[發明專利]一種基于組合賦權法和深度學習的配電網線損計算方法

有效

• 申請號: 202110045657.X
• 申請日: 2021-01-14
• 公開（公告）號: CN112883633B
• 公開（公告）日: 2022-10-11
• 發明（設計）人: 楊冬鋒;付強;劉曉軍;姜超
• 申請（專利權）人: 東北電力大學
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06N3/04;G06N3/08
• 代理公司: 長春市吉利專利事務所(普通合伙) 22206
• 代理人: 李曉莉

一種基于組合賦權法和深度學習的配電網線損計算方法，屬于配電網理論線損計算技術領域。本發明采用深度學習GRU網絡模型擬合電氣參數與理論線損非線性關系，提高了傳統BP算法的非線性函數逼近能力，且針對目前智能算法所需電氣參數的選取大多依靠經驗的問題，綜合考慮主客觀因素，提出互信息理論和層次分析法相結合的組合賦權法，對不同電氣參數影響權重進行排序，確定最優輸入參數，改善了配電網理論線損計算性能。

技術領域

本發明屬于配電網理論線損計算技術領域，特別是涉及到一種基于組合賦權法和深度學習的配電網線損計算方法。

背景技術

線損是反映電網運行水平的關鍵指標，是反映電網公司管理水平的重要考核標準。理論線損計算作為線損管理水平的評價手段，是電網公司分析線損影響因素、制定降損措施的有力工具，旨在提升配電網的綜合管理水平，改善電網企業的經濟效益。

目前，已有不少學者提出了關于理論線損計算的方法，主要包括基于配電網物理模型的等值算法和基于配電網饋線數據的神經網絡模型算法。但前者理論線損計算方法如等值電阻法、均方根電流法等依賴于網絡結構，對數據的采樣頻率要求高。且配電網的分支線路和配電變壓器臺數較多，增加了線路的節點和等值元件數目，增大了計算難度。相比于傳統理論線損計算方法，基于配電網饋線數據的神經網絡模型的智能算法可以通過擬合電氣參數與理論線損間的非線性關系，更加便捷地進行理論線損的評估。但現有方法所需電氣參數的選取大多依靠經驗，沒有充分考慮理論線損影響因素，而且也沒有考慮到不同電氣參數影響程度的不同，并開展針對性的電氣參數選擇，建立針對性理論線損計算模型。

因此現有技術當中亟需要一種新型的技術方案來解決這一問題。

發明內容

本發明所要解決的技術問題是：提供一種基于組合賦權法和深度學習的配電網線損計算方法用于解決現有技術中尚未有針對理論線損計算中，依賴于配電網拓撲結構和淺層神經網絡擬合效果較差開展針對性分析的技術問題。

一種基于組合賦權法和深度學習的配電網線損計算方法，包括以下步驟，并且以下步驟順次進行，

步驟一、選取電氣參數作為原始特征集，對各電氣參數分別采集樣本數據，將上述電氣參數樣本數據和等值電阻法計算得到的理論線損按歸一化公式進行歸一化處理，分別獲得歸一化值，歸一化公式為：

公式中：x'_i為第i種電氣參數實際值；x_i為歸一化值；

步驟二、構建深度學習門控循環單元GRU網絡計算模型，確定最優GRU網絡計算模型的激活函數、隱含層層數和神經元個數；

步驟三、通過步驟一中獲得的各電氣參數的歸一化值以及等值電阻法計算得到的理論線損，基于層次分析法和互信息理論相結合的組合賦權法，利用電氣參數對理論線損的影響權重公式計算并獲得組合賦值權重，

按照權重從大到小的順序構建不同數目的電氣參數作為輸入集，分別對GRU網絡的理論線損計算模型進行訓練測試和驗證，將線損計算結果誤差最小的電氣參數集確定為最優輸入參數集，

其中，各項電氣參數對理論線損的影響權重λ_i為

λ_i＝εW_i+(1-ε)γ_i

式中：ε為層次分析法獲得的權重占組合法的比重，取0.5；i為第i種電氣參數；γ_i為互信息理論獲得的各項電氣參數權重；W_i為層次分析法獲得的各項電氣參數權重；

步驟四、根據步驟三中獲得的各項電氣參數權重獲得最終的深度學習門控循環單元GRU網絡計算模型，