[发明专利]基于神经网络的异常线损率台区识别方法

说明书

本发明公开了一种基于神经网络的异常线损率台区识别方法，通过将收集到的台区电气特征参数和计算得到的实际线损率作为训练样本集，计算得到各层之间的权重；当后续台区数量变化时，及时修改样本集，迭代更新权重，得到最优权重系数；接着将台区的电气特征参数作为输入，最优权重作为权重系数，得到估算线损率值；通过对实际线损率和估算线损率进行对比，计算两者的误差率即能识别异常线损的台区。本发明通过对实际线损率和估算线损率进行对比，计算两者的误差率即能识别异常线损的台区，方便管理人员进行线损管理，电力企业能够及时进行有效的补救措施，从而减少经济的进一步损失。

技术领域

本发明涉及一种线损率异常识别方法，尤其涉及一种基于神经网络的异常线损率台区识别方法。

背景技术

我国现有的配网规模较为庞大，而且结构复杂。由于低压用户越来越多，低压配网的线损问题越来越突出。由于低压台区数量众多，且管理的状况参差不齐，很难在庞大的台区数量中直接辨别异常线损的台区。低压配电台区作为电力系统的末端环节，直接关联到电力公司的经济效益。所以计算台区线损率，识别线损异常的台区，可以方便管理人员进行线损管理，电力企业能够及时进行有效的补救措施，从而减少经济的进一步损失。

发明内容

发明目的：针对以上问题，本发明提出一种基于神经网络的异常线损率台区识别方法，计算实际线损率和估算线损率之间的误差率，从而识别出异常线损的台区，方便管理人员对异常线损的台区进行管理。

技术方案：为实现本发明的目的，本发明所采用的技术方案是：一种基于神经网络的异常线损率台区识别方法，包括步骤：

(1)收集电网各台区的电气特征参数；

(2)收集各台区的供电量和售电量，计算实际线损率；

(3)将各台区电气特征参数作为训练集的输入，实际线损率作为训练集的输出，训练神经网络，计算权重系数；

(4)将台区下的电气特征参数作为样本数据的输入，权重系数作为最优权重，进行神经网络算法，计算估算线损率值；

(5)计算实际线损率和估算线损率值的误差，根据误差率的大小判断台区是否为线损异常台区。

进一步地，所述步骤1中，电气特征参数包括低压线路特征参数、变压器特征参数、气象特征参数和用电性质特征参数。

进一步地，所述步骤2中，实际线损率L％为：

其中，供电量为A_supply，售电量为A_sale。

进一步地，所述步骤3为计算输入层到隐藏层、隐藏层到输出层的阈值权重，包括步骤：

(3.1)确定训练集；

(3.2)确定损失函数；

(3.3)确定参数调整策略；

(3.4)计算各层的权重梯度值；

(3.5)迭代更新各层权重值。

进一步地，所述步骤(3.4)包括：

(3.4.1)计算输出层阈值θ_j的梯度；

(3.4.2)计算隐藏层到输出层的连接权值w_hj的梯度；

(3.4.3)计算隐藏层阈值γ_h的梯度。

进一步地，所述步骤5中，实际线损率和估算线损率值的误差率为：