CN113449257A - 配电网线损的预测方法、控制装置、及存储介质 - Google Patents
配电网线损的预测方法、控制装置、及存储介质 Download PDFInfo
- Publication number
- CN113449257A CN113449257A CN202110579514.7A CN202110579514A CN113449257A CN 113449257 A CN113449257 A CN 113449257A CN 202110579514 A CN202110579514 A CN 202110579514A CN 113449257 A CN113449257 A CN 113449257A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- line loss
- electrical characteristic
- predicting
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 153
- 238000000034 method Methods 0.000 title claims abstract description 67
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 28
- 238000012549 training Methods 0.000 claims abstract description 27
- 230000000694 effects Effects 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 41
- 230000006870 function Effects 0.000 claims description 26
- 238000012545 processing Methods 0.000 claims description 16
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 13
- 238000010219 correlation analysis Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000005484 gravity Effects 0.000 claims description 7
- 239000000126 substance Substances 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 7
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000005259 measurement 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
- 238000012098 association analyses Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
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
- 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
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
-
- 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)
- General Engineering & Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Computational Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Development Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Algebra (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
Abstract
本发明实施例提供一种配电网线损的预测方法、控制装置及存储介质，属于电力技术领域。所述预测方法包括：构建影响配电网线损的输入特征集，所述输入特征集包括影响配电网线损的电气特征指标；根据所述输入特征集中的所述电气特征指标对应的电气数据，建立训练集和测试集；通过所述训练集对预设的配电网线损预测模型进行训练，通过所述测试集对所述预设的配电网线损预测模型进行精度测试；以及当所述精度测试结果达到预设效果时，得到训练后的配电网线损预测模型，通过所述训练后的配电网线损测试模型对配电网线损进行预测。本发明实施例通过构建影响配电网线损的输入特征集，对配电网线损预测模型进行训练，以准确的对配电网线损进行预测。
Description
技术领域
