CN110807550B - 基于神经网络的配变重过载识别预警方法及终端设备 - Google Patents
基于神经网络的配变重过载识别预警方法及终端设备 Download PDFInfo
- Publication number
- CN110807550B CN110807550B CN201911047102.8A CN201911047102A CN110807550B CN 110807550 B CN110807550 B CN 110807550B CN 201911047102 A CN201911047102 A CN 201911047102A CN 110807550 B CN110807550 B CN 110807550B
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- data
- neural network
- early warning
- prediction
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 91
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 8
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 230000010354 integration Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 10
- 238000004364 calculation method Methods 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 238000004458 analytical method Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000013501 data transformation Methods 0.000 description 2
- 238000012217 deletion Methods 0.000 description 2
- 230000037430 deletion Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 241000288105 Grus Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及一种基于神经网络的配变重过载识别预警方法及终端设备，所述方法用于对某日台区配变的重过载事件进行识别并预警，包括以下步骤：1)获取待识别的各台区配变的基础数据，对所述基础数据进行预处理；2)基于预处理后的基础数据对各台区配变进行粗预测分类，所述粗预测分类的类别包括一级安全、二级安全和二级关注；3)判断是否存在属于二级关注的台区配变，若是，则采用训练好的GRU型神经网络对属于所述二级关注的台区配变进行精预测，基于精预测结果输出配变预警信息，若否，则输出配变正常信息。与现有技术相比，本发明具有既可以保持时刻动态监测的状态，又能节省算力，达到准确预测效果等优点。
Description
技术领域
本发明涉及一种配变重过载识别预测方法，尤其是涉及一种基于神经网络的配变重过载识别预警方法及终端设备。
背景技术
在配电网电力输送的过程中，配电变压器(简称配变)由于受到外部环境、用户、设备自身属性等各种复杂因素的影响，经常会发生台区的供电设备呈现重过载运行状态。当设备长时间处于重过载状态时，会对整个电网的安全运行造成故障隐患甚至严重损失。传统上电力系统对配变重过载的治理方式通常集中利用电力监控系统进行实时监测，再根据工作经验设置阈值等预警方式，进行事后应急处置。这种治理方式比较被动，无法完全避免电网和用户损失，且预警精准度不高和时效性差，造成人员成本投入大且周期长、检修反应慢，滞后性严重。
因此目前配变重过载预测准确性不佳、耗费人力是本领域技术人员需要解决的技术问题。
发明内容
本发明的目的在于克服上述现有技术存在的缺陷而提供一种准确可靠的基于神经网络的配变重过载识别预警方法及终端设备。
本发明的目的可以通过以下技术方案来实现：
一种基于神经网络的配变重过载识别预警方法，用于对某日台区配变的重过载事件进行识别并预警，包括以下步骤：
1)获取待识别的各台区配变的基础数据，对所述基础数据进行预处理；
2)基于预处理后的基础数据对各台区配变进行粗预测分类，所述粗预测分类的类别包括一级安全、二级安全和二级关注；
3)判断是否存在属于二级关注的台区配变，若是，则采用训练好的GRU型神经网络对属于所述二级关注的台区配变进行精预测，基于精预测结果输出配变预警信息，若否，则输出配变正常信息。
进一步地，所述基础数据包括内部数据和外部数据，其中，内部数据包括变压器台账数据、用户档案数据、网络拓扑关系、配电变压器改造记录和历史气象，外部数据包括补充气象信息、用户类型及地理位置和节假日标签。
