CN115616333A - 一种配电网线损预测方法及系统 - Google Patents

一种配电网线损预测方法及系统 Download PDF

Info

Publication number
CN115616333A
CN115616333A CN202211636235.0A CN202211636235A CN115616333A CN 115616333 A CN115616333 A CN 115616333A CN 202211636235 A CN202211636235 A CN 202211636235A CN 115616333 A CN115616333 A CN 115616333A
Authority
CN
China
Prior art keywords
line loss
power distribution
distribution network
iteration
prediction model
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
CN202211636235.0A
Other languages
English (en)
Inventor
蔡木良
付超
王�琦
范瑞祥
徐在德
安义
刘蓓
李嬴正
刘卓睿
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Jiangxi 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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202211636235.0A priority Critical patent/CN115616333A/zh
Publication of CN115616333A publication Critical patent/CN115616333A/zh
Pending legal-status Critical Current

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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

Abstract

本发明公开一种配电网线损预测方法及系统，方法包括：步骤S1，获取配电网历史数据中包含特征参数的线损数据集，其中，线损数据集中包含训练数据样本集和测试数据样本集；步骤S2，构建PSO‑SVR预测模型，并对PSO‑SVR预测模型的模型参数进行寻优，模型参数包括误差惩罚因子和核函数；步骤S3，基于训练数据样本集对寻优后的PSO‑SVR预测模型进行训练，得到配电网线损预测模型；步骤S4，将测试数据样本集输入至配电网线损预测模型中，使配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。

