CN117172391B - 一种基于多元回归的线损合理区间预测方法、装置及介质 - Google Patents
一种基于多元回归的线损合理区间预测方法、装置及介质 Download PDFInfo
- Publication number
- CN117172391B CN117172391B CN202311444665.7A CN202311444665A CN117172391B CN 117172391 B CN117172391 B CN 117172391B CN 202311444665 A CN202311444665 A CN 202311444665A CN 117172391 B CN117172391 B CN 117172391B
- Authority
- CN
- China
- Prior art keywords
- line loss
- data
- multiple regression
- function
- predicted
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 84
- 238000000611 regression analysis Methods 0.000 claims abstract description 56
- 238000005315 distribution function Methods 0.000 claims abstract description 29
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 11
- 238000012417 linear regression Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 238000012797 qualification Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 abstract description 13
- 230000006870 function Effects 0.000 description 51
- 238000004364 calculation method Methods 0.000 description 8
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- 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
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于多元回归的线损合理区间预测方法、装置及介质,所述方法包括:从电网系统获取配网线损数据,将配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集;其中,多元回归分析模型是由矩阵构建而成;根据预设的核密度估计法和网格搜索方法对预测线损率集进行计算,得到累计分布函数;根据累计分布函数,通过设置置信区间,得到线损合理区间的预测结果。本发明提出一种基于多元回归的线损合理区间预测方法、装置及介质,通过充分考虑线损影响因素来预测线损合理区间,解决线损合理区间的预测结果不准确的问题。
Description
技术领域
本发明涉及配电网线损预测的技术领域,特别是涉及一种基于多元回归的线损合理区间预测方法、装置及介质。
背景技术
随着新型负荷的兴起,电动汽车、5G基站、数据中心、分布式光伏等典型用户大规模并入电网,导致电网运行方式复杂多变,对此,制定线损合理区间是降损节能,加强线损管理的一项重要手段。通过线损合理区间可以定位异常线损设备,为后续降损工作提供依据,能够使降损工作抓住重点,提高节能降损的效益。
目前线损合理区间大多依据历史经验制定,缺乏理论依据,无法指导专业人员准确分析异常因素,只依赖历史线损率制定考核规则存在片面性,无法充分考虑线损影响因素,导致线损合理区间的预测结果不准确,造成预测结果难以支撑降损增效工作开展。
发明内容
本发明提供一种基于多元回归的线损合理区间预测方法、装置及介质,以解决现有技术的线损合理区间大多依据历史经验制定,未充分考虑线损影响因素,导致线损合理区间的预测结果不准确的问题。
为了解决上述问题,本发明提供了一种基于多元回归的线损合理区间预测方法,包括:
从电网系统获取配网线损数据,将配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集;其中,多元回归分析模型是由矩阵构建而成;
根据预设的核密度估计法和网格搜索方法对预测线损率集进行计算,得到累计分布函数;
根据累计分布函数,通过设置置信区间,得到线损合理区间的预测结果。
本发明的多元回归分析模型是由矩阵构建而成,因此把配网线损数据按照天数分为若干样本后输入该模型,能够充分考虑不同样本的不同特征,提高预测线损率的准确性;核密度估计法可以处理非线性和非正态分布的数据,并且不需要对数据进行任何假设,因此根据核密度估计法对预测线损率集进行计算,可以减少计算量;同时,通过采用网格搜索这一种穷举搜索方法,可以选择得到核密度估计方法中的重要参数,使核密度估计法在运用过程中的计算更便捷;根据累计分布函数,通过设置置信区间,得到线损合理区间的预测结果,区间越长,准确度越高,可以通过设置较短的置信区间获取更准确的预测结果。相比于现有技术,本发明通过充分考虑线损影响因素来预测线损合理区间,能够解决线损合理区间的预测结果不准确的问题。
作为优选方案,从电网系统获取配网线损数据,具体为:
从电网系统获取电力供应与使用过程中产生损耗元件的数据,以及电网系统运行方式的数据,得到配网线损数据;其中,配网线损数据包括:网架结构、负荷情况和分布式光伏数据;
其中,网架结构包括:供电半径、线路总长度、电缆化率、导线横截面积和节能配变比率;
负荷情况包括:输入电量、输出电量、台区电量、专变电量、配变负载率、重过载配比占比、空轻载配变占比、电压合格率和日类型;
分布式光伏数据包括:分布式电源数量、分布式上网有功电量、分布式上网无功电量、分布式上网电量占比、功率因数偏低占比、分布式电量离散率、允许电流和天气类型。
本优选方案的配网线损数据的选取从三个方面对线损率影响因素进行考量,其中,网架结构主要是从实体角度对配网线损数据进行选取的,负荷情况和分布式光伏主要是从控制变量的角度对配网线损数据进行选取的,对于负荷情况和分布式光伏而言,负荷情况中的日类型充分考虑了相同用户在不同日类型下,用电量也会有所区别,导致最终线损率也不同的情况;分布式光伏充分考虑了在双碳背景下,分布式光伏用户的逐渐增多导致分布式对线损的影响越来越大的情况。
作为优选方案,根据预设的核密度估计法和网格搜索方法对预测线损率集进行计算,得到累计分布函数,具体为:
通过网格搜索方法选择核密度估计法中的最优带宽,由最优带宽结合核密度估计法中的核函数,对预测线损率集进行计算,得到概率密度函数;由概率密度函数计算得到累计分布函数;
概率密度函数为:
其中,为预测线损率集的预测线损率总数量,/>为最优带宽,/>为预测线损率集的预测线损率,/>为预测线损率集中预测线损率所对应的序数,/>为核函数。
本优选方案根据核密度估计法计算得到概率密度函数,再由概率密度函数计算得到累计分布函数;核密度估计方法的两个重要参数分别为核函数和带宽,这两个参数的选择会直接影响估计结果的准确性;其中,带宽可以控制核函数的作用范围,选择合适的带宽有利于提高估计的精度,因此,采用网格搜索这一种穷举搜索方法,可以选择得到最优带宽,进而提高概率密度函数的数据分布准确性。
作为优选方案,多元回归分析模型是由矩阵构建而成,具体为:
根据预设的多元线性回归方程建立由矩阵构成的多元回归分析模型;
多元回归分析模型为:
其中,为若干样本的总样本数量,/>为/>个总样本中第/>个样本到第/>个样本的回归结果列向量,/>为截距,/>为预设的回归系数,/>为/>个总样本中第一个样本的第一个特征到第/>个样本的最后一个特征。
本优选方案的多元回归分析模型是由矩阵构建而成,采用矩阵能够充分利用配网线损数据,由于数据的总量是固定的,把配网线损数据按照天数分为若干样本后输入该模型,可以充分考虑并计算到不同样本的不同特征,提高数据的利用率,保证预测线损率集的准确性。
作为优选方案,根据预设的多元线性回归方程建立由矩阵构成的多元回归分析模型,还包括:
使用预设的损失函数对多元回归分析模型进行训练;
所述损失函数为:
其中,为所述回归分析模型的预测线损率值,/>为所述回归分析模型的预测线损率值所对应的线损率真实值。
本优选方案使用损失函数对多元回归分析模型进行训练,利用回归分析模型的预测线损率值及其对应的线损率真实值,对该模型进行反复训练,能够提高该模型的精度,进而提高预测线损率集的准确性。
作为优选方案,在从电网系统获取配网线损数据之后,还包括:
