电网线损预测方法及装置、存储介质和处理器制造方法及图纸

本发明专利技术公开了一种电网线损预测方法及装置、存储介质和处理器。其中，该方法包括：获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理上述矩阵数据，确定特征图；采用全连接网络处理上述数据特征，得到特征系数；采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。本发明专利技术解决了先有技术中线损预测方法适用性差且准确度较低的技术问题。题。题。

【技术实现步骤摘要】
电网线损预测方法及装置、存储介质和处理器


[0001]本专利技术涉及数据处理
，具体而言，涉及一种电网线损预测方法及装置、存储介质和处理器。

技术介绍

[0002]线损是反映低压台区精益化管理和节能降损水平的重要指标，能够反映一个供电企业的能耗管理水平。线损指标包括了线损率指标和线损管理指标的两部分组成，而且需要电力营销、电能计量、电网经济运行等专业管理方面的支撑，才能保证线损指标的实现。
[0003]但是，部分低压台区供电区域发展不同步，导致线路纵横交错，而且具有用户种类多、用电性质复杂、三相负载不平衡和线损计算偏差大等特点。同时随着光伏、风电等分布式能源在低压台区的大量安装，对台区潮流和线损的时空分布也产生显著影响。随着电网的快速发展，电力用户数量持续增加，低压配电网的规模和结构俞发庞大和复杂，传统的人工巡检和使用专用设备采集方式已经不能适应新时期电网发展的需要，无法进行复杂低压台区拓扑关系精准识别及线损准确计算。
[0004]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0005]本专利技术实施例提供了一种电网线损预测方法及装置、存储介质和处理器，以至少解决先有技术中线损预测方法适用性差且准确度较低的技术问题。
[0006]根据本专利技术实施例的一个方面，提供了一种电网线损预测方法，包括：获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理上述矩阵数据，确定特征图；采用全连接网络处理上述数据特征，得到特征系数；采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。
[0007]可选的，上述获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征，包括：获取目标区域的电力数据，其中，上述电力数据包括：电压数据、电流数据、功率因数数据；对上述电力数据进行构造处理，得到上述矩阵数据；将上述电力数据对应的有源数据、无源数据、供区类型、负载强度、台区类型和月份时间确定为上述数据特征。
[0008]可选的，在上述采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间之前，上述方法还包括：获取历史线损数据；将上述历史线损数据按预设顺序进行排列，得到目标历史线损数据；采用第一预设数量的上述目标历史线损数据进行训练，得到初始预测模型；采用第二预设数量的上述目标历史线损数据进行验证，得到上述目标预测模型。
[0009]可选的，上述采用卷积神经网络处理上述矩阵数据，确定特征图，包括：采用上述卷积神经网络对上述矩阵数据进行特征抽取，确定上述特征图。
[0010]可选的，上述采用全连接网络处理上述数据特征，得到特征系数，包括：采用上述全连接网络对上述数据特征进行特征抽取，确定上述特征系数。
[0011]可选的，上述采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间，包括：对上述特征图和上述特征系数进行拼接处理，得到目标向量；采用激活函数处理上述目标向量，确定上述线损区间。
[0012]根据本专利技术实施例的另一方面，还提供了一种电网线损预测装置，包括：获取模块，用于获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；第一处理模块，用于采用卷积神经网络处理上述矩阵数据，确定特征图；第二处理模块，用于采用全连接网络处理上述数据特征，得到特征系数；拼接模块，用于采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间。
[0013]根据本专利技术实施例的另一方面，还提供了一种非易失性存储介质，上述非易失性存储介质存储有多条指令，上述指令适于由处理器加载并执行任意一项上述的电网线损预测方法。
[0014]根据本专利技术实施例的另一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序被设置为运行时执行任意一项上述的电网线损预测方法。
[0015]根据本专利技术实施例的另一方面，还提供了一种电子设备，包括存储器和处理器，上述存储器中存储有计算机程序，上述处理器被设置为运行上述计算机程序以执行任意一项上述的电网线损预测方法。
[0016]在本专利技术实施例中，通过获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理上述矩阵数据，确定特征图；采用全连接网络处理上述数据特征，得到特征系数；采用目标预测模型对上述特征图和上述特征系数进行拼接处理，确定线损区间，达到了提取电力数据特征的目的，从而实现了对特征数据进行拼接处理得到线损预测区间的技术效果，进而解决了先有技术中线损预测方法适用性差且准确度较低的技术问题。
附图说明
[0017]此处所说明的附图用来提供对本专利技术的进一步理解，构成本申请的一部分，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0018]图1是根据本专利技术实施例的电网线损预测方法流程图；
[0019]图2是根据本专利技术实施例的一种可选的基于卷积神经网络的理论线损区间计算方法流程图；
[0020]图3是根据本专利技术实施例的一种可选的样本数据信息构成图；
[0021]图4是根据本专利技术实施例的一种可选的月度运行工况数据样本制作结构图；
[0022]图5是根据本专利技术实施例的一种可选的“7
‑
3准则”原理图；
[0023]图6是根据本专利技术实施例的一种可选的ReLu激活函数图像示意图；
[0024]图7是根据本专利技术实施例的一种可选的理论线损区间计算模型示意图；
[0025]图8根据本专利技术实施例的一种电网线损预测装置的结构示意图。
具体实施方式
[0026]为了使本
的人员更好地理解本专利技术方案，下面将结合本专利技术实施例中的附图，对本专利技术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
本专利技术一部分的实施例，而不是全部的实施例。基于本专利技术中的实施例，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，都应当属于本专利技术保护的范围。
[0027]需要说明的是，本专利技术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，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本专利技术的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
[0028]实施例1
[0029]根据本专利技术实施例，提供了一种电网线损预测方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网线损预测方法，其特征在于，包括：获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征；采用卷积神经网络处理所述矩阵数据，确定特征图；采用全连接网络处理所述数据特征，得到特征系数；采用目标预测模型对所述特征图和所述特征系数进行拼接处理，确定线损区间。2.根据权利要求1所述的方法，其特征在于，所述获取目标区域的电力数据，并对电力数据进行处理，得到矩阵数据和数据特征，包括：获取目标区域的电力数据，其中，所述电力数据包括：电压数据、电流数据、功率因数数据；对所述电力数据进行构造处理，得到所述矩阵数据；将所述电力数据对应的有源数据、无源数据、供区类型、负载强度、台区类型和月份时间确定为所述数据特征。3.根据权利要求1所述的方法，其特征在于，在所述采用目标预测模型对所述特征图和所述特征系数进行拼接处理，确定线损区间之前，所述方法还包括：获取历史线损数据；将所述历史线损数据按预设顺序进行排列，得到目标历史线损数据；采用第一预设数量的所述目标历史线损数据进行训练，得到初始预测模型；采用第二预设数量的所述目标历史线损数据进行验证，得到所述目标预测模型。4.根据权利要求1所述的方法，其特征在于，所述采用卷积神经网络处理所述矩阵数据，确定特征图，包括：采用所述卷积神经网络对所述矩阵数据进行特征抽取，确定所述特征图。5.根据权利要求1所述的方法，其特征...

【专利技术属性】
技术研发人员：郭帅，王立永，宋玮琼，赵成，宋威，仝霞，步志文，李雪城，朱孝天，冯军，穆毅凡，李季巍，韩柳，宋彦辛，吕凤鸣，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：