Description

一种配电网线损预测方法及系统
技术领域
本发明属于配电网线损分析技术领域，尤其涉及一种配电网线损预测方法及系统。
背景技术
线路损耗是电网的功率损耗，它是指在一段时间内流经电网各个组件的电流引起的功率损耗。它有两个方面：一是在电能传输过程中在输电、配电和变电设备中产生性能损失。另一个是在营销过程中无法解释的从电厂到电力部门用电表的电力损失。配电网中线损的比例称为线损率，是反映电网设计规划、生产、投入运行和管理运营的一个重要的综合指标。
对供电企业来说，降低电能损耗，就意味着增加经济效益。目前，供电企业在中低压配电网开展的理论线损计算不够完善。主要由于终端设备类型不统一，质量参差不齐，使得数据不能实时全面的获得，导致线损计算模型准确率不高。
发明内容
本发明提供一种配电网线损预测方法及系统，用于解决配电数据不能实时全面的获得，导致线损计算模型准确率不高的技术问题。
第一方面，本发明提供一种配电网线损预测方法，包括：
步骤S1，获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集；
步骤S2，构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数，其中，对所述PSO-SVR预测模型的模型参数进行寻优的过程具体包括：
步骤S2.1，随机选择粒子的位置矢量和速度矢量；
步骤S2.2，对于随机选取的第i个粒子进行可行性检查；
步骤S2.3，选择k次交叉验证法计算适应度；
步骤S2.4，根据计算的适应度值，更新全局状态变量和局域状态变量；
步骤S2.5，在迭代的每一步，随机选择被动聚集粒子
Figure 168316DEST_PATH_IMAGE001
；
步骤S2.6，更新粒子的速度矢量，迭代公式如下：
Figure 414620DEST_PATH_IMAGE002
，
式中，
Figure 160859DEST_PATH_IMAGE003
、
Figure 984459DEST_PATH_IMAGE004
和
Figure 982502DEST_PATH_IMAGE005
均为[0，1]之间的随机数，
Figure 207947DEST_PATH_IMAGE006
和
Figure 125087DEST_PATH_IMAGE007
均为位移变化的限定因子，取为 2，
Figure 576928DEST_PATH_IMAGE008
为被动聚集系数，取为1，
Figure 237717DEST_PATH_IMAGE009
为惯性权重因子，
Figure 691570DEST_PATH_IMAGE010
为第k+1次迭代中的粒子速度，
Figure 310770DEST_PATH_IMAGE011
为第k次迭代中的粒子速度，
Figure 843382DEST_PATH_IMAGE012
为第k次迭代中的个体极值，
Figure 183228DEST_PATH_IMAGE013
为第k次迭代中的粒子位 置，
Figure 117686DEST_PATH_IMAGE014
为第k次迭代中的全局极值，
Figure 642208DEST_PATH_IMAGE015
为第i个被动聚集粒子；
其中，计算惯性权重因子的表达式为：
Figure 803062DEST_PATH_IMAGE016
，
式中，
Figure 805653DEST_PATH_IMAGE017
分别为最大权重因子、最小权重因子，
Figure 735563DEST_PATH_IMAGE018
为当前迭代次数，
Figure 430987DEST_PATH_IMAGE019
为总的迭代次数；
步骤S2.7，更新粒子的位置矢量，迭代公式如下：
Figure 938191DEST_PATH_IMAGE020
，
式中，
Figure 118375DEST_PATH_IMAGE021
为更新粒子位置时的修正系数；
步骤S2.8，迭代终止，重复步骤S2.2—步骤S2.7，直到满足迭代终止条件；
步骤S3，基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型；
步骤S4，将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
第二方面，本发明提供一种配电网线损预测系统，包括：
获取模块，配置为获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集；
寻优模块，配置为构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数，其中，对所述PSO-SVR预测模型的模型参数进行寻优的过程具体包括：
随机选择粒子的位置矢量和速度矢量；
对于随机选取的第i个粒子进行可行性检查；
选择k次交叉验证法计算适应度；
根据计算的适应度值，更新全局状态变量和局域状态变量；
在迭代的每一步，随机选择被动聚集粒子
Figure 293004DEST_PATH_IMAGE001
；
更新粒子的速度矢量，迭代公式如下：
Figure 893750DEST_PATH_IMAGE002
，
式中，
Figure 29196DEST_PATH_IMAGE003
、
Figure 373590DEST_PATH_IMAGE004
和
Figure 278092DEST_PATH_IMAGE005
均为[0，1]之间的随机数，
Figure 49739DEST_PATH_IMAGE006
和
Figure 797115DEST_PATH_IMAGE007
均为位移变化的限定因子，取为 2，
Figure 820566DEST_PATH_IMAGE008
为被动聚集系数，取为1，
Figure 704208DEST_PATH_IMAGE009
为惯性权重因子，
Figure 912336DEST_PATH_IMAGE010
为第k+1次迭代中的粒子速度，
Figure 255330DEST_PATH_IMAGE011
为第k次迭代中的粒子速度，
Figure 941526DEST_PATH_IMAGE012
为第k次迭代中的个体极值，
Figure 820620DEST_PATH_IMAGE013
为第k次迭代中的粒子位 置，
Figure 934070DEST_PATH_IMAGE014
