CN112085156A - 一种分压线损率预测及降损潜力评估方法及*** - Google Patents

Abstract

本发明公开了一种分压线损率预测及降损潜力评估方法及***，包括以下步骤：获取电网的运行数据，包括发售电量统计、输电线路参数和变压器参数，建立不同电压等级的线损率影响因素指标体系；采用箱线图排除原始数据中的异常值，并通过多月累加的方法得到新样本；把处理过得到的新样本数据，输入事先训练好的线损率预测模型中，得到电网分压线损率的预测值，即对分压线损率预测及降损潜力进行评估。本发明提出的分压线损率预测及降损潜力评估方法及***，根据电压等级的不同，量化线路长度、变压器容量等因素对线损率的影响程度，充分挖掘电网的降损潜力，为电网未来的降损工作提出了合理建议和科学理论指导。

Description

一种分压线损率预测及降损潜力评估方法及***

技术领域

本发明涉及电力***技术领域，具体涉及一种分压线损率预测及 降损潜力评估方法及***。

背景技术

节能降损工作是响应国家建设节约型社会的具体行动，也是电网 公司提高企业经营效益的内在要求。节能降损有助于合理利用能源， 提高能源利用效率和经济效率，降低能源损耗，保护环境，是电网公 司社会责任和企业责任的集中体现。电网降损规划是在建设网架坚强、 电网协调发展、结构优化、电力供应充足的同时，合理的采取各种切 实可行的有效的节能降损措施，尽可能的减小线损，降低损耗，提升 电网供电可靠性及电力企业的经验效益。

然而，理论线损计算以大负荷日实测的数据为基础(SCADA和用 采***等数据)，基于潮流计算和等值电阻法等来计算真实的线路损耗 和变压器损耗，工作量巨大且计算值与统计线损存在偏差，同时线损 率与各类影响因素间存在复杂的非线性关系，不同因素对线损率的影 响程度各不相同，定性的分析不足以指导实际的线损管理工作，研究 如何确定影响线损率的关键因素并量化其降损潜力，对于提高电网节 能降损工作的效率及经济性具有重要意义。考虑到线损率与及影响因 素间的关系难以通过解析的方式进行描述，有研究将回归分析法应用 于低压台区线损率的计算，但是回归方程难以确定，计算准确度低。

近年来，机器学习理论的发展与应用为线损率计算提供了新的途 径。采用机器学习的方法无须建立反映实际物理机理的数学模型，可 以利用机器学习模型强大的自学能力、推广能力以及非线性处理能力 来挖掘线损率与特征参数之间的关系。

发明内容

本发明提出的一种分压线损率预测及降损潜力评估方法及***， 可解决上述背景技术的不足。

为实现上述目的，本发明采用了以下技术方案：

一种分压线损率预测及降损潜力评估方法，包括以下步骤，

S100、获取电网的运行数据，包括发售电量统计、输电线路参数 和变压器参数，建立不同电压等级的线损率影响因素指标体系；

S200、采用箱线图排除原始数据中的异常值，并通过多月累加的 方法得到新样本；

S300、把处理过得到的新样本数据，输入事先训练好的线损率预 测模型中，得到电网分压线损率的预测值，即对分压线损率预测及降 损潜力进行评估。

进一步的，还包括S400、改变输入模型数据的取值范围，进行灵 敏度分析，评估各降损措施的降损潜力。

进一步的，所述S100、获取电网的运行数据，包括发售电量统计、 输电线路参数和变压器参数，建立不同电压等级的线损率影响因素指 标体系；

包括：

建立不同电压等级的线损率影响因素指标体系，以国家电网的“规 划计划信息管理平台”样本数据的月度线损率报表为基础，选用的原始 表格及关键特征包括：

“公司分压线损统计表”：电厂上网电量、转入电量、转出外省电 量、售电量；

“35kV及以上线路情况”：线路总条数、线路总长度、20年及以上 线路条数及长度；

“变压器情况”：变压器总台数、变压器总容量、20年及以上变压 器台数及容量；

“新能源电厂并网运行情况表”：风、光以及其他新能源的上网电 量；

通过“公司分压线损统计表”计算线损率y表示为：

式中，Q₁为电厂上网电量；Q₂为转入电量；Q₃为转出省外电量；Q₄为售电量。

进一步的，所述S200、采用箱线图排除原始数据中的异常值，并 通过多月累加的方法得到新样本；

包括：

采用箱线图排除原始数据中的异常值，箱线图定义了异常值的数 值范围是[下四位数-1.5*四分位数间距，上四分位数+1.5*四分位数间 距]，对检测出的异常数据进行剔除；

