CN117788213A - 一种光伏并网配电网的线损预测方法、装置及终端 - Google Patents
一种光伏并网配电网的线损预测方法、装置及终端 Download PDFInfo
- Publication number
- CN117788213A CN117788213A CN202311812922.8A CN202311812922A CN117788213A CN 117788213 A CN117788213 A CN 117788213A CN 202311812922 A CN202311812922 A CN 202311812922A CN 117788213 A CN117788213 A CN 117788213A
- Authority
- CN
- China
- Prior art keywords
- line loss
- index
- distribution network
- influence
- photovoltaic grid
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000010219 correlation analysis Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 17
- 230000004927 fusion Effects 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 8
- 238000013136 deep learning model Methods 0.000 claims description 6
- 239000002356 single layer Substances 0.000 claims description 3
- 229910052799 carbon Inorganic materials 0.000 abstract description 3
- 238000004134 energy conservation Methods 0.000 abstract description 2
- 230000002349 favourable effect Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 2
- 238000012098 association analyses Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000000556 factor analysis Methods 0.000 description 2
- 238000005286 illumination Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 229910052742 iron Inorganic materials 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种光伏并网配电网的线损预测方法、装置及终端。该方法包括:获取光伏并网的第一影响特征,并根据第一影响特征确定光伏并网对线损的影响度,第一影响特征包括接入位置、接入容量和上网电量占比;若影响度大于设定阈值,则基于预先确定的影响线损的第一线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果;若影响度不大于设定阈值,则基于预先确定的影响线损的第二线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果。本发明降低了光伏并网配电网的线损的预测难度,并且能够提高线损的预测准确性,有利于为分布式光伏接入后配电网节能降损、实现电网双碳目标提供可靠的参考依据。
Description
技术领域
本发明属于配网线损预测技术领域,尤其涉及一种光伏并网配电网的线损预测方法、装置及终端。
背景技术
线损是指电网在传输电能过程中,电能量损失的百分比,通常以线损率来表示。目前,在电力系统中,线损率是反映电网运行经济性的一个重要指标,线损率可以准确的体现电网在规划设计阶段的合理性,可以反映电力企业的运营管理水平,还可以为企业制定节能降损政策提供参考依据。为了更好的平衡电力供应质量和经济效益,在进行配电网规划时,需要准确预测配电网线损。
然而,线损的影响因素众多,例如输配电设备、电网拓扑结构、运行方式等各因素均会对配电网线损产生影响,甚至,一些管理因素,如电能表综合误差、抄表不同时、带电设备绝缘不良、窃电等也会影响线损。此外,随着越来越多的分布式光伏并入配电网,进一步加剧了配电网线损预测的难度和不准确性。另一方面,现有技术中的一些基于深度学习模型进行线损预测的方式由于影响因素众多,使得对样本数量的需求量大,而即便有足够数量的样本,也会带来训练和学习量大的问题。
