CN110929927A - 一种应用配电网全域大数据的人工智能预测模型构方法 - Google Patents
一种应用配电网全域大数据的人工智能预测模型构方法 Download PDFInfo
- Publication number
- CN110929927A CN110929927A CN201911130109.6A CN201911130109A CN110929927A CN 110929927 A CN110929927 A CN 110929927A CN 201911130109 A CN201911130109 A CN 201911130109A CN 110929927 A CN110929927 A CN 110929927A
- Authority
- CN
- China
- Prior art keywords
- model
- distribution network
- analysis
- prediction model
- big data
- 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
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 14
- 238000010276 construction Methods 0.000 title claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 40
- 238000012544 monitoring process Methods 0.000 claims abstract description 14
- 238000013135 deep learning Methods 0.000 claims abstract description 4
- 238000007689 inspection Methods 0.000 claims abstract description 4
- 238000004519 manufacturing process Methods 0.000 claims abstract description 4
- 238000000034 method Methods 0.000 claims description 21
- 238000011160 research Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 238000013507 mapping Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000006872 improvement Effects 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims 1
- 230000008859 change Effects 0.000 abstract description 8
- 238000012546 transfer Methods 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 206010000370 Accident at home Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004451 qualitative analysis Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000012800 visualization 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种应用配电网全域大数据的人工智能预测模型构方法，一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：构建以配电网全域大数据为基础的人工智能预测模型，采用深度学习的各种模型，利用从各类在线监测系统、无人机或机器人巡检系统、PMS生产管理系统、OMS系统、监控系统、电能管理系统及智能中断等不同的平台及设备中获取的信息，考虑负荷变化趋势、馈线转供能力、事故后电量损失率、事故后用电时户数损失率、重要用户影响程度，实现风险预测分析能够对历史风险的风险源进行统计，实现风险源影响重要程度排序。
Description
技术领域
本发明涉及电网领域，特别涉及一种应用配电网全域大数据的人工智能预测模型构方法。
背景技术
随着配电网的复杂度越来越高，整体覆盖面积广，运维检修业务复杂，设备变更频繁，网络连接多样、运行方式多变等特点，导致配网故障复杂多变，负荷变化频繁。为了更好地对配网负荷变化，设备故障等关键环节，提供有效的供电可靠性分析手段变得尤为迫切。供电可靠性受系统负荷，元件可靠性性能，元件电气性能和网架结构等影响，通过研究若能将四个方面的运行数据进入深度模型中学习，最终生成供电可靠性影响分析模型，得以提高可靠性评估水平，从而为提升供电可靠性提供分析决策手段。相关模型应利用多种统计标准训练学习，从而反映供电服务指挥过程中经济状态、整体现状与特点。从外部环境研究使分析模型相关功能及流程设计，一方面要因地制宜，提供具有直接客户应用的能够分层次分区域的运作模式，另一方面又提供支撑服务的质量监督与管控的方式。研究生成的模型根据问题特点、类型、规律等解决过程，评估其可靠性，充分展现协作效果和业务协调运行效果。
发明内容
本发明的主要目的在于提供一种应用配电网全域大数据的人工智能预测模型构方法，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为：
