CN111723839B - 一种基于边缘计算的台区线损率预测方法 - Google Patents
一种基于边缘计算的台区线损率预测方法 Download PDFInfo
- Publication number
- CN111723839B CN111723839B CN202010377652.2A CN202010377652A CN111723839B CN 111723839 B CN111723839 B CN 111723839B CN 202010377652 A CN202010377652 A CN 202010377652A CN 111723839 B CN111723839 B CN 111723839B
- Authority
- CN
- China
- Prior art keywords
- line loss
- loss rate
- electrical characteristic
- characteristic parameters
- area
- 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 41
- 238000004364 calculation method Methods 0.000 title claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 19
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 238000012545 processing Methods 0.000 claims abstract description 7
- 238000012423 maintenance Methods 0.000 claims abstract description 4
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000006870 function Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000013016 damping Methods 0.000 claims description 10
- 238000012546 transfer Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000003672 processing method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 238000012216 screening Methods 0.000 abstract 1
- 230000008569 process Effects 0.000 description 14
- 210000002569 neuron Anatomy 0.000 description 12
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010223 real-time analysis Methods 0.000 description 1
Images
Classifications
-
- 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
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F9/00—Arrangements for program control, e.g. control units
- G06F9/06—Arrangements for program control, e.g. control units using stored programs, i.e. using an internal store of processing equipment to receive or retain programs
- G06F9/46—Multiprogramming arrangements
- G06F9/50—Allocation of resources, e.g. of the central processing unit [CPU]
- G06F9/5061—Partitioning or combining of resources
- G06F9/5072—Grid computing
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于边缘计算的台区线损率预测方法,在台区内安装一种边缘计算装置,采集台区电气特征参数,并对其进行处理。其包括:1选取其他台区的历史电气特征参数和线损率、待测台区的历史电气特征参数和线损率构成数据集,并将其进行标准化处理;2在云平台构建AP聚类模型,对数据集进行聚类,筛选出与待测台区数据同一类簇的历史数据集;3在云平台构建BP神经网络模型,历史数据集作为训练样本,训练BP神经网络模型;4将训练完成的预测模型移植至边缘计算装置中,由边缘计算装置输出预测的台区线损率,并判断是否发送告警信息至运维人员。减少了云中心及主站的数据处理压力,利用聚类精度较高的聚类算法提取训练样本,提高了预测精度。