进一步地，所述预处理包括数据格式变换、数据集成、数据清洗和缺失数据填补。
进一步地，采用基于相似性的递推方法实现所述缺失数据填补。
进一步地，所述基于预处理后的基础数据对各台区配变进行粗预测分类具体为：
101)基于所述基础数据获得历史各时间点的负载率，判断过去54周的最高负载率是否不超过50％，若是，则判定相应配变为一级安全，若否，则执行步骤102)；
102)判断是否存在上年同一日期±7天的最大负载率不超过50％且最近7天最大负载率不超过50％，若是，则判定相应配变为二级安全，若否，则判定相应配变为二级关注。
进一步地，所述GRU型神经网络基于Keras深度学习工具的TensorFlow框架构建。
进一步地，所述GRU型神经网络进行精预测时，以D-1日的多点负载率和D日气象预报数据集合作为输入特征量，输出量为预测日的多点负载率，D表示预测日。
所述多点负载率可采用96点负载率。
进一步地，步骤3)中，所述GRU型神经网络执行每日动态预测。
进一步地，所述GRU型神经网络训练时，通过综合评价指标RMSE、MAPE和Coverload评估预测的性能。
本发明还提供一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述计算机程序执行如上述配变重过载识别预警方法的步骤
与现有技术相比，本发明为改善重过载识别预警工作现状，提高重过载设备的识别效率和效果，将大数据技术引入重过载分析和预测中，对配电网重过载进行风险评估为及时锁定网络运行中的薄弱环节奠定了良好的基础，具有如下有益效果：
(1)根据重过载事件的小概率事件特征，在平时的大多数时间，都可以依赖两级过滤原则，过滤不会发生重载的时点，仅仅在需要精确预测的时间点提前预测并给出出相应的预警级别，多数时段轻量计算，少数时段精确模型计算，这样既可以保持时刻动态监测的状态，又能节省算力，达到准确预测效果。本发明方法符合可持续发展的绿色环保理念。
(2)本发明提出预测结果综合评价指标：RMSE、MAPE和Coverload，能更真实、有效地表现台区配变重过载识别预警系统在负载率预测和重过载事件预警、报警方面的准确率。
(3)本发明不仅可以提前一天对次日重过载严重程度和发生时点进行预警预报，并可以较准确地提供配变可能发生重过载时负载率，为电网运行决策提供较准确的判断依据。
附图说明
图1为本发明的流程示意图；
图2为本发明提供的GRU原理图；
图3为实施例中商业类配变某日负载率GRU预测结果图；
图4为实施例中住宅类配变某日负载率GRU预测结果图；
图5为实施例中某配变及其二级关注的某时段重过载识别预警效果图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
实施例1
本实施例提供一种基于神经网络的配变重过载识别预警方法，该方法用于配变重过载事件的预警和报警，为电网运行决策提供参考，为处理台区配变的重过载事件提前取得决策时间。
目前实际业务中对于重过载事件的判定通常依靠负载率和持续时间两项指标。一般来讲，负载率处于70％～100％之间，持续时间在两小时以上视为重载事件；负载率超过100％，持续时间在两小时以上视为过载事件。
配变负载率经常波动，导致重载和过载会混杂发生。大部分重过载发生在单相，还有少部分发生在多相。以上重过载事件的定义原则也会结合业务人员的运维需求和现场经验进行调整。
如图1所示，基于神经网络的配变重过载识别预警方法包括以下步骤：
1)获取待识别的各台区配变的基础数据，对所述基础数据进行预处理；
2)基于预处理后的基础数据对各台区配变进行粗预测分类，所述粗预测分类的类别包括一级安全、二级安全和二级关注；
3)判断是否存在属于二级关注的台区配变，若是，则采用训练好的GRU型神经网络对属于所述二级关注的台区配变进行精预测，基于精预测结果输出配变预警信息，若否，则输出配变正常信息。
上述步骤具体说明如下：
(1)获取待分析的台区配变96点功率数据、变压器台账、气象数据、节假日标签等数据，具体地：
台区配电变压器重过载数据来源包括内部数据和外部数据两个部分。内部数据是从电力PMS系统、数据采集与监视(SCADA)和配电管理系统(DMS)的变压器台账数据、用户档案数据、网络拓扑关系、配电变压器改造记录、历史气象等数据提取、整合、集成，形成的SQL数据库。外部数据来源于互联网，通过天气网、百度地图和假日办网站得到补充气象信息、用户类型及地理位置和节假日标签等数据。
台区96点功率采样时间间隔为15分钟。历史气象包括实时气温、湿度、气压、风向、风力强度等级等，数据时间间隔为10分钟。节假日数据包括周末、节假日标签。本实施例采集的数据时间跨度选择为2017年1月1日至2018年6月30日。
(2)数据预处理
在数据采集、转换、传输的各个环节都有可能受到干扰或发生故障，导致数据异常和空缺。因此在进行数据的大数据分析之前需要对原始负荷数据进行预处理。
(21)数据变换
为了使数据样本更好地适应建模的数据格式，需要对初始数据进行数据变换操作。
