CN114595542A - 一种线损预测方法 - Google Patents

一种线损预测方法 Download PDF

Info

Publication number
CN114595542A
CN114595542A CN202210237526.6A CN202210237526A CN114595542A CN 114595542 A CN114595542 A CN 114595542A CN 202210237526 A CN202210237526 A CN 202210237526A CN 114595542 A CN114595542 A CN 114595542A
Authority
CN
China
Prior art keywords
line loss
data
basic data
loss prediction
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
Application number
CN202210237526.6A
Other languages
English (en)
Inventor
李文鑫
龚立锋
徐铭
张雪瑶
陈燕萍
高小平
孟重力
常致健
孙俊
陈天元
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.)
Zhangjiagang Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Zhangjiagang Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Suzhou Power Supply Co of State Grid Jiangsu 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 Zhangjiagang Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd, Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Zhangjiagang Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Priority to CN202210237526.6A priority Critical patent/CN114595542A/zh
Publication of CN114595542A publication Critical patent/CN114595542A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/10—Geometric CAD
    • G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Geometry (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Hardware Design (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Power Engineering (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明涉及一种线损预测方法，包括以下步骤：步骤1：获取用于对配电网进行线损预测的基础数据；步骤2：对基础数据进行预处理而得到处理后数据；步骤3：构建基于融合自注意力机制与长短期记忆网络的线损预测模型；步骤4：利用处理后数据对线损预测模型进行训练和评价，从而得到线损预测优化模型；步骤5：利用线损预测优化模型对配电网进行线损预测。本发明能够实现对配电网线损更精准的预测，为未来制定降损措施提供了数据的支撑。同时减少了计算量，降低模型的训练成本，提高了计算速度。