本发明涉及电力技术领域，具体地涉及一种配电网线损的预测方法、控制装置、及存储介质。
背景技术
线损是电网的电力损耗，它反映了电网中的配电规划，配电网络设计和经济运行水平也是电网公司的关键评估指标之一。截至2018年12月，南方电网实现了100％的智能电表和自动抄表(AMR)覆盖率，使其在收集远程数据时更加客观，准确，从而解决了供销期不同的问题。因此，迫切需要能够在配电网络中快速准确地预测线损的算法。
目前，有许多预测线损率的方法，例如基于传统的方法、基于潮流的方法和基于AI算法的方法。传统方法主要包括平均电流法和等效电阻法，其通过一系列假设简化了网格结构，但以牺牲计算精度为代价；基于潮流的方法(例如牛顿-拉夫森法、前推后推法)更加准确，但是收集大量的运营和结构数据既费时又费力；近年来，人工智能算法已被广泛应用于电力系统中，为预测线损提供了新的方法。
人工智能算法提出了使用线性回归来计算线损，当不需要较高的预测精度时，该方法是快捷简便的。但是，确定回归方程很大程度上取决于大量数据，并且很难拟合线损和特征之间复杂的非线性关系，因此预测精度不高。基于人工神经网络(ANN)的方法最有代表性，可用于拟合任意复杂函数而无需构建数学模型，例如优化的反向传播神经网络(BPNN)方法，比传统的人工神经网络(ANN)具有更高的准确性和收敛速度，但未能避免过度拟合和局部极小问题等缺还有基于集成学习算法和支持矩阵机(SVM)以及其改进算法等的方法。上述方法存在的共同问题是：根据工程经验来进行选择特征，这不仅缺乏理论依据，而且对预测精度也有影响。
发明内容
本发明实施例的目的是提供一种配电网线损的预测方法，该配电网线损的预测方法可以解决当前预测配电网线损时，根据工程经验来进行选择特征，这不仅缺乏理论依据，而且对预测精度也有影响的问题。
为了实现上述目的，本发明实施例提供一种配电网线损的预测方法，包括：构建影响配电网线损的输入特征集，所述输入特征集包括影响配电网线损的电气特征指标；根据所述输入特征集中的所述电气特征指标对应的电气数据，建立训练集和测试集；通过所述训练集对预设的配电网线损预测模型进行训练，通过所述测试集对所述预设的配电网线损预测模型进行精度测试；以及当所述精度测试结果达到预设效果时，得到训练后的配电网线损预测模型，通过所述训练后的配电网线损测试模型对配电网线损进行预测。
可选的，所述构建影响配电网线损的输入特征集包括：获取配电网的多个所述电气特征指标；以及根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度，并选择满足预设关联度的所述电气特征指标，构建所述输入特征集。
可选的，所述预设关联度分析为灰色关联分析。
可选的，所述预设权重选择标准为熵权标准。
可选的，在所述确定每个所述电气特征指标与配电网线损之间的关联度之前，所述配电网线损的预测方法还包括：通过所述电气数据建立对应的矩阵，并对所述矩阵进行数据处理。
可选的，所述对所述矩阵进行数据处理包括以下的一者或多者：通过聚类检测消除所述矩阵中的孤立点，进行去噪；通过所述矩阵中前后相邻的数据的平均值，填充缺失值；通过分段量化对所述矩阵进行量化；通过商权法对所述矩阵进行标准化处理。
可选的，所述根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度包括：计算对应的所述矩阵中每个数据元素的比重；根据所计算的每个数据元素的比重，计算每个所述电气特征指标对应的权重；通过灰色关系度分析，确定每个所述电气特征指标与配电网线损之间的关联度。
可选的，所述根据所计算的每个数据元素的比重，计算每个所述电气特征指标对应的权重包括：根据所计算的每个数据元素的比重，计算对应的所述矩阵中每个数据元素的信息熵；根据所计算的每个数据元素的信息熵，计算每个所述电气特征指标对应的权重。
可选的，所述通过灰色关系度分析，确定每个所述电气特征指标与配电网线损之间的关联度包括：通过所述灰色关系度分析，计算每个所述电气特征指标与配电网线损影响的相关系数；根据所对应计算的相关系数，确定每个所述电气特征指标与配电网线损之间的关联度。
可选的，通过下式确定每个所述电气特征指标与配电网线损之间的关联度：
其中，i、j表示矩阵的行和列，ωj表示权重，ξij表示电气特征指标与配电网线损影响的相关系数，n表示矩阵中数据元素个数。
可选的，所述配电网线损预测模型的设置包括：以XGboost模型与聚类算法结合，构成述配电网线损预测模型；确定所述配电网线损预测模型的目标函数，所述目标函数包括所述XGboost模型的损失函数和正则惩罚项。
可选的，通过下式表示所述目标函数：
其中，
表示配电网线损预测模型的预测输出，yi表示实际线损值，
表示
之间的损失函数，Ω(f)表示正则惩罚项，fk表示第k棵回归树，n表示输入的训练集中电气特征指标个数。
可选的，所述得到训练后的配电网线损预测模型包括：根据对所述预设的配电网线损预测模型的训练和精度测试结果，对所述目标函数进行迭代更新。
本发明实施例还提供一种控制装置，所述控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现根据上述任意一项所述的配电网线损的预测方法。