采用多月累加的方式对原始样本进行数据处理，从而得到新样本。

进一步的，S300所述线损率预测模型的训练步骤如下：

根据输入***的样本，以实际线损率与预测线损率的误差最小为 目标训练BP神经网络的连接权值、偏置相关网络参数，具体如下：

建立训练集D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，

测试集 共有m个样本，每个样本的输入有d个特征，输出为1维实值向量； 输出层神经元的阈值为θ＝{θ₁，θ₂，...，θ_l}，隐藏层的阈值为 δ＝{δ₁，δ₂，...，δ_q}，输入层第i个神经元与隐藏层第h个神经元的连接权 值为v_ih，隐藏层第h个神经元与输出层第j个神经元之间的连接权值 为w_hj，隐藏层和输出层神经元都选用sigmoid函数作为传递函数，表 示为：

对于第k个输入样本(x_k，y_k)：

隐藏层第h个神经元接收到的净输入ak h和输出Ak h分别为：

输出层第j个神经元从隐藏层接收到的净输入和输出分别为：

该神经网络在输入样本(x_k，y_k)上的均方误差为：

通过误差反向传播算法采用梯度下降的策略通过不断迭代对网络 进行训练，使得网络输出与期望的输出间的误差E_k最小，以隐藏层到 输出层的连接权值w_hj为例进行具体推导：

以目标函数的负梯度方向对参数进行调整，目标函数是网络输出 与期望输出的误差，即：

w_h，j←w_h，j-ηΔw_h，j

式中，η表示学习率，取值范围为0到1，用于控制算法每一轮迭 代中的更新步长，若太大则会发生振荡，太小则影响训练的收敛速度；

根据链式求导法则，误差E_k对w_hj的梯度表示为：

由于

Sigmoid函数作为传递函数满足：

f′(x)＝f(x)(1-f(x)) (11)

得到

最后得到参数w_hj的更新公式为：

同理得到输入层到隐藏层权值以及隐藏层、输出层偏置的更新公 式：

对于容量为m的样本集D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，对应的误 差为整个样本集中各样本误差的和：

各参数更新时的负梯度为所有样本负梯度的和，即：

选取实际线损率与BP神经网络输出预测线损率的平均绝对百分 误差e_MAPE作为评价预测效果的依据：

式中，

和y_i分别表示测试集中第i个样本的预测线损率和实际线 损率，M表示测试集中样本的总数；

一次训练集和测试集划分得到的性能指标可能具有特异性，为此 这里重复20次实验，每次随机选取训练集和测试集，将20次实验的 e_MAPE的平均值作为预测模型的性能评价指标。

进一步的，所述S300、把处理过得到的新样本数据，输入事先训 练好的线损率预测模型中，得到电网分压线损率的预测值，即对分压 线损率预测及降损潜力进行评估；

包括：

假设各电压等级与外省的电量输送情况基本不变，即转入电量和 转出外省电量不变，电厂上网电量的年增长率为η，则该电压等级的负 荷功率P_load为：

式中，Q₁为电厂上网电量；Q₂为转入电量；Y_max为年最大负荷利用 小时数；根据电网投资期望容载比和负荷功率确定新建变电站的总容 量P_new，并假设变电站的平均容量基本不变，进而确定新建变电站的 座数N₁：

P_new＝N₁·P_mean (24)

式中，K为期望容载比；P_last为上一年变电站容量；P_mean为变电站 平均容量；[.]为向上取整函数；

假设各年每回线路输送的平均功率及该电压等级线路的平均长度 保持不变，进而确定新建线路的条数N₂及长度l_new：

l_new＝N₂·l_mean (26)