Description

一种线损预测方法
技术领域
本发明属于配电网分析领域，更具体地说，涉及一种融合自注意力机制与长短期记忆网络的线损预测方法。
背景技术
未来我国经济将遵循双循环发展格局，城镇化建设以及电气化进程不断加快，促使了我国在负荷与能源方面的需求会不断增加。电能凭借其便捷高效以及清洁环保的特点，已经成为我国应用最广泛的二次能源。电能在电力系统的发电、传输、转换以及分配过程中会不可避免地产生损耗，损耗的增加会导致电能效率的下降，不仅如此，电能损耗对电能的质量以及电网的运行会产生不利影响，同时也造成了严重的浪费。电能损耗中很重要的一部分就是线路损耗，线损是指电能通过线路传输而产生的能量损耗。评价线损的指标是线损率。线损率的高低能直接反映供电企业的规划设计、生产技术和运行管理水平。
配电网作为电力系统的终端，直接与用户相连接，具有电压等级多、支路多、分布广等特点。近年来负荷需求的不断增加，我国10kV配电网拓扑结构与运行方式愈来愈复杂，导致线损的问题越来越突出。据有关数据统计，中低压配电网的线损已经占据整个电网的70％左右。因此，降低配电网线损可以有效降低整个电网的线损。降损措施的制定需要提前进行线损计算以及线损预测的工作。传统线损的计算需要获得配电网的具体参数，在计算过程太依赖数据的收集与准确性，而且无法根据现有条件预测未来配电网线损的情况。精确的10kV配电网线损预测可以帮助电力部门了解未来线损变化情况，为降损措施制定有效的参考，提升10kV配电网的经济运行性。
发明内容
本发明的目的是提供一种能够对线损进行精确预测的方法。
为达到上述目的，本发明采用的技术方案是：
一种线损预测方法，包括以下步骤：
步骤1：获取用于对配电网进行线损预测的基础数据；
步骤2：对所述基础数据进行预处理而得到处理后数据；
步骤3：构建基于融合自注意力机制与长短期记忆网络的线损预测模型；
步骤4：利用所述处理后数据对所述线损预测模型进行训练和评价，从而得到线损预测优化模型；
步骤5：利用所述线损预测优化模型对配电网进行线损预测。
所述步骤1包括以下步骤：
步骤1-1：对影响配电网线损的因素进行统计分析并进行选取，得到线损特征因素；
步骤1-2：按时序获取所述线损特征因素的数据作为线损特征数据，各所述线损特征数据构成所述基础数据。
所述步骤1-1中，利用皮尔逊相关法分析影响配电网线损的因素与线损率之间的相关性，并按照相关性由大到小对影响配电网线损的因素进行排序，选取前m个影响配电网线损的因素作为线损特征因素。
所述步骤2中，对所述基础数据进行的预处理包括异常值处理、缺失值处理和数据归一化。
所述异常值处理的方法包括水平处理法或垂直处理法；
所述水平处理法为：对于第i天t时刻的一项基础数据y(i,t)，利用水平判别公式
Figure BDA0003542885170000021
进行判别，若满足所述水平判别公式，则该第i天t时刻的基础数据y(i,t)为异常值，其中y(i,t-1)为第i天t-1时刻的该项基础数据，y(i,t+1)为第i天t+1时刻的该项基础数据，α(t)、β(t)分别为第一水平处理阈值、第二水平处理阈值；对于异常值，利用
Figure BDA0003542885170000022
进行替换计算，得到水平处理后的该项数据；
所述垂直处理法为：对于第i天t时刻的基础数据y(i,t)，利用垂直判别公式
Figure BDA0003542885170000023
进行判别，若满足所述垂直判别公式，则该第i天t时刻的基础数据y(i,t)为异常值，其中
Figure BDA0003542885170000024
为近期t时刻的该项基础数据的均值，γ(t)为垂直处理阈值；对于异常值，利用
Figure BDA0003542885170000025
进行替换计算，得到垂直处理后的数据；
所述缺失值处理的方法为：利用线性插值法进行补充计算，得到补充处理后的数据。
所述水平处理法中，所述第一水平处理阈值、所述第二水平处理阈值为所述第i天t-1时刻的基础数据y(i,t-1)或第i天t+1时刻的基础数据y(i,t+1)的10％；所述垂直处理法中，所述垂直处理阈值γ(t)为近期t时刻的该项基础数据的均值
Figure BDA0003542885170000026
的10％。
所述步骤3中，所述线损预测模型包括用于输入数据并将其转化为矩阵向量的输入层、与所述输入层相连接的LSTM层、与所述LSTM层相连接的Self-Attention层、与所述Self-Attention层相连接的输出层。
所述步骤4中，训练所述线损预测模型过程中，通过损失函数MAE评价每次迭代的误差，再通过Adam优化算法不断纠正更新模型权重，从而得到线损预测最优模型；评价所述线损预测模型采用的指标包括平均绝对误差、均方根误差。
由于上述技术方案运用，本发明与现有技术相比具有下列优点：本发明能够实现对配电网线损更精准的预测，为未来制定降损措施提供了数据的支撑。同时减少了计算量，降低模型的训练成本，提高了计算速度。
附图说明
附图1为长短期记忆网络的结构图。
附图2为本发明的线损预测方法的流程图。
附图3为本发明的线损预测方法中涉及的线损预测模型的架构图。
具体实施方式
下面结合附图所示的实施例对本发明作进一步描述。
技术背景：
