CN110659779B - 一种基于长短期记忆网络的配电***网损预测方法 - Google Patents
一种基于长短期记忆网络的配电***网损预测方法 Download PDFInfo
- Publication number
- CN110659779B CN110659779B CN201910918120.2A CN201910918120A CN110659779B CN 110659779 B CN110659779 B CN 110659779B CN 201910918120 A CN201910918120 A CN 201910918120A CN 110659779 B CN110659779 B CN 110659779B
- Authority
- CN
- China
- Prior art keywords
- network loss
- sequence
- prediction
- network
- time
- 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 34
- 230000007787 long-term memory Effects 0.000 title claims abstract description 15
- 230000006403 short-term memory Effects 0.000 title claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 44
- 230000015654 memory Effects 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims description 16
- 238000010606 normalization Methods 0.000 claims description 12
- 238000010219 correlation analysis Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 238000012097 association analysis method Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 11
- 238000013528 artificial neural network Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 description 2
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Biomedical Technology (AREA)
- Development Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Game Theory and Decision Science (AREA)
- Molecular Biology (AREA)
- Quality & Reliability (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Neurology (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于长短期记忆网络的配电***网损预测方法,包括:获取预测地区各时刻的多个特征量,并构建各特征量时间序列;从各特征量时间序列中获取参考序列和比较序列,采用灰色关联分析方法,计算参考序列与比较序列之间的关联度,从中选取最佳的比较序列相应影响因素作为输入影响因素;根据输入影响因素从各特征量时间序列中获取训练样本;建立长短期记忆网络模型,使用训练样本训练长短期记忆网络模型,得到网损预测模型;获取预测时刻网损值的输入影响因素,并使用网损预测模型进行预测,得到预测时刻的网损值。本发明可以提高对配电***网损的预测精度和效率,以达到更高效率指导节能工作和确定项目节能量的目的。
Description
技术领域
本发明涉及电力***技术领域,具体涉及一种基于长短期记忆网络的配电***网损预测方法。
背景技术
随着社会经济的发展,我国配电网规模日趋庞大,电力设备日益增多,10kV配电网损耗电量已占整个电力网的20%以上,有较大的降损空间。近年来配电网自动化水平不断提高,各种自动数据采集***不断出现,为配电网的损耗计算提供了更充足数据的同时也带来了很大挑战。
