CN111552911B - 一种基于多场景生成的技术线损影响因素定量分析方法 - Google Patents

一种基于多场景生成的技术线损影响因素定量分析方法 Download PDF

Info

Publication number
CN111552911B
CN111552911B CN202010185925.3A CN202010185925A CN111552911B CN 111552911 B CN111552911 B CN 111552911B CN 202010185925 A CN202010185925 A CN 202010185925A CN 111552911 B CN111552911 B CN 111552911B
Authority
CN
China
Prior art keywords
line loss
technical line
influence
technical
factors
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
CN202010185925.3A
Other languages
English (en)
Other versions
CN111552911A (zh
Inventor
谢吉华
陈畅
龙寰
王峥
李国栋
满玉岩
李树鹏
于光耀
陈培育
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.)
State Grid Corp of China SGCC
Southeast University
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Southeast University
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power 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 State Grid Corp of China SGCC, Southeast University, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010185925.3A priority Critical patent/CN111552911B/zh
Publication of CN111552911A publication Critical patent/CN111552911A/zh
Application granted granted Critical
Publication of CN111552911B publication Critical patent/CN111552911B/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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • 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—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
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Algebra (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于多场景生成的技术线损影响因素定量分析方法，所述方法首先确定技术线损的影响因素，构建技术线损影响因素指标体系；接着采用多场景生成技术生成负荷及风光出力场景；然后，基于生成的负荷及风光出力场景，随机变动技术线损影响因素数据，生成技术线损影响因素样本数据集，其次，基于技术线损影响因素样本数据集，利用神经网络建立技术线损影响因素计算模型；最后，构建技术线损影响因素分析场景，分析不同技术线损影响因素分析场景下的技术线损变动程度，从而得出对技术线损影响程度较大的主要影响因素及其协同因素。本发明实现了对技术线损的影响因素的量化分析，便于对电网采取具有针对性的节能降损措施。

