CN113095372A - 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 - Google Patents

一种基于鲁棒神经网络的低压台区线损合理区间计算方法 Download PDF

Info

Publication number
CN113095372A
CN113095372A CN202110302836.7A CN202110302836A CN113095372A CN 113095372 A CN113095372 A CN 113095372A CN 202110302836 A CN202110302836 A CN 202110302836A CN 113095372 A CN113095372 A CN 113095372A
Authority
CN
China
Prior art keywords
line loss
neural network
loss rate
layer
interval
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
Application number
CN202110302836.7A
Other languages
English (en)
Inventor
易永仙
邵雪松
周玉
崔高颖
吴伟将
张德进
仇新宇
蔡奇新
陈霄
李悦
马云龙
庞金鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Marketing Service Center, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202110302836.7A priority Critical patent/CN113095372A/zh
Publication of CN113095372A publication Critical patent/CN113095372A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
    • Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Public Health (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Power Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于，包括以下步骤：步骤1，基于用电信息采集***，提取所述用电台区中与线损率相关的特征量；步骤2，将所述特征量输入至循环神经网络中，通过所述循环神经网络计算出所述用电台区的线损率标杆值；步骤3，基于所述用电台区的线损率标杆值、所述用电台区的实际线损率获取线损误差和线损方差，并基于所述线损率标杆值、线损误差和线损方差确定所述用电台区的线损率合理区间。本发明中的方法，能够解决现有台区理论线损计算技术存在的数据要求高、实用性低的技术问题，从而为电网降低线损率，保证高效运行提供可靠依据。

