[发明专利]基于离散化采样和神经网络的台区理论线损预测方法

说明书

本发明涉及一种基于离散化采样和神经网络的台区理论线损预测方法，包括梳理理论线损影响因素并定义特征指标；采集线损数据和特征指标所需数据并进行计算；剔除异常样本数据并得到初始数据集；有序离散化采集数据并制作训练样本数据集；构建BP神经网络模型并利用训练样本数据集进行训练，得到台区理论线损预测模型。通过采用离散化采样方法，平衡各特征区间内的样本因子数据权重，通过对训练集进行处理，将分布不均匀的数据集变成均匀的数据集，削弱高密度数据分布区域的采样权重，避免过度拟合导致模型的泛化能力不足，通过BP神经网络训练构建台区理论线损预测模型，使得算法的适应性和准确性更强。

技术领域

本发明涉及一种基于离散化采样和神经网络的台区理论线损预测方法，属于配电网管理技术领域。

背景技术

低压台区理论线损是根据供电设备的参数、电网运行方式、潮流分布以及负荷情况，应用现有的定律、定理及规律计算得出的电能损耗量。

目前低压台区的节能发展及规划评估都离不开理论线损的指导，而如何精确计算目标台区的理论线损，以及如何准确定位目标台区的降损突破口，历来是技术研究的难点，传统的均方根电流法、等值电阻法、电压损失法、潮流算法等理论线损计算方法对台区的数据质量要求较高，且较依赖于实际的台区电路物理模型，在实际计算建模过程中受到很大的局限性。

近年来，神经网络理论的发展与应用为线损率计算提供了新的途径，采用神经网络的方法来计算线损率无须建立数学模型，可以利用神经网络强大的自学能力、推广能力以及非线性处理能力来拟合线损率与特征参数之间的关系。

然而传统的神经网络算法会由于不均匀的训练样本，存在过拟合导致泛化能力不足的问题，无法准确识别出个别属性较少样本区间内的理论线损特征，如长供电半径样本数量少，模型训练过程中会把长供电半径下的理论线损特征淹没掉。

发明内容

为了解决上述技术问题，本发明提供一种基于离散化采样和神经网络的台区理论线损预测方法，用以实现低压台区理论线损的准确计算，并用以支撑台区的线损精益管理和异常诊断，其具体技术方案如下：

一种基于离散化采样和神经网络的台区理论线损预测方法，包括以下步骤：

步骤1：梳理低压台区理论线损的影响因素，定义低压台区理论线损的影响因素的特征指标，所述特征指标包括供电半径、低压线路总长、台区用户数量、负载量、三相不平衡度和负荷形状系数；

步骤2：采集影响低压台区理论线损的特征指标所需的数据与线损数据，并进行计算；

步骤3：异常样本的剔除并得到初始样本集：根据特征指标的物理内涵及低压台区运行规范获取其合理区间，并基于合理区间剔除异常样本，得到初始样本集；

步骤4：有序离散化采样初始样本集和制作训练样本集：基于有序聚类离散化采样方法对初始样本集进行处理，将非均匀数据集转变为均匀数据集，并作为训练样本集；

步骤5：构建BP神经网络模型，利用训练样本集对BP神经网络模型进行训练，形成低压台区理论线损预测模型。

进一步的，所述低压台区理论线损的影响因素包括网架结构参数、运行方式和用电负荷水平。

进一步的，所述步骤2具体为从业务系统中获取台区网络基础档案和量测数据，所述业务系统包括电网用电信息采集、营销和PMS，所述线损数据通过用户用电信息采集系统获得。

进一步的，所述步骤2的具体步骤为：

步骤2.1：挑选采集成功率指标为100%且统计线损长期稳定在[0,5]的台区作为数据来源；

步骤2.2：基于公式计算特征指标数据：

供电半径：；

低压线路总长：；

台区用户数量：；

负载率：；

台区三相不平衡度：；

负荷形状系数：；