长短期记忆网络：长短期记忆神经网络(LongShort-TermMemoryNetwork)简称LSTM，是根据RNN神经网络改进发展而来，属于RNN的变体。LSTM可以很好处理RNN网络产生梯度消失与梯度爆炸的问题，在训练的过程中可以自发地记忆数据的长期信息及其相关性，在各类任务上取得较好的预测效果，因此被广泛使用在时间序列预测领域。其结构如附图1。
LSTM的核心就是三个“门”的结构，它们分别是“输入门”、“输出门”和“遗忘门”。输入门用来控制信息输入，遗忘门用来控制历史状态信息的保留，输出门用来控制信息输出。激活函数σ使得遗忘门的输出值在[0,1]之间，当遗忘门输出为0的时候，表示将上一状态的信息全部丢弃；为1的时候，表示上一状态的信息全部保留。公式如下：
it＝σ(Wi·[ht-1,xt]+bi)
ft＝σ(Wf·[ht-1,xt]+bf)
Figure BDA0003542885170000031
Figure BDA0003542885170000032
ot＝tanh(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
过程可以用以上公式表示，σ为sigmoid函数，ht-1是t-1时刻的输出，xt是t时刻的输入，W为权重矩阵，b为偏置向量，
Figure BDA0003542885170000041
为记忆单元新的候选向量。
自注意力机制：自注意力机制，英文名Self-Attention，是注意力机制的变体，其减少了对外部信息的依赖，更擅长捕捉数据或特征的内部相关性。主要思想是利用注意力机制来动态地生成权重。首先，由输入向量乘上3个同样的初始化权重矩阵，得到Q、K、V；然后根据Q、K、V计算相似性；利用softmax函数对其进行归一化处理；乘上V计算每个输入向量对应的self-attention层的输出向量。
Q＝WQX
K＝WKX
V＝WVX
Q＝K＝V
Figure BDA0003542885170000042
式中，Q，K，V分别是关键元素，元数数值，权重数值。dk为Q、K向量的维度，因子
Figure BDA0003542885170000043
为了防止Q、K的内积结果过大，具有调节的作用。softmax归一化处理为概率分布，结果是相对V的权重；乘上V得到加权求和的表示。
Adam优化算法：Adam是一种可以替代传统随机梯度下降过程的一阶优化算法，它能基于训练数据迭代地更新神经网络权重。优点主要在于经过偏置校正后，每一次迭代学习率都有确定范围，使得参数比较平稳。也是目前优化算法中应用最广的优化算法之一。
实施例一：如附图2所示，一种线损预测方法，包括以下步骤：
步骤1：获取用于对配电网进行线损预测的基础数据。
步骤1包括以下步骤：
步骤1-1：对影响配电网线损的因素进行统计分析并进行选取，得到线损特征因素。
该步骤1-1中，在充分考虑配电网自身因素与外界因素的影响下，利用皮尔逊相关法分析影响配电网线损的因素与线损率之间的相关性，并按照相关性由大到小对影响配电网线损的因素进行排序，选取前m(m为大于2的整数)个影响配电网线损的因素作为线损特征因素。
相关性的计算方法为：
Figure BDA0003542885170000051
Xi为实际线损率，
Figure BDA0003542885170000052
为线损均值；Yi为影响线损因素实际值，
Figure BDA0003542885170000053
为对应均值。
步骤1-2：按时序获取线损特征因素的数据作为线损特征数据，各线损特征数据构成基础数据。以上是对线损影响因素的分析。本专利将预测日当天24点线损特征数据与前一日24点线损数据作为输入，预测日当天24点线损数据作为输出，所以要按时序获取线损特征以及线损数据。
步骤2：对基础数据进行预处理而得到处理后数据。
步骤2中，对基础数据进行的预处理包括异常值处理、缺失值处理和数据归一化。
①异常值处理的方法包括水平处理法或垂直处理法两种。
水平处理法即利用某点的数据值和前后的数据值进行比较，具体为：对于第i天t时刻的一项基础数据y(i,t)，利用水平判别公式
Figure BDA0003542885170000054
进行判别，若满足水平判别公式，则该第i天t时刻的基础数据y(i,t)为异常值。其中y(i,t-1)为第i天t-1时刻的该项基础数据，y(i,t+1)为第i天t+1时刻的该项基础数据，α(t)、β(t)分别为第一水平处理阈值、第二水平处理阈值。对于异常值，利用
Figure BDA0003542885170000055
进行替换计算，得到水平处理后的该项数据。一水平处理阈值、第二水平处理阈值为第i天t-1时刻的基础数据y(i,t-1)或第i天t+1时刻的基础数据y(i,t+1)的10％
垂直处理法通过把某一点数据值的前一天、两天相同时间点的负荷值与其进行比较，具体为：对于第i天t时刻的基础数据y(i,t)，利用垂直判别公式
Figure BDA0003542885170000056
进行判别，若满足垂直判别公式，则该第i天t时刻的基础数据y(i,t)为异常值，其中
Figure BDA0003542885170000057
为近期t时刻的该项基础数据的均值，γ(t)为垂直处理阈值。对于异常值，利用
Figure BDA0003542885170000058
