【技术实现步骤摘要】
本专利技术涉及，尤其涉及一种基于大数据的线损检测方法及系统。
技术介绍
1、线损，即线路损耗，是指在输电和配电线路中，由于电流通过导线产生的电阻热损耗、感应电磁波损耗和电容电流损耗等原因，导致电能在传输过程中发生损失的现象。线损是衡量电力系统运行质量的重要指标，通过降低线损可以提高电力系统的运行效率和经济性。
2、随着我国经济社会的发展，电力需求快速增长，尤其是清洁能源大规模开发利用的需要，使电网安全、清洁能源发展、生态环境面临严重问题。国家电网在为经济社会发展提供坚强的电力保障的同时，对电网节能降损工作提出了更高要求。线损率指标综合反映电网运行中各环节的损耗，集中体现生产、调度、营销等各项核心业务的管理水平。国家电网公司长期重视电量与线损管理，建立了完整的电量统计和线损管理体系，常态化开展发供用售等电量统计以及线损指标管理、理论线损计算等。
3、现有的线损预测模型通常会考虑诸如天气、负载变化、设备老化等因素，但却未有考虑由于大型活动导致的网络过载等因素。然而，大型活动(如演唱会、体育赛事、节日庆典等)可能会导致电网负荷突然增加，从而引起电网波动，进而影响线损率，故需要研究一种大型活动期间的线损检测方案。
技术实现思路
1、为了解决上述问题，本专利技术的目的在于提供一种基于大数据的线损检测方法及系统，能够有效提高大型活动期间的线损检测准确性，进一步提高电网运行的稳定性。
2、为实现上述目的，本专利技术采用以下技术方案：
3、一种基于大
4、步骤s1:获取大型活动数据,并结合天气数据和电网负荷数据，利用时间序列分析方法，分析大型活动对电网负荷的影响，构建电网波动预测模型；
5、步骤s2:基于电网波动数据，结合历史线损数据，利用回归分析方法，分析电网波动对线损数据的影响，并建立模型来描述电网波动与线损数据之间的关系模型；
6、步骤s3:结合电网波动预测模型和电网波动与线损数据之间的关系模型，建立大型活动时的线损预测模型；
7、hat{y}＝beta_0+beta_1hat{x}_1+beta_2hat{x}_2+...+beta_nhat{x}_n+varepsilon
8、其中，hat{y}为线损预测值；beta_0、beta_1、beta_2..beta_n是回归系数，varepsilon是误差项；hat{x}_1、hat{x}_2...hat{x}_n电网波动预测数据；
9、步骤s4:根据历史数据进行模型的训练和验证，评估模型的拟合程度和预测准确性，并进行优化，得到最终的预测模型；
10、步骤s5：将待举行的大型活动数据、预测的天气数据和电网数据，输入预测模型，得到理论线损；
11、步骤s6:根据大型活动时的获取的同期线损以及理论线损分析是否存在异常，若存在异常则及时通知人员进行处理。
12、进一步的，所述步骤s1具体为：
13、获取大型活动数据、天气数据和电网负荷数据，并按时间序列进行整理和清洗，并基于stl分解，对电网负荷数据进行季节性分解，以识别趋势、季节性和残差成分；
14、对季节性分解后的数据进行多阶差分；
15、通过自相关函数和偏自相关函数的图形分析，确定arima模型的阶数(p,d,q)；
16、根据确定的阶数，拟合arima模型，并估计模型的参数，所述arima模型具体如下；
17、(1-phi_1b-phi_2b^2-...-phi_pb^p)(1-b)^dx_t＝c+(1+theta_1b+theta_2b^2+...+theta_qb^q)varepsilon_t
18、其中，x_t是时间序列数据；b是滞后算子；phi_1,phi_2,..,phi_p是自回归系数；theta_1,theta_2,...,theta_q是移动平均系数；d是差分阶数；c是常数项；varepsilon_t是白噪声序列
19、hat{x}{t+h}＝c+(1+theta_1b+theta_2b2+...+theta_qbq)varepsilon{t+h}
20、其中hat{x}{t+h}是未来时刻t+h电网波动的预测值。
21、进一步的，所述通过自相关函数和偏自相关函数的图形分析，确定arima模型的阶数(p,d,q)，具体为：
22、对经过季节性分解并进行了多阶差分的时间序列数据进行观察，得到差分后的序列nabla^d y_t；
23、以绘制nabla^d y_t的自相关函数图形acf和偏自相关函数图形pacf；
24、根据自相关函数图形acf和偏自相关函数图形pacf的截尾特性来确定arima模型的阶数(p,d,q)。
25、进一步的，所述步骤s2具体为：
26、获取一段时间内的电网波动数据和相应的线损数据，并对收集到的数据进行预处理，包括数据清洗、缺失值处理、异常值处理；
27、基于多元线性回归模型来描述电网波动与线损数据之间的关系表示为：
28、y＝beta_0+beta_1x_1+beta_2x_2+...+beta_nx_n+varepsilon
29、其中，y是线损数据；x_1,x_2,...,x_n是电网波动数据；
30、基于预处理后的数据对模型进行拟合，估计回归系数，所述预处理后的数据包括电网波动数据和相应的线损数据；使用电网波动数据来计算模型的预测值，计算相应的线损数据与模型预测值之间的残差，即每个y值与对应的模型预测值之差；
31、最小化残差平方和，即找到使残差平方和最小的回归系数beta_0,beta_1,...,beta_n。
32、进一步的，所述步骤s4具体为；
33、获取历史大型活动数据,天气数据、电网负荷数据和线损数据，并预处理后分为训练集和测试集；
34、使用训练集对线损预测模型进行lasso回归训练，通过最小化带有l1惩罚项的损失函数来进行模型拟合；
35、使用测试集对训练好的lasso回归模型进行验证，计算模型对测试集中线损数据的预测准确性，评估lasso回归模型的拟合程度和预测准确性；
36、根据评估结果对lasso回归模型进行优化，通过交叉验证寻找最佳的l1惩罚项系数，得到最终的预测模型。
37、进一步的，所述评估lasso回归模型的拟合程度和预测准确性，具体如下；
38、拟合程度；
39、根据模型的残差的分布情况，判断模型是否符合线性回归的假设；
40、计算决定系数r^2＝1-(ss_res/ss_tot)
41、其中，ss_res表示残差平方和(sum of squares of residuals)，表示模型预测值与实际观测值之间的差异；ss_t本文档来自技高网...
【技术保护点】
1.一种基于大数据的线损检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据的线损检测方法，其特征在于，所述步骤S1具体为：
3.根据权利要求2所述的基于大数据的线损检测方法，其特征在于，所述通过自相关函数和偏自相关函数的图形分析，确定ARIMA模型的阶数(p,d,q)，具体为：
4.根据权利要求1所述的基于大数据的线损检测方法，其特征在于，所述步骤S2具体为：
5.根据权利要求1所述的基于大数据的线损检测方法，其特征在于，所述步骤S4具体为；
6.根据权利要求5所述的基于大数据的线损检测方法，其特征在于，所述评估Lasso回归模型的拟合程度和预测准确性，具体如下；
7.根据权利要求1所述的基于大数据的线损检测方法，其特征在于，所述步骤S6具体为：
8.一种基于大数据的线损检测系统，其特征在于，包括处理器、存储器以及存储在所述存储器上的计算机程序，所述处理器执行所述计算机程序时，具体执行如权利要求1-7任一项所述的一种基于大数据的线损检测系统方法中的步骤。
【技术特征摘要】
1.一种基于大数据的线损检测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于大数据的线损检测方法，其特征在于，所述步骤s1具体为：
3.根据权利要求2所述的基于大数据的线损检测方法，其特征在于，所述通过自相关函数和偏自相关函数的图形分析，确定arima模型的阶数(p,d,q)，具体为：
4.根据权利要求1所述的基于大数据的线损检测方法，其特征在于，所述步骤s2具体为：
5.根据权利要求1所述的基于大数据的线损检测方法，其...
【专利技术属性】
技术研发人员：陆鑫，陈婧，林超，黄屏发，施炜炜，战英明，张立娜，李珈颖，胡剑地，吴建航，李想，
申请(专利权)人：国网信通亿力科技有限责任公司，
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。