Description
技术领域
本发明属于台区线损率预测技术领域,具体涉及一种基于边缘计算的台区线损率预测方法。
背景技术
在万物互联的大背景下,电网终端设备数量和数据量大量增加,目前电网***接入的终端设备超过5亿只(其中4.7亿只电表,各类保护、采集、控制设备几千万台),其数据结构复杂、种类繁多,除传统的结构化数据外,还包含大量的半结构化、非结构化数据。
由于台区低压用户越来越多,低压台区的线损问题越来越突出。由于低压台区数量众多,且管理的状况参差不齐,很难在庞大的台区数量中直接辨别异常线损的台区,通过人工的方法获得低压台区线损率,费事费力,且难以保证实时性,而用传统云计算方法则会增加云平台及主站的数据处理压力,且存在通信时延过大、安全认证机制复杂、可扩展性差的缺点。
发明内容
本发明的目的是提供一种基于边缘计算的台区线损率预测方法,实现减小云中心负担、低延时、支持物理分布计算、适合实时分析和优化决策的优点。
本发明解决其技术问题的技术方案为:一种基于边缘计算的台区线损率预测方法,其特征在于,包括以下步骤:
S1:在台区内安装边缘计算终端设备,利用边缘计算终端设备内部的采集模块采集其他台区和待测台区的某历史时间段不同时刻的电气特征参数和线损率作为历史数据;
S2:对历史数据中的台区的电气特征参数做标准化处理;
S3:通过AP聚类算法对台区的历史数据中的电气特征参数数据进行聚类,计算电气特征参数数据之间的相似度并设置阻尼系数,得到多个类簇;
S4:选取与待测时刻的电气特征参数同一类簇的历史数据作为云平台预测模型的训练样本数据集,在云平台内通过BP神经网络对数据集进行训练,得到台区线损率预测模型;
S5:将训练完成的预测模型移植到边缘计算终端设备,通过边缘计算终端设备内部的采集模块采集待测台区待测时刻的电气特征参数,通过台区线损率预测模型进行预测,得出实时预测的线损率;
S6:将预测出的实时线损率与该台区的理论线损率进行对比,计算误差率,误差率大于5%时则判定该台区线损率异常,然后通过边缘计算终端设备发送告警信息到运维人员;
S7:通过采集的台区历史数据以及实时预测的线损率,在云平台对预测模型进行深入训练,并定期对边缘设备的预测模型进行更新,保证边缘计算终端设备预测模型的准确率。
所述步骤S2中标准化处理方法为:设台区个数为N,每个台区的电气特征参数为M个,N个台区样本的台区电气特征参数组成台区电气特征向量X,有:
其中,xij为台区电气特征向量X的第i行、第j列元素,i=1,2,…,N,j=1,2,…,M;
对台区电气特征参数进行标准化处理,有:
所述步骤S3中聚类的方法为用吸引度矩阵R和归属度矩阵A在历史数据的数据点之间交换信息,不断迭代更新两个信息矩阵,直到迭代结束,公式如下:
式中,r(i,j)与a(i,j)分别为i点与j点之间的吸引度矩阵和归属度矩阵;s(i,j)为i点与j点之间的相似度,
每次迭代都加上一个阻尼系数λ,λ∈(0,1),有:
所述步骤S4包括以下步骤,
S4.1:构建BP神经网络模型
BP神经网络模型包括输入层、隐含层和输出层,各层之间的传递函数f(a)采用logsig函数,有:
其中a为各层之间的传递函数f(a)的自变量,0<f(a)<1;
S4.2:利用BP神经网络模型对Zij和di进行学习训练,di为第i个台区的台区线损率,将台区电气特征参数输入BP神经网络模型中,计算台区线损率d。
所述步骤S4.2中,对于任意一台区,设台区的电气特征参数为N个,因此神经网络的输入层有N个BP神经元,设输入层的输入向量为Zr=(Z1,Z2,…,Zn,…,ZN)T,隐含层的输出向量为Yr=(Y1,Y2,…,YP,…,YP)T,输出层的输出向量为Or=(O1,O2,…,Ol,…,OL)T,期望输出向量为dr=(d1,d2,…,dl,…,dL)T。其中,T表示转置,Zn为输入层的第n个BP神经元,YP为隐含层的第p个BP神经元,Ol为输出层的第l个BP神经元,dl为第l个期望输出值,P为隐含层的BP神经元个数,L为输出层的BP神经元个数。
利用BP神经网络模型对Zij和di进行学习训练的正向传播过程如下:
输出误差e为:
式中,wmp为输入层到隐含层的权值,bmp为输入层到隐含层的阈值,wpl和bpl分别为隐含层到输出层的权值和阈值。
在第n+1次的迭代过程中,e按泰勒公式展开,得到公式如下:
e(w(n+1))=e(w(n))+gT(n)Δw(n)+0.5ΔwT(n)A(n)Δw(n)
