[发明专利]一种对配电网线损率进行预测的方法及系统

权利要求书

1.一种对配电网线损率进行预测的方法，所述方法包括：

通过动态调整粒子群算法的惯性因子和学习因子，对所述粒子群算法进行改进，其中：

通过动态调整粒子群算法的惯性因子，包括：

对惯性因子采用如下公式进行调整：

其中，ω_max和ω_min分别为惯性因子的初始值和最终值，t为当前迭代次数，t_max为算法最大迭代次数，ω(t)为惯性因子对应当前迭代次数的值；

通过动态调整粒子群算法的学习因子，包括：

对学习因子采用如下公式进行调整：

c₁＝4-c₂

其中，c_max和c_min分别为学习因子c₁的初始值和最终值，0＜c_min＜c_max≤4，t_max为所述粒子群算法的最大迭代次数，c₂为调整后的学习因子；t为当前迭代次数；

利用经过改进后的粒子群算法，优化预先构建的神经网络初始模型的输入层至隐含层的权值、隐含层至输出层的权值，以及优化所述神经网络初始模型的所述隐含层、所述输出层的阈值，确定神经网络优化模型，包括：

利用经过改进后的粒子群算法全局搜索预先构建的神经网络初始模型的输入层至所述隐含层的权值、所述隐含层至所述输出层的权值，以及搜索所述神经网络初始模型的所述隐含层、所述输出层的阈值，所述改进后的粒子群算法中维度D对应于BP神经网络的权值阈值的数目即：

D＝n×m+m×l+m+l

其中，D为粒子群算法的维度，n为输入层节点数，m为所述隐含层的阈值数目，l为所述输出层的阈值数目，n×m为所述神经网络初始模型的输入层至所述隐含层的权值数目,m×l为所述神经网络初始模型的隐含层至所述输出层的权值数目；

将配电网线路的多个电气特征参数输入所述神经网络优化模型，利用所述神经网络优化模型预测与所述多个电气特征参数相对应的线损率。

2.根据权利要求1所述的方法，在所述利用经过改进后的粒子群算法，优化预先构建的神经网络初始模型之前，还包括：

确定配电网线路影响线损率的多个电气特征参数，将所述多个电气特征参数的参数值进行标准化处理，将所述线损率进行归一化处理；

将所述多个电气特征参数的参数值作为输入层的输入，将线损率值作为输出层的输出，构建神经网络初始模型，所述神经网络初始模型包含至少一个隐含层；确定所述隐含层节点的数目。

3.根据权利要求2所述的方法，所述将所述多个电气特征参数的参数值进行标准化处理，包括：

p个配电网线路的多个电气特征参数构成的向量X如下述公式所示：

上式中，x_ij为第i条配电网线路的第j个电气特征参数的值，i＝1,2,3,…,p，j＝1,2,3,…,n，p为配电网线路的数目，n为电气特征参数的数目；对所述电气特征参数的向量X做z-score标准化处理：

x’_ij为标准化后的配电网线路电气特征值，为第j个电气特征参数的数学期望，s_j为第j个电气特征参数的标准差。

4.根据权利要求2所述的方法，所述将所述线损率进行归一化处理，包括：

设第i条配电网线路的实际线损率为d_i，对所述线损率为d_i进行归一化处理如下：

其中，d′_i为第i条10kV线路的线损率归一化后的值，d_max为所有配电网线路线损率的最大值，d_min为所有配电网线路线损率最小值，α，β为常数，且满足0.9＜α＜1，0＜β＜0.1。

5.根据权利要求2所述的方法，所述隐含层为一层，所述隐含层的节点数通过下述公式获取：

上式中，m为隐含层节点数，l为输出层节点数，n为输入层节点数。