现有的传统计算方法倾向于关注线路损耗的计算,不能挖掘出海量数据与电网损耗之间的关系,针对不同的10kV配电网,不能准确辨识出影响线损的主要因素集。因此越来越多的人工智能算法被引入到10kV配电网线损评估中来,利用其强大的自学能力、推广能力以及非线性处理能力自动建立配电网线损预测模型,解决了传统方法计算过程复杂的问题。电力企业对电力***网损进行预测,掌握电网运行中网损构成,推理出存在缺陷的环节,可以对网损违反正常规律的地方进行检查改进。研究网损规律对电力***的运行、维护、效益等具有重要意义。因此,探索具有更高精度和效率的网损预测方法成为了目前亟待解决的重要课题。
发明内容
本发明提供一种基于灰色关联分析和长短期记忆神经网络的配电***网损预测方法,提高对配电***网损的预测精度和效率,以达到更高效率指导电网公司的节能工作和确定项目节能量的目的。
为实现上述技术目的,本发明采用如下技术方案:
一种配电***网损预测方法,包括以下步骤:
S10,获取历史数据,构建时间序列:
S11,获取预测地区的历史实际电量数据,所述实际电量数据包括各时刻的以下特征量:网损值、变电站供电量、公变供电量、专变供电量、用户用电量;
S12,针对每种特征量,均对各时刻的数据进行归一化处理并构建相应特征量的时间序列;
S20,确定输入影响指标:
S21,从步骤S10得到的网损值时间序列中截取包括m个样本时刻的子序列作为参考序列;
S22,按照与参考序列相距由近及远的顺序,选取与参考序列相距24h整数倍的p个时间段,且每个时间段均包括m个样本时刻;然后将各特征量时间序列在该p个时间段的子序列,均作为1个比较序列;其中每个比较序列对应网损值的1个影响指标,所述影响指标是指比较序列在与参考序列相距时长的特征量;
S23,采用灰色关联分析法,计算每个比较序列与参考序列之间的关联度,并将其中属于最佳q个关联度的比较序列所对应的影响指标,作为参考序列网损值的最佳q个输入影响指标;
S30,构建训练样本;
S31,从步骤S10得到的网损值时间序列中均匀选取N个网损值,
S32,从步骤S10得到的各特征量时间序列中,获取步骤S31得到的各网损值的输入影响标值;
S33,将每个网损值与相应的输入影响指标均作为1个训练样本,得到N个训练样本;
S40,离线训练长短时记忆网络:
S41,建立长短期记忆网络模型,包括设置网络层数、每个网络层的节点数、时间窗大小;
S42,以训练样本中的网损值作为输出数据,以训练样本中的输入影响指标作为输入数据,对长短期记忆网络模型进行离线训练,得到网损预测模型;
S50,对未来24小时内的预测时刻进行网损预测:
S51,获取与预测时刻网损值的输入影响指标,并对输入影响指标进行归一化处理;
S52,将归一化处理后的输入影响指标,输入至步骤S40得到的网损预测模型,得到预测时刻的归一化网损值;
S53,对预测时刻的归一化网损值进行反归一化,得到预测时刻的正常网损值。
进一步地,最佳q个输入影响指标的获取方法包括:对得到的所有关联度进行排序,依次剔除最小关联度,将每剔除1个关联度所剩余关联度对应的影响指标作为1个组合;将得到的多组影响指标,分组输入网损预测模型进行预测,选择网损平均预测误差最小的一组影响指标,即为网损值的最佳q个输入影响指标。
进一步地,步骤S20中,采用灰色关联分析方法计算关联度ri的公式为:
式中,y(k)(k=1,2,…,m)表示参考序列,k表示参考序列和比较序列的样本时刻,m表示表示参考序列和比较序列的样本时刻,xi(k)(i=1,2,…,n)表示第i个比较序列,n表示比较序列的数量,ξi(k)为第i个比较序列与参考序列在第k个样本时刻的关联度,ρ为分辨系数,取值范围为0到1。
进一步地,对长短期记忆网络模型进行离线训练的参数包括:输入门的权值矩阵和偏置量、细胞单元的权值矩阵和偏置量、遗忘门的权值矩阵和偏置量、输出门的权值矩阵和偏置量。
进一步地,步骤S10中的历史实际电量数据的时间跨度至少为1年。
进一步地,其特征在于,p=2。
有益效果
本发明的有益效果为:
1、采用灰色关联分析方法,挖掘配***的网损与历史电气特征量之间的变化规律,辨识出关联度最大的若干个与历史电气特征量相关的影响指标,作为网损值的输入影响指标,即作为网损预测模型的输入影响指标,在保证网损预测精度的同时,减小网损预测的计算量,进而提高网损预测效率;
2、使用大数据训练基于长短时记忆网络的网损预测模型,其模型的时间和空间复杂度均较低,训练模型和应用预测网损的时间较短且不易出现过拟合;同时模型训练过程的参数寻优能力强,可以充分提取网损历史数据的规律并进行预测,能用于确定应用于配电***的节能项目的节能量,为电网降损节能提供决策依据;
3、通过使用网损预测模型对网损值的影响指标组合进行预测,并根据平均预测误差来指导选择最佳的网损值影响指标组合,可以进一步提高最终训练得到的网损预测模型的预测精度;
4、选用时间跨度至少1年的历史实际电量数据,使得训练样本包括不同季节的数据,提高训练网损预测模型对不同季节下网损预测的适应性。
附图说明
图1为本发明的流程示意图;