其中,w(n)为第n次迭代过程中的权值,e(w(n))为第n次迭代过程中的输出误差;w(n+1)为第n+1次迭代过程中的权值,e(w(n+1))为第n+1次迭代过程中输出误差;gT(n)为梯度向量,T表示转置;Δw(n)为第n+1与第n次迭代过程中权值的变化量,即Δw(n)=w(n+1)-w(n),当Δw(n)=-A-1(n)g(n)时,e(w(n+1))取得最小值;A(n)为Hessian矩阵;
采用LM算法对BP神经网络进行优化,将Hessian矩阵A(n)表示为:
A(n)=JTJ
式中,J为雅克比矩阵;
梯度向量g(n)表示为:
g(n)=JTe
w(n+1)采用下式修正:
w(n+1)=w(n)-[JTJ+μI]-1JTe
式中,I为单位向量,μ为常数;
同理,第n+1次迭代过程中的阈值b(n+1)用下式修正:
b(n+1)=b(n)-[JTJ+μI]-1JTe
其中,b(n)为第n次迭代过程中的阈值。
所述步骤6中理论线损率及误差率的计算公式为
本发明的有益效果为:通过边缘计算技术将计算分析功能扩展至网络边缘具备一定计算能力的设备,将训练完成的模型载入边缘计算终端设备中,并定期对训练模型进行更新,从而分担数据中心负担,具有延时低、支持物理分布计算、适合实时分析和优化决策等特点,使用边缘计算终端设备计算台区线损率,识别线损异常的台区,可以方便运维人员进行管理,节省了大量的人力、物力、财力。
附图说明
图1是本发明的流程图。
图2为本发明实施例中云中心训练模型流程示意图。
图3为本发明实施例中AP聚类算法的流程图。
图4为本发明实施例中BP神经网络模型结构示意图。
图5为本发明实施例中线损率预测结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述。基于本发明中的实施例,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,都属于本发明保护的范围。
如图1所示,本发明包括以下步骤:
S1:在台区内安装边缘计算终端设备,利用边缘计算终端设备内部的采集模块采集其他台区和待测台区的某历史时间段不同时刻的电气特征参数和线损率作为历史数据;
对历史数据中台区电气特征参数进行标准化处理之前,先确定台区电气特征参数;台区电气特征参数包括反映网架结构的参数和与负荷相关的参数;反映网架结构的参数包括供电半径、低压线路总长度;与负荷相关的参数包括负载率。
选取某地区一组台区数据,其中10个台区的台区电气特征参数如表1:
表1:
电气特征指标是作为神经网络算法的输入,各参数具有不同的单位和量级,对于神经网络算法来说只能区分数据数值的大小,并不能反映出数据的单位。为了更好的应用上述算法,需要消除各参数间不同单位和量级对数值的影响。而数据的标准化就是将数据按比例缩放,使之落入一个小的特定区间去除数据的单位限制,将其转化为无量纲的纯数值。
S2:对历史数据中的台区的电气特征参数做标准化处理;
所述步骤S2中标准化处理方法为:设台区个数为N,每个台区的电气特征参数为M个,N个台区样本的台区电气特征参数组成台区电气特征向量X,有:
其中,xij为台区电气特征向量X的第i行、第j列元素,i=1,2,…,N,j=1,2,…,M;
对台区电气特征参数进行标准化处理,有:
对台区的电气特征参数进行标准化处理,结果如表2:
表2
台区 | 供电半径R/米 | 低压线路总长度D/米 | 负载率L/% |
1 | -0.78757 | -0.703 | 0.989197 |
2 | -0.75876 | -0.68834 | 0.662709 |
3 | -0.83943 | -0.68101 | 0.288615 |
4 | -0.80486 | -0.22361 | 0.193892 |
5 | -0.72996 | -0.1569 | -0.71134 |
6 | -0.88552 | -0.29544 | -0.66568 |
7 | -0.93738 | -0.34162 | -0.6729 |
8 | -0.86248 | -0.27492 | -0.59901 |
9 | -0.78181 | -0.20308 | -0.42171 |
10 | -0.73572 | -0.16203 | -0.56324 |
S3:通过AP聚类算法对台区的历史数据中的电气特征参数数据进行聚类,计算电气特征参数数据之间的相似度并设置阻尼系数,得到多个类簇;
所述步骤S3中聚类的方法为用吸引度矩阵R和归属度矩阵A在历史数据的数据点之间交换信息,不断迭代更新两个信息矩阵,直到迭代结束,公式如下:
式中,r(i,j)与a(i,j)分别为i点与j点之间的吸引度矩阵和归属度矩阵;s(i,j)为i点与j点之间的相似度,
每次迭代都加上一个阻尼系数λ,λ∈(0,1),有:
在云中心通过AP聚类算法对得到的台区历史电气特征参数进行聚类,本实施例中,设定bi和bj为历史数据中不同台区被聚类的数据,数据点bi和bj之间的相似度为S(i,j)=-(bi-bj)2,设置阻尼系数λ=0.55,最大迭代次数585,图3所示为AP聚类算法流程示意图,得到聚类数为2,即得到2个高质量的聚类中心,选择其中与待测台区同类簇的数据集作为神经网络训练集,其同类簇原数据集如表3。