发明内容
本发明提供了一种光伏并网配电网的线损预测方法、装置及终端,以解决现有技术中光伏并网配电网线损预测不准确或者训练学习量大的问题。
第一方面,本发明提供了一种光伏并网配电网的线损预测方法,包括:获取光伏并网的第一影响特征,并根据第一影响特征确定光伏并网对线损的影响度,所述第一影响特征包括接入位置、接入容量和上网电量占比;
若影响度大于设定阈值,则基于预先确定的影响线损的第一线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果;
若影响度不大于设定阈值,则基于预先确定的影响线损的第二线损因子指标,利用训练好的第二线损预测模型进行线损预测,获得线损预测结果;
所述第一线损因子指标包括光伏并网相关的线损因子指标,所述第二线损因子指标不包括光伏并网相关的线损因子指标。
第二方面,本发明提供了一种光伏并网配电网的线损预测装置,包括:
影响度确定单元,用于获取光伏并网的第一影响特征,并根据第一影响特征确定光伏并网对线损的影响度,所述第一影响特征包括接入位置、接入容量和上网电量占比;
第一预测单元,用于若影响度大于设定阈值,则基于预先确定的影响线损的第一线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果;
第二预测单元,用于若影响度不大于设定阈值,则基于预先确定的影响线损的第二线损因子指标,利用训练好的第二线损预测模型进行线损预测,获得线损预测结果;
所述第一线损因子指标包括光伏并网相关的线损因子指标,所述第二线损因子指标不包括光伏并网相关的线损因子指标。
第三方面,本发明提供了一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述光伏并网配电网的线损预测方法的步骤。
本发明提供一种光伏并网配电网的线损预测方法、装置及终端,通过获取光伏并网的第一影响特征,包括接入位置、接入容量和上网电量占比,根据第一影响特征确定光伏并网对线损的影响度,在影响度大于设定阈值时,考虑光伏并网相关的线损因子指标对配电网线损率的影响,利用对应的第一线损预测模型进行线损预测,在影响度不大于设定阈值时,由于其影响度交底,可以不考虑光伏并网相关的线损因子指标对配电网线损率的影响,而仅考虑配网本身的线损因子指标对配电网线损率的影响,利用训练好的第二线损预测模型进行线损预测。一方面考虑了光伏并网在不同影响特征下对线损率的影响大小,并利用不同的预测模型分别进行线损率的预测,提高了预测准确度,另一方面,对线损因子指标进行了优化,只考虑影响线损率的主影响因子,解决了由于线损因子指标众多也带来的对样本数据需求量大、训练过程计算量大的问题。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术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是本发明实施例提供的光伏并网配电网的线损预测方法的实现流程图;
图2是本发明实施例提供的光伏并网配电网的线损预测装置的结构示意图;
图3是本发明实施例提供的终端的示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本发明实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本发明的描述。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图通过具体实施例来进行说明。
目前我国中低压配电网线损约占整个电网损耗的70%左右,大量的电能损耗不仅降低了电网公司的效益,还与我国实现双碳目标背道而驰。本发明方案以10kV配电网为例进行线损预测,该配电网中还接入了分布式光伏并网。
本方案能够提高线损的预测准确性,有利于为分布式光伏接入后配电网节能降损、实现电网双碳目标提供可靠的参考依据。
参见图1,其示出了本发明实施例提供的光伏并网配电网的线损预测方法的实现流程图,详述如下:
步骤101、获取光伏并网的第一影响特征,并根据第一影响特征确定光伏并网对线损的影响度。
在本发明实施例中,第一影响特征是指对光伏并网相关数据中的特征指标中对配电网整体线损率影响程度较大的指标,在实际应用中可以通过相关性分析的方法得到。
示例性的,光伏并网的特征指标可以包括光照强度、平均温度、接入容量、接入位置、上网电量占比等。其中,接入容量可以是1000千瓦、2000千瓦、3000千瓦等,表示光伏并网的额定接入容量;接入位置表示光伏并网接入在配电网的哪个接入节点;上网电量占比是指光伏并网的实际上网电量占配电网总配电量的比值。
