一种智能配电运维网络的线损预测方法及装置与流程

1.本发明涉及电力系统技术领域，尤其涉及一种智能配电运维网络的线损预测方法及装置。


背景技术：

2.现有技术中，配电网络会涉及线路损耗，为了降低线路损耗，必须做好能耗监测和数据传输工作，确保输电网络数据的即时性和准确性。
3.但是，线路损耗都是在发生之后才能得到的数据，此时才改善线路已无法弥补已发生的损耗，因此，如何改善配电网络的降损手段是目前亟待解决的技术问题。


技术实现要素：

4.鉴于上述问题，提出了本发明以便提供一种克服上述问题或者至少部分地解决上述问题的一种智能配电运维网络的线损预测方法及装置。
5.第一方面，本发明提供了一种智能配电运维网络的线损预测方法，包括：获取所述配电网络的历史线损数据；基于所述历史线损数据，获得用于预测未来理论线损数据的预测模型；获取所述配电网络的实时线损数据；基于所述实时线损数据和所述预测模型，得到未来理论线损数据，所述未来理论线损数据为当前时间段之后的未来预设时间段内的线损数据，所述未来预设时间段紧邻所述当前时间段；基于所述未来理论线损数据，确定降损措施。
6.优选的，所述获取所述配电网络的历史线损数据，包括：获取所述配电网络的历史电网参数；对所述历史电网参数进行处理，得到所述配电网络的历史线损数据。
7.优选的，所述基于所述历史线损数据，获得用于预测未来理论线损数据的预测模型，包括：将所述历史线损数据划分为多组相邻时间段的历史线损数据，其中，每组相邻时间段的历史线损数据包括：前一时间段的历史线损数据和后一时间段的历史线损数据；将所述多组相邻时间段的历史线损数据中的前一时间段的历史线损数据作为输入数据，将所述多组相邻时间段的历史线损数据中的后一时间段的历史线损数据作为输出数据；将所述输入数据和所述输出数据输入神经网络模型中进行训练，得到用于预测未来理论线损数据的预测模型。
8.优选的，所述基于所述实时线损数据和所述预测模型，得到未来理论线损数据，包括：将所述实时线损数据输入所述预测模型，得到未来理论线损数据。
9.优选的，在所述基于所述实时线损数据和所述预测模型，得到未来理论线损数据之后，还包括：获取所述配电网络在所述未来预设时间段内的实际线损数据；基于所述实际线损数据和所述未来理论线损数据，对配电网络的线路故障进行确定。
10.优选的，所述基于所述实时线损数据和所述预测模型，得到未来理论线损数据之后，还包括：基于所述未来理论线损数据，确定损耗成因。
11.优选的，所述基于所述未来理论线损数据，确定降损措施，包括：基于所述未来理论线损数据，确定未来电网参数；基于所述未来电网参数，确定配电网络的供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差；判断供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差是否满足各自对应的阈值范围；若否，对所述未来电网参数进行调整，以使得所述配电网络的供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差满足各自对应的阈值范围；基于对未来电网参数的调整，确定降损措施。
12.第二方面，本发明还提供了一种智能配电运维网络的线损预测装置，包括：第一获取模块，用于获取所述配电网络的历史线损数据；获得模块，用于基于所述历史线损数据，获得用于预测未来理论线损数据的预测模型；第二获取模块，用于获取所述配电网络的实时线损数据；得到模块，用于基于所述实时线损数据和所述预测模型，得到未来理论线损数据，所述未来理论线损数据为当前时间段之后的未来预设时间段内的线损数据，所述未来预设时间段紧邻所述当前时间段；确定模块，用于基于所述未来理论线损数据，确定降损措施。
13.第三方面，本发明还提供了一种计算机设备，包括存储器、处理器及存储在存储器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程序时实现第一方面中所述的方法步骤。
14.第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现第一方面中所述的方法步骤。
15.本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：本发明提供了一种智能配电运维网络的线损预测方法，包括：获取配电网络的历史线损数据；基于该历史线损数据，获得用于预测未来理论线损数据的预测模型；获取配电网络的实时线损数据；基于实时线损数据和预测模型，得到未来理论线损数据，未来理论线损数据为当前时间段之后的未来预设时间段内的线损数据，该未来预设时间段紧邻当前时间段；基于未来理论线损数据，确定降损措施，通过对未来时间段的线损数据进行预测，对还未发生的电力分配造成的线损数据进行预知，再根据预知的线损数据即时确定降损措施