一种应用配电网全域大数据的人工智能预测模型构方法，构建以配电网全域大数据为基础的人工智能预测模型，采用深度学习的各种模型，利用从各类在线监测系统、无人机或机器人巡检系统、PMS生产管理系统、OMS系统、监控系统、电能管理系统及智能中断等不同的平台及设备中获取的信息，充分利用处理，构建的如下构建配网负荷模型、供电可靠性分析模型、安全运行风险预警模型、投资成本效能分析模型、优质服务要点研究模型等五大模型，概述如下：
配网负荷预测模型。负荷虽然分为不同类型，但大部分同时间和外部环境条件紧密相关，以历史负荷、历史气象数据和用电大户投运时间等作为时间序列数据进入深度模型进行学习，最终生成负荷预测模型，并且可通过迭代学习进化负荷预测模型，通过该模型得以提升电力负荷预测的准确度；
供电可靠性分析模型，供电可靠性受系统负荷，元件可靠性性能，元件电气性能和网架结构等影响，通过将四个方面的运行数据进入深度模型中学习，最终生成供电可靠性影响分析模型，以提高可靠性评估水平；
安全运行风险预警模型，从电网、设备、人员等多维度环境中挖掘潜在的风险点隐患，确定出相应的风险及管控措施；
投资成本效能分析模型，通过引入大数据分析技术，对电网项目与供电覆盖范围、可供电量、用电量、缺陷、故障等之间潜在规律和关联关系的分析和研究，提供未来投资进行辅助决策建议；
优质服务要点研究模型，利用多种统计标准反映供电服务指挥过程中经济状态、整体现状与特点的分析模式，通过对外部环境研究使得系统相关功能及流程设计既确保具有直接客户应用的能够分层次分区域的运作模式，又能支撑服务质量监督与管控集中开展的一体化运作模式。
优选的，LSTM即长短时神经网络，采用深度神经网络，学习训练，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷。该模型的构建，拟利用采用LSTM模型算法，其核心是是一种特定形式的循环式神经网络，LSTM是一种门限RNN，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell，一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门，说起来无非就是一进二出的工作原理，却可以在反复运算下解决神经网络中长期存在的大问题。目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多，在门限RNN中一个信息进入LSTM的网络当中，可以根据规则来判断是否有用，只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。
优选的，可靠性智能监控预警，分别从线损监控、指标预警、数据溯源等方面进行分析，结合实际深入分析管理中出现的配电网线损异常问题，通过设定报警公式，对线损相关指标进行分析，自动定位异常线路、台区以及用电客户，还可根据理论线损和配线、台区线损计算的计算结果，通过多种维度多种方式进行高级应用分析，提出在日后降损过程中应采取的技术措施和工作中应采取的管理措施，实现一套基于多维度信息平台的新型线损信息管理模式，提供自动、可靠、完整的数据源，从而为配电网运行提供科学的分析、降损、增效的技术手段。
优选的，LSTM的巧妙之处在于通过增加输入门限，遗忘门限和输出门限，使得自循环的权重是变化的，这样一来在模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了梯度消失或者梯度膨胀的问题，利用该算法在实现负荷预测时，简单理解其原理是根据遗忘门可以过滤大多数无用的数据，通过输出门可实现有效数据长期存在，并得出下一个输出门可能的数值。
优选的，对于安全运行风险预测，实现预警，可采用GRU算法模型网络，这也是RNN的一种模型，并且算是LSTM网络的变体，它只保留了两个门，分别为更新门和重置门，即图中的zt和rt，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多，重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。
与现有技术相比，本发明具有如下有益效果：该功能可以对配电网可靠性薄弱点、高损耗点、安全隐患点精准定位和分级，对配电网疲劳老化、质量隐患设备快速梳理，全面把握运维检修重点线路和设备，为配电网技改方案提供指导依据，形成的配电网运行风险地图，可以在线动态显示风险变化趋势，针对城市区域配电网实现全局风险扫描，是对如下风险进行分析预警：
1.失负荷风险预警
2.潮流越限风险预警
3.过负荷风险预警
4.电压越限风险预警
5.设备老化风险预警
6.设备质量风险预警
实现配电网运行风险可视化地图，全面展示供电区域内所有馈线的风险等级；
考虑负荷变化趋势、馈线转供能力、事故后电量损失率、事故后用电时户数损失率、重要用户影响程度，实现风险预测分析
能够对历史风险的风险源进行统计，实现风险源影响重要程度排序。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
一种应用配电网全域大数据的人工智能预测模型构方法，构建以配电网全域大数据为基础的人工智能预测模型，采用深度学习的各种模型，利用从各类在线监测系统、无人机或机器人巡检系统、PMS生产管理系统、OMS系统、监控系统、电能管理系统及智能中断等不同的平台及设备中获取的信息，充分利用处理，构建的如下构建配网负荷模型、供电可靠性分析模型、安全运行风险预警模型、投资成本效能分析模型、优质服务要点研究模型等五大模型，概述如下：
