CN114444771A - 一种面向敏感用户的电压暂降事件预测方法、介质及系统 - Google Patents

一种面向敏感用户的电压暂降事件预测方法、介质及系统 Download PDF

Info

Publication number
CN114444771A
CN114444771A CN202111603581.4A CN202111603581A CN114444771A CN 114444771 A CN114444771 A CN 114444771A CN 202111603581 A CN202111603581 A CN 202111603581A CN 114444771 A CN114444771 A CN 114444771A
Authority
CN
China
Prior art keywords
historical
voltage sag
weather
voltage
value
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
Application number
CN202111603581.4A
Other languages
English (en)
Inventor
俞贤文
丁宁
王昊波
王海民
田勇杰
肖旭东
陈嘉岐
柳旭升
赵文韬
张建军
李静
吴良方
张丹杰
陆彦虎
何建剑
张皓文
马小天
魏青
王习源
董一庆
王海龙
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.)
Zhongwei Power Supply Company State Grid Ningxia Electric Power Co ltd
Original Assignee
Zhongwei Power Supply Company State Grid Ningxia 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 Zhongwei Power Supply Company State Grid Ningxia Electric Power Co ltd filed Critical Zhongwei Power Supply Company State Grid Ningxia Electric Power Co ltd
Priority to CN202111603581.4A priority Critical patent/CN114444771A/zh
Publication of CN114444771A publication Critical patent/CN114444771A/zh
Pending legal-status Critical Current

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
    • G06Q10/04—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
    • G06N3/045—Combinations of 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
    • H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Power Engineering (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Human Computer Interaction (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开提供一种面向敏感用户的电压暂降事件预测方法、介质及系统，包括：获取敏感用户的供电母线；获取预设时间段内所述供电母线每次发生电压暂降事件的第一历史参数，并进行预处理，得到第一训练样本；获取所述预设时间段内所述供电母线日常正常运行的第二历史参数，并进行预处理，得到第二训练样本；采用所述第一训练样本和所述第二训练样本训练深度神经网络DNN，得到训练后的预测网络；将采集的预测参数预处理后输入所述预测网络，得到电压预测幅值；若所述电压预测幅值小于第一预设阈值，则预测发生电压暂降事件，以向运维人员预警。本发明可以较为准确地预测是否发生电压暂降事件，以便可以及时进行预警。

