[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

说明书

本发明公开了一种基于边缘计算的台区低电压智能就地预判方法，所述方法包括：获取台区基础数据资料和台区历史负荷、电压、气象类数据；建立基于边缘计算的台区负荷预测模型；建立基于边缘计算的台区电压估算模型；进行基于边缘计算的台区电压智能就地预判。该发明通过获取台区历史负荷数据，建立基于BP神经网络的台区负荷预测模型，获得台区节点负荷特性与用户用电特性、节假日、气候等的关系，通过获取台区基础数据、台区历史电压和负荷预测结果建立基于BP神经网络的台区低电压就地预判模型，实现对台区节点电压的实时短期预判，有效满足台区异常工况预判的新要求，提高了台区用户的用电质量。

技术领域

本发明涉及配电网技术领域，具体涉及一种基于边缘计算的台区低电压智能就地预判方法。

背景技术

随着社会经济的发展，居民生活水平不断提高，用电性质发生了根本性的改变，用电需求进入更高层次，供电低电压现象成为影响供电质量的主要问题之一。为精准、高效治理低电压，提高供电服务和客户满意度，开展配变台区低电压的智能就地预判是解决电压偏低问题的关键。

现阶段低压台区所能采集的实时电压数据仅来源于配变终端，监测的是低压出线电压，其采集频率、数据的完整度等方面还满足不了低压配网低电压现象的管控要求。此外，由于低压配网线路设备在空间分布上具有零散、繁杂的特点，即便已经实现了智能电表的全覆盖，庞大的数据量与现有的前端硬件设备也制约着实时电气信息数据的获取与使用。以致电网企业往往采取问题或经验导向型的传统解决模式。目前已有文献分析了配电网低电压的产生原因以及低电压的治理措施，并进行了台区电压估算方法的探索，例如牛顿法、前推回代法和回路阻抗法等。然而，很少有文献考虑低电压的预判，尤其是配电网台区的实时低电压预判少之甚少。已有的低电压预判并不具备实时性，仅能预测台区指定节点第二天的最低电压，不能实时预测低电压用户数，低电压用户范围和低电压持续时间。

发明内容

本发明的目的在于提供一种基于边缘计算的台区低电压智能就地预判方法，可以解决现有技术中低电压预判并不具备实时性、不能实时预测低电压用户数、低电压用户范围和低电压持续时间的问题。

本发明的目的是通过以下技术方案实现的：

本发明提供了一种基于边缘计算的台区低电压智能就地预判方法，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。

进一步的，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。

进一步的，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。

进一步的，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。

进一步的，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，并对其进行如下模糊处理；

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；