[发明专利]配电网线损的预测方法、控制装置、及存储介质

说明书

本发明实施例提供一种配电网线损的预测方法、控制装置及存储介质，属于电力技术领域。所述预测方法包括：构建影响配电网线损的输入特征集，所述输入特征集包括影响配电网线损的电气特征指标；根据所述输入特征集中的所述电气特征指标对应的电气数据，建立训练集和测试集；通过所述训练集对预设的配电网线损预测模型进行训练，通过所述测试集对所述预设的配电网线损预测模型进行精度测试；以及当所述精度测试结果达到预设效果时，得到训练后的配电网线损预测模型，通过所述训练后的配电网线损测试模型对配电网线损进行预测。本发明实施例通过构建影响配电网线损的输入特征集，对配电网线损预测模型进行训练，以准确的对配电网线损进行预测。

技术领域

本发明涉及电力技术领域，具体地涉及一种配电网线损的预测方法、控制装置、及存储介质。

背景技术

线损是电网的电力损耗，它反映了电网中的配电规划，配电网络设计和经济运行水平也是电网公司的关键评估指标之一。截至2018年12月，南方电网实现了100％的智能电表和自动抄表(AMR)覆盖率，使其在收集远程数据时更加客观，准确，从而解决了供销期不同的问题。因此，迫切需要能够在配电网络中快速准确地预测线损的算法。

目前，有许多预测线损率的方法，例如基于传统的方法、基于潮流的方法和基于AI算法的方法。传统方法主要包括平均电流法和等效电阻法，其通过一系列假设简化了网格结构，但以牺牲计算精度为代价；基于潮流的方法(例如牛顿-拉夫森法、前推后推法)更加准确，但是收集大量的运营和结构数据既费时又费力；近年来，人工智能算法已被广泛应用于电力系统中，为预测线损提供了新的方法。

人工智能算法提出了使用线性回归来计算线损，当不需要较高的预测精度时，该方法是快捷简便的。但是，确定回归方程很大程度上取决于大量数据，并且很难拟合线损和特征之间复杂的非线性关系，因此预测精度不高。基于人工神经网络(ANN)的方法最有代表性，可用于拟合任意复杂函数而无需构建数学模型，例如优化的反向传播神经网络(BPNN)方法，比传统的人工神经网络(ANN)具有更高的准确性和收敛速度，但未能避免过度拟合和局部极小问题等缺还有基于集成学习算法和支持矩阵机(SVM)以及其改进算法等的方法。上述方法存在的共同问题是：根据工程经验来进行选择特征，这不仅缺乏理论依据，而且对预测精度也有影响。

发明内容

本发明实施例的目的是提供一种配电网线损的预测方法，该配电网线损的预测方法可以解决当前预测配电网线损时，根据工程经验来进行选择特征，这不仅缺乏理论依据，而且对预测精度也有影响的问题。

为了实现上述目的，本发明实施例提供一种配电网线损的预测方法，包括：构建影响配电网线损的输入特征集，所述输入特征集包括影响配电网线损的电气特征指标；根据所述输入特征集中的所述电气特征指标对应的电气数据，建立训练集和测试集；通过所述训练集对预设的配电网线损预测模型进行训练，通过所述测试集对所述预设的配电网线损预测模型进行精度测试；以及当所述精度测试结果达到预设效果时，得到训练后的配电网线损预测模型，通过所述训练后的配电网线损测试模型对配电网线损进行预测。

可选的，所述构建影响配电网线损的输入特征集包括：获取配电网的多个所述电气特征指标；以及根据预设关联度分析和预设权重选择标准，确定每个所述电气特征指标与配电网线损之间的关联度，并选择满足预设关联度的所述电气特征指标，构建所述输入特征集。

可选的，所述预设关联度分析为灰色关联分析。

可选的，所述预设权重选择标准为熵权标准。

可选的，在所述确定每个所述电气特征指标与配电网线损之间的关联度之前，所述配电网线损的预测方法还包括：通过所述电气数据建立对应的矩阵，并对所述矩阵进行数据处理。

可选的，所述对所述矩阵进行数据处理包括以下的一者或多者：通过聚类检测消除所述矩阵中的孤立点，进行去噪；通过所述矩阵中前后相邻的数据的平均值，填充缺失值；通过分段量化对所述矩阵进行量化；通过商权法对所述矩阵进行标准化处理。