配网负荷预测模型，负荷虽然分为不同类型，但大部分同时间和外部环境条件紧密相关，以历史负荷、历史气象数据和用电大户投运时间等作为时间序列数据进入深度模型进行学习，最终生成负荷预测模型。并且可通过迭代学习进化负荷预测模型，通过该模型得以提升电力负荷预测的准确度；
供电可靠性分析模型，供电可靠性受系统负荷，元件可靠性性能，元件电气性能和网架结构等影响，通过将四个方面的运行数据进入深度模型中学习，最终生成供电可靠性影响分析模型，以提高可靠性评估水平；
安全运行风险预警模型，从电网、设备、人员等多维度环境中挖掘潜在的风险点隐患，确定出相应的风险及管控措施；
投资成本效能分析模型，通过引入大数据分析技术，对电网项目与供电覆盖范围、可供电量、用电量、缺陷、故障等之间潜在规律和关联关系的分析和研究，提供未来投资进行辅助决策建议；
优质服务要点研究模型，利用多种统计标准反映供电服务指挥过程中经济状态、整体现状与特点的分析模式，通过对外部环境研究使得系统相关功能及流程设计既确保具有直接客户应用的能够分层次分区域的运作模式，又能支撑服务质量监督与管控集中开展的一体化运作模式。
优选的，LSTM即长短时神经网络，采用深度神经网络，学习训练，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷，该模型的构建，拟利用采用LSTM模型算法，其核心是是一种特定形式的循环式神经网络，LSTM是一种门限RNN，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell，一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门，说起来无非就是一进二出的工作原理，却可以在反复运算下解决神经网络中长期存在的大问题。目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多，在门限RNN中一个信息进入LSTM的网络当中，可以根据规则来判断是否有用，只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。
优选的，可靠性智能监控预警，分别从线损监控、指标预警、数据溯源等方面进行分析，结合实际深入分析管理中出现的配电网线损异常问题，通过设定报警公式，对线损相关指标进行分析，自动定位异常线路、台区以及用电客户，还可根据理论线损和配线、台区线损计算的计算结果，通过多种维度多种方式进行高级应用分析，提出在日后降损过程中应采取的技术措施和工作中应采取的管理措施，实现一套基于多维度信息平台的新型线损信息管理模式，提供自动、可靠、完整的数据源，从而为配电网运行提供科学的分析、降损、增效的技术手段。
LSTM的巧妙之处在于通过增加输入门限，遗忘门限和输出门限，使得自循环的权重是变化的，这样一来在模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了梯度消失或者梯度膨胀的问题，利用该算法在实现负荷预测时，简单理解其原理是根据遗忘门可以过滤大多数无用的数据，通过输出门可实现有效数据长期存在，并得出下一个输出门可能的数值。
对于安全运行风险预测，实现预警，可采用GRU算法模型网络，这也是RNN的一种模型，并且算是LSTM网络的变体，它只保留了两个门，分别为更新门和重置门，即图中的zt和rt，更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多，重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。
需要说明的是，本发明为一种可升降的眼科用手术椅，以深度神经网络，将投资成本效能分析采用多元线性回归模型转变为智能模型，理论上多元回归相应模型的一般形式为：
方程中，为常数项,又称为截距。
,,…,为偏回归系数简称回归系数，
其含义为在其它自变量保持不变时(i＝1,2,…,m)每改变一个单位时，因变量的平均变化量。为去除m个自变量对的影响后的随机误差，又称残差。
相关系数是用以反映变量之间相关关系密切程度的统计指标。相关系数是按积差方法计算，同样以两变量与各自平均值的离差为基础，通过两个离差相乘来反映两变量之间相关程度；着重研究线性的单相关系数。
表-1相关系数据判定标准表
相关系数范围相关性
︱r︱≥0.8高度相关
0.5≤︱r︱<0.8中度相关
0.3≤︱r︱<0.5低度相关
︱r︱<0.3相关程度极弱
通过相关系数计算电量权重、资产规模权重和使用时长权重分别为、、，(i为甘肃地市编号)最终分配权重占比分别为：
几何平均数：；
均方根：
采用卷积神经网络模型，将上述三种方法优化，计算资金分配权重，并与历史一年资金分配比例进行比较。可以比较三类均值的绝对误差值和，从而更为直观观测均值与实际资金偏离程度，最终采用绝对误差值最小的均值方案作为投资建议的分配权重方案。计算方法如下：
从实际业务角度出发，按照定性分析方法挖掘对电网项目资金分配有重要影响的因素，为探索相关指标数据与基建、技改大修项目资金分配之间的定量关系，本次分析选用的多元线性回归算法，与可靠性分析有一定相似性，多元线性回归模型是多元回归模型中最基础、最常用的一种模型。在进入模型分析时，该模型可以快速确定变量间的定量关系，反映变量间的变化规律，在深度训练建模时，根据目标选择不同的效能指标数据进行分析，计算相关数据中，变量之间的相关系数，最终生成模型矩阵。该网络可用于投资成本效能分析和优质服务要点研究的模型构建。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (5)
