CN112288172A - 台区线损率的预测方法、装置 - Google Patents
台区线损率的预测方法、装置 Download PDFInfo
- Publication number
- CN112288172A CN112288172A CN202011194121.6A CN202011194121A CN112288172A CN 112288172 A CN112288172 A CN 112288172A CN 202011194121 A CN202011194121 A CN 202011194121A CN 112288172 A CN112288172 A CN 112288172A
- Authority
- CN
- China
- Prior art keywords
- electrical characteristic
- data
- characteristic index
- index data
- electrical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 230000015654 memory Effects 0.000 claims abstract description 27
- 230000007787 long-term memory Effects 0.000 claims abstract description 17
- 230000005611 electricity Effects 0.000 claims abstract description 12
- 238000005516 engineering process Methods 0.000 claims abstract description 11
- 238000012545 processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 6
- 230000001537 neural effect Effects 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims 2
- 238000007726 management method Methods 0.000 abstract description 19
- 230000006403 short-term memory Effects 0.000 abstract description 16
- 238000010801 machine learning Methods 0.000 abstract description 7
- 238000007405 data analysis Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 9
- 230000006870 function Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008034 disappearance Effects 0.000 description 2
- 230000000694 effects 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
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/04—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
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种台区线损率的预测方法、装置。其中，该方法包括：从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。本申请解决了由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长的技术问题。
Description
技术领域
本申请涉及电力领域，具体而言，涉及一种台区线损率的预测方法、装置。
背景技术
随着国网公司线损精益化管理工作的深入开展，传统一刀切方式的线损合格率考核方式，已不再满足线损精益化管理要求，供电企业需要迫切找到一种有效计算线损合理区间的方法，动态预测各台区的线损合理区间，实现一台区一指标，实时、高效预警线损率超标台区，提出降低台区线损的技术手段等措施建议，从而优化配网规划与建设方案、规范低压客户管理，实现节能减排和资源的优化配置，提升公司经营管理水平。目前对电网线损率计算方法已经有很多，主要分为传统方法和基于机器学习的方法。传统方法如最大负荷损耗小时法、平均电流损耗算法、均方根电流法、台区损失率法、和等值电阻法等；机器学习的方法有基于支持向量机的计算方法、基于神经网络和改进的自适应二次变异差分进化算法、基于改进K-means聚类和BP神经网络的计算方法。
对于传统线损计算方法由于它们与配电网耗电模型出入较大，计算精度通常较低；采用机器学习算法对于线损的计算或预测准确率都有了较大的提升，但是存在一定的局限性，基于支持向量机的计算方法，在数据量较大时模型训练效率较低，另外在特征维度空间较大时很难找到合适的核函数；采用k-means聚类和BP神经网络的计算方法，由于聚类算法初始化中心是随机选定，不同初始值会导致不同的分类结果，当分类不准确时容易造成参数重构误差较大的缺陷。
针对上述的问题，目前尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种台区线损率的预测方法、装置，以至少解决由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长的技术问题。
根据本申请实施例的一个方面，提供了一种台区线损率的预测方法，包括：从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
可选地，根据电气数据确定台区的原始电气特征指标数据，包括：对从预定系统自动采集的电气数据进行筛选，得到原始电气特征指标数据；其中，原始电气特征指标数据，包括：供电半径、负载率、功率因数、三相平衡度、负荷特征、网架结构、居民用户数、台区电能表总数、抄表成率。
可选地，对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包括：采用数据平滑技术剔除原始电气特征指标数据的野值，得到第一电气特征指标数据；对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据。
可选地，对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据，包括：确定样本台区内第一电气特征指标数据对应的第一数值；计算第一数值对应的第二数值，其中，第二数值为第一数值的平均值；根据第一数值和第二数值确定第三数值，其中，第三数值为第一数值对应的方差；根据第一数值、第二数值与第三数值得到目标电气特征指标数据。
可选地，长短时记忆LSTM模型包括多个神经单元，神经单元包括：输入门i(t)，遗忘门f(t)，输出门o(t)，记忆单元C(t)。
可选地，长短时记忆LSTM模型的隐藏层数包括：128个循环单元，为了防止过拟合，设置Dropout层丢弃率为0.5。
根据本申请实施例的另一个方面，还提供了一种台区线损率的预测装置，包括：采集模块，用于从预定系统自动采集台区内的电气数据；第一确定模块，用于根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；处理模块，用于对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；第二确定模块，用于将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
