CN116090348A - 一种馈线线损集成学习估计方法、设备及存储介质 - Google Patents
一种馈线线损集成学习估计方法、设备及存储介质 Download PDFInfo
- Publication number
- CN116090348A CN116090348A CN202310090511.6A CN202310090511A CN116090348A CN 116090348 A CN116090348 A CN 116090348A CN 202310090511 A CN202310090511 A CN 202310090511A CN 116090348 A CN116090348 A CN 116090348A
- Authority
- CN
- China
- Prior art keywords
- weight vector
- vector solution
- model
- estimation
- line loss
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 21
- 239000013598 vector Substances 0.000 claims abstract description 120
- 238000005457 optimization Methods 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 13
- 238000010845 search algorithm Methods 0.000 claims abstract description 11
- 238000012360 testing method Methods 0.000 claims abstract description 8
- 238000010187 selection method Methods 0.000 claims abstract description 7
- 230000010354 integration Effects 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 16
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 6
- 125000003275 alpha amino acid group Chemical group 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 6
- 238000007637 random forest analysis Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 abstract description 12
- 238000004364 calculation method Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 239000002245 particle Substances 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
Classifications
-
- 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
- G06N10/00—Quantum computing, i.e. information processing based on quantum-mechanical phenomena
- G06N10/80—Quantum programming, e.g. interfaces, languages or software-development kits for creating or handling programs capable of running on quantum computers; Platforms for simulating or accessing quantum computers, e.g. cloud-based quantum computing
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Tourism & Hospitality (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Geometry (AREA)
- General Business, Economics & Management (AREA)
- Computational Mathematics (AREA)