1.一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：构建以配电网全域大数据为基础的人工智能预测模型，采用深度学习的各种模型，利用从各类在线监测系统、无人机或机器人巡检系统、PMS生产管理系统、OMS系统、监控系统、电能管理系统及智能中断等不同的平台及设备中获取的信息，充分利用处理，构建的如下构建配网负荷模型、供电可靠性分析模型、安全运行风险预警模型、投资成本效能分析模型、优质服务要点研究模型等五大模型，概述如下：
配网负荷预测模型,负荷虽然分为不同类型，但大部分同时间和外部环境条件紧密相关，以历史负荷、历史气象数据和用电大户投运时间等作为时间序列数据进入深度模型进行学习，最终生成负荷预测模型,并且可通过迭代学习进化负荷预测模型，通过该模型得以提升电力负荷预测的准确度；
供电可靠性分析模型,供电可靠性受系统负荷，元件可靠性性能，元件电气性能和网架结构等影响，通过将四个方面的运行数据进入深度模型中学习，最终生成供电可靠性影响分析模型，以提高可靠性评估水平；
安全运行风险预警模型,从电网、设备、人员等多维度环境中挖掘潜在的风险点隐患，确定出相应的风险及管控措施；
投资成本效能分析模型,通过引入大数据分析技术，对电网项目与供电覆盖范围、可供电量、用电量、缺陷、故障等之间潜在规律和关联关系的分析和研究，提供未来投资进行辅助决策建议；
优质服务要点研究模型,利用多种统计标准反映供电服务指挥过程中经济状态、整体现状与特点的分析模式，通过对外部环境研究使得系统相关功能及流程设计既确保具有直接客户应用的能够分层次分区域的运作模式，又能支撑服务质量监督与管控集中开展的一体化运作模式。
2.根据权利要求1所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：LSTM即长短时神经网络，采用深度神经网络，学习训练，让计算机学习包含在历史负荷数据中的映射关系，再利用这种映射关系预测未来负荷,该模型的构建，拟利用采用LSTM模型算法，其核心是是一种特定形式的循环式神经网络，LSTM是一种门限RNN，主要就在于它在算法中加入了一个判断信息有用与否的“处理器”，这个处理器作用的结构被称为cell,一个cell当中被放置了三扇门，分别叫做输入门、遗忘门和输出门,说起来无非就是一进二出的工作原理，却可以在反复运算下解决神经网络中长期存在的大问题,目前已经证明，LSTM是解决长序依赖问题的有效技术，并且这种技术的普适性非常高，导致带来的可能性变化非常多,在门限RNN中一个信息进入LSTM的网络当中，可以根据规则来判断是否有用,只有符合算法认证的信息才会留下，不符的信息则通过遗忘门被遗忘。
3.根据权利要求2所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：可靠性智能监控预警，分别从线损监控、指标预警、数据溯源等方面进行分析，结合实际深入分析管理中出现的配电网线损异常问题，通过设定报警公式，对线损相关指标进行分析，自动定位异常线路、台区以及用电客户，还可根据理论线损和配线、台区线损计算的计算结果，通过多种维度多种方式进行高级应用分析，提出在日后降损过程中应采取的技术措施和工作中应采取的管理措施，实现一套基于多维度信息平台的新型线损信息管理模式，提供自动、可靠、完整的数据源，从而为配电网运行提供科学的分析、降损、增效的技术手段。
4.根据权利要求3所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：LSTM的巧妙之处在于通过增加输入门限，遗忘门限和输出门限，使得自循环的权重是变化的，这样一来在模型参数固定的情况下，不同时刻的积分尺度可以动态改变，从而避免了梯度消失或者梯度膨胀的问题,利用该算法在实现负荷预测时，简单理解其原理是根据遗忘门可以过滤大多数无用的数据，通过输出门可实现有效数据长期存在，并得出下一个输出门可能的数值。
5.根据权利要求4所述的一种应用配电网全域大数据的人工智能预测模型构方法，其特征在于：对于安全运行风险预测，实现预警，可采用GRU算法模型网络，这也是RNN的一种模型，并且算是LSTM网络的变体，它只保留了两个门，分别为更新门和重置门，即图中的zt和rt,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度，更新门的值越大说明前一时刻的状态信息带入越多,重置门用于控制忽略前一时刻的状态信息的程度，重置门的值越小说明忽略得越多。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911130109.6A CN110929927A (zh) | 2019-11-18 | 2019-11-18 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911130109.6A CN110929927A (zh) | 2019-11-18 | 2019-11-18 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110929927A true CN110929927A (zh) | 2020-03-27 |
Family
ID=69854202
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911130109.6A Pending CN110929927A (zh) | 2019-11-18 | 2019-11-18 | 一种应用配电网全域大数据的人工智能预测模型构方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110929927A (zh) |
