CN110400233A - 一种基于神经网络的配电网损失电量计算方法及装置 - Google Patents
一种基于神经网络的配电网损失电量计算方法及装置 Download PDFInfo
- Publication number
- CN110400233A CN110400233A CN201910606175.XA CN201910606175A CN110400233A CN 110400233 A CN110400233 A CN 110400233A CN 201910606175 A CN201910606175 A CN 201910606175A CN 110400233 A CN110400233 A CN 110400233A
- Authority
- CN
- China
- Prior art keywords
- data
- distribution network
- load value
- load
- loss electricity
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 129
- 230000005611 electricity Effects 0.000 title claims abstract description 100
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 17
- 238000000513 principal component analysis Methods 0.000 claims abstract description 15
- 238000010606 normalization Methods 0.000 claims abstract description 11
- 241001269238 Data Species 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 34
- 239000011159 matrix material Substances 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 10
- 230000001537 neural effect Effects 0.000 claims description 8
- 230000004888 barrier function Effects 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 2
- 210000004218 nerve net Anatomy 0.000 claims 1
- 239000002245 particle Substances 0.000 description 14
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 240000002853 Nelumbo nucifera Species 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 2
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 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 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000007630 basic procedure Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000006872 improvement 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
- 238000010248 power generation Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000017105 transposition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2455—Query execution
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Databases & Information Systems (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本公开提供了基于神经网络的配电网损失电量计算方法及装置。其中,该方法,包括获取配电网辖区范围内预设时间段内每24小时的负荷值、气象数据及对应的日期类型这些配电网数据,构建出配电网数据库;从配电网数据库中筛选出故障区域内的相关数据;将筛选出的故障区域相关数据进行归一化处理;利用主成分分析法对归一化处理后的非负荷值数据进行精简处理,选取累计贡献率大于预设阈值的非负荷值数据作为配电损失电量计算模型的输入数据,相应负荷值作为输出,直至训练完成配电损失电量计算模型;利用训练好的配电损失电量计算模型,计算故障区域内的损失负荷;将故障区域内的损失负荷进行反归一化处理,得到故障区域内损失电量。