Description

一种基于鲁棒神经网络的低压台区线损合理区间计算方法
技术领域
本发明涉及配电网用电管理领域，更具体地，涉及一种基于鲁棒神经网络的低压台区线损合理区间计算方法。
背景技术
目前，线损率作为评价电力***的重要指标，在经济运行中扮演着重要的角色，因此，线损管理也是电力公司的重点工作内容之一。目前，根据《线损四分管理标准》，我国线损管理采用“分压、分区、分线、分台区”的原则。根据国家电网的测算，380V低压电网作为重损层，其损耗量占总电网损耗量的大概1/5。而低压电网线损管理普遍采用分台区的管理手段，所以研究台区线损率情况、分析台区线损率的主要影响因素对于提高配电网的经济运行水平具有重要的意义。
现有技术中，线损率合理范围的本质是线损影响因素在合理取值范围变化时线损率的变化范围。然而，电力企业对于线损率指标缺乏管理标准，常以固定的区间作为线损率合理性评估的依据，“一刀切”的管理方式无法区分出台区在结构、供电范围、负荷水平上的差异，忽视不同地区用电情况、不同用户用电负荷特性、不同台区拓扑结构以及分布式电源接入等因素对于台区线损指标的影响。另外，采用压降法，以及台区拓扑的理论线损计算等方法获取线损率也需要末端用户电压曲线、台区拓扑、线路等详细的数据信息，对数据要求高，无法大范围推广应用。
因此，亟需一种新型的基于用电台区线损率诊断方法。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于鲁棒神经网络的低压台区线损合理区间计算方法，能够基于用电信息采集***中与线损率相关的特征量，计算出用电台区的线损率标杆值，并确定用电台区的线损率合理区间。
本发明采用如下的技术方案。一种基于鲁棒神经网络的低压台区线损合理区间计算方法，包括以下步骤：步骤1，基于用电信息采集***，提取低压用电台区中与线损率相关的特征量；步骤2，将特征量输入至循环神经网络中，通过循环神经网络计算出用电台区的线损率标杆值；步骤3，基于用电台区的线损率标杆值、用电台区的实际线损率获取线损误差和线损方差，并基于线损率标杆值、线损误差和线损方差确定用电台区的线损率合理区间。
优选地，步骤1中还包括：用电信息采集***中与线损率相关的特征量包括：用电台区中的台区类别、台区容量、台区电量、用户类型、用户数量、电表读数、台区功率、线路指标以及CT变比。
优选地，步骤2中用电台区的线损率标杆值的计算方法为：步骤2.1，将特征量输入至循环神经网络中，计算得到循环神经网络的输出；步骤2.2，对循环神经网络的输出进行L2范数的正则化操作，以消除循环神经网络的过度拟合；步骤2.3，将正则化操作结果输入至不同概率取值的随机失活层中，并获得随机失活输出结果；步骤2.4，对随机失活输出结果取平均值以获得用电台区的线损率标杆值。
优选地，步骤2.1中还包括：循环神经网络包括三条主路径，循环神经网络的输出为每条主路径的输出的级联组合，计算公式为：
Figure BDA0002986940880000021
式中，yc为循环神经网络的输出，
C(·)为级联函数，
fk(·)为主路径函数，
x为第k条主路径的输入，
Figure BDA0002986940880000022
为第k条主路径的权重，
Figure BDA0002986940880000023
为第k条主路径的偏差，
nw为当前主路径中权重的数量，
nb为当前主路径中偏差的数量。
优选地，每条主路径包括一条DAE支路径和一条全连接层支路径；
其中，每条主路径的输出的计算公式为：
Figure BDA0002986940880000024
式中，yk为第k条主路径的输出，
gk(·)为DAE函数，
Figure BDA0002986940880000031
为第k条主路径中的全连接层的权重，
Figure BDA0002986940880000032
为第k条主路径中的全连接层的偏差。
优选地，DAE支路径包括输入、噪声层、编码层、译码层和输出五部分；第k条主路径的输入依次经过噪声层、编码层和译码层后生成输出。
优选地，噪声层为高斯噪声层，其计算公式为：
xi，gn＝xi+N(0，σ2) (3)
式中，xi为一主路径中第i个输入，
xi，gn为一主路径的高斯噪声层gn中对应于第i个输入的第i个输出，
N(0，σ2)表示均值为0、方差为σ2的符合正态分布的高斯噪声。
优选地，编码层和译码层均为全连接层，其计算公式均为：
Figure BDA0002986940880000033
式中，
Figure BDA0002986940880000034
为在神经网络中一主路径的第l个中间层的第i个输出，
Figure BDA0002986940880000035
为一主路径中第l层的第j个输入，该输入是来自第l-1层的第j个输出，
wij为一主路径中第l层的第j个输入与第i个输出的权重，
bj为一主路径中第l层的第j个输入与第i个输出的权重。
优选地，步骤2.2中还包括：
L2范数的正则化操作的计算公式为：
Figure BDA0002986940880000036
其中，L为损失函数，
λ为惩罚项的超参数，
Huber为Huber损失函数，
ns为训练样本数，由台区数量和训练天数确定，
δ为自定义的超参数。
优选地，步骤2.3中还包括：
分别将正则化操作结果输入至10个不同概率的随机失活层中，以获得10个不同的线损率输出；
其中，线损率输出的计算公式为：
Figure BDA0002986940880000041
式中，p为随机失活层的概率。
优选地，步骤3中还包括：
线损误差的计算公式为：
Figure BDA0002986940880000042
式中，e1为用电台区中线损率标杆值与实际线损率之间的绝对误差，
ns为训练样本数，
Figure BDA0002986940880000043
为用电台区中第xlyb个训练样本的线损率标杆值，
Figure BDA0002986940880000044
为用电台区的第xlyb个训练样本的实际线损率，
*表示共轭；
线损方差的计算公式为：
Figure BDA0002986940880000045
式中，e2为用电台区中线损率标杆值与实际线损率之间的方差，
Figure BDA0002986940880000046
为第xlyb个线损率的第gl个输出，其中，gl的取值为0与10之间的整数，分别代表10个不同的随机失活层的概率。
