CN113866562B - 一种电力系统台区线损识别方法 - Google Patents
一种电力系统台区线损识别方法 Download PDFInfo
- Publication number
- CN113866562B CN113866562B CN202111150808.4A CN202111150808A CN113866562B CN 113866562 B CN113866562 B CN 113866562B CN 202111150808 A CN202111150808 A CN 202111150808A CN 113866562 B CN113866562 B CN 113866562B
- Authority
- CN
- China
- Prior art keywords
- data
- line loss
- loss rate
- layer
- energy consumption
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005265 energy consumption Methods 0.000 claims abstract description 30
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 27
- 238000003066 decision tree Methods 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000010606 normalization Methods 0.000 claims abstract description 8
- 230000002159 abnormal effect Effects 0.000 claims description 28
- 238000004364 calculation method Methods 0.000 claims description 26
- 238000011176 pooling Methods 0.000 claims description 15
- 238000005065 mining Methods 0.000 claims description 13
- 238000012549 training Methods 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 8
- 238000006467 substitution reaction Methods 0.000 claims description 7
- 230000005284 excitation Effects 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 5
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 5
- 230000000295 complement effect Effects 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 238000012935 Averaging Methods 0.000 claims description 2
- 230000000694 effects Effects 0.000 claims description 2
- 238000003062 neural network model Methods 0.000 claims description 2
- 230000008439 repair process Effects 0.000 abstract description 10
- 230000005856 abnormality Effects 0.000 abstract description 2
- 230000005611 electricity Effects 0.000 description 8
- 238000012937 correction Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 230000001360 synchronised effect Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 101100545272 Caenorhabditis elegans zif-1 gene Proteins 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013450 outlier detection Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