可选地，对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包括：采用数据平滑技术剔除原始电气特征指标数据的野值，得到第一电气特征指标数据；对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据。
根据本申请实施例的另一个方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种台区线损率的预测方法。
根据本申请实施例的另一个方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行任意一种台区线损率的预测方法。
在本申请实施例中，采用长短时记忆LSTM模型识别电气数据的方式，通过从预定系统自动采集台区内的电气数据，再根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS，然后再对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型，达到了将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值的目的，从而实现了基于长短时记忆LSTM模型对台区内线损进行精确预测、且自动地快速获取电气数据的技术效果，进而解决了由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长技术问题。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的一种可选的台区线损率的预测方法的流程示意图；
图2是根据本申请实施例的一种可选的台区线损率的预测装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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他实施例，都应当属于本申请保护的范围。
需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
为了本领域技术人员更好的理解本申请实施例，现将本申请实施例涉及的技术术语或者部分名词解释如下：
电力GIS是将电力企业的电力设备、变电站、输配电网络、电力用户与电力负荷等连接形成电力信息化的生产管理综合信息系统。它提供的电力设备信息、电网运行状态信息、电力技术信息、生产管理信息、电力市场信息与山川、地势、城镇、道路，以及气象、水文、地质、资源等自然环境信息集中于统一系统中。通过GIS可查询有关数据、图片、图像、地图、技术资料、管理知识等。
电力管理系统(Power Management System,简称PMS)，电力管理系统的作用有：厂区电力开关状态监控、电量、三相电压、三相电流、频率及功率因子等监视。当厂区电力系统发生异常，造成电量不足或电量过剩时，能迅速反应执行自动卸载(Load Shedding)或动态煞车(Dynamic Breaking)等功能，以防止厂区全黑的发生，并可提高全厂区电力系统的稳定度及质量。
公变是指所在地的线路、变压器、到每户的电表全部由供电局安装、维护、管理的简称。使用公变的小区，每户的电表都是直接由供电局负责安装的机械表或IC卡电表，IC卡表每个价值550元左右，用户所持电卡直接向供电局购电。
线路损耗，简称线损，是电能通过输电线路传输而产生的能量损耗。
LSTM是一种循环神经网络，LSTM层是Simple RNN层的一种变体，该算法由Hochreiter和Schmidhuber在1997年开发，有效解决了SimpleRNN简单循环神经网络梯度消失的问题。它是通过增加了一种携带信息跨越多个时间步的方法实现来解决梯度消失的问题。
根据本申请实施例，提供了一种台区线损率的预测方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
图1是根据本申请实施例的台区线损率的预测方法，如图1所示，该方法包括如下步骤：
步骤S102，从预定系统自动采集台区内的电气数据；
步骤S104，根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；
步骤S106，对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；
步骤S108，将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
上述方法中，首先，从预定系统自动采集台区内的电气数据；然后，根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；再对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；最后，将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值，达到了将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值的目的，从而实现了基于长短时记忆LSTM模型对台区内线损进行精确预测、且自动地快速获取电气数据的技术效果，进而解决了由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长技术问题。
本申请一些可选的实施例中，可以根据电气数据确定台区的原始电气特征指标数据，具体地，对从预定系统自动采集的电气数据进行筛选，得到原始电气特征指标数据；其中，原始电气特征指标数据，包括但不限于：供电半径、负载率、功率因数、三相平衡度、负荷特征、网架结构、居民用户数、台区电能表总数、抄表成率，可以理解的，在对某一台区的线损值和或线损率进行预测时，将原始电气特征指标数据输入至LSTM模型得到的预测结果更加准确。
本申请一些可选的实施例中，可以对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，具体地，采用数据平滑技术剔除原始电气特征指标数据的野值，得到第一电气特征指标数据；对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据。
可以通过以下方式对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据，具体地，确定样本台区内第一电气特征指标数据对应的第一数值；计算第一数值对应的第二数值，其中，第二数值为第一数值的平均值；根据第一数值和第二数值确定第三数值，其中，第三数值为第一数值对应的方差；根据第一数值、第二数值与第三数值得到目标电气特征指标数据。
具体地，设特征参数个数为M个，样本总数为N个，归一化(标准化)方法如下所示：
需要说明的是，长短时记忆LSTM模型包括多个神经单元，神经单元包括：输入门i(t)，遗忘门f(t)，输出门o(t)，记忆单元C(t)，长短时记忆LSTM模型的隐藏层数包括128个循环单元。
LSTM的计算公式如下：
i(t)＝σ(Wxi T*X(t)+Whi T*h(t-1)+bi)
f(t)＝σ(Wxf T*X(t)+Whf T*h(t-1)+bf)
o(t)＝σ(Wxo T*X(t)+Who T*h(t-1)+bo)
g(t)＝tanh(Wxg T*X(t)+Whg T*h(t-1)+bg)
其中，Wxi,Wfi,Wxo,Wxg是每一层连接到输入向量x(t)；Whi,Whf,Who,Whg是每一层连接到前一个短期状态h(t-1)的权重矩阵；bi,bf,bo,bg是每一层的偏差系数，其中，g(t)、c(t)、y(t)分别为输入状态、记忆状态、输出状态。
在一种具体的实施例中抽取某地市5000多台区的历史数据构建台区指标体系作为深度学习模型输入，通过循环迭代优化训练网络结构，利用实际测试数据集与深度网络预测结果进行验证分析，在台区线损预测任务中，以网络训练时损失函数的输出值，例如mse作为评价指标，另外，loss值还可以用来判断网络是否收敛，一般来说，随着网络的不断迭代，loss值会震荡减少，直到最后趋于平稳或在区域范围内震荡，否则就是网络结构不合理或者参数设置不合理。
图2是根据本申请实施例的一种台区线损率的预测装置，如图2所示，该装置包括：
采集模块40，用于从预定系统自动采集台区内的电气数据；