- Condensed Matter Physics & Semiconductors (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于配电馈线线损估计领域，公开了一种基于原子轨道搜索算法的配电馈线线损估计模型选取方法，包括：S1：构建统计线损特征和线损率数据集作为样本；S2：将样本划分为训练集和测试集；S3：将训练集作为选取的各基估计模型的输入，训练各基估计模型；S4：将各基估计模型进行加权集成，构建权重优化函数；S5：使用原子轨道搜索算法优化权重向量解，从而得到最优权重向量解；S6：采用最优权重向量解对基估计模型进行加权处理，得到最优的配电馈线模型。本发明对基于树模型的估计算法进行二次集成，通过构建以MSE最小为优化目标的优化函数，使用原子轨道搜索算法对基估计模型数量和权重进行智能化寻优，实现了配电馈线线损的高精度估计。
Description
技术领域
本发明属于配电馈线线损估计领域，特别涉及一种馈线线损集成学习估计方法、设备及存储介质。
背景技术
线损率在评价电力系统的经济运行中扮演重要的角色，线损管理是电力公司的重点管理内容之一。其中，10kV配电馈线的网损尤为严重，为此需要对其线损进行精细化管理。对于配电网中线损估计的传统方法可以分成两大类：(1)经典方法：经典方法考虑了各种近似，使得计算精度降低。(2)潮流计算方法：计算精度高，但计算速度慢。由于这两种方法都是基于模型的计算方法，过度依赖于模型，因此不利于算法的标准化推广。
如今，随着智能电网建设的推进和智能电表的普及，电力公司积累了大量的电网和用户的历史数据，使基于数据的机器学习算法用于线损估计成为可能。
用于线损估计的机器学习算法大致分为两大类，第一类是基于统计学的经典机器学习算法，第二类是基于神经网络的深度学习算法。其中，深度学习算法计算量大且可解释性差，相比于深度学习算法，基于统计学的机器学习算法运算小，易于部署，尤其基于树模型算法的估计精度较高，但估计精度仍有提升空间。
发明内容
为解决现有技术中的不足，本发明提供了一种配电馈线模型选取方法、设备及存储介质，采用集成学习思想，对多个基于基估计模型的算法进行加权集成，选取最小化均方误差MSE作为评估指标，构建权重优化函数，使用原子轨道搜索算法对所选用基估计模型的权重进行寻优，构建最优加权估计模型，从而进一步提高线损估计的精度。
本发明的具体技术方案如下：
一种配电馈线线损估计模型选取方法，包括以下步骤：
S1：从智能配用电数据中提取配电馈线统计线损影响因素，构建统计线损估计特征数据集作为样本；
S2：按照一定比例将样本划分为训练集和测试集；
S3：将训练集作为选取的各基估计模型的输入，训练各基估计模型，得到各基估计模型的估计结果，对估计结果进行加权集成得到最终估计结果ypred：
ypred＝YpredX (1)；
其中，Ypred＝[ypred.1,ypred.2,...,ypred.u]为线损估计矩阵，其大小为n×u，ypred.u为第u个基估计模型的估计结果，其大小为n×1，X为权重向量，其大小为u×1；n为馈线条数；
S4：构建权重优化函数，公式如下：
且满足
其中，E为权重优化函数，ytrue为馈线统计线损率真实值，其大小为n×1；u为基估计模型数量，权重向量X＝[x1,x2,...,xu]T；
S5：使用原子轨道搜索算法优化权重向量解，通过不断改变权重向量的位置，从而得到最优权重向量解；
S6：采用最优权重向量解对基估计模型进行加权处理，得到最优的配电馈线线损率估计模型。
优选地，所述S2中，所述样本根据8:2的比例划分为训练集和测试集。
优选地，所述S5的具体步骤如下：
S5-1：设有m个权重向量解，则构建权重向量矩阵如式(3)所示：
其中，m为搜索空间内的权重向量解数量，d为权重个数，
表示第i组权重向量的第j个权重，Xi表示第i个权重向量解；
S5-2：构建权重优化函数矩阵如式(4)所示：
其中，Ei表示第i个权重向量解的优化函数值；
S5-3：初始化m个权重向量解，并根据公式(2)计算每个权重向量解的优化函数值，并根据搜索空间内所有权重向量解的位置和优化函数值的平均值来确定原子的结合态BS和结合能BE，如公式(5)和公式(6)所示：
其中，Xi为第i个权重向量解，Ei为第i个权重向量解的优化函数值；此时，在所有权重向量解之间具有最佳优化函数值的权重向量解作为原子中具有最低能级的电子LE，即为全局最优解；
S5-4：模拟基于量子的原子模型，创建v个虚拟层，并按照概率分布将权重向量解分配到各虚拟层，设置最大迭代次数Cmax，进行对原子模型的各虚拟层进行循环迭代优化，其中，包括v层虚拟层的权重向量解矩阵如公式(7)所示：
式(7)中，
为第k个虚拟层中的第i个权重向量解，v为虚拟创建的最大层数，p为第k个虚拟层中的权重向量解的数量，d为每个权重向量解中的权重个数；
v层虚拟层权重向量解的权重优化函数矩阵如公式(8)所示：
式(8)中，
是第k个虚拟层中第i个权重向量解的优化函数值，在每个虚拟层中具有最佳优化函数值的权重向量解作为每个虚拟层中具有最低能级的电子LEk；
S5-5：当k≤v时，通过考虑所选择的虚拟层中所有权重向量解的位置和优化函数值的平均值，根据公式(9)和公式(10)确定第k层中权重向量解的结合状态和结合能，随后进行步骤S5-6，其中公式(9)和公式(10)如下所示：
其中，BSk为第k层权重向量解的结合状态，BEk为第k层权重向量解的结合能，
