[发明专利]一种基于机器学习的模拟预测低压线损的方法

说明书

本发明涉及一种基于机器学习的模拟预测低压线损的方法，包括以下步骤：步骤S100，获取待预测区域的低压线损历史向量HL＝(h₁,h₂,...,h_n)，h_i＝(t_i,a_i)为HL中的低压线损元素，其中i的取值为1…n，t_i为待预测区域历史上采用第一方式进行的第i次低压线损的预测值，a_i为待预测区域历史上第i次低压线损的实测值；步骤S200，如果对于HL中的任何一个h_i，都存在那么采用第一方式对待预测区域的低压线损进行预测；如果HL中存在一个h_i，使得那么执行步骤S300；其中D1为预先设定的第一阈值；步骤S300，如果max(Hi)‑max(min(Hi),D1)≤λ×D1，其中λ为预设系数，那么采用机器学习的方式对待预测区域的低压线损进行预测；否则，执行步骤S400；步骤S400，确定HL中存在异常的低压线损元素。

技术领域

本发明涉及电力系统的信息应用领域，尤其涉及一种基于机器学习的模拟预测低压线损的方法。

背景技术

线路损耗(简称线损)指的是以热能形式散发的能量损失，即为电阻、电导消耗的有功功率。电力系统中，根据输送电压的不同，线路可以分为高压线路和低压线路，高压线路的线损远超过低压线路，因此低压线损领域成为研究的热点。

理论上，低压线损可以根据供电设备的参数和电网运行方式、潮流分布以及负荷情况计算得出。例如，《低压线损的影响因素和降损措施探究》一文中介绍了均方根电流线损计算法、最大负荷电流计算方法、潮流计算方法等三种低压线损的理论计算方法。实践中，通过对某个低压供电区域供电量与售电量的差值，计算线损以及线损率，线损计算公式为(供电量-售电量)，线损率计算公式为[(供电量-售电量)/供电量]×100％。但是，由于低压线路在供电区域内的复杂性以及存在偷电等行为，使得理论计算方法在某些区域内误差较大，也使得时间中的线损计算方式波动性较高。徐晖等3人在《基于机器学习的配电网线损自动计算模型》中提出，使用有功功率供电量、无功功率供电量、配电变压器总容量、线路总长度作为线损SVR模型的输入变量，通过机器学习的方式，在分类和无分类两种情况对线损进行了仿真预测，取得了一定的效果，但是特定情况下的预测精度仍然不够准确，而且在大批量预测时运行速度较慢，预测效率较低。

发明内容

为解决上述技术问题，本发明涉及一种基于机器学习的模拟预测低压线损的方法，包括以下步骤：步骤S100，获取待预测区域的低压线损历史向量HL＝(h₁,h₂,...,h_n)，h_i＝(t_i,a_i)为HL中的低压线损元素，其中i的取值为1…n，t_i为待预测区域历史上采用第一方式进行的第i次低压线损的预测值，a_i为待预测区域历史上第i次低压线损的实测值；步骤S200，如果对于HL中的任何一个h_i，都存在那么采用第一方式对待预测区域的低压线损进行预测；如果HL中存在一个h_i，使得那么执行步骤S300；其中D1为预先设定的第一阈值；步骤S300，如果max(Hi)-max(min(Hi),D1)≤λ×D1，其中λ为预设系数，那么采用机器学习的方式对待预测区域的低压线损进行预测；否则，执行步骤S400；步骤S400，确定HL中存在异常的低压线损元素。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，将对本发明作进一步地详细描述。这种描述是通过示例而非限制的方式介绍了与本发明的原理相一致的具体实施方式，这些实施方式的描述是足够详细的，以使得本领域技术人员能够实践本发明，在不脱离本发明的范围和精神的情况下可以使用其他实施方式并且可以改变和/或替换各要素的结构。因此，不应当从限制性意义上来理解以下的详细描述。