所采集的数据格式如：10kV台区96点功率数据，为每日一行的横向排列。为了适应时间序列格式，需将横向排列数据变换为以日期时间为索引的纵向排列，日期时间格式为“Y-M-D H:T”。并且为了方便后期数据集成，合并气象数据与10kV台区功率数据。需将原始数据，包括10kV台区功率数据和历史气象数据，利用插值法和删除冗余法统一为时间间隔为15分钟的数据。
“负载率”属性是判别重过载的直接标准。而原始数据中不包括“负载率”属性。为了更直观、方便地判别配电变压器重过载，需利用原始数据已有的“配电变压器额定容量”、“10kV台区功率数据”、“线路最大允许电流”“馈线电流数据”构造“负载率”属性。
(22)数据集成
为了方便数据挖掘分析，需要将这些不同数据源的数据归总到一起，即数据集成。将气象数据与10kV台区功率数据按照日期时间为索引一一对应，合并为一张表。将10kV配电变压台账删除冗余属性，提取所需的相应数据。
(23)数据清洗
为方便后期数据处理的精度，有必要修正所测电量里的坏数据以及填补缺失值。对于缺失数据主要采取基于相似性的递推方法，主要包括短时相似性、日相似性及月相似性数据递推等，具体处理方法如下：
假设缺失数据在1小时之内，短时间内数据变化不是太大，取该指标前两个小时内的数据进行修正后填补缺失值。
假设缺失数据在1小时与2天之间，取与该天同类型的日期进行填补。具体为:若缺失数据所在日期为工作日，取前一个工作日相同时刻的值作为填补数据。若缺失数据所在日期为非工作日，取前一周非工作日的值作为填补数据。
假设缺失数据大于2天，取同一季节下一个月相同的日期进行填补。若缺失数据大于1个月，无论采取何种处理方法都对结果影响较大。则舍弃缺失严重数据，采用相对完整的数据进行处理分析。
数据清洗包括：对不可靠的资料加以核实调整，对能查明原因的异常值，用适当方法加以订正，对原因不明而又没有可靠修改根据的资料舍弃。
数据清洗还包括：根据关联关系分析，删除影响较小数据。
根据按小时分组的配变负载率箱线图的分析，白昼负载率最高值是夜晚最高值3倍以上，工作日白天负载率最高值是周末白天的2倍以上，故可以剔除夜晚和周末数据分析。重大节假日不多，可以单独分析。
根据2017年全年白天即时气象指标与即时负载率相关性图表分析，发现负载率与温度相关性最强，相关性为0.6。负载率与气压的相关性次之，为-0.58。负载率与湿度的相关性较弱，为-0.13。
去除周末影响后发现，昼最大负载率、昼平均负载率与最高温度、平均温度、最高气压、平均气压、温度平方的相关性均加强。若在数据预处理中排除周末影响，将提高负载率与外部因素即气象数据的相关性，以提高预测精度。
(3)建立配变预测日负载状态分类指标，对配变预测日负载状态进行分类。
考虑年度周期性特点，若动态跟踪的当前时点过去54周最高负荷都没有超过设定阈值，则认为这台配变总体安全，设定为一级安全状态，否则设定为一级关注状态；
将去年同期定义为去年同一日期的前后一周共15天时间区间，若去年同期最高负荷都没有超过设定阈值，则认为年度同比安全，若当前时点前一周内最高负荷都没有超过设定阈值，则认为周度环比安全。若在处于一级关注的前提下，两者都满足，则定义为二级安全状态，否则为二级关注状态；
重载的阈值为70％，预警线为60％，考虑到预测误差，将过滤阈值设定为50％，按照以下两级指标逐层过滤：
一级指标——即过去54周的最高负荷不超过50％；
二级指标——上年同一日期±7天的最大负载率不超过50％且最近7天最大负载率不超过50％。
(4)预测模型的选择
GRU是LSTM网络的一种效果很好的变体，它较LSTM网络降低了网络的复杂性，减少了整个神经网络模型的参数，提高了防止过拟合的能力，并且收敛得更快。GRU适用于处理和预测时间序列中的间隔、延迟和周期性事件，并解决了循环神经网络的梯度消失问题。
GRU网络模型与LSTM网络具有相似的单元内的数据流，然而，与LSTM不同的是，GRU没有单独的存储单元，这就在训练数据时更加高效。
GRU的计算节点由更新门和重置门组成，见图2所示，更新门确定是否要将当前状态与先前的信息结合起来，而重置门定义须要保留多少内存。GRU计算公式如下：
γt＝σ(Wγ·[ht-1,xt])
zt＝σ(Wz·[ht-1,xt])
其中，σ为sigmoid函数，γt为重置门，zt为更新门，xt为隐藏层的输入，即表示量化样本特征，W为权重矩阵，ht为，为t时刻的隐藏层的输出。图2中，1为让所有的信息通过细胞状态，0为没有信息被允许通过单元状态。
(5)建立预测结果综合评价指标
为了评估预测的性能，利用RMSE、MAPE评价模型选择、数据拟合、数据预测的效果。
(51)均方根误差(RMSE)
RMSE(Root Mean Squard Error)均方根误差是用来衡量观测值同真值之间的偏差，公式如下：
(52)平均绝对百分误差(MAPE)
MAPE不仅仅考虑预测值与真实值的误差，还考虑了误差与真实值之间的比例。公式如下：
(53)系统预警、报警准确率Coverload