为第k层第i个权重向量解，
为第k层第i个权重向量解的优化函数值；
当k＞v时，则根据公式(5)和公式(6)分别更新原子的结合态BS和结合能BE，最后更新得到最低能级的电子LE，并令C＝C+1，若迭代次数C＜Cmax则返回步骤S5-5，对原子模型的各虚拟层的权重向量解从第一层虚拟层进行迭代优化，若迭代次数C＝Cmax时，则结束循环迭代优化，得到最优权重向量解；
S5-6：对第k层的权重向量解从第一个权重向量解开始迭代优化，当i≤p，若第k层第i个权重向量解的优化函数值
则令：
若第k层第i个权重向量解的优化函数值
则令
其中，αi、βi和γi均为包含随机生成的数的向量，且随机生成的数均匀分布在(0,1)中，用于确定电子释放的能量；
更新完成后，则令i＝i+1，返回步骤S5-6继续更新，直至i＞p时，令k＝k+1，返回步骤S5-5。
优选地，所述基估计模型为用于配电馈线线损影响因素估计的模型。
优选地，所述基估计模型包括XGBoost估计模型、GBDT估计模型、AdaBoost估计模型、随机森林估计模型、决策树估计模型或者extratree估计模型中的两种或者多种。
优选地，所述S6中得到的最优配电馈线模型可使用测试集来评估模型的泛化能力，评估指标为均方误差，如公式(13)所示：
其中，n为馈线条数，
为第i条馈线线损估计值，yi为第i条馈线线损真实值。
一种电子设备，包括：处理器和存储器，所述存储器存储有可执行指令，所述处理器用于调用所述存储器存储的可执行指令执行如权利要求1-6中任一项所述的配电馈线线损估计模型选取方法。
一种计算机可读存储介质，计算机可读存储介质上存储有程序，该程序被处理器执行时实现如权利要求1-6中任一项所述的配电馈线线损估计模型选取方法。
有益效果：本发明公开了一种基于原子轨道搜索的馈线线损集成学习估计方法，对基于树模型的估计算法进行二次集成，通过构建以MSE最小为优化目标的优化函数，使用原子轨道搜索算法对基估计模型数量和权重进行智能化寻优，实现了配电馈线线损的高精度估计。
附图说明
图1为本发明的方法流程图。
具体实施方式
下面结合附图对本发明作若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
实施例1
以某市1117条馈线为例，基于原子轨道搜索算法选取配电馈线模型，具体步骤如下：
步骤1：智能配用电数据中提取配电馈线统计线损影响因素，构建统计线损估计特征数据集作为样本；
步骤2：按照8:2的比例将样本划分为训练集和测试集；
步骤3：本实施例1中选用XGBoost估计模型、GBDT估计模型、AdaBoost估计模型、随机森林(RF)估计模型、决策树(DT)估计模型、extratree估计模型作为基估计模型，将训练集作为各基估计模型的输入，训练各基估计模型，得到各基估计模型的估计结果，如表1所示为各基估计模型的均方误差：
表1各基估计模型的均方误差(MSE)
利用公式(1)对基估计模型的估计结果进行加权集成，得到最终估计结果ypred：
ypred＝YpredX (1)；
其中，Ypred＝[ypred.1,ypred.2,...,ypred.u]为线损估计矩阵，其大小为n×u，ypred.u为第u个基估计模型的估计结果，其大小为n×1，X为权重向量，其大小为u×1；n为馈线条数；本实施例1中，n取值为894，u取值为6。
步骤4：构建权重优化函数，如公式如下：
且满足
其中，E为权重优化函数，ytrue为馈线统计线损率真实值，其大小为n×1；u为基估计模型数量，权重向量X＝[x1,x2,...,xu]T；
步骤5：使用原子轨道搜索算法优化权重向量解，通过不断改变权重向量的位置，从而得到最优权重向量解，具体步骤如下：
S5-1：设有m个权重向量解，则构建权重向量矩阵如式(3)所示：
其中，m为搜索空间内的权重向量解数量，d为权重个数，
表示第i组权重向量的第j个权重，Xi表示第i个权重向量解；本实施例1中，m取值为25，d取值为6。
S5-2：构建权重优化函数矩阵如式(4)所示：
其中，Ei表示第i个权重向量解的优化函数值；
S5-3：初始化m个权重向量解，并根据公式(2)计算每个权重向量解的优化函数值，并根据搜索空间内所有权重向量解的位置和优化函数值的平均值来确定原子的结合态BS和结合能BE，如公式(5)和公式(6)所示：
其中，Xi为第i个权重向量解，Ei为第i个权重向量解的优化函数值；此时，在所有权重向量解之间具有最优优化函数值的权重向量解作为原子中具有最低能级的电子LE，即为全局最优解；
S5-4：模拟基于量子的原子模型，创建v个虚拟层(实施例1中v取值为5)，并按照概率分布将权重向量解分配到各虚拟层，设置最大迭代次数Cmax(1000次)，进行对原子模型的各虚拟层进行循环迭代优化，其中，包括v层虚拟层的权重向量解矩阵如公式(7)所示：
式(7)中，
为第k个虚拟层中的第i个权重向量解，v为虚拟创建的最大层数，p为第k个虚拟层中的权重向量解的数量(根据概率分布分配至每一层)，d为每个权重向量解中的权重个数；
v层虚拟层权重向量解的权重优化函数矩阵如公式(8)所示：
式(8)中，
是第k个虚拟层中第i个权重向量解的优化函数值，在每个虚拟层中具有最佳优化函数值的权重向量解作为每个虚拟层中具有最低能级的电子LEk；
