【技术实现步骤摘要】
一种分压线损率预测及降损潜力评估方法及系统
本专利技术涉及电力系统
,具体涉及一种分压线损率预测及降损潜力评估方法及系统。
技术介绍
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和用采系统等数据),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。
技术实现思路
...
【技术保护点】
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,/nS100、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;/nS200、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;/nS300、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。/n
【技术特征摘要】
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:
根据输入系统的样本,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),...,(xm,ym)},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,...,θl},隐藏层的阈值为δ={δ1,δ2,...,δq},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vih,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whj,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(xk,yk):
隐藏层第h个神经元接收到的净输入akh和输出Akh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(xk,yk)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Ek最小,以隐藏层到输出层的连接权值whj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:
wh,j←wh,j-ηΔwh,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Ek对whj的梯度表示为:
由于
...
【专利技术属性】
技术研发人员:常征,胡鹏,汤恒,马瑞,吴龙雨,赵爽,苏同厚,曹冬梅,孙智慧,李奇,
申请(专利权)人:国网安徽省电力有限公司怀远县供电公司,国网安徽省电力有限公司蚌埠供电公司,
类型:发明
国别省市:安徽;34
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。