[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

说明书

本发明属于台区线损预测技术领域，具体涉及基于深度学习的低压台区线损合理区间预测方法，包括如下步骤：数据的收集；指标的构建；特征构建；特征因子选择；构建线损预测模型；模型预测效果展示。该方法通过精准的线损预测模型，提升精准降损能力，实现线损精益化管理；通过线损精准预测，提升线损精益化管理。

技术领域

本发明属于台区线损预测技术领域，具体涉及基于深度学习的低压台区线损合理区间预测方法。

背景技术

低压配电台区线损产生的原因主要分为固定损失、管理原因和技术原因。其中固定损失包括变压器内绕组和铁芯产生的电阻损耗和励磁损耗；电力网输电的电缆线路产生的电阻损耗；电力传输网址中部署的电容、电抗类设备产生的电能损耗；电力网络中保护装置产生的电能损耗；介质产生的损耗、电网计量装置产生的损耗。管理原因主要指抄表问题和窃电管理工作不足等等。技术原因主要指营计数据不一致和户变关系不一致等问题。

随着国网公司线损精益化管理工作的深入开展，传统一刀切方式的线损合格率考核方式已不再满足线损精益化管理要求，供电企业需要迫切找到一种有效计算线损计算方法，动态预测各台区的合理线损值以及合理区间上界，对于超出合理区间上界台区及时预警。

台区线损计算以前的学者已经进行了大量的研究和验证，目前对电网线损率计算方法已经有很多，主要分为传统方法和基于机器学习的方法。其中传统方法主要包括台区损耗率法、电压损失率法、等值电阻法、潮流法等方法。机器学习方法主要有基于传统的可解释性强的线性回归方法，基于决策树的集成回归方法以及基于神经网络的不易解释的非线性回归方法、基于支持向量机的计算方法、基于神经网络和改进的自适应二次变异差分进化算法、基于改进K-means聚类和BP神经网络的计算方法、基于kmeans-LightGBM的短期低压配电网理论线损预测算法。

公告号CN109272176B的发明专利文献公开了一种利用K-means聚类算法对台区线损率预测计算方法，它包括：步骤1、选取有功供电量X1、无功供电量X2、供电线路总长度X3、供电半径X4和线路总电阻X5作为电气特征参数；步骤2、对电气特征参数的原始数据标准化处理；步骤3、通过电气特征参数来建立台区的性能指标函数PI(i)，选取初始聚类中心点和聚类数目K；步骤4、利用改进的K-means聚类算法对台区线损率进行预测；该发明利用台区的电气特征参数建立的指标函数，作为聚类分析判断初始聚类中心的原则，提高了聚类结果的精确性,但是其不同初始值会导致不同的分类结果，当分类不准确时容易造成参数重构误差较大的缺陷。

发明内容

本发明的目的在于针对现有技术中存在的问题提供一种基于深度学习的低压台区线损合理区间预测方法，该方法通过精准的线损预测模型，提升精准降损能力，实现线损精益化管理；通过线损精准预测，提升线损精益化管理。

本发明的技术方案是：

一种基于深度学习的低压台区线损合理区间预测方法，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；

S5.构建线损预测模型，采用LSTM构建线损预测模型；

S6.模型预测效果展示。