Cited By (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111798162A (zh) * | 2020-07-23 | 2020-10-20 | 深圳壹账通智能科技有限公司 | 基于神经网络的风险监测方法及装置 |
| CN111832932A (zh) * | 2020-07-10 | 2020-10-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种配电网智能运维决策方法与系统 |
| CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
| CN113010624A (zh) * | 2021-03-19 | 2021-06-22 | 国网山东省电力公司郯城县供电公司 | 配电智能巡检系统 |
| CN113048807A (zh) * | 2021-03-15 | 2021-06-29 | 太原理工大学 | 一种空冷机组背压异常检测方法 |
| CN113592035A (zh) * | 2021-08-23 | 2021-11-02 | 广州梦源信息科技有限公司 | 基于ai辅助决策的大数据挖掘方法及ai辅助决策系统 |
| CN114048346A (zh) * | 2021-10-09 | 2022-02-15 | 大庆恒驰电气有限公司 | 一种基于gis的安全生产一体化管控平台及方法 |
| CN114326806A (zh) * | 2021-12-29 | 2022-04-12 | 北京航空航天大学 | 一种考虑任务体系下的无人机集群维修方法 |
| CN117595231A (zh) * | 2023-10-20 | 2024-02-23 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
| CN117638928A (zh) * | 2024-01-26 | 2024-03-01 | 山西林业职业技术学院 | 一种基于云计算的智能配电网管理系统 |
| CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
-
2019
- 2019-11-18 CN CN201911130109.6A patent/CN110929927A/zh active Pending
Cited By (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111832932A (zh) * | 2020-07-10 | 2020-10-27 | 国网辽宁省电力有限公司电力科学研究院 | 一种配电网智能运维决策方法与系统 |
| CN111798162A (zh) * | 2020-07-23 | 2020-10-20 | 深圳壹账通智能科技有限公司 | 基于神经网络的风险监测方法及装置 |
| CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
| CN111985701B (zh) * | 2020-07-31 | 2024-03-01 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
| CN113048807A (zh) * | 2021-03-15 | 2021-06-29 | 太原理工大学 | 一种空冷机组背压异常检测方法 |
| CN113010624B (zh) * | 2021-03-19 | 2022-04-22 | 国网山东省电力公司郯城县供电公司 | 配电智能巡检系统 |
| CN113010624A (zh) * | 2021-03-19 | 2021-06-22 | 国网山东省电力公司郯城县供电公司 | 配电智能巡检系统 |
| CN113592035A (zh) * | 2021-08-23 | 2021-11-02 | 广州梦源信息科技有限公司 | 基于ai辅助决策的大数据挖掘方法及ai辅助决策系统 |
| CN113592035B (zh) * | 2021-08-23 | 2022-07-05 | 山东腾邦国际商务有限公司 | 基于ai辅助决策的大数据挖掘方法及ai辅助决策系统 |
| CN114048346A (zh) * | 2021-10-09 | 2022-02-15 | 大庆恒驰电气有限公司 | 一种基于gis的安全生产一体化管控平台及方法 |
| CN114048346B (zh) * | 2021-10-09 | 2022-07-26 | 大庆恒驰电气有限公司 | 一种基于gis的安全生产一体化管控平台及方法 |
| CN114326806A (zh) * | 2021-12-29 | 2022-04-12 | 北京航空航天大学 | 一种考虑任务体系下的无人机集群维修方法 |
| CN117595231A (zh) * | 2023-10-20 | 2024-02-23 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
| CN117595231B (zh) * | 2023-10-20 | 2024-05-31 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
| CN117638928A (zh) * | 2024-01-26 | 2024-03-01 | 山西林业职业技术学院 | 一种基于云计算的智能配电网管理系统 |