Description

一种面向敏感用户的电压暂降事件预测方法、介质及系统
技术领域
本发明涉及电压暂降技术领域，尤其涉及一种面向敏感用户的电压暂降事件预测方法、介质及系统。
背景技术
随着现代电力系统中精密设备和敏感用户的不断增多，对电能质量提出了更高的要求。在各种电能质量问题中，由电压暂降引起的事故达到了总事故量的80％以上，并且几乎每次暂降事件都会造成巨大经济损失。电压暂降风险预警是缓减电压暂降的重要工作之一。准确预测电压暂降幅值对于减小损失具有重要的理论价值与现实意义；同时有利于缓减电压暂降影响，合理编排生产计划。
发明内容
本发明实施例提供一种面向敏感用户的电压暂降事件预测方法、介质及系统，以解决现有技术不能准确预测电压暂降事件的问题。
第一方面，提供一种面向敏感用户的电压暂降事件预测方法，包括：
获取敏感用户的供电母线；
获取预设时间段内所述供电母线每次发生电压暂降事件的第一历史参数，并进行预处理，得到第一训练样本，其中，所述第一历史参数包括：第一历史时间，第一历史日期，历史电压暂降幅值，第一历史天气，以及，敏感用户因所述预设时间段内的电压暂降事件造成的平均经济损失值；
获取所述预设时间段内所述供电母线日常正常运行的第二历史参数，并进行预处理，得到第二训练样本，其中，所述第二历史参数包括：第二历史时间，第二历史日期，历史电压幅值，第二历史天气，以及，经济损失值；
采用所述第一训练样本和所述第二训练样本训练深度神经网络DNN，得到训练后的预测网络；
将采集的预测参数预处理后输入所述预测网络，得到电压预测幅值，其中，所述预测参数包括：预测时间，预测日期，以及，预测天气；
若所述电压预测幅值小于第一预设阈值，则预测发生电压暂降事件，以向运维人员预警。
第二方面，提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述第一方面实施例所述的面向敏感用户的电压暂降事件预测方法。
第三方面，提供一种面向敏感用户的电压暂降事件预测系统，包括：如上述第二方面实施例所述的计算机可读存储介质。
这样，本发明实施例，通过采用合适的参数训练深度神经网络，从而使得采用训练后的深度神经网络可以较为准确地预测是否发生电压暂降事件，以便可以及时进行预警。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例的面向敏感用户的电压暂降事件预测方法的流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获取的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种面向敏感用户的电压暂降事件预测方法。本发明实施例所述的敏感用户指的是易受到电压变化影响的用户。如图1所示，该方法包括如下的步骤：
步骤S1：获取敏感用户的供电母线。
步骤S2：获取预设时间段内供电母线每次发生电压暂降事件的第一历史参数，并进行预处理，得到第一训练样本。
其中，第一历史参数包括：第一历史时间，第一历史日期，历史电压暂降幅值，第一历史天气，以及，敏感用户因预设时间段内的电压暂降事件造成的平均经济损失值。
第一历史时间，第一历史日期，历史电压暂降幅值可以从电能质量监测系统中获取。第一历史天气可以从天气系统中查询得到，第一历史天气包括空气湿度和阴晴数据两类，其中，阴晴数据又包括晴天、多云、雷雨三种类型。敏感用户因预设时间段内的电压暂降事件造成的平均经济损失值通过计算该预设时间段内的所有电压暂降事件造成的经济损失的平均值得到，每次电压暂降事件造成的经济损失均通过发生电压暂降事件后统计得到。
根据不同类型的数据，预处理的方式不同，具体如下：
(1)对于第一历史时间，预处理包括：将时间转化为分钟计量，且若该时间对应的秒钟超过30s，则将分钟加1。
例如，将时针刻度值记为m，将分针刻度值记为n，预处理后的时间值为x，则x＝m*60+n，并且若秒针刻度值大于30，则x＝m*60+n+1。
(2)对于第一历史日期，预处理包括：计算日期与当年一月一日的间隔天数。
例如，日期为当年三月一日，则计算三月一日与一月一日间隔的天数作为预处理后的日期。
(3)对于历史电压暂降幅值，预处理包括：将幅值进行标幺值化处理。
具体的，标幺值化处理的计算式为：
Figure BDA0003432725330000041
其中，U*表示标幺值，U表示历史电压暂降幅值，即供电母线发生电压暂降事件后的电压有效值，UB表示供电母线的供电电压等级。