本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令使得机器执行根据上述任意一项所述的配电网线损的预测方法。
通过上述技术方案，本发明实施例提供的配电网线损的预测方法，通过构建影响配电网线损的输入特征集，对配电网线损预测模型进行训练，以准确的对配电网线损进行预测。
本发明实施例的其它特征和优点将在随后的具体实施方式部分予以详细说明。
附图说明
附图是用来提供对本发明实施例的进一步理解，并且构成说明书的一部分，与下面的具体实施方式一起用于解释本发明实施例，但并不构成对本发明实施例的限制。在附图中：
图1是本发明实施例提供的一种配电网线损的预测方法的流程示意图；
图2是本发明实施例确定每个电气特征指标与配电网线损之间的关联度的流程示意图；
图3是本发明实施例提供的一个示例图。
具体实施方式
以下结合附图对本发明实施例的具体实施方式进行详细说明。应当理解的是，此处所描述的具体实施方式仅用于说明和解释本发明实施例，并不用于限制本发明实施例。
图1是本发明实施例提供的一种配电网线损的预测方法的流程示意图，请参考图1，该配电网线损的预测方法可以包括以下步骤：
步骤S110：构建影响配电网线损的输入特征集，所述输入特征集包括影响配电网线损的电气特征指标。
其中，输入特征集可以包括例如配电网台区的月有功电量、月无功电量、变压器总容量、线路总长度、线路等效截面积、主干线载面积、主干线总长度、分干线总长度等影响配电网线损的电气特征指标。
优选的，所述构建影响配电网线损的输入特征集包括：获取配电网的多个所述电气特征指标；以及根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度，并选择满足预设关联度的所述电气特征指标，构建所述输入特征集。
以示例说明，影响配电网线损预测的电气特征指标有很多，配电网中不同的因素对线损预测的影响程度也存在一定的差异，例如台区电网的节点数，作为电气特征指标对配电网线损的影响几乎为零，因此优选对配电网线损影响较大的，即选择满足预设关联度的所述电气特征指标，构建所述输入特征集。
优选的，在所述确定每个所述电气特征指标与配电网线损之间的关联度之前，所述配电网线损的预测方法还包括：通过所述电气数据建立对应的矩阵，并对所述矩阵进行数据处理。
进一步优选的，所述对所述矩阵进行数据处理包括以下的一者或多者：通过聚类检测消除所述矩阵中的孤立点，进行去噪；通过所述矩阵中前后相邻的数据的平均值，填充缺失值；通过分段量化对所述矩阵进行量化；通过商权法对所述矩阵进行标准化处理。
本发明实施例获取配电网的多个所述电气特征指标，可以看作构建原始输入特征集，其中原始输入特征集可以包括配电网的全部电气特征指标。进一步，可以针对每个台区获取其一段时间内，各电气特征指标对应的电气数据，该电气数据的数据类型可以为向量(矩阵)，并对电气数据进行上述处理。
以示例说明，电气数据矩阵可以为x＝[x1，x2，...，xn]，其中，xn＝[x1n，x2n，...，xmn]T，即xn可以为一个台区中一段时间内，一个电气特征指标对应的电气数据向量，xmn为每个数据元素，T表示电气特征指标的数量。
针对所进行数据处理后的原始输入特征集，本发明实施例优选根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度。
其中，所述预设关联度分析优选为灰色关联分析。
其中，所述预设权重选择标准优选为熵权标准。
在原始输入特征集中，对于影响线损预测的电气特征指标有多个，然而并非所有的电气特征指标都与线损预测的关联性很强，现阶段影响因子(电气特征指标)的选取主要依据研究专员现场实际操作经验，具有一定的主观性，没有一定的科学依据以及科学的标准，这些电气特征指标之间复杂的非线性关系将增加计算量，且影响较小的影响因子可能会影响预测结果的精度，因此，本发明实施例优选通过灰色关联度分析实现对原始输入特征集的降维，利用与线损预测关联强度较大的电气特征指标所构建的输入特征集建立预测模型，以降低计算复杂度。
以示例说明，根据灰色关联分析，建立参考矩阵，即一个台区对应的实际线损值矩阵，可以表示为y＝[y1，y2，...，ym]T。
进一步地，对各个电气特征指标之间的衡量可采用不同的评估标准，但是各个电气特征指标之间的度量单位、维度的大小等都有所不同，因此在执行计算与分析之前，需要对电气特征指标进行数据处理，例如标准化处理，标准化后的电气数据矩阵X、Y可以表示为：
优选的，所述根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度可以包括以下步骤：
步骤S111：计算对应的所述电气数据矩阵中每个数据元素的比重。
本发明实施例优选更客观的熵权标准，即熵权法来确定每个电气特征指标的权重，熵可以衡量不确定性。熵越大，信息量越大，不确定性越小；熵越小，信息量越小；不确定性越大。
可以通过下式，计算式(1)中，每个数据元素的比重：
步骤S112：根据所计算的每个数据元素的比重，计算每个所述电气特征指标对应的权重。
优选的，步骤S112可以包括：根据所计算的每个数据元素的比重，计算对应的所述矩阵中每个数据元素的信息熵；根据所计算的每个数据元素的信息熵，计算每个所述电气特征指标对应的权重。
