CN111476502A - 一种基于多层感知机的中压配电网线损区间计算方法及系统 - Google Patents
一种基于多层感知机的中压配电网线损区间计算方法及系统 Download PDFInfo
- Publication number
- CN111476502A CN111476502A CN202010322516.3A CN202010322516A CN111476502A CN 111476502 A CN111476502 A CN 111476502A CN 202010322516 A CN202010322516 A CN 202010322516A CN 111476502 A CN111476502 A CN 111476502A
- Authority
- CN
- China
- Prior art keywords
- line loss
- multilayer perceptron
- loss rate
- distribution network
- variable
- 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
- 238000004364 calculation method Methods 0.000 title claims abstract description 47
- 238000012549 training Methods 0.000 claims abstract description 42
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 17
- 210000002569 neuron Anatomy 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 230000004913 activation Effects 0.000 claims description 10
- 230000005284 excitation Effects 0.000 claims description 10
- 230000001419 dependent effect Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 239000000126 substance Substances 0.000 claims description 5
- 210000000225 synapse Anatomy 0.000 claims description 5
- 230000000946 synaptic effect Effects 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 241000287196 Asthenes Species 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims 1
- 238000013528 artificial neural network Methods 0.000 abstract description 4
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Mathematical Physics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Water Supply & Treatment (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Computational Linguistics (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
Abstract
本发明提出了一种基于多层感知机的中压配电网线损区间计算方法及系统,首先对线损率和线损关键特征指标进行中心化和标准化处理;接着将处理后的数据按照预定比例划分训练集和测试集;随后将训练集中的数据导入到多层感知机中;最后将测试集中的线损关键特征指标导入到训练好的多层感知机线损计算模型中,得到线损率预测值,并将线损率预测值加上误差区间,得到预测出的线损率区间;最后将预测出的线损率和真实的线损率进行对比。得到线损率预测值。本发明基于影响线损的关键特征指标,利用训练集中的线损率和关键特征指标对人工神经网络多层感知机进行训练,建立人工神经网络分析模型,实现了中压配电网线损区间的计算。
Description
技术领域
本发明涉及一种基于多层感知机的中压配电网线损区间计算方法及系统,属于配电网控制领域。
背景技术
随着用电负荷的不断增加,10kV电网损耗电量占总损耗的26.28%,线损问题越来越突出。精确、快速地计算出中压配电网的线损率,可以为供电企业制定合理的降损措施提供依据。
近年来,国内外学者对配电网线损计算方法进行了系统的研究,有学者提出一种采用基础数据利用改进形状系数法计算线损的方法,但是此方法依赖网络结构、线路型号和长度等信息,所以在实际操作中局限性较大,容易收到影响。