Description
技术领域
本公开属于配电网损失计算领域,尤其涉及一种基于神经网络的配电网损失电量计算方法及装置。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
配电网损失电量计算是电力***的调度运行和生产技术的基础统计、分析工作,对于运行方式设计、安排、日常检修工作计划的安排以及提高用户用电可靠性,都有着十分重要的意义。配电网损失电量计算通过考虑相关因素的影响,对发生故障的线路进行准确的损失电量计算,电力生产、运维以及管理部门以此为依据制定生产、检修计划以及发展规划。
当前,当配电网发生故障时,故障时段内的负荷为零,无法准确的计算此时的损失电量。因此配电网损失电量计算主要通过两种方法来进行计算:1)相似日替代法:利用与故障日类型相似的日负荷进行替代,然后进行计算得到损失电量;2)根据工作人员的经验,估计发生故障时刻的负荷值,然后与故障持续时间直接进行乘积,得到损失电量,如图4所示,梯形面积即为粗略计算得到的损失电量。
发明人发现,现有的配电网损失电量计算方法中选择与故障日相近的负荷困难较大,不确定性较高并且效率较低,根据经验进行计算更是存在主观性较强,效率低下、计算效率差、精度低等问题,导致计算结果误差较大。
发明内容
为了解决上述问题,本公开的第一个方面提供一种基于神经网络的配电网损失电量计算方法,其利用配电损失电量计算模型克服了传统的损失电量计算方法的主观性,提高了***计算结果的准确性。
为了实现上述目的,本公开采用如下技术方案:
一种基于神经网络的配电网损失电量计算方法,包括:
获取配电网辖区范围内预设时间段内每24小时的负荷值、气象数据及对应的日期类型这些配电网数据,构建出配电网数据库;
从配电网数据库中筛选出故障区域内的相关数据;所筛选出的障区域相关数据包括故障日当天的配电网数据及故障日前预设时间段的配电网数据;
将筛选出的故障区域相关数据进行归一化处理;
利用主成分分析法对归一化处理后的非负荷值数据进行精简处理,选取累计贡献率大于预设阈值的非负荷值数据作为配电损失电量计算模型的输入数据,相对应的负荷值作为配电损失电量计算模型的输出,直至训练完成配电损失电量计算模型;所述配电损失电量计算模型为预设神经网络;
利用训练好的配电损失电量计算模型,计算故障区域内的损失负荷;
将故障区域内的损失负荷进行反归一化处理,得到故障区域内损失电量。
为了解决上述问题,本公开的第二个方面提供一种基于神经网络的配电网损失负荷计算装置,其利用配电损失电量计算模型克服了传统的损失电量计算方法的主观性,提高了***计算结果的准确性。
为了实现上述目的,本公开采用如下技术方案:
一种基于神经网络的配电网损失负荷计算装置,包括:
配电网数据库构建模块,其用于获取配电网辖区范围内预设时间段内每24小时的负荷值、气象数据及对应的日期类型这些配电网数据,构建出配电网数据库;
故障相关数据筛选模块,其用于从配电网数据库中筛选出故障区域内的相关数据;所筛选出的障区域相关数据包括故障日当天的配电网数据及故障日前预设时间段的配电网数据;
归一化处理模块,其用于将筛选出的故障区域相关数据进行归一化处理;
配电损失电量计算模型训练模块,其用于利用主成分分析法对归一化处理后的非负荷值数据进行精简处理,选取累计贡献率大于预设阈值的非负荷值数据作为配电损失电量计算模型的输入数据,相对应的负荷值作为配电损失电量计算模型的输出,直至训练完成配电损失电量计算模型;所述配电损失电量计算模型为预设神经网络;
损失负荷计算模块,其用于利用训练好的配电损失电量计算模型,计算故障区域内的损失负荷;
损失电量计算模块,其用于将故障区域内的损失负荷进行反归一化处理,得到故障区域内损失电量。
本公开的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述所述的基于神经网络的配电网损失电量计算方法中的步骤。
本公开的第四个方面提供一种计算机设备。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如上述所述的基于神经网络的配电网损失电量计算方法中的步骤。
本公开的有益效果是:
(1)本公开的基于神经网络的配电网损失电量计算方法,克服了传统计算方法的主观性,误差大,效率等缺陷,弱化传统计算方法中的人为影响,不仅可行,而且精度高,可适应行强,有很强的建设性。
(2)本公开利用主成分分析法对神经网络进行优化,有效地减少了神经网络的输入数据的数量,同时增强了数据的有效性,提高了神经网络的训练速度,丰富了神经网络的扩展性。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例的基于神经网络的配电网损失电量计算方法流程图。
图2是本公开实施例的配电损失电量计算模型结构示意图。