可以通过下式，计算每个数据元素的信息熵：
当Pij＝0时，Pij l n(Pij)＝0。
可以通过下式，计算每个电气特征指标对应的权重：
步骤S113：通过灰色关系度分析，确定每个所述电气特征指标与配电网线损之间的关联度。
优选的，步骤S115可以包括：通过所述灰色关系度分析，计算每个所述电气特征指标与配电网线损影响的相关系数；根据所对应计算的相关系数，确定每个所述电气特征指标与配电网线损之间的关联度。
可以通过下式，计算每个所述电气特征指标与配电网线损影响的相关系数：
其中，maxi、maxj表示矩阵X内数据元素的最大值，mini、minj、表示矩阵Y内数据元素的最小值。
则每个所述电气特征指标与配电网线损之间的关联度可以表示为：
需要说明，ωj为根据式(5)得到的初始权重值，在之后针对线损模型的训练过程中，该值可能会发生变化，因此可以通过线损模型不断调整权重值，模拟不同电气特征指标对配电网线损的影响。
进一步地，可以针对计算后的每个电气特征指标与配电网线损之间的关联度γi进行排序，γi越小，表示与矩阵Y越接近，两者的关联度越大，选择满足预设关联度的所述电气特征指标，构建所述输入特征集，例如选择与配电网线损关联度为前N的电气特征指标，构建所述输入特征集，即对影响配电网线损的电气特征指标进行降维处理。
步骤S120：根据所述输入特征集中的所述电气特征指标对应的电气数据，建立训练集和测试集。
优选的，将根据步骤S110降维后的输入特征集，采用交叉验证的方法，将其电气数据划分为训练集和测试集。
举例说明，训练集或训练集可以为一个包含n个样本，例如n个台区，m个电气特征指标组成的输入特征集|D|＝{(xi，yi)}，xi∈Rm，yi∈R，i＝1，2，...，n。
步骤S130：通过所述训练集对预设的配电网线损预测模型进行训练，通过所述测试集对所述预设的配电网线损预测模型进行精度测试。
优选的，所述配电网线损预测模型的设置包括：以XGboost模型与聚类算法结合，构成所述配电网线损预测模型；确定所述配电网线损预测模型的目标函数，所述目标函数包括所述XGboost模型的损失函数和正则惩罚项。
本发明实施例对XGboost模型进行了改进，与聚类算法结合作为配电网线损预测模型。以示例说明，该XGboost模型针对步骤S120示例训练集的预测输出可以为：
其中fk表示第k棵回归树，K表示回归树的数量，对于每个输入xi，输出值为k棵回归树的预测值
相加，即按照相应回归树的决策规则划分到叶节点的权重相加。
本发明实施例优选的目标函数可以通过下式表示：
其中，
表示
yi之间的损失函数；
表示正则惩罚项，γ表示惩罚系数，T表示给定一颗树叶子的节点数，ω表示叶子节点的权重，K表示回归树的总数。
步骤S140：当所述精度测试结果达到预设效果时，得到训练后的配电网线损预测模型，通过所述训练后的配电网线损测试模型对配电网线损进行预测。
所述得到训练后的配电网线损预测模型包括：根据对所述预设的配电网线损预测模型的训练和精度测试结果，对所述目标函数进行迭代更新。
优选的，为了使目标函数最小化，需对参数进行调整，优化后的目标函数可以通过下式表示：
其中，
分别表示损失函数经过(t-1)次迭代后的预测值
处的一次导数和二次导数，λ为调节因子，一般可取[0，1]之间的数，可根据实际需求选定。
当设置
表示叶节点之间的权重和系数，两者彼此独立，则每个叶节点的最优值和目标函数式可通过下式表示：
进一步地，对于每个分割点，选择较高的增益值进行分割，增益计算可以通过下式表示：
根据步骤S130，通过步骤S120所建立的训练集对改进的配电网线损预测模型进行训练，通过所建立的测试集对改进的配电网线损预测模型进行精度测试，当训练集通过该配电网线损预测模型后输出的预测值与测试集基本一致时，可以得到训练后的配电网线损预测模型，通过该训练后的配电网线损预测模型对配电网线损进行预测。
以示例说明，获取某台区一段时间内，输入特征集中电气特征指标对应的电气数据，将该输入特征集输入步骤S140得到的训练后的配电网线损预测模型，则可以得到该台区对配电网线损的预测值。
据此，本发明实施例提供的配电网线损的预测方法，通过构建影响配电网线损的输入特征集，对配电网线损预测模型进行训练，以准确的对配电网线损进行预测。同时，本发明实施例基于改进的灰色关联分析和改进的XGboost模型得到训练后的配电网线损预测模型；改进的灰色关联分析可以确定每一个电气特征指标与配电网线损之间的关联度，并建立配电网电气特征指标体系对应的输入特征集，来反映配电网的网架结构和运行状态对线损的影响程度；进一步为保证算法不会陷入过拟合状态，本发明实施例利用灰色关联分析对影响线损预测的原始输入特征集进行降维处理，针对传统预测方法计算量大、拟合过度的问题，提出了一种基于聚类与XGboost模型算法相结合的台区电网线损预测模型，通过将其目标函数中加入正则惩罚项，以避免训练过程中过拟合的问题同时降低预测模型复杂度。
结合一个示例，描述本发明实施例的实施过程，请参考图3，可以将步骤S110-S140看作两个模型的协作。
其中，模型1可以看作灰色关联分析模型，对应于步骤S110：获取多个台区一段时间，全部电气特征指标对应的电气数据，并对对应的电气数据进行标准化处理；根据全部电气特征指标，构建原始输入特征集；通过灰色关联分析，选出对配电网线损影响较大的电气特征指标，构建输入特征集。
