[发明专利]台区线损率的预测方法、装置

说明书

本申请公开了一种台区线损率的预测方法、装置。其中，该方法包括：从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。本申请解决了由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长的技术问题。

技术领域

本申请涉及电力领域，具体而言，涉及一种台区线损率的预测方法、装置。

背景技术

随着国网公司线损精益化管理工作的深入开展，传统一刀切方式的线损合格率考核方式，已不再满足线损精益化管理要求，供电企业需要迫切找到一种有效计算线损合理区间的方法，动态预测各台区的线损合理区间，实现一台区一指标，实时、高效预警线损率超标台区，提出降低台区线损的技术手段等措施建议，从而优化配网规划与建设方案、规范低压客户管理，实现节能减排和资源的优化配置，提升公司经营管理水平。目前对电网线损率计算方法已经有很多，主要分为传统方法和基于机器学习的方法。传统方法如最大负荷损耗小时法、平均电流损耗算法、均方根电流法、台区损失率法、和等值电阻法等；机器学习的方法有基于支持向量机的计算方法、基于神经网络和改进的自适应二次变异差分进化算法、基于改进K-means聚类和BP神经网络的计算方法。

对于传统线损计算方法由于它们与配电网耗电模型出入较大，计算精度通常较低；采用机器学习算法对于线损的计算或预测准确率都有了较大的提升，但是存在一定的局限性，基于支持向量机的计算方法，在数据量较大时模型训练效率较低，另外在特征维度空间较大时很难找到合适的核函数；采用k-means聚类和BP神经网络的计算方法，由于聚类算法初始化中心是随机选定，不同初始值会导致不同的分类结果，当分类不准确时容易造成参数重构误差较大的缺陷。

针对上述的问题，目前尚未提出有效的解决方案。

发明内容

本申请实施例提供了一种台区线损率的预测方法、装置，以至少解决由于相关技术中的机器学习算法面临大规模高维度数据分析时泛化能力较差造成的预计结果不准确，且耗时较长的技术问题。

根据本申请实施例的一个方面，提供了一种台区线损率的预测方法，包括：从预定系统自动采集台区内的电气数据；根据电气数据确定台区的原始电气特征指标数据，原始电气指标特征数据，其中，预定系统，包括：电力公司用电信息信息采集系统、营销业务应用系统、电力地理资讯系统GIS、电力管理系统PMS；对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，基于目标电气特征指标数据确定长短时记忆LSTM模型；将电气数据输入至长短时记忆LSTM模型，得到台区线损率的预测值。

可选地，根据电气数据确定台区的原始电气特征指标数据，包括：对从预定系统自动采集的电气数据进行筛选，得到原始电气特征指标数据；其中，原始电气特征指标数据，包括：供电半径、负载率、功率因数、三相平衡度、负荷特征、网架结构、居民用户数、台区电能表总数、抄表成率。

可选地，对原始电气特征指标数据进行预设处理，得到目标电气特征指标数据，包括：采用数据平滑技术剔除原始电气特征指标数据的野值，得到第一电气特征指标数据；对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据。

可选地，对第一电气特征指标数据进行归一化处理，得到目标电气特征指标数据，包括：确定样本台区内第一电气特征指标数据对应的第一数值；计算第一数值对应的第二数值，其中，第二数值为第一数值的平均值；根据第一数值和第二数值确定第三数值，其中，第三数值为第一数值对应的方差；根据第一数值、第二数值与第三数值得到目标电气特征指标数据。