基于双向LSTM网络的台区线损率计算方法与流程

基于双向lstm网络的台区线损率计算方法
技术领域
1.本发明属于配电用电技术领域，具体为一种基于双向lstm网络的台区线损率计算方法。


背景技术：

2.现今电网公司以提质增效节能降损为目标，对配电网实现精细化管理，理论线损是反映配电网损耗情况的重要部分。
3.对理论线损的计算方法并不少见，例如常用的均方根电流法、平均电流法、潮流法及前推回代法等。但随着电网信息化水平不断提升，配电网线路逐渐复杂，传统计算方法对生产管理系统、营销业务系统、用电信息采集系统等现有数据的挖掘力度不够，造成大量数据资源闲置，并没有得到高效利用，同时，传统计算方法在配电网理论线损计算方面开始出现计算量大，计算精度低等问题。


技术实现要素：

4.本发明采用智能算法与理论线损相结合，设计了基于双向lstm网络的台区线损率计算方法，提升了台区理论线损计算精度，减少计算时间，增强稳定性。
5.本发明采用的技术方案是，
6.基于双向lstm网络的台区线损率计算方法，包括如下步骤：
7.步骤1：筛选出线损率稳定的台区训练样本集合；
8.步骤2：收集整理配电网台区基础信息，选择台区运行状态参数；
9.步骤3：针对每类台区分别基于双向lstm网络模型构建台区线损率计算模型；
10.步骤4：训练台区线损率计算模型；
11.步骤5：选择试验数据输入台区线损率计算模型，得到台区理论线损计算结果。
12.进一步，所述步骤1包括，在选择台区样本数据时，剔除掉采集未全覆盖、台区下有光伏发电用户、户变关系调整、线损率为负值或超过10％的台区样本。
13.进一步，所述台区运行状态参数包括售电量、负载率、三相不平衡度、功率因数、环境温度。
14.进一步，所述步骤3包括，
15.步骤301：将隐藏层神经单元分为正时间方向和负时间方向两个独立的隐藏层；
16.步骤302：将两个独立的隐藏层前馈到相同的输出层，同时包括过去和未来的序列信息；
17.步骤303：第1层lstm计算当前时间点顺序信息，第2层lstm反向读取相同的序列；
18.步骤304：添加逆序信息，每层lstm具有不同参数。
19.进一步，所述线损率计算模型输入属性包括台区运行年限、居民容量占比、居民户均容量、台区用户数量、日售电量、日负载率、日均三相不平衡度、日均功率因数、日均气温。
20.进一步，所述步骤4包括，
21.步骤401：搜索单层模型最佳隐藏单元数量并将其固定；
22.步骤402：增加一层隐藏层，在步骤401的基础上搜索该层最佳隐藏单元数；
23.步骤403：统计每个训练样本输入到台区线损率计算模型的均方误差；
24.步骤404：设定均方根误差最小的模型参数作为台区线损率计算模型的最终参数。
25.本发明的工作原理和有益效果是：
26.基于双向lstm网络的台区线损率计算，使用智能算法与理论线损相结合弥补了传统算法计算量大效率低的问题。将线性回归模型、支持向量机回归模型、回归树模型与双向lstm网络的预测结果进行对比分析，采用十折交叉验证，都可得出本方法计算结果最优的结论。并且本算法使用的双向lstm网络弥补了lstm网络缺乏下文语义信息的不足的问题。由此本发明可以提升台区理论线损的精确性，对配电网台区线损的精细化管理具有重要意义。
27.下面结合附图对本发明进行详细说明。
附图说明
28.图1是本发明的流程图。
具体实施方式
29.以下结合具体实施例及附图对本发明的技术方案作进一步详细的描述，但本发明的保护范围及实施方式不限于此。
30.具体实施例，如图1所示，本发明为基于双向lstm网络的台区线损率计算方法，
31.(1)选择台区样本数据，重点剔除以下几种不合格台区：采集未全覆盖；台区下有特殊用户，如光伏发电；发生业务变更，如户变关系调整；线损率为负值或超过10％。筛选出线损率稳定的台区训练样本集合；
32.(2)确定台区训练样本集合后，选择台区运行状态参数，主要包括售电量、负载率、三相不平衡度、功率因数、环境温度；
33.(3)针对每类台区分别基于双向lstm网络模型构建台区线损率计算模型，模型输入属性包括台区运行年限、居民容量占比、居民户均容量、台区用户数量、日售电量、日负载率、日均三相不平衡度、日均功率因数、日均气温。
34.建立双向lstm网络计算模型的步骤为，首先将隐藏层神经元分成正时间方向和负时间方向2个部分，具有2个独立的隐藏层，然后前馈到相同的输出层，同时包括过去和未来的序列信息。第1层lstm计算当前时间点顺序信息，第2层lstm反向读取相同的序列，添加逆序信息，每层lstm具有不同参数。
35.在双向lstm的网络中，通过向前隐含层状态和向后隐含层状态得到输出p
t
。在t＝1到t方向上，为当前神经元的输入x到此刻隐含层的权重，为上一时刻状态量到当前状态量的权重，为上一时刻隐含层状态输出值，为偏移项，可表示为：
36.在t＝t到1方向上与正序计算方法一致：
37.双向lstm在两个方向同时迭代，将隐含层状态加权计算得到预测值p
t
，表示为：
38.双向lstm的隐含层最终计算并保存两个权重，包括前向输出向量和反向输出向量其计算过程与lstm相似，具体计算过程为：
[0039][0040][0041]
双向lstm是传统lstm的扩展，可以提高序列分类问题的模型性能。在输入序列的所有时间步长可用的问题中，双向lstm在输入序列上训练两个而不是一个lstm。输入序列中的第一个是原有的，第二个是输入序列的反转副本。这可以为网络提供额外的上下文，从而更快、更充分地学习问题。基于时间序列的预测，当前时间点临近过去和未来的序列信息都可用于评估当前时刻，且不依赖预定义参数。然而，传统lstm神经网络只能使用某一时刻之前的输入信息来预测结果，忽略了一定的信息。双向lstm是基于整个时间序列对输出进行预测。
[0042]
双向lstm网络弥补了传统lstm缺乏下文语义信息的不足，能够同时利用过去和未来的信息，可以更好地学习源代码的序列信息，双向结构比传统lstm结构预测误差更小。在使用时间序列训练神经网络时观察整个周期非常重要，双向结构较传统结构更有优势。
[0043]
构建lstm网络模型的具体步骤为：
[0044]
①
输入门、遗忘门和输出门
[0045]
长短期记忆的门的输入均为当前时间步输入x
t
与上一时间步的隐藏状态h
t
‑1，输出由值域为[0,1]的sigmoid激活函数的全连接层计算得到。具体来说，假设隐藏单元个数为h，给定时间步t的小批量输入x
t
∈r
n
×
d
(样本数为n，输入个数为d)和上一时间步隐藏状态h
t
‑1∈r
n
×
h
。时间步t的输入门i
t
∈r
n
×
h
、遗忘门f
t
∈r
n
×
h
和输出门o
t
∈r
n
×
h
分别计算如下：
[0046]
i
t
＝σ(x
t
w
xi
h
t
‑1w
hi
b
i
)
[0047]
f
t
＝σ(x
t
w
xf
h
t
‑1w
hf
b
f
)
[0048]
f
t
＝σ(x
t
w
xo
h
t
‑1w
ho
b
o
)
[0049]
其中，w
xi
，w
xf
，w
xo
∈r
d
×
h
，w
hi
，w
hf
，w
ho
∈r
h
×
h
是权重参数，b
i
，b
f
，b
o
是偏差参数。
[0050]
②
候选记忆细胞、记忆细胞
[0051]
时间步t的候选记忆细胞的计算为：
[0052][0053]
其中，w
xc
∈r
d
×
h
和w
hc
∈r
h
×
h
是权重参数，b
c
∈r
l
×
h
是偏重参数，tanh函数是值域[
‑
1,1]的激活函数。当前时间步记忆细胞的计算组合了上一时间步记忆细胞和当前时间步候选记忆细胞的信息，并通过遗忘门和输入门来控制信息的流动：
[0054][0055]
遗忘门控制上一个时间步的记忆细胞中的信息能否流入到当前时间步，而输入门则控制当前时间步的输入通过候选记忆细胞如何流入当前时间步的记忆细胞。如果遗忘门一直近似1且输入门一直近似0，过去的记忆细胞将一直通过时间保存并传递至当前时间
步。
[0056]
③
隐藏状态
[0057]
在记忆细胞基础上，可以通过输出门来控制从记忆细胞到隐藏状态h
t
∈r
n
×
h
的信息流动：
[0058]
h
t
＝o
t
⊙
tanh(c
t
)
[0059]
其中tanh函数确保隐藏状态元素在
‑
1到1之间。需要注意的是，当输出门近似1时，记忆细胞信息将传递到隐藏状态供输出层使用；当输出门近似0时，记忆细胞信息志自己保留。
[0060]
基于时间序列的预测，当前时间点临近过去和未来的序列信息都可用于评估当前时刻，且不依赖预定义参数。然而lstm神经网络只能使用某一时刻之前的输入信息来预测结果。双向lstm则基于整个时间序列对输出进行预测，因此需要建立双向lstm模型。
[0061]
(4)训练台区线损率计算模型；
[0062]
在台区线损率计算模型训练阶段，最重要的参数是双向lstm网络层数和每层隐藏单元的数量。层数越多、隐藏单元数量越多，模型非线性拟合能力越强,但模型复杂度也会大幅增加。确定lstm模型的层数及其隐藏单元数量具体步骤是：
[0063]
①
搜索单层模型最佳隐藏单元数量并将其固定；
[0064]
②
增加一层隐藏层，在步骤401的基础上搜索该层最佳隐藏单元数；
[0065]
以此类推,训练数据带入双层lstm模型进行模型训练得到的均方误差最小时所对应的层数及隐藏单元数量为lstm模型最终参数。
[0066]
通过不同学习参数的模型均方误差进行分析，可确定模型层数为某值时，模型效果最好，并将此参数下的双向lstm模型作为最终的台区线损率计算模型。
[0067]
(5)选择试验数据输入台区线损率计算模型，得到台区理论线损计算结果。将结果与真实线损率作对比，可为业务人员提供参考。