另外，由于重过载事件是小概率事件，因此大多数情况下，分布仍处于轻负载状态。为了更有效地表达重载识别预警系统在重载事件预警中的能力，引入在重载情况下系统预警、报警准确率Coverload。Coverload计算公式如下：
其中Tpre是预测结果中预警和警报状态的时间点数，Tpre是预警和警报状态下的实际时间点数。
(6)构建预测模型
基于Keras深度学习工具的TensorFlow框架构建预测模型。Keras设计采用极简主义原则，是一套高度模块化的神经网络架构库。Keras具有方便使用的特点，支持模型层的自由组合和层层叠加，减少代码实现过程中的重复工作。
将数据样本归一化，以消除量纲对预测的影响。归一化操作的公式为：
式中：x为预处理后的输入特征量；xd为归一化处理后的特征量；xmax为历时输入数据中的最大值；xmin为历时输入数据中的最小值。
利用前一天96个时间点的历史负载率和后一天的气象预报数据，预测后一天96个时间点的负荷。将输入特征量按照日期分割为96行5列的矩阵，时间步长为96。
通过增加GRU网络层数增加模型的深度在一定程度上有助于在每层的神经元数量较少的条件下，提高模型的预测能力和速度。本实施例采用三层GRU神经网络模型，各层神经元数目依次为32、64、128最后通过全连接层(Dense)输出指定格式的向量。
以2017年全年数据设置为训练集，2018年前100天设置为验证集，随机抽取进入二级关注的某一天作为预测对象，划分预处理后的数据，使用Adam算法进行参数优化，损失函数采用MAE。训练模型时，epochses设为50，batch_size设为960。
(7)试验结果分析
从进入二级范围的住宅类配变和商业类配变数据中，各随机抽取一天，作为预测对象，并和实际值对比，如图3-4所示，其中图4为商业类配变剔除周末效应后的预测结果。预测评价指标如表1所示：
表1 GRU神经网络预测结果RMSE、MAPE评价指标
从进入二级范围的住宅类配变和商业类配变数据中，各随机抽取某时段，利用台区配变重过载识别、预警系统显示识别、预警效果，见图5。该时段预警效果如表2所示：
表2某商业配变为期5日二级关注时段预警结果综合评价指标
| 配变类型 | RMSE | MAPE | Coverload |
| 商业类配变 | 0.02 | 10.03 | 0.86 |
本实施例中，对155台配变及其时段进行状态分类，筛选出3台进入二级关注范围的配变及其时段，既保持时刻动态监测的状态，又极大地节省算力，且本发明对配变重过载事件识别预测有较高准确率。
实施例2
本实施例提供一种实现基于神经网络的配变重过载识别预警的终端设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器调用所述计算机程序执行如实施例1的配变重过载识别预警方法。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由本发明所确定的保护范围内。
Claims (9)
1.一种基于神经网络的配变重过载识别预警方法，用于对某日台区配变的重过载事件进行识别并预警，其特征在于，包括以下步骤：
1)获取待识别的各台区配变的基础数据，对所述基础数据进行预处理；
2)基于预处理后的基础数据对各台区配变进行粗预测分类，所述粗预测分类的类别包括一级安全、二级安全和二级关注；
3)判断是否存在属于二级关注的台区配变，若是，则采用训练好的GRU型神经网络对属于所述二级关注的台区配变进行精预测，基于精预测结果输出配变预警信息，若否，则输出配变正常信息；
所述基于预处理后的基础数据对各台区配变进行粗预测分类具体为：
101)基于所述基础数据获得历史各时间点的负载率，判断过去54周的最高负载率是否不超过50％，若是，则判定相应配变为一级安全，若否，则执行步骤102)；
102)判断是否存在上年同一日期±7天的最大负载率不超过50％且最近7天最大负载率不超过50％，若是，则判定相应配变为二级安全，若否，则判定相应配变为二级关注。
2.根据权利要求1所述的基于神经网络的配变重过载识别预警方法，其特征在于，所述基础数据包括内部数据和外部数据，其中，内部数据包括变压器台账数据、用户档案数据、网络拓扑关系、配电变压器改造记录和历史气象，外部数据包括补充气象信息、用户类型及地理位置和节假日标签。
3.根据权利要求1所述的基于神经网络的配变重过载识别预警方法，其特征在于，所述预处理包括数据格式变换、数据集成、数据清洗和缺失数据填补。
4.根据权利要求3所述的基于神经网络的配变重过载识别预警方法，其特征在于，采用基于相似性的递推方法实现所述缺失数据填补。
5.根据权利要求1所述的基于神经网络的配变重过载识别预警方法，其特征在于，所述GRU型神经网络基于Keras深度学习工具的TensorFlow框架构建。
6.根据权利要求1所述的基于神经网络的配变重过载识别预警方法，其特征在于，所述GRU型神经网络进行精预测时，以D-1日的多点负载率和D日气象预报数据集合作为输入特征量，输出量为预测日的多点负载率，D表示预测日。
