CN112288303A - 确定线损率的方式、装置 - Google Patents

确定线损率的方式、装置 Download PDF

Info

Publication number
CN112288303A
CN112288303A CN202011226057.5A CN202011226057A CN112288303A CN 112288303 A CN112288303 A CN 112288303A CN 202011226057 A CN202011226057 A CN 202011226057A CN 112288303 A CN112288303 A CN 112288303A
Authority
CN
China
Prior art keywords
determining
line loss
loss rate
station area
characteristic index
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
Application number
CN202011226057.5A
Other languages
English (en)
Other versions
CN112288303B (zh
Inventor
马晓琴
薛晓慧
孟祥甫
罗红郊
厉娜
马占海
薛峪峰
杨军
张启军
赵世海
张俊超
严嘉正
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
State Grid Qinghai Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Qinghai Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Qinghai Electric Power Co Ltd
Information and Telecommunication Branch of State Grid Qinghai 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, State Grid Qinghai Electric Power Co Ltd, Information and Telecommunication Branch of State Grid Qinghai Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202011226057.5A priority Critical patent/CN112288303B/zh
Publication of CN112288303A publication Critical patent/CN112288303A/zh
Application granted granted Critical
Publication of CN112288303B publication Critical patent/CN112288303B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • 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
    • 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

Abstract

本申请公开了一种确定线损率的方式、装置。其中，该方法包括：获取各个样本台区中第一特征指标；根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率。本申请解决了由于相关技术中未考虑各个台区之间的差异性，将所有台区的线损均使用一种指标进行评价造成的评价结果误差较大、准确度较低的技术问题。