进行替换计算，得到垂直处理后的数据。垂直处理阈值γ(t)为近期t时刻的该项基础数据的均值
Figure BDA0003542885170000061
的10％。
②缺失值处理的方法为：利用线性插值法进行补充计算，得到补充处理后的数据。插值公式如下：
Figure BDA0003542885170000062
yn为n时刻数据，yn+1为n+1时刻数据，yn+k为缺失的中间数据。数据的修补大多使用相近的数据，若由于不同时期导致的不同，可以通过相同日期类型代替。
③为了避免模型的预测结果受到数据量纲不同的影响，需要进行数据归一化处理，对数据进行归一化化处理，公式如下：
Figure BDA0003542885170000063
x代表原始数据，μ为原始数据均值，
Figure BDA0003542885170000064
为归一化后的数据，xmax为相同单位量纲最大值，xmin为最小值。
步骤3：构建基于融合自注意力机制与长短期记忆网络的线损预测模型。如附图3所示，线损预测模型包括用于输入数据并将其转化为矩阵向量的输入层、与输入层相连接的LSTM层、与LSTM层相连接的Self-Attention层、与Self-Attention层相连接的输出层。
在使用长短期记忆网络组合的基础上，把自注意力机制融入到线损模型中，此方法能够突出影响线损的因素，通过加权求和的计算方式对线损特征数据进行处理，实现对线损特征的注意力权重，为模型挖掘线损数据的变化规律提供有价值的信息，从而使模型预测性能得到提高。
①输入层
输入数据包括预测日当天实时24点线损特征数据以及前一天日24点线损率数据。以上数据不能直接输入到预测模型中，而是要把这些数据转化成为矩阵向量再输入到预测模型中。输入层的作用就是把该数据通过预处理后转换为X，X＝[x1，x2，...xn]T，并输入到预测模型当中。
②LSTM层
LSTM通过输入门、输出门、遗忘门以及记忆细胞单元，经过组合记忆单元让网络网络去学习遗忘上一时刻的隐藏状态值，以及更新隐藏状态信息。公式如下：
it＝σ(Wi·[ht-1,xt]+bi)
ft＝σ(Wf·[ht-1,xt]+bf)
Figure BDA0003542885170000071
Figure BDA0003542885170000072
ot＝tanh(Wo·[ht-1,xt]+bo)
ht＝ot*tanh(Ct)
式中，σ为sigmoid函数，ht-1是t-1时刻的输出，xt是t时刻信号的输入，W为权重，b为偏置向量，
Figure BDA0003542885170000073
为新的候选向量。
ht＝LSTM(Hc,t-1,Hc,t) t∈[1,i]
③Self-Attention层
Self-Attention通过自身信息来更新学习参数，首先，由输入向量乘上3个同样的初始化权重矩阵，得到Q、K、V；然后根据Q、K、V计算相似性；利用softmax函数对其进行归一化处理；乘上V计算每个输入向量对应的self-attention层的输出向量。公式如下：
Q＝WQX
K＝WKX
V＝WVX
Q＝K＝V
Figure BDA0003542885170000074
式中，Q，K，V分别是关键元素，元数数值，权重数值。Q＝K＝V表示当输入一段数据时，需要计算一遍这段数据中的每个数据与其他数据的自注意力权重。然后通过把LSTM学习到的信息输入到Self-Attention层中，通过Self-Attention对LSTM所学习到的信息进行更加深度的挖掘学习，加强了重要信息的关注，有效的优化了线损数据的特征向量。
④输出层
输出层利用Self-Attention层输出的数据计算预测步长为p的输出Y，Y＝[y1,y2...yp],，公式如下：
yt＝f(wost+bo)
式中，wo表示权重矩阵，bo表示偏置向量，yt表示t时刻的预测值。
步骤4：利用处理后数据对线损预测模型进行训练和评价，从而得到线损预测优化模型。
将步骤2中处理好的数据按8：2的比例分为训练数据集与测试数据集，训练数据集用于对步骤3中构建的模型进行训练。训练线损预测模型过程中，通过损失函数MAE评价每次迭代的误差，再通过Adam优化算法不断纠正更新模型权重，从而得到线损预测最优模型。
损失函数MAE：
Figure BDA0003542885170000081
式中，yi为实际线损值，
Figure BDA0003542885170000082
为预测线损值，n为时间点个数。
测试数据集输入到最优模型中，并进行预测结果评价，测到线损预测优化模型。评价线损预测模型采用的指标包括平均绝对误差(Mean Absolute Percent Error，MAPE)、均方根误差(Root Mean Square Error，RMSE)，公式如下：
Figure BDA0003542885170000083
Figure BDA0003542885170000084
步骤5：利用线损预测优化模型对配电网进行线损预测。
本专利目的在于发明一种融合自注意力机制与长短期记忆网络的线损预测方法，对10kV配电网线损进行精确预测，以便采取相应的降损措施，降低配电网电能损耗，提高配电网运行的经济效益，对电力调度、电力企业管理以及公司经济效益均有很重要的意义。