S5-5：当k≤v时，通过考虑所选择的虚拟层中所有权重向量解的位置和优化函数值的平均值，根据公式(9)和公式(10)确定第k层中权重向量解的结合状态和结合能，随后进行步骤S5-6，其中，公式(9)和公式(10)所示：
其中，BSk为第k层权重向量解的结合状态，BEk为第k层权重向量解的结合能，
为第k层第i个权重向量解，
为第k层第i个权重向量解的优化函数值；
当k＞v时，则根据公式(5)和公式(6)分别更新原子的结合态BS和结合能BE，最后更新得到最低能级的电子LE，并令C＝C+1，若迭代次数C＜Cmax则返回步骤S5-5，对原子模型的各虚拟层的权重向量解从第一层虚拟层进行迭代优化，若迭代次数C＝Cmax时，则结束循环迭代优化，得到最优权重向量解；
S5-6：对第k层的权重向量解从第一个权重向量解开始迭代优化，当i≤p，若第k层第i个权重向量解的优化函数值
则令：
若第k层第i个权重向量解的优化函数值
则令
其中，αi、βi和γi均为包含随机生成的数的向量，且随机生成的数均匀分布在(0,1)中，用于确定电子释放的能量；
更新完成后，则令i＝i+1，返回步骤S5-6继续更新，直至i＞p时，令k＝k+1，返回步骤S5-5。
最后得到的最优权重向量解结果如表1所示：
表2原子轨道搜索算法所得最优权重向量解(权重分配)
从表1中看到，原子轨道搜索算法选取了三个最优的基估计模型，并对各个基估计模型进行了权重分配，而且并不是基估计模型的MSE越低，该基模型的权重就越大。
为了进一步验证本发明优化方法的优势，仍以某市1117条馈线为例，在选用XGBoost估计模型、GBDT估计模型、AdaBoost估计模型、随机森林(RF)估计模型、决策树(DT)估计模型、extratree估计模型作为基估计模型的前提下，选取以下两个场景与本实施例1的优化结果进行对比。其中，场景1对各个基估计模型进行平均权重分配，场景2采用粒子群算法选取最优权重分配。各场景的权重分配如表3所示，本实施例1以及各场景构建的模型估计结果的评估结果如表4所示。
表3各场景的权重分配
表4本实施例1以及各场景构建的模型估计结果的均方误差MSE值
从表4中可以看出，相比于现有的平均权重分配以及粒子群算法，本发明所提出的使用原子轨道搜索算法对权重进行寻优的加权集成估计模型具有最低的MSE，即具有最好的估计效果。
本发明还提供了一种电子设备，包括处理器和存储器。上述实施例的方法流程可以被实现为电子设备。其中，存储器存储有可执行指令，处理器用于调用所述存储器存储的可执行指令执行如上述实施例公开的配电馈线线损估计模型选取方法。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的电子设备所包含的；也可以是单独存在，而未装配入电子设备中。上述计算机可读存储介质承载有一个或者多个系统，当上述一个或者多个系统被执行时，可以实现基于原子轨道搜索的馈线线损集成学习估计方法。
根据本发明的实施例，计算机可读存储介质可以是非易失性的计算机可读存储介质及其任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储系统的有形介质。
以上所述仅是本发明说明，为本发明的优选实施方式。应当指出，对于本技术领域的普通技术人员来脱离本发明的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种配电馈线线损估计模型选取方法，其特征在于，包括以下步骤：
S1：从智能配用电数据中提取配电馈线统计线损影响因素，构建统计线损估计特征数据集作为样本；
S2：按照一定比例将样本划分为训练集和测试集；
S3：将训练集作为选取的各基估计模型的输入，训练各基估计模型，得到各基估计模型的估计结果，对估计结果进行加权集成得到最终估计结果ypred：
ypred＝YpredX (1)；
其中，Ypred＝[ypred.1,ypred.2,...,ypred.u]为线损估计矩阵，其大小为n×u，ypred.u为第u个基估计模型的估计结果，其大小为n×1，X为权重向量，其大小为u×1；n为馈线条数；
S4：构建权重优化函数，公式如下：
且满足s.t.0≤xi≤1，
其中，E为权重优化函数，ytrue为馈线统计线损率真实值，其大小为n×1；u为基估计模型数量，权重向量X＝[x1,x2,...,xu]T；
S5：使用原子轨道搜索算法优化权重向量解，通过不断改变权重向量的位置，从而得到最优权重向量解；
S6：采用最优权重向量解对基估计模型进行加权处理，得到最优的配电馈线线损率估计模型。
2.根据权利要求1所述的配电馈线模型选取方法，其特征在于，所述S2中，所述样本根据8:2的比例划分为训练集和测试集。
3.根据权利要求1所述的配电馈线模型选取方法，其特征在于，所述S5的具体步骤如下：
S5-1：设有m个权重向量解，则构建权重向量矩阵如式(3)所示：
其中，m为搜索空间内的权重向量解数量，d为权重个数，
表示第i组权重向量的第j个权重，Xi表示第i个权重向量解；
S5-2：构建权重优化函数矩阵如式(4)所示：
其中，Ei表示第i个权重向量解的优化函数值；