Description

确定线损率的方式、装置
技术领域
本申请涉及电力领域，具体而言，涉及一种确定线损率的方式、装置。
背景技术
配电网线损是供电企业的一项重要经济指标，台区线损作为线损管理的重要组成部分，涉及到配网规划管理、运行管理、检修管理、营销用电管理、计量管理、抄核收管理等方面，全面体现了低压台区设备及用户的管理水平。在台区线损管理方面，目前公司采用统一的线损率指标来评价台区线损，未充分考虑物理拓扑复杂、异常源头多样、区域环境差异等方面因素，与台区线损精益化管理的要求还是存在一定差距。即相关技术中未将台区的类型进行划分，将所有台区的线损均使用一种指标进行评价，这种评价方式存在评价不准确、评价结果误差较大的技术问题。
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确定线损率的方式、装置，以至少解决由于相关技术中未考虑各个台区之间的差异性，将所有台区的线损均使用一种指标进行评价造成的评价结果误差较大、准确度较低的技术问题。
根据本申请实施例的一个方面，提供了一种确定线损率的方法，包括：获取各个样本台区中第一特征指标；根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率。
可选地，第一特征指标，包括：上网电量百分比、网架结构与供电半径，根据各个样本台区中第一特征指标确定各个样本台区对应的台区类型，包括：根据上网电量百分比得到第一分类结果，其中，第一分类结果，包括：上网电量百分比大于零、上网电量百分比等于零；根据网架结构得到第二分类结果，其中，第二分类结果，包括：电缆、架空导线、架空绝缘线以及混合线路；根据供电半径得到第三分类结果，其中，第三分类结果，包括：供电半径小于第一预设值、供电半径大于第一预设值且供电半径小于第二预设值，供电半径大于第二预设值；根据第一分类结果、第二分类结果与第三分类结果确定各个样本台区对应的台区类型。
可选地，在得到目标台区的第一预测线损率之后，方法还包括：确定目标台区的对应的台区类型的标准差，其中，标准差为台区类型中所有台区的第二预测线损率的标准差；根据标准差和第一预测线损率，确定目标台区的线损率的合理区间，其中，合理区间包括：线损率的上限值与线损率的下限值。
可选地，在确定目标台区线损率的合理区间之后，方法还包括：根据合理区间以及目标台区实际的线损率确定目标台区的合格类型。
可选地，合格类型，包括：合格台区与不合格台区，根据合理区间以及目标台区实际的线损率确定目标台区的合格类型，包括：当实际的线损率为负值或者实际的线损率不满足合理区间，则确定目标台区为不合格台区；当实际的线损率满足合理区间，则确定目标台区为合格台区。
可选地，第二特征指标，包括：上网电量百分比、供电半径、末端用户电量百分比、功率因数、首末端压降、峰荷负载率、负荷特性、三相不平衡度，网架结构；根据第二特征指标确定目标台区的对应的台区类型，包括：根据上网电量百分比、供电半径以及网架结构确定目标台区的对应的台区类型。
可选地，从第二特征指标选择具有参数值的特征指标，包括：分别确定上网电量百分比、供电半径、末端用户电量百分比、功率因数、首末端压降、峰荷负载率、负荷特性及三相不平衡度对应的参数值。
根据本申请实施例的另一方面，还提供了一种确定线损率的装置，包括：第一获取模块，用于获取各个样本台区中第一特征指标；第一确定模块，用于根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；第二获取模块，用于获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；第二确定模块，用于从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率。
根据本申请实施例的另一方面，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确定线损率的方法。
根据本申请实施例的另一方面，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确定线损率的方法。
在本申请实施例中，采用将台区按照特征指标分类的方式，通过构建各个台区类型对应的神经网络模型，达到了将目标台区的相关特征指标输入至其台区类型对应的神经网络模型中，得到预测线损率的目的，从而实现了将各个台区按照特征指标划分为不同的台区类型，并输入至其台区类型对应的神经网络模型进行线损率预测的技术效果，进而解决了由于相关技术中未考虑各个台区之间的差异性，将所有台区的线损均使用一种指标进行评价造成的评价结果误差较大、准确度较低技术问题。
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一种可选的确定线损率的方法的流程示意图；
图2是根据本申请实施例一种可选的确定线损率的装置的结构示意图。
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。
为了方便本领域技术人员更好的理解本申请实施例，现将本申请实施例可能涉及的技术术语或者部分名词解释如下：
3σ(西格玛)准则又称为拉依达准则，它是先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个区间，认为凡超过这个区间的误差，就不属于随机误差而是粗大误差，含有该误差的数据应予以剔除。3σ准则的数据处理在正态分布中σ代表标准差,μ代表均值，x＝μ即为图像的对称轴；3σ原则为数值分布在(μ-σ,μ+σ)中的概率为0.6826；数值分布在(μ-2σ,μ+2σ)中的概率为0.9544；数值分布在(μ-3σ,μ+3σ)中的概率为0.9974；可以认为，Y的取值几乎全部集中在(μ-3σ,μ+3σ)]区间内，超出这个范围的可能性仅占不到0.3％。
