本发明专利技术公开一种基于数据预测填充及全局动态模型的线损计算方法，属于线损检测技术领域，包括以下步骤：步骤1：异常数据确定，列举线损数据类型，排查数据异常的主要原因作为聚类数目输入；步骤2：聚类分组，利用近邻传播算法对异常数据进行数据分组，重复迭代增强准确性；步骤3：缺失数据预测填充，采用DNN算法，对每类数据分别进行训练学习，并利用包外数据进行预测；步骤4：理论线损计算，将电网中的运行设备和线损关联，建立全局网络动态模型，可增强线损计算的准确性，辅助实现异常线损缺陷的准确定位。准确定位。准确定位。
【技术实现步骤摘要】
基于数据预测填充及全局动态模型的线损计算方法
[0001]本专利技术属于线损检测
，尤其涉及一种基于数据预测填充及全局动态模型的线损计算方法。
技术介绍
[0002]随着我国基础建设速度的加快，电网中的基础设施建设规模也愈发庞大。为了实现对配网线损的精准管理和质量把控，国家电网提出了保证规划和指导的科学目标，要求提高电网设备和资源的使用率。然而，在国家电网的配网中，电能损耗情况越来越严重，造成了社会资源的大量浪费，导致整个社会的经济发展遭受了巨大影响。造成电能损耗情况愈发严峻的原因，主要是线损管理不合理造成的。
[0003]为了降低线路损耗，提高社会的能源利用效率，势必要对目前线损管理方案进行优化。开展配电网理论线损计算，不仅可以优化电网结构、调度运行方式和降损分析，更重要的是可以显著提高经济效益。因此计算速度快、计算结果精度高的配电网线损计算方法是众多供电企业共同追求的目标。
[0004]在实际计算过程中，实际线损的精确计算往往很难实现，主要的问题是各种计算结果的精度主要取决于原始数据是否齐全和准确。由于人为差错、采用的测量仪表故障和计算设备的计算精确性等因素也都会对配电网的理论线损计算精度产生影响，此外，在数据传输过程中由于每日数据上传量十分巨大，难免会产生数据丢失、错误等数据异常情况。目前对线损预测的实现多是根据负荷种类对数据进行聚类，然后利用LSTM或随机森林等算法对实际线损进行预测，忽视了虚假线损和缺失线损的影响，导致预测结果不是很理想。针对线损数据缺失异常台区的处理关键在于如何准确预测填充缺失的数据。所以需要一种排查异常线损数据，并将缺失数据智能填充的方法，以更加精确的计算实际线损。
[0005]另外异常线损的实质是理论线损与实际线损不匹配，在目前的管理系统中，常用门限法对线损率进行管理。需要较为精确的理论线损才能设定，而目前的理论线损通常是通过静态模型来计算的，其中负荷情况和设备状态不足，且忽略了较多小负荷产生的线损，导致以往的理论线损计算模型精确度不足。所以需要一种能够考虑设备状态和各种负荷的理论线损计算方法，以提高准确性。
技术实现思路
[0006]针对现有技术存在的不足，本专利技术的目的是提供一种可以实现异常线损缺陷的准确定位的数据预测填充及全局动态模型的线损计算方法。
[0007]本专利技术的目的是这样实现的：一种基于数据预测填充及全局动态模型的线损计算方法，包括以下步骤：
[0008]步骤1：异常数据确定，列举线损数据类型，排查数据异常的主要原因作为聚类数目输入；
[0009]步骤2：聚类分组，利用近邻传播算法对异常数据进行数据分组，重复迭代增强准
确性；
[0010]步骤3：缺失数据预测填充，采用DNN算法，对每类数据分别进行训练学习，并利用包外数据进行预测；
[0011]步骤4：理论线损计算，将电网中的运行设备和线损关联，建立全局网络动态模型。
[0012]进一步地，所述步骤1中，所述异常数据包括电表停走、电表飞走、电表倒走和数据缺失。
[0013]进一步地，所述步骤2的聚类分组包括：
[0014]在给定归属度的条件下，更新相似度矩阵中的每个点的吸引度信息：
[0015][0016]其中r(i，k)为吸引度，从点i发送至候选聚类中心点k，s(i，k)表示点i和点k之间的相似性，s(k，k)为参考度；
[0017]在给定吸引度的条件下，更新每个点的归属度信息：
[0018][0019]其中a(i，k)为归属度，信息从候选聚类中心点k发送至点i，a(i，k)等于自我吸引度r(k，k)加上从其他点获得的积极的吸引度；
[0020]自我归属度a(k，k)等于从其他点获得的积极吸引度之和：
[0021][0022]对每个点的吸引度信息和归属度信息进行求和，进行决策，判断迭代是否停止，之后重复上述步骤实现迭代过程。
[0023]进一步地，所述步骤3中，对每类数据分别训练学习，并利用包外数据进行预测包括：
[0024]获取步骤2中的异常数据，对数据进行统一量纲处理，并进行归一化处理，公式如下：
[0025][0026]式中，n表示需要归一化处理的数据总数，x
i
为要处理的第i个数据，y
i
为经过归一化处理的第i个数据，max
1＜i＜n
(x
i
)和min
1＜i＜n
(x
i
)分别为所有数据中最大、最小数据；
[0027]之后分配样本集和测试集，训练回归模型。
[0028]进一步地，所述步骤4中，对电网中运行设备的状态模型进行测量，所述状态模型包括电能状态模型和用户行为模型，所述电能状态模型包括电能计量装置、变压器和二次侧回路。
[0029]进一步地，所述计量装置计量误差
‑
时间公式如下：
[0030][0031]式中，E0为基本误差，其值为上一时刻校准的平均误差，退化因子c表示方差，E
i
为上一时刻校准误差。
[0032]进一步地，所述于二次侧回路中，二次侧线路阻值为：
[0033][0034]式中，R0为每次检修后线路阻值，L为负荷系数，所述L的计算公式为：
[0035]L＝k
∑p
·
∑P
c
+k
∑q
·
∑Q
c
[0036]式中，系数k为需用系数，k
∑p
和k
∑q
分别为有功功率和无功功率的同时系数，∑P
c
为各用电设备组有功计算负荷之和，∑Q
c
为各用电设备组无功计算负荷之和。
[0037]进一步地，所述变压器的电压压降模型为：
[0038][0039]式中，U
T
为变压器电压，R
M
为电能表电阻，U
T
和R
M
均为常数。
[0040]进一步地，所述用户行为模型中，建立传输线阻值公式：
[0041]R
t
＝R*(1+e
‑
at
)
[0042]将上式带入系统模型中，得到理论线损公式：
[0043][0044]其中Q为电网无功，U为线路电压。
[0045]本专利技术相比现有技术突出且有益的技术效果是：本专利技术提供了一种基于数据预测填充及全局动态模型的线损计算方法，首先采用近邻传播算法对数据进行聚类分析，将异常数据划分为不同类型，针对不同类型数据异常，采取不同数据填充修改方案。最后根据获得的较为完整的线损数据，通过建立一种将电网中各种运行设备与线损连接起来的全局动态模型，增强线损计算的准确性，辅助实现异常线损缺陷的准确定位。
附图说明
[0046]图1为本专利技术实施例数据预测填充流程图；
[0047]图2为全连接神经网络图；<本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于数据预测填充及全局动态模型的线损计算方法，其特征在于，包括以下步骤：步骤1：异常数据确定，列举线损数据类型，排查数据异常的主要原因作为聚类数目输入；步骤2：聚类分组，利用近邻传播算法对异常数据进行数据分组，重复迭代增强准确性；步骤3：缺失数据预测填充，采用DNN算法，对每类数据分别进行训练学习，并利用包外数据进行预测；步骤4：理论线损计算，将电网中的运行设备和线损关联，建立全局网络动态模型。2.根据权利要求1所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述步骤1中，所述异常数据包括电表停走、电表飞走、电表倒走和数据缺失。3.根据权利要求1所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述步骤2的聚类分组包括：在给定归属度的条件下，更新相似度矩阵中的每个点的吸引度信息：其中r(i,k)为吸引度，从点i发送至候选聚类中心点k，s(i,k)表示点i和点k之间的相似性，s(k,k)为参考度；在给定吸引度的条件下，更新每个点的归属度信息：其中a(i,k)为归属度，信息从候选聚类中心点k发送至点i，a(i,k)等于自我吸引度r(k,k)加上从其他点获得的积极的吸引度；自我归属度a(k,k)等于从其他点获得的积极吸引度之和：对每个点的吸引度信息和归属度信息进行求和，进行决策，判断迭代是否停止，之后重复上述步骤实现迭代过程。4.根据权利要求1所述的基于数据预测填充及全局动态模型的线损计算方法，其特征在于，所述步骤3中，对每类数据分别训练学习，并利用包外数据进行预测包括：获取步骤2中的异常数据，对数据进行统一量纲处理，并进行归一化处理，公式如下：式中，n表示需要归一化处理的数据总数，x
i
为要处理的第i个数据，y
i
为经过归一化处理的第i个数据，max
1<i<n
(x
i
)和min
1<i<n
(x
i
)分别为所有...
【专利技术属性】
技术研发人员：周思成，薛激光，王丹，王珺，张笑怡，张穆昕，吴彤，赵宇东，代宇，李丹，程文玉，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：
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。