-
- 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
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电力系统台区线损识别方法，包括：获取台区的全耗能因素，并对其进行归一化处理；全耗能因素包括设备参数和运行数据；将归一化处理后的全耗能因素输入卷积神经网络模型，卷积神经网络模型对输入数据进行处理并输出相应的线损率分类标签；卷积神经网络模型通过大量的全耗能因素输入样本和修正后线损率输出样本训练而成，修正后线损率由预设的专家知识决策树模型对表底数据进行修复后计算得到。本发明跳过由表底计算线损的过程，不需要经过大量的表底修复过程和系统档案异常判别过程，方便快捷、结果准确。此外本发明给出了台区合理的运行范围，为线损治理提供参考依据。
Description
技术领域
本发明涉及电力系统线损计算与识别领域，尤其涉及一种电力系统台区线损识别方法。
背景技术
电力系统中，配电台区位于电网末端，一方面设备老旧落后、智能化水平低、规划配置不合理，导致技术线损率居高不下；另一方面，台区低压220V侧的用户数量庞大，用户接线复杂，拓扑关系难以溯源识别，终端采集电表的可靠性和准确性低，导致数据质量参差不齐，数据差错率、遗失率较高，统计计算不同时的问题突出，若采用人员入户排查及表底补抄的方法，将耗费大量人力、物力、财力，大大增加工作量。对此，通过在台区安装大量智能电表和智能终端，使得数据采集的完整率和在线率得到大幅提升，进而使得采用基于数据驱动的线损计算和诊断方法正成为一种重要的技术手段。
当前关于线损率的计算方法主要分为理论线损和同期线损。理论线损是根据电网的拓扑结构和参数，采用前推回代计算电网潮流，得到线损率；同期线损依托智能电表在同一时刻的采集数据，在同一级电源用输入电量与输出电量的差值，计算实时线损。但台区的低压接线复杂，拓扑关系不明确，因此难以实现理论线损计算，因此现阶段主要采用同期线损方式。
而同期线损率的计算方法严重依赖智能电表的采集状况。为保证电表表底数据的准确性和完整性，目前的主要方法是采用阶段均值、历史相似日、相邻日、相近台区同日电量等方法，以近似数值替代的思路补全和修复数据，为线损计算提供可靠的基础数据，但是仅从数据分布特征进行补全和修复，缺少深层的异常机理做支撑，使补全数据与实际情况有偏差。
因此，在台区线损率的计算与识别时，部分技术摆脱了依靠表底计算线损的方法，采用深度学习的大数据分析方法，通过构建自学习性的BP神经网络或全神经网络方法，将台区的供电半径、负载率、低压线路总长度、居民用电比例等影响因素作为变量，然后赋予权重合并成一个关联指标，然后将不同数值的关联指标作为输入变量，台区线损率作为输出变量，经过大量样本数据对神经网络进行训练，这样新的线损计算将跳过由表底计算线损的过程，形成由影响因素计算线损率，从而判断线损率是否为异常高损。但是，这种方法对影响因素概括缺乏全面性，以及样本中的数据仍然缺少异常机理做支撑。此外，采用异常高损的离群点检测方法也仅仅从数据分布上进行挖掘、计算和判定，缺少高损的影响因素分析。
综上所述，现有的台区线损率的计算与识别技术存在以下问题：针对电表表底数据的不完整、不准确的修复方法缺乏深入异常机理的理论支撑，同时基于影响因素计算线损率时，对影响因素考虑不全面、不系统，这些都导致计算出的线损率与真实线损率之间偏差较大，计算结果准确度低，由此导致对台区线损程度做出错误识别。
发明内容
本发明所要解决的技术问题是提供一种能够提高计算结果准确度的电力系统台区线损识别方法。
为解决上述问题，本发明所述的一种电力系统台区线损识别方法包括：
获取台区的全耗能因素，并对其进行归一化处理；
其中，所述全耗能因素包括设备参数和运行数据，所述设备参数包括变压器阻抗参数、容量参数、线路阻抗和线路长度，所述运行数据包括台区总有功、功率因数、变压器负载率和电压；
将归一化处理后的全耗能因素输入预设的卷积神经网络模型，所述卷积神经网络模型对输入数据进行处理并输出相应的线损率分类标签；
其中，所述卷积神经网络模型通过大量样本训练而成，训练用输入样本为全耗能因素，训练用输出样本为修正后线损率及其分类标签；所述修正后线损率由预设的专家知识决策树模型对表底数据进行修复后计算得到。
优选的，所述的预设的专家知识决策树模型对表底数据进行修复，包括：
获取台区的表底数据，对所述表底数据中的异常情况进行分类研判，并针对不同分类采取不同的修复措施：
对当日断采的情况，采用平均电量等效替代方法；
对连续断采2～7天的情况，采用平均电量等效替代方法；
对断采超7天以上或现场补抄情况，采取邻近台区每日变化趋势占比的等效叠加方法；
对持续为0的情况，视为非离群点的正常数据，不做修复；
对当日表底突变的情况，采用次日数据等效替代方法。