(5)对于第一历史天气，预处理包括：将天气中的空气湿度进行归一化处理，使空气湿度位于[0，1]区间内；以及，将天气中的阴晴数据分为晴天、多云、雷雨三种天气，并对晴天赋值1，对多云赋值2，对雷雨赋值3。
因此，第一训练样本S1为预处理后的第一历史时间，第一历史日期，历史电压暂降幅值，第一历史天气，以及，敏感用户因预设时间段内的电压暂降事件造成的平均经济损失值构成的五维向量，且第一训练样本的标签值L1为历史电压暂降幅值。
步骤S3：获取预设时间段内供电母线日常正常运行的第二历史参数，并进行预处理，得到第二训练样本。
其中，第二历史参数包括：第二历史时间，第二历史日期，历史电压幅值，第二历史天气，以及，经济损失值。
第二历史时间，第二历史日期，历史电压幅值可以从电能质量监测系统中获取。第二历史天气可以从天气系统中查询得到，第二历史天气也包括空气湿度和阴晴数据两类，其中，阴晴数据又包括晴天、多云、雷雨三种类型。由于是正常运行，则经济损失值为0。
对于第二历史时间、第二历史日期、第二历史天气，预处理方式分别与前述的第一历史时间、第一历史日期、第一历史天气相同，在此不再赘述。对于历史电压幅值，也采用与历史电压暂降幅值相同的计算式处理，不同的是，此时，U表示历史电压幅值，即供电母线日常正常运行的电压有效值。
因此，第二训练样本S2为预处理后的第二历史时间，第二历史日期，历史电压幅值，第二历史天气，以及，经济损失值(值为0)构成的五维向量，且第二训练样本的标签值L2为历史电压暂降幅值。
步骤S4：采用第一训练样本和第二训练样本训练深度神经网络DNN，得到训练后的预测网络。
深度神经网络DNN是现有技术，其为一种输入五维向量的四层神经网络结构。训练时，该深度神经网络的输入值为第一训练样本S1和第二训练样本S2，输出值为该敏感用户所接入的供电母线的电压预测幅值。该神经网络的中间输出结果表达式如下：
Figure BDA0003432725330000051
其中，Sn-1表示第n-1层神经元个数，Wij n表示第n-1层的第i个神经元与第n层的第j个神经元之间的权重值，ai n-1表示第n-1层的第i个神经元的响应值，bi n表示第n层的第i个神经元的偏移值。
该神经网络的神经元激活函数如下：
Figure BDA0003432725330000052
该步骤中，将第一训练样本和第二训练样本随机分为预设样本比例的训练集和验证集。该预设样本比例可以根据经验设置，例如，预设样本比例为8:2，即所有第一训练样本和第二训练样本中80％作为训练集，20％作为验证集。
该步骤中，当深度神经网络DNN连续预设次数输出的预测值计算得到的损失函数值不小于第二预设阈值，则完成训练。
损失函数值的计算式如下：
Figure BDA0003432725330000061
其中，loss表示损失函数值，hi表示第i个训练样本的预测值，Gi表示第i个训练样本的真实值。预设次数和第二预设阈值均可根据经验设置。
这样当损失函数值逐渐趋于稳定后，可认为训练完成。
步骤S5：将采集的预测参数预处理后输入预测网络，得到电压预测幅值。
其中，预测参数包括：预测时间，预测日期，以及，预测天气。预测参数可以是当前采集的，也可以是未来的，则预测天气可以是天气预报的天气。预测天气也包括空气湿度和阴晴数据两类，其中，阴晴数据又包括晴天、多云、雷雨三种类型。应当理解的是，对于预测时间、预测日期、预测天气，预处理方式分别与前述的第一历史时间、第一历史日期、第一历史天气相同，在此不再赘述。
步骤S6：若电压预测幅值小于第一预设阈值，则预测发生电压暂降事件，以向运维人员预警。
第一预设阈值可根据经验设置。本发明实施例的第一预设阈值为供电母线的0.9倍的额定电压幅值。若电压预测幅值小于第一预设阈值，则会发生电压暂降事件，会对该敏感用户造成影响。
本发明实施例还公开了一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如上述实施例所述的面向敏感用户的电压暂降事件预测方法。
本发明实施例还公开了一种面向敏感用户的电压暂降事件预测系统，包括：如上述实施例所述的计算机可读存储介质。
综上，本发明实施例，通过采用合适的参数训练深度神经网络，从而使得采用训练后的深度神经网络可以较为准确地预测是否发生电压暂降事件，以便可以及时进行预警。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。

