一种基于GRNN-PCA的有源台区线损合理区间计算方法与流程

一种基于grnn-pca的有源台区线损合理区间计算方法
技术领域
1.本发明属于人工智能算法在电力系统应用技术领域，涉及有源台区线损合理区间计算方法，尤其是一种基于grnn-pca的有源台区线损合理区间计算方法。


背景技术：

2.台区线损率是电力公司一项综合性技术指标，其作为线损计算的重要组成部分，涉及到配网规划、运行、检修、营销用电、计量、抄核收等各个方面，全面体现了电力公司对低压台区设备及用户的计算水平。
3.台区线损合理值估计是为指导实体台区降损量化目标而引入的非实体动态线损参照值，若检测到实时线损在理论计算合理区间之外，则应基于线损贡献度的高损影响因素识别方法，研究高损影响因子之间的交互影响，进行高损因素排查与治理。
4.低压台区线损合理值估计传统方法包括台区损耗率法、电压损失率法、等值电阻法、潮流法等，但对于有分布式能源接入的新型有源台区，这些方法存在以下两大问题：一是考虑到分布式能源随机行为，传统计算线损计算方法不再适用；二是现有改进算法的准确计算对低压台区网络、分布式能源参数和运行数据要求过高。在当前低压有源台区参数获取和计算准确性存在技术瓶颈的情况下，如何通过现有可行数据利用更先进算法实现台区线损合理区间计算与高损影响因素识别，是有源台区线损管理的重点。
5.经检索，未发现与本发明相同或相近似的现有技术的公开文献。


技术实现要素：

6.本发明的目的在于克服现有技术的不足，提出一种基于grnn-pca的有源台区线损合理区间计算方法，能够通过现有可行数据利用更先进算法实现台区线损合理区间计算与高损影响因素识别。
7.本发明解决其现实问题是采取以下技术方案实现的：
8.一种基于grnn-pca的有源台区线损合理区间计算方法，包括以下步骤：
9.步骤1、提取有源台区影响因子；
10.步骤2、根据选取的有源台区容量进行多级分类，每类有源台区均包括步骤1所述的有源台区影响因子；
11.步骤3、训练grnn网络，对步骤2中各级台区进行grnn线损计算，得到grnn训练结果；
12.步骤4、用测试集对grnn训练结果准确度进行相对误差计算；
13.步骤5、若步骤4得到的相对误差小于设定值，则结合grnn计算出的线损变化区间进行线损合理区间选取，否则返回步骤3重新进行训练，重复步骤3-步骤5直至满足要求。
14.而且，所述步骤1的具体方法为：
15.针对有源台区理论线损的计算，提取台区总表可直接检测到的对线损有影响的线路基础特征因子，包括：功率方差、三相不平衡度、负载率；提取光伏分布式电源运行特征因
子，包括：光伏日发电量、光伏并网位置、光伏用户数。
16.而且，所述步骤3的具体步骤包括：
17.(1)确定隐含层神经元径向基函数中心
18.设训练集样本输入矩阵为p，输出矩阵为t
[0019][0020][0021]
式中，p
ij
表示第j个训练样本的第i个输入量；t
ij
表示第j个训练样本的第i个输入变量；r为输入变量的维数；s为输出变量的维数；q为训练集样本数；
[0022]
隐含层的每个神经元对应一个训练样本，即q个隐含层神经元对应的径向基函数中心为：
[0023]
c＝p'
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0024]
(2)确定隐含层神经元阈值
[0025]
q个隐含层神经元对应的阈值设置为：
[0026]
b1＝[b
11
,b
12
,
…
,b
1q
]'
ꢀꢀꢀꢀꢀꢀꢀ
(9)
[0027]
式中，spread为径向基函数的扩展速度；
[0028]
(3)确定隐含层与输出层间权值
[0029]
当隐含层神经元的径向基函数中心及阈值确定后，隐含层神经元的输出ai便可计算如下：
[0030]ai
＝exp(-||c-pi||2b1)
ꢀꢀꢀꢀꢀꢀꢀ
(10)
[0031]
式中，pi＝[p
i1
,p
i2
,
…
,p
ir
]'为第i个训练样本向量，并记
[0032]
grnn中隐含层与输入层间的连接权值w取为训练集输出矩阵，即
[0033]
w＝t
ꢀꢀꢀꢀꢀꢀꢀꢀ
(11)
[0034]
(4)输出层神经元计算
[0035]