Description

一种基于多场景生成的技术线损影响因素定量分析方法
技术领域
本发明属于电力线损分析技术，具体涉及一种基于多场景生成的技术线损影响因素定量分析方法。
背景技术
线损是衡量电网规划设计、技术设备和经济运行的综合指标，主要包括技术线损和管理线损两个重要部分。管理线损主要是由于消费者异常用电行为造成的损耗。技术线损，又称为理论线损，包括电网组件(包括线路和变压器)上的能量损耗，主要由电网的网架结构、设备参数以及运行状况决定。与管理线损相比，技术线损从根本上决定了电网损耗水平。
现有研究大多仅从定性的角度对技术线损的影响因素进行分析，缺乏对技术线损影响因素的定量分析。通过对电网技术线损的影响因素进行定量分析，可以识别电网技术线损的薄弱环节，帮助电网公司制定具有针对性的降损措施，提高电网公司的经济运行水平。因此，技术线损影响因素的定量分析是亟待解决的问题。
发明内容
发明目的：针对上述现有技术的不足，本发明的目的是提供一种基于多场景生成的技术线损影响因素定量分析方法，为电网公司制定具有针对性的降损措施提供理论指导。
技术方案：一种基于多场景生成的技术线损影响因素定量分析方法，包括以下步骤：
(1)确定技术线损的影响因素，构建技术线损影响因素指标体系；
(2)基于多场景生成方法生成负荷及风光出力场景；
(3)根据步骤(2)中生成的负荷及风光出力场景，通过对技术线损影响因素指标体系数据进行随机变动，生成技术线损影响因素样本数据集；
(4)根据步骤(3)中生成的技术线损影响因素样本数据集，利用神经网络建立技术线损影响因素计算模型；
(5)构建技术线损影响因素分析场景，利用技术线损影响因素计算模型，获取不同技术线损影响因素分析场景下的技术线损变动值，通过分析对比得出技术线损影响因素分析场景中，对技术线损影响程度较大的主要影响因素及其协同因素。
进一步的，步骤(1)所述的技术线损影响因素集及相应指标体系F＝{f1,f2,...,fi,...}和指标变化范围R＝{r1,r2,...,ri,...}由线损分析人员确定，其中影响因素主要包括线路长度、功率因数、可再生能源渗透率、变电容量、变压器负载率、变压器型号、导线型号等。
进一步的，步骤(2)中通过电网数据源获取用户负荷及风光出力历史数据集，利用生成式对抗网络生成考虑时空相关性的负荷及风光出力场景，为之后的技术线损影响因素计算模型提供数据基础。生成式对抗网络是一种基于数据驱动的方法，主要由两个深度神经网络构成：生成网络和判别网络。生成式对抗网络无需对数据分布进行显式建模，就能还原出真实样本分布。
进一步的，步骤(3)的具体步骤如下：
(31)基于步骤(1)中生成的大量负荷及风光出力场景，通过对各个技术线损影响因素指标fi进行随机变动，得到技术线损影响因素指标不同取值组合下的数据集C＝[c1；c2；...；cj；...],其中,
Figure BDA00024141787300000215
j＝1,2,...,Nc(Nc为技术线损影响因素指标取值组合个数)；
(32)通过潮流计算得出技术线损影响因素指标不同取值组合下的技术线损率TL；由于不考虑用户异常用电、抄表不及时等管理线损，技术线损率的计算公式为：
Figure BDA0002414178730000021
其中
Figure BDA0002414178730000022
为第j种技术线损影响因素指标取值组合下通过潮流计算得出的电网总供电量(包含新能源上网电量)，
Figure BDA0002414178730000023
为第j种技术线损影响因素指标取值组合下通过潮流计算得出的电网总用电量。
(33)比较数据集U＝[C,TL]中各个变量(技术线损影响因素指标及技术线损率)相对于各变量平均值的变动率，并进行归一化处理，生成技术线损影响因素样本数据集U′＝[C′,TL′]，具体计算公式如下：
Figure BDA0002414178730000024
Figure BDA0002414178730000025