图3是本公开实施例的以辖区内2017年3月份数据作为数据库的负荷曲线。
图4是本公开实施例的跳闸后电量估计计算曲线。
图5是本公开实施例的神经网络预测误差。
图6是本公开实施例的基于神经网络的配电网损失电量计算装置结构示意图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一
图1给出了本实施例的一种基于神经网络的配电网损失电量计算方法流程图。
如图1所示,本实施例的基于神经网络的配电网损失电量计算方法,包括:
S101:获取配电网辖区范围内预设时间段内每24小时的负荷值、气象数据及对应的日期类型这些配电网数据,构建出配电网数据库。
具体地,所述气象数据包括最高气温、最低气温、天气类型和风速。
所述日期类型包括工作日和非工作日。
可以理解的是,在其他实施例中,气象数据还可包括其他数据,比如湿度。
S102:从配电网数据库中筛选出故障区域内的相关数据;所筛选出的障区域相关数据包括故障日当天的配电网数据及故障日前预设时间段的配电网数据。
具体地,故障区域内的相关数据为:故障区域内故障日前72小时的负荷值、故障日最高气温、故障日最低气温、故障日日期类型、故障日天气类型、故障日风速、故障日前24小时风速、故障日前一周同日期类型负荷值,以上数据为神经网络的输入数据,故障日24小时负荷值为神经网络的目标输出数据。
发生故障时,根据故障范围在数据库中选择需要的相关数据,提高计算效率与准确性,降低数据冗余。
S103:将筛选出的故障区域相关数据进行归一化处理。
在具体实施中,将筛选出的故障区域相关数据进行归一化处理之前,还包括:
求取错误负荷值的前后时刻两个负荷值的平均值来替换当前错误负荷值;其中,错误负荷值为某一时刻负荷值同时与其前后时刻的负荷值做对比,若两者的差值超过某一范围,则该时刻数据为错误负荷值;
求取缺失负荷值的前后时刻两个负荷值的平均值来填补当前缺失负荷值;其中,缺失负荷值为某一时刻丢失的负荷值。
对错误数据、缺失数据处理后,进行归一化处理,公式如下:
表示归一化后的数据,ni表示需要进行归一化处理的数据,ni,min表示需要进行归一化处理数据的最小值,ni,max表示需要进行归一化处理数据的最大值。
将天气类型划分为:晴、多云、阴、小雨或小雪、中雨或中雪、大雨或大雪、雷阵雨,其对应的归一化值为0.8、0.6、0.5、0.4、0.3、0.2、0.1;
日期类型划分为:工作日、非工作日,其对应的归一化值为1、0。
S104:利用主成分分析法对归一化处理后的非负荷值数据进行精简处理,选取累计贡献率大于预设阈值的非负荷值数据作为配电损失电量计算模型的输入数据,相对应的负荷值作为配电损失电量计算模型的输出,直至训练完成配电损失电量计算模型;所述配电损失电量计算模型为预设神经网络。
具体地,利用主成分分析法对归一化处理后的非负荷值数据进行精简处理的过程为:
S1041:计算归一化处理后的不同类型的非负荷值数据之间相关系数矩阵,得到相关系数矩阵的特征值。
首先计算协方差。数据矩阵X如式(2)所示,m为样本个数,n为指标个数。
计算矩阵X中的第i个指标xi与第j个指标xj之间的相关系数矩阵R,公式如式(3)所示;
式中:cov(xi,xj)表示第i个指标xi与第j个指标xj之间的协方差,为xi的标准差,为xj的标准差,rij为xi与xj之间的相关系数,rij组成了系数矩阵R。
根据系数矩阵计算结果,计算其特征方程,计算得到n个特征值λ1、λ2、...、λn,其中λ1≥λ2≥…≥λn。特征方程如式(4)所示:
|R-λE| =0 (4)
S1042:根据各个特征值的累计贡献率,选取主成分数据;其中,累计贡献率为所有选取的主成分数据的贡献率之和;贡献率为主成分数据对应的当前特征值与所有特征值之和的比值。
根据数据贡献率挑选数据的主成分,其中第t个数据成分(1≤t≤n)的贡献率计算公式如式(5)所示:
式(5)中,λt:第t个特征值。通常情况下根据计算累计贡献率来选取主成分数据,本实施例中设定累计贡献率在90%-95%之间即可。累计贡献率计算如式(6)所示:
选取主成分数据个数,即数据P的值,使得β>95%即可满足要求,此时得到第1、2、......、P个新变量:λ1、λ2、...、λp。
S1043:利用主成分数据,得到配电损失电量计算模型的输入矩阵。
在得到系数矩阵R和求解特征方程的基础上,求解R的正交矩阵,如式(7)所示;
PTRP=diag(λ1、λ2、…、λn) (7)
式(7)中,P为正交矩阵,PT为P的转置,diag()为对角阵;
计算新变量,新变量公式如式(8)所示:
Z=XP (8)
Z为计算得到的新指标组成的新矩阵。
在新的矩阵Z中,任意两列之间的相关系数均为“0”,即二者之间是不相关的。原数据的线性组合成为了新的数据,而且新的数据中又携带了原有数据中的绝大部分的重要信息。根据要求,选取贡献率大于95%的数据,即为目标主成分,作为神经网络的输入。
在本实施例中,所述配电损失电量计算模型为RBF神经网络,利用PSO算法对RBF神经网络进行优化处理。
聚土地,利用PSO算法对RBF神经网络进行优化处理的过程为:
初始化神经网络参数:隐藏层节点数I,其中I<L,L为训练样本数目;