图2为本发明实施例中特征个数对模型精度的影响;
图3是本发明实施例中长短期记忆网络记忆单元的结构示意图;
图4是本发明实施例中不同模型网损预测结果的对比;
具体实施方式
下面对本发明的实施例作详细说明,本实施例以本发明的技术方案为依据开展,给出了详细的实施方式和具体的操作过程,对本发明的技术方案作进一步解释说明。
如图1所示,本发明提供一种基于长短期记忆网络的配电***网损预测方法,包括如下步骤:
步骤S10,获取历史数据,构建时间序列:
步骤S11,获取预测地区的历史实际电量数据,所述实际电量数据包括各时刻的以下特征量:网损值、变电站供电量、公变供电量、专变供电量、用户用电量;
考虑到不同季节对网损电量的影响,本实施例要求获取的历史实际电量数据的时间跨度至少为1年,较长,包含冬天、春天和夏天,以训练网损预测模型对不同季节下网损预测的适应性。
S12,针对每种特征量,均对各时刻的数据进行归一化处理并构建相应特征量的时间序列;
考虑到相关测量数据缺失的情况,本实施例先对各时刻的数据进行清洗和补充,然后再将得到的数据进行归一化处理,其中归一化过程的计算公式为:
步骤S20,确定输入影响指标:
步骤S21,从步骤S10得到的网损值时间序列中截取包括m个样本时刻的子序列作为参考序列;
步骤S22,按照与参考序列相距由近及远的顺序,选取与参考序列相距24h和48h共2个时间段,且每个时间段均包括m个样本时刻;然后将各特征量时间序列在该2个时间段的子序列,均作为1个比较序列;其中每个比较序列对应网损值的1个影响指标,所述影响指标是指比较序列在与参考序列相距时长的特征量;
其中,与参考序列相距24h或48h,以及下文时间相距的概念,具体是指两者之间的中心间距。
步骤S23,采用灰色关联分析法,计算每个比较序列与参考序列之间的关联度,并将其中属于最佳q个关联度的比较序列所对应的影响指标,作为参考序列网损值的最佳q个输入影响指标;
其中,最佳q个输入影响指标的获取方法包括:对得到的所有关联度进行排序,依次剔除最小关联度,将每剔除1个关联度所剩余关联度对应的影响指标作为1个组合;将得到的多组影响指标,分组输入网损预测模型进行预测,选择网损平均预测误差最小的一组影响指标,即为网损值的最佳q个输入影响指标。
在本步骤S23中确定最佳q个输入影响指标所使用的网损预测模型,具体是指对LSMT记忆网络模型进行参数预设置、且网络结构统一所得到的初始模型。由于获取的特征量,包括网损值、变电站供电量、公变供电量、专变供电量、用户用电量,这些都是与未来网损值具有一定相关性的电气指标,因此,在与未来时刻相距特定时间的以上各特征量,均可作为未来时刻网损值的影响指标。本发明通过灰色关联分析法确定各影响指标与未来网损值之间的关联度,然后选择平均预测误差最小的一组影响指标作为最终的输入影响指标,即作为未来时刻网损值的输入影响指标。
其中,采用灰色关联分析方法计算关联度ri的公式为:
△i(k)=|y(k)-xi(k)|;
式中,y(k)(k=1,2,…,m)表示参考序列,k表示参考序列和比较序列的样本时刻,m表示表示参考序列和比较序列的样本时刻,xi(k)(i=1,2,…,n)表示第i个比较序列,n表示比较序列的数量,ξi(k)为第i个比较序列与参考序列在第k个样本时刻的关联度,ρ为分辨系数,取值范围为0到1,其取值在一定程度上影响关联度的大小在本实施例中取ρ=0.5。
步骤S30,构建训练样本;
步骤S31,从步骤S10得到的网损值时间序列中均匀选取N个网损值,
步骤S32,从步骤S10得到的各特征量时间序列中,获取步骤S31得到的各网损值的输入影响标值;
步骤S33,将每个网损值与相应的输入影响指标均作为1个训练样本,得到N个训练样本;
步骤S40,离线训练长短时记忆网络:
S41,建立长短期记忆网络模型,包括设置网络层数、每个网络层的节点数、时间窗大小;在本发明中设置时间窗大小为1;
S42,以训练样本中的网损值作为输出数据,以训练样本中的输入影响指标作为输入数据,对长短期记忆网络模型进行离线训练,得到网损预测模型;
离线训练步骤如下:
输入门的输出it由t时刻输入值xt和t-1时刻隐层输出ht-1共同决定,计算公式为:
it=σ(wxiht-1+wxixt+wxict-1+bi);
其中,wxi为t时刻输入门it的权值矩阵,bi为偏置量,ct为当前时刻t的细胞单元状态,其计算公式为:
ct=ftct-1+ittanh(whcht-1+wxcxt+bc);
其中,whc和wxc为t时刻ct的权值矩阵,bc为偏置量。
遗忘门用来控制细胞历史状态信息的保留,遗忘门输出的计算公式为:
ft=σ(wxfht-1+wxfxt+wxfct-1+bf);
其中,ft为遗忘门的输出,wxf为t时刻遗忘门ft的权值矩阵,bf为偏置量。激活函数σ使得遗忘门的输出值在[0,1]之间,来控制上一单元状态被遗忘的程度。当遗忘门输出为0的时候,表示将上一状态的信息全部丢弃;当遗忘门输出为1的时候,表示将上一状态的信息全部保留。