优选的，在对所述表底数据中的异常情况进行分类研判之前，还包括修复用户异常档案：
判定当日用户数量相较前一日是否变动；
若数量未变动，则直接对所述表底数据中的异常情况进行分类研判；
若数量增加，且线损率相比于前一降幅超1％或变为负数，则对比前一日删除异常增加的用户数据；
若数量减少，且线损率相比前一日增幅超1％或变为超10％高损，则对比前一日补充丢失的用户数据。
优选的，所述不同的线损率分类标签对应不同的线损程度，包括：
大负损：-100％≤x＜-3％；
小负损：-3％≤x＜0；
正常：0≤x＜8％；
正常但偏高：8％≤x＜10％；
高损：10％≤x＜20％；
超大损：20％≤x＜100％；
其中，x为修正后线损率。
本发明与现有技术相比具有以下优点：
本发明中，构建了卷积神经网络的线损率计算模型，直接输入新台区的全耗能因素，即可输出对应的线损率分类标签，其中：(1)相较常规基于影响因素线损率计算方法，本发明全耗能因素包括设备参数和运行数据，考虑更全面，(2)而且训练卷积神经网络模型所用的线损率由专家知识决策树模型对表底数据进行修复后计算得到，而本发明专家知识决策树模型相较常规仅从数据本身分布进行修复的方法，原因分析更加深入异常原因，修复更加准确，使得修复后的线损率更加接近真实线损率，进而保证了卷积神经网络模型输出结果的准确度。
综上，本发明跳过由表底计算线损的过程，不需要经过大量的表底修复过程和系统档案异常判别过程，方便快捷、结果准确。此外本发明给出了台区合理的运行范围，为线损治理提供参考依据。
附图说明
下面结合附图对本发明的具体实施方式作进一步详细的说明。
图1为本发明实施例提供的设计流程图。
图2为本发明实施例提供的专家知识决策树流程图。
图3为本发明实施例提供的卷积神经网络模型训练流程图。
图4为本发明实施例提供的数据突变修复结果图。
图5为本发明实施例提供的连续断采超3天修复结果图。
图6为本发明实施例提供的断续断采超7天修复结果图。
具体实施方式
参考图1示出的设计流程图，本发明提供了一种基于专家知识决策树与卷积神经网络的台区线损率计算方法，设计思路分为三个环节(前两个环节为模型准备环节，第三环节为正式应用环节)：
第一个环节-构建专家知识决策树模型：归纳构建专家知识决策树，深入线损异常机理，对台区高、低压用户的两级电表的表底数据进行智能研判，对照异常原因采用不同的数据修复方法。依据修复后的表底数据计算得到修正后线损率。
第二个环节-构建卷积神经网络模型：在修复表底后的线损率基础上，构建一个将全耗能因素与修正后线损率关联的卷积神经网络模型。训练用的输入样本为全耗能因素，输出样本为修正后线损率及其分类标签，通过大量样本数据不断训练调试神经网络。
其中，全耗能因素包括设备参数和运行数据，设备参数包括变压器阻抗参数、容量参数、线路阻抗和线路长度，运行数据包括台区总有功、功率因数、变压器负载率和电压。
为便于直观了解线损率对应的线损程度，可对线损率的不同线损程度进行分类并制作标签，不同的线损率分类标签对应不同的线损程度可以是：
大负损：-100％≤x＜-3％；
小负损：-3％≤x＜0；
正常：0≤x＜8％；
正常但偏高：8％≤x＜10％；
高损：10％≤x＜20％；
超大损：20％≤x＜100％；
其中，x为修正后线损率。
第三个环节—正式计算：对于要计算线损率的新的台区，获取台区的全耗能因素，并对其进行归一化处理；将归一化处理后的全耗能因素输入第二环节构建好的卷积神经网络模型，卷积神经网络模型对输入数据进行处理并输出相应的线损率分类标签，该线损率分类标签用于判定台区高损情况。
以下针对前两个模型准备环节以及验证实验进行详细说明。
一、构建专家知识决策树模型
根据专家经验，大部分异常线损是由档案问题和表底采集问题引起，修复完高压台区、低压用户的档案和表底数据后，可有效提高计算线损的准确性，为后续线损计算提供可靠的数据样本。
步骤1.1、选择电能表在高压侧的台区变压器，采集台区10kV侧电表、低压380V三相电表和低压220V表底数据，计算台区及其所有用户的电表电量，然后计算台区当前线损率。
以“高供高计”的台区变压器为研究对象，分别采集10kV台区总表、台区下所有380V低压用户表在当日24:00的表底数据，前一日24:00为上表底，当日24:00为下表底，则电表当日的电量公式如下
Pn(t)＝(Sdown_n(t)-Sup_n(t))*Raten (1)
公式中，Pn(t)为第n块电能表在t时刻的有功功率；Sdown_n(t)、Sup_n(t)分别为第t天电表n的下表底数据和上表底数据；Ratei为表n的倍率。
根据台区高压侧、低压侧电表电量，从而计算台区当前的线损率，公式如下：
公式中，PLoss(t)为t时刻的台区功率；P0(t)为台区功率；N为低压用户总电量。
步骤1.2、根据台区和低压用户表底数据异常特征，采用专家知识从上至下将其分为两大决策类层——用户数量修正、表底数据修正，参考图2示出的专家知识决策树流程，决策层及其修正过程如下。