表3
台区 | 供电半径R/米 | 低压线路总长度D/米 | 负载率L/% |
1 | 216 | 467 | 42.69 |
2 | 256 | 496 | 59.37 |
3 | 189 | 453 | 65.31 |
4 | 201 | 498 | 43.56 |
5 | 236 | 560 | 40.28 |
6 | 209 | 598 | 39.65 |
7 | 266 | 689 | 55.23 |
S4:选取与待测时刻的电气特征参数同一类簇的历史数据作为云平台预测模型的训练样本数据集,在云平台内通过BP神经网络对数据集进行训练,得到台区线损率预测模型;
所述步骤S4包括以下步骤,
S4.1:构建BP神经网络模型
BP神经网络模型包括输入层、隐含层和输出层,各层之间的传递函数f(a)采用logsig函数,有:
其中a为各层之间的传递函数f(a)的自变量,0<f(a)<1;
S4.2:利用BP神经网络模型对Zij和di进行学习训练,di为第i个台区的台区线损率,将台区电气特征参数输入BP神经网络模型中,计算台区线损率d。
所述步骤S4.2中,对于任意一台区,设台区的电气特征参数为N个,因此神经网络的输入层有N个BP神经元,设输入层的输入向量为Zr=(Z1,Z2,…,Zn,…,ZN)T,隐含层的输出向量为Yr=(Y1,Y2,…,YP,…,YP)T,输出层的输出向量为Or=(O1,O2,…,Ol,…,OL)T,期望输出向量为dr=(d1,d2,…,dl,…,dL)T。其中,T表示转置,Zn为输入层的第n个BP神经元,YP为隐含层的第p个BP神经元,Ol为输出层的第l个BP神经元,dl为第l个期望输出值,P为隐含层的BP神经元个数,L为输出层的BP神经元个数。
利用BP神经网络模型对Zij和di进行学习训练的正向传播过程如下:
输出误差e为:
式中,wmp为输入层到隐含层的权值,bmp为输入层到隐含层的阈值,wpl和bpl分别为隐含层到输出层的权值和阈值。
在第n+1次的迭代过程中,e按泰勒公式展开,得到公式如下:
e(w(n+1))=e(w(n))+gT(n)Δw(n)+0.5ΔwT(n)A(n)Δw(n)
其中,w(n)为第n次迭代过程中的权值,e(w(n))为第n次迭代过程中的输出误差;w(n+1)为第n+1次迭代过程中的权值,e(w(n+1))为第n+1次迭代过程中输出误差;gT(n)为梯度向量,T表示转置;Δw(n)为第n+1与第n次迭代过程中权值的变化量,即Δw(n)=w(n+1)-w(n),当Δw(n)=-A-1(n)g(n)时,e(w(n+1))取得最小值;A(n)为Hessian矩阵;
采用LM算法对BP神经网络进行优化,将Hessian矩阵A(n)表示为:
A(n)=JTJ
式中,J为雅克比矩阵;
梯度向量g(n)表示为:
g(n)=JTe
w(n+1)采用下式修正:
w(n+1)=w(n)-[JTJ+μI]-1JTe
式中,I为单位向量,μ为常数;
同理,第n+1次迭代过程中的阈值b(n+1)用下式修正:
b(n+1)=b(n)-[JTJ+μI]-1JTe
其中,b(n)为第n次迭代过程中的阈值。
S5:将训练完成的预测模型移植到边缘计算终端设备,通过边缘计算终端设备内部的采集模块采集待测台区待测时刻的电气特征参数,通过台区线损率预测模型进行预测,得出实时预测的线损率;
对10个台区进行计算,台区线损率的实际值、估计值和误差如表4,
表4
台区 | 供电量/kWh | 售电量/kWh | 实际线损率/% | 线损率估计值/% | 误差率/% |
1 | 136795 | 128954 | 5.7319346 | 5.669752 | 1.0848 |
2 | 145987 | 136541 | 6.4704391 | 6.284695 | 2.8707 |
3 | 168975 | 158562 | 6.1624501 | 5.997823 | 2.6715 |
4 | 123689 | 115659 | 6.492089 | 6.371189 | 1.8623 |
5 | 289623 | 278964 | 3.6803016 | 3.589452 | 2.4685 |
6 | 375698 | 365987 | 2.5847888 | 2.468523 | 4.4981 |
7 | 445698 | 432139 | 3.0421945 | 2.991548 | 1.6648 |
8 | 597856 | 572364 | 4.263903 | 4.095689 | 3.9451 |
9 | 372698 | 362326 | 2.7829503 | 2.531536 | 9.0341 |
10 | 678954 | 639627 | 5.7922923 | 5.632512 | 2.7585 |
S6:将预测出的实时线损率与该台区的理论线损率进行对比,计算误差率,误差率大于5%时则判定该台区线损率异常,然后通过边缘计算终端设备发送告警信息到运维人员;
所述步骤6中理论线损率及误差率的计算公式为