本专利的有益效果是：本专利在研究影响配电网线损的基础上，利用自注意力机制与长短期记忆网络构建线损预测模型，实现对10kV配电网线损更精准的预测，为未来制定降损措施提供了数据的支撑。自注意力机制可以有效解决长短期记忆网络的长距离依赖问题，同时可以并行化计算，降低计算复杂度，从而减少了计算量，降低模型的训练成本，提高了计算速度。与基于LSTM的线损预测方法相比，能够解决LSTM长距离依赖的问题，更能捕捉线损与影响因素之间的关系，同时对输入与输出进行了权重的分配，使该模型的训练效果进一步提高，预测精度较传统LSTM预测方法有所增加。
上述实施例只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人士能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所作的等效变化或修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种线损预测方法，其特征在于：所述线损预测方法包括以下步骤：
步骤1：获取用于对配电网进行线损预测的基础数据；
步骤2：对所述基础数据进行预处理而得到处理后数据；
步骤3：构建基于融合自注意力机制与长短期记忆网络的线损预测模型；
步骤4：利用所述处理后数据对所述线损预测模型进行训练和评价，从而得到线损预测优化模型；
步骤5：利用所述线损预测优化模型对配电网进行线损预测。
2.根据权利要求1所述的线损预测方法，其特征在于：所述步骤1包括以下步骤：
步骤1-1：对影响配电网线损的因素进行统计分析并进行选取，得到线损特征因素；
步骤1-2：按时序获取所述线损特征因素的数据作为线损特征数据，各所述线损特征数据构成所述基础数据。
3.根据权利要求2所述的线损预测方法，其特征在于：所述步骤1-1中，利用皮尔逊相关法分析影响配电网线损的因素与线损率之间的相关性，并按照相关性由大到小对影响配电网线损的因素进行排序，选取前m个影响配电网线损的因素作为线损特征因素。
4.根据权利要求1所述的线损预测方法，其特征在于：所述步骤2中，对所述基础数据进行的预处理包括异常值处理、缺失值处理和数据归一化。
5.根据权利要求4所述的线损预测方法，其特征在于：所述异常值处理的方法包括水平处理法或垂直处理法；
所述水平处理法为：对于第i天t时刻的一项基础数据y(i,t)，利用水平判别公式
Figure FDA0003542885160000011
进行判别，若满足所述水平判别公式，则该第i天t时刻的基础数据y(i,t)为异常值，其中y(i,t-1)为第i天t-1时刻的该项基础数据，y(i,t+1)为第i天t+1时刻的该项基础数据，α(t)、β(t)分别为第一水平处理阈值、第二水平处理阈值；对于异常值，利用
Figure FDA0003542885160000012
进行替换计算，得到水平处理后的该项数据；
所述垂直处理法为：对于第i天t时刻的基础数据y(i,t)，利用垂直判别公式
Figure FDA0003542885160000013
进行判别，若满足所述垂直判别公式，则该第i天t时刻的基础数据y(i,t)为异常值，其中
Figure FDA0003542885160000014
为近期t时刻的该项基础数据的均值，γ(t)为垂直处理阈值；对于异常值，利用
Figure FDA0003542885160000015
进行替换计算，得到垂直处理后的数据；
所述缺失值处理的方法为：利用线性插值法进行补充计算，得到补充处理后的数据。
6.根据权利要求5所述的线损预测方法，其特征在于：所述水平处理法中，所述第一水平处理阈值、所述第二水平处理阈值为所述第i天t-1时刻的基础数据y(i,t-1)或第i天t+1时刻的基础数据y(i,t+1)的10％；所述垂直处理法中，所述垂直处理阈值γ(t)为近期t时刻的该项基础数据的均值
Figure FDA0003542885160000021
的10％。
7.根据权利要求1所述的线损预测方法，其特征在于：所述步骤3中，所述线损预测模型包括用于输入数据并将其转化为矩阵向量的输入层、与所述输入层相连接的LSTM层、与所述LSTM层相连接的Self-Attention层、与所述Self-Attention层相连接的输出层。
8.根据权利要求1所述的线损预测方法，其特征在于：所述步骤4中，训练所述线损预测模型过程中，通过损失函数MAE评价每次迭代的误差，再通过Adam优化算法不断纠正更新模型权重，从而得到线损预测最优模型；评价所述线损预测模型采用的指标包括平均绝对误差、均方根误差。
CN202210237526.6A 2022-03-11 2022-03-11 一种线损预测方法 Pending CN114595542A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210237526.6A CN114595542A (zh) 2022-03-11 2022-03-11 一种线损预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210237526.6A CN114595542A (zh) 2022-03-11 2022-03-11 一种线损预测方法

