[发明专利]一种配电网日运行效率计算及预测方法、系统及设备

权利要求书

1.一种配电网日运行效率计算及预测方法，其特征在于，包括以下步骤：

计算配电设备的实时运行效率；

基于配电设备的实时运行效率计算配电系统的日运行效率；

分析配电系统的日运行效率的影响因素；

利用灰色关联度分析从影响因素中筛选出主要影响因素；

根据主要影响因素，利用反向传播算法预测配电系统的日运行效率；

其中，所述实时运行效率指的是所述配电设备的实际负载率与合理负载率的比值；

所述日运行效率指的是所述配电设备一天的运行效率；

所述配电系统的日运行效率的影响因素包括：供电可靠性、配电网网络结构、负荷特性以及发展阶段；

所述利用灰色关联度分析从影响因素中筛选出主要影响因素的具体步骤如下：

计算配电系统不同日期的日运行效率序列Y和与日期相对应的影响因素序列X；

将日运行效率序列Y以及影响因素序列X进行归一化处理，得到日运行效率序列Y’以及影响因素序列X’；

求解日运行效率序列Y’和影响因素序列X之间的关联系数；

根据关联系数计算日运行效率与影响因素之间的灰色关联度；

基于灰色关联度选取出主要影响因素；

所述反向传播算法包括正向传播过程以及反向传播过程；

所述正向传播过程如下：

主要影响因素从输入层输入神经网络，经隐含层逐层传递至输出层，如果输出层的实际输出与期望输出不同，则转至误差反向传播；如果输出层的实际输出与期望输出相同，结束反向传播算法；

所述反向传播过程具体过程如下：

将期望输出与实际输出之差作为输出误差，将输出误差按原通路反传计算，在反传过程中将误差分摊给神经网络各层的神经元，获得神经网络各层神经元的误差信号，根据误差信号调整神经网络各层神经元的权值和阈值从而降低误差信号。

2.根据权利要求1所述的一种配电网日运行效率计算及预测方法，其特征在于，反向传播算法通过神经网络实现，神经网络包括输入层、隐含层以及输出层，输入层、隐含层以及输出层的每一层中都包含有神经元。

3.根据权利要求2所述的一种配电网日运行效率计算及预测方法，其特征在于，神经网络将主要影响因素作为输入，配电网的日运行效率作为输出。