式中，P_line为单回线路平均输送功率；l_mean为线路平均长度；

将预测的上网电量、线路条数、变电站容量等参数输入分压线损 率预测模型中，得到电网未来的分压线损率。

进一步的，所述S400、改变输入模型数据的取值范围，进行灵敏 度分析，评估各降损措施的降损潜力；包括：

基于灵敏度分析方法给出各电压等级线损率的关键影响因素，针 对模型y＝f(x₁,x₂,...,x_i)，x_i为模型的第i个输入属性值，令每个输入属 性值在可能的取值范围内变动，确定这些输入属性的变动对模型输出 值的影响程度。

另一方面，本发明还公开一种分压线损率预测及降损潜力评估系 统，包括以下单元：

指标体系单元，用于获取电网的运行数据，包括发售电量统计、 输电线路参数和变压器参数，建立不同电压等级的线损率影响因素指 标体系；

新样本处理单元，用于采用箱线图排除原始数据中的异常值，并 通过多月累加的方法得到新样本；

预测评估单元，用于把处理过得到的新样本数据，输入事先训练 好的线损率预测模型中，得到电网分压线损率的预测值，即对分压线 损率预测及降损潜力进行评估。

进一步的，还包括：

灵敏度分析单元，用于改变输入模型数据的取值范围，进行灵敏 度分析，评估各降损措施的降损潜力。

进一步的，还包括以下子单元：

线损率预测模型的训练单元，用于根据输入***的样本，以实际 线损率与预测线损率的误差最小为目标训练BP神经网络的连接权值、 偏置相关网络参数。

由上述技术方案可知，本发明的分压线损率预测及降损潜力评估 方法及***，针对当前电网输入电量与输出电量的结算不同步导致线 损计算不准确，线损率与及影响因素间的关系难以建模，电网的降损 潜力难以定量评估等一系列问题，本申请的一种分压线损率预测及降 损潜力评估方法，通过多月累加的数据处理方法，解决了输入电量与 输出电量的结算不同步的问题；通过建立基于BP神经网络的线损率预 测模型，无须建立反映实际物理机理的数学模型，解决了线损率与及 影响因素间的关系难以通过解析的方式进行描述的技术难题；通过预 测模型对影响线损率的各项因素进行灵敏度分析，解决了电网的降损 潜力难以定量评估的技术难题。

本发明提出的分压线损率预测及降损潜力评估方法及***，根据 电压等级的不同，量化线路长度、变压器容量等因素对线损率的影响 程度，充分挖掘电网的降损潜力，为电网未来的降损工作提出了合理 建议和科学理论指导。

附图说明

图1为本发明方法的总流程图；

图2为分压线损率影响指标体系图；

图3为同期***月度分压电量传导关系图；

图4为500kV原始数据箱线图；

图5为多月累加数据处理原理图；

图6为BP神经网络结构图；

图7为基于BP神经网络的线损率预测模型参数训练图；

图8为本实施例500kV线损率预测结果；

图9为分压线损率预测结果；

图10为500kV线损率随各影响因素变化情况。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，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，显然，所描述的实施例是本发明一部分实施例，而不是 全部的实施例。

如图1所示，本实施例所述的分压线损率预测及降损潜力评估方 法，包括：

针对当前电网输入电量与输出电量的结算不同步导致线损计算不 准确，线损率与及影响因素间的关系难以建模，电网的降损潜力难以 定量评估等一系列问题，本发明提出了一种分压线损率预测及降损潜 力评估方法，该方法如图1所示，主要包括如下4个步骤：

