CN111339157B - 一种配电网日运行效率计算及预测方法、系统及设备 - Google Patents

一种配电网日运行效率计算及预测方法、系统及设备 Download PDF

Info

Publication number
CN111339157B
CN111339157B CN202010104359.9A CN202010104359A CN111339157B CN 111339157 B CN111339157 B CN 111339157B CN 202010104359 A CN202010104359 A CN 202010104359A CN 111339157 B CN111339157 B CN 111339157B
Authority
CN
China
Prior art keywords
operation efficiency
power distribution
daily
layer
output
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
Application number
CN202010104359.9A
Other languages
English (en)
Other versions
CN111339157A (zh
Inventor
白浩
袁智勇
雷金勇
周长城
黄安迪
史训涛
徐全
徐敏
何锡祺
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
Original Assignee
CSG Electric Power Research Institute
China Southern Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by CSG Electric Power Research Institute, China Southern Power Grid Co Ltd filed Critical CSG Electric Power Research Institute
Priority to CN202010104359.9A priority Critical patent/CN111339157B/zh
Publication of CN111339157A publication Critical patent/CN111339157A/zh
Application granted granted Critical
Publication of CN111339157B publication Critical patent/CN111339157B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • 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
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • 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
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Development Economics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Probability & Statistics with Applications (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种配电网日运行效率计算及预测方法、系统及设备，包括以下步骤：计算配电设备的实时运行效率；基于配电设备的实时运行效率计算配电系统的日运行效率；分析配电系统的日运行效率的影响因素；利用灰色关联度分析从影响因素中筛选出主要影响因素；根据主要影响因素，利用反向传播算法预测配电系统的日运行效率。本发明通过灰色关联度分析与反向传播(BP)算法对运行效率进行预测，从而考虑了影响因素对运行效率的影响，通过灰色关联度选取出主要影响因素，从而动态地考虑到影响因素对运行效率的影响，解决了现有技术对运行效率和影响因素的分析只停留在定性层面的不足，促进配电网的合理发展。

