CN110909934A - 一种基于机器学习的模拟预测低压线损的方法 - Google Patents

Abstract

本发明涉及一种基于机器学习的模拟预测低压线损的方法，包括以下步骤：步骤S100，获取待预测区域的低压线损历史向量HL＝(h₁,h₂,...,h_n)，h_i＝(t_i,a_i)为HL中的低压线损元素，其中i的取值为1…n，t_i为待预测区域历史上采用第一方式进行的第i次低压线损的预测值，a_i为待预测区域历史上第i次低压线损的实测值；步骤S200，如果对于HL中的任何一个h_i，都存在

那么采用第一方式对待预测区域的低压线损进行预测；如果HL中存在一个h_i，使得

Description

一种基于机器学习的模拟预测低压线损的方法

技术领域

本发明涉及电力系统的信息应用领域，尤其涉及一种基于机器学习的模拟预测低压线损的方法。

背景技术

线路损耗(简称线损)指的是以热能形式散发的能量损失，即为电阻、电导消耗的有功功率。电力系统中，根据输送电压的不同，线路可以分为高压线路和低压线路，高压线路的线损远超过低压线路，因此低压线损领域成为研究的热点。

理论上，低压线损可以根据供电设备的参数和电网运行方式、潮流分布以及负荷情况计算得出。例如，《低压线损的影响因素和降损措施探究》一文中介绍了均方根电流线损计算法、最大负荷电流计算方法、潮流计算方法等三种低压线损的理论计算方法。实践中，通过对某个低压供电区域供电量与售电量的差值，计算线损以及线损率，线损计算公式为(供电量-售电量)，线损率计算公式为[(供电量-售电量)/供电量]×100％。但是，由于低压线路在供电区域内的复杂性以及存在偷电等行为，使得理论计算方法在某些区域内误差较大，也使得时间中的线损计算方式波动性较高。徐晖等3人在《基于机器学习的配电网线损自动计算模型》中提出，使用有功功率供电量、无功功率供电量、配电变压器总容量、线路总长度作为线损SVR模型的输入变量，通过机器学习的方式，在分类和无分类两种情况对线损进行了仿真预测，取得了一定的效果，但是特定情况下的预测精度仍然不够准确，而且在大批量预测时运行速度较慢，预测效率较低。

发明内容

为解决上述技术问题，本发明涉及一种基于机器学习的模拟预测低压线损的方法，包括以下步骤：步骤S100，获取待预测区域的低压线损历史向量HL＝(h₁,h₂,...,h_n)，h_i＝(t_i,a_i)为HL中的低压线损元素，其中i的取值为1…n，t_i为待预测区域历史上采用第一方式进行的第i次低压线损的预测值，a_i为待预测区域历史上第i次低压线损的实测值；步骤S200，如果对于HL中的任何一个h_i，都存在

那么采用第一方式对待预测区域的低压线损进行预测；如果HL中存在一个h_i，使得

那么执行步骤S300；其中D1为预先设定的第一阈值；步骤S300，如果max(Hi)-max(min(Hi),D1)≤λ×D1，其中λ为预设系数，那么采用机器学习的方式对待预测区域的低压线损进行预测；否则，执行步骤S400；步骤S400，确定HL中存在异常的低压线损元素。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，将对本发明作进一步地详细描述。这种描述是通过示例而非限制的方式介绍了与本发明的原理相一致的具体实施方式，这些实施方式的描述是足够详细的，以使得本领域技术人员能够实践本发明，在不脱离本发明的范围和精神的情况下可以使用其他实施方式并且可以改变和/或替换各要素的结构。因此，不应当从限制性意义上来理解以下的详细描述。

根据本发明，提供了一种基于机器学习的模拟预测低压线损的方法，该方法可以被计算机或者服务器执行，具体的，计算机或者服务器通过执行其存储介质上的计算机程序来实现本发明中的方法。优选的，服务器为设置在电力系统内部或者与电力系统私有云相互连接的服务器。