Publications (1)

Publication Number Publication Date
CN114595542A true CN114595542A (zh) 2022-06-07

Family

ID=81817471

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210237526.6A Pending CN114595542A (zh) 2022-03-11 2022-03-11 一种线损预测方法

Country Status (1)

Country Link
CN (1) CN114595542A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN116882589A (zh) * 2023-09-04 2023-10-13 国网天津市电力公司营销服务中心 一种基于贝叶斯优化深度神经网络的线损率在线预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639783A (zh) * 2020-04-17 2020-09-08 中国电力科学研究院有限公司 一种基于lstm神经网络的线损预测方法及系统
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
CN112949945A (zh) * 2021-04-15 2021-06-11 河海大学 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN113627091A (zh) * 2021-08-30 2021-11-09 宝鸡文理学院 一种用于预测能源负荷的装置及方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111639783A (zh) * 2020-04-17 2020-09-08 中国电力科学研究院有限公司 一种基于lstm神经网络的线损预测方法及系统
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
CN112949945A (zh) * 2021-04-15 2021-06-11 河海大学 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN113627091A (zh) * 2021-08-30 2021-11-09 宝鸡文理学院 一种用于预测能源负荷的装置及方法

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN116882589A (zh) * 2023-09-04 2023-10-13 国网天津市电力公司营销服务中心 一种基于贝叶斯优化深度神经网络的线损率在线预测方法

Similar Documents

Publication Publication Date Title
Zhang et al. Wind speed forecasting based on quantile regression minimal gated memory network and kernel density estimation
CN109711620B (zh) 一种基于gru神经网络和迁移学习的短期电力负荷预测方法
CN112949945B (zh) 一种改进双向长短期记忆网络的风电功率超短期预测方法
CN110705743B (zh) 一种基于长短期记忆神经网络的新能源消纳电量预测方法
CN111260136A (zh) 一种基于arima-lstm组合模型的楼宇短期负荷预测方法
CN108846517A (zh) 一种分位数概率性短期电力负荷预测集成方法
CN113128113B (zh) 一种基于深度学习和迁移学习的贫乏信息建筑负荷预测方法
CN113554466B (zh) 一种短期用电量预测模型构建方法、预测方法和装置
Ye et al. Combined approach for short-term wind power forecasting based on wave division and Seq2Seq model using deep learning
CN114595542A (zh) 一种线损预测方法
CN112363896B (zh) 日志异常检测系统
CN112329990A (zh) 一种基于lstm-bp神经网络的用户用电负荷预测方法
CN114444660A (zh) 基于注意力机制和lstm的短期电力负荷预测方法
CN114970952A (zh) 一种考虑环境因素的光伏出力短期预测方法及系统
CN114021848A (zh) 一种基于lstm深度学习的发电量需求预测方法
CN117151770A (zh) 一种基于注意力机制的lstm碳价预测方法和系统
CN115860177A (zh) 基于组合式机器学习模型光伏发电功率预测方法及其应用
CN115759465A (zh) 基于多目标协同训练和nwp隐式校正的风电功率预测方法
CN117458480A (zh) 基于改进lof的光伏发电功率短期预测方法及系统
Wang et al. Electric vehicle charging load clustering and load forecasting based on long short term memory neural network
CN114707422A (zh) 一种基于负荷预测的智能电力缉查方法
CN111984514B (zh) 基于Prophet-bLSTM-DTW的日志异常检测方法
Cui et al. Short-time series load forecasting by seq2seq-lstm model
Prashanthi et al. A comparative study of the performance of machine learning based load forecasting methods
Shen et al. An interval analysis scheme based on empirical error and MCMC to quantify uncertainty of wind speed

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