[发明专利]一种基于边缘计算的台区线损率预测方法

说明书

本发明提供一种基于边缘计算的台区线损率预测方法，在台区内安装一种边缘计算装置，采集台区电气特征参数，并对其进行处理。其包括：1选取其他台区的历史电气特征参数和线损率、待测台区的历史电气特征参数和线损率构成数据集，并将其进行标准化处理；2在云平台构建AP聚类模型，对数据集进行聚类，筛选出与待测台区数据同一类簇的历史数据集；3在云平台构建BP神经网络模型，历史数据集作为训练样本，训练BP神经网络模型；4将训练完成的预测模型移植至边缘计算装置中，由边缘计算装置输出预测的台区线损率，并判断是否发送告警信息至运维人员。减少了云中心及主站的数据处理压力，利用聚类精度较高的聚类算法提取训练样本，提高了预测精度。

技术领域

本发明属于台区线损率预测技术领域，具体涉及一种基于边缘计算的台区线损率预测方法。

背景技术

在万物互联的大背景下，电网终端设备数量和数据量大量增加，目前电网系统接入的终端设备超过5亿只(其中4.7亿只电表，各类保护、采集、控制设备几千万台)，其数据结构复杂、种类繁多，除传统的结构化数据外，还包含大量的半结构化、非结构化数据。

由于台区低压用户越来越多，低压台区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，通过人工的方法获得低压台区线损率，费事费力，且难以保证实时性，而用传统云计算方法则会增加云平台及主站的数据处理压力，且存在通信时延过大、安全认证机制复杂、可扩展性差的缺点。

发明内容

本发明的目的是提供一种基于边缘计算的台区线损率预测方法，实现减小云中心负担、低延时、支持物理分布计算、适合实时分析和优化决策的优点。

本发明解决其技术问题的技术方案为：一种基于边缘计算的台区线损率预测方法，其特征在于，包括以下步骤：

S1：在台区内安装边缘计算终端设备，利用边缘计算终端设备内部的采集模块采集其他台区和待测台区的某历史时间段不同时刻的电气特征参数和线损率作为历史数据；

S2：对历史数据中的台区的电气特征参数做标准化处理；

S3：通过AP聚类算法对台区的历史数据中的电气特征参数数据进行聚类，计算电气特征参数数据之间的相似度并设置阻尼系数，得到多个类簇；

S4：选取与待测时刻的电气特征参数同一类簇的历史数据作为云平台预测模型的训练样本数据集，在云平台内通过BP神经网络对数据集进行训练，得到台区线损率预测模型；

S5：将训练完成的预测模型移植到边缘计算终端设备，通过边缘计算终端设备内部的采集模块采集待测台区待测时刻的电气特征参数，通过台区线损率预测模型进行预测，得出实时预测的线损率；

S6：将预测出的实时线损率与该台区的理论线损率进行对比，计算误差率，误差率大于5％时则判定该台区线损率异常，然后通过边缘计算终端设备发送告警信息到运维人员；

S7：通过采集的台区历史数据以及实时预测的线损率，在云平台对预测模型进行深入训练，并定期对边缘设备的预测模型进行更新，保证边缘计算终端设备预测模型的准确率。

所述步骤S2中标准化处理方法为：设台区个数为N，每个台区的电气特征参数为M个，N个台区样本的台区电气特征参数组成台区电气特征向量X，有：

其中，x_ij为台区电气特征向量X的第i行、第j列元素，i＝1,2,…,N，j＝1,2,…,M；

对台区电气特征参数进行标准化处理，有：