步骤1.2.1、修复低压用户异常档案
判定当日用户数量相较前一日是否变动，若数量未变动，则执行步骤1.2.2；若数量有变动，分增加或减少两种情况。
若数量增加，且线损率相比于前一降幅超1％或变为负数，说明在186营销系统中台区低压档案信息出现异动，则对比前一日删除异常增加的用户数据。
若数量减少，且线损率相比前一日增幅超1％或变为超10％高损，说明在186营销系统中台区用户数量丢失，则对比前一日补充丢失的用户数据。
步骤1.2.2、修复低压用户异常表底
(1)若当日表计断采，导致24:00采集的下表底数据为空数据，次日24:00表计恢复，采集到下表底，此时，按照售电量＝(下表底次日-上表底当日)*倍率，可知恢复采集当天将计算两日电量，然后再用两日电量的平均值代替这两天售电量。
(2)若断采超过2～7天，则同样用(下表底恢复当天-上表底断采当天)*倍率，可知恢复采集当天是这几天总的缺失电量，再计算平均日电量替代这几日缺失的售电量。
(3)当连续断采超7天，或者表底为现场补抄，即每月获取一次表底数据，此时缺失数据时间跨度大，采用平均电量不能表现用电量波动，进一步影响线损计算准确性。此时根据两次表底数据的差值计算总电量，然后提取邻近低压用户的每日电量占比，根据总电量*每日电量占比，从而计算出断采用户每日电量。
(4)若低压用户表底某日突变，第二日恢复正常，其原因为数据采集系统异常，用第二日数据替代异常日的数据即可。
(5)若表底持续为0，则说明用户未实际用电，或者用户/表号实际中不存在，仅在系统中虚设；若表底持续保持不变，说明用户未用电，零售电量为合理值，不可视为异常离群点。这两种情况均不需要修复处理。
步骤1.2.3、修复高压用户异常表底
10kV台区侧为10kV三相电能表，相比于低压380V三相表、220V单相表，除了应用电压等级更高、表的倍率更大外，表底修复方式与步骤1.2.2中低压电表一致。
二、构建卷积神经网络模型
参考图3示出的卷积神经网络模型训练流程。
步骤2.1、分析影响线损的全耗能因素，将全耗能因素按照设备参数、每日的系统状态分为两类，并对各因素归一化处理。
将影响线损率的因素分为设备参数、系统运行状态两大类，其中设备参数为变压器阻抗参数、容量参数、线路阻抗、线路长度，系统运行参数为台区总有功、功率因数、变压器负载率、电压。将上述参数进行如下归一化处理：
式中，S0(t)代表原始运行数据，表示有功功率、电压，s(t)为归一化后的数据，因变压器负载率和功率因数均无量纲单位，因此不需要归一化处理；mean()为取平均值函数；Q0(t)代表原始参数，表示变压器阻抗、容量、线路阻抗、线路长度，Base()为取基准值，分别对应变压器额定阻抗、额定容量、线路总阻抗、线路基准阻抗、线路基准长度。
步骤2.2、构建训练样本
本发明构建的卷积神经网络的输入量为经步骤2.1处理得到的归一化处理后的全耗能因素，输出量为经专家知识决策树模型修正后的线损率。
输入量和输出量通过多个卷积层层-激活层-池化层，进行层层转化，然后经过全连接层，计算线损率标签输出概率、计算损失函数并反向传播，反向传播过程中参数更新，重复上述过程直到训练出误差满足要求的参数则完成一组数据的训练；经过多组数据对神经网络模型参数进行反复修正。
步骤2.3、卷积层
卷积层的主要作用是计算输入数据与卷积核之间的卷积，并将计算的卷积继续向下一层输入，输出的特征值矩阵M的公式如下：
式中，M为i×j阶的输出矩阵；mi,j第i行、第j列元素；n为p×q阶卷积核；xi+p-1,j+q-1为输入矩阵X中第i+p-1行、j+q-1列元素。
步骤2.4、激励层
激活层紧接在卷积层之后，为神经元引入非线性元素，使神经网络能够应用于非线性模型中，本发明使用的是经典的修正线性单元(rectified linear unit，ReLU)作为神经元的激活函数，是它具有收敛快，求梯度简单的优势，ReLU函数公式如下：
步骤2.5、池化层
池化层是紧跟在激励层结束后开启的计算层，主要用于压缩数据和参数的量，减小过拟合。计算原理是将经激活层输出的数据划分成众多网格，然后取每个网格中代表性数据代替整个网格数据，剔除非关键的数据，从而缩减计算数据量。本发明采用最大池化层，即取每个网格中的最大数据代替该网格，最大池化层的计算公式如下：
m′＝max(mi,j) i,j∈R
式中，mi,j是激励层输出数据中属于网格R的数据；m′是经最大池化输出的数据。
步骤2.6、全连接层
本发明中经过多个卷积-激励-池化过程后，输出的结果进入到全连接层，全连接层是将最后池化输出的结果与线损率类别相对应起来，从而达到输入数据-神经网络-线损贯通连接的效果，计算如下：
式中，λ为线损率的6类标签的可信度，取其中可信度最高的为最终的线损率所属类别。本发明中按照线损率定义类别标签。
标签1:大负损(-100％≤x＜-3％)，
标签2：小负损(-3％≤x＜0)、
标签3：正常(0≤x＜8％)，