S5-3：初始化m个权重向量解，并根据公式(2)计算每个权重向量解的优化函数值，并根据搜索空间内所有权重向量解的位置和优化函数值的平均值来确定原子的结合态BS和结合能BE，如公式(5)和公式(6)所示：
其中，Xi为第i个权重向量解，Ei为第i个权重向量解的优化函数值；此时，在所有权重向量解之间具有最佳优化函数值的权重向量解作为原子中具有最低能级的电子LE，即为全局最优解；
S5-4：模拟基于量子的原子模型，创建v个虚拟层，并按照概率分布将权重向量解分配到各虚拟层，设置最大迭代次数Cmax，进行对原子模型的各虚拟层进行循环迭代优化，其中，包括v层虚拟层的权重向量解矩阵如公式(7)所示：
式(7)中，
为第k个虚拟层中的第i个权重向量解，v为虚拟创建的最大层数，p为第k个虚拟层中的权重向量解的数量，d为每个权重向量解中的权重个数；
v层虚拟层权重向量解的权重优化函数矩阵如公式(8)所示：
式(8)中，
是第k个虚拟层中第i个权重向量解的优化函数值，在每个虚拟层中具有最佳优化函数值的权重向量解作为每个虚拟层中具有最低能级的电子LEk；
S5-5：当k≤v时，通过考虑所选择的虚拟层中所有权重向量解的位置和优化函数值的平均值，根据公式(9)和公式(10)确定第k层中权重向量解的结合状态和结合能，随后进行步骤S5-6，其中公式(9)和公式(10)如下所示：
其中，BSk为第k层权重向量解的结合状态，BEk为第k层权重向量解的结合能，
为第k层第i个权重向量解，
为第k层第i个权重向量解的优化函数值；
当k＞v时，则根据公式(5)和公式(6)分别更新原子的结合态BS和结合能BE，最后更新得到最低能级的电子LE，并令C＝C+1，若迭代次数C＜Cmax则返回步骤S5-5，对原子模型的各虚拟层的权重向量解从第一层虚拟层进行迭代优化，若迭代次数C＝Cmax时，则结束循环迭代优化，得到最优权重向量解；
S5-6：对第k层的权重向量解从第一个权重向量解开始迭代优化，当i≤p，若第k层第i个权重向量解的优化函数值
则令：
若第k层第i个权重向量解的优化函数值
则令
其中，αi、βi和γi均为包含随机生成的数的向量，且随机生成的数均匀分布在(0,1)中，用于确定电子释放的能量；
更新完成后，则令i＝i+1，返回步骤S5-6继续更新，直至i＞p时，令k＝k+1，返回步骤S5-5。
4.根据权利要求1所述的配电馈线模型选取方法，其特征在于，所述基估计模型为用于配电馈线线损影响因素估计的模型。
5.根据权利要求1所述的配电馈线模型选取方法，其特征在于，所述基估计模型包括XGBoost估计模型、GBDT估计模型、AdaBoost估计模型、随机森林估计模型、决策树估计模型或者extratree估计模型中的两种或者多种。
6.根据权利要求1所述的配电馈线模型选取方法，其特征在于，所述S6中得到的最优配电馈线模型可使用测试集来评估模型的泛化能力，评估指标为均方误差，如公式(13)所示：
其中，n为馈线条数，
为第i条馈线线损估计值，yi为第i条馈线线损真实值。
7.一种电子设备，其特征在于，包括：处理器和存储器，所述存储器存储有可执行指令，所述处理器用于调用所述存储器存储的可执行指令执行如权利要求1-6中任一项所述的配电馈线线损估计模型选取方法。
8.一种计算机可读存储介质，其特征在于，计算机可读存储介质上存储有程序，该程序被处理器执行时实现如权利要求1-6中任一项所述的配电馈线线损估计模型选取方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310090511.6A CN116090348B (zh) | 2023-02-09 | 2023-02-09 | 一种馈线线损集成学习估计方法、设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310090511.6A CN116090348B (zh) | 2023-02-09 | 2023-02-09 | 一种馈线线损集成学习估计方法、设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116090348A true CN116090348A (zh) | 2023-05-09 |
| CN116090348B CN116090348B (zh) | 2023-11-24 |
Family
ID=86204262
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310090511.6A Active CN116090348B (zh) | 2023-02-09 | 2023-02-09 | 一种馈线线损集成学习估计方法、设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116090348B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104751369A (zh) * | 2013-12-25 | 2015-07-01 | 南京理工大学 | 一种改进的k-均值聚类的线损分析方法 |