S100、获取电网的运行数据，包括发售电量统计、输电线路参数 和变压器参数，建立不同电压等级的线损率影响因素指标体系；

S200、采用箱线图排除原始数据中的异常值，并通过多月累加的 方法得到新样本；

S300、把处理过得到的新样本数据，输入事先训练好的线损率预 测模型中，得到电网分压线损率的预测值，即对分压线损率预测及降 损潜力进行评估。

还包括S400、改变输入模型数据的取值范围，进行灵敏度分析， 评估各降损措施的降损潜力。

以下针对上述步骤，具体说明：

1)建立不同电压等级的线损率影响因素指标体系，采用箱线图排 除原始数据中的异常值，采用多月累加的方法得到新样本；

建立不同电压等级的线损率影响因素指标体系，以国家电网的“规 划计划信息管理平台”样本数据的月度线损率报表为基础，选用的原始 表格及关键特征包括：

“公司分压线损统计表”：电厂上网电量、转入电量、转出外省电 量、售电量；

“35kV及以上线路情况”：线路总条数、线路总长度、20年及以上 线路条数及长度；

“变压器情况”：变压器总台数、变压器总容量、20年及以上变压 器台数及容量；

“新能源电厂并网运行情况表”：风、光以及其他新能源的上网电 量。

通过“公司分压线损统计表”计算线损率y表示为：

式中，Q₁为电厂上网电量；Q₂为转入电量；Q₃为转出省外电量；Q₄为售电量。

采用箱线图排除原始数据中的异常值，箱线图定义了异常值的数 值范围是[下四位数-1.5*四分位数间距，上四分位数+1.5*四分位数间 距]，对检测出的异常数据进行剔除。

为了减小由于抄表不同期带来的误差，采用多月累加的方式对原 始样本进行数据处理，从而得到新样本，除首、尾两月外，其他各月供、 售电抄表不同步对线损率虚增或虚降的影响相互抵消。

2)根据输入***的样本，以实际线损率与预测线损率的误差最小 为目标训练BP神经网络的连接权值、偏置等网络参数；

建立训练集D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，

测试集 共有m个样本，每个样本的输入有d个特征，输出为1维实值向量。 输出层神经元的阈值为θ＝{θ₁，θ₂，...，θ_l}，隐藏层的阈值为 δ＝{δ₁，δ₂，...，δ_q}，输入层第i个神经元与隐藏层第h个神经元的连接权 值为v_ih，隐藏层第h个神经元与输出层第j个神经元之间的连接权值 为w_hj，隐藏层和输出层神经元都选用sigmoid函数作为传递函数，表 示为

对于第k个输入样本(x_k，y_k)：

隐藏层第h个神经元接收到的净输入

和输出

分别为：

输出层第j个神经元从隐藏层接收到的净输入和输出分别为：

该神经网络在输入样本(x_k，y_k)上的均方误差为：

通过误差反向传播算法采用梯度下降的策略通过不断迭代对网络 进行训练，使得网络输出与期望的输出间的误差E_k最小，以隐藏层到 输出层的连接权值w_hj为例进行具体推导：

以目标函数的负梯度方向对参数进行调整，目标函数是网络输出 与期望输出的误差，即：

w_h，j←w_h，j-ηΔw_h，j

式中，η表示学习率，取值范围为0到1，用于控制算法每一轮迭 代中的更新步长，若太大则会发生振荡，太小则影响训练的收敛速度。

根据链式求导法则，误差E_k对w_hj的梯度可以表示为：

由于

Sigmoid函数作为传递函数满足：

f′(x)＝f(x)(1-f(x)) (11)

得到

最后得到参数w_hj的更新公式为：

同理得到输入层到隐藏层权值以及隐藏层、输出层偏置的更新公 式：

对于容量为m的样本集D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，对应的误 差为整个样本集中各样本误差的和：

各参数更新时的负梯度为所有样本负梯度的和，即：

选取实际线损率与BP神经网络输出预测线损率的平均绝对百分误 差e_MAPE作为评价预测效果的依据：

式中，

和y_i分别表示测试集中第i个样本的预测线损率和实际线损 率，M表示测试集中样本的总数。

一次训练集和测试集划分得到的性能指标可能具有特异性，为此这 里重复20次实验，每次随机选取训练集和测试集，将20次实验的e_MAPE的平均值作为预测模型的性能评价指标。

3)对于输入线损率预测模型的影响因素进行灵敏度分析，预测未 来上网电量、线路数量、变电站容量等参数，输入模型得到未来线损 率的预测值；

基于灵敏度分析方法给出各电压等级线损率的关键影响因素，针 对模型y＝f(x₁，x₂，...，x_i)(x_i为模型的第i个输入属性值)，令每个输入 属性值在可能的取值范围内变动，研究这些输入属性的变动对模型输 出值的影响程度。