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、图象、地图、技术资料、管理知识等。
地理信息系统(GIS)是集计算机科学、地理学、测绘学、环境科学、经济学、空间科学、信息和管理科学于一体的一门跨学科的新兴边缘学科,它以地理空间数据库为基础,在计算机硬、软件环境支持下,对空间数据进行采集、管理、操作、分析、模拟和显示,适时提供空间和动态的地理信息。GIS由于其强大的数据分析和空间分析功能,已被应用于电力系统中与空间信息密切相关的各个方面。结合电力企业中已经存在的MIS和一些独立的自动绘图(AM)/设备管理(FM)系统,利用GIS开发功能更强大的AM/FM,即电力GIS,已经成为电力行业自动化系统当前的新兴研究领域之一。地理信息系统GIS(geographic informationsystem)在电力系统中的应用虽然刚刚起步，但是在电力生产和管理上已经发挥了重要作用，如北京、上海、江苏等电网公司成功建立了自己的GIS，提高了公司管理水平和工作效率，同时为其它电力公司提供了宝贵的经验，为电力系统的进一步发展作出了积极贡献。
电力管理系统(Power Management System,简称PMS)的目的：1.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。2.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。3.针对售电/买电状态随时检查，并可预估任何需量周期内是否会发生超约用电，而做三段式警报及卸载控制，以防止对电力公司超约用量所产生超约罚款。管理线损主要是指由于管理不当所造成的线损，即人的因素起主要作用，该线损的产生可以通过控制人为因素加以控制，在电网的实际运营过程中，运营管理的精细化可以避免大部分的由于人为因素造成的线损；人为因素造成的线损的主要影响原因有：计量装置不合理导致的元件存在漏电或误差，用户违反规章窃电用电，以及抄表人员的错超和漏抄等。
峰荷指供电或供气系统所经历的最高负荷，一般发生在极端的天气条件下。要装贮存设备以帮助适应峰荷需要，但尽管如此，为满足需要仍需有调峰设备，特别是在贮存更为困难和昂贵的发电和输电中。
电能表是用来测量电能的仪表，又称电度表，火表，千瓦小时表，指测量各种电学量的仪表。使用电能表时要注意，在低电压(不超过500伏)和小电流(几十安)的情况下，电能表可直接接入电路进行测量。在高电压或大电流的情况下，电能表不能直接接入线路，需配合电压互感器或电流互感器使用。
电能表的倍率一般是指电能表所匹配的互感器的倍率，也称为变比、变流(压)比、电流(压)比，就是缩小的比例。实际的用电量等于电能表的表值乘以倍率。电度表的读数与实际电能的关系，电表的倍率＝实际电能/电度表的读数。电压互感器与电流互感器的倍率相乘。比如：电压互感器10/0.1KV即10/0.1＝100倍电流互感器100/5A即100/5＝20倍再100*20＝2000倍电表显示一度实际则是2000度。
互感器分为电压互感器和电流互感器。低电压的电能计量可采用电阻分压，不用电压互感器。例如直进式电能表是直接串联在线路上，电能表记录的表值就是实际耗电量。CT，电流互感器。PT，电压互感器。把大电流高电压变成小电流低电压，供测量、控制、保护系统使用。
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。
台区：在电力系统中，台区是指(一台)变压器的供电范围或区域。它是电力经济运行管理的名词。还有就是在特定语句中是一区域地名。
根据本申请实施例，提供了一种确定线损率的方法实施例，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确定线损率的方法，如图1所示，该方法包括如下步骤：
步骤S102，获取各个样本台区中第一特征指标；
步骤S104，根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；
步骤S106，获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；
步骤S108，从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率。
该方法中，首先，获取各个样本台区中第一特征指标；然后根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；再获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；最后，从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率，达到了将目标台区的相关特征指标输入至其台区类型对应的神经网络模型中，得到预测线损率的目的，从而实现了将各个台区按照特征指标划分为不同的台区类型，并输入至其台区类型对应的神经网络模型进行线损率预测的技术效果，进而解决了由于相关技术中未考虑各个台区之间的差异性，将所有台区的线损均使用一种指标进行评价造成的评价结果误差较大、准确度较低技术问题。
需要说明的是，第一特征指标，包括：上网电量百分比、网架结构与供电半径，本申请一些可选的实施例中，根据各个样本台区中第一特征指标确定各个样本台区对应的台区类型可以通过以下方式确定：根据上网电量百分比得到第一分类结果，其中，第一分类结果，包括：上网电量百分比大于零、上网电量百分比等于零；根据网架结构得到第二分类结果，其中，第二分类结果，包括：电缆、架空导线、架空绝缘线以及混合线路；根据供电半径得到第三分类结果，其中，第三分类结果，包括：供电半径小于第一预设值、供电半径大于第一预设值且供电半径小于第二预设值，供电半径大于第二预设值；根据第一分类结果、第二分类结果与第三分类结果确定各个样本台区对应的台区类型。