用预设数字分别表示天气类型中的晴天和阴天。
本优选方案采用数字对配网线损数据中的天气类型进行标准化处理,能够消除关键特征之间的差异性,使不同的特征拥有相同的尺度,使天气类型的类别简化,这样有利于特征学习权重,消除不同指标之间因属性不同而带来的影响。
本发明还提供了一种基于多元回归的线损合理区间预测装置包括:数据处理模块、函数构建模块和区间预测模块;
其中,所述数据处理模块,用于从电网系统获取配网线损数据,将所述配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集;其中,所述多元回归分析模型是由矩阵构建而成;
所述函数构建模块,用于根据预设的核密度估计法和网格搜索方法对所述预测线损率集进行计算,得到累计分布函数;
所述区间预测模块,用于根据所述累计分布函数,通过设置置信区间,得到线损合理区间的预测结果。
作为优选方案,所述数据处理模块包括数据获取单元、标准化单元、模型构建单元和模型训练单元;
其中,所述数据获取单元,用于从所述电网系统获取电力供应与使用过程中产生损耗元件的数据,以及所述电网系统运行方式的数据,得到所述配网线损数据;其中,所述配网线损数据包括:网架结构、负荷情况和分布式光伏数据;
其中,所述网架结构包括:供电半径、线路总长度、电缆化率、导线横截面积和节能配变比率;
所述负荷情况包括:输入电量、输出电量、台区电量、专变电量、配变负载率、重过载配比占比、空轻载配变占比、电压合格率和日类型;
所述分布式光伏数据包括:分布式电源数量、分布式上网有功电量、分布式上网无功电量、分布式上网电量占比、功率因数偏低占比、分布式电量离散率、允许电流和天气类型;
所述标准化单元,用于用预设数字分别表示所述天气类型中的晴天和阴天;
所述模型构建单元,用于根据预设的多元线性回归方程建立由矩阵构成的所述多元回归分析模型;
所述多元回归分析模型为:
其中,为所述若干样本的总样本数量,/>为/>个总样本中第/>个样本到第/>个样本的回归结果列向量,/>为截距,/>为预设的回归系数,/>为所述/>个总样本中第一个样本的第一个特征到第/>个样本的最后一个特征;
所述模型训练单元,用于使用预设的损失函数对所述多元回归分析模型进行训练;
所述损失函数为:
其中,为所述回归分析模型的预测线损率值,/>为所述回归分析模型的预测线损率值所对应的线损率真实值。
作为优选方案,所述函数构建模块具体为:
通过所述网格搜索方法选择所述核密度估计法中的最优带宽,由所述最优带宽结合所述核密度估计法中的核函数,对所述预测线损率集进行计算,得到概率密度函数;由所述概率密度函数计算得到所述累计分布函数;
所述概率密度函数为:
其中,为所述预测线损率集的预测线损率总数量,/>为所述最优带宽,/>为所述预测线损率集的预测线损率,/>为所述预测线损率集中预测线损率所对应的序数,/>为所述核函数。
本发明还提供了一种存储介质,所述存储介质上存储有计算机程序,所述计算机程序被计算机调用并执行,实现如上所述一种基于多元回归的线损合理区间预测方法。
附图说明
图1是本发明实施例提供的一种基于多元回归的线损合理区间预测方法的流程示意图;
图2是本发明实施例提供的概率密度函数与累计分布函数图;
图3是本发明实施例提供的预测值与实际值对比图;
图4是本发明实施例提供的一种基于多元回归的线损合理区间预测装置的结构示意图。
具体实施方式
下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
请参阅图1,本发明的实施例提供种一种基于多元回归的线损合理区间预测方法,包括S1~S3:
S1、从电网系统获取配网线损数据,将配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集;其中,多元回归分析模型是由矩阵构建而成。
在本发明实施例中,S1包括S1.1~S1.5:
S1.1、从电网系统获取电力供应与使用过程中产生损耗元件的数据,以及电网系统运行方式的数据,得到配网线损数据;其中,配网线损数据包括:网架结构、负荷情况和分布式光伏数据;
其中,网架结构包括:供电半径、线路总长度、电缆化率、导线横截面积和节能配变比率;
负荷情况包括:输入电量、输出电量、台区电量、专变电量、配变负载率、重过载配比占比、空轻载配变占比、电压合格率和日类型;
分布式光伏数据包括:分布式电源数量、分布式上网有功电量、分布式上网无功电量、分布式上网电量占比、功率因数偏低占比、分布式电量离散率、允许电流和天气类型。
