【技术实现步骤摘要】
一种基于LSTM神经网络的线损预测方法及系统
本专利技术属于电力系统自动化
，涉及一种基于LSTM神经网络的线损预测方法及系统。
技术介绍
电网线损率是电力企业一项重要的经济技术指标，开展线损率预测是电网企业的一项重要工作。线损是在输送和分配电能过程中，电力网中各个元件或设备所产生的功率损失和电能损失以及其他损失。线损率指的是电力网络中损耗的电能线路损失负荷与向电力网络供电负荷的百分数。线损率对电力系统的节能及发展规划有重要的指导作用，它反映了电力系统的设计、运行以及管理水平，是考核供电企业的一项重要的技术和经济指标，对线损率的预测能够帮助供电企业制定合理的降损节能目标。作为电力企业线损管理中的重要环节，理论线损的确定对于提高线损管理的精益化水平有着重要的意义，传统的对于理论线损的计算方法主要是基于能耗模型或基于潮流计算的方法。随着人工智能技术在电力领域的广泛应用，理论线损的计算方法也发展到以人工神经网络、支持向量机和其他改进算法为主。然而，以往对于理论线损的研究都采用标准算例来设计实验，样本数较少，难以全面反...
【技术保护点】
1.一种基于LSTM神经网络的线损预测方法，其特征在于，包括：/n基于预先确定的线损率影响因素，按时序采集线损率的特征数据；/n对所述线损率的特征数据进行处理；/n将处理后的特征数据输入到预先训练好的LSTM神经网络线损预测模型中，经提取处理后得到线损预测值；/n其中，所述LSTM神经网络的线损预测模型将所述线损率影响因素作为模型的输入层，将隐含层的普通神经元用包含门控机制的记忆模块进行代替，经过训练后得到线损预测值。/n
【技术特征摘要】
1.一种基于LSTM神经网络的线损预测方法，其特征在于，包括：
基于预先确定的线损率影响因素，按时序采集线损率的特征数据；
对所述线损率的特征数据进行处理；
将处理后的特征数据输入到预先训练好的LSTM神经网络线损预测模型中，经提取处理后得到线损预测值；
其中，所述LSTM神经网络的线损预测模型将所述线损率影响因素作为模型的输入层，将隐含层的普通神经元用包含门控机制的记忆模块进行代替，经过训练后得到线损预测值。
2.如权利要求1所述的方法，其特征在于，所述线损率影响因素，包括：供电量、配变容量、线路长度、功率因数、气温和节假日。
3.如权利要求2所述的方法，其特征在于，所述对所述线损率的特征数据进行处理，包括：
基于预先确定的线损率影响因素，确定所述预先采集的线损率的特征数据的缺失值，并对所述缺失值进行填充，并进行一致处理；
对所述预先采集的线损率的特征数据中的异样特征数据，以相邻正常线损平均值代替所述异样特征数据并进行错误修正；
基于正常的、填充的和错误修正后的特征数据进行标准化处理。
4.如权利要求1所述的方法，其特征在于，所述LSTM神经网络线损预测模型的构建，包括：
基于线损率影响因素获取包含时序的线损率的历史数据，并将所述历史数据进行处理；
将处理后的历史数据划分为训练数据集和测试数据集；
将所述训练数据集中的线损率影响因素作为输入层，将所述训练数据集中的线损值作为输出层，将隐含层的普通神经元用包含门控机制的记忆模块进行代替，进行训练得到初始的LSTM神经网络线损预测模型；
将所述测试数据集的线损率影响因素值带入所述初始的LSTM神经网络线损预测模型，得到线损预测值；
基于所述线损预测值和所述测试数据集中的实际线损值对所述初始的LSTM神经网络线损预测模型进行校验得到训练好的LSTM神经网络线损预测模型。
5.如权利要求4所述的方法，其特征在于，所述基于所述线损预测值和所述测试数据集中的实际线损值对所述初始的LSTM神经网络线损预测模型进行校验得到训练好的LSTM神经网络线损预测模型，包括：
将所述测试数据集输入到所述训练好的LSTM神经网络预测模型中；
基于所述线损预测值与所述测试数据集的线损实际值，采用均方根误差指标和平均绝对百分比误差指标进行准确性评估；
当准确性未达到预设阈值时，继续进行基于所述时序一特征对所述LSTM神经网络线损预测模型进行训练，直至达到预设阈值得到训练好的LSTM神经网络线损预测模型。...
【专利技术属性】
技术研发人员：刘科研，贾东梨，孟晓丽，盛万兴，何开元，詹惠瑜，刁赢龙，李国栋，王峥，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网天津市电力公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。