具体的，如表1所示：
Figure BDA0002763696300000061
Figure BDA0002763696300000071
根据上述台区分类规则，将台区总共分为：2×4×3＝24类，按上网电量百分比、网架结构、供电半径给台区类别编号为111、112、113、121、122、123、131、132、133、141、142、143、211、212、213、221、222、223、231、232、233、241、242、243，容易注意到的是，111表示的台区类型为上网电量百分比＞0、网架结构为电缆以及供电半径≤150m，242表示的台区类型为上网电量百分比＝0、网络结构为混合线路以及供电半径150m＜供电半径≤500m。可以理解的，在得到24类台区后，构建各个台区类型对应的神经网络模型时，可以得到24类神经网络模型。
本申请一些实施例中，在得到目标台区的第一预测线损率之后，可以通过以下方式确定合理区间，具体的，可以先确定目标台区的对应的台区类型的标准差，需要说明的是，标准差为台区类型中所有台区的第二预测线损率的标准差；再根据标准差和第一预测线损率，确定目标台区的线损率的合理区间，其中，合理区间包括：线损率的上限值与线损率的下限值，可以理解的，线损率的上限值可以为标准差加上第一预测线损率，同理，线损率的下限值可以为第一预测线损率减去标准差。
具体地，可以通过3σ(西格玛)准则(拉依达准则)确定合理区间，具体地，在得到标准差σ后，可以将线损率的上限值为第一预测线损率加上1.5σ，线损率的下限值为第一预测线损率减去1.5σ。
本申请一些可选的实施例中，为了合理区间更加准确，还可以将线损率的上限值，即合理区间的上限设置为合理区间的上限＝第一预测线损率+1.5*合理区间上限偏移量，其中，需要说明的是，该合理区间上限偏移量是神经网络模型训练出来的。
本申请一些可选的实施例中，在确定目标台区线损率的合理区间之后，可以根据合理区间以及目标台区实际的线损率确定目标台区的合格类型。需要说明的是，合格类型，包括：合格台区与不合格台区。具体的通过如下方式，根据合理区间以及目标台区实际的线损率确定目标台区的合格类型：当实际的线损率为负值或者实际的线损率不满足合理区间，则确定目标台区为不合格台区；当实际的线损率满足合理区间，则确定目标台区为合格台区。
需要说明的是，第二特征指标，包括但不限于：上网电量百分比、供电半径、末端用户电量百分比、功率因数、首末端压降、峰荷负载率、负荷特性、三相不平衡度，网架结构。
具体地，上网电量百分比的计算公式为：上网电量占比＝光伏用户上网电量之和/台区供电量*100％；需要说明的是，光伏用户上网电量之和的剔除条件为：(1)正常情况下，台区日供电量正常范围0-10000Kwh，超出判断为异常电量数据；(2)台区供电量为0，但是售电量不为0，则认为输出上网电量占比异常；(3)光伏用户上网总电量为空时，默认使用0处理。
具体地，供电半径通过GIS坐标间距计算，即通过变压器坐标与每个表箱坐标算出距离，挑选最远的表箱距离作为供电半径，单位为米。可选地，0＜X≤10000，X表示供电半径阈值，可以将供电半径阈值分为四部分：
第一部分：0＜X≤150，其中150为供电半径第一分段上限；第二部分：150＜X≤500，其中500为供电半径第二分段上限；第三部分：500＜X≤2000，其中2000为供电半径第三分段上限；第四部分，2000＜X≤10000，其中10000为供电半径第四分段上限。
具体地，末端用户电量百分比(末端电量占比)的计算公式为：末端电量占比＝供电距离大于台区供电半径70％的表箱内用户用电量之和/台区用电量*100％，即，末端电量为供电距离大于台区供电半径70％的末端表箱，需要说明的是，末端电量占比的剔除条件为(1)台区用电量为空值，则认为输出末端电量占比因子缺失；(2)台区用电量为0，但是供电量不为0，则认为输出末端电量占比因子异常；可以理解的，供电量售电量同时为0，末端电量占比默认为0，台区属于正常台区。
具体地，功率因数可以通过以下公式确定：
Figure BDA0002763696300000081
其中，wp台区总表日有功电量；w光伏光伏用户日上网电量；wq表示台区总表日无功电量。需要说明的是，0.6≤X≤1.0，X表示功率因数阈值，可以理解的，功率因数计算考虑分布式光伏用户的影响，采用电量数据进行计算；公变日有功电量缺失时，输出功率因数因子缺失。光伏上网电量为空时使用0处理；从采集系统获取功率因数曲线时，若已计算总的功率因数，直接计算公变96个点功率因数平均值作为功率因数因子。若只有A、B、C三相功率因数曲线，求三相功率因数平均值作为功率因数因子。
具体地，首末端压降通过如下公式确定：首末端压降＝公变平均电压-低压末端电压；其中，公变平均电压：考核表一天96点或48点或24点三相电压的平均值，首先筛选每个时刻点的A、B、C相电压的有效值，对所有有效时刻点的电压有效值求平均；低压末端电压：末端用户电压的平均值(一周一次)。末端用户三相电压值为空或未采集时，末端电压为缺失，输出首末端压降因子异常
具体地，峰荷负载率的计算公式为负载率＝平均功率/配变容量*100％，其中，平均功率为采用一天中负荷最高的12个点进行计算，(前12个点的有功功率平均值)*CT*PT*表记自身倍率/台区容量，其中，CT表示电流互感器的变比，PT表示电压互感器的变比。
具体地，负荷特性(也称为负荷形状系数)的计算公式为：
Figure BDA0002763696300000091
其中，IAt为A相二次侧电流，单位为：A，一天共n个点；IBt为B相二次侧电流，单位为：B，一天共n个点；ICt为C相二次侧电流，单位为：C，一天共n个点；需要说明的是，0≤负荷特性阈值≤5。
三相不平衡度的计算公式为：
Figure BDA0002763696300000092
其中，IAt为A相二次侧电流，单位为：A，一天共n个采集点；IBt为B相二次侧电流，单位为：B，一天共n个采集点；ICt为C相二次侧电流，单位为：C，一天共n个采集点；