对于分布式光伏数据的功率因数偏低占比而言,功率因数偏低占比是根据分布式光伏数据中的分布式上网有功电量、分布式上网无功电量,以及配网线损数据所在线路上的负荷有功负荷和无功负荷计算得到的。
本实施例的配网线损数据的选取从三个方面对线损率影响因素进行考量,其中,网架结构主要是从实体角度对配网线损数据进行选取的,负荷情况和分布式光伏主要是从控制变量的角度对配网线损数据进行选取的,对于负荷情况和分布式光伏而言,负荷情况中的日类型充分考虑了相同用户在不同日类型下,用电量也会有所区别,导致最终线损率也不同的情况;分布式光伏充分考虑了在双碳背景下,分布式光伏用户的逐渐增多导致分布式对线损的影响越来越大的情况。
S1.2、使用数字1和2分别表示天气类型中的晴天和阴天。
本实施例采用数字对配网线损数据中的天气类型进行标准化处理,能够消除关键特征之间的差异性,让不同的特征拥有相同的尺度,使天气类型的类别简化,这样有利于特征学习权重,消除不同指标之间因属性不同而带来的影响。
S1.3、根据预设的多元线性回归方程建立由矩阵构成的多元回归分析模型;
预设的多元线性回归方程为:
多元回归分析模型为:
其中,为若干样本的总样本数量,/>为/>个总样本中第/>个样本到第/>个样本的回归结果列向量,/>为截距,/>为预设的回归系数,/>为/>个总样本中第一个样本的第一个特征到第/>个样本的最后一个特征,/>为一个预设样本的第一个特征到最后一个特征。
本实施例的多元回归分析模型是由矩阵构建而成,采用矩阵能够充分利用配网线损数据,由于数据的总量是固定的,把配网线损数据按照天数分为若干样本后输入该模型,可以充分考虑并计算到不同样本的不同特征,提高数据的利用率,保证预测线损率集的准确性。
S1.4、使用预设的损失函数对多元回归分析模型进行训练;
损失函数为:
其中,为回归分析模型的预测线损率值,/>为回归分析模型的预测线损率值所对应的线损率真实值。
本实施例使用损失函数对多元回归分析模型进行训练,利用回归分析模型的预测线损率值及其对应的线损率真实值,对该模型进行反复训练,能够提高该模型的精度,进而提高预测线损率集的准确性。
S1.5、将配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集。
S2、根据预设的核密度估计法和网格搜索方法对预测线损率集进行计算,得到累计分布函数。
在本发明实施例中,S2包括S2.1~S1.2:
S2.1、通过网格搜索方法选择核密度估计法中的最优带宽,由最优带宽结合核密度估计法中的核函数,对预测线损率集进行计算,得到概率密度函数;
概率密度函数为:
其中,为预测线损率集的预测线损率总数量,/>为最优带宽,/>为预测线损率集的预测线损率,/>为预测线损率集中预测线损率所对应的序数,/>为核函数。
本实施例根据核密度估计法计算得到概率密度函数,核密度估计方法的两个重要参数分别为核函数和带宽,这两个参数的选择会直接影响估计结果的准确性;其中,带宽可以控制核函数的作用范围,选择合适的带宽有利于提高估计的精度,因此,采用网格搜索这一种穷举搜索方法,通过遍历超参数的所有可能组合,可以选择得到最优带宽,进而提高概率密度函数的数据分布准确性。
S2.2、对概率密度函数进行积分运算,计算得到累计分布函数。
本实施例根据概率密度函数计算得到累计分布函数,所得的累计分布函数可以很好地描述随机变量的分布情况和性质。
S3、根据累计分布函数,通过设置置信区间,得到线损合理区间的预测结果。
请参阅图2,为应用本发明实施例,提供了概率密度函数与累计分布函数图。在概率密度函数图中,曲线为概率密度函数,横轴为线损率,纵轴为概率,最大值所对应的线损率为1.488%。在累计分布函数图中,横轴是线损率,纵轴是累计分布概率,竖虚线划定的区间为线损合理区间,若设置置信区间为90%,即相当于累计分布函数的5%和95%对应的横坐标,进而可得到线损合理区间的预测结果为:[0.693%,4.141%]。
请参阅图3,为应用本发明实施例,提供了预测值(预测结果)与实际值对比图。如图所示,经过本发明实施例所述方案对线损合理区间进行预测所得到的预测值,和线损的实际值高度重合,可见本方案的预测准确性较高。
总体看来,本发明实施例具有以下有益效果:
本发明实施例的配网线损数据是从三个方面对线损率影响因素进行选取的,能够从实体角度和控制变量角度对线损的影响进行考虑;采用数字对配网线损数据中的部分数据进行标准化处理,能够简化计算;使用损失函数对多元回归分析模型进行训练,能够提高该模型的精度,使用训练后的多元回归分析模型对配网线损数据进行计算,可以充分考虑并计算到不同样本的不同特征,提高数据的利用率,保证预测线损率集的准确性;根据预设的核密度估计法和网格搜索方法对预测线损率集进行计算,能够在减少计算量的同时,使计算过程更简便,提高累计分布函数的获取速度;最后通过设置置信区间,得到线损合理区间的预测结果,区间越长,准确度越高,但是区间的价值会下降,因此可以根据不同的要求去设置不同的置信区间。
请参阅图4,本发明的一个实施例提供了一种基于多元回归的线损合理区间预测装置,包括:数据处理模块10、函数构建模块20和区间预测模块30;
其中,数据处理模块10,用于从电网系统获取配网线损数据,将配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集;其中,多元回归分析模型是由矩阵构建而成;
函数构建模块20,用于根据预设的核密度估计法和网格搜索方法对预测线损率集进行计算,得到累计分布函数;
区间预测模块30,用于根据累计分布函数,通过设置置信区间,得到线损合理区间的预测结果。
在一个实施例中,数据处理模块10还包括数据获取单元、标准化单元、模型构建单元和模型训练单元;
其中,数据获取单元,用于从电网系统获取电力供应与使用过程中产生损耗元件的数据,以及电网系统运行方式的数据,得到配网线损数据;其中,配网线损数据包括:网架结构、负荷情况和分布式光伏数据;
其中,网架结构包括:供电半径、线路总长度、电缆化率、导线横截面积和节能配变比率;
负荷情况包括:输入电量、输出电量、台区电量、专变电量、配变负载率、重过载配比占比、空轻载配变占比、电压合格率和日类型;
分布式光伏数据包括:分布式电源数量、分布式上网有功电量、分布式上网无功电量、分布式上网电量占比、功率因数偏低占比、分布式电量离散率、允许电流和天气类型;
标准化单元,用于用预设数字分别表示天气类型中的晴天和阴天;
模型构建单元,用于根据预设的多元线性回归方程建立由矩阵构成的多元回归分析模型;
多元回归分析模型为:
其中,为若干样本的总样本数量,/>为/>个总样本中第/>个样本到第/>个样本的回归结果列向量,/>为截距,/>为预设的回归系数,/>为/>个总样本中第一个样本的第一个特征到第/>个样本的最后一个特征;
模型训练单元,用于使用预设的损失函数对多元回归分析模型进行训练;
损失函数为:
其中,为回归分析模型的预测线损率值,/>为回归分析模型的预测线损率值所对应的线损率真实值。
在一个实施例中,函数构建模块20还用于:
通过网格搜索方法选择核密度估计法中的最优带宽,由最优带宽结合核密度估计法中的核函数,对预测线损率集进行计算,得到概率密度函数;由概率密度函数计算得到累计分布函数;
概率密度函数为:
其中,为预测线损率集的预测线损率总数量,/>为最优带宽,/>为预测线损率集的预测线损率,/>为预测线损率集中预测线损率所对应的序数,/>为核函数。
本装置的多元回归分析模型是由矩阵构建而成,因此把配网线损数据按照天数分为若干样本后输入该模型,能够充分考虑不同样本的不同特征,提高预测线损率的准确性;核密度估计法可以处理非线性和非正态分布的数据,并且不需要对数据进行任何假设,因此根据核密度估计法对预测线损率集进行计算,可以减少计算量;同时,通过采用网格搜索这一种穷举搜索方法,可以选择得到核密度估计方法中的重要参数,使核密度估计法在运用过程中的计算更便捷;根据累计分布函数,通过设置置信区间,得到线损合理区间的预测结果,区间越长,准确度越高,可以通过设置较短的置信区间获取更准确的预测结果。
相应的,本发明实施例还提供了一种计算机可读存储介质,计算机可读存储介质包括存储的计算机程序,其中,在计算机程序运行时控制计算机可读存储介质所在设备执行一种基于多元回归的线损合理区间预测方法;
其中,一种基于多元回归的线损合理区间预测方法如果以软件功能单元的形式实现并作为独立的产品使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质等。
以上是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说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也视为本发明的保护范围。
Claims (7)
1.一种基于多元回归的线损合理区间预测方法,其特征在于,包括:
从电网系统获取配网线损数据,将所述配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集;其中,所述多元回归分析模型是由预设的多元线性回归方程建立而成的矩阵;
通过网格搜索方法选择预设的核密度估计法中的最优带宽,由所述最优带宽结合所述核密度估计法中的核函数,对所述预测线损率集进行计算,得到概率密度函数;由所述概率密度函数计算得到累计分布函数;
根据所述累计分布函数,通过设置置信区间,得到线损合理区间的预测结果;
其中,所述多元回归分析模型为:
其中,为所述若干样本的总样本数量,/>为/>个总样本中第/>个样本到第/>个样本的回归结果列向量,/>为截距,/>为预设的回归系数,/>为所述/>个总样本中第一个样本的第一个特征到第/>个样本的最后一个特征;
所述概率密度函数为:
其中,为所述预测线损率集的预测线损率总数量,/>为所述最优带宽,/>为所述预测线损率集的预测线损率,/>为所述预测线损率集中预测线损率所对应的序数,/>为所述核函数。
2.如权利要求1所述的一种基于多元回归的线损合理区间预测方法,其特征在于,从电网系统获取配网线损数据,具体为:
从所述电网系统获取电力供应与使用过程中产生损耗元件的数据,以及所述电网系统运行方式的数据,得到所述配网线损数据;其中,所述配网线损数据包括:网架结构、负荷情况和分布式光伏数据;
其中,所述网架结构包括:供电半径、线路总长度、电缆化率、导线横截面积和节能配变比率;
所述负荷情况包括:输入电量、输出电量、台区电量、专变电量、配变负载率、重过载配比占比、空轻载配变占比、电压合格率和日类型;
所述分布式光伏数据包括:分布式电源数量、分布式上网有功电量、分布式上网无功电量、分布式上网电量占比、功率因数偏低占比、分布式电量离散率、允许电流和天气类型。
3.如权利要求1所述的一种基于多元回归的线损合理区间预测方法,其特征在于,所述多元回归分析模型是由预设的多元线性回归方程建立而成的矩阵,还包括:
使用预设的损失函数对所述多元回归分析模型进行训练;
所述损失函数为:
其中,为所述回归分析模型的预测线损率值,/>为所述回归分析模型的预测线损率值所对应的线损率真实值。
4.如权利要求2所述的一种基于多元回归的线损合理区间预测方法,其特征在于,在从电网系统获取配网线损数据之后,还包括:
用预设数字分别表示所述天气类型中的晴天和阴天。
5.一种基于多元回归的线损合理区间预测装置,其特征在于,包括:数据处理模块、函数构建模块和区间预测模块;
其中,所述数据处理模块,用于从电网系统获取配网线损数据,将所述配网线损数据按照天数分为若干样本后输入预设的多元回归分析模型,得到预测线损率集;其中,所述多元回归分析模型是由预设的多元线性回归方程建立而成的矩阵;
所述函数构建模块,用于通过网格搜索方法选择预设的核密度估计法中的最优带宽,由所述最优带宽结合所述核密度估计法中的核函数,对所述预测线损率集进行计算,得到概率密度函数;由所述概率密度函数计算得到累计分布函数;
所述区间预测模块,用于根据所述累计分布函数,通过设置置信区间,得到线损合理区间的预测结果;
其中,所述多元回归分析模型为:
其中,为所述若干样本的总样本数量,/>为/>个总样本中第/>个样本到第/>个样本的回归结果列向量,/>为截距,/>为预设的回归系数,/>为所述/>个总样本中第一个样本的第一个特征到第/>个样本的最后一个特征;
所述概率密度函数为:
其中,为所述预测线损率集的预测线损率总数量,/>为所述最优带宽,/>为所述预测线损率集的预测线损率,/>为所述预测线损率集中预测线损率所对应的序数,/>为所述核函数。
6.如权利要求5所述的一种基于多元回归的线损合理区间预测装置,其特征在于,所述数据处理模块包括数据获取单元、标准化单元和模型训练单元;
其中,所述数据获取单元,用于从所述电网系统获取电力供应与使用过程中产生损耗元件的数据,以及所述电网系统运行方式的数据,得到所述配网线损数据;其中,所述配网线损数据包括:网架结构、负荷情况和分布式光伏数据;
其中,所述网架结构包括:供电半径、线路总长度、电缆化率、导线横截面积和节能配变比率;
所述负荷情况包括:输入电量、输出电量、台区电量、专变电量、配变负载率、重过载配比占比、空轻载配变占比、电压合格率和日类型;
所述分布式光伏数据包括:分布式电源数量、分布式上网有功电量、分布式上网无功电量、分布式上网电量占比、功率因数偏低占比、分布式电量离散率、允许电流和天气类型;