在本实施例中,可以预先收集配电网的相关数据,并进行归一化和预处理后,以这些特征指标为自变量,以线损率向上波动的比例为因变量,利用单因素分析法分析每个特征指标对因变量的相关度,进而选取相关度较大的几个特征指标作为光伏并网的第一影响特征。在本实施例中,通过分析确定的第一影响特征包括接入位置、接入容量和上网电量占比。
在本实施例中,第一影响特征能够反映光伏并网对线损率的影响程度,在光伏并网对线损率的影响程度较小时,可以不考虑光伏并网指标,将光伏并网对线损率的影响视为一个误差项,基于配电网本身的影响影子利用深度学习模型进行预测,即可得到较为准确的预测结果,从而无需过多的数据样本,降低了训练工作量。反之,在光伏并网对线损率的影响程度较大时,其对应引起的误差项较大,已经影响到了线损率预测的准确性,需要将光伏并网相关的影响因子作为一个主要影响因子考虑,通过另一个线损预测模型实现线损率的精准预测。
在一种实现方式中,可以分别计算第一影响特征中的各特征对线损的影响程度,并加权求和得到光伏并网对线损的影响度。
在一种实现方式中,上述步骤101具体可以通过以下步骤实现:
计算接入位置对目标配电网线损率的第一影响度;
计算接入容量对目标配电网线损率的第二影响度;
计算上网电量占比对目标配电网线损率的第三影响度;
根据第一影响度、第二影响度和第三影响度获得光伏并网对线损的总影响度。
在本实施例中,可以构建目标配电网的同架构模型,利用同架构模型,分别设定不同的接入容量,在每个接入容量下模拟不同接入位置下的线损率数据,利用模拟数据对线损率和接入位置进行相关性分析,得到第一线性关系。同理,利用同架构模型,分别设定不同的接入位置,在每个接入位置下模拟不同接入容量对应的线损率数据,利用模拟数据对线损率和接入容量进行相关性分析,得到第二线性关系;分别设定不同的接入容量和接入位置,模拟上网电量占比对应的线损率数据,利用模拟数据对线损率和上网电量占比进行相关性分析,得到第三线性关系。由此,在接入容量确定的情形下,可以根据第一线性关系得到接入位置对应的第一相关系数,在接入位置确定的情形下,根据第二线性关系可以得到接入容量对应的第二相关系数,在接入容量和接入位置确定的情形下,可以根据第三线性关系得到上网电量占比对应的第三相关系数。
在本实施例中,利用多因素分析法对第一影响特征中的各个特征进行分析,确定各个特征对线损率的影响权重,比如可以得到接入位置对线损率的第一影响权重、接入容量对线损率的第二影响权重,以及上网电量占比对线损率的第三影响权重。
根据第一相关系数与第一影响权重可以得到接入位置对线损率的第一影响度,根据第二相关系数与第二影响权重可以得到接入容量对线损率的第二影响度,根据第三相关系数与第三影响权重可以得到上网电量占比对线损率的第三影响度,三个影响度相加即可得到光伏并网对线损的影响度。
步骤102、若影响度大于设定阈值,则基于预先确定的影响线损的第一线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果。
在本实施例中,预先训练好了两个线损预测模型分别针对不同场景进行线损预测,第一线损预测模型针对影响度大于设定阈值,考虑光伏并网相关的线损因子指标的预测场景;第二线损预测模型针对影响度步大于设定阈值,不考虑光伏并网相关的线损因子指标的预测场景;示例性的,设定阈值可以为0.5%。
在步骤102中,由于光伏并网对线损的影响度大于设定阈值,则需要考虑光伏并网相关的线损因子指标。
在本实施例中,第一线损因子指标包括光伏并网相关的线损因子指标,具体的,在一种实现方式中,确定所述第一线损因子指标的步骤可以包括:
获取第一线损指标样本数据;
根据第一线损指标样本数据中的实际线损数据生成第一参考序列;
根据第一线损指标样本数据中与光伏并网相关的第一线损指标数据生成第一比较序列;
根据第一线损指标样本数据中与配网相关的第二线损指标数据生成第二比较序列;
根据第一线损指标样本数据中的第一线损指标数据和第二线损指标数据计算第一理论线损数据,并根据第一理论线损数据生成第二参考序列;
对第一比较序列、第二比较序列和第一参考序列进行灰色关联分析,得到第一关联度;
对第一比较序列、第二比较序列和第二参考序列进行灰色关联分析,得到第二关联度;
对第一关联度和第二关联度进行融合,得到各线损指标和线损率的第一融合关联度;
将第一融合关联度靠前的预设个数的线损指标确定为第一线损因子指标。
在本实施例中,第一线损指标样本数据中每个样本既包括光伏并网相关的线损因子指标,又包括配网本身的线损因子指标。示例性的,光伏并网相关的线损因子指标可以包括:光照强度、平均温度、接入容量、接入位置、实际上网电量占比等。配网本身的线损因子指标可以包括线路属性指标,如主干线长、线路总长度、配变数量、配变容量、配变型号、线路载流量、电缆化率等;还可以包括基础运行指标,如有功供电量、无功供电量、铁损电量、铜损电量、线路最大负载率、线路出口功率因数、配变平均功率因数等;还可以包括一些管理因素指标,如设备老化程度、供电区域、抄表准确度、表计损耗、运行年限、智能电表普及率等等。