需要说明的是网架结构，包括但不限于：电缆、架空导线、架空绝缘线、混合线路。
具体的，根据第二特征指标确定目标台区的对应的台区类型可以通过以下方式：根据上网电量百分比、供电半径以及网架结构确定目标台区的对应的台区类型，具体确定方法参考表1，在此不再赘述。
本申请一些可选的实施例中，从第二特征指标选择具有参数值的特征指标时，具体可以为：分别确定上网电量百分比、供电半径、末端用户电量百分比、功率因数、首末端压降、峰荷负载率、负荷特性及三相不平衡度对应的参数值。具体参数值的确定见上述实施例在此不再赘述。
图2是根据本申请实施例的确定线损率的装置，如图2所示，该装置包括：
第一获取模块40，用于获取各个样本台区中第一特征指标；
第一确定模块42，用于根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；
第二获取模块44，用于获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；
第二确定模块46，用于从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率。
该装置中，第一获取模块40，用于获取各个样本台区中第一特征指标；第一确定模块42，用于根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；第二获取模块44，用于获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；第二确定模块46，用于从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率，达到了将目标台区的相关特征指标输入至其台区类型对应的神经网络模型中，得到预测线损率的目的，从而实现了将各个台区按照特征指标划分为不同的台区类型，并输入至其台区类型对应的神经网络模型进行线损率预测的技术效果，进而解决了由于相关技术中未考虑各个台区之间的差异性，将所有台区的线损均使用一种指标进行评价造成的评价结果误差较大、准确度较低技术问题。
需要说明的是，第一特征指标，包括：上网电量百分比、网架结构与供电半径，本申请一些可选的实施例中，根据各个样本台区中第一特征指标确定各个样本台区对应的台区类型可以通过以下方式确定：根据上网电量百分比得到第一分类结果，其中，第一分类结果，包括：上网电量百分比大于零、上网电量百分比等于零；根据网架结构得到第二分类结果，其中，第二分类结果，包括：电缆、架空导线、架空绝缘线以及混合线路；根据供电半径得到第三分类结果，其中，第三分类结果，包括：供电半径小于第一预设值、供电半径大于第一预设值且供电半径小于第二预设值，供电半径大于第二预设值；根据第一分类结果、第二分类结果与第三分类结果确定各个样本台区对应的台区类型。
本申请一些可选的实施例中，在确定目标台区线损率的合理区间之后，可以根据合理区间以及目标台区实际的线损率确定目标台区的合格类型。需要说明的是，合格类型，包括：合格台区与不合格台区。具体的通过如下方式，根据合理区间以及目标台区实际的线损率确定目标台区的合格类型：当实际的线损率为负值或者实际的线损率不满足合理区间，则确定目标台区为不合格台区；当实际的线损率满足合理区间，则确定目标台区为合格台区。
需要说明的是，第二特征指标，包括但不限于：上网电量百分比、供电半径、末端用户电量百分比、功率因数、首末端压降、峰荷负载率、负荷特性、三相不平衡度，网架结构。
本申请一些实施例中，在得到目标台区的第一预测线损率之后，可以通过以下方式确定合理区间，具体的，可以先确定目标台区的对应的台区类型的标准差，需要说明的是，标准差为台区类型中所有台区的第二预测线损率的标准差；再根据标准差和第一预测线损率，确定目标台区的线损率的合理区间，其中，合理区间包括：线损率的上限值与线损率的下限值，可以理解的，线损率的上限值可以为标准差加上第一预测线损率，同理，线损率的下限值可以为第一预测线损率减去标准差。
具体地，可以通过3σ(西格玛)准则(拉依达准则)确定合理区间，具体地，在得到标准差σ后，可以将线损率的上限值为第一预测线损率加上1.5σ，线损率的下限值为第一预测线损率减去上1.5σ。
本申请一些可选的实施例中，为了合理区间更加准确，还可以将线损率的上限值，即合理区间的上限设置为合理区间的上限＝第一预测线损率+1.5*合理区间上限偏移量，其中，需要说明的是，该合理区间上限偏移量是神经网络模型训练出来的。
根据本申请实施例的另一方面，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确定线损率的方法。
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:
获取各个样本台区中第一特征指标；根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率。
根据本申请实施例的另一方面，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确定线损率的方法。
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：
获取各个样本台区中第一特征指标；根据第一特征指标确定各个样本台区对应的各个台区类型，并构建各个台区类型对应的神经网络模型；获取目标台区的第二特征指标，根据第二特征指标确定目标台区的对应的台区类型，确定该台区类型对应的神经网络模型；从第二特征指标选择具有参数值的特征指标，将具有参数值的特征指标输入至神经网络模型，得到目标台区的第一预测线损率。
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)