为第k次迭代中的全局极值，
Figure 124880DEST_PATH_IMAGE015
为第i个被动聚集粒子；
其中，计算惯性权重因子的表达式为：
Figure 755713DEST_PATH_IMAGE022
，
式中，
Figure 348368DEST_PATH_IMAGE017
分别为最大权重因子、最小权重因子，
Figure 163877DEST_PATH_IMAGE018
为当前迭代次数，
Figure 717349DEST_PATH_IMAGE019
为总的迭代次数；
更新粒子的位置矢量，迭代公式如下：
Figure 10927DEST_PATH_IMAGE020
，
式中，
Figure 458089DEST_PATH_IMAGE021
为更新粒子位置时的修正系数；
直到满足迭代终止条件，迭代终止；
训练模块，配置为基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型；
分析模块，配置为将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
第三方面，提供一种电子设备，其包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行本发明任一实施例的一种配电网线损预测方法的步骤。
第四方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行本发明任一实施例的一种配电网线损预测方法的步骤。
本申请的一种配电网线损预测方法及系统，通过对PSO-SVR预测模型的误差惩罚因子和核函数进行寻优，实现了对 PSO-SVR预测模型的结构参数进行整体优化，最终实现中低压配电网线损的准确计算，进而指导配电网结构以及运行管理模式的改进。并且引入卡尔曼滤波算法，克服了常规配电网设备智能化程度不高，数据采集不完整的缺点，提高了数据建模的合理性，能够节约大量时间和成本，提高了工作效率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种配电网线损预测方法的流程图；
图2为本发明一实施例提供一个具体实施例的卡尔曼滤波算法的流程图；
图3为本发明一实施例提供的一种配电网线损预测系统的结构框图；
图4是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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得的所有其他实施例，都属于本发明保护的范围。
实施例一
请参阅图1，其示出了本申请的一种配电网线损预测方法的流程图。
如图1所示，本发明实现配电网线损预测的方法具体包括步骤S1-步骤S4。
步骤S1，获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集。
具体地，特征参数包括有功供电量、无功供电量、配电变压器容量和配电线路长度。
在本实施例中，判断所述线损数据集中是否全部包含与所述有功供电量相关的线损数据、与所述无功供电量相关的线损数据、与所述配电变压器容量相关的线损数据以及与所述配电线路长度相关的线损数据；
若否，则基于卡尔曼滤波算法对配电台区进行跟踪预测，其中，配电台区进行跟踪预测的表达式为：
Figure 818401DEST_PATH_IMAGE023
，
式中，
Figure 983803DEST_PATH_IMAGE024
为利用状态k-1对状态k的一步预测结果，
Figure 956439DEST_PATH_IMAGE025
为系统参数，
Figure 523686DEST_PATH_IMAGE026
为状态k-1的最优结果，
Figure 415419DEST_PATH_IMAGE027
为系统参数，
Figure 209062DEST_PATH_IMAGE028
为状态k的控制量，
Figure 578864DEST_PATH_IMAGE029
为 当前状态的最优估算值，
Figure 141563DEST_PATH_IMAGE030
为卡尔曼增益，
Figure 204197DEST_PATH_IMAGE031
为k时刻的观测值，
Figure 344192DEST_PATH_IMAGE032
为测量系统的 参数。
步骤S2，构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数。
在本实施例中，对所述PSO-SVR预测模型的模型参数进行寻优的过程具体包括：
步骤S2.1，随机选择粒子的位置矢量和速度矢量；
步骤S2.2，对于随机选取的第i个粒子进行可行性检查；
步骤S2.3，选择k次交叉验证法计算适应度；
步骤S2.4，根据计算的适应度值，更新全局状态变量和局域状态变量；
步骤S2.5，在迭代的每一步，随机选择被动聚集粒子
Figure 422744DEST_PATH_IMAGE001
；
步骤S2.6，更新粒子的速度矢量，迭代公式如下：
Figure 699004DEST_PATH_IMAGE002
，
式中，
Figure 73485DEST_PATH_IMAGE003
、
Figure 435196DEST_PATH_IMAGE004
和
Figure 412380DEST_PATH_IMAGE005
均为[0，1]之间的随机数，
Figure 684092DEST_PATH_IMAGE006
和
Figure 354108DEST_PATH_IMAGE007
均为位移变化的限定因子，取为 2，
Figure 203115DEST_PATH_IMAGE008
为被动聚集系数，取为1，
Figure 859355DEST_PATH_IMAGE009
为惯性权重因子，
Figure 110208DEST_PATH_IMAGE010
为第k+1次迭代中的粒子速度，
Figure 325027DEST_PATH_IMAGE011
为第k次迭代中的粒子速度，
Figure 661330DEST_PATH_IMAGE012
为第k次迭代中的个体极值，
Figure 245895DEST_PATH_IMAGE013
为第k次迭代中的粒子位 置，
Figure 226621DEST_PATH_IMAGE014
为第k次迭代中的全局极值，