优选地，用电台区的线损率合理区间为：
Figure BDA0002986940880000047
式中，lxlyb为合理区间的最低限值，uxlyb为合理区间的最高限值。
优选地，方法还包括步骤4：调整神经网络中的各层参数；并且，调整是基于所有台区样本的线损率标杆值与实际线损率之间的均方误差最小时的各层参数取值确定的。
本发明的有益效果在于，与现有技术相比，本发明中一种基于鲁棒神经网络的低压台区线损合理区间计算方法，能够以用电信息采集***的数据为基础，利用各种数据挖掘技术获得其中隐含的有用信息，计算台区线损率标杆值与合理区间，达到诊断线损率异常的目的。采用本发明中的方法，能够解决现有台区理论线损计算技术存在的数据要求高、实用性低的技术问题，从而为电网降低线损率，保证高效运行提供可靠依据。
附图说明
图1为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中方法流程示意图；
图2为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中循环神经网络的原理示意图；
图3为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中去噪自动编码器的结构示意图；
图4为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中随机失活层的原理示意图；
图5为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法一实施例中获取的用电台区的线损率标杆值与合理区间的示意图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，一种基于鲁棒神经网络的低压台区线损合理区间计算方法，包括步骤1至步骤3。
步骤1，基于用电信息采集***，提取低压用电台区中与线损率相关的特征量。
具体来说，本发明中可以针对电网用电台区中与线损率有关的用电数据作为神经网络的输入量。一实施例中，可以从用电信息采集***中获取特征字段。
本发明中一实施例中，从用电信息采集***中提取的低压用电台区的特征字段共有18个。表1为本发明中用电信息采集***中用电台区的特征字段表。如表1所示，18个特征字段可以大致分类如下：
优选地，步骤1中还包括：用电信息采集***中与线损率相关的特征量包括：用电台区中的台区类别、台区容量、台区电量、用户类型、用户数量、电表读数、台区功率、线路指标以及CT变比。
表1本发明中用电信息采集***中用电台区的特征字段表
序号 特征字段
1 居民户数
2 非居民户数
3 居民容量
4 非居民容量
5 台区容量
6 CT变比
7 综合倍率
8 三相电能表数
9 单相电能表数
10 日负载率
11 日功率因数
12 日有功功率
13 供电量
14 城农网类别
15 台区类型
16 上网电量
具体来说，台区类别是指：用电信息采集***中城农网类别这一业务数据项。基于这一数据项，可以获知当前用电台区是城网台区还是农网台区。由于不同的台区类型具有不同的用电用户类型和用户分布，因此可以基于这一数据项提供不同的线损计算方式。
台区容量是指当前台区的负荷容量，而台区容量中还可以包括有居民容量和非居民容量，即按照不同的用户类型进行负荷容量的分配。
台区电量中包括台区的发电量、供电量以及上网电量。其中，发电量是指台区发电机端输出的电量，供电量是指发电机输出的电量减去电厂自身用电后的电量，上网电量是指经过变压器送到电网的电量，其中应当扣除变压器损耗。
台区中的用户类型可以按照电能的用途进行分类，分为居民和非居民两种。因此，用户数量可以包括居民户数和非居民户数。
电表读数中包括电网中的三相电能表读数和单相电能表读数。
台区功率指标中分别包括了能够代表有功能率的日功率因数，以及代表无功功率的日无功电量。
线路指标中还包括有确保电网安全性能的最大零线电流，用于表征当前台区线损率特性的理论线损率和综合倍率。
另外，在特征字段中还可以包括检测台区线路中电流大小的电流互感器的检测值，例如CT变比等。
将上述特征字段作为神经网络的输入，则可以基于循环神经网络计算获得当前台区的线损率数据了。
步骤2，将特征量输入至循环神经网络中，通过循环神经网络计算出用电台区的线损率标杆值。
图2为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中循环神经网络的原理示意图；图3为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中去噪自动编码器的结构示意图；图4为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中随机失活层的原理示意图。优选地，如图2-图4所示，步骤2中用电台区的线损率标杆值的计算方法还包括步骤2.1至步骤2.4这四个步骤。
步骤2.1，将特征量输入至循环神经网络中，计算得到循环神经网络的输出。
优选地，步骤2.1中还包括：循环神经网络包括三条主路径，循环神经网络的输出为每条主路径的输出的级联组合，计算公式为：
Figure BDA0002986940880000071
式中，yc为循环神经网络的输出，C(·)为级联函数，fk(·)为主路径函数，x为第k条主路径的输入，
Figure BDA0002986940880000081
为第k条主路径的权重，
Figure BDA0002986940880000082
为第k条主路径的偏差，nw为当前主路径中权重的数量，nb为当前主路径中偏差的数量。
优选地，每条主路径包括一条DAE支路径和一条全连接层支路径；
其中，每条主路径的输出的计算公式为：
Figure BDA0002986940880000083
式中，yk为第k条主路径的输出，gk(·)为DAE函数，
Figure BDA0002986940880000084
为第k条主路径中的全连接层的权重，
Figure BDA0002986940880000085
为第k条主路径中的全连接层的偏差。
优选地，DAE支路径包括输入、噪声层、编码层、译码层和输出五部分；第k条主路径的输入依次经过噪声层、编码层和译码层后生成输出。