1.一种确定线损率的方法，其特征在于，包括：
获取各个样本台区中第一特征指标；
根据所述第一特征指标确定所述各个样本台区对应的各个台区类型，并构建所述各个台区类型对应的神经网络模型；
获取目标台区的第二特征指标，根据所述第二特征指标确定所述目标台区的对应的所述台区类型，确定该台区类型对应的所述神经网络模型；
从所述第二特征指标选择具有参数值的特征指标，将所述具有参数值的特征指标输入至所述神经网络模型，得到所述目标台区的第一预测线损率。
2.根据权利要求1所述的方法，其特征在于，所述第一特征指标，包括：上网电量百分比、网架结构与供电半径，根据各个样本台区中第一特征指标确定所述各个样本台区对应的台区类型，包括：
根据所述上网电量百分比得到第一分类结果，其中，所述第一分类结果，包括：上网电量百分比大于零、上网电量百分比等于零；
根据所述网架结构得到第二分类结果，其中，所述第二分类结果，包括：电缆、架空导线、架空绝缘线以及混合线路；
根据供电半径得到第三分类结果，其中，所述第三分类结果，包括：所述供电半径小于第一预设值、所述供电半径大于所述第一预设值且所述供电半径小于第二预设值，所述供电半径大于所述第二预设值；
根据所述第一分类结果、所述第二分类结果与所述第三分类结果确定所述各个样本台区对应的台区类型。
3.根据权利要求1所述的方法，其特征在于，在得到所述目标台区的第一预测线损率之后，所述方法还包括：
确定所述目标台区的对应的所述台区类型的标准差，其中，所述标准差为所述台区类型中所有台区的第二预测线损率的标准差；
根据所述标准差和所述第一预测线损率，确定所述目标台区的线损率的合理区间，其中，所述合理区间包括：所述线损率的上限值与所述线损率的下限值。
4.根据权利要求3所述的方法，其特征在于，在确定所述目标台区线损率的合理区间之后，所述方法还包括：
根据所述合理区间以及所述目标台区实际的线损率确定所述目标台区的合格类型。
5.根据权利要求4所述的方法，其特征在于，所述合格类型，包括：合格台区与不合格台区，根据所述合理区间以及目标台区实际的线损率确定所述目标台区的合格类型，包括：
当所述实际的线损率为负值或者所述实际的线损率不满足所述合理区间，则确定所述目标台区为所述不合格台区；
当所述实际的线损率满足所述合理区间，则确定所述目标台区为所述合格台区。
6.根据权利要求1所述的方法，其特征在于，所述第二特征指标，包括：上网电量百分比、供电半径、末端用户电量百分比、功率因数、首末端压降、峰荷负载率、负荷特性、三相不平衡度，网架结构；根据所述第二特征指标确定所述目标台区的对应的所述台区类型，包括：
根据所述上网电量百分比、所述供电半径以及所述网架结构确定所述目标台区的对应的所述台区类型。
7.根据权利要求6所述的方法，其特征在于，从所述第二特征指标选择具有参数值的特征指标，包括：
分别确定所述上网电量百分比、所述供电半径、所述末端用户电量百分比、所述功率因数、所述首末端压降、所述峰荷负载率、所述负荷特性及所述三相不平衡度对应的参数值。
8.一种确定线损率的装置，其特征在于，包括：
第一获取模块，用于获取各个样本台区中第一特征指标；
第一确定模块，用于根据所述第一特征指标确定所述各个样本台区对应的各个台区类型，并构建所述各个台区类型对应的神经网络模型；
第二获取模块，用于获取目标台区的第二特征指标，根据所述第二特征指标确定所述目标台区的对应的所述台区类型，确定该台区类型对应的所述神经网络模型；
第二确定模块，用于从所述第二特征指标选择具有参数值的特征指标，将所述具有参数值的特征指标输入至所述神经网络模型，得到所述目标台区的第一预测线损率。
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7中任意一项所述确定线损率的方法。
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7中任意一项所述确定线损率的方法。
CN202011226057.5A 2020-11-05 2020-11-05 确定线损率的方式、装置 Active CN112288303B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011226057.5A CN112288303B (zh) 2020-11-05 2020-11-05 确定线损率的方式、装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011226057.5A CN112288303B (zh) 2020-11-05 2020-11-05 确定线损率的方式、装置