标签4：正常但偏高(8％≤x＜10％)，
标签5：高损(10％≤x＜20％)，
标签6：超大损(20％≤x＜100％)。
三、验证实验
选择某地区10kV配电网中的10个台区，分别取每个台区同时间的100天运行数据，然后获取每个台区的高压10kV侧，低压380、220V的表底数据，然后采用本发明的专家知识决策树对高、底压表底数据进行修复，再次计算得到接近真实值的线损率，并且按该线损率的取值范围设定线损率标签。
获取各台区的设备参数和运行数据，其中某两个台区的全耗能因素及其标准化后的数据如表1所示。
表1台区设备参数及数据数据样例
表1中，台区A和台区B都是在基准值的基础上进行归一化处理后的数据，且为台区1和台区2的单日数据。因此10个台区、100天的数据，每天的数据涉及9个变量，构建的数据样本矩阵大小1000×9。
构建的卷积神经网络卷积层深度为20层，卷积核大小为1×5，最大池化层大小为1×2，全连接层维度为100，输出大小矩阵为6×1，每次输入样本大小1×9次，共计1000次训练，开始对卷积神经网络进行训练。
本发明中采用专家知识决策树对用户异常数量和异常表底数据进行修复，其中以台区表底为例，对数据突变、连续断采超3天、断续断采超7天的数据分类修复，结果如图4-6所示。
由图4至图6可以看出，在经过本发明修正方法后可有效解决表底突变数据，使原始数据更加平滑衔接。
经过1000次训练后，分别选择10个台区在表底异常日的数据进行对比分析，经过专家知识决策树修正后线损率对比，以及输入各台区当天的设备参数和系统运行数据后的线损率标签，结果如表2所示：
表1台区输入数据标幺值及线损率计算结果
由表2可知，若仅通过表底数据计算同期线损率，在表底异常时将导致线损率异常，在本发明专家知识决策树进行修正后，线损率处于台区正常运行范围0～12％之间；若采用本发明的卷积神经网络，输入表1中的设备参数和系统数据，不需经过表底修正直接得到线损率分类标签，可知台区5标签为5，为高损状态，即为高损台区；台区9和台区10为标签4，线损率正常但偏高，与修正后的线损率基本保持一致，说明通过卷积神经网络计算的线损率标签的准确性。
以上对本发明所提供的技术方案进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以对本发明进行若干改进和修饰，这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (2)
1.一种电力系统台区线损识别方法，其特征在于，该方法包括：
获取台区的全耗能因素，并对其进行归一化处理；
其中，所述全耗能因素包括设备参数和运行数据，所述设备参数包括变压器阻抗参数、容量参数、线路阻抗和线路长度，所述运行数据包括台区总有功、功率因数、变压器负载率和电压；
将归一化处理后的全耗能因素输入预设的卷积神经网络模型，所述卷积神经网络模型对输入数据进行处理并输出相应的线损率分类标签；
其中，所述卷积神经网络模型通过大量样本训练而成，训练用输入样本为全耗能因素，训练用输出样本为修正后线损率及其分类标签；所述修正后线损率由预设的专家知识决策树模型对表底数据进行修复后计算得到；
所述的预设的专家知识决策树模型对表底数据进行修复，包括：
获取台区的表底数据，对所述表底数据中的异常情况进行分类研判，并针对不同分类采取不同的修复措施：
对当日断采的情况，采用平均电量等效替代方法；
对连续断采2～7天的情况，采用平均电量等效替代方法；
对断采超7天以上或现场补抄情况，采取邻近台区每日变化趋势占比的等效叠加方法；
对持续为0的情况，视为非离群点的正常数据，不做修复；
对当日表底突变的情况，采用次日数据等效替代方法；
在对所述表底数据中的异常情况进行分类研判之前，还包括修复用户异常档案：
判定当日用户数量相较前一日是否变动；
若数量未变动，则直接对所述表底数据中的异常情况进行分类研判；
若数量增加，且线损率相比于前一降幅超1％或变为负数，则对比前一日删除异常增加的用户数据；
若数量减少，且线损率相比前一日增幅超1％或变为超10％高损，则对比前一日补充丢失的用户数据；
构建卷积神经网络模型，步骤如下：
步骤2.1、分析影响线损的全耗能因素，将全耗能因素按照设备参数、每日的系统状态分为两类，并对各因素归一化处理；
将影响线损率的因素分为设备参数、系统运行状态两大类，其中设备参数为变压器阻抗参数、容量参数、线路阻抗、线路长度，系统运行参数为台区总有功、功率因数、变压器负载率、电压；将上述参数进行如下归一化处理：
式中，S0(t)代表原始运行数据，表示有功功率、电压，s(t)为归一化后的数据，因变压器负载率和功率因数均无量纲单位，因此不需要归一化处理；mean(S0(t))为取平均值函数；Q0(t)代表原始参数，表示变压器阻抗、容量、线路阻抗、线路长度，Base(Q0(t))为取基准值，分别对应变压器额定阻抗、额定容量、线路总阻抗、线路基准阻抗、线路基准长度；
步骤2.2、构建训练样本
