[发明专利]一种基于GRU模型的台区线损率预测方法

说明书

本发明涉及一种基于GRU模型的台区线损率预测方法，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；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。本发明可以准确预测分析台区线损率，为台区电力系统稳定、安全、高效运转提供重要理论依据。

技术领域

本发明涉及一种基于GRU模型的台区线损率预测方法。

背景技术

台区线损率是居民区电力系统稳定、安全、高效运行的一项重要指标，也是衡量配电网运行效率的核心反映。因此，准确预测分析台区线损率具有十分重要的研究价值，它为后续电力系统网络优化工作、提高供电质量提供了理论依据。

目前已有较多文献对电网线损率计算方法进行了研究。传统方法包括平均电流法、损失因数法、区间潮流法等，然而它们与配电网实际耗电模型出入较大，具有计算精度较低的缺点。近年来，随着人工智能技术的迅速发展，传统线损率计算方法已逐渐转移至人工神经网络为代表的新型处理算法。文献[1](彭宇文,刘克文.基于改进核心向量机的配电网理论线损计算方法[J].中国电机工程学报,2011,31(34):120-126.)研究了基于改进核心向量机的配电网理论线损计算方法。文献[2](唐晓勇,江亚群,黄纯,等.改进ASMDE算法和RBFNN的配电网线损计算[J].计算机工程与应用,2015,51(13):245-250.)提出了改进自适应二次变异差分进化(Adaptive Second Mutation Differential Evolution，ASMDE)算法和径向基函数(Radial Basis Function,RBF)神经网络的线损分析方法。其中文献[1][2]的基本思想是把理论线损已知的线路构造成样本集作为输入，进而获得回归分析问题的近似拟合函数。但上述方法的应用领域为10kV高压线路领域，且仅利用68条配电线路数据进行了分析测试。考虑到实际情形，居民区线路分布比较复杂，且涉及多个电气参数变量特征，非线性耦合程度较高，上述算法在台区线损率计算时仍存在一定的局限性。

发明内容

有鉴于此，本发明的目的在于提供一种基于GRU模型的台区线损率预测方法，可以准确预测分析台区线损率，为台区电力系统稳定、安全、高效运转提供重要理论依据。

为实现上述目的，本发明采用如下技术方案：

一种基于GRU模型的台区线损率预测方法，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。

进一步的，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。

进一步的，所述数据归一化处理采用回归分析法，具体为：