Description

一种配电网日运行效率计算及预测方法、系统及设备
技术领域
本发明涉及配电网效率分析技术领域，尤其涉及一种配电网日运行效率计算及预测方法、系统及设备。
背景技术
目前，关于运行效率的研究在配电网设备和系统方面较少。现有对运行效率的评估指标主要有传统负载率、指标权重法、负荷持续曲线法等。
负载率为实际负载功率除以额定功率，主要反映了该设备的利用情况，没有关注安全可靠性。指标权重法考虑多个指标，由专家给出各个指标的权重，最后整合成一个运行效率指标。负荷持续曲线法，基于年负荷持续曲线，利用合理负载率和轻载限值将曲线划分为三段进行分析，给出惩罚因子综合计算运行效率，考虑经济性和可靠性。
传统负载率方法，主要考虑了设备的经济性，而无法体现电网的安全可靠性；综合指标方法在确定指标权重时，往往具有很强的主观性；现有的基于负荷持续曲线的方法综合有经济性和可靠性，然而该方法主要适用于长时间尺度的运行效率计算，在日运行效率上不太实用，并且该方法无法分清设备运行效率低下是因为超限还是轻载。这些方法都有一定的局限性。
并且，仅仅静态地评价配电系统的运行效率也是不够的，不能对接下来改善配电系统起到指导的作用。因此，分析运行效率的影响因素并对运行效率进行预测也是一项重要的工作。就目前来看，运行效率和影响因素的分析只停留在定性层面，也鲜有对运行效率进行预测的相关工作。比较常用比较传统的方法是多元统计分析。这种方法一般采用最小二乘法去拟合数据，并且在事先需要给出一个具体的函数形式从而方便拟合。但是在寻找定量关系的过程中，确定影响因素和运行效率间关系的具体函数形式是极为困难的。
综上所述，现有技术中在对配电网的运行效率进行分析时，存在着对运行效率和影响因素的分析只停留在定性层面的不足。
发明内容
本发明提供了一种配电网日运行效率计算及预测方法、系统及设备，解决了现有技术中在对配电网的运行效率进行分析时，存在着对运行效率和影响因素的分析只停留在定性层面的技术问题。
本发明提供的一种配电网日运行效率计算及预测方法，包括以下步骤：
计算配电设备的实时运行效率；
基于配电设备的实时运行效率计算配电系统的日运行效率；
分析配电系统的日运行效率的影响因素；
利用灰色关联度分析从影响因素中筛选出主要影响因素；
根据主要影响因素，利用反向传播算法预测配电系统的日运行效率。
优选的，配电系统的日运行效率的影响因素包括：供电可靠性、配电网网络结构、负荷特性以及发展阶段。
优选的，利用灰色关联度分析从影响因素中筛选出主要影响因素的具体步骤如下：
计算配电系统不同日期的日运行效率序列Y和与日期相对应的影响因素序列X；
将日运行效率序列Y以及影响因素序列X进行归一化处理，得到日运行效率序列Y’以及影响因素序列X’；
求解日运行效率序列Y’和影响因素序列X之间的关联系数；
根据关联系数计算日运行效率与影响因素之间的灰色关联度；
基于灰色关联度选取出主要影响因素。
优选的，反向传播算法通过神经网络实现，神经网络包括输入层、隐含层以及输出层，输入层、隐含层以及输出层的每一层中都包含有神经元。
优选的，神经网络将主要影响因素作为输入，配电网的日运行效率作为输出。
优选的，反向传播算法包括正向传播过程以及反向传播过程。
优选的，正向传播过程如下：
主要影响因素从输入层输入神经网络，经隐含层逐层传递至输出层，如果输出层的实际输出与期望输出不同，则转至误差反向传播；如果输出层的实际输出与期望输出相同，结束反向传播算法。
优选的，反向传播过程具体过程如下：
将期望输出与实际输出之差作为输出误差，将输出误差按原通路反传计算，在反传过程中将误差分摊给神经网络各层的神经元，获得神经网络各层神经元的误差信号，根据误差信号调整神经网络各层神经元的权值和阈值从而降低误差信号。
一种配电网日运行效率计算及预测系统，包括实时运行效率计算模块、日运行效率计算模块、影响因素分析模块、主要影响因素筛选模块以及日运行效率预测模块；
所述实时运行效率计算模块用于计算配电设备的实时运行效率；
所述日运行效率计算模块用于基于配电设备的实时运行效率计算配电系统的日运行效率；
所述影响因素分析模块用于分析配电系统的日运行效率的影响因素；
所述主要影响因素筛选模块用于利用灰色关联度分析筛从影响因素中筛选出主要影响因素；
所述日运行效率预测模块用于根据主要影响因素，利用反向传播算法预测配电系统的日运行效率。
一种配电网日运行效率计算及预测设备，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行上述的一种配电网日运行效率计算及预测方法。
从以上技术方案可以看出，本发明具有以下优点：