根据本发明，包括以下步骤：

步骤S100，获取待预测区域的低压线损历史向量HL＝(h₁,h₂,...,h_n)，h_i＝(t_i,a_i)为HL中的低压线损元素，其中i的取值为1…n，t_i为待预测区域历史上采用第一方式进行的第i次低压线损的预测值，a_i为待预测区域历史上第i次低压线损的实测值。

根据本发明，电力系统的服务器能够对多个区域的低压线损情况进行预测，在对其中的某个区域进行预测时，将会执行步骤S100。电力系统的服务器中也存储有对前述多个区域的历史预测情况，每个预测情况都采用向量的方式进行存储。步骤S100中，n为待预测区域中低压线损历史上的预测次数。一个实施例中，n的取值为7天，即服务器中存储有每个区域最近7天中每天的预测情况和实际测量情况；并行的另一个实施例中，n的取值为13周，即服务器中存储有每个区域最近1个季度中每周的预测情况和实际测量情况。本领域技术人员知晓，本发明并不意图对n的取值和单位进行限定，即服务器也可以同时设置并运行n＝7天和n＝13周这两种情况。

步骤S200，如果对于HL中的任何一个h_i，都存在

那么说明历史上对待预测区域的每次预测均能够取得较为准确的结果，即该区域中的低压线路的各种参数是相对准确的，而且估测没有偷电等导致波动性较大的行为，因此采用第一方式对待预测区域的低压线损进行预测。反之，如果HL中存在一个h_i，使得

那么执行步骤S300。根据本发明，第一方式为现有技术中从理论上对线损进行预测的方式，例如下列方式之任一或组合：均方根电流线损计算法、最大负荷电流计算方法、潮流计算方法，上述方法的详细内容及介绍可以参见文章《低压线损的影响因素和降损措施探究》，在此全文引入，并不再赘述。

进一步的，D1为预先设定的第一阈值。一个实施例中，D1的取值范围为0-1，优选D1<0.05，例如D1＝0.03；另一个实施例中，D1的取值不超过使用机器学习方式对多个区域的低压线损情况进行预测的误差平均值

其中，m为历史上使用机器学习方式进行低压线损预测的区域数量，m_x为m个区域中的第x个区域内预测次数。

步骤S300，如果满足以下条件中的至少一个或者两个均满足：

max(Hi)-max(min(Hi),D1)≤λ×D1，和/或

其中λ为预设系数，D2为预先设定的第二阈值，λ的取值范围为1.5-3，优选为2。

那么说明历史上对待预测区域的多数预测还是能够取得较为准确的结果，及时结果出现了偏差，偏差也不会过大，能够排除偷电等人为随机因素的干扰。因此采用机器学习的方式对待预测区域的低压线损进行预测；否则，执行步骤S400。其中，max()为最大值函数，min()为最小值函数。根据本发明，机器学习方式可以为现有技术中任意的机器学习方式或其组合，例如文章《基于机器学习的配电网线损自动计算模型》中介绍的机器学习方式，例如机器学习方式支持向量回归机(SVR)，且进行分类预处理。在此全文引入，并不再赘述。

本发明的步骤S200和S300，对于待预测区域进行了区分，低压线路参数相对准确、且历史预测误差相对较小的区域，使用资源占用较少的第一方式进行预测；而待预测区域存在一定误差，且误差不大的情况下，使用机器学习的方式进行预测。两种方式综合使用，能够在保证准确率的情况下，有效提升了对多个区域进行预测的整体效率。