在本实施例中,以第一线损指标样本数据中的实际线损数据(线损率)进行预处理后可以生成第一参考序列,以与光伏并网相关的第一线损指标数据生成第一比较序列,第一比较序列可以是多个;以与配网相关的第二线损指标数据生成第二比较序列,第二比较序列也可以是多个;通过灰色关联分析可以得到比较序列与第一参考序列的第一关联度。
在本实施例中,第一线损指标样本数据中的实际线损数据(线损率)受到很多的偶发因素影响,受限于样本量,偶发因素影响会直接导致线损率波动,影响二者的相关分析结果。本方案根据第一线损指标样本数据中的第一线损指标数据和第二线损指标数据,通过理论计算的方式可以得到第一理论线损数据,第一理论线损数据即排除了偶发因素影响的理想数据。可以根据第一理论线损数据生成第二参考序列;再通过灰色关联分析得到比较序列与第二参考序列的第二关联度。
由于第一关联度受偶发因素的影响较大,而第二关联度完全不考虑偶发因素,与实际情况相比,二者都存在一定误差,且误差方向相反,故可以对第一关联度和第二关联度进行融合,得到各线损指标和线损率的第一融合关联度。融合的方式可以是加权求和,获得的第一融合关联度降低了极端偶发因素的影响,具有更高的准确度,进而根据第一融合关联度选取的第一线损因子指标也更具加准确。
本实施例中,最终选取确定的第一线损因子指标为考虑光伏并网影响的能够对线损率起到主要影响作用的线损因子指标。在确定第一线损因子指标之后,可以获取配电网的第一线损因子指标对应的实际数据,将之输入到训练好的第二线损预测模型进行线损预测,获得线损预测结果。
在本实施例中,第一线损预测模型为Stacking集成模型,集成模型由光伏并网线损因子指标基学习器、配网线损因子指标基学习器和线损率预测元学习器组成。第一线损预测模型基于第一线损因子指标及其对应的线损率历史数据形成的第一样本集训练得到。
在本实施例中,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果可以包括:
将第一线损因子指标中的光伏并网线损因子指标数据输入到光伏并网线损因子指标基学习器,获得第一输出;
将第一线损因子指标中的配网线损因子指标数据输入到配网线损因子指标基学习器,获得第二输出;
将第一输出和第二输出输入到线损率预测元学习器,得到线损预测结果。
在本实施例中,第一线损预测模型的训练过程也即模型的深度学习过程,利用第一样本集形成训练集和验证集,通过训练集对第一线损预测模型进行训练,再利用验证集纠正第一线损预测模型的模型参数,直至第一线损预测模型的损失函数符合期望。
在本实施例中,采用Stacking集成模型,模型分为基学习器和元学习器两层,利用两个基学习器分别学习光伏并网线损因子指标数据和配网线损因子指标数据;再利用元学习器对两个基学习器的输出结果进行学习预测,输出线损率预测结果。一方面降低了训练量和训练难度,另一方面也能够具备更高的准确度。
步骤103、若影响度不大于设定阈值,则基于预先确定的影响线损的第二线损因子指标,利用训练好的第二线损预测模型进行线损预测,获得线损预测结果。
在本实施例中,第二线损预测模型针对影响度不大于设定阈值,不考虑光伏并网相关的线损因子指标的预测场景。
在步骤103中,由于光伏并网对线损的影响度不大于设定阈值,则无需考虑光伏并网相关的线损因子指标。因此,第二线损因子指标不包括光伏并网相关的线损因子指标。具体的,确定所述第二线损因子指标的步骤可以包括:
获取第二线损指标样本数据;
根据第二线损指标样本数据中的实际线损数据生成第三参考序列;
根据第二线损指标样本数据中的第三线损指标数据生成第三比较序列;
根据第二线损指标样本数据中的第三线损指标数据计算第二理论线损数据,并根据第二理论线损数据生成第四参考序列;
对第三比较序列和第三参考序列进行灰色关联分析,得到第三关联度;
对第三比较序列和第四参考序列进行灰色关联分析,得到第四关联度;
对第三关联度和第四关联度进行融合,得到各线损指标和线损率的第二融合关联度;
将第二融合关联度靠前的预设个数的线损指标确定为第二线损因子指标。
在本实施例中具体可参考上述第一线损因子指标的确定过程,不同之处在于不再考虑与光伏并网相关的第一线损指标数据,由于其对线损率结果的影响程度较小,将其视为误差项处理。
在本实施例中,第二线损预测模型可以为单层深度学习模型,第二线损预测模型基于第二线损因子指标及其对应的线损率历史数据形成的第二样本集训练得到。训练和学习过程可以参考现有技术中的深度学习模型的相关过程,在此不再赘述。
