[發明專利]一種基于深度學習的低壓臺區線損合理區間預測方法

有效

• 申請號: 202010867853.0
• 申請日: 2020-08-25
• 公開（公告）號: CN112149873B
• 公開（公告）日: 2023-07-21
• 發明（設計）人: 井友鼎;付勇;滕鐵軍;郝增才;陳小燕;張偉
• 申請（專利權）人: 北京合眾偉奇科技股份有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/06;G06Q50/06;G06N3/0442;G06N3/048;G06N3/084;G06F18/23;G06N20/20;G06F18/27
• 代理公司: 鄭州知己知識產權代理有限公司 41132
• 代理人: 季發軍

1.一種基于深度學習的低壓臺區線損合理區間預測方法，其特征在于，

包括如下步驟：

S1.數據的收集，包括采集、營銷、PMS和GIS四個系統，涉及的數據包括配變側數據和用戶側數據；

S2.指標的構建，從S1收集的數據選取線損影響因子；

S3.特征構建，通過對選取的影響因子與線損率的相關性分析，將負荷特性的平方、末端壓降的絕對值作為模型的特征因子輸入；

S4.特征因子選擇，采用統計指標因子和兩個構建的特征因子構建Lasso回歸模型，最終根據Lasso回歸變量篩選結果選擇上網電量占比、供電半徑、末端電量占比、臺區功率因數、首末端壓降絕對值、負載率、負荷特性平方和三相不平衡系數八個因子作為最終的特征因子，采用Lasso回歸模型對回歸變量篩選的過程中包括對殘差估計進行異常值剔除，包括如下步驟：

1)計算預測殘差

2)計算殘差的均值和標準差

mean_resid＝mean(resid)

std_resid＝std(resid)

3)計算z得分

4)異常值檢測

z_score＞3

對于樣本數據中z得分大于3的線損率樣本值進行剔除；

S5.構建線損預測模型，采用LSTM構建線損預測模型，所述的步驟S5中構建線損預測模型采用LASSO算法選擇出得八個特征因子作為LSTM模型的輸入，通過循環迭代優化訓練網絡結構，包括如下步驟：

1)對八個特征因子進行歸一化處理作為LSTM模型的輸入，將實際線損率作為模型輸出，并將數據分為訓練集和測試集；

2)設置LSTM深度學習模型的基本參數，包括激活函數，深度神經網絡的層數，模型梯度優化算法為ADAM；

3)根據訓練數據訓練模型優化模型參數，微調網絡模型的基本參數，包括增加層數、更改激活函數，直至評估函數達到理想范圍，最終確定模型網絡參數128層，激活函數選擇sigmod函數，Dropout層丟棄率為0.5；

4)最終利用訓練好的模型，對新輸入的特征因子預測相應的線損率以及合理區間上界；

S6.模型預測效果展示。

2.根據權利要求1所述基于深度學習的低壓臺區線損合理區間預測方法，其特征在于，所述的步驟S1中，配變側數據包括配變容量、電壓、電流、功率和電量，用戶側數據包括有用戶容量、日用電量及用戶坐標。

3.根據權利要求1所述基于深度學習的低壓臺區線損合理區間預測方法，其特征在于，所述的步驟S2中選取臺區電源類指標、網架類指標、電量類指標、運行類指標和容量類指標五大類共二十四個臺區線損影響因子。

4.根據權利要求1所述基于深度學習的低壓臺區線損合理區間預測方法，其特征在于，所述的步驟S4中Lasso回歸模型是將參數估計與變量選擇同時進行一種正則化方法，其參數估計被定義如下：

式中，λ為非負正則參數，為懲罰項。

5.根據權利要求1所述基于深度學習的低壓臺區線損合理區間預測方法，其特征在于，所述的步驟S4中還包括對選定的特征因子進行歸一化處理，采用最小最大值歸一化方法，將每一個特征因子都歸一到[0.1,0.9]之間，假設有N個樣本{x(n)}Nn＝1，對于每一維特征x，歸一化后的特征為

其中，min(x)和max(x)分別是特征因子x在所有樣本上的最小值和最大值。

6.根據權利要求1所述基于深度學習的低壓臺區線損合理區間預測方法，其特征在于，所述LSTM模型的評估函數采用RMSLE，其公式如下：

其中yi為實際線損值，為線損預測值。