其中，模型2可以看作XGboost模型，对应于步骤S120-S140：根据所构建的输入特征集，对应建立训练集和测试集；通过训练集对改进的XGboost模型进行训练，得到训练后的配电网线损预测模型，通过该训练后的配电网线损预测模型可以对各台区进行配电网线损预测。
本发明实施例还提供一种控制装置，所述控制装置包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现根据步骤S110-S140所述的配电网线损的预测方法。
本发明实施例还提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令使得机器执行根据步骤S110-S140所述的配电网线损的预测方法。
需要说明，本发明实施例提供的控制装置、存储介质的详细内容和技术效果与步骤S110-S140类似，此处不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请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、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、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。
在一个典型的配置中，计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体(transitory media)，如调制的数据信号和载波。
还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。
Claims (15)
1.一种配电网线损的预测方法，其特征在于，所述配电网线损的预测方法包括：
构建影响配电网线损的输入特征集，所述输入特征集包括影响配电网线损的电气特征指标；
根据所述输入特征集中的所述电气特征指标对应的电气数据，建立训练集和测试集；
通过所述训练集对预设的配电网线损预测模型进行训练，通过所述测试集对所述预设的配电网线损预测模型进行精度测试；以及
当所述精度测试结果达到预设效果时，得到训练后的配电网线损预测模型，通过所述训练后的配电网线损测试模型对配电网线损进行预测。
2.根据权利要求1所述的配电网线损的预测方法，其特征在于，所述构建影响配电网线损的输入特征集包括：
获取配电网的所述电气特征指标；以及
根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度，并选择满足预设关联度的所述电气特征指标，构建所述输入特征集。
3.根据权利要求2所述的配电网线损的预测方法，其特征在于，所述预设关联度分析为灰色关联分析。
4.根据权利要求2所述的配电网线损的预测方法，其特征在于，所述预设权重选择标准为熵权标准。
5.根据权利要求2-4中任意一项所述的配电网线损的预测方法，其特征在于，在所述确定每个所述电气特征指标与配电网线损之间的关联度之前，所述配电网线损的预测方法还包括：
通过所述电气数据建立对应的矩阵，并对所述矩阵进行数据处理。
6.根据权利要求5所述的配电网线损的预测方法，其特征在于，所述对所述矩阵进行数据处理包括以下的一者或多者：
通过聚类检测消除所述矩阵中的孤立点，进行去噪；
通过所述矩阵中前后相邻的数据的平均值，填充缺失值；
通过分段量化对所述矩阵进行量化；
通过商权法对所述矩阵进行标准化处理。
7.根据权利要求5所述的配电网线损的预测方法，其特征在于，所述根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度包括：
计算对应的所述矩阵中每个数据元素的比重；
根据所计算的每个数据元素的比重，计算每个所述电气特征指标对应的权重；
通过灰色关系度分析，确定每个所述电气特征指标与配电网线损之间的关联度。
8.根据权利要求7所述的配电网线损的预测方法，其特征在于，所述根据所计算的每个数据元素的比重，计算每个所述电气特征指标对应的权重包括：
根据所计算的每个数据元素的比重，计算对应的所述矩阵中每个数据元素的信息熵；
根据所计算的每个数据元素的信息熵，计算每个所述电气特征指标对应的权重。
9.根据权利要求7所述的配电网线损的预测方法，其特征在于，所述通过灰色关系度分析，确定每个所述电气特征指标与配电网线损之间的关联度包括：
通过所述灰色关系度分析，计算每个所述电气特征指标与配电网线损影响的相关系数；
根据所对应计算的相关系数，确定每个所述电气特征指标与配电网线损之间的关联度。
10.根据权利要求9所述的配电网线损的预测方法，其特征在于，通过下式确定每个所述电气特征指标与配电网线损之间的关联度：
其中，i、j表示矩阵的行和列，ωj表示权重，ξij表示电气特征指标与配电网线损影响的相关系数，n表示矩阵中数据元素个数。
11.根据权利要求1所述的配电网线损的预测方法，其特征在于，所述配电网线损预测模型的设置包括：
以XGboost模型与聚类算法结合，构成述配电网线损预测模型；