Figure 238439DEST_PATH_IMAGE015
为第i个被动聚集粒子；
其中，计算惯性权重因子的表达式为：
Figure 937405DEST_PATH_IMAGE033
，
式中，
Figure 60081DEST_PATH_IMAGE017
分别为最大权重因子、最小权重因子，
Figure 285526DEST_PATH_IMAGE018
为当前迭代次数，
Figure 78033DEST_PATH_IMAGE019
为总的迭代次数；
步骤S2.7，更新粒子的位置矢量，迭代公式如下：
Figure 654508DEST_PATH_IMAGE020
，
式中，
Figure 315296DEST_PATH_IMAGE021
为更新粒子位置时的修正系数；
步骤S2.8，迭代终止，重复步骤S2.2—步骤S2.7，直到满足迭代终止条件。
步骤S3，基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型。
步骤S4，将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
综上，本实施例的方法，通过对PSO-SVR预测模型的误差惩罚因子和核函数进行寻优，实现了对 PSO-SVR预测模型的结构参数进行整体优化，最终实现中低压配电网线损的准确计算，进而指导配电网结构以及运行管理模式的改进。并且引入卡尔曼滤波算法，克服了常规配电网设备智能化程度不高，数据采集不完整的缺点，提高了数据建模的合理性，能够节约大量时间和成本，提高了工作效率。
实施例二
本发明第二实施例也提出一种配电网线损预测方法，所述配电网线损预测方法通过软件和/或硬件来实现，所述方法具体包括步骤S201-步骤S204。
步骤S201，属性选择。确定决定配电网线损的特征参数。
具体而言，根据配电网线损与特性参数之间相关性的强弱，选择各台区的有功供电量、无功供电量、配变的容量和配电线路长度作为输入，如图2所示。
步骤S202，数据收集。在特定区域中选择一部分配电系统数据，然后按网络代码编号对数据进行排序。为了匹配Matlab的编程计算，将其格式化为矩阵形式。
优选地，对于那些监测信息有限的台区，当不足以提供足够的特征参数和样本数量时，引入卡尔曼滤波方法进行跟踪预测。
具体而言，卡尔曼滤波算法由两个不同的过程组成：“预测”和“更新”，如图3所示。“预测”是利用前一时刻的最优估计对当前时刻的状态估计，也称为系统的一步预测：
Figure 769149DEST_PATH_IMAGE034
，
式中，
Figure 122770DEST_PATH_IMAGE024
为利用状态k-1对状态k的一步预测结果，
Figure 796328DEST_PATH_IMAGE025
为系统参数，
Figure 995228DEST_PATH_IMAGE026
为状态k-1的最优结果，
Figure 195265DEST_PATH_IMAGE027
为系统参数，
Figure 595154DEST_PATH_IMAGE028
为状态k的控制量；
在“更新”过程中，需要利用当前状态的先验预测信息结合观测信息以优化
状态估计，即后验状态估计。结合当前状态的观测值，便可以得到当前状态的最优估算值：
Figure 615063DEST_PATH_IMAGE035
，
式中，
Figure 883233DEST_PATH_IMAGE029
为当前状态的最优估算值，
Figure 813143DEST_PATH_IMAGE030
为卡尔曼增益，
Figure 242987DEST_PATH_IMAGE031
为k时刻的观 测值，
Figure 389672DEST_PATH_IMAGE032
为测量系统的参数。
步骤S203，数据处理。由于不同样本的数据大小通常不同，因此直接输入而不进行处理将影响收敛性和处理速度。因此，需要对数据样本进行标准化。归一化处理可以确保数据大小相对接近，避免由于大小差异大而计算样本数量少的某些数据，并提高数据处理精度。归一化后，所有样本的数据大小变为[0，1]。
具体而言，对收集到的配电系统数据采取离差标准化，归一化计算公式如下：
Figure 195954DEST_PATH_IMAGE036
，
式中，
Figure 105004DEST_PATH_IMAGE037
分别代表输入数据中的最大值和最小值，
Figure 846696DEST_PATH_IMAGE038
为第k个输入数 据。
步骤S204，构建PSO-SVR预测模型。为了提高支持向量回归的泛化性能，利用粒子 群算法对误差惩罚因子C和核函数
Figure 841196DEST_PATH_IMAGE039
进行优化。
优选地，选取径向基函数作为核函数来建立支持向量回归模型，既能满足训练要求，单参数待定也能提高算法效率。
Figure 451169DEST_PATH_IMAGE040
，
式中，
Figure 355671DEST_PATH_IMAGE041
为径向基函数，
Figure 127318DEST_PATH_IMAGE042
为核函数，
Figure 609115DEST_PATH_IMAGE043
为预测值与实际值的范数。
步骤S205，通过训练样本集对PSO-SVR预测模型进行训练，并对样本数据的均方根误差变化曲线进行验证以满足要求。
步骤S206，基于PSO-SVR预测模型，利用测试样本集分别对配电网台区线损进行计算分析，得出最优方案。
本实施例的方法，将支持向量回归方法（SVR）应用于配电网线损的预测，其遵循结构风险最小化原则，克服了基于经验风险最小化学习方法如贝叶斯分类器、决策树和人工神经网络泛化能力较差的不足。并且通过寻找最优参数子集(C, γ)，从大量的历史数据中进行聚类和学习，对PSO-SVR预测模型的结构参数进行整体优化，最终实现中低压配电网线损的准确计算。
实施例三
请参阅图3，其示出了本申请的一种配电网线损预测系统的结构框图。
如图3所示，配电网线损预测系统200，包括获取模块210、寻优模块220、训练模块230以及分析模块240。
其中，获取模块210，配置为获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集；
寻优模块220，配置为构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数，其中，对所述PSO-SVR预测模型的模型参数进行寻优的过程具体包括：