Publications (2)

Publication Number Publication Date
CN112288303A true CN112288303A (zh) 2021-01-29
CN112288303B CN112288303B (zh) 2024-04-23

Family

ID=74351553

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011226057.5A Active CN112288303B (zh) 2020-11-05 2020-11-05 确定线损率的方式、装置

Country Status (1)

Country Link
CN (1) CN112288303B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
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
CN113129168A (zh) * 2021-05-17 2021-07-16 国网河北省电力有限公司电力科学研究院 电力台区的线损确定方法、装置及终端设备
CN113361983A (zh) * 2021-08-11 2021-09-07 国网江西省电力有限公司电力科学研究院 一种高损台区技术成因诊断方法及系统
CN113447749A (zh) * 2021-08-31 2021-09-28 江苏数能电力技术有限公司 一种台区线损异常的判断方法
CN113807739A (zh) * 2021-09-30 2021-12-17 国家电网有限公司大数据中心 一种错接线台区识别方法、装置、设备及存储介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345981A (zh) * 2017-12-28 2018-07-31 国网上海市电力公司 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用
CN108520357A (zh) * 2018-04-10 2018-09-11 北京中电普华信息技术有限公司 一种线损异常原因的判别方法、装置及服务器
CN109740872A (zh) * 2018-12-18 2019-05-10 国网山西省电力公司长治供电公司 一种台区运行状态的诊断方法及系统
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
CN110705887A (zh) * 2019-10-10 2020-01-17 国网湖北省电力有限公司计量中心 一种基于神经网络模型的低压台区运行状态综合评价方法
WO2020056157A1 (en) * 2018-09-12 2020-03-19 Electra Vehicles, Inc. Systems and methods for managing energy storage systems
CN111260198A (zh) * 2020-01-10 2020-06-09 广东电网有限责任公司 一种台区同期线损合理度评判方法、系统及终端设备
CN111582630A (zh) * 2020-03-25 2020-08-25 中国电力科学研究院有限公司 一种用于确定低压台区线损率评估值的方法及系统
CN111612053A (zh) * 2020-05-14 2020-09-01 国网河北省电力有限公司电力科学研究院 一种线损率合理区间的计算方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108345981A (zh) * 2017-12-28 2018-07-31 国网上海市电力公司 一种基于负荷分类的典型台区线损率标杆值计算方法及其应用
CN108520357A (zh) * 2018-04-10 2018-09-11 北京中电普华信息技术有限公司 一种线损异常原因的判别方法、装置及服务器
WO2020056157A1 (en) * 2018-09-12 2020-03-19 Electra Vehicles, Inc. Systems and methods for managing energy storage systems
CN109740872A (zh) * 2018-12-18 2019-05-10 国网山西省电力公司长治供电公司 一种台区运行状态的诊断方法及系统
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
CN110705887A (zh) * 2019-10-10 2020-01-17 国网湖北省电力有限公司计量中心 一种基于神经网络模型的低压台区运行状态综合评价方法
CN111260198A (zh) * 2020-01-10 2020-06-09 广东电网有限责任公司 一种台区同期线损合理度评判方法、系统及终端设备
CN111582630A (zh) * 2020-03-25 2020-08-25 中国电力科学研究院有限公司 一种用于确定低压台区线损率评估值的方法及系统
CN111612053A (zh) * 2020-05-14 2020-09-01 国网河北省电力有限公司电力科学研究院 一种线损率合理区间的计算方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
蔡超豪: "人工神经网络在配电网线损计算中的应用", 《电力系统及其自动化学报》, no. 3, pages 33 - 38 *