所述标准化单元,用于用预设数字分别表示所述天气类型中的晴天和阴天;
所述模型训练单元,用于使用预设的损失函数对所述多元回归分析模型进行训练;
所述损失函数为:
其中,为所述回归分析模型的预测线损率值,/>为所述回归分析模型的预测线损率值所对应的线损率真实值。
7.一种存储介质,其特征在于,所述存储介质上存储有计算机程序,所述计算机程序被计算机调用并执行,实现如上述权利要求1至4任意一种基于多元回归的线损合理区间预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311444665.7A CN117172391B (zh) | 2023-11-02 | 2023-11-02 | 一种基于多元回归的线损合理区间预测方法、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311444665.7A CN117172391B (zh) | 2023-11-02 | 2023-11-02 | 一种基于多元回归的线损合理区间预测方法、装置及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117172391A CN117172391A (zh) | 2023-12-05 |
CN117172391B true CN117172391B (zh) | 2024-02-27 |
Family
ID=88947192
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311444665.7A Active CN117172391B (zh) | 2023-11-02 | 2023-11-02 | 一种基于多元回归的线损合理区间预测方法、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117172391B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014170413A (ja) * | 2013-03-04 | 2014-09-18 | Toshiba Tec Corp | 需要予測装置およびプログラム |
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
CN111832174A (zh) * | 2020-07-14 | 2020-10-27 | 国网冀北电力有限公司 | 一种基于多元回归的配线线损率处理方法及装置 |
CN112084678A (zh) * | 2020-09-22 | 2020-12-15 | 国网冀北电力有限公司承德供电公司 | 一种基于多元回归的配线线损率处理方法及装置 |
CN112257928A (zh) * | 2020-10-22 | 2021-01-22 | 国网山东省电力公司潍坊供电公司 | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 |
CN113689079A (zh) * | 2021-07-28 | 2021-11-23 | 国网上海市电力公司 | 基于多元线性回归和聚类分析的台区线损预测方法及系统 |
CN116796892A (zh) * | 2023-06-07 | 2023-09-22 | 浙江大学 | 一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200111174A1 (en) * | 2018-10-04 | 2020-04-09 | Yishen Wang | Probabilistic Load Forecasting via Point Forecast Feature Integration |
-
2023
- 2023-11-02 CN CN202311444665.7A patent/CN117172391B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014170413A (ja) * | 2013-03-04 | 2014-09-18 | Toshiba Tec Corp | 需要予測装置およびプログラム |
CN109978201A (zh) * | 2017-12-27 | 2019-07-05 | 深圳市景程信息科技有限公司 | 基于高斯过程分位数回归模型的概率负荷预测系统及方法 |
