一种基于鲁棒神经网络的低压台区线损合理区间计算方法

技术领域

本发明涉及配电网用电管理领域，更具体地，涉及一种基于鲁棒神经网络的低压台区线损合理区间计算方法。

背景技术

目前，线损率作为评价电力系统的重要指标，在经济运行中扮演着重要的角色，因此，线损管理也是电力公司的重点工作内容之一。目前，根据《线损四分管理标准》，我国线损管理采用“分压、分区、分线、分台区”的原则。根据国家电网的测算，380V低压电网作为重损层，其损耗量占总电网损耗量的大概1/5。而低压电网线损管理普遍采用分台区的管理手段，所以研究台区线损率情况、分析台区线损率的主要影响因素对于提高配电网的经济运行水平具有重要的意义。

现有技术中，线损率合理范围的本质是线损影响因素在合理取值范围变化时线损率的变化范围。然而，电力企业对于线损率指标缺乏管理标准，常以固定的区间作为线损率合理性评估的依据，“一刀切”的管理方式无法区分出台区在结构、供电范围、负荷水平上的差异，忽视不同地区用电情况、不同用户用电负荷特性、不同台区拓扑结构以及分布式电源接入等因素对于台区线损指标的影响。另外，采用压降法，以及台区拓扑的理论线损计算等方法获取线损率也需要末端用户电压曲线、台区拓扑、线路等详细的数据信息，对数据要求高，无法大范围推广应用。

因此，亟需一种新型的基于用电台区线损率诊断方法。

发明内容

为解决现有技术中存在的不足，本发明的目的在于，提供一种基于鲁棒神经网络的低压台区线损合理区间计算方法，能够基于用电信息采集系统中与线损率相关的特征量，计算出用电台区的线损率标杆值，并确定用电台区的线损率合理区间。

本发明采用如下的技术方案。一种基于鲁棒神经网络的低压台区线损合理区间计算方法，包括以下步骤：步骤1，基于用电信息采集系统，提取低压用电台区中与线损率相关的特征量；步骤2，将特征量输入至循环神经网络中，通过循环神经网络计算出用电台区的线损率标杆值；步骤3，基于用电台区的线损率标杆值、用电台区的实际线损率获取线损误差和线损方差，并基于线损率标杆值、线损误差和线损方差确定用电台区的线损率合理区间。

优选地，步骤1中还包括：用电信息采集系统中与线损率相关的特征量包括：用电台区中的台区类别、台区容量、台区电量、用户类型、用户数量、电表读数、台区功率、线路指标以及CT变比。

优选地，步骤2中用电台区的线损率标杆值的计算方法为：步骤2.1，将特征量输入至循环神经网络中，计算得到循环神经网络的输出；步骤2.2，对循环神经网络的输出进行L2范数的正则化操作，以消除循环神经网络的过度拟合；步骤2.3，将正则化操作结果输入至不同概率取值的随机失活层中，并获得随机失活输出结果；步骤2.4，对随机失活输出结果取平均值以获得用电台区的线损率标杆值。

