[发明专利]一种基于深度学习的低压台区线损合理区间预测方法

权利要求书

1.一种基于深度学习的低压台区线损合理区间预测方法，其特征在于，

包括如下步骤：

S1.数据的收集，包括采集、营销、PMS和GIS四个系统，涉及的数据包括配变侧数据和用户侧数据；

S2.指标的构建，从S1收集的数据选取线损影响因子；

S3.特征构建，通过对选取的影响因子与线损率的相关性分析，将负荷特性的平方、末端压降的绝对值作为模型的特征因子输入；

S4.特征因子选择，采用统计指标因子和两个构建的特征因子构建Lasso回归模型，最终根据Lasso回归变量筛选结果选择上网电量占比、供电半径、末端电量占比、台区功率因数、首末端压降绝对值、负载率、负荷特性平方和三相不平衡系数八个因子作为最终的特征因子，采用Lasso回归模型对回归变量筛选的过程中包括对残差估计进行异常值剔除，包括如下步骤：

1)计算预测残差

2)计算残差的均值和标准差

mean_resid＝mean(resid)

std_resid＝std(resid)

3)计算z得分

4)异常值检测

z_score＞3

对于样本数据中z得分大于3的线损率样本值进行剔除；

S5.构建线损预测模型，采用LSTM构建线损预测模型，所述的步骤S5中构建线损预测模型采用LASSO算法选择出得八个特征因子作为LSTM模型的输入，通过循环迭代优化训练网络结构，包括如下步骤：

1)对八个特征因子进行归一化处理作为LSTM模型的输入，将实际线损率作为模型输出，并将数据分为训练集和测试集；

2)设置LSTM深度学习模型的基本参数，包括激活函数，深度神经网络的层数，模型梯度优化算法为ADAM；

3)根据训练数据训练模型优化模型参数，微调网络模型的基本参数，包括增加层数、更改激活函数，直至评估函数达到理想范围，最终确定模型网络参数128层，激活函数选择sigmod函数，Dropout层丢弃率为0.5；

4)最终利用训练好的模型，对新输入的特征因子预测相应的线损率以及合理区间上界；

S6.模型预测效果展示。

2.根据权利要求1所述基于深度学习的低压台区线损合理区间预测方法，其特征在于，所述的步骤S1中，配变侧数据包括配变容量、电压、电流、功率和电量，用户侧数据包括有用户容量、日用电量及用户坐标。

3.根据权利要求1所述基于深度学习的低压台区线损合理区间预测方法，其特征在于，所述的步骤S2中选取台区电源类指标、网架类指标、电量类指标、运行类指标和容量类指标五大类共二十四个台区线损影响因子。

4.根据权利要求1所述基于深度学习的低压台区线损合理区间预测方法，其特征在于，所述的步骤S4中Lasso回归模型是将参数估计与变量选择同时进行一种正则化方法，其参数估计被定义如下：

式中，λ为非负正则参数，为惩罚项。

5.根据权利要求1所述基于深度学习的低压台区线损合理区间预测方法，其特征在于，所述的步骤S4中还包括对选定的特征因子进行归一化处理，采用最小最大值归一化方法，将每一个特征因子都归一到[0.1,0.9]之间，假设有N个样本{x(n)}Nn＝1，对于每一维特征x，归一化后的特征为

其中，min(x)和max(x)分别是特征因子x在所有样本上的最小值和最大值。

6.根据权利要求1所述基于深度学习的低压台区线损合理区间预测方法，其特征在于，所述LSTM模型的评估函数采用RMSLE，其公式如下：

其中yi为实际线损值，为线损预测值。