CN111832174A (zh) * | 2020-07-14 | 2020-10-27 | 国网冀北电力有限公司 | 一种基于多元回归的配线线损率处理方法及装置 |
CN112084678A (zh) * | 2020-09-22 | 2020-12-15 | 国网冀北电力有限公司承德供电公司 | 一种基于多元回归的配线线损率处理方法及装置 |
CN112257928A (zh) * | 2020-10-22 | 2021-01-22 | 国网山东省电力公司潍坊供电公司 | 一种基于cnn和分位数回归的短期电力负荷概率预测方法 |
CN113689079A (zh) * | 2021-07-28 | 2021-11-23 | 国网上海市电力公司 | 基于多元线性回归和聚类分析的台区线损预测方法及系统 |
CN116796892A (zh) * | 2023-06-07 | 2023-09-22 | 浙江大学 | 一种基于复合分位数回归的短期电动汽车充电负荷概率预测方法 |
Non-Patent Citations (1)
Title |
---|
基于核偏最小二乘回归分析的线损率预测;王海燕;;计算机仿真;20121115(第11期);第323页-326页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117172391A (zh) | 2023-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108846517B (zh) | 一种分位数概率性短期电力负荷预测集成方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN110380444B (zh) | 一种基于变结构Copula的多场景下分散式风电有序接入电网的容量规划方法 | |
CN108932557A (zh) | 一种基于气温累积效应和灰色关联度的短期负荷预测模型 | |
CN103617564A (zh) | 基于区域负荷预测值综合评价的全网负荷预测方法 | |
CN114240019A (zh) | 适用新能源电力系统的灵活资源价值评估方法及装置 | |
CN113536209B (zh) | 换电站定容分析方法、系统、计算机设备及存储介质 | |
CN113971089A (zh) | 联邦学习系统设备节点选择的方法及装置 | |
CN116388245A (zh) | 光储充一体化电站储能容量配置方法及相关设备 | |
CN114243794A (zh) | 风光水多能互补系统灵活性需求量化及协调优化方法 | |
CN115329899A (zh) | 一种聚类等效模型构建方法、系统、设备和存储介质 | |
CN116826710A (zh) | 基于负荷预测的削峰策略推荐方法、装置及存储介质 | |
CN114899830A (zh) | 基于电网峰谷差率的负荷侧交易方法、系统及相关设备 | |
CN117172391B (zh) | 一种基于多元回归的线损合理区间预测方法、装置及介质 | |
CN112288130B (zh) | 一种基于两阶段多目标优化的新能源消纳计算方法 | |
CN117669832A (zh) | 降损成效评价方法及装置 | |
CN112348236A (zh) | 用于智能用电监测终端的异常日负荷需求预测系统与方法 | |
CN117332963A (zh) | 一种源网荷储协同的虚拟电厂动态优化调度方法及系统 | |
CN114285086B (zh) | 基于改进蚁群算法的电化学储能电站能量调度方法及系统 | |
CN114330938B (zh) | 一种配电网分布式储能规划方法及系统 | |
CN107590211B (zh) | 智能电网信息系统 | |
CN112613654A (zh) | 一种基于多类型储能的综合能源系统灵活性评估方法 | |
CN118100173B (zh) | 基于电氢储能的配电网协调优化调度方法及系统 | |
CN110854849B (zh) | 含不确定性功率电网中的分布式能源优化控制方法 | |
CN117495203B (zh) | 基于储能系统的多目标电能管理方法及系统 |
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 |