发明内容
发明目的:一个目的是提出一种基于多层感知机的中压配电网线损区间计算方法,以解决现有技术存在的上述问题。进一步目的是提出一种实现上述方法的系统。
技术方案:一种基于多层感知机的中压配电网线损区间计算方法,包括以下步骤:
步骤1、对线损率和线损关键特征指标进行中心化和标准化处理;
步骤2、将处理后的数据按照预定比例划分训练集和测试集;
步骤3、将训练集中的数据导入到多层感知机中;
步骤4、将测试集中的线损关键特征指标导入到训练好的多层感知机线损计算模型中,得到线损率预测值。
在进一步的实施例中,所述步骤1进一步包括:
步骤1-1、对样本数据进行中心化和标准化处理,将其转为[0,1]之间的无量纲的值,使得变量值在数量级上处于同等的地位;
步骤1-2、开始提取特征指标,设有n个中压配电网参与线损关键特征指标,用xi(i=1,2,L,n)表示,对每个配电网选择p个特征量,那么对于第i个配电网第j个特征量,将其的值记为xij,因此这n个配电网的特征量所排列组成的集合,将其以矩阵的形式进行表示,将其称为样本数据矩阵:
式中,各符号含义同步骤1-2;
中心化处理之后,各个变量的平均值为0,因此,各个变量将具有相同的基点;
步骤1-4、在中心化处理的基础之上,对数据进行标准化处理,使得数据的取值范围相等,采用标准差对数据进行标准化处理,记第j个变量的标准差为Sj,对x′ij实施标准化变换,计算如下:
式中各符号含义同步骤1-2。
在进一步的实施例中,所述步骤2进一步包括:将处理后的数据的70%作为多层感知机的训练集,将处理后的数据的30%作为多层感知机的测试集。
在进一步的实施例中,所述步骤3进一步包括:
步骤3-1、将训练集中的数据导入到多层感知机中,其中线损率作为因变量,8个线损关键特征指标作为自变量导入到多层感知机中进行训练,得到基于多层感知机的线损计算模型;
步骤3-2、设置多层感知机参数:训练误差为0.0001,隐藏层参数为1层、4个单元,激活函数使用双曲正切;输出层激活函数选择恒等式,误差函数选择平方和,将训练集导入多层感知机中,对多层感知机模型进行训练,得到训练好的多层感知机线损计算模型。
在进一步的实施例中,所述步骤4进一步包括:
步骤4-1、将测试集中的8个线损关键特征指标(上网电量占比、末端电量占比、功率因数、末端压降、三相不平衡度、负荷特性、负载率、供电半径)导入到训练好的多层感知机线损计算模型中,得到线损率预测值,并将线损率预测值加上误差区间,得到预测出的线损率区间;
步骤4-2、若真实线损率在预测出的线损率区间中,则认为预测结果是正确的;若真实线损率在预测出的线损率区间中,则认为预测结果是错误的;
步骤4-3、将预测出的线损率和真实的线损率进行对比。
在进一步的实施例中,所述线损关键特征指标包括上网电量占比、末端电量占比、功率因数、末端压降、三相不平衡度、负荷特性、负载率、供电半径;所述多层感知机线损计算模型进一步包括包含有突触、加法器、激励函数的神经元:
yk=f(vk+bk)
将上式写成向量的形式为
V=WTX
Y=f(V+b)
或
Y=f(WTX+b)
其中,
X=[x1 x2 … xm]T
V=[v1 v2 … vh]T
Y=[y1 y2 … yh]T
b=[b1 b2 … bh]
式中,x1,x2,…,xm是输入信号,wk1,wk2,…,wkm是神经元k的突触权重,vk是加法器的输出,偏置为bk,激励函数为f(·),yk是神经元的输出信号。
一种基于多层感知机的中压配电网线损区间计算系统,包括用于对线损率和线损关键特征指标进行中心化和标准化处理的预处理模块;用于将处理后的数据按照预定比例划分训练集和测试集的数据划分模块;用于将训练集中的数据导入到多层感知机中的模型建立模块;以及用于将测试集中的线损关键特征指标导入到训练好的多层感知机线损计算模型中、得到线损率预测值的线损预测模块。
在进一步的实施例中,所述预处理模块进一步用于对样本数据进行中心化和标准化处理,将其转为[0,1]之间的无量纲的值,使得变量值在数量级上处于同等的地位;
提取特征指标,设有n个中压配电网参与线损关键特征指标,用xi(i=1,2,L,n)表示,对每个配电网选择p个特征量,那么对于第i个配电网第j个特征量,将其的值记为xij,因此这n个配电网的特征量所排列组成的集合,将其以矩阵的形式进行表示,将其称为样本数据矩阵:
中心化处理之后,各个变量的平均值为0,因此,各个变量将具有相同的基点;
在中心化处理的基础之上,对数据进行标准化处理,使得数据的取值范围相等,采用标准差对数据进行标准化处理,记第j个变量的标准差为Sj,对x′ij实施标准化变换,计算如下:
式中各符号含义同上。
在进一步的实施例中,所述数据划分模块进一步用于将处理后的数据的70%作为多层感知机的训练集,将处理后的数据的30%作为多层感知机的测试集;