Figure BDA0002414178730000026
其中，
Figure BDA0002414178730000027
为数据集U中第j种技术线损影响因素指标取值组合下的第i个变量值，
Figure BDA0002414178730000028
为数据集U中第i个变量的平均值，
Figure BDA0002414178730000029
为数据集U中第j种技术线损影响因素指标取值组合下的第i个变量相对于该变量平均值的变动率，
Figure BDA00024141787300000210
为
Figure BDA00024141787300000211
的最小值，
Figure BDA00024141787300000212
为
Figure BDA00024141787300000213
的最大值。
进一步的，步骤(4)基于步骤(3)中生成的技术线损影响因素样本数据集U′，以C′作为输入数据，TL′作为输出数据，利用多层感知机进行学习训练，建立技术线损影响因素计算模型。以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为技术线损变动误差评估标准，计算公式如下所示：
Figure BDA00024141787300000214
Figure BDA0002414178730000031
其中，Nt为测试集的样本个数，
Figure BDA0002414178730000032
为测试集中第j种技术线损影响因素指标取值组合下多层感知机的技术线损变动输出值，
Figure BDA0002414178730000033
为测试集中第j种技术线损影响因素指标取值组合下的技术线损变动实际值。
进一步的，步骤(5)构建技术线损影响因素分析场景，在步骤(4)建立的技术线损影响因素计算模型的基础上，获取不同技术线损影响因素分析场景的技术线损变动值，从而得出对技术线损影响程度较大的主要影响因素及其协同因素，为电网公司制定降损措施提供具有针对性的指导意见。具体步骤如下：
(51)根据线损分析人员的分析需求，确定每个技术线损影响因素指标fi在变化范围ri内相对于平均值
Figure BDA0002414178730000037
的变动步长xi；
(52)构建单一影响因素的变动技术线损影响因素分析场景S＝[s1；s2；...；si；...](si为技术线损影响因素指标fi以步长xi变化，而其他影响因素fm(m≠i)取值为
Figure BDA0002414178730000034
时构成的数据集)；
(53)基于步骤(4)中建立的技术线损影响因素计算模型，计算(52)中各个单一影响因素变动技术线损分析场景的技术线损变动大小，分析技术线损变动曲线，计算各技术线损影响因素的单变量影响度并对其进行排序，反映各技术线损因素在单位范围内变动对技术线损变动的影响程度，以确定技术线损主要影响因素，单变量影响度的计算公式定义为：
Figure BDA0002414178730000035
其中SF(fi)为技术线损影响因素fi的单变量影响度，TL′i max和TL′i min分别为技术线损影响因素fi在其变动范围ri内技术线损率的变动最大值和最小值，rimax和rimin为技术线损影响因素fi的变动范围的最小值和最大值；
(54)针对主要影响因素，构建双主要影响因素变动的技术线损影响因素分析场景B＝[b1；b2；...；bi；...](bi为技术线损主要影响因素指标fi和fj(j≠i)分别以步长xi和xj变化，而其他影响因素fm(m≠i,j)取值为
Figure BDA0002414178730000036
时构成的数据集)；