其中，噪声层可以为高斯噪声层，其计算公式为：
xi，gn＝xi+N(0，σ2) (3)
式中，xi为第k条主路径中第i个输入，xi，gn为第k条主路径的高斯噪声层gn中对应于第i个输入的第i个输出，N(0，σ2)表示均值为0、方差为σ2的符合正态分布的高斯噪声。
优选地，编码层和译码层均为全连接层，其计算公式分别为：
Figure BDA0002986940880000086
式中，
Figure BDA0002986940880000087
为在所述神经网络中一主路径的第l个中间层的第i个输出，
Figure BDA0002986940880000088
为一主路径中第l层的第j个输入，该输入是来自第l-1层的第j个输出，wij为一主路径中第l层的第j个输入与第i个输出的权重，bj为第k条主路径中第l层的第j个输入与第i个输出的权重。
可以理解的是，上文中所述的中间层是指神经网络的中间层，在本发明中，具体可以为编码层、译码层、正则化层和随机失活层。其中，上述中间层使用参数l取值的不同，来表示不同的层。
根据上述公式的内容，即可计算出循环神经网络的输出。
步骤2.2，对循环神经网络的输出进行L2范数的正则化操作，以消除循环神经网络的过度拟合。
另外，为了防止步骤2.1中输出结果的循环拟合，还可以对循环神经网络的输出进行正则化操作。本发明一实施例中，可以选择L2范数以实现正则化操作。
优选地，L2范数的正则化操作的计算公式为：
Figure BDA0002986940880000091
其中，L为损失函数，λ为惩罚项的超参数，Huber为Huber损失函数，ns为训练样本数，δ为自定义的超参数。
在本发明的神经网络中，可以将一个台区一天的用电数据作为一个样本进行训练。因此，训练样本数可以根据***中的线损指标较好的台区数量和训练天数来确定。
步骤2.3，将正则化操作结果输入至不同概率取值的随机失活层中，并获得随机失活输出结果。
为了准确地获得线损率的标杆值，可以选取多个具有不同概率的随机失活层来进行标杆值的计算。
优选地，将正则化操作结果输入至10个不同概率的随机失活层中，以获得10个不同的线损率输出；其中，线损率输出的计算公式为：
Figure BDA0002986940880000092
式中，p为随机失活层的概率。
本发明一实施例中，可以选取10个概率不同的随机失活层，且这10个随机失活层的概率可以在[0，0.5]区间内进行取值。具体来说，概率p的取值为0.05，0.1，0.15，0.2，0.25，0.3，0.35，0.4，0.45，0.5。
步骤2.4，对随机失活输出结果取平均值以获得用电台区的线损率标杆值。
该线损率标杆值的计算公式为：
Figure BDA0002986940880000093
其中，
Figure BDA0002986940880000094
为所述用电台区中第xlyb个训练样本的线损率的标杆值，
Figure BDA0002986940880000095
为第xlyb个训练样本的线损率的第gl个输出，其中，gl的取值为0与10之间的整数，分别代表10个不同的随机失活层的概率。
步骤3，基于用电台区的线损率标杆值、用电台区的实际线损率获取线损误差和线损方差，并基于线损率标杆值、线损误差和线损方差确定用电台区的线损率合理区间。
优选地，步骤3中还包括：线损误差的计算公式为：
Figure BDA0002986940880000101
式中，e1为用电台区中线损率标杆值与实际线损率之间的绝对误差，ns为训练样本数，
Figure BDA0002986940880000102
为所述用电台区中第xlyb个训练样本的线损率标杆值，yxlyb为所述用电台区中第xlyb个训练样本的实际线损率；*表示共轭。
线损方差的计算公式为：
Figure BDA0002986940880000103
式中，e2为用电台区中线损率标杆值与实际线损率之间的方差，
Figure BDA0002986940880000104
为第xlyb个训练样本的线损率的第gl个输出。
优选地，用电台区的线损率合理区间为：
Figure BDA0002986940880000105
式中，lxlyb为合理区间的最低限值，uxlyb为合理区间的最高限值。
步骤4，调整所述神经网络中的各层参数；并且，所述调整是基于所有台区样本的线损率标杆值与实际线损率之间的均方误差最小时的各层参数取值确定的。
本发明一实施例中，选取江苏省两万个线损管理情况较好的台区作为测试台区。选取台区某月中30天的数据作为样本数据，以对神经网络的模型进行训练，从而得到神经网络中各层的权重、偏差等参数，从而构建出本发明中的循环神经网络。
完成循环神经网络的构建后，选择其中一个台区，本发明实施例中，选择了ID为170001414803的台区进行了线损率标杆值以及合理区间的计算。表2为基于本发明方法计算出的线损率相关数据表。如表2所示，在4月的每一天内，线损率的标杆值与合理区间都被计算出来了。
表2基于本发明方法计算出的线损率相关数据表
Figure BDA0002986940880000111
Figure BDA0002986940880000121
为了更加清楚地观察数据，可以利用表2绘制出线损率数据图。图5为本发明一种基于神经网络的用电台区线损率诊断方法一实施例中获取的用电台区的线损率标杆值与合理区间的示意图。如图5所示，30天内的实际线损率取值与标杆值之间总体上差别不大，且绝大部分实际线损率取值数据处于标杆区间之内。只有第12天的实际线损率数据与标杆值的数据差距较大，且落入标杆区间的边界外部。这说明第12天的数据为异常数据。电网维护管理人员可以根据台区内的相关数据，以及本发明中的诊断方法准确地诊断出电网中的异常用电数据，并采取合理的调整方式。
本发明的有益效果在于，与现有技术相比，本发明中一种基于神经网络的用电台区线损率诊断方法，能够以用电信息采集***的数据为基础，利用各种数据挖掘技术获得其中隐含的有用信息，计算台区线损率标杆值与合理区间，达到诊断线损率异常的目的。采用本发明中的方法，能够解决现有台区理论线损计算技术存在的数据要求高、实用性低的技术问题，从而为电网降低线损率，保证高效运行提供可靠依据。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (13)

