台区线损率的预测方法、装置制造方法及图纸

本申请公开了一种台区线损率的预测方法、装置。其中，该方法包括：从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。本申请解决了由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长的技术问题。且耗时较长的技术问题。且耗时较长的技术问题。

【技术实现步骤摘要】
台区线损率的预测方法、装置


[0001]本申请涉及电力领域，具体而言，涉及一种台区线损率的预测方法、装置。

技术介绍

[0002]随着国网公司线损精益化管理工作的深入开展，传统一刀切方式的线损合格率考核方式，已不再满足线损精益化管理要求，供电企业需要迫切找到一种有效计算线损合理区间的方法，动态预测各台区的线损合理区间，实现一台区一指标，实时、高效预警线损率超标台区，提出降低台区线损的技术手段等措施建议，从而优化配网规划与建设方案、规范低压客户管理，实现节能减排和资源的优化配置，提升公司经营管理水平。目前对电网线损率计算方法已经有很多，主要分为传统方法和基于机器学习的方法。传统方法如最大负荷损耗小时法、平均电流损耗算法、均方根电流法、台区损失率法、和等值电阻法等；机器学习的方法有基于支持向量机的计算方法、基于神经网络和改进的自适应二次变异差分进化算法、基于改进K-means聚类和BP神经网络的计算方法。
[0003]对于传统线损计算方法由于它们与配电网耗电模型出入较大，计算精度通常较低；采用机器学习算法对于线损的计算或预测准确率都有了较大的提升，但是存在一定的局限性，基于支持向量机的计算方法，在数据量较大时模型训练效率较低，另外在特征维度空间较大时很难找到合适的核函数；采用k-means聚类和BP神经网络的计算方法，由于聚类算法初始化中心是随机选定，不同初始值会导致不同的分类结果，当分类不准确时容易造成参数重构误差较大的缺陷。
[0004]针对上述的问题，目前尚未提出有效的解决方案。
专利技术内容
[0005]本申请实施例提供了一种台区线损率的预测方法、装置，以至少解决由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长的技术问题。
[0006]根据本申请实施例的一个方面，提供了一种台区线损率的预测方法，包括：从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
[0007]可选地，根据电气数据确定台区的原始电气特征指标数据，包括：对从预定系统自动采集的电气数据进行筛选，得到原始电气特征指标数据；其中，原始电气特征指标数据，包括：供电半径、负载率、功率因数、三相平衡度、负荷特征、网架结构、居民用户数、台区电能表总数、抄表成率。
[0008]可选地，对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包
括：采用数据平滑技术剔除原始电气特征指标数据的野值，得到第一电气特征指标数据；对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据。
[0009]可选地，对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据，包括：确定样本台区内第一电气特征指标数据对应的第一数值；计算第一数值对应的第二数值，其中，第二数值为第一数值的平均值；根据第一数值和第二数值确定第三数值，其中，第三数值为第一数值对应的方差；根据第一数值、第二数值与第三数值得到目标电气特征指标数据。
[0010]可选地，长短时记忆LSTM模型包括多个神经单元，神经单元包括：输入门i
(t)
，遗忘门f
(t)
，输出门o
(t)
，记忆单元C
(t)
。
[0011]可选地，长短时记忆LSTM模型的隐藏层数包括：128个循环单元，为了防止过拟合，设置Dropout层丢弃率为0.5。
[0012]根据本申请实施例的另一个方面，还提供了一种台区线损率的预测装置，包括：采集模块，用于从预定系统自动采集台区内的电气数据；第一确定模块，用于根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；处理模块，用于对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；第二确定模块，用于将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。
[0013]可选地，对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包括：采用数据平滑技术剔除原始电气特征指标数据的野值，得到第一电气特征指标数据；对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据。
[0014]根据本申请实施例的另一个方面，还提供了一种非易失性存储介质，非易失性存储介质包括存储的程序，其中，在程序运行时控制非易失性存储介质所在设备执行任意一种台区线损率的预测方法。
[0015]根据本申请实施例的另一个方面，还提供了一种处理器，处理器用于运行存储在存储器中的程序，其中，程序运行时执行任意一种台区线损率的预测方法。
[0016]在本申请实施例中，采用长短时记忆LSTM模型识别电气数据的方式，通过从预定系统自动采集台区内的电气数据，再根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS，然后再对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型，达到了将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值的目的，从而实现了基于长短时记忆LSTM模型对台区内线损进行精确预测、且自动地快速获取电气数据的技术效果，进而解决了由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长技术问题。
附图说明
[0017]此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
[0018]图1是根据本申请实施例的一种可选的台区线损率的预测方法的流程示意图；
[0019]图2是根据本申请实施例的一种可选的台区线损率的预测装置的结构示意图。
具体实施方式
[0020]为了使本
的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本申请一部分的实施例，而不是全部的实施例。基于本申请中的实施例，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，都应当属于本申请保护的范围。
[0021]需要说明的是，本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种台区线损率的预测方法，其特征在于，包括：从预定系统自动采集台区内的电气数据；根据所述电气数据确定所述台区的原始电气特征指标数据，所述原始电气指标特征数据，其中，所述预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对所述原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将所述电气数据输入至所述长短时记忆LSTM模型，得到所述台区线损率的预测值。2.根据权利要求1所述的方法，其特征在于，根据所述电气数据确定所述台区的原始电气特征指标数据，包括：对从所述预定系统自动采集的所述电气数据进行筛选，得到所述原始电气特征指标数据；其中，所述原始电气特征指标数据，包括：供电半径、负载率、功率因数、三相平衡度、负荷特征、网架结构、居民用户数、台区电能表总数、抄表成率。3.根据权利要求1所述的方法，其特征在于，对所述原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包括：采用数据平滑技术剔除所述原始电气特征指标数据的野值，得到第一电气特征指标数据；对所述第一电气特征指标数据进行归一化处理，得到所述目标电气特征指标数据。4.根据权利要求3所述的方法，其特征在于，对所述第一电气特征指标数据进行归一化处理，得到所述目标电气特征指标数据，包括：确定样本台区内所述第一电气特征指标数据对应的第一数值；计算第一数值对应的第二数值，其中，所述第二数值为所述第一数值的平均值；根据所述第一数值和所述第二数值确定第三数值，其中，所述第三数值为所述第一数值对应的方差；根据所述第一数值、第二数值与第三数值得到所述目标电气特征指标数据。5.根据权利要求1所述的方法，其特征在于，所...

【专利技术属性】
技术研发人员：马晓琴，薛晓慧，郭志华，孟祥甫，罗红郊，马占海，薛峪峰，厉娜，芮光辉，郭小鹤，张俊超，严嘉正，
申请(专利权)人：国网青海省电力公司国网青海省电力公司信息通信公司，
类型：发明
国别省市：