(55)基于步骤(4)中建立的技术线损影响因素计算模型，计算(54)中双主要影响因素变动的技术线损影响因素分析场景的技术线损变动大小，计算各技术线损影响因素的双变量影响度，分析双变量影响度曲线，根据双变量影响度总和判断这两个主要影响因素之间的协同作用，确定各技术线损主要影响因素的协同因素：若双变量影响度总和为正数，则说明二者之间的协同作用为正，即当其他主要影响因素固定在均值，同时调节这两个主要影响因素时，技术线损的变动幅度更大；若双变量影响度总和为负数，则说明二者之间的协同作用为负，即当其他主要影响因素固定在均值，同时调节这两个主要影响因素时，技术线损的变动幅度更小。考虑主要影响因素的协同因素，便于电网公司实现多组合降损措施的确立。双变量影响度的计算公式为：
BF(fi＝a,fj＝b)＝TL'(fi＝a,fj＝b)-TL'(fi＝a)-TL'(fj＝b)
其中，BF(fi＝a,fj＝b)为主要影响因素fi和fj(j≠i)分别取值为a和b时的双变量影响度，TL′(fi＝a,fj＝b)为当要影响因素fi和fj分别取值为a和b，其他主要影响因素固定在均值的情况下技术线损率的变动大小，TL′(fi＝a)为主要影响因素fi取值为a，其他主要影响因素固定在均值的情况下技术线损率的变动大小，TL′(fj＝b)为主要影响因素fj取值为b，其他主要影响因素固定在均值的情况下技术线损率的变动大小。
有益效果：与现有技术相比，本发明所述方法考虑风光出力及用户负荷在技术线损影响因素分析中的不确定性，利用生成式对抗网络为技术线损影响因素的定量化分析提供数据基础，避免了传统方法中仅选取少量典型场景的分析局限性；利用神经网络建立技术线损影响因素计算模型，为日后满足技术线损影响因素分析的不同分析需求提供了计算基础，避免了传统方法中的重复潮流计算且计算速度慢等缺点；通过定义技术线损影响因素的单变量影响度和双变量影响度公式，帮助线损分析人员辨识技术线损的主要影响因素及其协同因素，为电网公司制定具有针对性的组合降损措施提供理论指导。
附图说明
图1是本发明所述方法的流程图；
图2是实施例一条10kV馈线的线路拓扑结构；
图3是实施例生成式对抗网络生成的光伏出力曲线图；
图4是实施例功率因数变动率与技术线损率变动率的关系曲线图；
图5是实施例光伏渗透率变动率与技术线损变动率的关系曲线图；
图6(a)是实施例光伏渗透率与功率因数的双变量影响度曲线图(功率因数变动率大于等于0)；
图6(b)是实施例光伏渗透率与功率因数的双变量影响度曲线图(功率因数变动率小于等于0)。
具体实施方式
为了更好的理解本发明所公开的技术方案，下面通过具体的实施例并结合附图进行详细的说明。
本发明提供的是一种基于多场景生成的技术线损影响因素定量分析方法，该方法的流程图如图1所示，具体包括以下步骤：
步骤1、确定技术线损的影响因素，构建技术线损影响因素指标体系；
技术线损影响因素集及相应指标体系F＝{f1,f2,...,fi,...}和指标变化范围R＝{r1,r2,...,ri,...}由线损分析人员确定，其中影响因素主要包括线路长度、功率因数、可再生能源渗透率、变电容量、变压器负载率、变压器型号、导线型号等。
本实施例以功率因数与光伏渗透率为例，构建技术线损影响因素指标体系如下：
Figure BDA0002414178730000051
Figure BDA0002414178730000052
其中，
Figure BDA0002414178730000053
和fsolar分别为功率因数指标和光伏渗透率指标，Pc、Qc、Psolar、Ps分别为该馈线的总有功用电量、总无功用电量、光伏发电量、总供电量。
步骤2、采用多场景生成技术生成负荷及风光出力场景；
通过电网数据源获取用户负荷及风光出力历史数据集，利用生成式对抗网络生成考虑时空相关性的负荷及风光出力场景，为之后的技术线损影响因素计算模型提供数据基础。生成式对抗网络是一种基于数据驱动的方法，主要由两个深度神经网络构成：生成网络和判别网络。生成式对抗网络无需对数据分布进行显式建模，就能还原出真实样本分布。
本实施例以位于天津的一条10kV馈线为例，该网络的拓扑结构如图2所示。采集该条馈线2019年的负荷及光伏出力历史数据，利用生成式对抗网络生成负荷及光伏出力场景。图3为生成式对抗网络生成的光伏出力曲线图，可以发现实际光伏出力与利用生成式对抗网络生成的光伏出力曲线的分布相似。