| CN117638928B (zh) * | 2024-01-26 | 2024-04-12 | 山西林业职业技术学院 | 一种基于云计算的智能配电网管理系统 |
| CN118131642A (zh) * | 2024-04-30 | 2024-06-04 | 北京华清鼎立物业管理有限公司 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
| CN118131642B (zh) * | 2024-04-30 | 2024-07-26 | 北京华清鼎立物业管理有限公司 | 冷热源水系统的控制方法和装置、存储介质、电子装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929927A (zh) | 一种应用配电网全域大数据的人工智能预测模型构方法 | |
| Ghods et al. | Methods for long-term electric load demand forecasting; a comprehensive investigation | |
| CN106505635B (zh) | 弃风最小的有功调度模型及调度系统 | |
| Oudjana et al. | Short term photovoltaic power generation forecasting using neural network | |
| CN106384168A (zh) | 针对特性各异电源的多目标协调优化调度模型 | |
| Galvani et al. | A multi-objective probabilistic approach for smart voltage control in wind-energy integrated networks considering correlated parameters | |
| CN106682808A (zh) | 在线滚动优化调度模型 | |
| CN102930344A (zh) | 一种基于负荷趋势变化的超短期母线负荷预测方法 | |
| Zhang et al. | Research on AGC performance during wind power ramping based on deep reinforcement learning | |
| CN104102840A (zh) | 配电网对光伏电源接纳能力的测评方法 | |
| CN111784019B (zh) | 电力负荷处理方法和装置 | |
| Yılmaz | Real measure of a transmission line data with load fore-cast model for the future | |
| CN113887809A (zh) | 双碳目标下配电网供需平衡方法、系统、介质及计算设备 | |
| Chen et al. | Probabilistic Prediction of Photovoltaic Power Using Bayesian Neural Network-LSTM Model | |
| Zhang et al. | Data-driven risk assessment early-warning model for power system transmission congestions | |
| Akula et al. | Comparision of traditional and fuzzy failure mode and effects analysis for smart grid electrical distribution systems | |
| Xu et al. | Research on Load Forecasting Based on CNN-LSTM Hybrid Deep Learning Model | |
| Zhang et al. | Operation state assessment of wind power system based on PSO+ AHP—FCE | |
| Fan et al. | Ultra-short-term bus load forecasting method based on multi-source data and hybrid neural network | |
| Liu et al. | Social implications of cyber-physical systems in electrical load forecasting | |
| CN109698498A (zh) | 采用电压稳定裕度指标的电网安全评估系统和方法 | |
| Zhou et al. | A circular recursion algorithm power load forecasting model and application | |
| Yun et al. | Regional voltage stability prediction based on decision tree algorithm | |
| CN111860617A (zh) | 一种配电网综合优化运行方法 | |
| CN112182952A (zh) | 一种提升电力系统弹性的多目标优化调度方法 |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20200327 |
|
| WD01 | Invention patent application deemed withdrawn after publication |