将神经网络参数ci、δi整合到一个向量X中,ci为数据中心,δi为扩展常数,X为PSO算法中的粒子位置向量,初始化PSO算法参数:粒寻优空间、粒子群数目,粒子初始位置、粒子初始速度;其中X=(c1,δ1,c2,δ2,…,cl,δl,);
求解隐藏层,
其中,x'l∈RN,ci∈RN,δi∈[0,N],x'l表示输入向量。
计算隐藏层输出矩阵及其权值矩阵W,其中,公式如式(9)所示;
式(9)中:y为归一化处理后的集合。
根据公式(10)、(11)分别计算神经网络输出以及粒子适应度,同时求出粒子的适应度IfStop,更新粒子的个体极值、种群的全局极值;
式(11)中,N为训练样本数目,m为输出节点数目,Yi,j为第i个数据的第j个期望输出值,yi,j为实际值。
其中,PSO优化是使粒子自身的位置达到最优,同时也使得周围群体在调整自己的速度和位置,使得整体无限逼近全体最优。
在由N个粒子组成的D维向量空间中,每个粒子的位置向量可以表示为:
速度为:
根据式(11)、式(12)分别更新粒子的速度和位置:
式(11)和式(12)中,w为惯性权重,c1、c2都是学习因子,r1、r2是两个独立的数,值的范围均匀分布在0和1之间而且数值随机。表示在第d维上,第t代的第i个粒子的个体最优位置,表示种群全局最优位置。
PSO算法的基本流程为:
步骤1):初始化种群粒子速度、位置;
步骤2):计算出粒子适应度;
步骤3):更新粒子个体最优以及全局最优位置;
步骤4):更新粒子速度、位置;
步骤5):判断是否满足优化结果,若满足,则优化结束,否则返回步骤2)。
满足优化结果的条件有:算法迭代次数达到了目标值,或在目标迭代范围内,种群全局最优适应度值达到最优。本实施例使用后者作为优化条件。
在进行了T次的迭代之后,如果PSO算法中的最优适应度IFStop(gbest)达到期望值,则寻优结束,否则,返回重新计算粒子适应度。
S105:利用训练好的配电损失电量计算模型,计算故障区域内的损失负荷。
S106:将故障区域内的损失负荷进行反归一化处理,得到故障区域内损失电量。
反归一化处理的公式如式(13)所示:
y*=y(ymax-ymin)+ymin (13)
式(13)中,y*表示经过反归一化处理后得到的目标数据,y表示归一化之前的数据,ymax,ymin分别数据中的最大值、最小值。
根据网络计算结果计算损失电量,计算公式如式(14)所示:
式(14)中,S为故障区域的损失电量,yi *为故障开始时刻时网络计算负荷,h为故障恢复时刻。
本实施例的配电损失电量计算模型为RBF神经网络,其结构如图2所示。
以辖区内2017年3月份数据作为数据库,负荷曲线如图3,经过数据处理,通过主成分分析,将输入数据输入到经PSO优化的神经网络,图4是本公开实施例的跳闸后电量估计计算曲线。
在图3中,采取负荷时每隔5分钟采集一次负荷,一天24小时当中就是288个负荷点,横坐标就是从00:00开始每隔5分钟是一个点,例如:横坐标1对应的是00:00的负荷,横坐标为2对应的是00:05的负荷值,横坐标为3时对应的是00:10的坐标值,以此类推一直到横坐标为288对应的是23:55的负荷值。图3和图4中的横坐标表示采样次数;纵坐标表示负荷至,其单位是MW。
如图5所示为经过主成分分析的神经网络计算误差结果,可以将误差控制在5%以内。图5的纵坐标就是误差值,误差控制再5%以内;横坐标表示采样次数。
本实施例的基于神经网络的配电网损失电量计算方法,克服了传统计算方法的主观性,误差大,效率等缺陷,弱化传统计算方法中的人为影响,不仅可行,而且精度高,可适应行强,有很强的建设性。
本实施例利用主成分分析法对神经网络进行优化,有效地减少了神经网络的输入数据的数量,同时增强了数据的有效性,提高了神经网络的训练速度,丰富了神经网络的扩展性。
实施例二
图6给出了本实施例的一种基于神经网络的配电网损失电量计算装置结构示意图。
如图6所示,本实施例的基于神经网络的配电网损失负荷计算装置,包括:
(1)配电网数据库构建模块,其用于获取配电网辖区范围内预设时间段内每24小时的负荷值、气象数据及对应的日期类型这些配电网数据,构建出配电网数据库;
(2)故障相关数据筛选模块,其用于从配电网数据库中筛选出故障区域内的相关数据;所筛选出的障区域相关数据包括故障日当天的配电网数据及故障日前预设时间段的配电网数据;
(3)归一化处理模块,其用于将筛选出的故障区域相关数据进行归一化处理;
(4)配电损失电量计算模型训练模块,其用于利用主成分分析法对归一化处理后的非负荷值数据进行精简处理,选取累计贡献率大于预设阈值的非负荷值数据作为配电损失电量计算模型的输入数据,相对应的负荷值作为配电损失电量计算模型的输出,直至训练完成配电损失电量计算模型;所述配电损失电量计算模型为预设神经网络;
具体地,所述配电损失电量计算模型训练模块,还包括主成分分析模块,所述主成分分析模块包括:
相关系数矩阵特征值计算模块,其用于计算归一化处理后的不同类型的非负荷值数据之间相关系数矩阵,得到相关系数矩阵的特征值;