本发明实施例通过灰色关联度分析与反向传播(BP)算法对运行效率进行预测，从而考虑了影响因素对运行效率的影响，通过灰色关联度选取出主要影响因素，从而动态地考虑到影响因素对运行效率的影响，解决了现有技术对运行效率和影响因素的分析只停留在定性层面的不足，促进配电网的合理发展。
本发明实施例还具有以下另一个优点：
本发明实施例综合考虑经济性与安全可靠性，在综合计算配电系统运行效率同时可以知道每一配电是否设备轻载超载等运行情况。给出的指标更加客观。在预测部分，利用数据挖掘和人工智能算法使得预测更加精准，计算效率更高。
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，下面将对实施例或现有技术描述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它的附图。
图1为本发明实施例提供的一种配电网日运行效率计算及预测方法、系统以及设备的方法流程图。
图2为本发明实施例提供的一种配电网日运行效率计算及预测方法、系统以及设备的系统结构图。
图3为本发明实施例提供的一种配电网日运行效率计算及预测方法、系统以及设备的设备框架图。
图4为本发明实施例提供的一种配电网日运行效率计算及预测方法、系统以及设备的反向传播算法的神经网络结构图。
具体实施方式
本发明实施例提供了一种配电网日运行效率计算及预测方法、系统以及设备，用于解决现有技术对运行效率和影响因素的分析只停留在定性层面的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
请参阅图1，图1为本发明实施例提供的一种配电网日运行效率计算及预测方法、系统以及设备的方法流程图。
本发明提供的一种配电网日运行效率计算及预测方法，包括以下步骤：
计算配电设备的实时运行效率；运行效率概念的提出，主要是为了评价在满足安全准则的基础上，对配电系统的经济性进行评价，反映了电网公司的运营水平和资源配置水平。直观广义上的定义是实际负载率与合理负载率之比。在理想情况下，满足配电要求的各项安全准则(如N-X安全准则)和其他的安全约束时，配电设备达到最大负载，即可认为此时该设备的运行效率最高。当设备的负载远小于合理负载时，显然运行效率低下；在设备负载超出合理负载时，往往会带来安全隐患或者是后果，此时也认为其运行效率低下。
基于配电设备的实时运行效率计算配电系统的日运行效率，具体的计算公式如下：
Figure BDA0002388004290000051
式中，OEsd为配电系统的日运行效率；OEdi为配电设备的实时运行效率；n为配电设备的总个数；αi为第i个设备在配电系统中所占的权重，该权重为设备的资产价值与配电系统资产价值的比值。计算出每个配电设备的日运行效率，为接下来依据运行效率影响因素对运行效率进行预测打下基础。只有先定量的计算出配电系统日运行效率，后续的预测工作才得以进行。
分析配电系统的日运行效率的影响因素；
利用灰色关联度分析从影响因素中筛选出主要影响因素；
根据主要影响因素，利用反向传播算法预测配电系统的日运行效率。
作为一个优选的实施例，配电系统的日运行效率的影响因素包括：供电可靠性、配电网网络结构、负荷特性以及发展阶段。从供电可靠性方面，考虑的是具体满足的N-X规则；从网络结构方面，有变电站个数、站内主变台数、变电站站间联络情况、线路接线模式以及各种接线模式所占比重和分布式电源接入容量等；从负荷特性方面，有用户类型及其比例、当地GDP、地域和气候、用户智能化水平、季节天气以及是否节假日等因素；从发展阶段考虑，有产业结构、地区GDP年增速、负荷裕度与经济增速关系等。将所有影响因素列成如下表1所示：
Figure BDA0002388004290000061
表1
作为一个优选的实施例，利用灰色关联度分析从影响因素中筛选出主要影响因素的具体步骤如下：
计算配电系统不同日期的日运行效率序列Y和与日期相对应的影响因素序列X；
Y＝[y1，y2，y3…ym]T
Figure BDA0002388004290000071
式中，Y为日运行效率序列；X为对应的影响因素序列；m为序列中总天数；l为影响因素的个数。
将日运行效率序列Y以及影响因素序列X进行归一化处理，即序列Y和x1,x2,x3…xl除以各自的平均值，得到日运行效率序列Y’以及影响因素序列X’；
求解日运行效率序列Y’和影响因素序列X之间的关联系数；
Figure BDA0002388004290000072
式中，
Figure BDA0002388004290000073
为Y'和X'差的绝对值的最小值；ρ为灰色分辨系数，取值范围为(0,1)，一般取0.5；