综上,本发明提供一种光伏并网配电网的线损预测方法,通过获取光伏并网的第一影响特征,包括接入位置、接入容量和上网电量占比,根据第一影响特征确定光伏并网对线损的影响度,在影响度大于设定阈值时,考虑光伏并网相关的线损因子指标对配电网线损率的影响,利用对应的第一线损预测模型进行线损预测,在影响度不大于设定阈值时,由于其影响度交底,可以不考虑光伏并网相关的线损因子指标对配电网线损率的影响,而仅考虑配网本身的线损因子指标对配电网线损率的影响,利用训练好的第二线损预测模型进行线损预测。一方面考虑了光伏并网在不同影响特征下对线损率的影响大小,并利用不同的预测模型分别进行线损率的预测,提高了预测准确度,另一方面,对线损因子指标进行了优化,只考虑影响线损率的主影响因子,解决了由于线损因子指标众多也带来的对样本数据需求量大、训练过程计算量大的问题。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
以下为本发明的装置实施例,对于其中未详尽描述的细节,可以参考上述对应的方法实施例。
图2示出了本发明实施例提供的光伏并网配电网的线损预测装置的结构示意图,为了便于说明,仅示出了与本发明实施例相关的部分,详述如下:
如图2所示,光伏并网配电网的线损预测装置2包括:影响度确定单元21、第一预测单元22和第二预测单元23。
影响度确定单元21,用于获取光伏并网的第一影响特征,并根据第一影响特征确定光伏并网对线损的影响度,所述第一影响特征包括接入位置、接入容量和上网电量占比;
第一预测单元22,用于若影响度大于设定阈值,则基于预先确定的影响线损的第一线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果;
第二预测单元23,用于若影响度不大于设定阈值,则基于预先确定的影响线损的第二线损因子指标,利用训练好的第二线损预测模型进行线损预测,获得线损预测结果;
其中,第一线损因子指标包括光伏并网相关的线损因子指标,第二线损因子指标不包括光伏并网相关的线损因子指标。
在本发明实施例中,影响度确定单元21具体用于:
计算接入位置对目标配电网线损率的第一影响度;计算接入容量对目标配电网线损率的第二影响度;计算上网电量占比对目标配电网线损率的第三影响度;根据第一影响度、第二影响度和第三影响度获得光伏并网对线损的影响度。
在一个实施例中,线损预测装置2还包括第一线损指标确定单元,第一线损指标确定单元用于:获取第一线损指标样本数据;根据第一线损指标样本数据中的实际线损数据生成第一参考序列;根据第一线损指标样本数据中与光伏并网相关的第一线损指标数据生成第一比较序列;根据第一线损指标样本数据中与配网相关的第二线损指标数据生成第二比较序列;根据第一线损指标样本数据中的第一线损指标数据和第二线损指标数据计算第一理论线损数据,并根据第一理论线损数据生成第二参考序列;对第一比较序列、第二比较序列和第一参考序列进行灰色关联分析,得到第一关联度;对第一比较序列、第二比较序列和第二参考序列进行灰色关联分析,得到第二关联度;对第一关联度和第二关联度进行融合,得到各线损指标和线损率的第一融合关联度;将第一融合关联度靠前的预设个数的线损指标确定为第一线损因子指标。
在一个实施例中,第一线损预测模型为Stacking集成模型,集成模型由光伏并网线损因子指标基学习器、配网线损因子指标基学习器和线损率预测元学习器组成;第一线损预测模型基于第一线损因子指标及其对应的线损率历史数据形成的第一样本集训练得到。
相应的,所述利用训练好的第一线损预测模型进行线损预测,获得线损预测结果包括:
将第一线损因子指标中的光伏并网线损因子指标数据输入到光伏并网线损因子指标基学习器,获得第一输出;将第一线损因子指标中的配网线损因子指标数据输入到配网线损因子指标基学习器,获得第二输出;将第一输出和第二输出输入到线损率预测元学习器,得到线损预测结果。
在一个实施例中,线损预测装置2还包括第二线损指标确定单元,第二线损指标确定单元具体用于,获取第二线损指标样本数据;根据第二线损指标样本数据中的实际线损数据生成第三参考序列;根据第二线损指标样本数据中的第三线损指标数据生成第三比较序列;根据第二线损指标样本数据中的第三线损指标数据计算第二理论线损数据,并根据第二理论线损数据生成第四参考序列;对第三比较序列和第三参考序列进行灰色关联分析,得到第三关联度;对第三比较序列和第四参考序列进行灰色关联分析,得到第四关联度;对第三关联度和第四关联度进行融合,得到各线损指标和线损率的第二融合关联度;将第二融合关联度靠前的预设个数的线损指标确定为第二线损因子指标。
在一个实施例中,第二线损预测模型为单层深度学习模型,第二线损预测模型基于第二线损因子指标及其对应的线损率历史数据形成的第二样本集训练得到。
综上,本发明提供一种光伏并网配电网的线损预测装置,通过获取光伏并网的第一影响特征,包括接入位置、接入容量和上网电量占比,根据第一影响特征确定光伏并网对线损的影响度,在影响度大于设定阈值时,考虑光伏并网相关的线损因子指标对配电网线损率的影响,利用对应的第一线损预测模型进行线损预测,在影响度不大于设定阈值时,由于其影响度交底,可以不考虑光伏并网相关的线损因子指标对配电网线损率的影响,而仅考虑配网本身的线损因子指标对配电网线损率的影响,利用训练好的第二线损预测模型进行线损预测。一方面考虑了光伏并网在不同影响特征下对线损率的影响大小,并利用不同的预测模型分别进行线损率的预测,提高了预测准确度,另一方面,对线损因子指标进行了优化,只考虑影响线损率的主影响因子,解决了由于线损因子指标众多也带来的对样本数据需求量大、训练过程计算量大的问题。