步骤3、基于步骤2中生成的负荷及风光出力场景，通过对技术线损影响因素指标体系数据进行随机变动，生成技术线损影响因素样本数据集；
本实施例基于步骤1中生成的大量负荷及光伏出力场景，通过对影响因素指标
Figure BDA0002414178730000054
和fsolar进行随机变动，得到二者不同取值组合下的数据集C＝[c1；c2；...；cj；...],其中,
Figure BDA0002414178730000055
2,...,Nc(Nc为技术线损影响因素指标取值组合个数)，本实施例中取值Nc取值为32099；
然后通过潮流计算得出
Figure BDA0002414178730000056
和fsolar不同取值组合下的技术线损率TL；由于不考虑用户异常用电、抄表不及时等管理线损，技术线损率的计算公式为：
Figure BDA0002414178730000057
其中
Figure BDA0002414178730000058
为第j种技术线损影响因素指标取值组合下通过潮流计算得出的电网总供电量(包含新能源上网电量)，
Figure BDA0002414178730000059
为第j种技术线损影响因素指标取值组合下通过潮流计算得出的电网总有功用电量。
接着，比较数据集U＝[C,TL]中各个变量(技术线损影响因素指标及技术线损率)相对于各变量平均值的变动率，并进行归一化处理，生成技术线损影响因素样本数据集U′＝[C′,TL′]，具体计算公式如下：
Figure BDA0002414178730000061
Figure BDA0002414178730000062
Figure BDA0002414178730000063
其中，
Figure BDA0002414178730000064
为数据集U中第j种技术线损影响因素指标取值组合下的第i个变量值，
Figure BDA0002414178730000065
为数据集U中第i个变量的平均值，
Figure BDA0002414178730000066
为数据集U中第j种技术线损影响因素指标取值组合下的第i个变量相对于该变量平均值的变动率，
Figure BDA0002414178730000067
为
Figure BDA0002414178730000068
的最小值，
Figure BDA0002414178730000069
为
Figure BDA00024141787300000610
的最大值。
步骤4、基于步骤3中生成的技术线损影响因素样本数据集，利用神经网络建立技术线损影响因素计算模型；
基于步骤3中生成的技术线损影响因素样本数据集U′，以C′作为输入数据，TL′作为输出数据，利用多层感知机进行学习训练，建立技术线损影响因素计算模型。以平均绝对误差(MAE)和平均绝对百分比误差(MAPE)作为技术线损变动误差评估标准，计算公式如下所示：
Figure BDA00024141787300000611
Figure BDA00024141787300000612
其中，Nt为测试集的样本个数，
Figure BDA00024141787300000613
为测试集中第j种技术线损影响因素指标取值组合下多层感知机的技术线损变动输出值，
Figure BDA00024141787300000614
为测试集中第j种技术线损影响因素指标取值组合下的技术线损变动实际值。本实施例中Nt＝4309，MAE和MAPE分别为0.019和9.761％。由此可见，利用多层感知机拟合技术线损变动的误差较小。
步骤5、构建技术线损影响因素分析场景，利用技术线损影响因素计算模型，获取不同技术线损影响因素分析场景下的技术线损变动值，通过分析对比得出技术线损影响因素分析场景中，对技术线损影响程度较大的主要影响因素及其协同因素。具体步骤如下：
(51)根据线损分析人员的分析需求，确定每个技术线损影响因素指标fi在变化范围ri内相对于平均值
Figure BDA00024141787300000615