Claims (10)

1.一种面向敏感用户的电压暂降事件预测方法，其特征在于，包括：
获取敏感用户的供电母线；
获取预设时间段内所述供电母线每次发生电压暂降事件的第一历史参数，并进行预处理，得到第一训练样本，其中，所述第一历史参数包括：第一历史时间，第一历史日期，历史电压暂降幅值，第一历史天气，以及，敏感用户因所述预设时间段内的电压暂降事件造成的平均经济损失值；
获取所述预设时间段内所述供电母线日常正常运行的第二历史参数，并进行预处理，得到第二训练样本，其中，所述第二历史参数包括：第二历史时间，第二历史日期，历史电压幅值，第二历史天气，以及，经济损失值；
采用所述第一训练样本和所述第二训练样本训练深度神经网络DNN，得到训练后的预测网络；
将采集的预测参数预处理后输入所述预测网络，得到电压预测幅值，其中，所述预测参数包括：预测时间，预测日期，以及，预测天气；
若所述电压预测幅值小于第一预设阈值，则预测发生电压暂降事件，以向运维人员预警。
2.根据权利要求1所述的面向敏感用户的电压暂降事件预测方法，其特征在于：对于所述第一历史时间、所述第二历史时间和所述预测时间，所述预处理包括：
将时间转化为分钟计量，且若该时间对应的秒钟超过30s，则将分钟加1。
3.根据权利要求1所述的面向敏感用户的电压暂降事件预测方法，其特征在于，对于所述第一历史日期、所述第二历史日期和所述预测日期，所述预处理包括：
计算日期与当年一月一日的间隔天数。
4.根据权利要求1所述的面向敏感用户的电压暂降事件预测方法，其特征在于，对于所述历史电压暂降幅值和所述历史电压幅值，所述预处理包括：
将幅值进行标幺值化处理；
其中，所述标幺值化处理的计算式为：
Figure FDA0003432725320000021
U*表示标幺值，UB表示所述供电母线的供电电压等级；
当对所述历史电压暂降幅值进行预处理时，U表示历史电压暂降幅值；
当对所述历史电压幅值进行预处理时，U表示历史电压幅值。
5.根据权利要求1所述的面向敏感用户的电压暂降事件预测方法，其特征在于，对于所述第一历史天气、所述第二历史天气和所述预测天气，所述预处理包括：
将天气中的空气湿度进行归一化处理，使空气湿度位于[0，1]区间内；
将天气中的阴晴数据分为晴天、多云、雷雨三种天气，并对晴天赋值1，对多云赋值2，对雷雨赋值3。
6.根据权利要求1所述的面向敏感用户的电压暂降事件预测方法，其特征在于：所述第一训练样本为预处理后的第一历史时间，第一历史日期，历史电压暂降幅值，第一历史天气，以及，敏感用户因所述预设时间段内的电压暂降事件造成的平均经济损失值构成的五维向量，且所述第一训练样本的标签值为历史电压暂降幅值；
所述第二训练样本为预处理后的第二历史时间，第二历史日期，历史电压幅值，第二历史天气，以及，经济损失值构成的五维向量，且所述第二训练样本的标签值为历史电压暂降幅值，所述经济损失值为0。
7.根据权利要求1所述的面向敏感用户的电压暂降事件预测方法，其特征在于：所述训练深度神经网络DNN的步骤中，将所述第一训练样本和所述第二训练样本随机分为预设样本比例的训练集和验证集。
8.根据权利要求1所述的面向敏感用户的电压暂降事件预测方法，其特征在于：所述训练深度神经网络DNN的步骤中，当深度神经网络DNN连续预设次数输出的预测值计算得到的损失函数值不小于第二预设阈值，则完成所述训练；
其中，所述损失函数值的计算式为：
Figure FDA0003432725320000031
loss表示损失函数值，hi表示第i个训练样本的预测值，Gi表示第i个训练样本的真实值。
9.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质上存储有计算机程序指令；所述计算机程序指令被处理器执行时实现如权利要求1～8中任一项所述的面向敏感用户的电压暂降事件预测方法。
10.一种面向敏感用户的电压暂降事件预测系统，其特征在于，包括：如权利要求9所述的计算机可读存储介质。
CN202111603581.4A 2021-12-24 2021-12-24 一种面向敏感用户的电压暂降事件预测方法、介质及系统 Pending CN114444771A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111603581.4A CN114444771A (zh) 2021-12-24 2021-12-24 一种面向敏感用户的电压暂降事件预测方法、介质及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111603581.4A CN114444771A (zh) 2021-12-24 2021-12-24 一种面向敏感用户的电压暂降事件预测方法、介质及系统