假设各电压等级与外省的电量输送情况基本不变，即转入电量和 转出外省电量不变，电厂上网电量的年增长率为η，则该电压等级的负 荷功率P_load为：

式中，Q₁为电厂上网电量；Q₂为转入电量；T_max为年最大负荷利用 小时数。根据电网投资期望容载比和负荷功率可以确定新建变电站的 总容量P_new，并假设变电站的平均容量基本不变，进而可以确定新建 变电站的座数N₁：

P_new＝N₁·P_mean (24)

式中，K为期望容载比；P_last为上一年变电站容量；P_mean为变电站 平均容量；[.]为向上取整函数。

假设各年每回线路输送的平均功率及该电压等级线路的平均长度 保持不变，进而可以确定新建线路的条数N₂及长度l_new：

l_new＝N₂·l_mean (26)

式中，P_line为单回线路平均输送功率；l_mean为线路平均长度。

将预测的上网电量、线路条数、变电站容量等参数输入分压线损 率预测模型中，得到电网未来的分压线损率。

以下举例说明本发明实施例的具体应用：

以某地区对未来五年的分压线损率进行预测；

对于500kV主网，主要考虑电厂上网电量、转入电量、转出外省 电量以及电网设备等因素对该电压等级线损率的影响。以2016年为基 准年，社会总用电量的年增长率为5％，年最大负荷利用小时数取4000 小时，实际线损率、BP神经网络的输入变量和输出线损率由表1给出。

表1 2016年线损分析参数表

(1)模型参数优化

确定最优BP神经网络结构，以2016年的数据进行模型的训练， 表2给出了不同网络结构下的线损率预测性能。

表2不同网络结构下500kV线损率预测模型性能指标

根据表2，500kV线损预测模型的最优结构为四层，其中第1和第 2隐藏层的神经元数分别为15和5。在该结构下，选取一组训练集和 测试集，得到如图8所示的计算结果。

如图8所示，测试集共有15个样本，预测模型的平均百分误差为 0.8098％，说明该模型能够很好的根据上网电量、输入电量、转出外省 电量以及电网结构等数据对线损率做出预测。

采用与上述500kV电压等级相同的分析计算方法可以确定220kV、 110kV、35kV、10kV及以下各电压等级线损率预测模型的最佳BP神 经网络结构并计算其性能指标，如表3所示。

表3各电压等级最优预测模型

(2)分压线损率预测

根据上述方法可以获取未来10年各电压等级的BP神经网络预测模 型的输入数据，输入预测模型后，得到如图9所示的未来10年分压线 损率预测结果。

根据图9，与2016年相比，2022年的线损率将下降0.047％；220kV的线损率 呈现缓慢上升趋势，将达到0.94％且趋于平稳；110kV及35kV的线损率则呈现 先上升后下降的趋势，这主要受新能源渗透率变化的影响，前期新能源受负荷 需求和网架结构的影响难以全部就地消纳，存在倒送现象，线损将有所升高。 后期随着电网公司的投资建设，网架结构更趋合理，运行方式更加灵活，另一 方面，用电负荷的增长幅度大于新能源渗透率的增长幅度，110kV和35kV的新 能源就地消纳能力增强，有助于降损。

(3)灵敏度分析和降损潜力评估

基于前文建立的BP神经网络模型，保持其他参数不变，分别将表 中的电厂上网电量、转入电量、转出外省电量、线路总条数、20年及 以上线路长度、变压器容量以及20年及以上变压器容量调高 0.5％～10％，再次输入模型得到相应的线损率变化情况如图10所示。

以500kV为例可以看出各输入属性对线损率降损潜力的影响程度 从高到底依次为：转入电量、上网电量、转出外省电量、20年及以上 变压器容量、20年及以上线路长度、平均线路长度、变压器总容量。