Cited By (8)

* Cited by examiner, † Cited by third party
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
CN113129168A (zh) * 2021-05-17 2021-07-16 国网河北省电力有限公司电力科学研究院 电力台区的线损确定方法、装置及终端设备
CN113129168B (zh) * 2021-05-17 2022-03-25 国网河北省电力有限公司电力科学研究院 电力台区的线损确定方法、装置及终端设备
CN113361983A (zh) * 2021-08-11 2021-09-07 国网江西省电力有限公司电力科学研究院 一种高损台区技术成因诊断方法及系统
CN113447749A (zh) * 2021-08-31 2021-09-28 江苏数能电力技术有限公司 一种台区线损异常的判断方法
CN113447749B (zh) * 2021-08-31 2021-11-23 江苏数能电力技术有限公司 一种台区线损异常的判断方法
CN113807739A (zh) * 2021-09-30 2021-12-17 国家电网有限公司大数据中心 一种错接线台区识别方法、装置、设备及存储介质
CN113807739B (zh) * 2021-09-30 2024-01-23 国家电网有限公司大数据中心 一种错接线台区识别方法、装置、设备及存储介质

Also Published As

Publication number Publication date
CN112288303B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
CN112288303B (zh) 确定线损率的方式、装置
CN112117763B (zh) 一种低压配电网拓扑识别与参数估计方法
Dashtaki et al. A new loss estimation method in limited data electric distribution networks
CN110928866A (zh) 基于停电信息大数据分析的线路拓扑核查方法及系统
CN111260198A (zh) 一种台区同期线损合理度评判方法、系统及终端设备
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN110264032B (zh) 一种直流配网规划方案评价结果的获取方法
CN112966219A (zh) 识别户表与表箱关系的方法及系统、设备、介质
Leal et al. Distribution transformer losses evaluation: A new analytical methodology and artificial neural network approach
Shin et al. Spatiotemporal load-analysis model for electric power distribution facilities using consumer meter-reading data
CN110825834A (zh) 一种计量自动化终端数据与gis系统配变关联匹配的方法、系统和可读存储介质
CN114519514A (zh) 一种低压台区合理线损值测算方法、系统及计算机设备
CN111612326A (zh) 一种配变供电可靠性的综合评估方法
CN114528951A (zh) 一种配网线路单线图异常诊断分析方法、系统及装置
CN112288172A (zh) 台区线损率的预测方法、装置
Milanović et al. Compound index for power quality evaluation and benchmarking
CN113112136A (zh) 一种配电网可靠性综合评估方法及系统
CN114994401B (zh) 一种线路线损异常的检测方法及装置
Romero et al. Web based management system for power quality assessment and detection of critical zones
CN113868821B (zh) 一种基于营配大数据融合的配网降损方法及终端机
CN113689109B (zh) 一种电力系统信息化与数字化联动模拟平台
Yao et al. Research on topology generation and fault prediction technology of low voltage distribution network based on state perception
Zhang et al. Smart Energy Campus: A Smart Grid Testbed for Advanced Modeling, Simulation, and Decision-Making
Poursharif Investigating the Ability of Smart Electricity Meters to Provide Accurate Low Voltage Network Information to the UK Distribution Network Operators
Yang et al. Evaluating the effectiveness of conservation voltage reduction with multilevel robust regression

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