程如下:
步骤1:选择对配电网线损影响较大的参数作为专家样本库特征变量,具体包括台区的有功供电量、无功供电量、端口电流、居民容量占比、表计数目等电力运行状态变量,还包括气象温度和气象湿度信息;
步骤2:根据步骤1得到的参数,从配电网数据库中,采集台区2个月的电力运行数据样本,并进行数据清洗,共得到210条数据样本,其中150条作为训练样本集,另外60条作为测试样本集;
步骤3:为了去除各变量量纲及运行范围不同带来的影响,利用下式将各变量进行标准化处理,使其分布在[-1,1]范围内;
其中,ui和xi分别是归一化前和归一化后第i个变量值,uimax和uimin分别是采集的数据样本中变量ui的最大值和最小值;
步骤4:根据步骤3的结果,以下式为目标函数,利用PSO算法从数据中选择覆盖范围较大的80个数据样本,构建专家样本库;
这里,v(·)是所选样本覆盖的凸包空间值,可通过Qhull算法计算;vmax是所有采样样本所覆盖的凸包空间值
步骤5:根据步骤4的结果,基于专家样本库,利用LSSVM算法建立线损预测模型,计算台区线损率;
步骤6:根据步骤5建立的模型,分别对训练样本集和测试样本集进行线损率计算。
为了验证提出的专家样本库对线损率预测模型的改进作用,本实例还建立了用时间顺序法选取训练样本建立的线损率模型,记作模型M2,将利用专家样本库训练得到的线损率模型记作M1,两个模型对训练样本集和测试样本集的预测误差如图2所示。由图可以看出,线损率模型M1对训练样本集和测试样本集的预测误差均小于线损率模型M2,这表明通过专家样本库训练得到的线损率模型具有更好的预测精度。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.一种基于专家样本库的配电网线损率预测方法,其特征在于,包括如下步骤:
步骤1:选择对配电网线损有影响的参数,从配电网数据库中,采集电力运行数据;
步骤2:将步骤1得到的电力运行数据中的变量进行标准化处理;
步骤3:将步骤2得到的结果,根据基于专家样本库的线损预测模型,计算配电网线损率;
所述基于专家样本库的线损预测模型的建立方式如下:
步骤S1:选择对配电网线损有影响的参数作为专家样本库特征变量;
步骤S2:根据步骤S1得到的参数,从配电网数据库中,采集电力运行数据样本,构成样本矩阵;
步骤S3:将步骤S2得到的样本矩阵的各数据样本中变量进行标准化处理,使其分布在[-1,1]范围内;
步骤S4:根据步骤S3的结果,利用PSO算法构建专家样本库;
步骤S5:基于步骤S4构建的专家样本库,利用人工智能算法建立基于专家样本库的线损预测模型;
步骤S4中,利用PSO算法构建专家样本库,所采用的目标函数为:
这里,v(·)是所选数据样本覆盖的凸包空间值,通过Qhull算法计算;vmax是所有采样数据样本所覆盖的凸包空间值;
步骤S5中,所述人工智能算法为LSSVM算法。
2.根据权利要求1所述的一种基于专家样本库的配电网线损率预测方法,其特征在于,步骤S1中选择的待分析参数为电力运行状态变量、气象温度和气象湿度信息。
3.根据权利要求2所述的一种基于专家样本库的配电网线损率预测方法,其特征在于,所述电力运行状态变量包括有功供电量、无功供电量、端口电流、居民容量占比、表计数目。
4.根据权利要求1所述的一种基于专家样本库的配电网线损率预测方法,其特征在于,步骤S2中,采集电力运行数据样本时,选择时间跨度为一年的运行数据样本。
5.一种基于专家样本库的配电网线损率预测装置,其特征在于,包括:
采集模块,用于从配电网数据库中,采集电力运行数据;
数据预处理模块,用于将采集模块采集的电力运行数据中的变量进行标准化处理;
计算模块,将数据预处理模块处理后的数据,通过基于专家样本库的线损预测模型,计算配电网线损率;
所述基于专家样本库的线损预测模型的建立方式如下:
步骤S1:选择对配电网线损有影响的参数作为专家样本库特征变量;
步骤S2:根据步骤S1得到的参数,从配电网数据库中,采集电力运行数据样本,构成样本矩阵;
步骤S3:将步骤S2得到的样本矩阵的各数据样本中变量进行标准化处理,使其分布在[-1,1]范围内;
步骤S4:根据步骤S3的结果,利用PSO算法构建专家样本库;
步骤S5:基于步骤S4构建的专家样本库,利用人工智能算法建立基于专家样本库的线损预测模型;
步骤S4中,利用PSO算法构建专家样本库,所采用的目标函数为:
这里,v(·)是所选数据样本覆盖的凸包空间值,通过Qhull算法计算;vmax是所有采样数据样本所覆盖的凸包空间值;
步骤S5中,所述人工智能算法为LSSVM算法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136589.0A CN109871998B (zh) | 2019-02-22 | 2019-02-22 | 一种基于专家样本库的配电网线损率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910136589.0A CN109871998B (zh) | 2019-02-22 | 2019-02-22 | 一种基于专家样本库的配电网线损率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109871998A CN109871998A (zh) | 2019-06-11 |
CN109871998B true CN109871998B (zh) | 2023-04-07 |
Family
ID=66919256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910136589.0A Active CN109871998B (zh) | 2019-02-22 | 2019-02-22 | 一种基于专家样本库的配电网线损率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109871998B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113030611A (zh) * | 2021-02-25 | 2021-06-25 | 安徽新力电业科技咨询有限责任公司 | 一种基于实测信息的线损信息规划系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP5864821B1 (ja) * | 2014-07-24 | 2016-02-17 | 三菱電機株式会社 | 需給制御装置、充放電制御装置、蓄電装置、需給制御システムおよび需給制御方法 |
CN108694467B (zh) * | 2018-05-22 | 2021-02-05 | 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 |
CN109359847A (zh) * | 2018-10-08 | 2019-02-19 | 国网福建省电力有限公司电力科学研究院 | 一种配电网线损影响因素的定量分析方法 |
CN109286188B (zh) * | 2018-10-19 | 2022-03-11 | 东南大学 | 一种基于多源数据集的10kV配电网理论线损计算方法 |
-
2019
- 2019-02-22 CN CN201910136589.0A patent/CN109871998B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN109871998A (zh) | 2019-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112488395B (zh) | 一种配电网线损预测方法及系统 | |
CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
CN110070282B (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN113126019B (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN111103565A (zh) | 一种基于智能电能表计量误差分析的数据变换方法及系统 | |
CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN110968703B (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
CN115034485A (zh) | 一种基于数据空间的风电功率区间预测方法及装置 | |
CN117408394B (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
CN112528762B (zh) | 一种基于数据关联分析的谐波源识别方法 | |
CN117937497A (zh) | 算力负载均衡方法及装置 | |
CN113516192A (zh) | 一种用户用电异动识别方法、系统、装置及存储介质 | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
CN116402528A (zh) | 电力数据处理系统 | |
CN115166625A (zh) | 智能电表误差估计方法及装置 | |
CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
CN112256735B (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
CN114840591A (zh) | 一种分段开关功率数据的确定方法及装置 | |
Indralaksono et al. | Hierarchical Clustering and Deep Learning for Short-Term Load Forecasting with Influenced Factors | |
CN117933677B (zh) | 基于区域调频的水力发电厂关联数据预测方法和装置 |
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 |