[发明专利]一种基于组合赋权法和深度学习的配电网线损计算方法

说明书

一种基于组合赋权法和深度学习的配电网线损计算方法，属于配电网理论线损计算技术领域。本发明采用深度学习GRU网络模型拟合电气参数与理论线损非线性关系，提高了传统BP算法的非线性函数逼近能力，且针对目前智能算法所需电气参数的选取大多依靠经验的问题，综合考虑主客观因素，提出互信息理论和层次分析法相结合的组合赋权法，对不同电气参数影响权重进行排序，确定最优输入参数，改善了配电网理论线损计算性能。

技术领域

本发明属于配电网理论线损计算技术领域，特别是涉及到一种基于组合赋权法和深度学习的配电网线损计算方法。

背景技术

线损是反映电网运行水平的关键指标，是反映电网公司管理水平的重要考核标准。理论线损计算作为线损管理水平的评价手段，是电网公司分析线损影响因素、制定降损措施的有力工具，旨在提升配电网的综合管理水平，改善电网企业的经济效益。

目前，已有不少学者提出了关于理论线损计算的方法，主要包括基于配电网物理模型的等值算法和基于配电网馈线数据的神经网络模型算法。但前者理论线损计算方法如等值电阻法、均方根电流法等依赖于网络结构，对数据的采样频率要求高。且配电网的分支线路和配电变压器台数较多，增加了线路的节点和等值元件数目，增大了计算难度。相比于传统理论线损计算方法，基于配电网馈线数据的神经网络模型的智能算法可以通过拟合电气参数与理论线损间的非线性关系，更加便捷地进行理论线损的评估。但现有方法所需电气参数的选取大多依靠经验，没有充分考虑理论线损影响因素，而且也没有考虑到不同电气参数影响程度的不同，并开展针对性的电气参数选择，建立针对性理论线损计算模型。

因此现有技术当中亟需要一种新型的技术方案来解决这一问题。

发明内容

本发明所要解决的技术问题是：提供一种基于组合赋权法和深度学习的配电网线损计算方法用于解决现有技术中尚未有针对理论线损计算中，依赖于配电网拓扑结构和浅层神经网络拟合效果较差开展针对性分析的技术问题。

一种基于组合赋权法和深度学习的配电网线损计算方法，包括以下步骤，并且以下步骤顺次进行，

步骤一、选取电气参数作为原始特征集，对各电气参数分别采集样本数据，将上述电气参数样本数据和等值电阻法计算得到的理论线损按归一化公式进行归一化处理，分别获得归一化值，归一化公式为：

公式中：x'_i为第i种电气参数实际值；x_i为归一化值；

步骤二、构建深度学习门控循环单元GRU网络计算模型，确定最优GRU网络计算模型的激活函数、隐含层层数和神经元个数；

步骤三、通过步骤一中获得的各电气参数的归一化值以及等值电阻法计算得到的理论线损，基于层次分析法和互信息理论相结合的组合赋权法，利用电气参数对理论线损的影响权重公式计算并获得组合赋值权重，

按照权重从大到小的顺序构建不同数目的电气参数作为输入集，分别对GRU网络的理论线损计算模型进行训练测试和验证，将线损计算结果误差最小的电气参数集确定为最优输入参数集，

其中，各项电气参数对理论线损的影响权重λ_i为

λ_i＝εW_i+(1-ε)γ_i

式中：ε为层次分析法获得的权重占组合法的比重，取0.5；i为第i种电气参数；γ_i为互信息理论获得的各项电气参数权重；W_i为层次分析法获得的各项电气参数权重；

步骤四、根据步骤三中获得的各项电气参数权重获得最终的深度学习门控循环单元GRU网络计算模型，