1.一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于，包括以下步骤：
步骤1，基于用电信息采集***，提取低压用电台区中与线损率相关的特征量；
步骤2，将所述特征量输入至循环神经网络中，通过所述循环神经网络计算出所述用电台区的线损率标杆值；
步骤3，基于所述用电台区的线损率标杆值、所述用电台区的实际线损率获取线损误差和线损方差，并基于所述线损率标杆值、线损误差和线损方差确定所述用电台区的线损率合理区间。
2.根据权利要求1中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述步骤1中还包括：
所述用电信息采集***中与线损率相关的特征量包括：所述用电台区中的台区类别、台区容量、台区电量、用户类型、用户数量、电表读数、台区功率、线路指标以及CT变比。
3.根据权利要求1中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述步骤2中所述用电台区的线损率标杆值的计算方法为：
步骤2.1，将所述特征量输入至循环神经网络中，计算得到循环神经网络的输出；
步骤2.2，对所述循环神经网络的输出进行L2范数的正则化操作，以消除所述循环神经网络的过度拟合；
步骤2.3，将正则化操作结果输入至不同概率取值的随机失活层中，并获得随机失活输出结果；
步骤2.4，对所述随机失活输出结果取平均值以获得所述用电台区的线损率标杆值。
4.根据权利要求3中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述步骤2.1中还包括：
所述循环神经网络包括三条主路径，所述循环神经网络的输出为每条主路径的输出的级联组合，计算公式为：
Figure FDA0002986940870000021
式中，yc为所述循环神经网络的输出，
C(·)为级联函数，
fk(·)为主路径函数，x为第k条主路径的输入，
Figure FDA0002986940870000022
为第k条主路径的权重，
Figure FDA0002986940870000023
为第k条主路径的偏差，
nw为当前主路径中权重的数量，
nb为当前主路径中偏差的数量。
5.根据权利要求4中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述每条主路径包括一条DAE支路径和一条全连接层支路径；
其中，每条主路径的输出的计算公式为：
Figure FDA0002986940870000024
式中，yk为第k条主路径的输出，
gk(·)为DAE函数，
Figure FDA0002986940870000025
为第k条主路径中的全连接层的权重，
Figure FDA0002986940870000026
为第k条主路径中的全连接层的偏差。
6.根据权利要求5中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述DAE支路径包括输入、噪声层、编码层、译码层和输出五部分；
所述第k条主路径的输入依次经过噪声层、编码层和译码层后生成输出。
7.根据权利要求6中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述噪声层为高斯噪声层，其计算公式为：
xi，gn＝xi+N(0，σ2) (3)
式中，xi为一主路径中第i个输入，
xi，gn为一主路径的高斯噪声层gn中对应于第i个输入的第i个输出，
N(0，σ2)表示均值为0、方差为σ2的符合正态分布的高斯噪声。
8.根据权利要求7中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述编码层和所述译码层均为全连接层，其计算公式均为：
Figure FDA0002986940870000031
式中，
Figure FDA0002986940870000032
为在所述神经网络中一主路径的第l个中间层的第i个输出，
Figure FDA0002986940870000033
为一主路径中第l层的第j个输入，该输入是来自第l-1层的第j个输出，
wij为一主路径中第l层的第j个输入与第i个输出的权重，
bj为一主路径中第l层的第j个输入与第i个输出的权重。
9.根据权利要求8中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述步骤2.2中还包括：
所述L2范数的正则化操作的计算公式为：
Figure FDA0002986940870000034
其中，L为损失函数，
λ为惩罚项的超参数，
Huber为Huber损失函数，
ns为训练样本数，由台区数量和训练天数确定，
δ为自定义的超参数。
10.根据权利要求9中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述步骤2.3中还包括：
分别将所述正则化操作结果输入至10个不同概率的随机失活层中，以获得10个不同的线损率输出；
其中，所述线损率输出的计算公式为：
Figure FDA0002986940870000041
式中，p为所述随机失活层的概率。
11.根据权利要求1中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述步骤3中还包括：
所述线损误差的计算公式为：
Figure FDA0002986940870000042
式中，e1为所述用电台区中线损率标杆值与实际线损率之间的绝对误差，
ns为训练样本数，
Figure FDA0002986940870000046
为所述用电台区中第xlyb个训练样本的线损率标杆值，
yxlyb为所述用电台区中第xlyb个训练样本的实际线损率；
*表示共轭；
所述线损方差的计算公式为：
Figure FDA0002986940870000043
式中，e2为所述用电台区中线损率标杆值与实际线损率之间的方差，
Figure FDA0002986940870000044
为第xlyb个训练样本的线损率的第gl个输出，其中，gl的取值为0与10之间的整数，分别代表10个不同的随机失活层的概率。
12.根据权利要求11中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述用电台区的线损率合理区间为：
Figure FDA0002986940870000045
式中，lxlyb为合理区间的最低限值，uxlyb为合理区间的最高限值。
13.根据权利要求1中所述的一种基于鲁棒神经网络的低压台区线损合理区间计算方法，其特征在于：
所述方法还包括步骤4：
调整所述神经网络中的各层参数；
并且，所述调整是基于所有台区样本的线损率标杆值与实际线损率之间的均方误差最小时的各层参数取值确定的。
CN202110302836.7A 2021-03-22 2021-03-22 一种基于鲁棒神经网络的低压台区线损合理区间计算方法 Pending CN113095372A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110302836.7A CN113095372A (zh) 2021-03-22 2021-03-22 一种基于鲁棒神经网络的低压台区线损合理区间计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110302836.7A CN113095372A (zh) 2021-03-22 2021-03-22 一种基于鲁棒神经网络的低压台区线损合理区间计算方法

