【技术实现步骤摘要】
本专利技术属于电气检测领域，尤其涉及一种分布式电源类型校核方法、装置及存储介质，更具体的是一种基于卷积神经网络算法的分布式电源类型校核方法、装置及存储介质。
技术介绍
1、随着新型电力系统建设全面开展，电网的负荷侧有源化趋势愈加显著。客户侧分布式光伏、分布式风电、电动汽车充电设施、分布式储能、自备电厂等设施广泛接入的同时，出现发用电单位与个人私自变更发电设备类型、扩大或缩减发电容量等问题，给电网在电力调度方面带来新的挑战。大量与登记档案不匹配的电源并网，使得对发电量预测难度增加，对电力供应的质量与安全隐患管控难度加大，用电侧安全用电风险增加。
2、分布式电源是分布在用户侧且自身能进行送电上网的设备，以满足电力供应的需要、支持电网削峰填谷，或者同时满足这2个方面的要求。分布式电源包括：分布式光伏发电、风力发电站、电动汽车充电站、分布式储能、燃气轮机、柴油发电机等。根据用户的需求，分布式电源能够用来充当备用电源、实现新能源消纳、对偏远地区孤岛供电等作用。
3、因此，为了保证电网的安全可靠运行，必须对分布式电源的发用电行为进行监控、预警和校核。分布式电源类型传统的校核方法主要是依赖电网运维人员现场校核，这种校核方法需要电网公司运维人员深入分布式电源所在地，受地理空间与时间的限制较大，不仅耗费大量的人力物力，而且校核的分布式电源覆盖范围有限。
4、而基于智能关口电能表上传的用户发用电数据，利用算法进行分布式电源校核技术是目前新兴的方法。通过利用用户侧智能关口电能表，电网公司可以全天候获取有源客户的发用
5、目前现有算法主要是数值法和机器学习算法进行，很难充分利用大数据，校核精度较差。如果只使用单个用户的智能关口电能表的数据作为校核的输入，则容易受到数据污染，导致出现校核错误。
技术实现思路
1、针对上述现有技术中存在的不足之处，本专利技术提供了一种分布式电源类型校核方法、装置及存储介质。其目的为实现远程准确校核自备电源的类型校核效率。本方法使用大数据作为模型的输入，避免个别自备电源用户数据污染的影响，并使用卷积神经网络的深度学习算法处理数据，提升校核效率的同时，也提升校核的准确性。
2、本专利技术为实现上述目的所采用的技术方案是：
3、一种分布式电源类型校核方法，包括以下步骤：
4、采集分布式电源的发用电数据和标签数据；
5、根据采集的数据，进行发用电数据缺失值处理；
6、将处理后的数据进行类归一化处理，并构建数据增强矩阵；
7、将类归一化处理后的数据输入卷积神经网络模型中进行校核，直至得到正确率升高的校核结果。
8、更进一步的，所述分布式电源的发用电数据包括：分布式光伏电源中仅配置分布式光伏，电源中仅配置电动汽车充电桩，电源中仅配置自备电厂，电源中同时配置分布式光伏和电动汽车充电桩，电源中同时配置分布式光伏和自备电厂，电源中同时配置电动汽车充电桩和自备电厂、电源中同时配置分布式光伏、电动汽车充电桩以及自备电厂；所述标签数据是指将不同类型的分布式电源的发用电数据打上对应的标签，并据此标签进行行数据采集。
9、更进一步的，所述根据采集的数据，进行发用电数据缺失值处理，包括：
10、若分布式电源仅缺失1个发用电数据时，则利用电力数一般插值法补齐缺失数据；
11、若分布式电源缺失2至4个发用电数据时，则利用电力数据向前/后插值法补齐缺失数据；
12、若分布式电源缺失4个以上发用电数据时，则将此日电力数据作废。
13、更进一步的，所述若分布式电源仅缺失1个发用电数据时，则利用电力数一般插值法补齐缺失数据，包括：
14、对缺失值前后各15分钟共6个数据进行插值法补齐缺失数据，如下式：
15、
16、
17、上式中：为关于电力数据缺失值的回归函数；为缺失值补齐公式；为最大允许校核偏差余项；为一阶差商，为二阶差商，为六阶差商；f为缺失值补齐公式中的分项补齐函数，为时间排序在电力数据缺失值之前的第三位电力数据，为时间排序在电力数据缺失值之前的第二位电力数据，为时间排序在电力数据缺失值之后的第三位电力数据；
18、所述若分布式电源仅缺失2至4个发用电数据时，则利用电力数据向前/后插值法补齐缺失数据，指先将时间上最早/迟缺失的数据利用与该时刻最近的前/后数据进行补齐，再利用插值法依次补齐其余数据，其公式如下：
19、
20、上两式中，为通过向后插值得到的数据，为通过向前插值得到的数据，为6阶向后差分，δ6f6为6阶向前差分，γ为分布式电源标准淘汰项，当发用电数据符合电力公司要求则为1，不符合要求则为0，f6为向后插值法构成的回归函数，f0为向前插值法构成的回归函数，t为电力缺失值的时间序列值；
21、所述若分布式电源缺失4个以上发用电数据时，则将此日电力数据作废，其中：
22、经过插值法得到的数据填补矩阵x，得到符合算法网络的矩阵x′，公式如下：
23、
24、上式中，假设原矩阵x中数值缺失，通过向下插值法补齐的缺失值为通过向后插值得到的数据，为电力数据缺失值。
25、更进一步的，所述将处理后的数据进行类归一化处理，并构建数据增强矩阵，包括：
26、采用类归一化的方法，并消除不同规模分布式电源的量纲差异对校核过程的影响，表达式如下：
27、
28、上式中：为分布式电源类型drn第t时间段的原始发用电实测数据，为电力缺失值经过类归一化后的值；
29、则将数据增强后的数值代入矩阵x′，得到数据增强矩阵x″，公式如下：
30、
31、上式中：rnm×288为由数据增强后的电力数据构成的大小为nm×288的实数矩阵；当卷积神经网络利用类归一化后数据输入模型得到校核结果后，利用反类归一化得出各分布式电源类型配置的容量，表达式如下：
32、
33、上式中：为反类归一化后得到的实际电源发用电预测值，为类归一化后电源drn类型第t时间段的发用电预测值，为误差偏值，表示允许校核所处的误差区间，取将反类归一化得到的值组成cnn提取的特征矩阵x″′，x″′，如下式：
34、
35、更进一步的，所述将类归一化处理后的数据输入卷积神经网络模型中进行校核，直至得到正确率升高的校核结果，其中：利用所得数据集，对卷积神经网络进行设置，使用22个大小为[288,1,1]的池化层作为特征提取层，经过22个大小为[144,1,1]的池化层后，进行relu激活，添加最大池化层，依次添加4本文档来自技高网...
【技术保护点】
1.一种分布式电源类型校核方法，其特征是：包括以下步骤：
2.根据权利要求1所述的一种分布式电源类型校核方法，其特征是：所述分布式电源的发用电数据包括：分布式光伏电源中仅配置分布式光伏，电源中仅配置电动汽车充电桩，电源中仅配置自备电厂，电源中同时配置分布式光伏和电动汽车充电桩，电源中同时配置分布式光伏和自备电厂，电源中同时配置电动汽车充电桩和自备电厂、电源中同时配置分布式光伏、电动汽车充电桩以及自备电厂；所述标签数据是指将不同类型的分布式电源的发用电数据打上对应的标签，并据此标签进行行数据采集。
3.根据权利要求1所述的一种分布式电源类型校核方法，其特征是：所述根据采集的数据，进行发用电数据缺失值处理，包括：
4.根据权利要求3所述的一种分布式电源类型校核方法，其特征是：所述若分布式电源仅缺失1个发用电数据时，则利用电力数一般插值法补齐缺失数据，包括：
5.根据权利要求1所述的一种分布式电源类型校核方法，其特征是：所述将处理后的数据进行类归一化处理，并构建数据增强矩阵，包括：
6.根据权利要求1所述的一种分布式电源类型校
7.一种分布式电源类型校核装置，其特征是：包括：
8.根据权利要求7所述的一种分布式电源类型校核装置，其特征是：所述根据采集的数据，进行发用电数据缺失值处理，包括：
9.一种计算机设备，包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1-6中任一项权利要求所述的一种分布式电源类型校核方法的步骤。
10.一种计算机存储介质，其特征是：所述计算机存储介质上存有计算机程序，所述计算机程序被处理器执行时实现权利要求1-6中任一项权利要求所述的一种分布式电源类型校核方法的步骤。
...【技术特征摘要】
1.一种分布式电源类型校核方法，其特征是：包括以下步骤：
2.根据权利要求1所述的一种分布式电源类型校核方法，其特征是：所述分布式电源的发用电数据包括：分布式光伏电源中仅配置分布式光伏，电源中仅配置电动汽车充电桩，电源中仅配置自备电厂，电源中同时配置分布式光伏和电动汽车充电桩，电源中同时配置分布式光伏和自备电厂，电源中同时配置电动汽车充电桩和自备电厂、电源中同时配置分布式光伏、电动汽车充电桩以及自备电厂；所述标签数据是指将不同类型的分布式电源的发用电数据打上对应的标签，并据此标签进行行数据采集。
3.根据权利要求1所述的一种分布式电源类型校核方法，其特征是：所述根据采集的数据，进行发用电数据缺失值处理，包括：
4.根据权利要求3所述的一种分布式电源类型校核方法，其特征是：所述若分布式电源仅缺失1个发用电数据时，则利用电力数一般插值法补齐缺失数据，包括：
5.根据权利要求1所述的一种分布式电源类型校核方法，其特征是：所述将处理后的数据进行类归一化处理，并构建数据增强矩阵，包括：
6.根据权利要求1所述的一种分布式电源类型校核...
【专利技术属性】
技术研发人员：刘桁宇，胡大伟，潘泳超，王浩淼，朱义东，孙家正，张智，周俊，张旭，王白根，陆春光，宋磊，张博智，潘明明，徐子尚，王龙宇，袁金斗，周丽霞，
申请(专利权)人：国网辽宁省电力有限公司电力科学研究院，
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。