所述模型建立模块进一步用于将训练集中的数据导入到多层感知机中,其中线损率作为因变量,8个线损关键特征指标作为自变量导入到多层感知机中进行训练,得到基于多层感知机的线损计算模型;设置多层感知机参数:训练误差为0.0001,隐藏层参数为1层、4个单元,激活函数使用双曲正切;输出层激活函数选择恒等式,误差函数选择平方和,将训练集导入多层感知机中,对多层感知机模型进行训练,得到训练好的多层感知机线损计算模型。
在进一步的实施例中,所述多层感知机线损计算模型进一步包括包含有突触、加法器、激励函数的神经元:
yk=f(vk+bk)
将上式写成向量的形式为
V=WTX
Y=f(V+b)
或
Y=f(WTX+b)
其中,
X=[x1 x2 … xm]T
V=[v1 v2 … Vh]T
Y=[y1 y2 … yh]T
b=[b1 b2 … bh]
式中,x1,x2,…,xm是输入信号,wk1,wk2,…,wkm是神经元k的突触权重,vk是加法器的输出,偏置为bk,激励函数为f(·),yk是神经元的输出信号;
所述线损预测模块进一步用于将测试集中的8个线损关键特征指标导入到训练好的多层感知机线损计算模型中,得到线损率预测值,并将线损率预测值加上误差区间,得到预测出的线损率区间;若真实线损率在预测出的线损率区间中,则认为预测结果是正确的;若真实线损率在预测出的线损率区间中,则认为预测结果是错误的;最后将预测出的线损率和真实的线损率进行对比。
有益效果:本发明提出了一种基于多层感知机的中压配电网线损区间计算方法及系统,基于影响线损的关键特征指标,利用训练集中的线损率和关键特征指标对人工神经网络多层感知机进行训练,建立人工神经网络分析模型,实现了中压配电网线损区间的计算。
附图说明
图1为基于多层感知机的中压配电网线损区间计算方法的流程图。
图2为本发明单个神经元模型示意图。
图3为本发明具有2个隐藏层的多层感知机结构图。
图4为本发明线损率计算结果对比图。
具体实施方式
考虑到不涉及具体的网架结构及拓扑信息,仅利用采集到的数据进行线损率的预测。在数据层面,将数据进行分析,得到线损关键特征指标:上网电量占比、末端电量占比、功率因数、末端压降、三相不平衡度、负荷特性、负载率、供电半径。本发明提出一种基于多层感知机的中压配电网线损区间计算模型,实现中压配电网的损耗计算。
下面结合附图和具体实施例,进一步阐明本发明,应理解这些实施例仅用于说明本发明而不用于限制本发明的范围,在阅读了本发明之后,本领域技术人员对本发明的各种等同形式的修改均落于本申请所附权利要求所限定的范围。
本实施例公开了一种基于多层感知机的中压配电网线损区间计算模型,实现中压配电网的损耗计算。包括以下步骤:
1)对线损率和8个线损关键特征指标进行中心化和标准化处理。
设有n个中压配电网参与线损关键特征指标,用xi(i=1,2,L,n)表示,对每个配电网选择p个特征量,那么对于第i个配电网第j个特征量,将其的值记为xij,因此这n个配电网的特征量所排列组成的集合,将其以矩阵的形式进行表示,如下式所示,并将其称为样本数据矩阵。
样本数据矩阵中的每个变量xij表征着配电网的不同属性,其值带有度量单位,因此各个值之间的差距就非常悬殊,绝对值相对较大的变量对配电网线损的影响往往会掩盖掉绝对值相对较小的变量,使得其对线损的影响表现不出来,比如供电量的数量级很大,而负载率的取值为[0,1]之间的数。因此在特征指标提取之前,需要对样本数据进行中心化和标准化处理,将其转为[0,1]之间的无量纲的值,使得变量值在数量级上处于同等的地位。
中心化处理之后,各个变量的平均值为0,因此,各个变量将具有相同的基点。
在中心化处理的基础之上,对数据进行标准化处理,从而使得数据的取值范围相等。采用标准差对数据进行标准化处理,记第j个变量的标准差为Sj,对x′ij实施标准化变换,计算如下:
2)将处理后的数据的70%作为多层感知机的训练集,将处理后的数据的30%作为多层感知机的测试集。
3)将训练集中的数据导入到多层感知机中,其中线损率作为因变量,8个线损关键特征指标作为自变量导入到多层感知机中进行训练,得到基于多层感知机的线损计算模型。
设置多层感知机参数:训练误差为0.0001,隐藏层参数为1层,4个单元,激活函数使用双曲正切;输出层激活函数选择恒等式,误差函数选择平方和。将训练集导入多层感知机中,对多层感知机模型进行训练,得到训练好的多层感知机线损计算模型。
4)将测试集中的8个线损关键特征指标导入到训练好的多层感知机线损计算模型中,得到线损率预测值。并将线损率预测值加上误差区间,得到预测出的线损率区间,若真实线损率在预测出的线损率区间中,则认为预测结果是正确的;若真实线损率在预测出的线损率区间中,则认为预测结果是错误的。最后将预测出的线损率和真实的线损率进行对比,对比图如图1所示。
多层感知机线损计算模型进一步包括包含有突触、加法器、激励函数的神经元:
yk=f(vk+bk)
将上式写成向量的形式为
V=WTX
Y=f(V+b)
或
Y=f(WTX+b)
其中,
X=[x1 x2 … xm]T
V=[v1 v2 … vh]T
Y=[y1 y2 … yh]T
b=[b1 b2 … bh]
式中,x1,x2,…,xm是输入信号,wk1,wk2,…,wkm是神经元k的突触权重,vk是加法器的输出,偏置为bk,激励函数为f(·),yk是神经元的输出信号。
由图1可知,本发明提出的线损区间计算模型算出的线损率与实际值相比,误差不大,符合工程精度要求。
本发明基于影响线损的关键特征指标,利用训练集中的线损率和关键特征指标对人工神经网络多层感知机进行训练,建立人工神经网络分析模型,实现了中压配电网线损区间的计算。
如上所述,尽管参照特定的优选实施例已经表示和表述了本发明,但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下,可对其在形式上和细节上做出各种变化。
Claims (10)
1.一种基于多层感知机的中压配电网线损区间计算方法,其特征是包括以下步骤:
步骤1、对线损率和线损关键特征指标进行中心化和标准化处理;
步骤2、将处理后的数据按照预定比例划分训练集和测试集;
步骤3、将训练集中的数据导入到多层感知机中;
步骤4、将测试集中的线损关键特征指标导入到训练好的多层感知机线损计算模型中,得到线损率预测值。
2.根据权利要求1所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于,所述步骤1进一步包括:
步骤1-1、对样本数据进行中心化和标准化处理,将其转为[0,1]之间的无量纲的值,使得变量值在数量级上处于同等的地位;
步骤1-2、开始提取特征指标,设有n个中压配电网参与线损关键特征指标,用xi(i=1,2,L,n)表示,对每个配电网选择p个特征量,那么对于第i个配电网第j个特征量,将其的值记为xij,因此这n个配电网的特征量所排列组成的集合,将其以矩阵的形式进行表示,将其称为样本数据矩阵:
式中,各符号含义同步骤1-2;
中心化处理之后,各个变量的平均值为0,因此,各个变量将具有相同的基点;
步骤1-4、在中心化处理的基础之上,对数据进行标准化处理,使得数据的取值范围相等,采用标准差对数据进行标准化处理,记第j个变量的标准差为Sj,对x′ij实施标准化变换,计算如下:
式中各符号含义同步骤1-2。
3.根据权利要求1所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于,所述步骤2进一步包括:将处理后的数据的70%作为多层感知机的训练集,将处理后的数据的30%作为多层感知机的测试集。
4.根据权利要求1所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于,所述步骤3进一步包括:
步骤3-1、将训练集中的数据导入到多层感知机中,其中线损率作为因变量,8个线损关键特征指标作为自变量导入到多层感知机中进行训练,得到基于多层感知机的线损计算模型;
步骤3-2、设置多层感知机参数:训练误差为0.0001,隐藏层参数为1层、4个单元,激活函数使用双曲正切;输出层激活函数选择恒等式,误差函数选择平方和,将训练集导入多层感知机中,对多层感知机模型进行训练,得到训练好的多层感知机线损计算模型。
5.根据权利要求1所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于,所述步骤4进一步包括:
步骤4-1、将测试集中的8个线损关键特征指标导入到训练好的多层感知机线损计算模型中,得到线损率预测值,并将线损率预测值加上误差区间,得到预测出的线损率区间;
步骤4-2、若真实线损率在预测出的线损率区间中,则认为预测结果是正确的;若真实线损率在预测出的线损率区间中,则认为预测结果是错误的;
步骤4-3、将预测出的线损率和真实的线损率进行对比。
6.根据权利要求4所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于,所述线损关键特征指标包括上网电量占比、末端电量占比、功率因数、末端压降、三相不平衡度、负荷特性、负载率、供电半径;所述多层感知机线损计算模型进一步包括包含有突触、加法器、激励函数的神经元:
yk=f(vk+bk)
将上式写成向量的形式为
V=WTX
Y=f(V+b)
或
Y=f(WTX+b)
其中,
X=[x1 x2 … xm]T
V=[v1 v2 … vh]T
Y=[y1 y2 … yh]T
b=[b1 b2 … bh]
式中,x1,x2,…,xm是输入信号,wk1,wk2,…,wkm是神经元k的突触权重,vk是加法器的输出,偏置为bk,激励函数为f(·),yk是神经元的输出信号。
7.一种基于多层感知机的中压配电网线损区间计算方法,其特征在于,包括如下模块:
用于对线损率和线损关键特征指标进行中心化和标准化处理的预处理模块;
用于将处理后的数据按照预定比例划分训练集和测试集的数据划分模块;
用于将训练集中的数据导入到多层感知机中的模型建立模块;
用于将测试集中的线损关键特征指标导入到训练好的多层感知机线损计算模型中、得到线损率预测值的线损预测模块。
8.根据权利要求7所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于:
所述预处理模块进一步用于对样本数据进行中心化和标准化处理,将其转为[0,1]之间的无量纲的值,使得变量值在数量级上处于同等的地位;
提取特征指标,设有n个中压配电网参与线损关键特征指标,用xi(i=1,2,L,n)表示,对每个配电网选择p个特征量,那么对于第i个配电网第j个特征量,将其的值记为xij,因此这n个配电网的特征量所排列组成的集合,将其以矩阵的形式进行表示,将其称为样本数据矩阵:
用各个变量去减去相应的各个变量的均值,记第j个特征变量的平均值为xj,则变量xij进行中心化处理过程的计算方法如下:
中心化处理之后,各个变量的平均值为0,因此,各个变量将具有相同的基点;
在中心化处理的基础之上,对数据进行标准化处理,使得数据的取值范围相等,采用标准差对数据进行标准化处理,记第j个变量的标准差为Sj,对x′ij实施标准化变换,计算如下:
式中各符号含义同上。
9.根据权利要求7所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于:
所述数据划分模块进一步用于将处理后的数据的70%作为多层感知机的训练集,将处理后的数据的30%作为多层感知机的测试集;
所述模型建立模块进一步用于将训练集中的数据导入到多层感知机中,其中线损率作为因变量,8个线损关键特征指标作为自变量导入到多层感知机中进行训练,得到基于多层感知机的线损计算模型;设置多层感知机参数:训练误差为0.0001,隐藏层参数为1层、4个单元,激活函数使用双曲正切;输出层激活函数选择恒等式,误差函数选择平方和,将训练集导入多层感知机中,对多层感知机模型进行训练,得到训练好的多层感知机线损计算模型。
10.根据权利要求9所述的一种基于多层感知机的中压配电网线损区间计算方法,其特征在于:
所述多层感知机线损计算模型进一步包括包含有突触、加法器、激励函数的神经元:
yk=f(vk+bk)
将上式写成向量的形式为
V=WTX
Y=f(V+b)
或
Y=f(WTX+b)
其中,
X=[x1 x2 … xm]T
V=[v1 v2 … vh]T
Y=[y1 y2 … yh]T
b=[b1 b2 … bh]
式中,x1,x2,…,xm是输入信号,wk1,wk2,…,wkm是神经元k的突触权重,vk是加法器的输出,偏置为bk,激励函数为f(·),yk是神经元的输出信号;
所述线损预测模块进一步用于将测试集中的8个线损关键特征指标导入到训练好的多层感知机线损计算模型中,得到线损率预测值,并将线损率预测值加上误差区间,得到预测出的线损率区间;若真实线损率在预测出的线损率区间中,则认为预测结果是正确的;若真实线损率在预测出的线损率区间中,则认为预测结果是错误的;最后将预测出的线损率和真实的线损率进行对比。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322516.3A CN111476502A (zh) | 2020-04-22 | 2020-04-22 | 一种基于多层感知机的中压配电网线损区间计算方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010322516.3A CN111476502A (zh) | 2020-04-22 | 2020-04-22 | 一种基于多层感知机的中压配电网线损区间计算方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111476502A true CN111476502A (zh) | 2020-07-31 |
Family
ID=71760546
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010322516.3A Pending CN111476502A (zh) | 2020-04-22 | 2020-04-22 | 一种基于多层感知机的中压配电网线损区间计算方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111476502A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113343584A (zh) * | 2021-06-30 | 2021-09-03 | 青岛恒星智能装备有限公司 | 一种任意负载状态下感应电机功率因数的估算方法 |
CN113449257A (zh) * | 2021-05-26 | 2021-09-28 | 北京智芯微电子科技有限公司 | 配电网线损的预测方法、控制装置、及存储介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
CN107834549A (zh) * | 2017-11-15 | 2018-03-23 | 上海电力学院 | 一种区域配电网降损潜力评估方法 |
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 |
CN109359847A (zh) * | 2018-10-08 | 2019-02-19 | 国网福建省电力有限公司电力科学研究院 | 一种配电网线损影响因素的定量分析方法 |
CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
-
2020
- 2020-04-22 CN CN202010322516.3A patent/CN111476502A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
CN107834549A (zh) * | 2017-11-15 | 2018-03-23 | 上海电力学院 | 一种区域配电网降损潜力评估方法 |
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 |
CN109359847A (zh) * | 2018-10-08 | 2019-02-19 | 国网福建省电力有限公司电力科学研究院 | 一种配电网线损影响因素的定量分析方法 |
CN109767109A (zh) * | 2019-01-03 | 2019-05-17 | 南京海兴电网技术有限公司 | 基于神经网络的异常线损率台区识别方法 |
CN110110887A (zh) * | 2019-03-22 | 2019-08-09 | 国网浙江省电力有限公司信息通信分公司 | 对低压台区线损率的预测方法 |
Non-Patent Citations (1)
Title |
---|
张义涛: "基于灰色关联分析和改进神经网络的10kV配电网线损预测", 《中国优秀博硕士学位论文全文数据库(硕士)基础科学辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113449257A (zh) * | 2021-05-26 | 2021-09-28 | 北京智芯微电子科技有限公司 | 配电网线损的预测方法、控制装置、及存储介质 |
CN113343584A (zh) * | 2021-06-30 | 2021-09-03 | 青岛恒星智能装备有限公司 | 一种任意负载状态下感应电机功率因数的估算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN109871976B (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
CN111177650B (zh) | 一种配电网电能质量监测与综合评估系统及方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN107067341B (zh) | 一种基于多级熵权的rbfnn配电自动化系统状态操作评价方法 | |
CN112116153A (zh) | 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法 | |
CN106372747B (zh) | 基于随机森林的台区合理线损率估计方法 | |
CN111461922A (zh) | 一种基于极限学习机的变压器热点温度实时预测方法 | |
CN111476502A (zh) | 一种基于多层感知机的中压配电网线损区间计算方法及系统 | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
CN110766190A (zh) | 一种配电网负荷预测方法 | |
CN110210670A (zh) | 一种基于电力系统短期负荷的预测方法 | |
CN112990627B (zh) | 电能质量评估方法 | |
CN110610226A (zh) | 一种发电机故障预测方法及装置 | |
CN112001441A (zh) | 一种基于Kmeans-AHC混合聚类算法的配电网线损异常检测方法 | |
CN113447879A (zh) | 基于多应力影响的电能表计量误差预测方法、系统及装置 | |
CN113868938A (zh) | 基于分位数回归的短期负荷概率密度预测方法、装置及系统 | |
CN111027841A (zh) | 一种基于梯度提升决策树的低压台区线损计算方法 | |
CN113591322A (zh) | 一种基于极端梯度提升决策树的低压台区线损率预测方法 | |
CN111932081B (zh) | 一种电力信息系统运行状态评估方法及系统 | |
CN112149976B (zh) | 一种基于人工智能的电网精准投资项目决策方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN112363012A (zh) | 一种电网故障预警装置及方法 | |
CN114839586B (zh) | 基于em算法的低压台区计量装置失准计算方法 | |
CN116304948A (zh) | 一种融合多尺度模糊信息粒的无监督用电异常检测方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200731 |
|
RJ01 | Rejection of invention patent application after publication |