构建的卷积神经网络的输入量为经步骤2.1处理得到的归一化处理后的全耗能因素，输出量为经专家知识决策树模型修正后的线损率；
输入量和输出量通过多个卷积层层-激活层-池化层，进行层层转化，然后经过全连接层，计算线损率标签输出概率、计算损失函数并反向传播，反向传播过程中参数更新，重复上述过程直到训练出误差满足要求的参数则完成一组数据的训练；经过多组数据对神经网络模型参数进行反复修正；
步骤2.3、卷积层
卷积层的主要作用是计算输入数据与卷积核之间的卷积，并将计算的卷积继续向下一层输入，输出的特征值矩阵M的公式如下：
式中，M为i×j阶的输出矩阵；mi,j第i行、第j列元素；n为p×q阶卷积核；xi+p-1,j+q-1为输入矩阵X中第i+p-1行、j+q-1列元素；
步骤2.4、激励层
激活层紧接在卷积层之后，为神经元引入非线性元素，使神经网络能够应用于非线性模型中，使用经典的修正线性单元(rectified linear unit，ReLU)作为神经元的激活函数，是它具有收敛快，求梯度简单的优势，ReLU函数公式如下：
步骤2.5、池化层
池化层是紧跟在激励层结束后开启的计算层，主要用于压缩数据和参数的量，减小过拟合；计算原理是将经激活层输出的数据划分成众多网格，然后取每个网格中代表性数据代替整个网格数据，剔除非关键的数据；从而缩减计算数据量；采用最大池化层，即取每个网格中的最大数据代替该网格，最大池化层的计算公式如下：
m′＝max(mi,j)i,j∈R
式中，mi,j是激励层输出数据中属于网格R的数据；m′是经最大池化输出的数据；
步骤2.6、全连接层
经过多个卷积-激励-池化过程后，输出的结果进入到全连接层，全连接层是将最后池化输出的结果与线损率类别相对应起来，从而达到输入数据-神经网络-线损贯通连接的效果，计算如下：
式中，λ为线损率的6类标签的可信度，取其中可信度最高的为最终的线损率所属类别。
2.如权利要求1所述的方法，其特征在于，所述不同的线损率分类标签对应不同的线损程度，包括：
大负损：-100％≤x＜-3％；
小负损：-3％≤x＜0；
正常：0≤x＜8％；
正常但偏高：8％≤x＜10％；
高损：10％≤x＜20％；
超大损：20％≤x＜100％；
其中，x为修正后线损率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150808.4A CN113866562B (zh) | 2021-09-29 | 2021-09-29 | 一种电力系统台区线损识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111150808.4A CN113866562B (zh) | 2021-09-29 | 2021-09-29 | 一种电力系统台区线损识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113866562A CN113866562A (zh) | 2021-12-31 |
| CN113866562B true CN113866562B (zh) | 2024-08-20 |
Family
ID=78992706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111150808.4A Active CN113866562B (zh) | 2021-09-29 | 2021-09-29 | 一种电力系统台区线损识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113866562B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114611396B (zh) * | 2022-03-15 | 2023-03-24 | 国网安徽省电力有限公司蚌埠供电公司 | 一种基于大数据分析线损的方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217014A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种用于国网省一体化安全校核的数据校验方法 |
| CN112054507A (zh) * | 2020-08-07 | 2020-12-08 | 国网辽宁省电力有限公司沈阳供电公司 | 基于卷积神经网络的配电低压台区理论线损区间计算方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108416693A (zh) * | 2018-02-01 | 2018-08-17 | 东华大学 | 一种基于模糊神经网络的用电异常行为识别方法 |