Publications (1)

Publication Number Publication Date
CN114444771A true CN114444771A (zh) 2022-05-06

Family

ID=81364836

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111603581.4A Pending CN114444771A (zh) 2021-12-24 2021-12-24 一种面向敏感用户的电压暂降事件预测方法、介质及系统

Country Status (1)

Country Link
CN (1) CN114444771A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713158A (zh) * 2022-11-23 2023-02-24 贵州电网有限责任公司信息中心 配电网稳定性预测方法、装置、设备及存储介质
CN117578481A (zh) * 2023-10-23 2024-02-20 国网宁夏电力有限公司中卫供电公司 一种电压暂降预估模型建立方法、介质及系统

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115713158A (zh) * 2022-11-23 2023-02-24 贵州电网有限责任公司信息中心 配电网稳定性预测方法、装置、设备及存储介质
CN117578481A (zh) * 2023-10-23 2024-02-20 国网宁夏电力有限公司中卫供电公司 一种电压暂降预估模型建立方法、介质及系统
CN117578481B (zh) * 2023-10-23 2024-05-24 国网宁夏电力有限公司中卫供电公司 一种电压暂降预估模型建立方法、介质及系统

Similar Documents

Publication Publication Date Title
CN114444771A (zh) 一种面向敏感用户的电压暂降事件预测方法、介质及系统
Zheng et al. Short-term power load forecasting of residential community based on GRU neural network
CN106600463B (zh) 一种局部形相似超短期负荷预测方法及装置
CN114897247B (zh) 一种基于大数据的智能电网配网调度运行管理方法
CN101888087A (zh) 一种在配网终端中实现分布式超短期区域负荷预测的方法
CN107832881B (zh) 考虑负荷水平和风速分段的风电功率预测误差评价方法
KR20200128232A (ko) 전력 수요 예측 장치 및 그 방법
CN114372360A (zh) 用于电力负荷预测的方法、终端及存储介质
CN116845878B (zh) 一种用于微电网用电负荷预测方法
CN114742283A (zh) 一种基于深度学习网络的中压线路合环电流估算与风险评估方法
CN115860383A (zh) 配电网调度方法、装置、电子设备及存储介质
CN113837434A (zh) 太阳能光伏发电预测方法、装置、电子设备和存储介质
CN117117819A (zh) 一种光伏发电短期功率预测方法、系统、设备和介质
CN116799780A (zh) 一种配电网分布式光伏承载力评估方法、系统及评估终端
CN114926046A (zh) 一种备用资源跨区共享的计算方法及其相关装置
Osowski et al. Regularisation of neural networks for improved load forecasting in the power system
Wu et al. Preventive control strategy for an island power system that considers system security and economics
CN104252647B (zh) 基于反距离权重插值法的用电负荷预测方法
CN116937645A (zh) 充电站集群调控潜力评估方法、装置、设备及介质
CN111080037A (zh) 一种基于深度神经网络的短期电力负荷预测方法及装置
CN116566047A (zh) 基于预测天气的输电线路动态增容在线监测系统及方法
CN109886507B (zh) 基于主成分分析的电力系统短期负荷预测方法
Franco et al. Very short-term bus reactive load forecasting models based on KDD approach
CN112200482A (zh) 一种极端气候条件下输电线路安全投运评估方法
Shuo et al. LSTM load forecasting algorithm based on time-sharing somatosensory

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