优选地，步骤2.1中还包括：循环神经网络包括三条主路径，循环神经网络的输出为每条主路径的输出的级联组合，计算公式为：

式中，y

C(·)为级联函数，

f

x为第k条主路径的输入，

n

n

优选地，每条主路径包括一条DAE支路径和一条全连接层支路径；

其中，每条主路径的输出的计算公式为：

式中，y

g

优选地，DAE支路径包括输入、噪声层、编码层、译码层和输出五部分；第k条主路径的输入依次经过噪声层、编码层和译码层后生成输出。

优选地，噪声层为高斯噪声层，其计算公式为：

x

式中，x

x

N(0，σ

优选地，编码层和译码层均为全连接层，其计算公式均为：

式中，

w

b

优选地，步骤2.2中还包括：

L2范数的正则化操作的计算公式为：

其中，L为损失函数，

λ为惩罚项的超参数，

Huber为Huber损失函数，

n

δ为自定义的超参数。

优选地，步骤2.3中还包括：

分别将正则化操作结果输入至10个不同概率的随机失活层中，以获得10个不同的线损率输出；

其中，线损率输出的计算公式为：

式中，p为随机失活层的概率。

优选地，步骤3中还包括：

线损误差的计算公式为：

式中，e

n

*表示共轭；

线损方差的计算公式为：

式中，e

优选地，用电台区的线损率合理区间为：

式中，l

优选地，方法还包括步骤4：调整神经网络中的各层参数；并且，调整是基于所有台区样本的线损率标杆值与实际线损率之间的均方误差最小时的各层参数取值确定的。

本发明的有益效果在于，与现有技术相比，本发明中一种基于鲁棒神经网络的低压台区线损合理区间计算方法，能够以用电信息采集系统的数据为基础，利用各种数据挖掘技术获得其中隐含的有用信息，计算台区线损率标杆值与合理区间，达到诊断线损率异常的目的。采用本发明中的方法，能够解决现有台区理论线损计算技术存在的数据要求高、实用性低的技术问题，从而为电网降低线损率，保证高效运行提供可靠依据。

附图说明

图1为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中方法流程示意图；

图2为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中循环神经网络的原理示意图；

图3为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中去噪自动编码器的结构示意图；

图4为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中随机失活层的原理示意图；

图5为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法一实施例中获取的用电台区的线损率标杆值与合理区间的示意图。

具体实施方式

下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。

如图1所示，一种基于鲁棒神经网络的低压台区线损合理区间计算方法，包括步骤1至步骤3。

步骤1，基于用电信息采集系统，提取低压用电台区中与线损率相关的特征量。

具体来说，本发明中可以针对电网用电台区中与线损率有关的用电数据作为神经网络的输入量。一实施例中，可以从用电信息采集系统中获取特征字段。

本发明中一实施例中，从用电信息采集系统中提取的低压用电台区的特征字段共有18个。表1为本发明中用电信息采集系统中用电台区的特征字段表。如表1所示，18个特征字段可以大致分类如下：

优选地，步骤1中还包括：用电信息采集系统中与线损率相关的特征量包括：用电台区中的台区类别、台区容量、台区电量、用户类型、用户数量、电表读数、台区功率、线路指标以及CT变比。

表1本发明中用电信息采集系统中用电台区的特征字段表

具体来说，台区类别是指：用电信息采集系统中城农网类别这一业务数据项。基于这一数据项，可以获知当前用电台区是城网台区还是农网台区。由于不同的台区类型具有不同的用电用户类型和用户分布，因此可以基于这一数据项提供不同的线损计算方式。

台区容量是指当前台区的负荷容量，而台区容量中还可以包括有居民容量和非居民容量，即按照不同的用户类型进行负荷容量的分配。

台区电量中包括台区的发电量、供电量以及上网电量。其中，发电量是指台区发电机端输出的电量，供电量是指发电机输出的电量减去电厂自身用电后的电量，上网电量是指经过变压器送到电网的电量，其中应当扣除变压器损耗。

台区中的用户类型可以按照电能的用途进行分类，分为居民和非居民两种。因此，用户数量可以包括居民户数和非居民户数。

电表读数中包括电网中的三相电能表读数和单相电能表读数。

台区功率指标中分别包括了能够代表有功能率的日功率因数，以及代表无功功率的日无功电量。

线路指标中还包括有确保电网安全性能的最大零线电流，用于表征当前台区线损率特性的理论线损率和综合倍率。

另外，在特征字段中还可以包括检测台区线路中电流大小的电流互感器的检测值，例如CT变比等。

将上述特征字段作为神经网络的输入，则可以基于循环神经网络计算获得当前台区的线损率数据了。

步骤2，将特征量输入至循环神经网络中，通过循环神经网络计算出用电台区的线损率标杆值。

图2为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中循环神经网络的原理示意图；图3为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中去噪自动编码器的结构示意图；图4为本发明一种基于鲁棒神经网络的低压台区线损合理区间计算方法中随机失活层的原理示意图。优选地，如图2-图4所示，步骤2中用电台区的线损率标杆值的计算方法还包括步骤2.1至步骤2.4这四个步骤。

步骤2.1，将特征量输入至循环神经网络中，计算得到循环神经网络的输出。

优选地，步骤2.1中还包括：循环神经网络包括三条主路径，循环神经网络的输出为每条主路径的输出的级联组合，计算公式为：

式中，y

优选地，每条主路径包括一条DAE支路径和一条全连接层支路径；

其中，每条主路径的输出的计算公式为：

式中，y

优选地，DAE支路径包括输入、噪声层、编码层、译码层和输出五部分；第k条主路径的输入依次经过噪声层、编码层和译码层后生成输出。

其中，噪声层可以为高斯噪声层，其计算公式为：

x

式中，x

优选地，编码层和译码层均为全连接层，其计算公式分别为：

式中，

可以理解的是，上文中所述的中间层是指神经网络的中间层，在本发明中，具体可以为编码层、译码层、正则化层和随机失活层。其中，上述中间层使用参数l取值的不同，来表示不同的层。

