一种基于深度学习的低压台区线损估计方法技术

本发明专利技术公开了一种基于深度学习的低压台区线损估计方法，首先采集台区历史运行数据，对该数据集进行多维度关联性分析，获取最优特征参数集合；然后构建能够提取时序数据特征的多端口GRU网络结构及能够深度提取数据特征的ResNet结构，组成深度神经网络模型，并定义深度神经网络的拟合目标；再使用基于最优特征参数集合构建的训练数据集进行训练，并由测试数据集进行测试；最后部署并投入使用。本发明专利技术不仅能够对观测信息不及时、不完善的低压台区的理论线损进行准确估计，提高计算速度和计算准确性；同时还对采集的历史数据进行特征提取，实现数据降维，降低计算成本。降低计算成本。降低计算成本。

【技术实现步骤摘要】
一种基于深度学习的低压台区线损估计方法


[0001]本专利技术涉及低压配电
，特别涉及一种基于深度学习的低压台区线损估计方法。

技术介绍

[0002]随着工业与经济的不断发展，各国开始重视并着手开展节能减排相关战略。我国政府十分重视节能减排工作，把其作为经济提高、发展方式转变的重要指标。“线损跳高，效益跳水”，国网公司总部先后于2016年和2018年两次出台了关于加强线损管理的文件，同安全生产一样，线损管理对电网企业的管理也具有十分重要的意义。
[0003]线损是反映电力企业的经营和管理水平重要技术经济指标，其大小与电力企业的经济效益息息相关。节能降损是长期国策。线损率是电力系统的一项重要技术经济指标，它同时也是衡量电力企业经营水平和管理水平的一项综合性技术经济指标。努力降低电网的电能损耗，对于管理线损尽力减到最少，将技术线损控制在合理的范围内是各级供电企业的一项必不可少的工作。由于统计线损中包含了管理线损电量，不能反映电力网的真实损耗情况，因此先计算出电网的理论线损率，再与统计线损率进行比较，如果两者相差太大，说明管理线损电量很大，需要采取一些管理和组织措施进行降损。理论线损计算不仅可以加强线损管理，为制定合理的线损考核指标提供依据，还可以在技术经济方面对各种降损措施的技术方案进行比较，考察各降损措施的实际效果。通过线损的理论计算，可以清晰的了解电网中损耗的构成情况，例如理论线损电量的占比，不明线损电量的占比，各电压等级下电网损耗的占比，线路、变压器等各元件损耗的占比等等，掌握电网中线损构成利于线损的分压、分区、分线、分台区的“四分”管理。同时，通过线损的理论计算还可以发现线损管理工作中的薄弱环节，并进行针对性改进。由此可见，线损理论计算可以指导和促进线损管理工作。

技术实现思路

[0004]本专利技术的目的在于：在不依赖复杂的理论计算方式的前提下，仅利用丰富的历史运行数据就对观测信息不及时、不完善的低压台区的理论线损进行准确估计，提高计算速度和计算准确性；同时，对采集的历史数据进行特征提取与降维，形成一种基于深度学习的低压台区线损估计方法。技术方案如下：
[0005]一种基于深度学习的低压台区线损估计方法，包括以下步骤：
[0006]S1：采集台区历史运行数据，包括各节点数据D、支路数据B和关于总线损有功功率的台区历史线损数据L
a
，以及关于各支路线损的有功功率的台区历史线损数据L
b
；
[0007]S2：对所述历史运行数据进行多维度关联性分析：对各节点数据D与台区历史线损数据L
a
之间的互信息值计算，对各支路数据B与台区历史线损数据L
b
之间的灰色关联度计算，以及对各支路数据B的同期数据之间的相似度计算；
[0008]S3：对各节点数据D与台区历史线损数据L
a
之间的互信息值由大到小排列，筛选各
项数据的互信息值均排列最靠前的G个节点作为节点数据提取节点；根据各支路数据B与台区历史线损数据L
b
之间的灰色关联度的大小，确定以电压幅值、电流作为数据提取的参数类型；根据各支路数据B的同期数据之间的相似度大小，选择以待预测时间点的n日内的前k小时数据作为时序数据序列；从而获取最优特征参数集合X；
[0009]S4：构建用于提取台区数据中如电压曲线、功率曲线等具有时序结构数据的特征多端口GRU网络结构，及用于缓解数据特征提取过程中发生梯度消失和梯度爆炸问题的ResNet结构，组成深度神经网络模型；
[0010]S5：定义深度神经网络的拟合对象包括：台区整体的线损有功功率、台区各支路的线损有功功率和台区整体的线损有功功率的预测偏差；使用基于最优特征参数集合X构建的训练数据集进行训练；
[0011]S6：部署并投入使用。
[0012]进一步的，所述各节点数据D中，D＝{D
v
,D
a
,D
p
,D
q
}；其中，D
v
代表各节点的历史电压幅值数据，D
a
代表各节点的历史电压相位角数据，D
p
代表各节点的历史有功功率数据，D
q
代表各节点的历史无功功率数据；
[0013]所述台区历史线损数据L
a
中，L
a
＝(L
a,t
|t∈T)；其中，T代表所有历史数据各自描述的系统运行状态所对应的时间，L
a,t
代表各时间下台区的总线损有功功率；
[0014]所述支路数据B中，B＝{B
v
,B
a
,B
i
}；其中，B
v
代表各支路的历史首末端电压幅值偏移数据，B
a
代表各支路的历史首末端电压相位角偏移数据，B
i
代表各支路的历史电流幅值数据；
[0015]所述台区历史线损数据L
b
中，L
b
＝(L
b,t
|t∈T)，其中T代表所有历史数据各自描述的系统运行状态所对应的时间，L
b,t
代表各时间下台区的各支路线损的有功功率。
[0016]更进一步的，所述对各节点数据D与台区历史线损数据L
a
之间的互信息值计算具体为：
[0017][0018]其中，D
ij
∈D，代表四种属于节点数据集D中的四种子数据集中的第i个中第j个节点的数据；d
ij,t
代表D
ij
中第t个时刻/时间段的数值；p(d
ij,t
,L
a,t
)表示d
ij,t
与L
a,t
的联合概率函数；p(d
ij,t
)、p(L
a,t
)分别表示d
ij,t
与L
a,t
的边缘概率函数。
[0019]更进一步的，所述对各支路数据B与台区历史线损数据L
b
之间的灰色关联度计算包括：
[0020]计算第t个时刻/时间段，第i种支路据与对应的史线损数据L
b,t
的灰色关联度值ξ
i
(t)，以及总的灰色关联度值γ
i
：
[0021][0022][0023]式中，α和β分别为在所有时刻/时间段t中，及所有支路数据种类i中，时刻/时间段t下第i种支路据与对应的史线损数据L
b,t
之差的绝对值中的最小者和最大者；ρ为比例系数，B
i,t
∈B
i
，代表各时间下各支路的电流幅值数据。
[0024]更进一步的，所述对各支路数据B的同期数据之间的相似度计算具体为：
[0025][0026]式中，t0代表待研究时间点；N代表相对时间点t0之前的天数本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的低压台区线损估计方法，其特征在于，包括以下步骤：S1：采集台区历史运行数据，包括各节点数据D、支路数据B和关于总线损有功功率的台区历史线损数据L
a
，以及关于各支路线损的有功功率的台区历史线损数据L
b
；S2：对所述历史运行数据进行多维度关联性分析：对各节点数据D与台区历史线损数据L
a
之间的互信息值计算，对各支路数据B与台区历史线损数据L
b
之间的灰色关联度计算，以及对各支路数据B的同期数据之间的相似度计算；S3：对各节点数据D与台区历史线损数据L
a
之间的互信息值由大到小排列，筛选各项数据的互信息值均排列最靠前的G个节点作为节点数据提取节点；根据各支路数据B与台区历史线损数据L
b
之间的灰色关联度的大小，确定以电压幅值、电流作为数据提取的参数类型；根据各支路数据B的同期数据之间的相似度大小，选择以待预测时间点的n日内的前k小时数据作为时序数据序列；从而获取最优特征参数集合X；S4：构建用于提取台区数据中具有时序结构数据特征的多端口GRU网络结构，及用于缓解数据特征提取过程中发生梯度消失和梯度爆炸问题的ResNet结构，组成深度神经网络模型；S5：定义深度神经网络的拟合对象包括：台区整体的线损有功功率、台区各支路的线损有功功率和台区整体的线损有功功率的预测偏差；使用基于最优特征参数集合X构建的训练数据集进行训练；S6：部署并投入使用。2.根据权利要求1所述基于深度学习的低压台区线损估计方法，其特征在于，所述各节点数据D中，D＝{D
v
,D
a
,D
p
,D
q
}；其中，D
v
代表各节点的历史电压幅值数据，D
a
代表各节点的历史电压相位角数据，D
p
代表各节点的历史有功功率数据，D
q
代表各节点的历史无功功率数据；所述台区历史线损数据L
a
中，L
a
＝(L
a,t
|t∈T)；其中，T代表所有历史数据各自描述的系统运行状态所对应的时间，L
a,t
代表各时间下台区的总线损有功功率；所述支路数据B中，B＝{B
v
,B
a
,B
i
}；其中，B
v
代表各支路的历史首末端电压幅值偏移数据，B
a
代表各支路的历史首末端电压相位角偏移数据，B
i
代表各支路的历史电流幅值数据；所述台区历史线损数据L
b
中，L
b
＝(L
b,t
|t∈T)，其中T代表所有历史数据各自描述的系统运行状态所对应的时间，L
b,t

【专利技术属性】
技术研发人员：袁晓燕，王喆，马力，
申请(专利权)人：国网甘肃省电力公司张掖供电公司，
类型：发明
国别省市：