第一确定模块42，用于根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；
处理模块44，用于对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；
第二确定模块46，用于将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
该装置中，采集模块40，用于从预定系统自动采集台区内的电气数据；第一确定模块42，用于根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；处理模块44，用于对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；第二确定模块46，用于将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值，达到了将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值的目的，从而实现了基于长短时记忆LSTM模型对台区内线损进行精确预测、且自动地快速获取电气数据的技术效果，进而解决了由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长技术问题。
本申请一些可选的实施例中，可以通过以下方式对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，具体地，采用数据平滑技术剔除原始电气特征指标数据的野值，得到第一电气特征指标数据；对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据。
本申请一些可选的实施例中，可以根据电气数据确定台区的原始电气特征指标数据，具体地，对从预定系统自动采集的电气数据进行筛选，得到原始电气特征指标数据；其中，原始电气特征指标数据，包括但不限于：供电半径、负载率、功率因数、三相平衡度、负荷特征、网架结构、居民用户数、台区电能表总数、抄表成率，可以理解的，在对某一台区的线损值和或线损率进行预测时，将原始电气特征指标数据输入至LSTM模型得到的预测结果更加准确。
根据本申请实施例的另一个方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种台区线损率的预测方法。
具体地，上述存储介质用于存储执行以下功能的程序指令，实现以下功能:
从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
根据本申请实施例的另一个方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行任意一种台区线损率的预测方法。
具体地，上述处理器用于调用存储器中的程序指令，实现以下功能：
从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
上述本申请实施例序号仅仅为了描述，不代表实施例的优劣。
在本申请的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，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，可以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，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
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，在本申请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，本申请的技术方案本质上或者说对相关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(可为个人计算机、服务器或者网络设备等)执行本申请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、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本申请的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本申请原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本申请的保护范围。
Claims (10)
1.一种台区线损率的预测方法，其特征在于，包括：
从预定系统自动采集台区内的电气数据；
根据所述电气数据确定所述台区的原始电气特征指标数据，所述原始电气指标特征数据，其中，所述预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；
对所述原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；
将所述电气数据输入至所述长短时记忆LSTM模型，得到所述台区线损率的预测值。
2.根据权利要求1所述的方法，其特征在于，根据所述电气数据确定所述台区的原始电气特征指标数据，包括：
对从所述预定系统自动采集的所述电气数据进行筛选，得到所述原始电气特征指标数据；
其中，所述原始电气特征指标数据，包括：供电半径、负载率、功率因数、三相平衡度、负荷特征、网架结构、居民用户数、台区电能表总数、抄表成率。
3.根据权利要求1所述的方法，其特征在于，对所述原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包括：
采用数据平滑技术剔除所述原始电气特征指标数据的野值，得到第一电气特征指标数据；
对所述第一电气特征指标数据进行归一化处理，得到所述目标电气特征指标数据。
4.根据权利要求3所述的方法，其特征在于，对所述第一电气特征指标数据进行归一化处理，得到所述目标电气特征指标数据，包括：
确定样本台区内所述第一电气特征指标数据对应的第一数值；
计算第一数值对应的第二数值，其中，所述第二数值为所述第一数值的平均值；
根据所述第一数值和所述第二数值确定第三数值，其中，所述第三数值为所述第一数值对应的方差；
根据所述第一数值、第二数值与第三数值得到所述目标电气特征指标数据。
5.根据权利要求1所述的方法，其特征在于，所述长短时记忆LSTM模型包括多个神经单元，所述神经单元包括：
输入门i(t)，遗忘门f(t)，输出门o(t)，记忆单元C(t)。
6.根据权利要求1所述的方法，其特征在于，所述长短时记忆LSTM模型的隐藏层数包括：128个循环单元。
7.一种台区线损率的预测装置，其特征在于，包括：
采集模块，用于从预定系统自动采集台区内的电气数据；
第一确定模块，用于根据所述电气数据确定所述台区的原始电气特征指标数据，所述原始电气指标特征数据，其中，所述预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；
处理模块，用于对所述原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；
第二确定模块，用于将所述电气数据输入至所述长短时记忆LSTM模型，得到所述台区线损率的预测值。
8.根据权利要求7所述的装置，其特征在于，对所述原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包括：
采用数据平滑技术剔除所述原始电气特征指标数据的野值，得到第一电气特征指标数据；
对所述第一电气特征指标数据进行归一化处理，得到所述目标电气特征指标数据。
9.一种非易失性存储介质，其特征在于，所述非易失性存储介质包括存储的程序，其中，在所述程序运行时控制所述非易失性存储介质所在设备执行权利要求1至6中任意一项所述台区线损率的预测方法。
