[发明专利]一种基于GRU模型的台区线损率预测方法在审
申请号: | 201910891550.X | 申请日: | 2019-09-20 |
公开(公告)号: | CN110598854A | 公开(公告)日: | 2019-12-20 |
发明(设计)人: | 王峰;陈杰;何海波;丁忠安;高琛;林女贵;李建新;叶强;洪桂峰 | 申请(专利权)人: | 国网福建省电力有限公司 |
主分类号: | G06N3/04 | 分类号: | G06N3/04;G06N3/08;G06Q10/04;G06Q50/06;G06F17/18 |
代理公司: | 35100 福州元创专利商标代理有限公司 | 代理人: | 陈明鑫;蔡学俊 |
地址: | 350003 福*** | 国省代码: | 福建;35 |
权利要求书: | 查看更多 | 说明书: | 查看更多 |
摘要: | |||
搜索关键词: | 台区 线损 训练集数据 深度预测 原始数据 预测 电力系统稳定 电气特征参数 测试集数据 归一化处理 测试数据 错误数据 电气特征 基本参数 清洗处理 数据平滑 网络参数 网络模型 误差测试 指标参数 重要理论 初始化 多维 构建 分析 采集 运转 安全 学习 | ||
1.一种基于GRU模型的台区线损率预测方法,其特征在于,包括以下步骤:
步骤S1:采集台区多维电气特征指标参数数据,构成原始数据;
步骤S2:对原始数据进行进行归一化处理,同时采用数据平滑技术对少量错误数据进行清洗处理,得到处理后的数据随机分为训练集数据和测试集数据;
步骤S3:构建GRU深度学习模型,并初始化基本参数;
步骤S4:将训练集数据作为输入,训练GRU网络参数,获得深度预测模型;
步骤S5:将测试数据输入训练好的GRU网络模型中,进行台区线损率误差测试分析,如果满足预设要求则得到最优深度预测模型并转入S6,否则转入步骤S3微调网络模型基本参数;
步骤S6:根据得到的最优深度预测模型,输入新增台区的电气特征参数,预测得到相应的线损率。
2.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于:所述台区多维电气特征指标参数数据包括、供电半径、低压线路总长度、负载率和居民用电比例、台区用户名数、居民用户数、供电量、耗电量、台区电能表总数、安装年限和抄表成率。
3.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于:所述数据归一化处理采用回归分析法,具体为:
设样本总数为N,特征参数数目为M,首先计算样本序列的均值和方差
其中i=1,2,…,N,j=1,2,…,M,xij为样本i的第j个特征;
得到的标准化数据Zij为
4.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于,所述GRU深度学习模型具体为:
LSTM每个神经单元包括4个组成部分,即输入门it,遗忘门ft,输出门Ot和记忆单元Ct;
具体计算步骤如下:
输入状态
gt=tanh(Wigxt+big+Whcht-1+bhg)
门控状态
it=sigmoid(Wijxt+bii+Whiht-1+bhi)
ft=sigmoid(Wifxt+bif+Whfht-1+bhf)
Ot=sigmoid(Wioxt+bio+Whoht-1+bho)
记忆状态
Ct=ft×Ct-1+it×gt
输出状态
ht=ot×tanh(Ct)
其中tanh(·)表示双曲正切函数,sigmoid(·)为sigmoid函数,W是门权重向量,b是偏置项;
将LSTM的输入门、遗忘门、输出门变为更新门zt和重置门zt以及将单元状态c和h合并为一个状态h,得到GRU深度学习模型
计算步骤如下式所示
zt=sigmoid(Wizxt+biz+Whzht-1+bhz)
rt=sigmoid(Wirxt+bir+Whrht-1+bhr)
nt=tanh(Winxt+bin+rt×(Whnht-1+bhn))
ht=(1-zt)×nt+zt×ht-1。
5.根据权利要求1所述的一种基于GRU模型的台区线损率预测方法,其特征在于:所述GRU的隐藏层数为150个门控循环单元,并设置Dropout层丢弃率为0.3。
该专利技术资料仅供研究查看技术是否侵权等信息,商用须获得专利权人授权。该专利全部权利属于国网福建省电力有限公司,未经国网福建省电力有限公司许可,擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作,请联系【客服】
本文链接:http://www.vipzhuanli.com/pat/books/201910891550.X/1.html,转载请声明来源钻瓜专利网。