主成分数据选取模块,其用于根据各个特征值的累计贡献率,选取主成分数据;其中,累计贡献率为所有选取的主成分数据的贡献率之和;贡献率为主成分数据对应的当前特征值与所有特征值之和的比值;
输入矩阵确定模块,其用于利用主成分数据,得到配电损失电量计算模型的输入矩阵。
在所述配电损失电量计算模型训练模块中,所述配电损失电量计算模型为RBF神经网络,利用PSO算法对RBF神经网络进行优化处理。
(5)损失负荷计算模块,其用于利用训练好的配电损失电量计算模型,计算故障区域内的损失负荷;
(6)损失电量计算模块,其用于将故障区域内的损失负荷进行反归一化处理,得到故障区域内损失电量。
其中,所述基于神经网络的配电网损失负荷计算装置,还包括:
数据校正模块,其用于将筛选出的故障区域相关数据进行归一化处理之前,求取错误负荷值的前后时刻两个负荷值的平均值来替换当前错误负荷值;其中,错误负荷值为某一时刻负荷值同时与其前后时刻的负荷值做对比,若两者的差值超过某一范围,则该时刻数据为错误负荷值;
求取缺失负荷值的前后时刻两个负荷值的平均值来填补当前缺失负荷值;其中,缺失负荷值为某一时刻丢失的负荷值。
本实施例的基于神经网络的配电网损失电量计算方法,克服了传统计算方法的主观性,误差大,效率等缺陷,弱化传统计算方法中的人为影响,不仅可行,而且精度高,可适应行强,有很强的建设性。
本实施例利用主成分分析法对神经网络进行优化,有效地减少了神经网络的输入数据的数量,同时增强了数据的有效性,提高了神经网络的训练速度,丰富了神经网络的扩展性。
实施例三
本实施例的一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如图1所示的基于神经网络的配电网损失电量计算方法中的步骤。
实施例四
本实施例的一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如图1所示的基于神经网络的配电网损失电量计算方法中的步骤。
本领域内的技术人员应明白,本公开的实施例可提供为方法、***、或计算机程序产品。因此,本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且,本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
本公开是参照根据本公开实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)或随机存储记忆体(RandomAccessMemory,RAM)等。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (10)
1.一种基于神经网络的配电网损失电量计算方法,其特征在于,包括:
获取配电网辖区范围内预设时间段内每24小时的负荷值、气象数据及对应的日期类型这些配电网数据,构建出配电网数据库;
从配电网数据库中筛选出故障区域内的相关数据;所筛选出的障区域相关数据包括故障日当天的配电网数据及故障日前预设时间段的配电网数据;
将筛选出的故障区域相关数据进行归一化处理;
利用主成分分析法对归一化处理后的非负荷值数据进行精简处理,选取累计贡献率大于预设阈值的非负荷值数据作为配电损失电量计算模型的输入数据,相对应的负荷值作为配电损失电量计算模型的输出,直至训练完成配电损失电量计算模型;所述配电损失电量计算模型为预设神经网络;
利用训练好的配电损失电量计算模型,计算故障区域内的损失负荷;
将故障区域内的损失负荷进行反归一化处理,得到故障区域内损失电量。
2.如权利要求1所述的基于神经网络的配电网损失电量计算方法,其特征在于,所述气象数据包括最高气温、最低气温、天气类型和风速。
3.如权利要求1所述的基于神经网络的配电网损失电量计算方法,其特征在于,所述日期类型包括工作日和非工作日,工作日和非工作日对应的归一化值分别为1和0。
4.如权利要求1所述的基于神经网络的配电网损失电量计算方法,其特征在于,将筛选出的故障区域相关数据进行归一化处理之前,还包括:
求取错误负荷值的前后时刻两个负荷值的平均值来替换当前错误负荷值;其中,错误负荷值为某一时刻负荷值同时与其前后时刻的负荷值做对比,若两者的差值超过某一范围,则该时刻数据为错误负荷值;
求取缺失负荷值的前后时刻两个负荷值的平均值来填补当前缺失负荷值;其中,缺失负荷值为某一时刻丢失的负荷值。
5.如权利要求1所述的基于神经网络的配电网损失电量计算方法,其特征在于,利用主成分分析法对归一化处理后的非负荷值数据进行精简处理的过程为:
计算归一化处理后的不同类型的非负荷值数据之间相关系数矩阵,得到相关系数矩阵的特征值;
根据各个特征值的累计贡献率,选取主成分数据;其中,累计贡献率为所有选取的主成分数据的贡献率之和;贡献率为主成分数据对应的当前特征值与所有特征值之和的比值;
利用主成分数据,得到配电损失电量计算模型的输入矩阵。
6.如权利要求1所述的基于神经网络的配电网损失电量计算方法,其特征在于,所述配电损失电量计算模型为RBF神经网络,利用PSO算法对RBF神经网络进行优化处理。
7.一种基于神经网络的配电网损失负荷计算装置,其特征在于,包括:
配电网数据库构建模块,其用于获取配电网辖区范围内预设时间段内每24小时的负荷值、气象数据及对应的日期类型这些配电网数据,构建出配电网数据库;
故障相关数据筛选模块,其用于从配电网数据库中筛选出故障区域内的相关数据;所筛选出的障区域相关数据包括故障日当天的配电网数据及故障日前预设时间段的配电网数据;
归一化处理模块,其用于将筛选出的故障区域相关数据进行归一化处理;
配电损失电量计算模型训练模块,其用于利用主成分分析法对归一化处理后的非负荷值数据进行精简处理,选取累计贡献率大于预设阈值的非负荷值数据作为配电损失电量计算模型的输入数据,相对应的负荷值作为配电损失电量计算模型的输出,直至训练完成配电损失电量计算模型;所述配电损失电量计算模型为预设神经网络;
损失负荷计算模块,其用于利用训练好的配电损失电量计算模型,计算故障区域内的损失负荷;
损失电量计算模块,其用于将故障区域内的损失负荷进行反归一化处理,得到故障区域内损失电量。
8.如权利要求7所述的基于神经网络的配电网损失负荷计算装置,其特征在于,所述基于神经网络的配电网损失负荷计算装置,还包括:
数据校正模块,其用于将筛选出的故障区域相关数据进行归一化处理之前,求取错误负荷值的前后时刻两个负荷值的平均值来替换当前错误负荷值;其中,错误负荷值为某一时刻负荷值同时与其前后时刻的负荷值做对比,若两者的差值超过某一范围,则该时刻数据为错误负荷值;
求取缺失负荷值的前后时刻两个负荷值的平均值来填补当前缺失负荷值;其中,缺失负荷值为某一时刻丢失的负荷值;
或
所述配电损失电量计算模型训练模块,还包括主成分分析模块,所述主成分分析模块包括:
相关系数矩阵特征值计算模块,其用于计算归一化处理后的不同类型的非负荷值数据之间相关系数矩阵,得到相关系数矩阵的特征值;
主成分数据选取模块,其用于根据各个特征值的累计贡献率,选取主成分数据;其中,累计贡献率为所有选取的主成分数据的贡献率之和;贡献率为主成分数据对应的当前特征值与所有特征值之和的比值;
输入矩阵确定模块,其用于利用主成分数据,得到配电损失电量计算模型的输入矩阵;
或
在所述配电损失电量计算模型训练模块中,所述配电损失电量计算模型为RBF神经网络,利用PSO算法对RBF神经网络进行优化处理。
9.一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,该程序被处理器执行时实现如权利要求1-6中任一项所述的基于神经网络的配电网损失电量计算方法中的步骤。
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1-6中任一项所述的基于神经网络的配电网损失电量计算方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910606175.XA CN110400233A (zh) | 2019-07-05 | 2019-07-05 | 一种基于神经网络的配电网损失电量计算方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910606175.XA CN110400233A (zh) | 2019-07-05 | 2019-07-05 | 一种基于神经网络的配电网损失电量计算方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110400233A true CN110400233A (zh) | 2019-11-01 |
Family
ID=68322739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910606175.XA Pending CN110400233A (zh) | 2019-07-05 | 2019-07-05 | 一种基于神经网络的配电网损失电量计算方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110400233A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460001A (zh) * | 2020-03-30 | 2020-07-28 | 济南大学 | 一种配电网理论线损率评估方法及*** |
WO2024013377A1 (en) * | 2022-07-15 | 2024-01-18 | Siemens Aktiengesellschaft | Optimization method, storage medium, and electronic device for load scheduling |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
-
2019
- 2019-07-05 CN CN201910606175.XA patent/CN110400233A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
Non-Patent Citations (3)
Title |