确定所述配电网线损预测模型的目标函数，所述目标函数包括所述XGboost模型的损失函数和正则惩罚项。
12.根据权利要求11所述的配电网线损的预测方法，其特征在于，通过下式表示所述目标函数：
其中，
表示配电网线损预测模型的预测输出，yi表示实际线损值，
表示
yi之间的损失函数，Ω(f)表示正则惩罚项，fk表示第k棵回归树，n表示输入的训练集中电气特征指标个数。
13.根据权利要求11或12所述的配电网线损的预测方法，其特征在于，所述得到训练后的配电网线损预测模型包括：
根据对所述预设的配电网线损预测模型的训练和精度测试结果，对所述目标函数进行迭代更新。
14.一种控制装置，其特征在于，所述控制装置包括：存储器、处理器及存储在所述存储器上并在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序，以实现根据权利要求1-13中任意一项所述的配电网线损的预测方法。
15.一种机器可读存储介质，其特征在于，该机器可读存储介质上存储有指令，该指令使得机器执行根据权利要求1-14中任意一项所述的配电网线损的预测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110579514.7A CN113449257A (zh) | 2021-05-26 | 2021-05-26 | 配电网线损的预测方法、控制装置、及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110579514.7A CN113449257A (zh) | 2021-05-26 | 2021-05-26 | 配电网线损的预测方法、控制装置、及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113449257A true CN113449257A (zh) | 2021-09-28 |
Family
ID=77810292
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110579514.7A Pending CN113449257A (zh) | 2021-05-26 | 2021-05-26 | 配电网线损的预测方法、控制装置、及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113449257A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114118855A (zh) * | 2021-12-06 | 2022-03-01 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的台区线损率标杆值计算方法 |
| CN114362136A (zh) * | 2021-11-19 | 2022-04-15 | 国网辽宁省电力有限公司鞍山供电公司 | 基于gm（1.1）改进的熵权法配网损失计算及预测方法 |
| CN114676824A (zh) * | 2022-04-11 | 2022-06-28 | 华北电力大学 | 灰色关联分析和pso-rbf下的配电网线损预测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110334952A (zh) * | 2019-07-05 | 2019-10-15 | 广西电力职业技术学院 | 一种基于改进灰色关联度的配电网规划后评价方法 |
| CN110348713A (zh) * | 2019-06-28 | 2019-10-18 | 广东电网有限责任公司 | 一种基于关联性分析和数据挖掘的台区线损计算方法 |
| CN110555624A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种考虑指标关联的电网调度运行综合评估方法 |
| CN111476502A (zh) * | 2020-04-22 | 2020-07-31 | 国网山西省电力公司电力科学研究院 | 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 |
| 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 |
-
2021
- 2021-05-26 CN CN202110579514.7A patent/CN113449257A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110348713A (zh) * | 2019-06-28 | 2019-10-18 | 广东电网有限责任公司 | 一种基于关联性分析和数据挖掘的台区线损计算方法 |
| CN110334952A (zh) * | 2019-07-05 | 2019-10-15 | 广西电力职业技术学院 | 一种基于改进灰色关联度的配电网规划后评价方法 |