图3是本发明实施例提供的终端的示意图。如图3所示,该实施例的终端3包括:处理器30、存储器31以及存储在所述存储器31中并可在所述处理器30上运行的计算机程序32。所述处理器30执行所述计算机程序32时实现上述各个光伏并网配电网的线损预测方法实施例中的步骤,例如图1所示的步骤101至步骤103。或者,所述处理器30执行所述计算机程序32时实现上述各装置实施例中各单元的功能,例如图2所示单元21至23的功能。
综上,本发明提供一种终端,通过获取光伏并网的第一影响特征,包括接入位置、接入容量和上网电量占比,根据第一影响特征确定光伏并网对线损的影响度,在影响度大于设定阈值时,考虑光伏并网相关的线损因子指标对配电网线损率的影响,利用对应的第一线损预测模型进行线损预测,在影响度不大于设定阈值时,由于其影响度交底,可以不考虑光伏并网相关的线损因子指标对配电网线损率的影响,而仅考虑配网本身的线损因子指标对配电网线损率的影响,利用训练好的第二线损预测模型进行线损预测。一方面考虑了光伏并网在不同影响特征下对线损率的影响大小,并利用不同的预测模型分别进行线损率的预测,提高了预测准确度,另一方面,对线损因子指标进行了优化,只考虑影响线损率的主影响因子,解决了由于线损因子指标众多也带来的对样本数据需求量大、训练过程计算量大的问题。
所述终端3可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端3可包括,但不仅限于,处理器30、存储器31。本领域技术人员可以理解,图3仅仅是终端3的示例,并不构成对终端3的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器30可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器31可以是所述终端3的内部存储单元,例如终端3的硬盘或内存。所述存储器31也可以是所述终端3的外部存储设备,例如所述终端3上配备的插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。进一步地,所述存储器31还可以既包括所述终端3的内部存储单元也包括外部存储设备。所述存储器31用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器31还可以用于暂时地存储已经输出或者将要输出的数据。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
以上所述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,均应包含在本发明的保护范围之内。
Claims (10)
1.一种光伏并网配电网的线损预测方法,其特征在于,包括:
获取光伏并网的第一影响特征,并根据第一影响特征确定光伏并网对线损的影响度,所述第一影响特征包括接入位置、接入容量和上网电量占比;
若影响度大于设定阈值,则基于预先确定的影响线损的第一线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果;
若影响度不大于设定阈值,则基于预先确定的影响线损的第二线损因子指标,利用训练好的第二线损预测模型进行线损预测,获得线损预测结果;
所述第一线损因子指标包括光伏并网相关的线损因子指标,所述第二线损因子指标不包括光伏并网相关的线损因子指标。
2.根据权利要求1所述的光伏并网配电网的线损预测方法,其特征在于,所述根据第一影响特征确定光伏并网对线损的影响度包括:
计算接入位置对目标配电网线损率的第一影响度;
计算接入容量对目标配电网线损率的第二影响度;
计算上网电量占比对目标配电网线损率的第三影响度;
根据第一影响度、第二影响度和第三影响度获得光伏并网对线损的影响度。
3.根据权利要求1或2所述的光伏并网配电网的线损预测方法,其特征在于,确定所述第一线损因子指标的步骤包括:
获取第一线损指标样本数据;
根据第一线损指标样本数据中的实际线损数据生成第一参考序列;
根据第一线损指标样本数据中与光伏并网相关的第一线损指标数据生成第一比较序列;
根据第一线损指标样本数据中与配网相关的第二线损指标数据生成第二比较序列;
根据第一线损指标样本数据中的第一线损指标数据和第二线损指标数据计算第一理论线损数据,并根据第一理论线损数据生成第二参考序列;
对第一比较序列、第二比较序列和第一参考序列进行灰色关联分析,得到第一关联度;