另一方面，本发明还公开一种分压线损率预测及降损潜力评估系 统，包括以下单元：

指标体系单元，用于获取电网的运行数据，包括发售电量统计、 输电线路参数和变压器参数，建立不同电压等级的线损率影响因素指 标体系；

新样本处理单元，用于采用箱线图排除原始数据中的异常值，并 通过多月累加的方法得到新样本；

预测评估单元，用于把处理过得到的新样本数据，输入事先训练 好的线损率预测模型中，得到电网分压线损率的预测值，即对分压线 损率预测及降损潜力进行评估。

进一步的，还包括：

灵敏度分析单元，用于改变输入模型数据的取值范围，进行灵敏 度分析，评估各降损措施的降损潜力。

进一步的，还包括以下子单元：

线损率预测模型的训练单元，用于根据输入***的样本，以实际 线损率与预测线损率的误差最小为目标训练BP神经网络的连接权值、 偏置相关网络参数。

可理解的是，本发明实施例提供的***与本发明实施例提供的方 法相对应，相关内容的解释、举例和有益效果可以参考上述方法中的 相应部分。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系 统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全 软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请 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、CD-ROM、光学存储器等)上实 施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、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。

以上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。

Claims (10)

1.一种分压线损率预测及降损潜力评估方法，其特征在于：包括以下步骤，

S100、获取电网的运行数据，包括发售电量统计、输电线路参数和变压器参数，建立不同电压等级的线损率影响因素指标体系；

S200、采用箱线图排除原始数据中的异常值，并通过多月累加的方法得到新样本；

S300、把处理过得到的新样本数据，输入事先训练好的线损率预测模型中，得到电网分压线损率的预测值，即对分压线损率预测及降损潜力进行评估。

2.根据权利要求1所述的分压线损率预测及降损潜力评估方法，其特征在于：还包括S400、改变输入模型数据的取值范围，进行灵敏度分析，评估各降损措施的降损潜力。

3.根据权利要求1所述的分压线损率预测及降损潜力评估方法，其特征在于：所述S100、获取电网的运行数据，包括发售电量统计、输电线路参数和变压器参数，建立不同电压等级的线损率影响因素指标体系；

包括：

建立不同电压等级的线损率影响因素指标体系，以国家电网的“规划计划信息管理平台”样本数据的月度线损率报表为基础，选用的原始表格及关键特征包括：

“公司分压线损统计表”：电厂上网电量、转入电量、转出外省电量、售电量；

“35kV及以上线路情况”：线路总条数、线路总长度、20年及以上线路条数及长度；

“变压器情况”：变压器总台数、变压器总容量、20年及以上变压器台数及容量；

“新能源电厂并网运行情况表”：风、光以及其他新能源的上网电量；

通过“公司分压线损统计表”计算线损率y表示为：

式中，Q₁为电厂上网电量；Q₂为转入电量；Q₃为转出省外电量；Q₄为售电量。

4.根据权利要求3所述的分压线损率预测及降损潜力评估方法，其特征在于：所述S200、采用箱线图排除原始数据中的异常值，并通过多月累加的方法得到新样本；

包括：

采用箱线图排除原始数据中的异常值，箱线图定义了异常值的数值范围是[下四位数-1.5*四分位数间距，上四分位数+1.5*四分位数间距]，对检测出的异常数据进行剔除；

采用多月累加的方式对原始样本进行数据处理，从而得到新样本。

5.根据权利要求1所述的分压线损率预测及降损潜力评估方法，其特征在于：S300所述线损率预测模型的训练步骤如下：

根据输入***的样本，以实际线损率与预测线损率的误差最小为目标训练BP神经网络的连接权值、偏置相关网络参数，具体如下：

建立训练集D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，

测试集共有m个样本，每个样本的输入有d个特征，输出为l维实值向量；输出层神经元的阈值为θ＝{θ₁，θ₂，...，θ_l}，隐藏层的阈值为δ＝{δ₁，δ₂，...，δ_q}，输入层第i个神经元与隐藏层第h个神经元的连接权值为v_ih，隐藏层第h个神经元与输出层第j个神经元之间的连接权值为w_hj，隐藏层和输出层神经元都选用sigmoid函数作为传递函数，表示为：

对于第k个输入样本(x_k，y_k)：

隐藏层第h个神经元接收到的净输入ak h和输出Ak h分别为：

输出层第j个神经元从隐藏层接收到的净输入和输出分别为：

该神经网络在输入样本(x_k，y_k)上的均方误差为：

通过误差反向传播算法采用梯度下降的策略通过不断迭代对网络进行训练，使得网络输出与期望的输出间的误差E_k最小，以隐藏层到输出层的连接权值w_hj为例进行具体推导：