7.根据权利要求1所述的基于神经网络的配变重过载识别预警方法，其特征在于，步骤3)中，所述GRU型神经网络执行每日动态预测。
8.根据权利要求1所述的基于神经网络的配变重过载识别预警方法，其特征在于，所述GRU型神经网络训练时，通过综合评价指标RMSE、MAPE和Coverload评估预测的性能。
9.一种终端设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器调用所述计算机程序执行如权利要求1的配变重过载识别预警方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911047102.8A CN110807550B (zh) | 2019-10-30 | 2019-10-30 | 基于神经网络的配变重过载识别预警方法及终端设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911047102.8A CN110807550B (zh) | 2019-10-30 | 2019-10-30 | 基于神经网络的配变重过载识别预警方法及终端设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110807550A CN110807550A (zh) | 2020-02-18 |
| CN110807550B true CN110807550B (zh) | 2023-11-24 |
Family
ID=69489710
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911047102.8A Active CN110807550B (zh) | 2019-10-30 | 2019-10-30 | 基于神经网络的配变重过载识别预警方法及终端设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110807550B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111949940B (zh) * | 2020-06-28 | 2021-08-13 | 佰聆数据股份有限公司 | 基于回归模型的台区变压器过载预测方法、系统及存储介质 |
| CN112070118A (zh) * | 2020-08-06 | 2020-12-11 | 许继集团有限公司 | 基于数据聚类拟合分析的台区相序识别方法 |
| CN112114215A (zh) * | 2020-09-17 | 2020-12-22 | 陕西师范大学 | 基于误差反向传播算法的变压器老化评估的方法及系统 |
| CN112330108A (zh) * | 2020-10-22 | 2021-02-05 | 贵州电网有限责任公司 | 一种配变数据管理辅助决策系统 |
| CN112749904B (zh) * | 2021-01-14 | 2023-06-27 | 国网湖南省电力有限公司 | 基于深度学习的配电网故障风险预警方法及系统 |
| CN112994250B (zh) * | 2021-04-20 | 2021-08-13 | 广东电网有限责任公司佛山供电局 | 重过载事件的监测方法、装置、电子设备及存储介质 |
| CN113298318A (zh) * | 2021-06-18 | 2021-08-24 | 国网福建省电力有限公司电力科学研究院 | 一种新型的配电变压器重过载预测方法 |
| CN113434496A (zh) * | 2021-07-15 | 2021-09-24 | 广东电网有限责任公司 | 配变重过载实时监测系统方法、系统及计算机介质 |
| CN116523148B (zh) * | 2023-07-03 | 2023-09-22 | 广东电网有限责任公司湛江供电局 | 一种配电网配变重过载预警方法、装置和设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
| CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
| CN106446967A (zh) * | 2016-10-28 | 2017-02-22 | 国网福建省电力有限公司 | 一种新型电力系统负荷曲线聚类方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN107273998A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 一种用于台区日用电量预测的气温修正方法 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