对第一比较序列、第二比较序列和第二参考序列进行灰色关联分析,得到第二关联度;
对第一关联度和第二关联度进行融合,得到各线损指标和线损率的第一融合关联度;
将第一融合关联度靠前的预设个数的线损指标确定为第一线损因子指标。
4.根据权利要求3所述的光伏并网配电网的线损预测方法,其特征在于,所述第一线损预测模型为Stacking集成模型,集成模型由光伏并网线损因子指标基学习器、配网线损因子指标基学习器和线损率预测元学习器组成;
所述第一线损预测模型基于第一线损因子指标及其对应的线损率历史数据形成的第一样本集训练得到;
相应的,所述利用训练好的第一线损预测模型进行线损预测,获得线损预测结果包括:
将第一线损因子指标中的光伏并网线损因子指标数据输入到光伏并网线损因子指标基学习器,获得第一输出;
将第一线损因子指标中的配网线损因子指标数据输入到配网线损因子指标基学习器,获得第二输出;
将第一输出和第二输出输入到线损率预测元学习器,得到线损预测结果。
5.根据权利要求1或2所述的光伏并网配电网的线损预测方法,其特征在于,确定所述第二线损因子指标的步骤包括:
获取第二线损指标样本数据;
根据第二线损指标样本数据中的实际线损数据生成第三参考序列;
根据第二线损指标样本数据中的第三线损指标数据生成第三比较序列;
根据第二线损指标样本数据中的第三线损指标数据计算第二理论线损数据,并根据第二理论线损数据生成第四参考序列;
对第三比较序列和第三参考序列进行灰色关联分析,得到第三关联度;
对第三比较序列和第四参考序列进行灰色关联分析,得到第四关联度;
对第三关联度和第四关联度进行融合,得到各线损指标和线损率的第二融合关联度;
将第二融合关联度靠前的预设个数的线损指标确定为第二线损因子指标。
6.根据权利要求5所述的光伏并网配电网的线损预测方法,其特征在于,所述第二线损预测模型为单层深度学习模型,所述第二线损预测模型基于第二线损因子指标及其对应的线损率历史数据形成的第二样本集训练得到。
7.一种光伏并网配电网的线损预测装置,其特征在于,包括:
影响度确定单元,用于获取光伏并网的第一影响特征,并根据第一影响特征确定光伏并网对线损的影响度,所述第一影响特征包括接入位置、接入容量和上网电量占比;
第一预测单元,用于若影响度大于设定阈值,则基于预先确定的影响线损的第一线损因子指标,利用训练好的第一线损预测模型进行线损预测,获得线损预测结果;
第二预测单元,用于若影响度不大于设定阈值,则基于预先确定的影响线损的第二线损因子指标,利用训练好的第二线损预测模型进行线损预测,获得线损预测结果;
所述第一线损因子指标包括光伏并网相关的线损因子指标,所述第二线损因子指标不包括光伏并网相关的线损因子指标。
8.根据权利要求7所述的光伏并网配电网的线损预测装置,其特征在于,所述影响度确定单元具体用于:
计算接入位置对目标配电网线损率的第一影响度;
计算接入容量对目标配电网线损率的第二影响度;
计算上网电量占比对目标配电网线损率的第三影响度;
根据第一影响度、第二影响度和第三影响度获得光伏并网对线损的影响度。
9.根据权利要求7或8所述的光伏并网配电网的线损预测装置,其特征在于,所述线损预测装置还包括第一线损指标确定单元,用于:
获取第一线损指标样本数据;
根据第一线损指标样本数据中的实际线损数据生成第一参考序列;
根据第一线损指标样本数据中与光伏并网相关的第一线损指标数据生成第一比较序列;
根据第一线损指标样本数据中与配网相关的第二线损指标数据生成第二比较序列;
根据第一线损指标样本数据中的第一线损指标数据和第二线损指标数据计算第一理论线损数据,并根据第一理论线损数据生成第二参考序列;
对第一比较序列、第二比较序列和第一参考序列进行灰色关联分析,得到第一关联度;
对第一比较序列、第二比较序列和第二参考序列进行灰色关联分析,得到第二关联度;
对第一关联度和第二关联度进行融合,得到各线损指标和线损率的第一融合关联度;
将第一融合关联度靠前的预设个数的线损指标确定为第一线损因子指标。
10.一种终端,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述光伏并网配电网的线损预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812922.8A CN117788213A (zh) | 2023-12-26 | 2023-12-26 | 一种光伏并网配电网的线损预测方法、装置及终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311812922.8A CN117788213A (zh) | 2023-12-26 | 2023-12-26 | 一种光伏并网配电网的线损预测方法、装置及终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117788213A true CN117788213A (zh) | 2024-03-29 |