如表5、图5所示本方法相比传统神经网络预测模型所得的台区线损率预测结果精度更高,并且本方法定期对边缘计算终端设备中的预测模型进行优化更新,预测精度较高,具有实际运用价值。
表5
台区 | 实际线损率/% | 传统线损率估计值/% | 误差率/% |
1 | 5.7319346 | 5.577921 | 2.686939 |
2 | 6.4704391 | 6.215689 | 3.937138 |
3 | 6.1624501 | 5.936824 | 3.661305 |
4 | 6.492089 | 6.325463 | 2.566601 |
5 | 3.6803016 | 3.436541 | 6.623387 |
6 | 2.5847888 | 2.410035 | 6.760854 |
7 | 3.0421945 | 2.796523 | 8.075470 |
8 | 4.263903 | 4.036875 | 5.324418 |
9 | 2.7829503 | 2.436985 | 12.431602 |
10 | 5.7922923 | 5.578965 | 3.682951 |
S7:通过采集的台区历史数据以及实时预测的线损率,在云平台对预测模型进行深入训练,并定期对边缘设备的预测模型进行更新,保证边缘计算终端设备预测模型的准确率。
通过边缘计算技术将计算分析功能扩展至网络边缘具备一定计算能力的设备,将训练完成的模型载入边缘计算终端设备中,并定期对训练模型进行更新,从而分担数据中心负担,具有延时低、支持物理分布计算、适合实时分析和优化决策等特点,使用边缘计算终端设备计算台区线损率,识别线损异常的台区,可以方便运维人员进行管理,节省了大量的人力、物力、财力。
Claims (5)
1.一种基于边缘计算的台区线损率预测方法,其特征在于,包括以下步骤:
S1:在台区内安装边缘计算终端设备,利用边缘计算终端设备内部的采集模块采集其他台区和待测台区的某历史时间段不同时刻的电气特征参数和线损率作为历史数据;
S2:对历史数据中的台区的电气特征参数做标准化处理;
S3:通过AP聚类算法对台区的历史数据中的电气特征参数数据进行聚类,计算电气特征参数数据之间的相似度并设置阻尼系数,得到多个类簇;
S4:选取与待测时刻的电气特征参数同一类簇的历史数据作为云平台预测模型的训练样本数据集,在云平台内通过BP神经网络对数据集进行训练,得到台区线损率预测模型;
S5:将训练完成的预测模型移植到边缘计算终端设备,通过边缘计算终端设备内部的采集模块采集待测台区待测时刻的电气特征参数,通过台区线损率预测模型进行预测,得出实时预测的线损率;
S6:将预测出的实时线损率与该台区的理论线损率进行对比,计算误差率,误差率大于5%时则判定该台区线损率异常,然后通过边缘计算终端设备发送告警信息到运维人员;
S7:通过采集的台区历史数据以及实时预测的线损率,在云平台对预测模型进行深入训练,并定期对边缘设备的预测模型进行更新,保证边缘计算终端设备预测模型的准确率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377652.2A CN111723839B (zh) | 2020-05-07 | 2020-05-07 | 一种基于边缘计算的台区线损率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010377652.2A CN111723839B (zh) | 2020-05-07 | 2020-05-07 | 一种基于边缘计算的台区线损率预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111723839A CN111723839A (zh) | 2020-09-29 |
CN111723839B true CN111723839B (zh) | 2022-11-25 |
Family
ID=72564252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010377652.2A Active CN111723839B (zh) | 2020-05-07 | 2020-05-07 | 一种基于边缘计算的台区线损率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111723839B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113177652A (zh) * | 2020-10-16 | 2021-07-27 | 上海交通大学 | 一种光伏出力预测方法 |
CN112649642A (zh) * | 2020-12-14 | 2021-04-13 | 广东电网有限责任公司广州供电局 | 一种窃电位置判断方法、装置、设备和存储介质 |