随机选择粒子的位置矢量和速度矢量；
对于随机选取的第i个粒子进行可行性检查；
选择k次交叉验证法计算适应度；
根据计算的适应度值，更新全局状态变量和局域状态变量；
在迭代的每一步，随机选择被动聚集粒子
Figure 898145DEST_PATH_IMAGE001
；
更新粒子的速度矢量，迭代公式如下：
Figure 516208DEST_PATH_IMAGE002
，
式中，
Figure 121675DEST_PATH_IMAGE003
、
Figure 825188DEST_PATH_IMAGE004
和
Figure 42543DEST_PATH_IMAGE005
均为[0，1]之间的随机数，
Figure 390479DEST_PATH_IMAGE006
和
Figure 769508DEST_PATH_IMAGE007
均为位移变化的限定因子，取为 2，
Figure 225897DEST_PATH_IMAGE008
为被动聚集系数，取为1，
Figure 591150DEST_PATH_IMAGE009
为惯性权重因子，
Figure 449385DEST_PATH_IMAGE010
为第k+1次迭代中的粒子速度，
Figure 140260DEST_PATH_IMAGE011
为第k次迭代中的粒子速度，
Figure 552787DEST_PATH_IMAGE012
为第k次迭代中的个体极值，
Figure 111944DEST_PATH_IMAGE013
为第k次迭代中的粒子位 置，
Figure 933008DEST_PATH_IMAGE014
为第k次迭代中的全局极值，
Figure 653839DEST_PATH_IMAGE015
为第i个被动聚集粒子；
其中，计算惯性权重因子的表达式为：
Figure 84820DEST_PATH_IMAGE044
，
式中，
Figure 791876DEST_PATH_IMAGE017
分别为最大权重因子、最小权重因子，
Figure 359124DEST_PATH_IMAGE018
为当前迭代次数，
Figure 391802DEST_PATH_IMAGE019
为总的迭代次数；
更新粒子的位置矢量，迭代公式如下：
Figure 778921DEST_PATH_IMAGE020
，
式中，
Figure 679881DEST_PATH_IMAGE021
为更新粒子位置时的修正系数；
直到满足迭代终止条件，迭代终止；
训练模块230，配置为基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型；
分析模块240，配置为将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
应当理解，图3中记载的诸模块与图1中描述的方法的各个步骤相对应。由此，上文针对方法描述的操作和特征以及相应的技术效果同样适用于图3中的诸模块，在此不再赘述。
实施例四
本发明实施例还提供了一种计算机可读存储介质，其上存储有计算机程序，所述程序指令被处理器执行时，使所述处理器执行上述任意方法实施例中的配电网线损预测方法；
作为一种实施方式，本发明的计算机可读存储介质存储有计算机可执行指令，计算机可执行指令设置为：
获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集；
构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数；
基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型；
将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
计算机可读存储介质可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储根据配电网线损预测系统的使用所创建的数据等。此外，计算机可读存储介质可以包括高速随机存取存储器，还可以包括存储器，例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中，计算机可读存储介质可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至配电网线损预测系统。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图4是本发明实施例提供的电子设备的结构示意图，如图4所示，该设备包括：一个处理器310以及存储器320。电子设备还可以包括：输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接，图4中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块，从而执行服务器的各种功能应用以及数据处理，即实现上述方法实施例配电网线损预测方法。输入装置330可接收输入的数字或字符信息，以及产生与配电网线损预测系统的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法，具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节，可参见本发明实施例所提供的方法。
作为一种实施方式，上述电子设备应用于配电网线损预测系统中，用于客户端，包括：至少一个处理器；以及，与至少一个处理器通信连接的存储器；其中，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，以使至少一个处理器能够：
获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集；
构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数；
基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型；
将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (8)

