基于离散化采样和神经网络的台区理论线损预测方法与流程

1.本发明涉及一种基于离散化采样和神经网络的台区理论线损预测方法，属于配电网管理技术领域。


背景技术：

2.低压台区理论线损是根据供电设备的参数、电网运行方式、潮流分布以及负荷情况，应用现有的定律、定理及规律计算得出的电能损耗量。
3.目前低压台区的节能发展及规划评估都离不开理论线损的指导，而如何精确计算目标台区的理论线损，以及如何准确定位目标台区的降损突破口，历来是技术研究的难点，传统的均方根电流法、等值电阻法、电压损失法、潮流算法等理论线损计算方法对台区的数据质量要求较高，且较依赖于实际的台区电路物理模型，在实际计算建模过程中受到很大的局限性。
4.近年来，神经网络理论的发展与应用为线损率计算提供了新的途径，采用神经网络的方法来计算线损率无须建立数学模型，可以利用神经网络强大的自学能力、推广能力以及非线性处理能力来拟合线损率与特征参数之间的关系。
5.然而传统的神经网络算法会由于不均匀的训练样本，存在过拟合导致泛化能力不足的问题，无法准确识别出个别属性较少样本区间内的理论线损特征，如长供电半径样本数量少，模型训练过程中会把长供电半径下的理论线损特征淹没掉。


技术实现要素：

6.为了解决上述技术问题，本发明提供一种基于离散化采样和神经网络的台区理论线损预测方法，用以实现低压台区理论线损的准确计算，并用以支撑台区的线损精益管理和异常诊断，其具体技术方案如下：一种基于离散化采样和神经网络的台区理论线损预测方法，包括以下步骤：步骤1：梳理低压台区理论线损的影响因素，定义低压台区理论线损的影响因素的特征指标，所述特征指标包括供电半径、低压线路总长、台区用户数量、负载量、三相不平衡度和负荷形状系数；步骤2：采集影响低压台区理论线损的特征指标所需的数据与线损数据，并进行计算；步骤3：异常样本的剔除并得到初始样本集：根据特征指标的物理内涵及低压台区运行规范获取其合理区间，并基于合理区间剔除异常样本，得到初始样本集；步骤4：有序离散化采样初始样本集和制作训练样本集：基于有序聚类离散化采样方法对初始样本集进行处理，将非均匀数据集转变为均匀数据集，并作为训练样本集；
步骤5：构建bp神经网络模型，利用训练样本集对bp神经网络模型进行训练，形成低压台区理论线损预测模型。
7.进一步的，所述低压台区理论线损的影响因素包括网架结构参数、运行方式和用电负荷水平。
8.进一步的，所述步骤2具体为从业务系统中获取台区网络基础档案和量测数据，所述业务系统包括电网用电信息采集、营销和pms，所述线损数据通过用户用电信息采集系统获得。
9.进一步的，所述步骤2的具体步骤为：步骤2.1：挑选采集成功率指标为100%且统计线损长期稳定在[0,5]的台区作为数据来源；步骤2.2：基于公式计算特征指标数据：供电半径：；低压线路总长：；台区用户数量：；负载率：；台区三相不平衡度：；负荷形状系数：；其中，longitude和latitude为设备的经度与纬度坐标，下标t表示配变，下标u表示台区所属用户，由pms系统中获取；和分别为台区电缆线与架空线的长度，从pms系统中获取；num(dx)和num(sx)分别表示台区内的单相用户数量和三相用户数量，由营销系统中获取；ct和pt分别为电流互感器、电压互感器的变比，p
k
和q
k
分别为k时刻配变的有功和无功功率，sn为配变容量；i
a
(k)、i
b
(k)和i
c
(k)分别为k时刻配变的a、b和c三相电流；i
rms
和i
ave
配变侧每日均方根电流与平均电流。
[0010]
进一步的，所述步骤4的具体过程为：步骤4.1：选定与台区网架结构相关且不随负荷与运行方式变化的静态特征作为离散化采样的边界条件，所述静态特征包括供电半径和低压线路总长；步骤4.2：将初始样本集的供电半径升序排列得到一维有序样本，将初始样本集的低压线路总长升序排列得到一维有序样本；步骤4.3：分别采用有序聚类算法将和离散化为k1和k2个区间，得到k1×
k2个二维网格单元，将的样本分别映射到各个单元格，并统计各单元格的样本数量；对于某一维有序样本，利用有序聚类算法将其离散化为k个离散区间的具体步骤包括如下：步骤4.3.1：对于k个离散区间中某一分段，该分段的平均值记为，，则分段的直径用表示：；步骤4.3.2：定义分类损失函数：，其中表示将个样本分为类的某一种分法，为分类点，当和确定时， 越小表示该种分类方法的段内离差平方和越小，分类越趋于合理，因此，要寻求最合理的分类，也就是寻找令 达到极小时的分类；步骤4.3.3：精确最优解的求法，构建最小分类损失矩阵和分类标记矩阵，具体方法如下：对于，有，有，有式中表示将个样本分为类的最佳分法； 表示中第类的起始样本序号；矩阵和矩阵中其余元素均置为0；步骤4.3.4：由离散化区间数求离散化区间，具体方法为：第个区间，第个区间，依次类推，得到所有的离散区间；步骤4.4：网格单元内取样方法，计算各网格单元中样本数量的平均值，确定每网格单元内的取样数量，对于样本数小于的单元格，直接采集其样本；对于样本数大于的单元格，通过随机采样的方式，从该网格内随机抽取个样本。
[0011]
进一步的，所述步骤5的具体步骤为：步骤5.1：对模型输入输出参数进行归一化处理，对数据序列为例，归一化后的数据序列为：
其中为的最小值，为的最大值；步骤5.2：设置模型参数，输入层大小为8，隐层节点数为5，输出层为1，激活函数为；步骤5.3：模型训练，随机值初始化权重矩阵，偏差向量初始化为0，利用梯度下降法进行参数更新，最大训练次数设置为5000，训练要求精度设置为0.001。
[0012]
本发明的有益效果是：通过采用离散化采样方法，平衡各特征区间内的样本因子数据权重，通过对训练集进行处理，将分布不均匀的数据集变成均匀的数据集，削弱高密度数据分布区域的采样权重，避免过度拟合导致模型的泛化能力不足，通过bp神经网络训练构建台区理论线损预测模型，使得算法的适应性和准确性更强。
附图说明
[0013]
图1是本发明的流程示意图，图2是本发明的模型训练样本离散化采用示意图，图3是本发明的离散化采样与非离散化采样台区理论线损预测结果分布特征对比图。
具体实施方式
[0014]
现在结合附图对本发明作进一步详细的说明。
[0015]
如图1所示，本发明的基于离散化采样和神经网络的台区理论线损预测方法，具体过程为：步骤1：综合系统梳理低压台区理论线损的影响因素，包括低压台区的网架结构参数、运行方式和用电负荷水平，并定义出影响因素的特征指标，特征指标包括供电半径、低压线路总长、台区用户数量、负载率、三相不平衡度和负荷形状系数；其中各特征指标的物理内涵见表1：
指标名称指标内涵供电半径台区最远负荷点距离配电变压器的物理距离低压线路总长台区中所有低压线路长度之和台区用户数量台区中所有用户数量，包括单相用户和三相用户负载率供电量与配变额定容量的比率，反映了台区的负荷平均水平台区三相不平衡度表征三相电力系统中三相电流的不平衡程度负荷形状系数台区配变侧每日均方根电流与平均电流的比值，体现了台区每日负荷的时变特征
表1步骤2：挑选数据采集成功率指标为100%且统计线损长期稳定在[0，5]的台区作为数据来源，采集低压台区理论线损的影响因素的特征指标所需的数据和线损数据，并根据公式计算特征指标的数据，具体公式如下：供电半径：；
低压线路总长：；台区用户数量：；负载率：；台区三相不平衡度：；负荷形状系数：；其中，longitude和latitude为设备的经度与纬度坐标，下标t表示配变，下标u表示台区所属用户，由pms系统中获取；l
cable
和l
overhead
分别为台区电缆线与架空线的长度，由pms系统中获取；num(dx)和num(sx)分别表示台区内的单相用户数量和三相用户数量，由营销系统中获取；ct和pt分别为电流互感器、电压互感器的变比，p
k
和q
k
分别为k时刻配变的有功和无功功率，sn为配变容量；i
a
(k)、i
b
(k)和i
c
(k)分别为k时刻配变的a、b和c三相电流；i
rms
和i
ave
配变侧每日均方根电流与平均电流。
[0016]
步骤3：根据特征指标的物理内涵及低压台区运行规范获取其合理区间，见表2：表2基于得到的合理区间范围剔除计算所得数据中的异常样本，将留下的数据作为初始样本集；步骤4：基于有序聚类离散化采样方法对初始样本集进行处理；步骤4.1：选定与台区网架结构相关且不随负荷与运行方式变化的静态特征作为离散化采样的边界条件，静态特征包括供电半径和低压线路总长；步骤4.2：将初始样本集的供电半径升序排列得到一维有序样本，将的低压线路总长升序排列得到一维有序样本；步骤4.3：分别采用有序聚类算法将和离散化为k1和k2个区间，得到k1×
k2个二维网格单元，将的样本分别映射到各个单元格，并统计各单元格的样本数量；对于某一维有序样本，利用有序聚类算法将其离散化为个离散区间的具体步骤包括如下：
步骤4.3.1：对于个离散区间中某一分段，该分段的平均值记为，则分段的直径用表示：；步骤4.3.2：定义分类损失函数：，其中表示将个样本分为类的某一种分法，为分类点，当和确定时，越小表示该种分类方法的段内离差平方和越小，分类越趋于合理，因此，要寻求最合理的分类，也就是寻找令达到极小时的分类。
[0017]
步骤4.3.3：精确最优解的求法，构建最小分类损失矩阵和分类标记矩阵，具体方法如下：对于，有，有，有式中表示将个样本分为类的最佳分法； 表示 中第类的起始样本序号；矩阵和矩阵中其余元素均置为0；步骤4.3.4：由离散化区间数求离散化区间，具体方法为：第个区间，第个区间，依次类推，得到所有的离散区间；步骤4.4：网格单元内取样方法，计算各网格单元中样本数量的平均值，确定每网格单元内的取样数量，对于样本数小于的单元格，直接采集其样本；对于样本数大于的单元格，通过随机采样的方式，从该网格内随机抽取个样本，得到均匀的样本数据集。
[0018]
步骤5：构建bp神经网络模型，首先，对模型输入输出参数进行归一化处理，对数据序列为例，归一化后的数据序列x’为：其中为的最小值，为的最大值；
其次，设置模型参数，输入层大小为8，隐层节点数为5，输出层为1，激活函数为；然后，进行模型训练，采用随机值初始化权重矩阵，偏差向量初始化为0，利用梯度下降法进行参数更新，最大训练次数设置为5000，训练要求精度设置为0.001；最后得到低压台区理论线损预测模型。
[0019]
以上述依据本发明的理想实施例为启示，通过上述的说明内容，相关工作人员完全可以在不偏离本项发明技术思想的范围内，进行多样的变更以及修改。本项发明的技术性范围并不局限于说明书上的内容，必须要根据权利要求范围来确定其技术性范围。