| CN110555624A (zh) * | 2019-09-10 | 2019-12-10 | 合肥工业大学 | 一种考虑指标关联的电网调度运行综合评估方法 |
| CN111476502A (zh) * | 2020-04-22 | 2020-07-31 | 国网山西省电力公司电力科学研究院 | 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 |
| 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 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114362136A (zh) * | 2021-11-19 | 2022-04-15 | 国网辽宁省电力有限公司鞍山供电公司 | 基于gm（1.1）改进的熵权法配网损失计算及预测方法 |
| CN114118855A (zh) * | 2021-12-06 | 2022-03-01 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于cnn的台区线损率标杆值计算方法 |
| CN114676824A (zh) * | 2022-04-11 | 2022-06-28 | 华北电力大学 | 灰色关联分析和pso-rbf下的配电网线损预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113449257A (zh) | 配电网线损的预测方法、控制装置、及存储介质 | |
| CN110782093B (zh) | 融合ssae深度特征学习和lstm的pm2.5小时浓度预测方法及系统 | |
| US20170300546A1 (en) | Method and Apparatus for Data Processing in Data Modeling | |
| CN112001439A (zh) | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 | |
| CN112488395A (zh) | 一种配电网线损预测方法及系统 | |
| CN108629436B (zh) | 一种估算仓库拣货能力的方法和电子设备 | |
| CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
| CN104091216A (zh) | 基于果蝇优化最小二乘支持向量机的交通信息预测方法 | |
| CN111028100A (zh) | 考虑气象因素的精细化短期负荷预测方法、装置及介质 | |
| CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
| CN112712203A (zh) | 一种配电网日最高负荷预测方法和系统 | |
| CN111160472A (zh) | 对象的目标特征的预测方法、装置、存储介质与电子设备 | |
| CN112990587A (zh) | 一种对台区用电进行精准预测的方法及系统、设备、介质 | |
| CN111178957B (zh) | 一种用电客户电量突增预警的方法 | |
| CN114595861A (zh) | 基于mstl和lstm模型的中长期电力负荷预测方法 | |
| Li et al. | A novel approach based on the Gauss-v SVR with a new hybrid evolutionary algorithm and input vector decision method for port throughput forecasting | |
| CN116205355A (zh) | 电力负荷的预测方法、装置以及存储介质 | |
| CN116702992A (zh) | 一种发电功率预测方法、装置、电子设备及存储介质 | |
| CN114971090A (zh) | 一种电供暖负荷预测方法、系统、设备和介质 | |
| CN114648170A (zh) | 基于混合深度学习模型的水库水位预测预警方法及系统 | |
| CN111062517A (zh) | 一种基于GBDT的LightGBM模型的冷、热负荷预测方法 | |
| CN113902181A (zh) | 公变重过载的短期预测方法及设备 | |
| CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
| CN116415732A (zh) | 一种基于改进arnn的用户侧电力负荷数据处理方法 | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 |
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: 20210928 |
|
| RJ01 | Rejection of invention patent application after publication |