以目标函数的负梯度方向对参数进行调整，目标函数是网络输出与期望输出的误差，即：

w_h，j←w_h，j-ηΔw_h，j

式中，η表示学习率，取值范围为0到1，用于控制算法每一轮迭代中的更新步长，若太大则会发生振荡，太小则影响训练的收敛速度；

根据链式求导法则，误差E_k对w_hj的梯度表示为：

由于

Sigmoid函数作为传递函数满足：

f′(x)＝f(x)(1-f(x)) (11)

得到

最后得到参数w_hj的更新公式为：

同理得到输入层到隐藏层权值以及隐藏层、输出层偏置的更新公式：

对于容量为m的样本集D＝{(x₁，y₁)，(x₂，y₂)，...，(x_m，y_m)}，对应的误差为整个样本集中各样本误差的和：

各参数更新时的负梯度为所有样本负梯度的和，即：

选取实际线损率与BP神经网络输出预测线损率的平均绝对百分误差e_MAPE作为评价预测效果的依据：

式中，

和y_i分别表示测试集中第i个样本的预测线损率和实际线损率，M表示测试集中样本的总数；

重复20次实验，每次随机选取训练集和测试集，将20次实验的e_MAPE的平均值作为预测模型的性能评价指标。

6.根据权利要求1所述的分压线损率预测及降损潜力评估方法，其特征在于：所述S300、把处理过得到的新样本数据，输入事先训练好的线损率预测模型中，得到电网分压线损率的预测值，即对分压线损率预测及降损潜力进行评估；

包括：

假设各电压等级与外省的电量输送情况基本不变，即转入电量和转出外省电量不变，电厂上网电量的年增长率为η，则该电压等级的负荷功率P_load为：

式中，Q₁为电厂上网电量；Q₂为转入电量；T_max为年最大负荷利用小时数；根据电网投资期望容载比和负荷功率确定新建变电站的总容量P_new，并假设变电站的平均容量基本不变，进而确定新建变电站的座数N₁：

P_new＝N₁·P_mean (24)

式中，K为期望容载比；P_last为上一年变电站容量；P_mean为变电站平均容量；[.]为向上取整函数；

假设各年每回线路输送的平均功率及该电压等级线路的平均长度保持不变，进而确定新建线路的条数N₂及长度l_new：

l_new＝N₂·l_mean (26)

式中，P_line为单回线路平均输送功率；l_mean为线路平均长度；

将预测的上网电量、线路条数、变电站容量等参数输入分压线损率预测模型中，得到电网未来的分压线损率。

7.根据权利要求2所述的分压线损率预测及降损潜力评估方法，其特征在于：

所述S400、改变输入模型数据的取值范围，进行灵敏度分析，评估各降损措施的降损潜力；包括：

基于灵敏度分析方法给出各电压等级线损率的关键影响因素，针对模型y＝f(x₁,x₂,…,x_i)，x_i为模型的第i个输入属性值，令每个输入属性值在可能的取值范围内变动，确定这些输入属性的变动对模型输出值的影响程度。

8.一种分压线损率预测及降损潜力评估***，其特征在于，包括以下单元：

指标体系单元，用于获取电网的运行数据，包括发售电量统计、输电线路参数和变压器参数，建立不同电压等级的线损率影响因素指标体系；

新样本处理单元，用于采用箱线图排除原始数据中的异常值，并通过多月累加的方法得到新样本；

预测评估单元，用于把处理过得到的新样本数据，输入事先训练好的线损率预测模型中，得到电网分压线损率的预测值，即对分压线损率预测及降损潜力进行评估。

9.根据权利要求8的一种分压线损率预测及降损潜力评估***，其特征在于，还包括：

灵敏度分析单元，用于改变输入模型数据的取值范围，进行灵敏度分析，评估各降损措施的降损潜力。

10.根据权利要求8的一种分压线损率预测及降损潜力评估***，其特征在于，还包括以下子单元：

线损率预测模型的训练单元，用于根据输入***的样本，以实际线损率与预测线损率的误差最小为目标训练BP神经网络的连接权值、偏置相关网络参数。

Images