Figure BDA0002388004290000074
为Y'和X'差的绝对值的最大值；ζi(k)为Y'(k)和X'(i,k)的关联系数。
根据关联系数计算日运行效率与影响因素之间的灰色关联度ri；
Figure BDA0002388004290000075
基于灰色关联度选取出主要影响因素。将影响因素与运行效率的灰色关联度除以灰色关联度的总和。将权重从大到小排列，选取其中的前e个因素因素为主要影响因素，其中前e个因素权重之和大于等于0.9。
主要影响因素序列为：
Figure BDA0002388004290000076
作为一个优选的实施例，反向传播算法通过神经网络实现，神经网络包括输入层、隐含层以及输出层，输入层、隐含层以及输出层的每一层中都包含有神经元，具体结构如图4所示。
作为一个优选的实施例，神经网络将主要影响因素作为输入，配电网的日运行效率作为输出。
作为一个优选的实施例，反向传播算法包括正向传播过程以及反向传播过程。
正向传播过程如下：
主要影响因素从输入层输入神经网络，经隐含层逐层传递至输出层，如果输出层的实际输出与期望输出不同，则转至误差反向传播；如果输出层的实际输出与期望输出相同，结束反向传播算法。
反向传播过程具体过程如下：
将期望输出与实际输出之差作为输出误差，将输出误差按原通路反传计算，在反传过程中将误差分摊给神经网络各层的神经元，获得神经网络各层神经元的误差信号，根据误差信号调整神经网络各层神经元的权值和阈值从而降低误差信号。
需要进一步说明的是，正向传播公式为：
z(k+1)＝W(k+1)·n(k)+b(k+1) (8)
式中，z(k+1)为第k+1层神经元的输入矩阵；n(k)为第k层神经元的输出矩阵；W(k+1)为第k+1层神经元的权重矩阵；b(k+1)为偏置矩阵。所有激活函数均为Logistic函数：
Figure BDA0002388004290000081
式中，X为未知量，在本实施例中为主要影响因素。
损失函数为：
Figure BDA0002388004290000082
式中，Y为运行效率矩阵，
Figure BDA0002388004290000083
为正向传播的预测值。
更新参数：
W(k)＝W(k)-α(δ(k)(n(k+1))T+W(k)) (11)
b(k)＝b(k)-αδ(k) (12)
式中，α为学习率，本实施例中可以设为0.1；δ(k)为灵敏度，是损失函数对z(k)的偏导数。可由δ(k+1)推出：
δ(k)＝f'k(z(k))·((W(k+1))T·δ(k+1)) (13)
式中，f'k(z(k))为激活函数对z(k)的导数。
循环上述正向传播与反向传播过程，BP网络得到训练和完善，正向传播误差小于某一特定值时，停止该过程。
在训练完BP网络之后，将未来一天的主要影响因素的预估值作为BP网络的输入，获得的输出值即为未来一天配电系统日运行效率的预测结果。
如图2所示，一种配电网日运行效率计算及预测系统，包括实时运行效率计算模块201、日运行效率计算模块202、影响因素分析模块203、主要影响因素筛选模块204以及日运行效率预测模块205；
所述实时运行效率计算模块201用于计算配电设备的实时运行效率；
所述日运行效率计算模块202用于基于配电设备的实时运行效率计算配电系统的日运行效率；
所述影响因素分析模块203用于分析配电系统的日运行效率的影响因素；
所述主要影响因素筛选模块204用于利用灰色关联度分析从影响因素中筛选出主要影响因素；
所述日运行效率预测模块205用于根据主要影响因素，利用反向传播算法预测配电系统的日运行效率。
如图3所示，一种配电网日运行效率计算及预测30，所述设备包括处理器300以及存储器301；
所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；
所述处理器300用于根据所述程序代码302中的指令执行上述的种配电网日运行效率计算及预测方法中的步骤。
示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。
所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器300可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlYMemorY)、随机存取存储器(RAM，Random Access MemorY)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (5)

