[发明专利]一种基于边缘计算的台区低电压智能就地预判方法

权利要求书

1.一种基于边缘计算的台区低电压智能就地预判方法，其特征在于，包括以下步骤：

步骤1、获取台区基础数据资料和台区历史负荷、电压、气象类数据；

步骤2、建立基于边缘计算的台区负荷预测模型；

步骤3、建立基于边缘计算的台区电压估算模型；

步骤4、进行基于边缘计算的台区电压智能就地预判。

2.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的台区基础数据资料包括台区支路节点、台区用户数、台区线路类型、线路长度。

3.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述台区历史负荷、电压数据包括台区4月、7月、10月和1月各月前30天的用户日电压曲线和日负荷曲线。

4.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的台区历史气象类数据包括本年度4月、7月、10月和1月各月前30天的气象状况、星期类型、时间段和节假日类型。

5.根据权利要求4所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述气象状况、星期类型、时间段和节假日类型的量化模糊处理具体形式为：

晴天，阴天，雨雪分别量化为A＝[1,2,3]；

星期一，星期二，星期三，星期四，星期五，星期六，星期日分别量化为B＝[2,2,2,2,2,1,1]；

23:00-7:00，7:00-11:00，11:00-13:00，13:00-17:00，17:00-19:00，19:00-23:00分别量化为C＝[0,1,3,1,3,2]；

节假日，节假日前后一天，非节假日量化为D＝[3,2,1]。

6.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的建立基于边缘计算的台区负荷预测模型具体包括以下步骤：

S201、选取台区支路节点、台区用户数；

S202、选取台区4月、7月、10月和1月各月前30天的用户日负荷曲线，并对个别数据缺失的点利用上下相近数据平均值进行填充；

S203、选取本年度4月、7月、10月和1月各月前30天的气象状况、星期类型、时间段和节假日类型，并对其进行模糊处理；

S204、初始化BP神经网络，设置神经网络输入层节点数为4、输出层节点数为1、隐含层节点为6，设定神经网络学习速率为0.1，目标误差为0.001，迭代次数最大为3000次；

S205、选取4月、7月、10月和1月各月前29天的数据，进行基于BP神经网络的负荷预测模型训练；

S206、选取4月、7月、10月和1月各月第30天的数据进行模型准确度验证。

7.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的建立基于边缘计算的台区电压估算模型具体包括以下步骤：

S301、选取台区支路节点、台区用户数、台区线路类型、线路长度；

S302、选取台区4月、7月、10月和1月各月前30天的用户日电压曲线和日负荷曲线，并对个别数据缺失的点利用上下相近数据平均值进行填充；

S303、初始化BP神经网络，设置神经网络输入层节点数为4、输出层节点数为1、隐含层节点为7，设定神经网络学习速率为0.1，目标误差为0.001，迭代次数最大为5000次；

S304、选取4月、7月、10月和1月各月前29天的数据，进行基于BP神经网络的台区低电压估算模型训练；

S305、选取4月、7月、10月和1月各月第30天的数据进行模型准确度验证，完成台区低电压估算模型的建立。

8.根据权利要求6或7所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的神经网络输入层节点数为4，具体包括台区出线电压、线路长度、线路类型、台区节点功率；所述输出层节点为台区节点电压。

9.根据权利要求1所述的基于边缘计算的台区低电压智能就地预判方法，其特征在于，所述的进行基于边缘计算的台区电压智能就地预判具体包括结合已建立好的基于边缘计算的台区负荷预测模型和基于边缘计算的台区电压估算模型，输入台区出线电压、各分支线路末端用户的线路长度、线路类型、预判功率，预测末端用户电压；判断该分支线路末端用户是否为低电压用户，若是，则计算该末端用户前一个用户的电压状况，直至前一个用户为非低电压用户为止，完成台区低电压用户的预测。