| CN107784455A (zh) * | 2017-11-16 | 2018-03-09 | 鼎信信息科技有限责任公司 | 一种基于行业用电数据库和配变重过载预测的电网削峰填谷方法 |
| CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
| WO2018086488A1 (zh) * | 2016-11-10 | 2018-05-17 | 中国电力科学研究院有限公司 | 一种配电网风险辨识系统、方法及计算机存储介质 |
| CN108665186A (zh) * | 2018-05-22 | 2018-10-16 | 广东电网有限责任公司电力科学研究院 | 基于计量自动化系统的配变重过载停电监测方法及装置 |
| CN108921324A (zh) * | 2018-06-05 | 2018-11-30 | 国网江苏省电力有限公司南通供电分公司 | 基于配变聚类的台区短期负荷预测方法 |
| CN109636025A (zh) * | 2018-12-05 | 2019-04-16 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配变负载预测方法 |
| CN110212529A (zh) * | 2019-06-24 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配电网低电压台区预警方法 |
| CN110263995A (zh) * | 2019-06-18 | 2019-09-20 | 广西电网有限责任公司电力科学研究院 | 考虑负荷增长率与用户用电特性的配变重过载预测方法 |
-
2019
- 2019-10-30 CN CN201911047102.8A patent/CN110807550B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103869102A (zh) * | 2014-03-11 | 2014-06-18 | 广东电网公司电网规划研究中心 | 一种大区域电网负荷统计与分类方法 |
| CN104574209A (zh) * | 2015-01-07 | 2015-04-29 | 国家电网公司 | 一种城网配变重过载中期预警模型的建模方法 |
| CN106779129A (zh) * | 2015-11-19 | 2017-05-31 | 华北电力大学（保定） | 一种考虑气象因素的短期电力负荷预测方法 |
| CN107273998A (zh) * | 2016-06-30 | 2017-10-20 | 国网江苏省电力公司南通供电公司 | 一种用于台区日用电量预测的气温修正方法 |
| CN106446967A (zh) * | 2016-10-28 | 2017-02-22 | 国网福建省电力有限公司 | 一种新型电力系统负荷曲线聚类方法 |
| WO2018086488A1 (zh) * | 2016-11-10 | 2018-05-17 | 中国电力科学研究院有限公司 | 一种配电网风险辨识系统、方法及计算机存储介质 |
| CN107578124A (zh) * | 2017-08-28 | 2018-01-12 | 国网山东省电力公司电力科学研究院 | 基于多层改进gru神经网络的短期电力负荷预测方法 |
| CN107784455A (zh) * | 2017-11-16 | 2018-03-09 | 鼎信信息科技有限责任公司 | 一种基于行业用电数据库和配变重过载预测的电网削峰填谷方法 |
| CN107977737A (zh) * | 2017-11-19 | 2018-05-01 | 国网浙江省电力公司信息通信分公司 | 基于mxnet框架深度神经网络的配变负荷预测方法 |
| CN108665186A (zh) * | 2018-05-22 | 2018-10-16 | 广东电网有限责任公司电力科学研究院 | 基于计量自动化系统的配变重过载停电监测方法及装置 |
| CN108921324A (zh) * | 2018-06-05 | 2018-11-30 | 国网江苏省电力有限公司南通供电分公司 | 基于配变聚类的台区短期负荷预测方法 |
| CN109636025A (zh) * | 2018-12-05 | 2019-04-16 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配变负载预测方法 |
| CN110263995A (zh) * | 2019-06-18 | 2019-09-20 | 广西电网有限责任公司电力科学研究院 | 考虑负荷增长率与用户用电特性的配变重过载预测方法 |
| CN110212529A (zh) * | 2019-06-24 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种基于支持向量机的配电网低电压台区预警方法 |
Non-Patent Citations (1)
