一种基于边缘计算的台区低电压智能就地预判方法技术

本发明专利技术公开了一种基于边缘计算的台区低电压智能就地预判方法，所述方法包括：获取台区基础数据资料和台区历史负荷、电压、气象类数据；建立基于边缘计算的台区负荷预测模型；建立基于边缘计算的台区电压估算模型；进行基于边缘计算的台区电压智能就地预判。该发明专利技术通过获取台区历史负荷数据，建立基于BP神经网络的台区负荷预测模型，获得台区节点负荷特性与用户用电特性、节假日、气候等的关系，通过获取台区基础数据、台区历史电压和负荷预测结果建立基于BP神经网络的台区低电压就地预判模型，实现对台区节点电压的实时短期预判，有效满足台区异常工况预判的新要求，提高了台区用户的用电质量。

【技术实现步骤摘要】
一种基于边缘计算的台区低电压智能就地预判方法
本专利技术涉及配电网
，具体涉及一种基于边缘计算的台区低电压智能就地预判方法。
技术介绍
随着社会经济的发展，居民生活水平不断提高，用电性质发生了根本性的改变，用电需求进入更高层次，供电低电压现象成为影响供电质量的主要问题之一。为精准、高效治理低电压，提高供电服务和客户满意度，开展配变台区低电压的智能就地预判是解决电压偏低问题的关键。现阶段低压台区所能采集的实时电压数据仅来源于配变终端，监测的是低压出线电压，其采集频率、数据的完整度等方面还满足不了低压配网低电压现象的管控要求。此外，由于低压配网线路设备在空间分布上具有零散、繁杂的特点，即便已经实现了智能电表的全覆盖，庞大的数据量与现有的前端硬件设备也制约着实时电气信息数据的获取与使用。以致电网企业往往采取问题或经验导向型的传统解决模式。目前已有文献分析了配电网低电压的产生原因以及低电压的治理措施，并进行了台区电压估算方法的探索，例如牛顿法、前推回代法和回路阻抗法等。然而，很少有文献考虑低电压的预判，尤其是配电网台区的实时低电压预判少之甚少。已有的低电压预判并不具备实时性，仅能预测台区指定节点第二天的最低电压，不能实时预测低电压用户数，低电压用户范围和低电压持续时间。
技术实现思路
本专利技术的目的在于提供一种基于边缘计算的台区低电压智能就地预判方法，可以解决现有技术中低电压预判并不具备实时性、不能实时预测低电压用户数、低电压用户范围和低电压持续时间的问题。本专利技术的目的是通过以下技术方案实现的：本专利技术提供了一种基于边缘计算的台区低电压智能就地预判方法，包括以下步骤：步骤1、获取台区基础数据资料和台区历史负荷、电压、气象类数据；步骤2、建立基于边缘计算的台区负荷预测模型；步骤3、建立基于边缘计算的台区电压估算模型；步骤4、进行基于边缘计算的台区电压智能就地预判。进一步的，所述的台区基础数据资料包括台区支路节点、台区用户数、台区线路类型、线路长度。进一步的，所述台区历史负荷、电压数据包括台区4月、7月、10月和1月各月前30天的用户日电压曲线和日负荷曲线。进一步的，所述的台区历史气象类数据包括本年度4月、7月、10月和1月各月前30天的气象状况、星期类型、时间段和节假日类型。进一步的，所述的建立基于边缘计算的台区负荷预测模型具体包括以下步骤：S201、选取台区支路节点、台区用户数；S202、选取台区4月、7月、10月和1月各月前30天的用户日负荷曲线，并对个别数据缺失的点利用上下相近数据平均值进行填充；S203、选取本年度4月、7月、10月和1月各月前30天的气象状况、星期类型、时间段和节假日类型，并对其进行如下模糊处理；S204、初始化BP神经网络，设置神经网络输入层节点数为4、输出层节点数为1、隐含层节点为6，设定神经网络学习速率为0.1，目标误差为0.001，迭代次数最大为3000次；S205、选取4月、7月、10月和1月各月前29天的数据，进行基于BP神经网络算法的负荷预测模型训练；S206、选取4月、7月、10月和1月各月第30天的数据进行模型准确度验证。进一步的，所述气象状况、星期类型、时间段和节假日类型的量化模糊处理具体形式为：晴天，阴天，雨雪分别量化为A＝[1,2,3]；星期一，星期二，星期三，星期四，星期五，星期六，星期日分别量化为B＝[2,2,2,2,2,1,1]；23:00-7:00，7:00-11:00，11:00-13:00，13:00-17:00，17:00-19:00，19:00-23:00分别量化为C＝[0,1,3,1,3,2]；节假日，节假日前后一天，非节假日量化为D＝[3,2,1]。进一步的，所述的建立基于边缘计算的台区电压估算模型具体包括以下步骤：S301、选取台区支路节点、台区用户数、台区线路类型、线路长度；S302、选取台区4月、7月、10月和1月各月前30天的用户日电压曲线和日负荷曲线，并对个别数据缺失的点利用上下相近数据平均值进行填充；S303、初始化BP神经网络，设置神经网络输入层节点数为4、输出层节点数为1、隐含层节点为7，设定神经网络学习速率为0.1，目标误差为0.001，迭代次数最大为5000次；S304、选取4月、7月、10月和1月各月前29天的数据，进行基于BP神经网络算法的台区低电压估算模型训练；S305、选取4月、7月、10月和1月各月第30天的数据进行模型准确度验证，完成台区低电压估算模型的建立；进一步的，所述的神经网络输入层节点数为4，具体包括台区出线电压、线路长度、线路类型、台区节点功率；所述输出层节点为台区节点电压。进一步的，所述的进行基于边缘计算的台区电压智能就地预判具体包括结合已建立好的基于边缘计算的台区负荷预测模型和基于边缘计算的台区电压估算模型，输入台区出线电压、各分支线路末端用户的线路长度、线路类型、预判功率，预测末端用户电压；判断该分支线路末端用户是否为低电压用户，若是，则计算该末端用户前一个用户的电压状况，直至前一个用户为非低电压用户为止，完成台区低电压用户的预测。本专利技术提供了一种基于边缘计算的台区低电压智能就地预判方法。该方法基于配电台区边缘计算终端，首先通过获取台区历史负荷数据，建立基于BP神经网络的台区负荷预测模型，获得台区节点负荷特性与用户用电特性、节假日、气候等的关系；其次通过获取台区基础数据、台区历史电压和负荷预测结果建立基于BP神经网络的台区低电压就地预判模型，实现对台区节点电压的实时短期预判。该方法可以有效满足台区异常工况预判的新要求，实现了台区异常的主动抢修和提高了台区用户的用电质量。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术中基于边缘计算的台区低电压智能就地预判方法的步骤示意图；图2为本专利技术中建立基于边缘计算的台区负荷预测模型的步骤流程示意图；图3为本专利技术中建立基于边缘计算的台区电压估算模型的步骤流程示意图；图4为本专利技术中BP神经网络的流程图。具体实施方式下面结合附图对本公开实施例进行详细描述。以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组本文档来自技高网...

【技术保护点】
1.一种基于边缘计算的台区低电压智能就地预判方法，其特征在于，包括以下步骤：/n步骤1、获取台区基础数据资料和台区历史负荷、电压、气象类数据；/n步骤2、建立基于边缘计算的台区负荷预测模型；/n步骤3、建立基于边缘计算的台区电压估算模型；/n步骤4、进行基于边缘计算的台区电压智能就地预判。/n

【技术特征摘要】
1.一种基于边缘计算的台区低电压智能就地预判方法，其特征在于，包括以下步骤：
步骤1、获取台区基础数据资料和台区历史负荷、电压、气象类数据；
步骤2、建立基于边缘计算的台区负荷预测模型；
步骤3、建立基于边缘计算的台区电压估算模型；
步骤4、进行基于边缘计算的台区电压智能就地预判。


2.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的台区基础数据资料包括台区支路节点、台区用户数、台区线路类型、线路长度。


3.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述台区历史负荷、电压数据包括台区4月、7月、10月和1月各月前30天的用户日电压曲线和日负荷曲线。


4.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的台区历史气象类数据包括本年度4月、7月、10月和1月各月前30天的气象状况、星期类型、时间段和节假日类型。


5.根据权利要求4所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述气象状况、星期类型、时间段和节假日类型的量化模糊处理具体形式为：
晴天，阴天，雨雪分别量化为A＝[1,2,3]；
星期一，星期二，星期三，星期四，星期五，星期六，星期日分别量化为B＝[2,2,2,2,2,1,1]；
23:00-7:00，7:00-11:00，11:00-13:00，13:00-17:00，17:00-19:00，19:00-23:00分别量化为C＝[0,1,3,1,3,2]；
节假日，节假日前后一天，非节假日量化为D＝[3,2,1]。


6.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的建立基于边缘计算的台区负荷预测模型具体包括以下步骤：
S201、选取台区支路节点、台区用户数；
S202、选取台区4月、7月、10月和1月各月前30天的用户日负荷曲线，并对个别数据缺失的点利用上下相近数据平均值进行填充；
S203、选取本年度4月、7月、10月和1月各月前30天的气...

【专利技术属性】
技术研发人员：黄伟翔，鲁林军，高立克，程敏，李珊，秦丽文，潘俊涛，陈绍南，梁广生，姜臻，于力，张斌，
申请(专利权)人：广西电网有限责任公司电力科学研究院，
类型：发明
国别省市：广西;45