输出门用来控制该层的细胞状态有多少被过滤,输出门的输出值ot计算公式为:
ot=σ(whoht-1+wxoxt+bo);
其中,who和wxo为t时刻输出门ot的权值矩阵,bo为偏置量,ht为隐藏层输出值,其计算公式为:
ht=ottanh(ct);
以上离线训练所确定的长短时记忆模型的参数包括:输入门it的权值矩阵wxi和偏置量bi、细胞单元ct的权值矩阵whc、wxc和偏置量bc、遗忘门ft的权值矩阵wxf和偏置量bf、输出门ot的权值矩阵who、wxo和偏置量bo;
另外离线训练时,用于评价离线训练网损预测模型的评价指标:平均绝对百分比误差和均方根误差,其计算公式为:
步骤S40,对未来24小时内的预测时刻进行网损预测:
S50,对未来24小时内的预测时刻进行网损预测:
S51,获取与预测时刻网损值的输入影响指标,并对输入影响指标进行归一化处理;
S52,将归一化处理后的输入影响指标,输入至步骤S40得到的网损预测模型,得到预测时刻的归一化网损值;
S53,对预测时刻的归一化网损值进行反归一化,得到预测时刻的正常网损值。
以下提供具体实施例对本发明技术方案作进一步实施解释说明:
在仿真软件DIgSILENT中搭建某区域实际10kV配电网络模型,包含1个容量为2*100MVA的110/10kV变电站,规划区内共有39个台区,包含58条10kV线路。对该配电网络的损耗进行提前24小时的预测,预测流程流程如图1所示。
S10、整理历史数据,针对部分缺失数据,通过仿真得到对应数据,对所得数据进行归一化处理。
S201、分析影响网损数据的指标,通过灰色关联度分析,得到如表1所示的各影响指标与实际网损值的关联度:
表1
S202、基于特征指标的关联度排序,计算不同特征个数时,网损预测误差MAPE值,结果如图2所示。在特征指标数目为7时,对应的MAPE值最小,因此选用关联度排序前7位的影响指标作为最终的输入影响指标。
S30、根据步骤S202得到的输入影响指标,从S10得到的数据中获取训练样本。
S401、在Python环境下利用Tensorflow库搭建长短期记忆神经网络预测模型,长短期记忆神经网络的结构示意图如图3所示。
S402、设置模型参数,输入训练样本集后采用Adam算法优化模型,设置基础的1个隐藏层,批处理大小取72,使用Adam优化方式训练100轮后获得优化后的长短期记忆神经网络预测模型。
S50、在线应用长短期记忆神经网络对网损进行预测,与反向传播神经网络和支持向量机预测的结果进行对比,如图4所示。
本发明提供的基于长短期记忆神经网络的网损预测方法预测精度好,模型的时间和空间复杂度均较低,训练和预测时间较短且不易出现过拟合,训练过程中参数寻优能力强,可以充分提取网损历史数据的规律并进行预测,为电网降损节能提供决策依据。
以上实施例为本申请的优选实施例,本领域的普通技术人员还可以在此基础上进行各种变换或改进,在不脱离本申请总的构思的前提下,这些变换或改进都应当属于本申请要求保护的范围之内。
Claims (5)
1.一种基于长短期记忆网络的配电***网损预测方法,其特征在于,包括以下步骤:
S10,获取历史数据,构建时间序列:
S11,获取预测地区的历史实际电量数据,所述实际电量数据包括各时刻的以下特征量:网损值、变电站供电量、公变供电量、专变供电量、用户用电量;
S12,针对每种特征量,均对各时刻的数据进行归一化处理并构建相应特征量的时间序列;
S20,确定输入影响指标:
S21,从步骤S10得到的网损值时间序列中截取包括m个样本时刻的子序列作为参考序列;
S22,按照与参考序列相距由近及远的顺序,选取与参考序列相距24h整数倍的p个时间段,且每个时间段均包括m个样本时刻;然后将各特征量时间序列在该p个时间段的子序列,均作为1个比较序列;其中每个比较序列对应网损值的1个影响指标,所述影响指标是指比较序列在与参考序列相距时长的特征量;
S23,采用灰色关联分析法,计算每个比较序列与参考序列之间的关联度,并将其中属于最佳q个关联度的比较序列所对应的影响指标,作为参考序列网损值的最佳q个输入影响指标;
最佳q个输入影响指标的获取方法包括:对得到的所有关联度进行排序,依次剔除最小关联度,将每剔除1个关联度所剩余关联度对应的影响指标作为1个组合;将得到的多组影响指标,分组输入网损预测模型进行预测,选择网损平均预测误差最小的一组影响指标,即为网损值的最佳q个输入影响指标;
S30,构建训练样本;
S31,从步骤S10得到的网损值时间序列中均匀选取N个网损值,
S32,从步骤S10得到的各特征量时间序列中,获取步骤S31得到的各网损值的输入影响标值;
S33,将每个网损值与相应的输入影响指标均作为1个训练样本,得到N个训练样本;
S40,离线训练长短期记忆网络:
S41,建立长短期记忆网络模型,包括设置网络层数、每个网络层的节点数、时间窗大小;
S42,以训练样本中的网损值作为输出数据,以训练样本中的输入影响指标作为输入数据,对长短期记忆网络模型进行离线训练,得到网损预测模型;
S50,对未来24小时内的预测时刻进行网损预测:
S51,获取预测时刻网损值的输入影响指标,并对输入影响指标进行归一化处理;
S52,将归一化处理后的输入影响指标,输入至步骤S40得到的网损预测模型,得到预测时刻的归一化网损值;
S53,对预测时刻的归一化网损值进行反归一化,得到预测时刻的正常网损值。
3.根据权利要求1所述的方法,其特征在于,对长短期记忆网络模型进行离线训练的参数包括:输入门的权值矩阵和偏置量、细胞单元的权值矩阵和偏置量、遗忘门的权值矩阵和偏置量、输出门的权值矩阵和偏置量。
4.根据权利要求1所述的方法,其特征在于,步骤S10中的历史实际电量数据的时间跨度至少为1年。
5.根据权利要求1所述的方法,其特征在于,p=2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918120.2A CN110659779B (zh) | 2019-09-26 | 2019-09-26 | 一种基于长短期记忆网络的配电***网损预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910918120.2A CN110659779B (zh) | 2019-09-26 | 2019-09-26 | 一种基于长短期记忆网络的配电***网损预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110659779A CN110659779A (zh) | 2020-01-07 |
CN110659779B true CN110659779B (zh) | 2022-06-10 |
Family
ID=69039322
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910918120.2A Active CN110659779B (zh) | 2019-09-26 | 2019-09-26 | 一种基于长短期记忆网络的配电***网损预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110659779B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111237134B (zh) * | 2020-01-14 | 2022-04-01 | 上海电力大学 | 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法 |
CN111950928B (zh) * | 2020-08-24 | 2024-02-06 | 国网冀北电力有限公司 | 配电网降损方法、装置、存储介质及计算设备 |
CN112633604B (zh) * | 2021-01-04 | 2022-04-22 | 重庆邮电大学 | 一种基于i-lstm的短期用电量预测方法 |
CN112906915B (zh) * | 2021-01-22 | 2024-03-22 | 江苏安狮智能技术有限公司 | 一种基于深度学习的轨交***故障诊断方法 |
CN113435609B (zh) * | 2021-06-08 | 2022-11-22 | 国网河北省电力有限公司临漳县供电分公司 | 线损异常检测方法、装置及终端设备 |
CN113674014B (zh) * | 2021-07-07 | 2023-10-20 | 湖南大学 | 一种配电线路日线损率预测方法和*** |
CN113962364B (zh) * | 2021-10-22 | 2023-04-18 | 四川大学 | 一种基于深度学习的多因素用电负荷预测方法 |
CN116032359A (zh) * | 2022-12-27 | 2023-04-28 | 中国联合网络通信集团有限公司 | 特征网络数据的预测方法、***及电子设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2941110A1 (fr) * | 2009-01-14 | 2010-07-16 | Canon Kk | Procede et dispositif de prediction d'un etat de pertes d'un reseau de communication |
CN109858522A (zh) * | 2018-12-29 | 2019-06-07 | 国网天津市电力公司电力科学研究院 | 一种基于数据挖掘的管理线损异常识别方法 |