Family
ID=90399683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311812922.8A Pending CN117788213A (zh) | 2023-12-26 | 2023-12-26 | 一种光伏并网配电网的线损预测方法、装置及终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117788213A (zh) |
-
2023
- 2023-12-26 CN CN202311812922.8A patent/CN117788213A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US9964980B2 (en) | Method and apparatus for optimal power flow with voltage stability for large-scale electric power systems | |
WO2021208079A1 (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN109102146B (zh) | 基于多参数线性规划的电力系统风险评估加速方法 | |
CN111181201B (zh) | 基于双层强化学习的多能园区调度方法及系统 | |
CN113191828B (zh) | 一种用户用电价值等级标签构建方法、装置、设备及介质 | |
CN112330488B (zh) | 基于迁移学习的电网频率态势预测方法 | |
Hur Rizvi et al. | Hybrid voltage stability and security assessment using synchrophasors with consideration of generator Q‐limits | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN114358092A (zh) | 一种电容式电压互感器内绝缘性能在线诊断方法及系统 | |
CN112446175B (zh) | 基于配电网概率潮流计算的分布式电源选址优化方法 | |
CN117217450A (zh) | 一种需求侧资源接入电网的影响评估的方法、系统及设备 | |
CN116702084A (zh) | 一种基于模糊理论的一二次融合柱上断路器状态评价方法 | |
CN117788213A (zh) | 一种光伏并网配电网的线损预测方法、装置及终端 | |
Zhang et al. | Stability constrained optimal power flow for the balancing market using genetic algorithms | |
CN113933718B (zh) | 一种退役电池容量分选方法、装置、设备及存储介质 | |
CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
CN116432524A (zh) | 一种变压器油温预测方法、装置、设备及存储介质 | |
CN115954956A (zh) | 一种配电网分布式电源接入容量评估方法及系统 | |
CN115718478A (zh) | 基于sac深度强化学习的svg参数优化辨识方法 | |
Yue et al. | A power system harmonic problem based on the BP neural network learning algorithm | |
Du et al. | Hosting capacity assessment in distribution networks considering wind–photovoltaic–load temporal characteristics | |
CN110896218B (zh) | 一种用于建立集合性居民负荷的谐波建模方法及系统 | |
CN113205259A (zh) | 电网调度决策评估方法、装置及终端设备 | |
CN110942195A (zh) | 一种用电负荷预测方法及装置 | |
Jia et al. | Multidimensional Time-Series Life Cycle Costs Analysis of Intelligent Substation |
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 |