10.一种处理器，其特征在于，所述处理器用于运行存储在存储器中的程序，其中，所述程序运行时执行权利要求1至6中任意一项所述台区线损率的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011194121.6A CN112288172A (zh) | 2020-10-30 | 2020-10-30 | 台区线损率的预测方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011194121.6A CN112288172A (zh) | 2020-10-30 | 2020-10-30 | 台区线损率的预测方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112288172A true CN112288172A (zh) | 2021-01-29 |
Family
ID=74353828
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011194121.6A Pending CN112288172A (zh) | 2020-10-30 | 2020-10-30 | 台区线损率的预测方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112288172A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095372A (zh) * | 2021-03-22 | 2021-07-09 | 国网江苏省电力有限公司营销服务中心 | 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 |
| CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
| CN116930667A (zh) * | 2023-09-15 | 2023-10-24 | 广东电网有限责任公司 | 一种台区电网边缘测试方法、装置、设备及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
| CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及系统 |
-
2020
- 2020-10-30 CN CN202011194121.6A patent/CN112288172A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2019056499A1 (zh) * | 2017-09-20 | 2019-03-28 | 平安科技（深圳）有限公司 | 预测模型训练方法、数据监控方法、装置、设备及介质 |
| CN110598854A (zh) * | 2019-09-20 | 2019-12-20 | 国网福建省电力有限公司 | 一种基于gru模型的台区线损率预测方法 |
| CN111639783A (zh) * | 2020-04-17 | 2020-09-08 | 中国电力科学研究院有限公司 | 一种基于lstm神经网络的线损预测方法及系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113095372A (zh) * | 2021-03-22 | 2021-07-09 | 国网江苏省电力有限公司营销服务中心 | 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 |
| CN113609768A (zh) * | 2021-08-02 | 2021-11-05 | 国网浙江省电力有限公司台州供电公司 | 基于双向lstm网络的台区线损率计算方法 |
| CN116930667A (zh) * | 2023-09-15 | 2023-10-24 | 广东电网有限责任公司 | 一种台区电网边缘测试方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
| Duan et al. | A novel hybrid prediction model for aggregated loads of buildings by considering the electric vehicles | |
| Grolinger et al. | Energy forecasting for event venues: Big data and prediction accuracy | |
| Streltsov et al. | Estimating residential building energy consumption using overhead imagery | |
| Jota et al. | Building load management using cluster and statistical analyses | |
| Chicco et al. | Emergent electricity customer classification | |
| CN112288172A (zh) | 台区线损率的预测方法、装置 | |
| US20110071882A1 (en) | Method and system for intermediate to long-term forecasting of electric prices and energy demand for integrated supply-side energy planning | |
| CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
| CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
| CN110782153A (zh) | 一种企业园区综合能效评估体系建模方法及系统 | |
| CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和系统 | |
| Gajowniczek et al. | Electricity peak demand classification with artificial neural networks | |
| CN105786711A (zh) | 一种数据分析的方法及装置 | |
| CN107292484A (zh) | 基于城市空间大数据的城市再开发土地识别方法及系统 | |
| CN115422788B (zh) | 一种配电网线损分析管理方法、装置、存储介质及系统 | |
| CN112288303A (zh) | 确定线损率的方式、装置 | |
| JP2006011715A (ja) | 資源消費量の推定方法及び装置 | |
| CN108921425A (zh) | 一种资产项目投资分类的方法、系统及服务器 | |
| CN116187640A (zh) | 一种基于网格多属性画像体系的配电网规划方法及装置 | |
| Chicco et al. | A review of concepts and techniques for emergent customer categorisation | |
| CN111144628A (zh) | 一种分布式供能的冷热电负荷预测模型系统及方法 | |
| Tsaur et al. | Tourism demand forecasting using a novel high-precision fuzzy time series model | |
| Onile et al. | A comparative study on graph-based ranking algorithms for consumer-oriented demand side management | |
| CN116662860A (zh) | 一种基于能源大数据的用户画像与分类方法 |
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 |