| US9484747B1 (en) * | 2012-01-25 | 2016-11-01 | Siemens Aktiengesellschaft | Holistic optimization of distribution automation using survivability modeling |
| US20180247001A1 (en) * | 2015-09-06 | 2018-08-30 | China Electric Power Research Institute Company Limited | Digital simulation system of power distribution network |
| US20180321653A1 (en) * | 2017-05-08 | 2018-11-08 | Honeywell International Inc. | Method and system for dynamic process window management in equipment damage prediction |
| CN111967183A (zh) * | 2020-07-31 | 2020-11-20 | 中国电力科学研究院有限公司 | 一种配电网台区线损的计算方法和系统 |
| US20210133571A1 (en) * | 2019-11-05 | 2021-05-06 | California Institute Of Technology | Systems and Methods for Training Neural Networks |
| CN113051769A (zh) * | 2021-04-09 | 2021-06-29 | 中南大学 | 一种基于非对称损失与混合智能优化算法的功率曲线建模方法 |
| CN113723844A (zh) * | 2021-09-06 | 2021-11-30 | 东南大学 | 一种基于集成学习的低压台区理论线损计算方法 |
| CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
| CN115563500A (zh) * | 2022-09-29 | 2023-01-03 | 国网江苏省电力有限公司电力科学研究院 | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 |
| CN115616333A (zh) * | 2022-12-20 | 2023-01-17 | 国网江西省电力有限公司电力科学研究院 | 一种配电网线损预测方法及系统 |
-
2023
- 2023-02-09 CN CN202310090511.6A patent/CN116090348B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9484747B1 (en) * | 2012-01-25 | 2016-11-01 | Siemens Aktiengesellschaft | Holistic optimization of distribution automation using survivability modeling |
| CN104751369A (zh) * | 2013-12-25 | 2015-07-01 | 南京理工大学 | 一种改进的k-均值聚类的线损分析方法 |
| US20180247001A1 (en) * | 2015-09-06 | 2018-08-30 | China Electric Power Research Institute Company Limited | Digital simulation system of power distribution network |
| US20180321653A1 (en) * | 2017-05-08 | 2018-11-08 | Honeywell International Inc. | Method and system for dynamic process window management in equipment damage prediction |
| US20210133571A1 (en) * | 2019-11-05 | 2021-05-06 | California Institute Of Technology | Systems and Methods for Training Neural Networks |
| CN111967183A (zh) * | 2020-07-31 | 2020-11-20 | 中国电力科学研究院有限公司 | 一种配电网台区线损的计算方法和系统 |
| CN113051769A (zh) * | 2021-04-09 | 2021-06-29 | 中南大学 | 一种基于非对称损失与混合智能优化算法的功率曲线建模方法 |
| CN113723844A (zh) * | 2021-09-06 | 2021-11-30 | 东南大学 | 一种基于集成学习的低压台区理论线损计算方法 |