进行优化，有效节约电能，减少碳排放。
附图说明
16.通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考图形表示相同的部件。在附图中：图1示出了本发明实施例中一种智能配电运维网络的线损预测方法的步骤流程示意图；图2示出了本发明实施例中智能配电运维网络的线损预测装置的结构示意图；图3示出了本发明实施例中实现一种智能配电运维网络的线损预测方法的计算机设备的结构示意图。
具体实施方式
17.下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
18.实施例一本发明的实施例提供了一种智能配电运维网络的线损预测方法，如图1所示，包括：s101，获取配电网络的历史线损数据；s102，基于该历史线损数据，获得用于预测未来理论线损数据的预测模型；s103，获取配电网络的实时线损数据；s104，基于实时线损数据和预测模型，得到未来理论线损数据，该未来理论线损数据为当前时间段之后的未来预设时间段内的线损数据，该未来预设时间段紧邻当前时间段；s105，基于未来理论线损数据，确定降损措施。
19.首先，在得到预测模型之前，需获取大量历史线损数据。线损是配电网络中无法避免的一种功率损耗现象，该线损就是线路损耗，具体是电能流经输电线路时造成的能量损耗。
20.该历史线损数据具体是实时的线损数据。
21.具体地，获取配电网络的历史电网参数；对该历史电网参数进行处理，得到配电网络的历史线损数据。
22.例如，历史电网参数可以是电流的有效值，以及电网阻抗，根据该电流的有效值和电网阻抗得到线路的热损耗；还可以通过监测配电网络的各个支路上的输出端功率以及对应的输入端功率，将输入端功率与输出端功率作差由此得到线损。
23.在获取到该配电网络的历史线损数据之后，执行s102，基于该历史线损数据，获得用于预测未来理论线损数据的预测模型。
24.具体地，将历史线损数据划分为多组相邻时间段的历史线损数据，其中，每组相邻
时间段的历史线损数据包括：前一时间段的历史线损数据和后一时间段的历史线损数据；将多组相邻时间段的历史线损数据中的前一时间段的历史线损数据作为输入数据，将多组相邻时间段的历史线损数据中的后一时间段的历史线损数据作为输出数据；将该输入数据和输出数据输入神经网络模型中进行训练，得到用于预测未来理论线损数据的预测模型。
25.在上述获得历史线损数据之后，从这些历史线损数据中提取连续时间段的历史线损数据，包括，第一时间段的历史线损数据、第二时间段的历史线损数据、第三时间段的历史线损数据
…
第n时间段的历史线损数据等依次连续时间段的历史线损数据。
26.然后，从这些连续时间段的历史线损数据划分为多组相邻时间段的历史线损数据，每组相邻时间段的历史线损数据包括：前一时间段的历史线损数据和后一时间段的历史线损数据。
27.比如，第一时间段的历史线损数据和第二时间段的历史线损数据为一组相邻时间段的历史线损数据，第二时间段的历史线损数据和第三时间段的历史线损数据为一组相邻时间段的历史线损数据等等。因此，任意时间段的线损数据可以是与前一时间段的历史线损数据组成一组相邻时间段的历史线损数据，或者与其后一时间段的历史线损数据组成一组相邻时间段的历史线损数据，在本发明中并不作限定。
28.接着，将多组相邻时间段的历史线损数据中的前一时间段的历史线损数据作为输入数据，将多组相邻时间段的历史线损数据中的后一时间段的历史线损数据作为输出数据。
29.将多组相邻时间段的历史线损数据当作样本，将该样本先划分为训练样本和测试样本，其中，将该训练样本中的每组相邻时间段的历史线损数据的前一时间段的历史线损数据当作输入数据，即输入样本，将该训练样本中的每组相邻时间段的历史线损数据的后一时间段的历史线损数据当作输出数据，即输出数据。
30.由此，将输入数据和输出数据输入该神经网络模型中进行训练，得到用于预测未来理论线损数据的预测模型。
31.当然，这里使用的神经网络模型具体是时间循环神经网络模型，能够对未来时间段的情况根据已有的数据进行预测。在训练得到用于预测未来理论线损数据的预测模型之后，采用测试样本对该预测模型进行测试，以将该预测模型的精度进行调整。
32.接着，执行s103，获取配电网络的实时线损数据。
33.在具体的实施方式中，可以根据实时监测到的电流值电压值，或者输入端以及输出端的功率值，得到实时线损数据。
34.接下来，对该预测模型进行应用，即s104，基于实时线损数据和预测模型，得到未来理论线损数据，该未来理论线损数据为当前时间段之后的未来预设时间段内的线损数据，该未来预设时间段紧邻当前时间段。
35.具体地，就是将该实时线损数据输入该预测模型中，由此得到该当前时间段之后的未来预设时间段内的线损数据。
36.在s104之后，还包括：获取配电网络在该未来预设时间段内的实际线损数据，即实际采集到的线损数据，可以通过设备实时采集获取；
基于该实际线损数据和未来理论线损数据，对配电网络的线路故障进行确定，该线路故障包括：电晕现象。
37.具体地，将该实际线损数据和未来理论线损数据进行比较，由此确定线路故障。
38.在确定线路故障的过程中，具体可以根据实际线损数据中负载相较于未来理论线损数据中的负载来说突然增大时，确定是短路或者漏电之类的故障。负载相较于未来理论线损数据中的负载来说不合理地降低，确定出现断路故障。若实际线损数据中的电压相较于未来理论线损数据降低、欠压，确定线路故障为短路或者线路的线缆老化损坏导致的漏电等；若实际线损数据中的电流相较于未来理论线损数据中的电流偏高，确定短路或者漏电等线路故障。而且，还可以比对输入端口功率和负载端口功率，分析处线路间电缆是否出现漏电故障。在此就不再详细赘述了。
39.由于该线路故障属于意外情况，这是无法预测得到的，只能将实际线损数据和理论线损数据进行比较来得到。
40.通过对未来时间段的线损数据进行预测，能尽早确定未来时间段内的情况，即时采取降损措施。
41.由于不同的线损数据是由不同的损耗成因造成，因此，需要先确定损耗成因。
42.基于该未来理论线损数据，确定损耗成因。这里的损耗成因，包括无功功率，谐波，变压器以及负荷分布不均等。
43.由于未来理论线损数据的原始数据是配电网络的电网参数，具体是根据配电网络的电网参数确定该未来理论线损数据的，该配电网络的电网参数可以包括电压和电流分别所对应的波形和相位。经过对该电压的波形和相位以及电流的波形和相位的处理，得到各个支路上相应的谐波分量、相位差、功率因数信息。
44.通过对各个支路上的电压的波形和相位以及电流的波形和相位进行分析，判断谐波分量的大小，从而计算谐波所造成的损耗。
45.通过对各个支路上的电压的波形和相位以及电流的波形和相位的计算，计算出各个支路上的无功功率，将该无功功率与其对应的阈值进行比较，从而确定该无功功率是否是造成线损的主要原因。
46.通过对各个支路上的电压的波形和相位以及电流的波形和相位的计算，计算出各个支路上的负载功率，包括有功功率和视在功率，将该负载功率与配电网络输出端容量进行比较，当负载容量不在配电容量的70%~90%内时，则说明配电容量不合适，配电容量是造成线损的主要原因。
47.通过对各个支路上的电流进行监控，在电流有效值的波形中出现异常时，确定是由该电流造成的线损。
48.当然，还可以是上述的任意一种或者多种原因所造成的线损。
49.在确定损耗成因之后，执行s105：基于该未来理论线损数据，确定降损措施，该降损措施包括：无功补偿、谐波管理、变压器投切、馈线改造以及负载分布改造，当然，还可以由其他的降损措施，在此就不再一一赘述了。
50.其中，无功补偿的手段是增加或者删减电容，谐波管理是对谐波进行过滤，根据实际需要增加或者减少滤波装置。由于线损主要是配电网络的配电容量与负荷不匹配，从而
导致配电网络的传输线路出现损耗，因此，根据负荷容量来调整配电容量，从而通过变压器投切、馈线改造以及负载分布改造等，使得配电子网络维持再合理运行的范围内，以此来达到降损目的。
51.在确定降损措施时，先基于未来理论线损数据，确定未来电网参数；基于未来电网参数，确定配电网络的供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差；然后，判断供电电压允许偏差、公用电网波形、三相电压允许不平衡度以及电力系统频率允许偏差是否各自满足对应的阈值范围。
52.下面对各个约束条件所对应的阈值范围进行详细说明：对于供电电压允许偏差来说，对于35kv及以上供电电压，正负偏差绝对值之和不超过标称电压的10%；20kv及以下三相供电电压偏差为标称电压的
±
7%；220v单相供电电压偏差为标称电压的 7%或-10%。对供电点短路容量较小、供电距离较长以及对供电电压偏差具有特殊要求的用户，按照预设协议设定。
53.对于公用电网谐波电压，按照如下方式进行限制：在电网标称电压为0.38kv时，电压总谐波畸变率为5.0%，各次谐波电压的奇次含有率4.0%，偶次含有率2.0%；在电网标称电压为6kv或10kv时，电压总谐波畸变率为4.0%，各次谐波电压的奇次含有率3.2%，偶次含有率1.6%；在电网标称电压为35kv或66kv时，电压总谐波畸变率为3.0%，各次谐波电压的奇次含有率2.4%，偶次含有率1.2%；在电网标称电压为110kv时，电压总谐波畸变率为2.0%，各次谐波电压的奇次含有率1.6%，偶次含有率0.8%。
54.对于三相电压允许不平衡度，由于配电网络的传输线多采用三相电，三相电之间存在一个平衡问题，三相电的理想状态应该是波形为理想正弦波，幅值相等，相位互差120
°
，当三相电接上三相不平衡的负载，就会导致配电网络的配电线路出现三相不平衡。
55.因此，三相电压允许不平衡度的限制条件：电网正常运行时，负序电压不平衡度不超过2%，短时不超过4%。
56.低压系统（不超过1kv）零序电压不作限定。
57.接于公共连接点的每个用户引起该点负序电压不平衡度允许值一般为1.3%，短时不超过2.6%。
58.对于电力系统频率允许公差来说，电力系统正常运行条件下频率偏差限值为
±
0.2hz。当系统容量较小时，偏差限值可以放宽到
±
0.5hz。冲击负荷引起的系统频率变化为
±
0.2hz。
59.通过调整未来电网参数，使得配电网络的供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差均满足各自对应的阈值范围。基于对未来电网参数的调整，确定降损措施。
60.其中，未来电网参数具体是电压和电流分别所对应的波形，该波形包括了波形幅值、波形频率以及波形谐波分量。基于对未来电网参数的调整，确定降损措施。
61.其中，若是调整谐波来调整电网参数，则是谐波管理，若是降低无功功率来调整电网参数，则是无功补偿，若是电流造成的线损，则进行馈线改造，若是配电容量造成的线损，
则进行负荷分布改造，当然，这些措施还需要综合考虑，采用一种或者多种降损手段，以提高降损效果。
62.本发明实施例中的一个或多个技术方案，至少具有如下技术效果或优点：本发明提供了一种智能配电运维网络的线损预测方法，包括：获取配电网络的历史线损数据；基于该历史线损数据，获得用于预测未来理论线损数据的预测模型；获取配电网络的实时线损数据；基于实时线损数据和预测模型，得到未来理论线损数据，未来理论线损数据为当前时间段之后的未来预设时间段内的线损数据，该未来预设时间段紧邻当前时间段；基于未来理论线损数据，确定降损措施，通过对未来时间段的线损数据进行预测，对还未发生的电力分配造成的线损数据进行预知，再根据预知的线损数据即时确定降损措施进行优化，有效节约电能，减少碳排放。
63.实施例二基于相同的发明构思，本发明还提供了一种智能配电运维网络的线损预测装置，如图2所示，包括：第一获取模块201，用于获取所述配电网络的历史线损数据；获得模块202，用于基于所述历史线损数据，获得用于预测未来理论线损数据的预测模型；第二获取模块203，用于获取所述配电网络的实时线损数据；得到模块204，用于基于所述实时线损数据和所述预测模型，得到未来理论线损数据，所述未来理论线损数据为当前时间段之后的未来预设时间段内的线损数据，该未来预设时间段紧邻所述当前时间段；确定模块205，用于基于所述未来理论线损数据，确定降损措施。
64.在一种可选的实施方式中，第一获取模块201，用于：获取所述配电网络的历史电网参数；对所述历史电网参数进行处理，得到配电网络的历史线损数据。
65.在一种可选的实施方式中，所述获得模块202，用于：将所述历史线损数据划分为多组相邻时间段的历史线损数据，其中，每组相邻时间段的历史线损数据包括：前一时间段的历史线损数据和后一时间段的历史线损数据；将所述多组相邻时间段的历史线损数据中的前一时间段的历史线损数据作为输入数据，将所述多组相邻时间段的历史线损数据中的后一时间段的历史线损数据作为输出数据；将所述输入数据和所述输出数据输入神经网络模型中进行训练，得到用于预测未来理论线损数据的预测模型。
66.在一种可选的实施方式中，所述得到模块204，用于：将所述实施线损数据输入所述预测模型，得到未来理论线损数据。
67.在一种可选的实施方式中，还包括：第三获取模块，用于获取所述配电网络在所述未来预设时间段内的实际线损数据；线路故障确定模块，用于基于所述实际线损数据和所述未来理论线损数据，对配电网络的线路故障进行确定。
68.在一种可选的实施方式中，还包括：损耗成因确定模块，用于基于所述未来理论线损数据，确定损耗成因。
69.在一种可选的实施方式中，确定模块，用于：基于所述未来理论线损数据，确定未来电网参数；基于所述未来电网参数，确定配电网络的供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差；判断供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差是否满足各自对应的阈值范围；若否，对所述未来电网参数进行调整，以使得所述配电网络的供电电压允许偏差、公用电网谐波电压、三相电压允许不平衡度以及电力系统频率允许偏差满足各自对应的阈值范围；基于对未来电网参数的调整，确定降损措施。
70.实施例三基于相同的发明构思，本发明实施例提供了一种计算机设备，如图3所示，包括存储器304、处理器302及存储在存储器304上并可在处理器302上运行的计算机程序，所述处理器302执行所述程序时实现上述一种智能配电运维网络的线损预测方法的步骤。
71.其中，在图3中，总线架构（用总线300来代表），总线300可以包括任意数量的互联的总线和桥，总线300将包括由处理器302代表的一个或多个处理器和存储器304代表的存储器的各种电路链接在一起。总线300还可以将诸如外围设备、稳压器和功率管理电路等之类的各种其他电路链接在一起，这些都是本领域所公知的，因此，本文不再对其进行进一步描述。总线接口306在总线300和接收器301和发送器303之间提供接口。接收器301和发送器303可以是同一个元件，即收发机，提供用于在传输介质上与各种其他装置通信的单元。处理器302负责管理总线300和通常的处理，而存储器304可以被用于存储处理器302在执行操作时所使用的数据。
72.实施例四基于相同的发明构思，本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述一种智能配电运维网络的线损预测方法的步骤。
73.在此提供的算法和显示不与任何特定计算机、虚拟系统或者其它设备固有相关。各种通用系统也可以与基于在此的示教一起使用。根据上面的描述，构造这类系统所要求的结构是显而易见的。此外，本发明也不针对任何特定编程语言。应当明白，可以利用各种编程语言实现在此描述的本发明的内容，并且上面对特定语言所做的描述是为了披露本发明的最佳实施方式。
74.在此处所提供的说明书中，说明了大量具体细节。然而，能够理解，本发明的实施例可以在没有这些具体细节的情况下实践。在一些实例中，并未详细示出公知的方法、结构和技术，以便不模糊对本说明书的理解。
75.类似地，应当理解，为了精简本公开并帮助理解各个发明方面中的一个或多个，在上面对本发明的示例性实施例的描述中，本发明的各个特征有时被一起分组到单个实施例、图、或者对其的描述中。然而，并不应将该公开的方法解释成反映如下意图：即所要求保
护的本发明要求比在每个权利要求中所明确记载的特征更多的特征。更确切地说，如下面的权利要求书所反映的那样，发明方面在于少于前面公开的单个实施例的所有特征。因此，遵循具体实施方式的权利要求书由此明确地并入该具体实施方式，其中每个权利要求本身都作为本发明的单独实施例。
76.本领域那些技术人员可以理解，可以对实施例中的设备中的模块进行自适应性地改变并且把它们设置在与该实施例不同的一个或多个设备中。可以把实施例中的模块或单元或组件组合成一个模块或单元或组件，以及此外可以把它们分成多个子模块或子单元或子组件。除了这样的特征和/或过程或者单元中的至少一些是相互排斥之外，可以采用任何组合对本说明书（包括伴随的权利要求、摘要和附图）中公开的所有特征以及如此公开的任何方法或者设备的所有过程或单元进行组合。除非另外明确陈述，本说明书（包括伴随的权利要求、摘要和附图）中公开的每个特征可以由提供相同、等同或相似目的的替代特征来代替。
77.此外，本领域的技术人员能够理解，尽管在此的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。例如，在下面的权利要求书中，所要求保护的实施例的任意之一都可以以任意的组合方式来使用。
78.本发明的各个部件实施例可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器（dsp）来实现根据本发明实施例的智能配电运维网络的线损预测装置、计算机设备中的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序（例如，计算机程序和计算机程序产品）。这样的实现本发明的程序可以存储在计算机可读介质上，或者可以具有一个或者多个信号的形式。这样的信号可以从因特网网站上下载得到，或者在载体信号上提供，或者以任何其他形式提供。
79.应该注意的是上述实施例对本发明进行说明而不是对本发明进行限制，并且本领域技术人员在不脱离所附权利要求的范围的情况下可设计出替换实施例。在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的元件或步骤。位于元件之前的单词“一”或“一个”不排除存在多个这样的元件。本发明可以借助于包括有若干不同元件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。