根据上述公式的内容，即可计算出循环神经网络的输出。

步骤2.2，对循环神经网络的输出进行L2范数的正则化操作，以消除循环神经网络的过度拟合。

另外，为了防止步骤2.1中输出结果的循环拟合，还可以对循环神经网络的输出进行正则化操作。本发明一实施例中，可以选择L2范数以实现正则化操作。

优选地，L2范数的正则化操作的计算公式为：

其中，L为损失函数，λ为惩罚项的超参数，Huber为Huber损失函数，n

在本发明的神经网络中，可以将一个台区一天的用电数据作为一个样本进行训练。因此，训练样本数可以根据系统中的线损指标较好的台区数量和训练天数来确定。

步骤2.3，将正则化操作结果输入至不同概率取值的随机失活层中，并获得随机失活输出结果。

为了准确地获得线损率的标杆值，可以选取多个具有不同概率的随机失活层来进行标杆值的计算。

优选地，将正则化操作结果输入至10个不同概率的随机失活层中，以获得10个不同的线损率输出；其中，线损率输出的计算公式为：

式中，p为随机失活层的概率。

本发明一实施例中，可以选取10个概率不同的随机失活层，且这10个随机失活层的概率可以在[0，0.5]区间内进行取值。具体来说，概率p的取值为0.05，0.1，0.15，0.2，0.25，0.3，0.35，0.4，0.45，0.5。

步骤2.4，对随机失活输出结果取平均值以获得用电台区的线损率标杆值。

该线损率标杆值的计算公式为：

其中，

步骤3，基于用电台区的线损率标杆值、用电台区的实际线损率获取线损误差和线损方差，并基于线损率标杆值、线损误差和线损方差确定用电台区的线损率合理区间。

优选地，步骤3中还包括：线损误差的计算公式为：

式中，e

线损方差的计算公式为：

式中，e

优选地，用电台区的线损率合理区间为：

式中，l

步骤4，调整所述神经网络中的各层参数；并且，所述调整是基于所有台区样本的线损率标杆值与实际线损率之间的均方误差最小时的各层参数取值确定的。

本发明一实施例中，选取江苏省两万个线损管理情况较好的台区作为测试台区。选取台区某月中30天的数据作为样本数据，以对神经网络的模型进行训练，从而得到神经网络中各层的权重、偏差等参数，从而构建出本发明中的循环神经网络。

完成循环神经网络的构建后，选择其中一个台区，本发明实施例中，选择了ID为170001414803的台区进行了线损率标杆值以及合理区间的计算。表2为基于本发明方法计算出的线损率相关数据表。如表2所示，在4月的每一天内，线损率的标杆值与合理区间都被计算出来了。

表2基于本发明方法计算出的线损率相关数据表

为了更加清楚地观察数据，可以利用表2绘制出线损率数据图。图5为本发明一种基于神经网络的用电台区线损率诊断方法一实施例中获取的用电台区的线损率标杆值与合理区间的示意图。如图5所示，30天内的实际线损率取值与标杆值之间总体上差别不大，且绝大部分实际线损率取值数据处于标杆区间之内。只有第12天的实际线损率数据与标杆值的数据差距较大，且落入标杆区间的边界外部。这说明第12天的数据为异常数据。电网维护管理人员可以根据台区内的相关数据，以及本发明中的诊断方法准确地诊断出电网中的异常用电数据，并采取合理的调整方式。

本发明的有益效果在于，与现有技术相比，本发明中一种基于神经网络的用电台区线损率诊断方法，能够以用电信息采集系统的数据为基础，利用各种数据挖掘技术获得其中隐含的有用信息，计算台区线损率标杆值与合理区间，达到诊断线损率异常的目的。采用本发明中的方法，能够解决现有台区理论线损计算技术存在的数据要求高、实用性低的技术问题，从而为电网降低线损率，保证高效运行提供可靠依据。

本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。