步骤S400，判断HL中存在异常的低压线损元素，如果存在，将异常元素从HL中剔除，并向用户提示，例如通过短信、微、或电子邮件只的方式向用户提示。

根据本发明，步骤S400进一步包括：

步骤S410，获得对待预测区域的上一次预测方式，如果上一次预测方式为第一方式，那么确定h_n为异常的低压线损元素；否则，执行步骤S420。

步骤S420，遍历HL，获得低压线损疑似异常向量HE＝(h_e1,he₂,...,h_em)，其中em≤n，

h_ej＝(t_ej,a_ej)，

j的取值范围为1…m。

步骤S430，如果HE中max(|a_ej-avg(a_ej)|)和max(|a_ej-t_ej|)对应的元素一致，那么将该元素作为异常的低压线损元素；如果不一致，那么将HE中分别与max(|a_ej-avg(a_ej)|)和max(|a_ej-t_ej|)对应的两个元素作为异常的低压线损元素。

通过步骤S400，能够有效的判断出待预测区域中出现的异常的低压线损所发生的时间，从而为后续的低压线损预测提供优质的历史数据。

此外，根据公开的本发明的说明书，本发明的其他实现对于本领域的技术人员是明显的。实施方式和/或实施方式的各个方面可以单独或者以任何组合用于本发明的系统和方法中。说明书和其中的示例应该是仅仅看作示例性，本发明的实际范围和精神由所附权利要求书表示。

Claims (8)

1.一种基于机器学习的模拟预测低压线损的方法，其特征在于，包括以下步骤：

步骤S100，获取待预测区域的低压线损历史向量HL＝(h₁,h₂,...,h_n)，h_i＝(t_i,a_i)为HL中的低压线损元素，其中i的取值为1…n，t_i为待预测区域历史上采用第一方式进行的第i次低压线损的预测值，a_i为待预测区域历史上第i次低压线损的实测值；

步骤S200，如果对于HL中的任何一个h_i，都存在

那么采用第一方式对待预测区域的低压线损进行预测；如果HL中存在一个h_i，使得

那么执行步骤S300；其中D1为预先设定的第一阈值；

步骤S300，如果max(Hi)-max(min(Hi),D1)≤λ×D1，其中λ为预设系数，那么采用机器学习的方式对待预测区域的低压线损进行预测；否则，执行步骤S400；其中，max()为最大值函数，min()为最小值函数；

步骤S400，判断HL中存在异常的低压线损元素，如果存在，将异常元素从HL中剔除，并向用户提示。

2.根据权利要求1所述的模拟预测低压线损的方法，其特征在于，所述步骤S300中，采用机器学习的方式对待预测区域的低压线损进行预测的条件还包括：

其中D2为预先设定的第二阈值。

3.根据权利要求1所述的模拟预测低压线损的方法，其特征在于，D1的取值范围为0-1，优选D1<0.05。

4.根据权利要求1所述的模拟预测低压线损的方法，其特征在于，λ的取值范围为1.5-3，优选为2。

5.根据权利要求1所述的模拟预测低压线损的方法，其特征在于，所述第一方式为下列方式之任一或组合：均方根电流线损计算法、最大负荷电流计算方法、潮流计算方法。

6.根据权利要求5所述的模拟预测低压线损的方法，其特征在于，所述机器学习方式支持向量回归机(SVR)，且进行分类预处理。

7.根据权利要求2所述的模拟预测低压线损的方法，其特征在于，所述步骤S400进一步包括：

步骤S410，获得对待预测区域的上一次预测方式，如果上一次预测方式为第一方式，那么确定h_n为异常的低压线损元素；否则，执行步骤S420；

步骤S420，遍历HL，获得低压线损疑似异常向量HE＝(h_e1,he₂,...,h_em)，其中em≤n，

h_ej＝(t_ej,a_ej)，

j的取值范围为1…m；

步骤S430，如果HE中max(|a_ej-avg(a_ej)|)和max(|a_ej-t_ej|)对应的元素一致，那么将该元素作为异常的低压线损元素；如果不一致，那么将HE中分别与max(|a_ej-avg(a_ej)|)和max(|a_ej-t_ej|)对应的两个元素作为异常的低压线损元素。

8.根据权利要求7所述的模拟预测低压线损的方法，其特征在于，所述向用户提示为通过短信、微、或电子邮件只的方式向用户提示。