1.一种配电网日运行效率计算及预测方法，其特征在于，包括以下步骤：
计算配电设备的实时运行效率；
基于配电设备的实时运行效率计算配电系统的日运行效率；
分析配电系统的日运行效率的影响因素；
利用灰色关联度分析从影响因素中筛选出主要影响因素；
根据主要影响因素，利用反向传播算法预测配电系统的日运行效率；
其中，所述实时运行效率指的是所述配电设备的实际负载率与合理负载率的比值；
所述日运行效率指的是所述配电设备一天的运行效率；
所述配电系统的日运行效率的影响因素包括：供电可靠性、配电网网络结构、负荷特性以及发展阶段；
所述利用灰色关联度分析从影响因素中筛选出主要影响因素的具体步骤如下：
计算配电系统不同日期的日运行效率序列Y和与日期相对应的影响因素序列X；
将日运行效率序列Y以及影响因素序列X进行归一化处理，得到日运行效率序列Y’以及影响因素序列X’；
求解日运行效率序列Y’和影响因素序列X之间的关联系数；
根据关联系数计算日运行效率与影响因素之间的灰色关联度；
基于灰色关联度选取出主要影响因素；
所述反向传播算法包括正向传播过程以及反向传播过程；
所述正向传播过程如下：
主要影响因素从输入层输入神经网络，经隐含层逐层传递至输出层，如果输出层的实际输出与期望输出不同，则转至误差反向传播；如果输出层的实际输出与期望输出相同，结束反向传播算法；
所述反向传播过程具体过程如下：
将期望输出与实际输出之差作为输出误差，将输出误差按原通路反传计算，在反传过程中将误差分摊给神经网络各层的神经元，获得神经网络各层神经元的误差信号，根据误差信号调整神经网络各层神经元的权值和阈值从而降低误差信号。
2.根据权利要求1所述的一种配电网日运行效率计算及预测方法，其特征在于，反向传播算法通过神经网络实现，神经网络包括输入层、隐含层以及输出层，输入层、隐含层以及输出层的每一层中都包含有神经元。
3.根据权利要求2所述的一种配电网日运行效率计算及预测方法，其特征在于，神经网络将主要影响因素作为输入，配电网的日运行效率作为输出。
4.一种配电网日运行效率计算及预测系统，其特征在于，包括实时运行效率计算模块、日运行效率计算模块、影响因素分析模块、主要影响因素筛选模块以及日运行效率预测模块；
所述实时运行效率计算模块用于计算配电设备的实时运行效率；
所述日运行效率计算模块用于基于配电设备的实时运行效率计算配电系统的日运行效率；
所述影响因素分析模块用于分析配电系统的日运行效率的影响因素；
所述主要影响因素筛选模块用于利用灰色关联度分析筛从影响因素中筛选出主要影响因素；
所述日运行效率预测模块用于根据主要影响因素，利用反向传播算法预测配电系统的日运行效率；
其中，所述实时运行效率指的是所述配电设备的实际负载率与合理负载率的比值；
所述日运行效率指的是所述配电设备一天的运行效率；
所述配电系统的日运行效率的影响因素包括：供电可靠性、配电网网络结构、负荷特性以及发展阶段；
所述主要影响因素筛选模块具体用于：
计算配电系统不同日期的日运行效率序列Y和与日期相对应的影响因素序列X；
将日运行效率序列Y以及影响因素序列X进行归一化处理，得到日运行效率序列Y’以及影响因素序列X’；
求解日运行效率序列Y’和影响因素序列X之间的关联系数；
根据关联系数计算日运行效率与影响因素之间的灰色关联度；
基于灰色关联度选取出主要影响因素；
所述反向传播算法包括正向传播过程以及反向传播过程；
所述正向传播过程如下：
主要影响因素从输入层输入神经网络，经隐含层逐层传递至输出层，如果输出层的实际输出与期望输出不同，则转至误差反向传播；如果输出层的实际输出与期望输出相同，结束反向传播算法；
所述反向传播过程具体过程如下：
将期望输出与实际输出之差作为输出误差，将输出误差按原通路反传计算，在反传过程中将误差分摊给神经网络各层的神经元，获得神经网络各层神经元的误差信号，根据误差信号调整神经网络各层神经元的权值和阈值从而降低误差信号。
5.一种配电网日运行效率计算及预测设备，其特征在于，所述设备包括处理器以及存储器；
所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-3任一项所述的一种配电网日运行效率计算及预测方法。
CN202010104359.9A 2020-02-20 2020-02-20 一种配电网日运行效率计算及预测方法、系统及设备 Active CN111339157B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010104359.9A CN111339157B (zh) 2020-02-20 2020-02-20 一种配电网日运行效率计算及预测方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010104359.9A CN111339157B (zh) 2020-02-20 2020-02-20 一种配电网日运行效率计算及预测方法、系统及设备