| CN115270506A (zh) * | 2022-08-16 | 2022-11-01 | 青岛理工大学 | 一种人群沿楼梯上行的通行时间预测方法及系统 |
| CN115563500A (zh) * | 2022-09-29 | 2023-01-03 | 国网江苏省电力有限公司电力科学研究院 | 基于数据增强技术的配电设备局部放电模式识别方法、装置及系统 |
| CN115616333A (zh) * | 2022-12-20 | 2023-01-17 | 国网江西省电力有限公司电力科学研究院 | 一种配电网线损预测方法及系统 |
Non-Patent Citations (5)
| Title |
|---|
| 丁晓;魏锋;刘芳白;张晓东;胡坚;周建华;: "精益化低压线损智能分析和洞察研究", 电力需求侧管理, no. 05, pages 43 - 46 * |
| 何立强;赵允;于景亮;: "基于改进PSO优化RBF神经网络线损计算与分析", 东北电力技术, no. 04, pages 59 - 63 * |
| 姜全坤;李英娜;李川;: "改进PSO优化RBF网络的配电网线损计算方法", 信息技术, no. 05, pages 69 - 72 * |
| 邓威;郭钇秀;李勇;朱亮;刘定国;: "基于特征选择和Stacking集成学习的配电网网损预测", 电力系统保护与控制, no. 15, pages 115 - 122 * |
| 陈洋洋;林声宏;王巍;毛炽祖;: "基于系统聚类和果蝇优化支持向量回归机的配电网理论线损计算", 煤矿机电, no. 03, pages 16 - 19 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116090348B (zh) | 2023-11-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105354646B (zh) | 一种混合粒子群优化与极限学习机的电力负荷预测方法 | |
| CN108448620B (zh) | 基于综合性能指标的高渗透率分布式电源集群划分方法 | |
| CN108694467A (zh) | 一种对配电网线损率进行预测的方法及系统 | |
| CN111861013B (zh) | 一种电力负荷预测方法及装置 | |
| CN109034484A (zh) | 一种风速预测方法、装置及设备 | |
| CN110069805A (zh) | 基于hpso和ga-bp算法的螺旋电感优化方法 | |
| CN111399933A (zh) | 一种边缘-云混合计算环境下的dnn任务卸载方法及终端 | |
| CN108229536A (zh) | 分类预测模型的优化方法、装置及终端设备 | |
| CN113485826A (zh) | 一种边缘服务器负载均衡方法、系统 | |
| CN111008790A (zh) | 一种水电站群发电调度规则提取方法 | |
| CN112883632A (zh) | 一种基于改进蚁群算法的锂电池等效电路模型参数辨识方法 | |
| CN116090348B (zh) | 一种馈线线损集成学习估计方法、设备及存储介质 | |
| CN109272340B (zh) | 参数阈值确定方法、装置及计算机存储介质 | |
| CN117971475A (zh) | 一种gpu算力池智能管理方法及系统 | |
| CN115833240A (zh) | 考虑梯级水电站连接的风-光-水互补系统的容量配置优化方法 | |
| CN115953651A (zh) | 一种基于跨域设备的模型训练方法、装置、设备及介质 | |
| CN116108982A (zh) | 一种水库群多目标调度合作搜索方法及系统 | |
| CN113610665B (zh) | 一种基于多延迟输出回声状态网的风力发电功率预测方法 | |
| CN113312852B (zh) | 一种基于神经网络算法预测玻璃介电损耗的方法 | |
| CN107482645A (zh) | 基于多目标混合宇宙大爆炸算法的配电网无功优化方法 | |
| CN110046694A (zh) | 一种集成模型的自适应多样性增强训练方法及装置 | |
| Alkhanak et al. | A hyper-heuristic approach using a prioritized selection strategy for workflow scheduling in cloud computing | |
| CN114742285B (zh) | 一种居民电力消费模式预测模型的构建方法及其应用 | |
| CN110222361A (zh) | 一种风电场输出功率模拟方法及装置 | |
| CN118070090A (zh) | 一种风光典型出力场景提取方法及装置 |
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 |