当隐藏层与输出层神经元间的连接权确定后，使用规范化点积权函数normprod计算输出层神经元的输出，即：
[0036][0037]
其中，lw
2,1
为输出层权值矩阵。
[0038]
为第i个台区线损预测值，激活函数选为线性传递函数purelin，完成台区grnn线损计算，即：
[0039][0040]
而且，所述步骤4的具体方法为：选用相对误差作为评价指标：
[0041][0042]
式中，yi(i＝1,2,
…
,n)为第i个台区线损真实值。
[0043]
而且，在所述步骤5之后还包括如下步骤：
[0044]
步骤6、将待识别的台区用步骤3训练好的grnn网络进行线损预测，若预测线损不在步骤5的合理区间内则识别此台区为高损台区；
[0045]
步骤7、对步骤6所识别的高损台区进行影响因子主成分分析；
[0046]
步骤8、根据步骤7得到的高损台区进行影响因子主成分分析结果，对高损台区治理。
[0047]
而且，所述步骤7的具体方法为：
[0048]
(1)高损台区样本标准化处理
[0049]
记高损台区特征矩阵为x：
[0050][0051]
式中，x
ij
表示第i个高损样本的第j个输入特征量，u为输入特征的维数，t为高损台区数。
[0052]
对高损台区特征标准化变换：
[0053][0054]
其中
[0055]
(2)对上述标准化矩阵z求相关系数矩阵
[0056][0057]
其中r为相关系数矩阵，xu＝[x1,x2,
…
,xu]，z＝[z
ij
]
t
×u。
[0058]
(3)确定主成分
[0059]
解样本相关系数矩阵r的特征方程|r-λiu|＝0得u个特征根，按照下式确定m的值，使信息利用率在85％以上
[0060]
[0061]
对每个λj，j＝1,2,
…
,m，解方程组rb＝λjb得单位特征向量
[0062]
(4)将标准化的指标转换为主成分
[0063][0064]vi
＝[v
i1
,v
i2
,...,v
iu
]为第i主成分，i＝1,2,
…
,u。
[0065]
(5)分析各因子对各主成分贡献度
[0066]
而且，所述步骤8的具体步骤包括：
[0067]
(1)将对第一主成分影响较高的高损因子进行相关性分析，对用户端调节最便捷的高损因子进行调节。
[0068]
(2)对调节之后的高损样本重新使用步骤3训练好的grnn进行线损预测，若线损满足步骤5设置的合理区间，则高损台区治理结束；否则对对下一主成分影响较高的高损因子进行相关性分析，对用户端调节最便捷的高损因子进行调节，直至高损台区样本grnn预测值满足步骤5设置的合理区间，通常到第三或第四主成分即可满足要求。
[0069]
本发明的优点和有益效果：
[0070]
1、本发明提供一种基于grnn-pca的有源台区线损合理区间计算方法，根据历史数据进行线损合理区间预测，检测实时线损情况，发现高损时刻并分析高损因素。本发明克服了现有有源台区线损计算现有算法对低压台区网络、分布式能源参数和网络架构数据要求过高，在当前低压有源台区线路参数获取和计算准确性存在技术瓶颈的情况下，难以通过现有可行数据实现台区线损合理区间计算与高损影响因素准确识别的缺陷。
[0071]
2、本发明充分考虑台区基础运行属性与分布式能源并网属性，提出一种基于广义神经网络 主成分分析(grnn pca)的台区线损合理区间计算方法。本发明前期先对有源台区进行线损影响因子提取作为grnn特征输入，进行训练并将训练结果与真实线损进行误差分析；中期利用训练好的grnn对线损合理区间进行预测，对含有高损台区的测试样本进行高损识别；后期利用pca对高损台区影响因子进行相关性分析，对用户端调节最便捷的高损因子进行调节，并利用grnn进行调节后检验。通过实验数据分析，本发明针对有源台区所训练的grnn具有良好的泛化能力，能够实现台区合理区间计算。
附图说明
[0072]
图1是本发明的grnn训练结构图；
[0073]
图2是本发明的算法实现流程图；
[0074]
图3是本发明的grnn验证集线损预测值与真实值比对结果图；
[0075]
图4是本发明的grnn计算的台区线损合理区间示意图；
[0076]
图5是本发明的高损台区pca分析后治理结果图。
具体实施方式
[0077]
以下结合附图对本发明实施例作进一步详述：
[0078]
一种基于grnn-pca的有源台区线损合理区间计算方法，如图2所示，包括以下步骤：
[0079]
步骤1、提取有源台区影响因子；
[0080]
所述步骤1的具体方法为：
[0081]
针对有源台区理论线损的计算，首先提取了台区总表可直接检测到的对线损有影响的线路基础特征因子，主要包括：功率方差、三相不平衡度、负载率，其次提取了光伏分布式电源运行特征因子，主要包括：光伏日发电量、光伏并网位置、光伏用户数。
[0082]
在本实施例中，1)针对有源台区理论线损的计算，首先提取了对线损有影响的线路基础特征因子，主要包括：功率方差、三相不平衡度、负载率。
[0083]
(1)功率方差p1：台区总表功率波动大小
[0084][0085]
式中，pi为台区总表每日第i次检测功率，为台区总表每日检测的平均功率，n为台区总表每日检测次数。
[0086]
(2)三相不平衡度p2：台区运行三相负荷平衡情况
[0087][0088]
式中，i
maxφ
为台区检测点最大相负荷电流，指台区检测点平均相负荷电流，且
[0089]
(3)负载率p3：台区日供电量情况。
[0090]
p3＝w/24s
变n
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0091]
式中，w为台区日供电量，s
变n
为台区变压器额定容量
[0092]
2)其次提取了光伏分布式电源运行特征因子，主要包括：光伏日发电量、光伏并网位置、光伏用户数。
[0093]
(1)光伏日发电量p4：台区光伏分布式电源每日发电总量
[0094][0095]
式中，p
pvij
为第i个光伏电源第j秒光伏功率，m为台区光伏电源个数。
[0096]
(2)光伏用户数百分比p5：台区光伏用户数所占比例
[0097]
p5＝n
pv
/n
ꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0098]
式中，n
pv
为台区内直接消纳光伏的用户数，n为台区总用户数；
[0099]
(3)光伏并网位置p6：并网位置表示光伏并网点与母线间的距离。
[0100]
步骤2、根据选取的有源台区容量进行多级分类，每类有源台区均包括步骤1所述的有源台区影响因子，即：线路基础特征因子与光伏分布式电源运行特征因子。
[0101]
在本实施例中，所述步骤2的有源台区分类是根据选取台区容量进行分类为四级，如表1所示：
[0102]
表1台区变压器容量分级
[0103]
[0104][0105]
步骤3、训练grnn网络，对步骤2中各级台区进行grnn线损计算，得到grnn训练结果；
[0106]
grnn结构如图1所示，所述步骤3的具体步骤包括：
[0107]
(1)确定隐含层神经元径向基函数中心
[0108]
设训练集样本输入矩阵为p，输出矩阵为t
[0109][0110][0111]
式中，p
ij
表示第j个训练样本的第i个输入量；t
ij
表示第j个训练样本的第i个输入变量；r为输入变量的维数；s为输出变量的维数；q为训练集样本数；
[0112]
隐含层的每个神经元对应一个训练样本，即q个隐含层神经元对应的径向基函数中心为：
[0113]
c＝p'
ꢀꢀꢀꢀꢀꢀꢀꢀ
(8)
[0114]
(2)确定隐含层神经元阈值
[0115]
q个隐含层神经元对应的阈值设置为：
[0116]
b1＝[b
11
,b
12
,
…
,b
1q
]'
ꢀꢀꢀꢀꢀꢀꢀ
(9)
[0117]
式中，spread为径向基函数的扩展速度；
[0118]
(3)确定隐含层与输出层间权值
[0119]
当隐含层神经元的径向基函数中心及阈值确定后，隐含层神经元的输出ai便可计算如下：
[0120]ai
＝exp(-||c-pi||2b1)
ꢀꢀꢀꢀꢀꢀꢀꢀ
(10)
[0121]
式中，pi＝[p
i1
,p
i2
,
…
,p
ir
]'为第i个训练样本向量，并记
[0122]
grnn中隐含层与输入层间的连接权值w取为训练集输出矩阵，即
[0123]
w＝t
ꢀꢀꢀꢀꢀꢀꢀ
(11)
[0124]
(4)输出层神经元计算
[0125]
当隐藏层与输出层神经元间的连接权确定后，使用规范化点积权函数normprod计算输出层神经元的输出，即：
[0126][0127]
其中，lw
2,1
为输出层权值矩阵。
[0128]
为第i个台区线损预测值，激活函数选为线性传递函数purelin，完成台区grnn线损计算，即：
[0129][0130]
步骤4、用测试集对grnn训练结果准确度进行评价，得到评价结果，选用相对误差作为评价指标：
[0131][0132]
式中，yi(i＝1,2,
…
,n)为第i个台区线损真实值。
[0133]
步骤5、若步骤4得到的相对误差小于设定值(20％)，则结合grnn计算出的线损变化区间进行线损合理区间选取，否则返回步骤3重新进行训练，重复步骤3-步骤5直至满足要求。
[0134]
步骤6、将待识别的台区用步骤3训练好的grnn网络进行线损预测，若预测线损不在步骤5的合理区间内则识别此台区为高损台区；
[0135]
步骤7、对步骤6所识别的高损台区进行影响因子主成分分析；
[0136]
所述步骤7的具体方法为：
[0137]
(1)高损台区样本标准化处理
[0138]
记高损台区特征矩阵为x：
[0139][0140]
式中，x
ij
表示第i个高损样本的第j个输入特征量，u为输入特征的维数，t为高损台区数。
[0141]
对高损台区特征标准化变换：
[0142][0143]
其中
[0144]
(2)对上述标准化矩阵z求相关系数矩阵
[0145][0146]
其中r为相关系数矩阵，xu＝[x1,x2,
…
,xu]，z＝[z
ij
]
t
×u。
[0147]
(3)确定主成分
[0148]
解样本相关系数矩阵r的特征方程|r-λiu|＝0得u个特征根，按照下式确定m的值，使信息利用率在85％以上
[0149][0150]
对每个λj，j＝1,2,
…
,m，解方程组rb＝λjb得单位特征向量
[0151]
(4)将标准化的指标转换为主成分
[0152][0153]vi
＝[v
i1
,v
i2
,...,v
iu
]为第i主成分，i＝1,2,
…
,u。
[0154]
(5)分析各因子对各主成分贡献度
[0155]
步骤8、根据步骤7得到的高损台区进行影响因子主成分分析结果，对高损台区治理；
[0156]
所述步骤8的具体步骤包括：
[0157]
(1)将对第一主成分影响较高的高损因子进行相关性分析，对用户端调节最便捷的高损因子进行调节。
[0158]
(2)对调节之后的高损样本重新使用步骤3训练好的grnn进行线损预测，若线损满足步骤五设置的合理区间，则高损台区治理结束。否则对对下一主成分影响较高的高损因子进行相关性分析，对用户端调节最便捷的高损因子进行调节，直至高损台区样本grnn预测值满足步骤五设置的合理区间，通常到第三或第四主成分即可满足要求。
[0159]
利用本发明的一种基于grnn-pca的有源台区合理区间计算方法，对我国天津某光伏有源台区(三级台区)进行grnn台区线损合理区间预测与pca高线损治理，选取实验结果中100检测样本与100个测试样本作为结果展示。grnn台区线损预测结果与真实值比对如图3所示，合理区间选取如图4所示，高损因子pca分析后治理结果如图5所示。
[0160]
图3中可以看出计算结果基本与真实值匹配较好，通过步骤四相对误差分析，该展示样本grnn预测相对误差为21.3％，表明该发明具有良好的线损计算能力，图4显示高损台区明显在合理线损区间之外，且grnn识别值与真实值吻合较好，说明该发明具有良好的高损识别能力，图5显示pca高损治理之后，原高损台区线预测损值已经落到合理区间之内，说明该发明具有良好的高损治理能力。
[0161]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0162]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序
指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0163]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0164]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。