1.一种配电网线损预测方法，其特征在于，包括：
步骤S1，获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集；
步骤S2，构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数，其中，对所述PSO-SVR预测模型的模型参数进行寻优的过程具体包括：
步骤S2.1，随机选择粒子的位置矢量和速度矢量；
步骤S2.2，对于随机选取的第i个粒子进行可行性检查；
步骤S2.3，选择k次交叉验证法计算适应度；
步骤S2.4，根据计算的适应度值，更新全局状态变量和局域状态变量；
步骤S2.5，在迭代的每一步，随机选择被动聚集粒子
Figure 477062DEST_PATH_IMAGE001
；
步骤S2.6，更新粒子的速度矢量，迭代公式如下：
Figure 800727DEST_PATH_IMAGE002
，
式中，
Figure 846044DEST_PATH_IMAGE003
、
Figure 772412DEST_PATH_IMAGE004
和
Figure 993308DEST_PATH_IMAGE005
均为[0，1]之间的随机数，
Figure 986410DEST_PATH_IMAGE006
和
Figure 784602DEST_PATH_IMAGE007
均为位移变化的限定因子，取为2，
Figure 249081DEST_PATH_IMAGE008
为被动聚集系数，取为1，
Figure 590064DEST_PATH_IMAGE009
为惯性权重因子，
Figure 849007DEST_PATH_IMAGE010
为第k+1次迭代中的粒子速度，
Figure 744282DEST_PATH_IMAGE011
为第k 次迭代中的粒子速度，
Figure 12452DEST_PATH_IMAGE012
为第k次迭代中的个体极值，
Figure 801416DEST_PATH_IMAGE013
为第k次迭代中的粒子位置，
Figure 637785DEST_PATH_IMAGE014
为第k次迭代中的全局极值，
Figure 144990DEST_PATH_IMAGE015
为第i个被动聚集粒子；
其中，计算惯性权重因子的表达式为：
Figure 325173DEST_PATH_IMAGE016
，
式中，
Figure 234224DEST_PATH_IMAGE017
分别为最大权重因子、最小权重因子，
Figure 100548DEST_PATH_IMAGE018
为当前迭代次数，
Figure 970415DEST_PATH_IMAGE019
为 总的迭代次数；
步骤S2.7，更新粒子的位置矢量，迭代公式如下：
Figure 580388DEST_PATH_IMAGE020
，
式中，
Figure 343945DEST_PATH_IMAGE021
为更新粒子位置时的修正系数；
步骤S2.8，迭代终止，重复步骤S2.2—步骤S2.7，直到满足迭代终止条件；
步骤S3，基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型；
步骤S4，将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
2.根据权利要求1所述的一种配电网线损预测方法，其特征在于，在步骤S1中，所述特征参数包括有功供电量、无功供电量、配电变压器容量和配电线路长度。
3.根据权利要求2所述的一种配电网线损预测方法，其特征在于，在获取配电网历史数据中包含特征参数的线损数据集之后，方法还包括：
判断所述线损数据集中是否全部包含与所述有功供电量相关的线损数据、与所述无功供电量相关的线损数据、与所述配电变压器容量相关的线损数据以及与所述配电线路长度相关的线损数据；
若否，则基于卡尔曼滤波算法对配电台区进行跟踪预测，其中，配电台区进行跟踪预测的表达式为：
Figure 522117DEST_PATH_IMAGE022
，
式中，
Figure 738334DEST_PATH_IMAGE023
为利用状态k-1对状态k的一步预测结果，
Figure 27364DEST_PATH_IMAGE024
为系统参数，
Figure 645427DEST_PATH_IMAGE025
为状态k-1的最优结果，
Figure 119134DEST_PATH_IMAGE026
为系统参数，
Figure 196549DEST_PATH_IMAGE027
为状态k的控制量，
Figure 148325DEST_PATH_IMAGE028
为当前状态的最优估算值，
Figure 824157DEST_PATH_IMAGE029
为卡尔曼增益，
Figure 78552DEST_PATH_IMAGE030
为k时刻的观测值，
Figure 534941DEST_PATH_IMAGE031
为测量系统 的参数。
4.根据权利要求3所述的一种配电网线损预测方法，其特征在于，在判断所述线损数据集中是否全部包含与所述有功供电量相关的线损数据、与所述无功供电量相关的线损数据、与所述配电变压器容量相关的线损数据以及与所述配电线路长度相关的线损数据之前，方法还包括：