| CN108694467B (zh) * | 2018-05-22 | 2021-02-05 | 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 |
| CN110942084A (zh) * | 2019-10-12 | 2020-03-31 | 华北电力大学 | 一种基于同期线损异常辨识的降损措施制定方法 |
| CN111781463A (zh) * | 2020-06-25 | 2020-10-16 | 国网福建省电力有限公司 | 一种台区线损异常辅助诊断方法 |
| CN113159339B (zh) * | 2021-04-20 | 2023-08-04 | 国网江西省电力有限公司信息通信分公司 | 一种基于大数据的一台区一指标线损管理方法及系统 |
| CN113139596A (zh) * | 2021-04-20 | 2021-07-20 | 武汉理工大学 | 低压台区线损神经网络的优化算法 |
-
2021
- 2021-09-29 CN CN202111150808.4A patent/CN113866562B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104217014A (zh) * | 2014-09-22 | 2014-12-17 | 国家电网公司 | 一种用于国网省一体化安全校核的数据校验方法 |
| CN112054507A (zh) * | 2020-08-07 | 2020-12-08 | 国网辽宁省电力有限公司沈阳供电公司 | 基于卷积神经网络的配电低压台区理论线损区间计算方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113866562A (zh) | 2021-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113159339B (zh) | 一种基于大数据的一台区一指标线损管理方法及系统 | |
| CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
| CN110516912B (zh) | 一种配电台区户变关系的识别方法 | |
| CN110674189B (zh) | 一种智能变电站二次状态监测与故障定位的方法 | |
| 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 | |
| CN106909933A (zh) | 一种三阶段多视角特征融合的窃电分类预测方法 | |
| CN114862139A (zh) | 一种基于数据驱动的台区线损率异常诊断方法 | |
| CN104700321A (zh) | 一种输变电设备状态运行趋势分析方法 | |
| CN110910026B (zh) | 一种跨省输电线路线损智能管理与决策方法及系统 | |
| CN111612326A (zh) | 一种配变供电可靠性的综合评估方法 | |
| CN110889565B (zh) | 一种基于多维矩阵决策的配网巡检周期计算方法 | |
| CN113111955A (zh) | 一种线损异常数据专家系统及检测方法 | |
| CN112785060A (zh) | 一种配电网精益化运维水平优化方法 | |
| CN113189418A (zh) | 一种基于电压数据的拓扑关系识别方法 | |
| CN111738573A (zh) | 一种基于电能表全寿命周期数据的健康评价方法 | |
| CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
| CN113866562B (zh) | 一种电力系统台区线损识别方法 | |
| CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
| CN111105218A (zh) | 一种基于全息影像技术的配电网运行监视方法 | |
| CN112308437B (zh) | 基于大数据分析的线损治理方法、系统、装置和存储介质 | |
| CN113327047A (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
| CN116879672A (zh) | 一种基于时间卷积网络的台区总表故障智能辨识方法 | |
| CN116933201A (zh) | 低压充电桩违约用电行为识别的方法和系统 | |
| CN112434955B (zh) | 一种基于多数据融合的配网线路运行风险感知方法 | |
| CN107832408A (zh) | 一种基于数据标签及熵权法的电网缺陷推荐方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |