CN113887916A - 一种配电网线损动态量化评估方法及系统 - Google Patents
一种配电网线损动态量化评估方法及系统 Download PDFInfo
- Publication number
- CN113887916A CN113887916A CN202111135521.4A CN202111135521A CN113887916A CN 113887916 A CN113887916 A CN 113887916A CN 202111135521 A CN202111135521 A CN 202111135521A CN 113887916 A CN113887916 A CN 113887916A
- Authority
- CN
- China
- Prior art keywords
- line loss
- evaluation
- data set
- data
- distribution network
- 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 42
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 11
- 238000011156 evaluation Methods 0.000 claims abstract description 36
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000013461 design Methods 0.000 claims abstract description 9
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 238000013210 evaluation model Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000008901 benefit Effects 0.000 abstract description 9
- 238000012545 processing Methods 0.000 abstract description 6
- 238000007405 data analysis Methods 0.000 abstract description 5
- 238000012417 linear regression Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000007637 random forest analysis Methods 0.000 description 3
- 230000006403 short-term memory Effects 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005070 sampling 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06N3/08—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于配电网线损数据处理技术领域，具体涉及一种配电网线损动态量化评估方法及系统；通过以下步骤实现：S1、获取配电网中的历史数据集并进行预处理；S2、根据获取到的历史数据集创建聚类中心，划分同类型台区；S3、根据划分后的台区采用对应的线损预测模型；S4、根据预测结果以及线损综合评价进行供电线路的优化设计；本发明提高经济效益的同时进一步增强了数据分析的真实性和可靠性。
Description
技术领域
本发明属于配电网线损数据处理技术领域，具体涉及一种配电网线损动态量化评估方法及系统。
背景技术
电力技术大力发展的潮流中，供电公司作为一个迅速发展的企业，追求稳健的经济效益，就要通过开源节流、降损减耗等管理及技术措施提升效益，从而实现经济盈利。电流通过线路后产生能量损耗的优良程度对供电公司的经济效益具有较大的影响，线损率反映出配电线路的规划水平，也能反映电网公司经营管理水平。由于供电公司的生产经营效益的高低会直接受到电网的线损管理是否得当的影响，因此尽可能的实现较低的线损率不仅是供电公司提高经济效益的努力方向之一，同时也是供电公司不断追寻稳定与健康发展的目标之一。
现有技术中，在分析线损普遍从电网机构和用电结构变化的基础上进行分析，但是分析层面仅从电网的网架结构、设备情况、负载率因素进行分析，覆盖面不够全面，实际线损率和相应的变换规律无法从客观的层面上呈现。
发明内容
本发明克服了现有技术存在的不足，提供了一种一种配电网线损动态量化评估方法及系统，通过分析线损以及对获取到历史数据下的成本投入，同时利用预测模型对线损进行预测，从而优化后制定的供电线路，降低线损减少成本投入，提高经济效益。
为了解决上述技术问题，本发明采用的技术方案为：针对现有技术在分析线损普遍从电网机构和用电结构变化的基础上进行分析，覆盖面不够全面，以及实际线损率和相应的变换规律无法从客观的层面上呈现的问题，提出了一种配电网线损动态量化评估方法，该方法具体包括以下步骤：
S1、获取配电网中的历史数据集并进行预处理；
S2、根据获取到的历史数据集创建聚类中心，划分同类型台区；
S3、根据划分后的台区采用对应的线损预测模型；
S4、根据预测结果以及线损综合评价进行供电线路的优化设计。
通过分析线损以及对获取到历史数据下的成本投入，同时利用预测模型对线损进行预测，从而优化后制定的供电线路，降低线损减少成本投入，提高经济效益。
所述步骤S1获取到历史数据集后，针对数据缺数、数据异常和数据冗余的问题，通过对缺失数据的填补、异常数据和冗余数据的删除，对获取到的历史数据集进行数据预处理。
所述步骤S2在划分同类型台区式，进一步的包括以下步骤；
S201、随机从经过预处理后的数据集中选取一点作为聚类的中心点μ1；
S202、计算数据集中每一点与当前已有聚类中心点之间的最短距离；其中计算距离的表达式为；
式(1-1)中，xi表示数据集中的任意一点，μτ表示现有的聚类中心点；
S203、根据距离计算的结果，利用加权概率分布计算每个样本被选为下一个中心点的概率，并按照轮盘法选取新的聚类中心点；
S204、通过循环迭代的方式，重复步骤S202和步骤S203获取新的聚类中心点，直至聚类中心点的数量满足K个；
S205、根据划分出的聚类中心点将数据集中的各个数据划分到距离最近中心点所在的类中。
所述S4进行供电线路优化设计时，通过综合评价作为定性定量评价对象所处状态的决策措施；所述综合评价包括对评价指标的选取、评价体系的建立、权重值得设定和评价结果的输出。
进行综合评价时，构建基于偏差的模糊评价模型，所述基于偏差的模糊评价模型通过各电压等级网络、各电压等级元件进行其中线损指标的评价，用于评估其线损或各项指标的偏差程度。
所述基于偏差的模糊评价模型引用的偏差为有名值或百分比；针对线损指标进行评估时，由于当线损率越低时表明状态越好，因此，采用超上限评估模型进行评估；所述超上限评估模型只评估正偏差，负偏差不考核均为满分，只考核正偏差；
所述超上限评估模型表达式为：
式(1-2)中，ΔY表示待评价指标或参数的偏差；k表示预设系数；所述F(ΔY)表示0到1之间的评估结果，用于在评估的同时将结果标准化。
所述线损预测模型包括：线性回归预测模型、长短期记忆网络预测模型和随机森林预测模型；根据台区聚类结果，结合预测结果的偏差分析，为提高预测结果，在实际工况中采用更适配的预测模型进行相对应的预测分析；
进一步的，进行线损预测时，实现过程包括：
S301、构建线损预测模型；
S302、根据预设比例划分历史数据集为训练集和验证集；
S303、利用训练集对线损模型预测模型进行训练；
S304、输出训练完成的线损预测模型。
提出一种配电网线损动态量化评估系统，该系统更具体包括：
用于获取数据以及进行数据预处理的第一模块；
用于划分同类型台区的第二模块；
用于分析择用相应线损预测模型的第三模块；
用于优化供电线路的第四模块。
第一模块获取配电网中的历史数据集，并针对实际工况中因为数据缺数、数据异常和数据冗余的问题，通过对缺失数据的填补、异常数据和冗余数据的删除，对获取到的历史数据集进行数据预处理；第二模块接收第一模块经过预处理的数据后，创建聚类中心并根据距离计算结果划分同类型台区；第三模块根据划分好的台区采用相对应的线损预测模型对线损进行预测并输出预测结果；第四模块接收第三模块输出的预测结果，通过综合分析优化供电线路的设计，选择最优的供电线路，实现线损的减少，从而提高经济效益。
所述第一模块在进行数据预处理时，为了正确反映配电网线损特性，首先将其中的缺失值以及非数字特征的数据进行标准化处理；针对缺失值，在实际工况中，采用数据集中的众数进行填充；针对非数字特征的数据，采用编码组合的方式将表达形式转换为数字量特征；
所述第二模块为了降低线损分析时的复杂难度以及降低运算时所占用的资源，根据获取到的历史数据集创建聚类中心，划分同类型台区。
本发明与现有技术相比具有的有益效果是：
1、本发明通过分析线损以及对获取到历史数据下的成本投入，同时利用预测模型对线损进行预测，从而优化后制定的供电线路，降低线损减少成本投入，提高经济效益。
2、在数据分析过程中，通过对缺失数据的填补、异常数据和冗余数据的删除，对获取到的历史数据集进行数据预处理，进一步增强数据分析结果的真实性和可靠性。
附图说明
下面结合附图对本发明做进一步的说明。
图1为本发明的数据处理流程框图。
具体实施方式
如图所示：
实施例一
针对现有技术在分析线损普遍从电网机构和用电结构变化的基础上进行分析，覆盖面不够全面，以及实际线损率和相应的变换规律无法从客观的层面上呈现的问题，本实施例提出一种配电网线损动态量化评估方法，如图1所示，本方法具体包括以下步骤：
S1:获取配电网中的历史数据集并进行预处理；
S2:根据获取到的历史数据集创建聚类中心，划分同类型台区；
S3:根据划分后的台区采用对应的线损预测模型；
S4:根据预测结果以及线损综合评价进行供电线路的优化设计。
通过分析线损以及对获取到历史数据下的成本投入，同时利用预测模型对线损进行预测，从而优化后制定的供电线路，降低线损减少成本投入，提高经济效益。
实施例二
在实施例一基础上的进一步实施例中，线损作为反映电网规划的重要技术经济指标，在进行数据分析时往往依赖于数据的完整性和合理性，但是实际工况中往往会因数据缺数、数据异常和数据冗余的问题，导致分析结果与实际理想方案存在偏差。因此，本实施例提出一种历史数据预处理的方法，通过对缺失数据的填补、异常数据和冗余数据的删除，对获取到的历史数据集进行数据预处理。
具体的，线损的率作为回如皋能量配电网线损的指标，是一段时间范围内线损占总供电量的比例，其表达式为：
式中，L表示配电网的线损率；Eloss表示配电网损失的电量；Esupport表示配电网的供电量；Esale表示配电网销售的电量。
分析获取到的历史数据集时，为了正确反映配电网线损特性，首先将其中的缺失值以及非数字特征的数据进行标准化处理。针对缺失值，实际工况，采用数据集中的众数进行填充。针对非数字特征的数据，采用编码组合的方式将表达形式转换为数字量特征。优选实施例中，在数据类型转换的过程中，若非数字特征的数据中的一个特征具备两种可能性，则编码后便对应两个二元特征。在缺失数据和非数字特征数据完成填充和转换后对其进行标准化处理，通过数据标准化将分析数据转换为同一量纲，从而消除了不同量纲对造成的不良影响。
实施例三
在实施例一基础上的进一步实施例中，配电网的覆盖面广阔，但不同的区域配电网台区的数量并不完全相同，为了降低线损分析时的复杂难度以及降低运算时所占用的资源，本实施例根据获取到的历史数据集创建聚类中心，划分同类型台区。
具体的，首先，随机从数据集中选取一点作为聚类的中心点μ1；其次，采用距离计算表达式，计算数据集中每一点与当前已有聚类中心点之间的最短距离；再次，根据距离计算的结果，利用加权概率分布计算每个样本被选为下一个中心点的概率，并按照轮盘法选取新的聚类中心点；从次，通过循环迭代的方式，获取新的聚类中心点，直至满足K个聚类中心点；最后，根据划分出的聚类中心点将数据集中的各个数据划分到距离最近中心点所在的类中。
其中，距离计算表达式为：
式(1-1)中，xi表示数据集中的任意一点，μτ表示现有的聚类中心点。
本实施例采用的聚类方式能显著改善分类结果的最终误差，同时通过区域划分聚类的方式，降低了分析复杂度，以及运算资源的占用，同时为后续针对性的数据分析提供依据，增强分析结果的可靠性。
实施例四
在实施例一基础上的进一步实施例中，为了更好的预测不同台区的供电线路损耗，根据划分后的台区采用对应的线损预测模型进行线损预测，其中线损预测模型的预测结果，通过偏差和方差的结果进行实现。偏差是模型预测结果与真实值之间的差值，当偏差的数值越小时，表明模型的拟合结果就越好；方差是预测模型针对不同个数据集上预测结果的差值，当方差的数值越小时，表明模型的泛化能力越强。
进行线损预测时，实现过程包括：
S301、构建线损预测模型；
S302、根据预设比例划分历史数据集为训练集和验证集；
S303、利用训练集对线损模型预测模型进行训练；
S304、输出训练完成的线损预测模型。
其中，线损预测模型包括：线性回归预测模型、长短期记忆网络预测模型和随机森林预测模型，根据台区聚类结果，结合预测结果的偏差分析，为提高预测结果，在实际工况中采用更适配的预测模型进行相对应的预测分析。
在进一步的实施例中，线性回归预测模型采用平均方法进行模型训练，其训练过程包括以下步骤：
S3011、在经过预处理后的数据集上随机进行取样；
S3012、使用是随机抽取的数据训练多元线性回归模型；
S3013、循环迭代步骤S3011和步骤S3012直至获取多个训练完成的多元线性回归模型；
S3014、组合多元线性回归模型，根据平均值获取最终的预测结果。
线性回归预测模型作为一种集成式的回归算法，通过集成和平均值的计算方式，可以实现有效减少评估器的方差；另外，由于基本评估器至少由一个组成，所以能够有效降低模型过拟合，增加模型稳定性。
在进一步的实施例中，长短期记忆网络预测模型可以解决现有技术中神经网络具备的长时依赖问题，进行线损数值预测时，首先将数据集输入模型，并将训练所用数据归一化；然后设置模型网络层数、神经元个数、激活函数、学习率，并设置超参数；参数设置完成后开始计算损失函数并调整阈值，当误差达到设定值以下或迭代次数达到设定值时，停止模型运算并保存结果。
在进一步的实施例中，随机森林预测模型的训练过程包括以下步骤：
步骤3.2.1、设定经过预处理后的数据集为S以及输出的结果数为回归树。
步骤3.2.2、当训练集的初始深度为0，遍历其每个特征F的每个值V，每一个V会把原始数据集S分为两个集合，即左集合S-left和右集合S-right，其中每一个集合都称作一个节点。所述左集合S-left是小于V的样本集合；所述右集合S-right是大于V的样本集合。
步骤3.2.3、分别计算左集合S-left、右集合S-right的均方误差，找到使左右集合均方误差和最小的值VALUE和特征FEATURE，并记录；所述最小的值VALUE为最佳分割特征，所述特征FEATURE为最佳分割值。
步骤3.2.4、判断是否满足预设条件，若满足则选取新的值V并跳转至步骤3.2.2，此时每个结合均为一个节点，同时决策树的深度加一；反之，跳转至步骤3.2.5。
步骤3.2.5、将叶子节点的值作为预测值输出。
本实施例实施时，最终当集合不再分裂，此时此集合便成为叶子节点。在该叶子节点内的样本预测值就是叶子节点的值，在同一个叶子节点中的样本有相同的预测值。
实施例五
在实施例一基础上的进一步实施例中，优化供电线路设计依赖于基于线损评估的结果，以最低线损为目的进行供电线路的设计。为了更好的获取最优的供电线路，本实施例提出一种综合评价模型，通过评价结果获取最优供电线路的方案。
具体的，综合评价作为定性定量评价对象所处状态的决策措施，包括：对评价指标的选取、评价体系的建立、权重值得设定和评价结果的输出。为了解决不同范围、不同区域的电网线损动态评估，以评价范围内指标最好元件为基准，计算各元件的动态基准差，利用模糊评估函数对元件线损进行动态量化评估，实现了所有元件的百分制评分，在此评分的基础上，结合相应评价模型，实现元件的动态评价。
在进一步的实施例中，通过各电压等级网络、各电压等级元件进行线损评价，用于评估其线损或各项指标的偏差程度，采用了基于偏差的模糊评价模型。其中引用的偏差可以是有名值、百分比。优选实施例中，基本评判模型采用双边评价方式，其中ΔY为待评价指标或参数的偏差，F(ΔY)为0到1之间的评估结果，在评估的同时将结果标准化了，便于比较和打分。其公式表达式如下所示：
式中，ΔY表示待评价指标或参数的偏差，k表示预设系数。实际工况中，依据考核评价方式的不同，在该基本模型的基础上，扩展出超上限和超下限两种扩展评估模型。其中，超上限评估模型只评估正偏差，负偏差不考核均为满分，只考核正偏差，其表达式为：
式(1-2)中，ΔY表示待评价指标或参数的偏差，k表示预设系数。
超下限评估模型只评估负偏差，正偏差不考核均为满分，只考核负偏差，其表达式为：
式中，ΔY表示待评价指标或参数的偏差，k表示预设系数。本事实例中，针对线损指标进行评估，当线损率越低时表明状态越好，因此进行评估时采用超上限评估模型。
实施例六
针对实施例一提出的一种配电网线损动态量化评估方法，本实施例提出一种配电网线损动态量化评估系统用于实现该方法，该系统具体包括：
用于获取数据以及进行数据预处理的第一模块；
用于划分同类型台区的第二模块；
用于分析择用相应线损预测模型的第三模块；
用于优化供电线路的第四模块。
在进一步的实施例中，第一模块获取配电网中的历史数据集，并针对实际工况中因为数据缺数、数据异常和数据冗余的问题，通过对缺失数据的填补、异常数据和冗余数据的删除，对获取到的历史数据集进行数据预处理；第二模块接收第一模块经过预处理的数据后，创建聚类中心并根据距离计算结果划分同类型台区；第三模块根据划分好的台区采用相对应的线损预测模型对线损进行预测并输出预测结果；第四模块接收第三模块输出的预测结果，通过综合分析优化供电线路的设计，选择最优的供电线路，实现线损的减少，从而提高经济效益。
在进一步的实施例中，第一模块在进行数据预处理时，为了正确反映配电网线损特性，首先将其中的缺失值以及非数字特征的数据进行标准化处理。针对缺失值，在实际工况中，采用数据集中的众数进行填充。针对非数字特征的数据，采用编码组合的方式将表达形式转换为数字量特征。
在进一步的实施例中，第二模块为了降低线损分析时的复杂难度以及降低运算时所占用的资源，根据获取到的历史数据集创建聚类中心，划分同类型台区。
如上所述，尽管参照特定的优选实施例已经表示和表述了本发明，但其不得解释为对本发明自身的限制。在不脱离所附权利要求定义的本发明的精神和范围前提下，可对其在形式上和细节上做出各种变化。
步骤一、获取配电网中的历史数据集并进行预处理；
步骤二、根据获取到的历史数据集创建聚类中心，划分同类型台区；
步骤三、根据划分后的台区采用对应的线损预测模型；
步骤四、根据预测结果以及线损综合评价进行供电线路的优化设计。
上述实施方式仅示例性说明本发明的原理及其效果，而非用于限制本发明。对于熟悉此技术的人皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改进。因此，凡举所述技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。
Claims (7)
1.一种配电网线损动态量化评估方法，其特征在于，具体包括以下步骤：
S1:获取配电网中的历史数据集并进行预处理；
S2:根据获取到的历史数据集创建聚类中心，划分同类型台区；
S3:根据划分后的台区采用对应的线损预测模型；
S4:根据预测结果以及线损综合评价进行供电线路的优化设计。
2.根据权利要求1所述的一种配电网线损动态量化评估方法，其特征在于，所述步骤S1获取到历史数据集后，针对数据缺数、数据异常和数据冗余的问题，通过对缺失数据的填补、异常数据和冗余数据的删除，对获取到的历史数据集进行数据预处理。
3.根据权利要求1所述的一种配电网线损动态量化评估方法，其特征在于，所述步骤S2在划分同类型台区式时，具体包含以下步骤：
S201、随机从经过预处理后的数据集中选取一点作为聚类的中心点μ1；
S202、计算数据集中每一点与当前已有聚类中心点之间的最短距离；其中计算距离的表达式为；
式(1-1)中，xi表示数据集中的任意一点，μτ表示现有的聚类中心点；
S203、根据距离计算的结果，利用加权概率分布计算每个样本被选为下一个中心点的概率，并按照轮盘法选取新的聚类中心点；
S204、通过循环迭代的方式，重复步骤S202和步骤S203获取新的聚类中心点，直至聚类中心点的数量满足K个；
S205、根据划分出的聚类中心点将数据集中的各个数据划分到距离最近中心点所在的类中。
4.根据权利要求1所述的一种配电网线损动态量化评估方法，其特征在于，所述步骤S4进行供电线路优化设计时，通过综合评价作为定性定量评价对象所处状态的决策措施。
5.根据权利要求4所述的一种配电网线损动态量化评估方法，其特征在于，进行所述综合评价时，构建基于偏差的模糊评价模型，所述基于偏差的模糊评价模型通过各电压等级网络、各电压等级元件进行其中线损指标的评价，用于评估其线损或各项指标的偏差程度。
6.根据权利要求5所述的一种配电网线损动态量化评估方法，其特征在于，所述基于偏差的模糊评价模型引用的偏差为有名值或百分比；针对线损指标进行评估时，由于当线损率越低时表明状态越好，因此，采用超上限评估模型进行评估；所述超上限评估模型只考核正偏差，负偏差不考核均为满分；
所述超上限评估模型表达式为：
式(1-2)中，ΔY表示待评价指标或参数的偏差；k表示预设系数；所述F(ΔY)表示0到1之间的评估结果，用于在评估的同时将结果标准化。
7.根据权利要求1所述的一种配电网线损动态量化评估方法，其特征在于，步骤S3中所述线损预测模型设置有多种，在实际工况中采用更适配的线损预测模型进行相对应的预测分析；
进行线损预测时，具体包含以下步骤：
S301、构建线损预测模型；
S302、根据预设比例划分历史数据集为训练集和验证集；
S303、利用训练集对线损模型预测模型进行训练；
S304、输出训练完成的线损预测模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111135521.4A CN113887916A (zh) | 2021-09-27 | 2021-09-27 | 一种配电网线损动态量化评估方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111135521.4A CN113887916A (zh) | 2021-09-27 | 2021-09-27 | 一种配电网线损动态量化评估方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113887916A true CN113887916A (zh) | 2022-01-04 |
Family
ID=79006925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111135521.4A Pending CN113887916A (zh) | 2021-09-27 | 2021-09-27 | 一种配电网线损动态量化评估方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113887916A (zh) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114462901A (zh) * | 2022-04-13 | 2022-05-10 | 石家庄科林物联网科技有限公司 | 有源配电网电能质量评价方法、装置、终端及存储介质 |
| CN114609480A (zh) * | 2022-05-16 | 2022-06-10 | 国网四川省电力公司电力科学研究院 | 一种电网损耗异常数据检测方法、系统、终端及介质 |
| CN114757450A (zh) * | 2022-06-13 | 2022-07-15 | 四川晨坤电气设备有限公司 | 一种智能配电运维网络的线损预测方法及装置 |
| CN114839586A (zh) * | 2022-05-12 | 2022-08-02 | 烟台东方威思顿电气有限公司 | 基于em算法的低压台区计量装置失准计算方法 |
| CN115689074A (zh) * | 2023-01-05 | 2023-02-03 | 北京飞利信信息安全技术有限公司 | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
| CN116756888A (zh) * | 2023-05-17 | 2023-09-15 | 广东电网有限责任公司广州供电局 | 基于虚拟现实的中压配电网电力管线作业设计评估系统 |
| CN116976701A (zh) * | 2023-08-01 | 2023-10-31 | 浙江稳山电气科技有限公司 | 一种电网线损水平的智能估测方法及系统 |
| CN117649314A (zh) * | 2023-12-20 | 2024-03-05 | 中国电力科学研究院有限公司 | 计入台区采集数据质量和运行状态的线损修正方法及系统 |
| CN117977726A (zh) * | 2024-03-29 | 2024-05-03 | 南方电网调峰调频(广东)储能科技有限公司 | 基于区域调频的水力发电厂优化方法、装置、设备和介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106992517A (zh) * | 2017-04-28 | 2017-07-28 | 国网山东省电力公司莱西市供电公司 | 电力线损分析方法、装置和系统 |
| CN111581325A (zh) * | 2020-07-13 | 2020-08-25 | 重庆大学 | 一种基于时空影响距离的K-means站点区域划分方法 |
| CN112199722A (zh) * | 2020-10-15 | 2021-01-08 | 南京邮电大学 | 一种基于K-means的差分隐私保护聚类方法 |
| CN112364914A (zh) * | 2020-11-10 | 2021-02-12 | 郑州大学 | 基于簇相似度与变换不变性的差分隐私k均值聚类方法 |
| CN112488395A (zh) * | 2020-12-01 | 2021-03-12 | 湖南大学 | 一种配电网线损预测方法及系统 |
-
2021
- 2021-09-27 CN CN202111135521.4A patent/CN113887916A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106992517A (zh) * | 2017-04-28 | 2017-07-28 | 国网山东省电力公司莱西市供电公司 | 电力线损分析方法、装置和系统 |
| CN111581325A (zh) * | 2020-07-13 | 2020-08-25 | 重庆大学 | 一种基于时空影响距离的K-means站点区域划分方法 |
| CN112199722A (zh) * | 2020-10-15 | 2021-01-08 | 南京邮电大学 | 一种基于K-means的差分隐私保护聚类方法 |
| CN112364914A (zh) * | 2020-11-10 | 2021-02-12 | 郑州大学 | 基于簇相似度与变换不变性的差分隐私k均值聚类方法 |
| CN112488395A (zh) * | 2020-12-01 | 2021-03-12 | 湖南大学 | 一种配电网线损预测方法及系统 |
Cited By (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114462901B (zh) * | 2022-04-13 | 2022-07-12 | 石家庄科林物联网科技有限公司 | 有源配电网电能质量评价方法、装置、终端及存储介质 |
| CN114462901A (zh) * | 2022-04-13 | 2022-05-10 | 石家庄科林物联网科技有限公司 | 有源配电网电能质量评价方法、装置、终端及存储介质 |
| CN114839586A (zh) * | 2022-05-12 | 2022-08-02 | 烟台东方威思顿电气有限公司 | 基于em算法的低压台区计量装置失准计算方法 |
| CN114609480B (zh) * | 2022-05-16 | 2022-08-16 | 国网四川省电力公司电力科学研究院 | 一种电网损耗异常数据检测方法、系统、终端及介质 |
| CN114609480A (zh) * | 2022-05-16 | 2022-06-10 | 国网四川省电力公司电力科学研究院 | 一种电网损耗异常数据检测方法、系统、终端及介质 |
| CN114757450B (zh) * | 2022-06-13 | 2022-09-02 | 四川晨坤电气设备有限公司 | 一种智能配电运维网络的线损预测方法及装置 |
| CN114757450A (zh) * | 2022-06-13 | 2022-07-15 | 四川晨坤电气设备有限公司 | 一种智能配电运维网络的线损预测方法及装置 |
| CN115689074A (zh) * | 2023-01-05 | 2023-02-03 | 北京飞利信信息安全技术有限公司 | 一种台区电网建设规划方法、装置、电子设备及存储介质 |
| CN116756888A (zh) * | 2023-05-17 | 2023-09-15 | 广东电网有限责任公司广州供电局 | 基于虚拟现实的中压配电网电力管线作业设计评估系统 |
| CN116756888B (zh) * | 2023-05-17 | 2024-02-23 | 广东电网有限责任公司广州供电局 | 基于虚拟现实的中压配电网电力管线作业设计评估系统 |
| CN116976701A (zh) * | 2023-08-01 | 2023-10-31 | 浙江稳山电气科技有限公司 | 一种电网线损水平的智能估测方法及系统 |
| CN116976701B (zh) * | 2023-08-01 | 2024-03-19 | 浙江稳山电气科技有限公司 | 一种电网线损水平的智能估测方法及系统 |
| CN117649314A (zh) * | 2023-12-20 | 2024-03-05 | 中国电力科学研究院有限公司 | 计入台区采集数据质量和运行状态的线损修正方法及系统 |
| CN117977726A (zh) * | 2024-03-29 | 2024-05-03 | 南方电网调峰调频(广东)储能科技有限公司 | 基于区域调频的水力发电厂优化方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113887916A (zh) | 一种配电网线损动态量化评估方法及系统 | |
| CN110674999A (zh) | 基于改进聚类和长短期记忆深度学习的小区负荷预测方法 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN110135635A (zh) | 一种区域电力饱和负荷预测方法及系统 | |
| CN113112090B (zh) | 基于综合互信息度的主成分分析的空间负荷预测方法 | |
| KR20200103193A (ko) | 심층 구조를 이용한 전력 수요 예측 방법 및 장치 | |
| CN110555058A (zh) | 基于改进决策树的电力通信设备状态的预测方法 | |
| CN111784066B (zh) | 一种配电网年运行效率预测方法、系统及设备 | |
| CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
| CN116187835A (zh) | 一种基于数据驱动的台区理论线损区间估算方法及系统 | |
| CN112364098A (zh) | 一种基于Hadoop的分布式电力系统异常数据识别方法及系统 | |
| CN112036651A (zh) | 基于量子免疫优化bp神经网络算法的电价预测方法 | |
| CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
| CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
| Wang | Analysis of bank credit risk evaluation model based on BP neural network | |
| Zhu et al. | Wind power interval and point prediction model using neural network based multi-objective optimization | |
| CN109697531A (zh) | 一种物流园区腹地物流需求预测方法 | |
| CN112488443B (zh) | 一种基于数据驱动的配电设备利用率评估的方法及系统 | |
| CN117854281A (zh) | 一种基于大数据的交通运输统计方法 | |
| CN117521501A (zh) | 基于nsga的lstm预测性能源发电方法及系统 | |
| CN117522066A (zh) | 一种基于调峰电源设备组合预测的联合优化方法及系统 | |
| CN112101761A (zh) | 清洁低碳、安全高效的能源体系建设成效综合评价方法 | |
| Gao et al. | Establishment of Economic Forecasting Model of High‐tech Industry Based on Genetic Optimization Neural Network | |
| CN116956160A (zh) | 一种基于自适应树种算法的数据分类预测方法 | |
| CN116561569A (zh) | 一种基于EO特征选择结合AdaBoost算法的工业电力负荷辨识方法 |
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 |