的变动步长xi。
(52)构建单一影响因素的变动技术线损影响因素分析场景S＝[s1；s2；...；si；...](si为技术线损影响因素指标fi以步长xi变化，而其他影响因素fm(m≠i)取值为
Figure BDA00024141787300000616
时构成的数据集)；
(53)基于步骤(4)中建立的技术线损影响因素计算模型，计算(52)中各个单一影响因素变动技术线损分析场景的技术线损变动大小，分析技术线损变动曲线，计算各技术线损影响因素的单变量影响度并对其进行排序，反映各技术线损因素在单位范围内变动对技术线损变动的影响程度，以确定技术线损主要影响因素，单变量影响度的计算公式定义为：
Figure BDA0002414178730000071
其中SF(fi)为技术线损影响因素fi的单变量影响度，TL′i max和TL′i min分别为技术线损影响因素fi在其变动范围ri内技术线损率的变动最大值和最小值，rimax和rimin为技术线损影响因素fi的变动范围的最小值和最大值；
(54)针对主要影响因素，构建双主要影响因素变动的技术线损影响因素分析场景B＝[b1；b2；...；bi；...](bi为技术线损主要影响因素指标fi和fj(j≠i)分别以步长xi和xj变化，而其他影响因素fm(m≠i,j)取值为
Figure BDA0002414178730000072
时构成的数据集)；
(55)基于步骤(4)中建立的技术线损影响因素计算模型，计算步骤(54)中双主要影响因素变动的技术线损影响因素分析场景的技术线损变动大小，计算各技术线损影响因素的双变量影响度，分析双变量影响度曲线，根据双变量影响度总和判断这两个主要影响因素之间的协同作用，确定各技术线损主要影响因素的协同因素：若双变量影响度总和为正数，则说明二者之间的协同作用为正，即当其他主要影响因素固定在均值，同时调节这两个主要影响因素时，技术线损的变动幅度更大；若双变量影响度总和为负数，则说明二者之间的协同作用为负，即当其他主要影响因素固定在均值，同时调节这两个主要影响因素时，技术线损的变动幅度更小。考虑主要影响因素的协同因素，便于电网公司实现多组合降损措施的确立。
双变量影响度的计算公式为：
BF(fi＝a,fj＝b)＝TL'(fi＝a,fj＝b)-TL'(fi＝a)-TL'(fj＝b)
其中，BF(fi＝a,fj＝b)为主要影响因素fi和fj(j≠i)分别取值为a和b时的双变量影响度，TL′(fi＝a,fj＝b)为当要影响因素fi和fj分别取值为a和b，其他主要影响因素固定在均值的情况下技术线损率的变动大小，TL′(fi＝a)为主要影响因素fi取值为a，其他主要影响因素固定在均值的情况下技术线损率的变动大小，TL′(fj＝b)为主要影响因素fj取值为b，其他主要影响因素固定在均值的情况下技术线损率的变动大小。
本实施例中，
Figure BDA0002414178730000073
和fsolar的变化范围
Figure BDA0002414178730000074
和rsolar的实际值分别为[0.85,0.99]、[0,30]，
Figure BDA0002414178730000075
和fsolar′的变化范围分别为[-5％,5％]、[-100％,100％]，
Figure BDA0002414178730000076
和fsolar的变动步长分别为1％和10％。图4为实施例功率因数变动率与技术线损变动率关系曲线图，图5为实施例光伏渗透率变动率与技术线损变动率关系曲线图。由单变量的影响度计算公式可得，
Figure BDA0002414178730000077
因此，与光伏渗透率相比，功率因数对技术线损变动的影响程度较大。图6为光伏渗透率与功率因数的双变量影响度曲线图。可以发现，二者的双变量影响度总为负值。因此，功率因数与光伏渗透率这两个影响因素之间的协同作用为负，即相较于单独调节这两个影响因素，同时调节这两个主要影响因素时技术线损的变动幅度更小。