对所述线损数据集中的各个数据进行归一化处理，其中，进行归一化处理的表达式为：
Figure 24828DEST_PATH_IMAGE032
，
式中，
Figure 227270DEST_PATH_IMAGE033
分别代表输入数据中的最大值和最小值，
Figure 42780DEST_PATH_IMAGE034
为第k个输入数据。
5.根据权利要求1所述的一种配电网线损预测方法，其特征在于，在步骤S2中，所述核函数为径向基函数，其表达式为：
Figure 720886DEST_PATH_IMAGE035
，
式中，
Figure 653944DEST_PATH_IMAGE036
为径向基函数，
Figure 101106DEST_PATH_IMAGE037
为核函数，
Figure 697304DEST_PATH_IMAGE038
为预测值与实际值的范数。
6.一种配电网线损预测系统，其特征在于，包括：
获取模块，配置为获取配电网历史数据中包含特征参数的线损数据集，其中，所述线损数据集中包含训练数据样本集和测试数据样本集；
寻优模块，配置为构建PSO-SVR预测模型，并对所述PSO-SVR预测模型的模型参数进行寻优，所述模型参数包括误差惩罚因子和核函数，其中，对所述PSO-SVR预测模型的模型参数进行寻优的过程具体包括：
随机选择粒子的位置矢量和速度矢量；
对于随机选取的第i个粒子进行可行性检查；
选择k次交叉验证法计算适应度；
根据计算的适应度值，更新全局状态变量和局域状态变量；
在迭代的每一步，随机选择被动聚集粒子
Figure 862706DEST_PATH_IMAGE001
；
更新粒子的速度矢量，迭代公式如下：
Figure 959975DEST_PATH_IMAGE002
，
式中，
Figure 402589DEST_PATH_IMAGE003
、
Figure 294321DEST_PATH_IMAGE004
和
Figure 87965DEST_PATH_IMAGE005
均为[0，1]之间的随机数，
Figure 723346DEST_PATH_IMAGE006
和
Figure 145100DEST_PATH_IMAGE007
均为位移变化的限定因子，取为2，
Figure 581635DEST_PATH_IMAGE008
为被动聚集系数，取为1，
Figure 456050DEST_PATH_IMAGE009
为惯性权重因子，
Figure 160701DEST_PATH_IMAGE010
为第k+1次迭代中的粒子速度，
Figure 312328DEST_PATH_IMAGE011
为第k 次迭代中的粒子速度，
Figure 811442DEST_PATH_IMAGE012
为第k次迭代中的个体极值，
Figure 314099DEST_PATH_IMAGE013
为第k次迭代中的粒子位置，
Figure 291282DEST_PATH_IMAGE014
为第k次迭代中的全局极值，
Figure 687628DEST_PATH_IMAGE015
为第i个被动聚集粒子；
其中，计算惯性权重因子的表达式为：
Figure 967431DEST_PATH_IMAGE039
，
式中，
Figure 816438DEST_PATH_IMAGE017
分别为最大权重因子、最小权重因子，
Figure 597312DEST_PATH_IMAGE018
为当前迭代次数，
Figure 487646DEST_PATH_IMAGE019
为 总的迭代次数；
更新粒子的位置矢量，迭代公式如下：
Figure 62984DEST_PATH_IMAGE020
，
式中，
Figure 399287DEST_PATH_IMAGE021
为更新粒子位置时的修正系数；
直到满足迭代终止条件，迭代终止；
训练模块，配置为基于所述训练数据样本集对寻优后的PSO-SVR预测模型进行训练，得到配电网线损预测模型；
分析模块，配置为将所述测试数据样本集输入至所述配电网线损预测模型中，使所述配电网线损预测模型对配电网台区线损进行分析，得到最优预测方案。
7.一种电子设备，其特征在于，包括：至少一个处理器，以及与所述至少一个处理器通信连接的存储器，其中，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1至5任一项所述的方法。
8.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1至5任一项所述的方法。
CN202211636235.0A 2022-12-20 2022-12-20 一种配电网线损预测方法及系统 Pending CN115616333A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211636235.0A CN115616333A (zh) 2022-12-20 2022-12-20 一种配电网线损预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211636235.0A CN115616333A (zh) 2022-12-20 2022-12-20 一种配电网线损预测方法及系统

