CN111460001A - 一种配电网理论线损率评估方法及系统 - Google Patents
一种配电网理论线损率评估方法及系统 Download PDFInfo
- Publication number
- CN111460001A CN111460001A CN202010236515.7A CN202010236515A CN111460001A CN 111460001 A CN111460001 A CN 111460001A CN 202010236515 A CN202010236515 A CN 202010236515A CN 111460001 A CN111460001 A CN 111460001A
- Authority
- CN
- China
- Prior art keywords
- line loss
- distribution network
- loss rate
- line
- power distribution
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 48
- 238000011156 evaluation Methods 0.000 title claims description 12
- 238000000034 method Methods 0.000 claims abstract description 43
- 238000007781 pre-processing Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 18
- 238000000605 extraction Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 19
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 11
- 210000002569 neuron Anatomy 0.000 claims description 10
- 230000009467 reduction Effects 0.000 claims description 5
- 238000012935 Averaging Methods 0.000 claims description 3
- 239000013598 vector Substances 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000007246 mechanism Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000012847 principal component analysis method Methods 0.000 claims 2
- 238000004364 calculation method Methods 0.000 abstract description 38
- 230000008569 process Effects 0.000 abstract description 16
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 9
- 238000010801 machine learning Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000003860 storage Methods 0.000 description 5
- 238000000513 principal component analysis Methods 0.000 description 4
- 101000623895 Bos taurus Mucin-15 Proteins 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 238000007418 data mining Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011946 reduction process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Economics (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Human Resources & Organizations (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Fuzzy Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种配电网理论线损率评估方法及系统，涉及配电网技术领域，对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。本发明充分考虑了供电曲线和负荷分布特性对线损计算结果的影响，把线损的计算过程抽象为与线损相关联的多元特征提取过程，简化了线损计算过程，提高了计算效率和准确度。
Description
技术领域
本发明属于配电网技术领域，尤其涉及一种配电网理论线损率评估方法及系统。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术，并不必然构成现有技术。
伴随着我国经济的快速发展，用电负荷不断增加，配电网线损电量约占整个电网损耗的40％，线损问题十分严峻。线损作为一项重要的综合性指标，其大小同电力企业的效益有着极为密切的联系，它能够比较综合的体现电力企业的管理水平、规划设计和经营水平。为了减少配电网在输送分配电能过程中产生的损耗，提高电力行业的企业效益和社会效益，使得电力行业更好的发展，必须要高度重视线损计算。而配电网具有设备多、线路复杂、电压等级低、直接同用户连接等特点，这些特点导致了在实际线损计算工作中存在数据难以收集、计算复杂和工作量大等问题。
现如今传统的线损计算方法如等值电阻法、最大负荷损耗小时法、平均电流法、均方根电流法等已经广泛应用于电力企业的实际生产中。但是在电网系统的实际运行中，由于配电网的网架结构及线路之间的连接关系十分复杂，一旦网架结构发生改动，则用于计算的相关电网线路图也要随之更新，这极大增加了相关电力部门的工作量和工作难度。多年的线损计算工作已经累积了大量的与线损计算有关的历史数据，海量历史数据中极有可能蕴含着与线损计算有关的联系，但传统的线损计算方法无法从历史数据中提取有价值的信息来进行相关的线损计算。
近年来人工智能技术的兴起为有关线损计算的研究提供了新的思路，有学者研究将机器学习算法引入到理论线损计算中，如BP神经网络、RBF神经网络等等，应用机器学习算法的超强学习能力将线损的计算过程抽象为与线损有关的多元特征提取过程，通过电网运行时产生的大量历史数据经过多层次化的机器学习模型，提取海量数据的本质特征，来发现特征与线损之间的潜在联系，从而简化计算过程，更好地满足电力行业对线损计算的需求。
但是，本发明发明人发现，目前已有的机器学习的方法，大多数没有考虑到与理论线损关系密切的线路供电曲线和负荷分布特性的影响，只使用已有的相关电气元件参数和采集的电量数据进行计算，从而导致线损率的估计准确度较差。
发明内容
为了解决上述问题，本发明的第一个方面提供一种配电网理论线损率评估方法，通过数据挖掘算法从线路的二十四小时供电曲线和负荷月有功电量的原始数据中提取出输入特征，然后建立机器学习模型进行线损计算，充分考虑了供电曲线和负荷分布特性对线损计算结果的影响，把线损的计算过程抽象为与线损相关联的多元特征提取过程，简化了线损计算过程，提高了计算效率和准确度。
为了实现上述目的，本发明采用如下技术方案：
一种配电网理论线损率评估方法，其特征在于，包括以下步骤：
对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
本发明的第二个方面提供一种配电网理论线损率评估系统。
一种配电网理论线损率评估系统，包括：
数据预处理模块，被配置为：对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
线损率预测模块，被配置为：利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
本发明的第三个方面提供一种介质，其上存储有程序，该程序被处理器执行时实现如本发明第一方面所述的配电网理论线损率评估方法中的步骤。
本发明的第四个方面提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本发明第一方面所述的配电网理论线损率评估方法中的步骤。
与现有技术相比，本发明的有益效果是：
1、本发明提供的方法、系统、介质及电子设备，与传统的理论线损计算方法相比，具有很强的特征提取、数据挖掘和泛化能力，应用机器学习算法的超强学习能力，把线损的计算过程抽象为与线损相关联的多元特征提取过程，利用在电网运行中产生的历史数据经过机器学习模型，提取出数据的本质特征，来挖掘学习特征与线损间的内在联系，从而达到简化线损计算过程、提高计算效率的目的。
2、本发明提供的方法、系统、介质及电子设备，在进行基于机器学习的配电网线损计算过程中，充分考虑供电曲线和负荷分布特性对线损计算结果的影响，通过数据挖掘算法从原始负荷数据中提取信息作为神经网络模型的输入，有效提高了线损计算效率和计算精度。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例1提供的配电网理论线损率评估方法的流程示意图。
图2是本发明实施例1提供的各维度方差百分比的示意图。
图3是本发明实施例1提供的线损预测结果示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。
本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例1
如背景技术中所述，现有的方法没有考虑到线路供电曲线和负荷分布特性的影响，从而导致线损率的估计准确度较差。
如图1所示，本发明实施例1提供的一种配电网理论线损率评估方法，其包括以下步骤：
对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
详细方法如下：
步骤(1)：对原始配电网数据库中的原始数据进行预处理，原始数据主要包括二十四小时供电曲线、代表日无功供电量和负荷月有功电量，剔除异常值和空值；
步骤(2)：考虑到每条线路的负荷月有功电量对线路损耗的影响，计算负荷月有功电量之和以及标准差并将其作为输入特征，其中，负荷月有功电量之和表示负荷用电规模，标准差表示负荷月有功电量的波动状况；
步骤(3)：考虑到每条线路二十四小时有功功率的原始数据处理，首先为了方便进一步处理原始数据，使用矩阵来表示二十四小时有功功率，采用规模为n×d的矩阵，其中n为线路总数，d为数据采集频率，数据为浮点型数据，用矩阵表示如下：
由于数据本身具有一定的时序性，若直接对其进行简单的处理如求和或取平均值，必然会损失一部分十分重要的信息，影响最终的线损计算结果。但也不可直接取全部二十四小时原始数据作为输入特征，一方面原始数据作为现场采集数据，不可避免的会存在噪声干扰，若不加处理直接采用，会使机器学习模型学习到噪声干扰，降低计算精度，另一方面也会使得原始数据集变得十分庞大，使原始数据集的输入特征维度大大增加，容易造成数据冗余，增加模型的计算量和训练难度。
因此，本实施例采用主成分分析(Principal Component Analysis，PCA)对二十四小时有功功率原始数据进行处理。PCA作为一种数据降维算法，能够将n维原始数据降为k维，降维后的数据为全新的正交特征，它能够有效的去除噪声干扰和数据冗余，在尽量减少信息损失的条件下保留了原始数据中最重要的信息。
设原始数据为矩阵X，其算法步骤如下：
(3-1)零均值化X的数据；
(3-2)计算X的协方差矩阵P；
(3-3)求矩阵P的特征值及其特征向量；
(3-4)对矩阵P的特征值按大小进行排序，选取最大的k个，将k个特征向量组合成特征向量矩阵；
(3-5)将数据转换到k个特征向量构建的新空间中。
在降维过程中，新矩阵的维度往往由方差比例所决定，在实际应用中，设阈值为ε＝95％，k个特征向量的方差比例之和为ρ，若ρ≥ε，则可认为新矩阵保留了原矩阵的绝大部分信息。
步骤(4)：由于各输入特征的单位和取值范围各不相同，因此有必要消除量纲因素对计算的影响，为此在进行计算前对原始数据进行归一化处理，归一化方法如下所示：
步骤(5)：搭建神经网络模型进行线损计算，在训练神经网络模型时，需要选择合适的优化算法来最小化损失函数，本实施例采用小批量梯度下降算法来实现模型的优化。小批量梯度下降算法在进行训练时，将数据集分为若干部分，对每一批计算误差并更新参数。
在训练神经网络时往往会遇到过拟合的问题，它主要表现在训练模型过程中损失函数小，训练误差低，而在测试过程中损失函数大，测试误差大。过拟合的存在往往使得训练好的神经网络模型无法使用。
为了防止过拟合，本实施例采用Dropout机制，在训练神经网络时，每进行一次迭代时都会以一定概率关闭一些神经元，使得剩余的神经元形成一个小于原本规模的神经网络，使训练代价降低。通过多次迭代，每次都随机构成一个新的规模较小的神经网络，这样每个神经元对特定神经元的激活不敏感，从而增强了神经网络的泛化能力。
其主要公式如下：
ri (l)～Bernoulli(p) (3)
其中，Bernoulli(p)为以p概率随机生成0、1的向量；y(l)为l层的输出；f为激活函数，
为l+1层中第i个神经元的线性结果，
为l+1层中第i个神经元的偏差，
为l+1层中第i个神经元的权重。
选取某地区217条10kV配电网线路代表日历史数据作为原始数据，取200个数据为训练集，17个数据为测试集。首先对线路负荷分别进行求和以及求标准差作为输入特征。针对线路二十四小时有功功率，采用PCA对其进行自动降维处理，各维度方差百分比如图2所示，主成分一的方差百分比为69.7％，主成分二的方差百分比为29.4％，这意味着主成分一和二包含了原始数据的绝大部分信息，因此只需要选择主成分一和主成分二作为输入特征即可代替原始数据中的二十四维特征，达到了降维的目的。
根据上述分析，本实施例共选取负荷月有功电量总和、负荷月有功电量标准差、主成分一、主成分二、代表日无功供电量和线路长度作为输入特征，选取由平均电流法计算得到的历史理论线损率为输出参与模型训练。
将输入特征输入神经网络模型中，本神经网络采用全连接神经网络，神经网络隐藏层数为二层，神经元个数分别为32、10。预测结果见图3、表1。
表1：线损评估结果
实施例2
本发明实施例2提供了一种配电网理论线损率评估系统，其包括：
(1)数据预处理模块，被配置为：对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
(2)线损率预测模块，被配置为：利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
所述评估系统的工作方法与实施例1中的评估方法相同，这里不再赘述。
实施例3
本发明实施例3提供了一种介质，其上存储有程序，该程序被处理器执行时实现如下步骤：
对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
实施例4
本发明实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如下步骤：
对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明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和光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种配电网理论线损率评估方法，其特征在于，包括以下步骤：
对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
2.如权利要求1所述的配电网理论线损率评估方法，其特征在于，对获取配电网数据进行预处理，剔除异常值和空值，所述配电网数据为二十四小时供电曲线、代表日无功供电量和负荷月有功电量。
3.如权利要求1所述的配电网理论线损率评估方法，其特征在于，计算负荷月有功电量之和以及标准差并将其作为神经网络模型的输入特征，所述负荷月有功电量之和表示负荷用电规模，标准差表示负荷月有功电量的波动状况。
4.如权利要求1所述的配电网理论线损率评估方法，其特征在于，采用主成分分析法对二十四小时有功功率原始数据进行处理，得到降维后的正交特征矩阵，作为神经网络模型的输入特征。
5.如权利要求4所述的配电网理论线损率评估方法，其特征在于，所述主成分分析法，具体为：
采用矩阵X表示二十四小时有功功率，矩阵X的行数为线路总数，列数为数据采集频率；
零均值化X的数据，计算X的协方差矩阵P，求矩阵P的特征值及其特征向量；
对矩阵P的特征值按大小进行排序，选取最大的k个，将k个特征向量组合成特征向量矩阵；
将数据转换到k个特征向量构建的新空间中。
6.如权利要求1所述的配电网理论线损率评估方法，其特征在于，采用BP神经网络模型进行线损率预测，采用批量梯度下降算法来实现模型的优化。
7.如权利要求6所述的配电网理论线损率评估方法，其特征在于，采用Dropout机制，在训练BP神经网络模型时，每进行一次迭代时都以预设概率关闭部分神经元，使得剩余的神经元形成一个小于原本规模的神经网络，通过多次迭代，每次都随机构成一个新的规模较小的神经网络。
8.一种配电网理论线损率评估系统，其特征在于，包括：
数据预处理模块，被配置为：对获取配电网数据进行预处理，得到线路的负荷月有功电量之和以及标准差、代表日无功供电量和二十四小时有功功率主成分提取量；
线损率预测模块，被配置为：利用训练好的神经网络模型，以预处理后得到的线路运行数据和线路参数为输入，得到此线路的线损率预测值。
9.一种介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的配电网理论线损率评估方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的配电网理论线损率评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236515.7A CN111460001B (zh) | 2020-03-30 | 2020-03-30 | 一种配电网理论线损率评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010236515.7A CN111460001B (zh) | 2020-03-30 | 2020-03-30 | 一种配电网理论线损率评估方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111460001A true CN111460001A (zh) | 2020-07-28 |
| CN111460001B CN111460001B (zh) | 2023-09-22 |
Family
ID=71681555
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010236515.7A Active CN111460001B (zh) | 2020-03-30 | 2020-03-30 | 一种配电网理论线损率评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111460001B (zh) |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116152A (zh) * | 2020-09-17 | 2020-12-22 | 北京中恒博瑞数字电力科技有限公司 | 基于同期数据的线损双率优化方法及系统 |
| CN112649642A (zh) * | 2020-12-14 | 2021-04-13 | 广东电网有限责任公司广州供电局 | 一种窃电位置判断方法、装置、设备和存储介质 |
| CN115146744A (zh) * | 2022-09-01 | 2022-10-04 | 安徽南瑞中天电力电子有限公司 | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 |
| CN116756530A (zh) * | 2023-08-21 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 用于新能源接入配电网的电网线损评估方法及系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663504A (zh) * | 2012-04-06 | 2012-09-12 | 山东电力集团公司枣庄供电公司 | 基于负荷概率分布函数的配电网线损评估方法 |
| US20160181815A1 (en) * | 2014-12-22 | 2016-06-23 | Battelle Memorial Institute | Automated voltage support from load resources |
| CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 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 |
| CN110212521A (zh) * | 2019-06-05 | 2019-09-06 | 国网河南省电力公司电力科学研究院 | 配电网线损计算方法及系统 |
| CN110400233A (zh) * | 2019-07-05 | 2019-11-01 | 国网山东省电力公司枣庄供电公司 | 一种基于神经网络的配电网损失电量计算方法及装置 |
-
2020
- 2020-03-30 CN CN202010236515.7A patent/CN111460001B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102663504A (zh) * | 2012-04-06 | 2012-09-12 | 山东电力集团公司枣庄供电公司 | 基于负荷概率分布函数的配电网线损评估方法 |
| US20160181815A1 (en) * | 2014-12-22 | 2016-06-23 | Battelle Memorial Institute | Automated voltage support from load resources |
| CN108694467A (zh) * | 2018-05-22 | 2018-10-23 | 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 |
| CN110212521A (zh) * | 2019-06-05 | 2019-09-06 | 国网河南省电力公司电力科学研究院 | 配电网线损计算方法及系统 |
| CN110400233A (zh) * | 2019-07-05 | 2019-11-01 | 国网山东省电力公司枣庄供电公司 | 一种基于神经网络的配电网损失电量计算方法及装置 |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112116152A (zh) * | 2020-09-17 | 2020-12-22 | 北京中恒博瑞数字电力科技有限公司 | 基于同期数据的线损双率优化方法及系统 |
| CN112649642A (zh) * | 2020-12-14 | 2021-04-13 | 广东电网有限责任公司广州供电局 | 一种窃电位置判断方法、装置、设备和存储介质 |
| CN115146744A (zh) * | 2022-09-01 | 2022-10-04 | 安徽南瑞中天电力电子有限公司 | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 |
| CN115146744B (zh) * | 2022-09-01 | 2022-12-06 | 安徽南瑞中天电力电子有限公司 | 一种融合时间特征的电能表负荷实时辨识方法、识别系统 |
| CN116756530A (zh) * | 2023-08-21 | 2023-09-15 | 国网山西省电力公司运城供电公司 | 用于新能源接入配电网的电网线损评估方法及系统 |
| CN116756530B (zh) * | 2023-08-21 | 2023-11-14 | 国网山西省电力公司运城供电公司 | 用于新能源接入配电网的电网线损评估方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111460001B (zh) | 2023-09-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111199016B (zh) | 一种基于DTW的改进K-means的日负荷曲线聚类方法 | |
| CN111460001A (zh) | 一种配电网理论线损率评估方法及系统 | |
| CN109659933B (zh) | 一种基于深度学习模型的含分布式电源配电网电能质量预测方法 | |
| CN106600059B (zh) | 基于改进rbf神经网络的智能电网短期负荷预测方法 | |
| CN106651020B (zh) | 一种基于大数据简约的短期电力负荷预测方法 | |
| CN109871860B (zh) | 一种基于核主成分分析的日负荷曲线降维聚类方法 | |
| CN109711609B (zh) | 基于小波变换和极限学习机的光伏电站输出功率预测方法 | |
| CN110110434B (zh) | 一种概率潮流深度神经网络计算的初始化方法 | |
| CN109657884B (zh) | 电网供电优化方法、装置、设备和计算机可读存储介质 | |
| CN106067034B (zh) | 一种基于高维矩阵特征根的配电网负荷曲线聚类方法 | |
| CN108428055B (zh) | 一种考虑负荷纵向特性的负荷聚类方法 | |
| CN110689190A (zh) | 一种电网负荷预测方法、装置及相关设备 | |
| Liu et al. | Forecasting the occurrence of extreme electricity prices using a multivariate logistic regression model | |
| CN111582548A (zh) | 一种基于多元用户行为画像的用电负荷预测方法 | |
| CN104573857A (zh) | 一种基于智能算法优化组合的电网负荷率预测方法 | |
| CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
| Wang et al. | Big data analytics for price forecasting in smart grids | |
| CN111126499A (zh) | 一种基于二次聚类的用电行为模式分类方法 | |
| CN113378954B (zh) | 一种基于粒子群改进k均值算法的负荷曲线聚类方法及系统 | |
| CN113624998A (zh) | 基于电力大数据的电锅炉补热储热成本优化方法和装置 | |
| CN113688960A (zh) | 基于灰狼优化ghfcm的居民电力数据聚类方法及装置 | |
| CN116776209A (zh) | 一种关口计量装置运行状态辨识方法、系统、设备及介质 | |
| CN114676931B (zh) | 一种基于数据中台技术的电量预测系统 | |
| CN116308456A (zh) | 大数据环境下用户用电行为分析方法、系统、装置及介质 | |
| CN113449912B (zh) | 一种基于人工智能技术的空间负荷态势感知方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |