[发明专利]表箱运行线损异常判断方法及装置和计算机设备

说明书

本申请涉及一种表箱运行线损异常判断方法及装置和计算机设备。所述方法包括：获取历史线损率误差和历史线损率方差；根据所述历史线损率误差和所述历史线损率方差自适应修正边缘智能反向传播神经网络的隐藏层权重以优化基于边缘智能反向传播神经网络的表箱线损率预测模型；获取实时线损率判定数据，根据所述实时线损率判定数据和优化后的所述表箱线损率预测模型获取实时线损率标值、实时线损率误差和实时线损率方差；根据所述实时线损率标值、所述实时线损率误差和所述实时线损率方差获取表箱运行线损判定区间，以判断表箱运行线损是否存在异常。采用本方法能够有效提高表箱运行线损异常判断的准确率。

技术领域

本申请涉及电网运行技术领域，特别是涉及一种表箱运行线损异常判断方法及装置和计算机设备、可读存储介质。

背景技术

随着电网运行技术不断发展和运营管理服务水平的不断提高，电力计量作为电力系统主要技术基础之一，其技术水平、监督力度随着电网的发展而不断提高。表箱作为电力系统主要的计量设备之一，承担着电能量数据管理的作用，电能量数据是否准确可靠直接决定了电力业务能否有效开展，进行表箱运行线损管理，可以有效实现电能监测，其中，线损异常判断作为线损管理的重要组成部分，可以对降损措施的制定起到指导作用。但现有技术中，表箱运行线损异常判断的准确率偏低。

发明内容

基于此，有必要针对上述技术问题，提供一种能够提高表箱运行线损异常判断的准确率的表箱运行线损异常判断方法及装置和计算机设备、可读存储介质。

第一方面，本申请提供了一种表箱运行线损异常判断方法。表箱运行线损异常判断方法包括：

获取历史线损率误差和历史线损率方差；

根据历史线损率误差和历史线损率方差自适应修正边缘智能反向传播神经网络的隐藏层权重以优化基于边缘智能反向传播神经网络的表箱线损率预测模型；

获取实时线损率判定数据，根据实时线损率判定数据和优化后的表箱线损率预测模型获取实时线损率标值、实时线损率误差和实时线损率方差；

根据实时线损率标值、实时线损率误差和实时线损率方差获取表箱运行线损判定区间，以判断表箱运行线损是否存在异常。

在其中一个实施例中，获取历史线损率误差和历史线损率方差，包括：

获取历史线损率判定样本；

根据历史线损率判定样本和表箱线损率预测模型获取历史线损率误差和历史线损率方差。

在其中一个实施例中，历史线损率判定样本包括历史输入样本和历史输出样本；根据历史线损率判定样本和表箱线损率预测模型获取历史线损率误差和历史线损率方差，包括：

根据历史输入样本和表箱线损率预测模型获取历史线损率标值；

根据历史线损率标值与历史输出样本获取历史线损率误差；

当历史线损率误差超出预设的误差阈值时，根据历史线损率标值获取历史线损率方差。

在其中一个实施例中，表箱运行线损异常判断方法还包括：

当实时线损率误差和实时线损率方差之和不超过预设阈值时，根据实时线损率判定数据、实时线损率误差和实时线损率方差生成新线损率判定样本，并发送新线损率判定样本至计量自动化主站以指示更新历史线损率判定样本。

在其中一个实施例中，根据以下公式自适应修正隐藏层权重：

Δx(t)＝η(δe+γe′)[(1-μ)g(t)+μg(t-1)]

式中，Δx(t)为第t次训练需要修正隐藏层权重的修正量，η为学习率，μ为启发因子，g(t)和g(t-1)分别为第t次和第t-1次训练计算出的误差梯度，δ和γ为权重参数，分别用于衡量历史线损率误差和历史线损率方差的重要程度。