Claims (1)

1.一种基于多场景生成的技术线损影响因素定量分析方法，其特征在于：包括以下步骤：
(1)确定技术线损的影响因素，构建技术线损影响因素指标体系；
(2)基于多场景生成方法生成负荷及风光出力场景；
(3)根据步骤(2)中生成的负荷及风光出力场景，通过对技术线损影响因素指标体系数据进行随机变动，生成技术线损影响因素样本数据集；
(4)根据步骤(3)中生成的技术线损影响因素样本数据集，利用神经网络建立技术线损影响因素计算模型；
(5)构建技术线损影响因素分析场景，利用技术线损影响因素计算模型，获取不同技术线损影响因素分析场景下的技术线损变动值，通过分析对比得出技术线损影响因素分析场景中，对技术线损影响程度较大的主要影响因素及其协同因素；
其中，步骤(1)所述的影响因素包括线路长度、功率因数、可再生能源渗透率、变电容量、变压器负载率、变压器型号和导线型号；技术线损的影响因素集及相应指标体系由线损分析人员根据电网实际需要确定，其中：
指标体系表示为：F＝{f1,f2,...,fi,...}
指标变化范围表示为：R＝{r1,r2,...,ri,...}；
步骤(2)中通过电网数据源获取用户负荷及风光出力历史数据集，利用生成式对抗网络生成考虑时空相关性的负荷及风光出力场景；
步骤(3)的具体步骤如下：
(31)利用大量负荷及风光出力场景，对各个技术线损影响因素指标fi进行随机变动，得到技术线损影响因素指标不同取值组合下的数据集C＝[c1；c2；...；cj；...],其中,
Figure FDA0004059461210000011
Figure FDA0004059461210000012
Nc为技术线损影响因素指标取值组合个数；
(32)通过潮流计算得出技术线损影响因素指标不同取值组合下的技术线损率TL，技术线损率的计算公式为：
Figure FDA0004059461210000013
不考虑用户异常用电、抄表不及时在内的管理线损，其中，
Figure FDA0004059461210000014
为第j种技术线损影响因素指标取值组合下通过潮流计算得出的电网总供电量，
Figure FDA0004059461210000015
为第j种技术线损影响因素指标取值组合下通过潮流计算得出的电网总用电量；
(33)比较数据集U＝[C,TL]中的技术线损影响因素指标及技术线损率，相对于各变量平均值的变动率，并进行归一化处理，生成技术线损影响因素样本数据集U′＝[C′,TL′]，具体计算公式如下：
Figure FDA0004059461210000021
Figure FDA0004059461210000022
Figure FDA0004059461210000023
其中，
Figure FDA0004059461210000024
为数据集U中第j种技术线损影响因素指标取值组合下的第i个变量值，
Figure FDA0004059461210000025
为数据集U中第i个变量的平均值，
Figure FDA0004059461210000026
为数据集U中第j种技术线损影响因素指标取值组合下的第i个变量相对于该变量平均值的变动率，
Figure FDA0004059461210000027
为
Figure FDA0004059461210000028
的最小值，
Figure FDA0004059461210000029
为
Figure FDA00040594612100000210
的最大值；
步骤(4)基于技术线损影响因素样本数据集U′，以C′作为输入数据，TL′作为输出数据，利用多层感知机进行学习训练，建立技术线损影响因素计算模型；并以平均绝对误差和平均绝对百分比误差作为技术线损变动误差评估标准，计算公式如下所示：
Figure FDA00040594612100000211
Figure FDA00040594612100000212
其中，Nt为测试集的样本个数，
Figure FDA00040594612100000213
为测试集中第j种技术线损影响因素指标取值组合下多层感知机的技术线损变动输出值，
Figure FDA00040594612100000214
为测试集中第j种技术线损影响因素指标取值组合下的技术线损变动实际值；
步骤(5)具体步骤如下：
(51)确定每个技术线损影响因素指标fi在变化范围ri内相对于该影响因素指标的平均值
Figure FDA00040594612100000215
的变动步长xi；
(52)构建单一影响因素变动的技术线损影响因素分析场景S＝[s1；s2；...；si；...]，其中si为技术线损影响因素指标fi以步长xi变化，其他影响因素fm(m≠i)取值为
Figure FDA00040594612100000216
时构成的数据集；
(53)基于技术线损影响因素计算模型，计算步骤(52)中各个单一影响因素的变动的技术线损影响因素分析场景的技术线损变动大小，分析技术线损变动曲线，计算各技术线损影响因素的单变量影响度并对其进行排序，以此反映各技术线损影响因素在单位范围内变动对技术线损变动的影响程度，以确定技术线损主要影响因素，单变量影响度的计算公式定义为：
Figure FDA00040594612100000217
其中SF(fi)为技术线损影响因素fi的单变量影响度，TLi′max和TLi′min分别为技术线损影响因素fi在其变动范围ri内技术线损率的变动最大值和最小值，rimax和rimin为技术线损影响因素fi的变动范围的最小值和最大值；
(54)针对主要影响因素，构建双主要影响因素变动的技术线损影响因素分析场景B＝[b1；b2；...；bi；...]，其中bi为技术线损主要影响因素指标fi和fj(j≠i)分别以步长xi和xj变化，其他影响因素fm(m≠i,j)取值为
Figure FDA0004059461210000031
时构成的数据集；
(55)基于技术线损影响因素计算模型，计算步骤(54)中双影响因素变动的技术线损影响因素分析场景的技术线损变动大小，计算各技术线损影响因素的双变量影响度，分析双变量影响度曲线，根据双变量影响度总和判断这两个主要影响因素之间的协同作用，确定各技术线损主要影响因素的协同因素；具体如下：
若双变量影响度总和为正数，则说明二者之间的协同作用为正，表示当其他主要影响因素固定在均值，同时调节这两个主要影响因素时，技术线损的变动幅度更大；
若双变量影响度总和为负数，则说明二者之间的协同作用为负，表示当其他主要影响因素固定在均值，同时调节这两个主要影响因素时，技术线损的变动幅度更小；
双变量影响度的计算公式为：
BF(fi＝a,fj＝b)＝TL'(fi＝a,fj＝b)-TL'(fi＝a)-TL'(fj＝b)
其中，BF(fi＝a,fj＝b)为主要影响因素fi和fj(j≠i)分别取值为a和b时的双变量影响度，TL′(fi＝a,fj＝b)为当要影响因素fi和fj分别取值为a和b，其他主要影响因素固定在均值的情况下技术线损率的变动大小，TL′(fi＝a)为主要影响因素fi取值为a，其他主要影响因素固定在均值的情况下技术线损率的变动大小，TL′(fj＝b)为主要影响因素fj取值为b，其他主要影响因素固定在均值的情况下技术线损率的变动大小。
CN202010185925.3A 2020-03-17 2020-03-17 一种基于多场景生成的技术线损影响因素定量分析方法 Active CN111552911B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010185925.3A CN111552911B (zh) 2020-03-17 2020-03-17 一种基于多场景生成的技术线损影响因素定量分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010185925.3A CN111552911B (zh) 2020-03-17 2020-03-17 一种基于多场景生成的技术线损影响因素定量分析方法