CN113269462A (zh) * | 2021-06-08 | 2021-08-17 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 基于边缘计算的台区线损计算方法 |
CN114638290B (zh) * | 2022-03-07 | 2024-04-30 | 廖彤 | 基于边缘计算和bp神经网络的环境监测仪器故障预测方法 |
CN116930667A (zh) * | 2023-09-15 | 2023-10-24 | 广东电网有限责任公司 | 一种台区电网边缘测试方法、装置、设备及存储介质 |
CN117706282A (zh) * | 2024-02-06 | 2024-03-15 | 国网安徽省电力有限公司营销服务中心 | 台区分时分相线损监控方法和*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106127387A (zh) * | 2016-06-24 | 2016-11-16 | 中国电力科学研究院 | 一种基于bp神经网络的台区线损率评估方法 |
CN110348713A (zh) * | 2019-06-28 | 2019-10-18 | 广东电网有限责任公司 | 一种基于关联性分析和数据挖掘的台区线损计算方法 |
CN110782181A (zh) * | 2019-11-05 | 2020-02-11 | 国网重庆市电力公司电力科学研究院 | 一种低压台区线损率的计算方法及可读存储介质 |
-
2020
- 2020-05-07 CN CN202010377652.2A patent/CN111723839B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111723839A (zh) | 2020-09-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111723839B (zh) | 一种基于边缘计算的台区线损率预测方法 | |
WO2021238505A1 (zh) | 基于联邦学习的区域光伏功率概率预测方法及协同调控*** | |
CN108694467B (zh) | 一种对配电网线损率进行预测的方法及*** | |
US20190265768A1 (en) | Method, system and storage medium for predicting power load probability density based on deep learning | |
CN103105246A (zh) | 一种基于遗传算法改进的bp神经网络的温室环境预测反馈方法 | |
CN107274067B (zh) | 一种配电变压器过载风险评估方法 | |
CN109002781B (zh) | 一种储能变流器故障预测方法 | |
CN111736084A (zh) | 基于改进lstm神经网络的阀控铅酸蓄电池健康状态预测方法 | |
CN109995031B (zh) | 基于物理模型的概率潮流深度学习计算方法 | |
CN109978253B (zh) | 一种基于增量学习的电力***短期负荷预测方法 | |
CN113139341B (zh) | 基于联邦集成学习的电量需求预测方法和*** | |
CN108182490A (zh) | 一种大数据环境下的短期负荷预测方法 | |
CN112990500A (zh) | 基于改进加权灰色关联分析的台区线损分析方法及*** | |
CN111525587A (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
CN113471982A (zh) | 云边协同与电网隐私保护的分布式电源就地电压控制方法 | |
CN113705086A (zh) | 一种基于Elman误差修正的超短期风电功率预测方法 | |
CN110808581A (zh) | 一种基于dbn-svm的主动配电网电能质量预测方法 | |
CN115879602A (zh) | 一种基于瞬变气象的超短期光伏出力预测方法 | |
CN114777192A (zh) | 基于数据关联和深度学习的二级网供热自主优化调控方法 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN114745725A (zh) | 一种基于边缘计算工业物联网的资源分配管理*** | |
CN113139698A (zh) | 负荷预测方法、装置及设备 | |
CN110489893B (zh) | 一种基于可变权值的母线负荷预测方法及*** | |
CN112363012A (zh) | 一种电网故障预警装置及方法 | |
CN117076887A (zh) | 一种泵站机组运行状态预测和健康评估方法及*** |
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 |