Publications (1)

Publication Number Publication Date
CN113095372A true CN113095372A (zh) 2021-07-09

Family

ID=76669173

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110302836.7A Pending CN113095372A (zh) 2021-03-22 2021-03-22 一种基于鲁棒神经网络的低压台区线损合理区间计算方法

Country Status (1)

Country Link
CN (1) CN113095372A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018256A (zh) * 2022-05-05 2022-09-06 江苏方天电力技术有限公司 一种低压台区同期线损率合理值计算方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110110887A (zh) * 2019-03-22 2019-08-09 国网浙江省电力有限公司信息通信分公司 对低压台区线损率的预测方法
CN110489783A (zh) * 2019-07-05 2019-11-22 江苏方天电力技术有限公司 一种基于qrnn的低压台区线损率合理范围估计方法
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
US20200134439A1 (en) * 2018-10-24 2020-04-30 Equifax Inc. Machine-learning techniques for monotonic neural networks
CN111123039A (zh) * 2019-12-31 2020-05-08 国网北京市电力公司 基于同期特征与改进K-means聚类的配电网异常线损诊断方法
WO2020221278A1 (zh) * 2019-04-29 2020-11-05 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN112054507A (zh) * 2020-08-07 2020-12-08 国网辽宁省电力有限公司沈阳供电公司 基于卷积神经网络的配电低压台区理论线损区间计算方法
CN112149873A (zh) * 2020-08-25 2020-12-29 北京合众伟奇科技有限公司 一种基于深度学习的低压台区线损合理区间预测方法
CN112288303A (zh) * 2020-11-05 2021-01-29 国家电网有限公司 确定线损率的方式、装置
CN112288172A (zh) * 2020-10-30 2021-01-29 国家电网有限公司 台区线损率的预测方法、装置
CN112308348A (zh) * 2020-12-02 2021-02-02 国网江苏省电力有限公司徐州供电分公司 一种中压线损异常智能分析方法