Publications (1)

Publication Number Publication Date
CN115616333A true CN115616333A (zh) 2023-01-17

Family

ID=84879594

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211636235.0A Pending CN115616333A (zh) 2022-12-20 2022-12-20 一种配电网线损预测方法及系统

Country Status (1)

Country Link
CN (1) CN115616333A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090348A (zh) * 2023-02-09 2023-05-09 国网江苏省电力有限公司电力科学研究院 一种馈线线损集成学习估计方法、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102231144A (zh) * 2011-06-03 2011-11-02 中国电力科学研究院 一种基于Boosting算法的配电网理论线损预测方法
CN105389636A (zh) * 2015-12-11 2016-03-09 河海大学 一种低压台区kfcm-svr合理线损预测方法
CN107565553A (zh) * 2017-09-19 2018-01-09 贵州大学 一种基于ukf的配电网抗差动态状态估计方法
CN110247396A (zh) * 2019-07-17 2019-09-17 国网山东省电力公司青岛供电公司 基于自适应抗差无迹卡尔曼滤波的配电网状态估计方法及系统
CN110707693A (zh) * 2019-10-18 2020-01-17 燕山大学 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法
CN110796293A (zh) * 2019-10-14 2020-02-14 杭州中恒云能源互联网技术有限公司 一种电力负荷预测方法
CN112632857A (zh) * 2020-12-22 2021-04-09 广东电网有限责任公司广州供电局 一种配电网的线损确定方法、装置、设备和存储介质

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102231144A (zh) * 2011-06-03 2011-11-02 中国电力科学研究院 一种基于Boosting算法的配电网理论线损预测方法
CN105389636A (zh) * 2015-12-11 2016-03-09 河海大学 一种低压台区kfcm-svr合理线损预测方法
CN107565553A (zh) * 2017-09-19 2018-01-09 贵州大学 一种基于ukf的配电网抗差动态状态估计方法
CN110247396A (zh) * 2019-07-17 2019-09-17 国网山东省电力公司青岛供电公司 基于自适应抗差无迹卡尔曼滤波的配电网状态估计方法及系统
CN110796293A (zh) * 2019-10-14 2020-02-14 杭州中恒云能源互联网技术有限公司 一种电力负荷预测方法
CN110707693A (zh) * 2019-10-18 2020-01-17 燕山大学 一种基于ami全量测点分区的集合卡尔曼滤波动态状态估计方法
CN112632857A (zh) * 2020-12-22 2021-04-09 广东电网有限责任公司广州供电局 一种配电网的线损确定方法、装置、设备和存储介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
徐茹枝 等: "粒子群优化的支持向量回归机计算配电网理论线损方法" *
陈慧岩, 北京理工大学出版社 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116090348A (zh) * 2023-02-09 2023-05-09 国网江苏省电力有限公司电力科学研究院 一种馈线线损集成学习估计方法、设备及存储介质
CN116090348B (zh) * 2023-02-09 2023-11-24 国网江苏省电力有限公司电力科学研究院 一种馈线线损集成学习估计方法、设备及存储介质

Similar Documents

Publication Publication Date Title
CN112686464A (zh) 短期风电功率预测方法及装置
CN112990556A (zh) 一种基于Prophet-LSTM模型的用户用电能耗预测方法
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN113205207A (zh) 一种基于XGBoost算法的用电短期负荷波动预测方法及系统
Nichiforov et al. Deep learning techniques for load forecasting in large commercial buildings
CN112508299A (zh) 一种电力负荷预测方法、装置、终端设备及存储介质
CN115616333A (zh) 一种配电网线损预测方法及系统
CN115660233A (zh) 光伏功率预测方法、装置、电子设备及存储介质
Dong et al. Short-term building cooling load prediction model based on DwdAdam-ILSTM algorithm: A case study of a commercial building
CN113449919B (zh) 一种基于特征和趋势感知的用电量预测方法及系统
Stützle et al. Automatic (offline) configuration of algorithms
CN115099511A (zh) 基于优化copula的光伏功率概率估计方法及系统
CN110826794A (zh) 基于pso优化svm的电厂耗煤基准值滚动预测方法和装置
CN110457821A (zh) 风功率曲线多目标综合评价方法、装置及服务器
CN113538063A (zh) 基于决策树的电费异常数据分析方法、装置、设备及介质
WO2020228568A1 (zh) 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质
CN113033898A (zh) 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及系统
CN116707331A (zh) 基于模型预测的逆变器输出电压高精度调节方法及系统
CN112287605A (zh) 一种基于图卷积网络加速的潮流校核方法
CN115528684A (zh) 一种超短期负荷预测方法、装置及电子设备
CN109871998B (zh) 一种基于专家样本库的配电网线损率预测方法及装置
CN115965288B (zh) 基于IWO优化BiLSTM的有源配电网频率安全评估方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
CN117175595B (zh) 一种基于多级数据的电网调控方法及系统
Yeh et al. Short-term load power prediction based deep learning gated recurrent unit in solar power plant

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20230117