---|
廖慧惠: "《基于改进人工智能的短期电力负荷预测算法研究》", 《长春工程学院学报(自然科学板)》 * |
廖慧惠: "《基于改进人工智能的短期电力负荷预测算法研究》", 《长春工程学院学报(自然科学版)》 * |
李灿: "《基于改进BP神经网络的负荷预测问题研究》", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460001A (zh) * | 2020-03-30 | 2020-07-28 | 济南大学 | 一种配电网理论线损率评估方法及*** |
CN111460001B (zh) * | 2020-03-30 | 2023-09-22 | 济南大学 | 一种配电网理论线损率评估方法及*** |
WO2024013377A1 (en) * | 2022-07-15 | 2024-01-18 | Siemens Aktiengesellschaft | Optimization method, storage medium, and electronic device for load scheduling |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021077646A1 (zh) | 用于电功率预测模型的多精度指标综合评价方法及*** | |
CN110471024A (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
Phuangpornpitak et al. | A study of load demand forecasting models in electric power system operation and planning | |
CN105117602A (zh) | 一种计量装置运行状态预警方法 | |
CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN111210058B (zh) | 一种基于网格化的配电网自上而下负荷预测信息方法 | |
Mandal et al. | A new recursive neural network algorithm to forecast electricity price for PJM day‐ahead market | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN109886452A (zh) | 一种基于经验动态建模的风电功率超短期概率预测方法及*** | |
CN112968441A (zh) | 一种应用于大规模风电基地的电网规划方法 | |
CN111915083A (zh) | 一种基于时间分层组合的风电功率预测方法及预测*** | |
CN109345090A (zh) | 一种基于配电网可靠性提升的网架评价方法 | |
CN110288196A (zh) | 输电线路舞动分级预警方法及*** | |
CN110400233A (zh) | 一种基于神经网络的配电网损失电量计算方法及装置 | |
CN117669960A (zh) | 一种基于多变量气象因子的新能源功率预测方法 | |
CN110070223A (zh) | 一种应用于新建风电场的短期功率预测方法 | |
CN108960522A (zh) | 一种光伏发电量预测分析方法 | |
CN108256693A (zh) | 一种光伏发电功率预测方法、装置及*** | |
Lin et al. | Data-driven prediction of building energy consumption using an adaptive multi-model fusion approach | |
Hu et al. | Adaptive corrected parameters algorithm applied in cooling load prediction based on black-box model: A case study for subway station | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
CN113887809A (zh) | 双碳目标下配电网供需平衡方法、***、介质及计算设备 | |
CN112884601A (zh) | 一种基于天气区划策略的电力***运行风险评估方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
Tena-García et al. | Implementing data reduction strategies for the optimal design of renewable energy systems |
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: 20191101 |