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200134439A1 (en) * 2018-10-24 2020-04-30 Equifax Inc. Machine-learning techniques for monotonic neural networks
CN110110887A (zh) * 2019-03-22 2019-08-09 国网浙江省电力有限公司信息通信分公司 对低压台区线损率的预测方法
WO2020221278A1 (zh) * 2019-04-29 2020-11-05 北京金山云网络技术有限公司 视频分类方法及其模型的训练方法、装置和电子设备
CN110489783A (zh) * 2019-07-05 2019-11-22 江苏方天电力技术有限公司 一种基于qrnn的低压台区线损率合理范围估计方法
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
CN111123039A (zh) * 2019-12-31 2020-05-08 国网北京市电力公司 基于同期特征与改进K-means聚类的配电网异常线损诊断方法
CN112054507A (zh) * 2020-08-07 2020-12-08 国网辽宁省电力有限公司沈阳供电公司 基于卷积神经网络的配电低压台区理论线损区间计算方法
CN112149873A (zh) * 2020-08-25 2020-12-29 北京合众伟奇科技有限公司 一种基于深度学习的低压台区线损合理区间预测方法
CN112288172A (zh) * 2020-10-30 2021-01-29 国家电网有限公司 台区线损率的预测方法、装置
CN112288303A (zh) * 2020-11-05 2021-01-29 国家电网有限公司 确定线损率的方式、装置
CN112308348A (zh) * 2020-12-02 2021-02-02 国网江苏省电力有限公司徐州供电分公司 一种中压线损异常智能分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
何伟民等: "基于RNN的低压变压器区域日线损率基准测试", 计算机测量与控制, no. 9, pages 1 - 5 *
李清涛;任宇驰;王远;李林松;迟振烨;: "基于人工神经网络全连接层优化的线损异常诊断方法研究", 电气应用, no. 04 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115018256A (zh) * 2022-05-05 2022-09-06 江苏方天电力技术有限公司 一种低压台区同期线损率合理值计算方法

Similar Documents

Publication Publication Date Title
CN102866321B (zh) 一种自适应的防窃漏电诊断方法
CN110288208B (zh) 一种辐射型配电网可靠性与经济性的综合评估方法
CN110516912B (zh) 一种配电台区户变关系的识别方法
CN103617568B (zh) 稳态电能质量预警机制中的异常数据判定阈值设定方法
CN112130109B (zh) 一种智能电能表计量性能异常的检测方法
CN115018139A (zh) 基于相间特征的电流互感器误差状态在线辨识方法及***
CN102868160B (zh) 智能电网广域负荷建模方法
CN111275295B (zh) 一种基于反距离权重插值的分布式光伏故障诊断方法
CN110749784B (zh) 一种基于电力数据小波分析的线路窃电检测方法
CN113884975A (zh) 一种基于改进动态线损估计的超差电表检测方法
CN103886518A (zh) 一种基于监测点电能质量数据挖掘的电压暂降预警方法
CN111612326A (zh) 一种配变供电可靠性的综合评估方法
CN111817299A (zh) 基于模糊推理的配电台区线损率异常成因智能辨识方法
CN112485514A (zh) 一种电平衡用电量不确定度评价方法
CN107860987A (zh) 一种低压台区降损辅助决策***
CN114519514A (zh) 一种低压台区合理线损值测算方法、***及计算机设备
CN113095372A (zh) 一种基于鲁棒神经网络的低压台区线损合理区间计算方法
CN108062616B (zh) 一种具有约束条件的用电异常检测***
CN111708987B (zh) 一种变电站多台并联变压器负荷预测方法
CN113536205A (zh) 低压台区用能优化潜力评价方法及用能优化台区筛选***
CN110231503B (zh) 高损台区基于格兰杰因果检验的窃电用户识别定位方法
CN116106627A (zh) 一种基于电压电流不同相错误接线异常的判断方法
Wu et al. Survey on negative line loss rate of transformer region: rectification measures and challenges
CN113255850B (zh) 配用电节能节费潜力评估方法
CN115760400A (zh) 基于电力数据的挖矿行为检测方法和存储介质

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