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
-
2019
- 2019-09-26 CN CN201910918120.2A patent/CN110659779B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2941110A1 (fr) * | 2009-01-14 | 2010-07-16 | Canon Kk | Procede et dispositif de prediction d'un etat de pertes d'un reseau de communication |
CN109858522A (zh) * | 2018-12-29 | 2019-06-07 | 国网天津市电力公司电力科学研究院 | 一种基于数据挖掘的管理线损异常识别方法 |
CN110163410A (zh) * | 2019-04-08 | 2019-08-23 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
Non-Patent Citations (1)
Title |
---|
基于灰色关联分析和改进神经网络的10 kV配电网线损预测;张义涛等;《电网技术》;20181015;第43卷(第4期);第1404-1410页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110659779A (zh) | 2020-01-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110659779B (zh) | 一种基于长短期记忆网络的配电***网损预测方法 | |
CN110705743B (zh) | 一种基于长短期记忆神经网络的新能源消纳电量预测方法 | |
CN110474339B (zh) | 一种基于深度发电负荷预测的电网无功控制方法 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及*** | |
CN110598854A (zh) | 一种基于gru模型的台区线损率预测方法 | |
CN104899665A (zh) | 风电功率短期预测方法 | |
CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN112733417A (zh) | 一种基于模型优化的异常负荷数据检测与修正方法和*** | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
CN110866633A (zh) | 一种基于svr支持向量回归的微电网超短期负荷预测方法 | |
CN114021848A (zh) | 一种基于lstm深度学习的发电量需求预测方法 | |
CN114169639A (zh) | 一种企业用电量预测方法 | |
CN111815039A (zh) | 基于天气分类的周尺度风电功率概率预测方法及*** | |
Wang et al. | Electric vehicle charging load clustering and load forecasting based on long short term memory neural network | |
CN112923435B (zh) | 一种基于人工智能和优化算法的集中供热二次侧调控方法 | |
CN116070881B (zh) | 一种现代工业产区智能能耗调度方法及装置 | |
CN113159395A (zh) | 一种基于深度学习的污水处理厂进水流量预测方法及*** | |
CN116951780A (zh) | 一种智能中央热水器管理方法和*** | |
CN114759579A (zh) | 一种基于数据驱动的电网有功优化控制***、方法和介质 | |
CN108345996A (zh) | 一种降低风电功率考核电量的***及方法 | |
CN116960960B (zh) | 一种面向风电机短期风电功率预测的方法 | |
CN114298444B (zh) | 一种风速概率预测方法、装置、设备及存储介质 | |
Zhang et al. | Photovoltaic power prediction based on improved moth-flame optimization algorithm and extreme learning machine |
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 |