Publications (2)

Publication Number Publication Date
CN111552911A CN111552911A (zh) 2020-08-18
CN111552911B true CN111552911B (zh) 2023-06-02

Family

ID=72005503

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010185925.3A Active CN111552911B (zh) 2020-03-17 2020-03-17 一种基于多场景生成的技术线损影响因素定量分析方法

Country Status (1)

Country Link
CN (1) CN111552911B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112217215B (zh) * 2020-09-10 2022-06-07 西安交通大学 一种基于psd-bpa的大型电力系统随机潮流计算方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103066592B (zh) * 2012-12-17 2015-04-01 山东电力集团公司济宁供电公司 一种电力网络损耗在线监测方法
CN104318318A (zh) * 2014-10-10 2015-01-28 国家电网公司 基于荷、网、源协调控制的因子对电网损耗影响量化模型
CN105741049A (zh) * 2016-03-01 2016-07-06 国家电网公司 一种面向时空全过程的线损变动分析方法
CN109166144B (zh) * 2018-07-20 2021-08-24 中国海洋大学 一种基于生成对抗网络的图像深度估计方法
CN109636009B (zh) * 2018-11-22 2022-07-01 中国电力科学研究院有限公司 一种建立确定电网线损的神经网络模型的方法和系统
CN110070282B (zh) * 2019-04-17 2023-06-20 国网安徽省电力公司 一种基于综合关联度的低压台区线损影响因素分析方法

Also Published As

Publication number Publication date
CN111552911A (zh) 2020-08-18

Similar Documents

Publication Publication Date Title
CN109598451B (zh) 一种基于pca与lstm神经网络的非侵入式负荷辨识方法
CN109546659B (zh) 基于随机矩阵和智能场景匹配的配电网无功优化方法
CN110070282A (zh) 一种基于综合关联度的低压台区线损影响因素分析方法
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN113837464A (zh) 一种基于CNN-LSTM-Attention的热电联产锅炉负荷预测方法
CN110750760B (zh) 一种基于态势感知和控制图的异常理论线损检测方法
CN112994017A (zh) 基于配电网概率潮流计算的分布式光伏电源选址优化方法
CN110910026B (zh) 一种跨省输电线路线损智能管理与决策方法及系统
Zhao et al. The review of demand side management and load forecasting in smart grid
CN109829560A (zh) 一种配电网可再生能源发电集群接入规划方法
CN104573857A (zh) 一种基于智能算法优化组合的电网负荷率预测方法
CN103824124B (zh) 一种针对电网公司的节能潜力评估方法
CN104716641B (zh) 一种含分布式电源的配电网供电能力评估方法
CN104834975A (zh) 一种基于智能算法优化组合的电网负荷率预测方法
CN111552911B (zh) 一种基于多场景生成的技术线损影响因素定量分析方法
Ni et al. A review of line loss analysis of the low-voltage distribution system
CN112446175B (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
CN107301499B (zh) 一种基于ami数据的配电馈线统计线损率数据清洗方法
Abusorrah The application of the linear adaptive genetic algorithm to optimal power flow problem
Wiest et al. Synthetic load profiles of various customer types for smart grid simulations
CN105354761B (zh) 一种风电接入电网的安全与效能评估方法及系统
CN109918612B (zh) 一种基于稀疏学习的台区拓扑结构校验方法
CN109586309B (zh) 基于大数据自由熵理论和场景匹配的配电网无功优化方法
CN111860617A (zh) 一种配电网综合优化运行方法
Domínguez et al. Analysis of electric power consumption using Self-Organizing Maps.

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