| Title |
|---|
| 张友强 等.配电变压器运行状态评估的大数据分析方法 .《电网技术》.2016,40(3),第768-773页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110807550A (zh) | 2020-02-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN106504116B (zh) | 基于电网运行与暂态稳定裕度指标关联的稳定评估方法 | |
| CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| CN111429027A (zh) | 一种基于大数据的地区输电网运行多维度分析方法 | |
| CN107292478B (zh) | 一种灾害对配电网影响态势的获取方法 | |
| CN112085285B (zh) | 母线负荷预测方法、装置、计算机设备和存储介质 | |
| Ge et al. | Short-term load forecasting of regional distribution network based on generalized regression neural network optimized by grey wolf optimization algorithm | |
| Xie et al. | Short-term power load forecasting model based on fuzzy neural network using improved decision tree | |
| CN115313355A (zh) | 一种智能电网大数据在短期负荷预测中的自动预测方法及系统 | |
| CN115829145A (zh) | 一种光伏发电量预测系统及方法 | |
| CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
| CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及系统 | |
| CN115730749B (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
| Biyun et al. | A Reliability Forecasting Method for Distribution Network Based on Data Mining | |
| Sun et al. | A multi-model-integration-based prediction methodology for the spatiotemporal distribution of vulnerabilities in integrated energy systems under the multi-type, imbalanced, and dependent input data scenarios | |
| CN116522746A (zh) | 高耗能企业配电托管方法 | |
| CN115660893A (zh) | 一种基于负荷特性的变电站母线负荷预测方法 | |
| CN110336280B (zh) | 一种基于字典集加速的电力系统连锁故障分析方法 | |
| Chen et al. | Reliability analysis method of power quality monitoring device based on non-parametric estimation | |
| CN113052250A (zh) | 基于气象灾害决策支持方法、系统、装置及介质 | |
| Li et al. | Risk prediction of the SCADA communication network based on entropy-gray model | |
| Shan et al. | Root Cause Analysis of Failures for Power Communication Network Based on CNN | |
| Khalyasmaa et al. | Fuzzy inference algorithms for power equipment state assessment | |
| Peng et al. | A novel smart grid fault diagnosis algorithm based on optimized BP neural network | |
| CN117436351B (zh) | 复杂气象下基于知识图谱的电网设备故障预测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |