[發明專利]一種基于深度學習的低壓臺區線損計算方法及系統

在審

• 申請號: 201910135982.8
• 申請日: 2019-02-25
• 公開（公告）號: CN109871622A
• 公開（公告）日: 2019-06-11
• 發明（設計）人: 盧志剛;劉建恒
• 申請（專利權）人: 燕山大學
• 主分類號: G06F17/50
• 分類號: G06F17/50;G06N3/04;H02J3/00
• 代理公司: 北京高沃律師事務所 11569
• 代理人: 程華

本發明公開了一種基于深度學習的低壓臺區線損計算方法及系統。該計算方法包括：獲取深度置信神經網絡模型；所述深度置信神經網絡模型由深度置信網絡模型以及深度神經網絡模型組成；采用貪婪學習算法對所述深度置信神經網絡模型進行前向訓練，得到最優深度置信神經網絡模型；采用梯度下降算法對所述最優深度置信神經網絡模型進行后向訓練，得到線損計算模型；采集低壓臺區的線損特征值指標；根據所述線損特征值指標，通過線損計算模型，計算低壓臺區的線損。通過本方法或系統能夠快速、準確的計算低壓臺區線損。

技術領域

本發明涉及線損計算領域，特別是涉及一種基于深度學習的低壓臺區線損計算方法及系統。

背景技術

隨著國家經濟的快速發展，配電網的規模不斷擴大，供電量的快速增長，使得低壓臺區線損率計算困難問題也日益凸顯。低壓臺區線損率是電力系統經濟運行的一個重要技術指標，而且是電力公司的重點管理內容之一。降低電網運行過程中產生的損耗是實現電網運行高效、節能環保的重要舉措，因此研究臺區線損情況對提高配電網的經濟運行有十分重要的意義。

然而，通過近幾年從事理論線損計算工作以來，發現了一些線損計算中的問題。計算與低壓臺區線損率的方法大多采用的容量分攤法，實測數據多，計算難度大，因此導致線損計算工作效率低；采用傳統神經網絡學習算法對低壓臺區進行線損計算出現準確度不高，而且不容易收斂，容易陷入局部最優解。

發明內容

本發明的目的是提供一種基于深度學習的低壓臺區線損計算方法及系統，用以快速、準確的計算低壓臺區線損。

為實現上述目的，本發明提供了如下方案：

一種基于深度學習的低壓臺區線損計算方法，所述計算方法包括：

獲取深度置信神經網絡模型；所述深度置信神經網絡模型由深度置信網絡模型以及深度神經網絡模型組成；

采用貪婪學習算法對所述深度置信神經網絡模型進行前向訓練，得到最優深度置信神經網絡模型；

采用梯度下降算法對所述最優深度置信神經網絡模型進行后向訓練，得到線損計算模型；

采集低壓臺區的線損特征值指標；

根據所述線損特征值指標，通過線損計算模型，計算低壓臺區的線損。

可選的，所述線損特征值指標包括用戶負荷、每段線路長度以及線路型號。

可選的，所述采用貪婪學習算法對所述深度置信神經網絡模型進行前向訓練，得到最優深度置信神經網絡模型，具體包括：

獲取所述深度置信神經網絡模型的初始參數；

采用貪婪學習算法更新所述初始參數，更新次數達到預設迭代次數時停止更新，得到最優深度置信神經網絡模型。

可選的，所述采用梯度下降算法對所述最優深度置信神經網絡模型進行后向訓練，得到線損計算模型，具體包括：

獲取訓練集；所述訓練集包括線損特征值指標訓練集以及實際線損；

將所述線損特征值指標訓練集輸入至所述最優深度置信神經網絡模型，得到預測結果；

判斷所述預測結果與所述實際線損的誤差值是否在預設誤差范圍內；

若是，確定所述最優深度置信神經網絡模型為線損計算模型；

若否，采用梯度下降算法調整所述最優深度置信神經網絡模型的內部系數，使所述預測結果與所述實際線損的誤差值在預設誤差范圍內。

本發明還提供了一種基于深度學習的低壓臺區線損計算系統，所述計算系統包括：