Publications (2)

Publication Number Publication Date
CN111339157A CN111339157A (zh) 2020-06-26
CN111339157B true CN111339157B (zh) 2023-05-16

Family

ID=71185371

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010104359.9A Active CN111339157B (zh) 2020-02-20 2020-02-20 一种配电网日运行效率计算及预测方法、系统及设备

Country Status (1)

Country Link
CN (1) CN111339157B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111784066B (zh) * 2020-07-09 2022-12-23 南方电网科学研究院有限责任公司 一种配电网年运行效率预测方法、系统及设备
CN113590682B (zh) * 2021-07-20 2022-09-27 中国电力科学研究院有限公司 电网停电窗口期生成方法、装置、电子设备和存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295081A (zh) * 2013-07-02 2013-09-11 上海电机学院 基于bp神经网络的电力系统负荷预测方法
CN108364084A (zh) * 2017-11-08 2018-08-03 长沙理工大学 一种基于信息融合理论的bp神经网络光伏功率预测方法
CN109146121A (zh) * 2018-06-25 2019-01-04 华北电力大学 基于pso-bp模型的停限产情况下的电量预测方法
CN109190786A (zh) * 2018-07-06 2019-01-11 上海电机学院 一种光伏发电效率的组合预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103295081A (zh) * 2013-07-02 2013-09-11 上海电机学院 基于bp神经网络的电力系统负荷预测方法
CN108364084A (zh) * 2017-11-08 2018-08-03 长沙理工大学 一种基于信息融合理论的bp神经网络光伏功率预测方法
CN109146121A (zh) * 2018-06-25 2019-01-04 华北电力大学 基于pso-bp模型的停限产情况下的电量预测方法
CN109190786A (zh) * 2018-07-06 2019-01-11 上海电机学院 一种光伏发电效率的组合预测方法

Also Published As

Publication number Publication date
CN111339157A (zh) 2020-06-26

Similar Documents

Publication Publication Date Title
Wang et al. Time series data mining: A case study with big data analytics approach
Hsiao et al. Using fuzzy super-efficiency slack-based measure data envelopment analysis to evaluate Taiwan’s commercial bank efficiency
CN111339157B (zh) 一种配电网日运行效率计算及预测方法、系统及设备
CN112651563B (zh) 负荷预测方法、装置、计算机可读存储介质及电子设备
Cao et al. Early warning of enterprise decline in a life cycle using neural networks and rough set theory
CN112508695A (zh) 基于市场风险的金融风险预测方法、装置和电子设备
CN114219177A (zh) 机房环境调控方法、装置、电子设备及存储介质
CN112257958A (zh) 一种电力饱和负荷预测方法及装置
CN113139698A (zh) 负荷预测方法、装置及设备
CN112686470A (zh) 电网饱和负荷预测方法、装置及终端设备
CN116706884A (zh) 光伏发电量的预测方法、装置、终端及存储介质
CN116228284A (zh) 货品需求预测方法、训练方法、装置、计算机系统及介质
CN113705929B (zh) 一种基于负荷特征曲线及典型特征值融合的春节假期负荷预测方法
TWI792101B (zh) 基於確定值及預測值的數據定量化方法
CN114925895A (zh) 维修器材预测方法、终端及存储介质
Lu Measuring the capital charge for operational risk of a bank with the large deviation approach
CN114022045A (zh) 一种区域经济发展水平确定方法、装置及终端设备
Tran et al. Bilinear input normalization for neural networks in financial forecasting
CN117726304B (zh) 项目进度预测及项目资源配给推荐方法
CN113807654B (zh) 网络运营指标的评估方法、电子设备及存储介质
Arisanti et al. A NARX-NN optimization algorithm for forecasting inflation during a potential recession period using longitudinal data
Li et al. Systematic study on the forecasting of transit passenger flow based on machine learning with multi-source data
CN114862618A (zh) 基于人工智能的城市用水量预测方法、装置、设备及介质
CN118071506A (zh) 一种资产配置方法、装置、可读存储介质及计算设备
Nermend Initial Procedure for Data Analysis

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