【技術實現步驟摘要】
本專利技術涉及一種電力線損計算技術，特別是涉及一種基于深度學習和誤差修正的電力線損計算預測方法。
技術介紹
1、電力線損是指電能在輸電、變電、配電和營銷等各個環節中產生的電能損耗和損失。這些損耗具體包括有功電能損失、無功電能損失和電壓損失。電力線損的產生主要是由于電流在傳輸過程中需要克服導體的電阻和磁場作用，如線路、變壓器銅線繞阻等，從而產生能量損耗，這些損耗以熱能的形式散發，是電網中不可避免的能量損失。在電力系統領域中，線損計算作為電力系統運行管理中的重要環節，對于優化資源配置、提高經濟效益和保障電力系統的穩定運行具有重要意義。為此，這就需要一種能短時間內快速且準確計算線損的方法。
2、目前線損計算仍以傳統計算方法為主，往往依賴于大量電氣參數，計算過程復雜繁瑣，且在數據處理精確度和效率上存在不足。近年來，隨著人工智能技術的發展，特別是深度學習方法的應用，為解決線損計算中的復雜問題提供了新的思路。長短期記憶網絡(lstm)因其在處理時間序列數據方面的優勢，已經在電力負荷預測等多個領域得到廣泛應用。然而，單一的lstm模型在處理線損計算時仍存在一定的局限性，特別是在捕捉局部特征和處理非線性問題方面。
技術實現思路
1、本專利技術所要解決的技術問題是針對傳統計算方法和已有基于機器學習的計算方法所面臨的依賴大量電氣參數、準確度不高和效率偏低等問題，提供一種結合cnn、svr和bilstm的線損計算模型，保證計算的準確性和高效性。
2、為了實現上述專利技術目的，本專
3、一種基于深度學習和誤差修正的電力線損計算預測方法，其步驟包括(1)電力數據信息采集；(2)數據清洗與預處理；(3)數據特征提??；(4)模型搭建；(5)誤差修正與精度提升；(6)超參數尋優；(1)電力數據信息采集；(2)數據清洗與預處理；為了實現上述目的，本專利技術所采取的措施：
4、1)電力數據信息采集：主要通過安裝在變電站、配電柜和開關站、輸電線路、發電廠等節點的傳感器和測量設備實時監測電流、電壓參數，并利用數據采集系統、有線/無線通信技術以及云平臺進行數據的收集、處理和傳輸。智能電表也作為重要設備，實現用戶用電信息的實時采集，共同構成完整的電力數據采集體系。
5、所述電力數據包括：臺區靜態數據和運行數據，具體為：臺區容量、臺區年限、臺區下用戶數、臺區下用戶總容量、臺區下低壓居民用戶數、供電量、日平均有功功率、日平均無功功率、功率因數、線損率。
6、2)數據清洗與預處理：在得到的臺區電力數據中，選出線損率在合理區間的臺區，避免由于臺區選擇的問題造成模型訓練效果不佳。然后在選擇的臺區中，采用均值填充法來處理數據中的缺失值，選擇使用各列的中位數來替代異常的數據點。
7、3)數據特征提?。菏紫韧ㄟ^卷積神經網絡(cnn)對數據進行初步的特征提取。cnn的卷積層負責對電力數據中的局部特征進行提取，并使用最大池化層進行下采樣，從而降低數據維度，保留關鍵特征，減少過擬合風險。
8、cnn作為一種深度學習模型，具有自動進行層次化特征提取的能力。它通過卷積核的使用，減少了神經網絡中的參數數量，有效避免了過擬合，并提高了運算效率。cnn的結構主要包括卷積層、池化層、全連接層、輸入層和輸出層，如圖1所示。
9、1d-cnn(一維卷積神經網絡)常被應用于固定長度的數據片段中，以執行特征提取任務。在預測過程中，該模型通過其一維卷積層和池化層的組合，有效地捕捉時間序列數據的局部特征信息。這種結構使得1d-cnn非常適合于分析和處理那些需要關注局部時間模式或序列特性的數據。
10、在卷積層中，卷積核會沿著輸入數據滑動，對局部區域進行加權求和，以提取特征信息。為了保持數據的空間維度，通常會使用填充技術，并引入偏置項。這一過程常使用relu等激活函數來增加非線性，使得模型能夠學習更復雜的特征。
11、數據經過卷積層后，再送入池化層，進行池化操作。池化操作通過降低數據的空間維度來減少計算量，并控制過擬合風險。本方法采用最大池化，即在局部區域內選取最大值作為該區域的代表值。這樣的處理既保留了重要特征信息，又簡化了數據結構。
12、池化操作通過降低數據的空間維度來減少計算量，并控制過擬合風險。本方法采用最大池化，即在局部區域內選取最大值作為該區域的代表值。這樣的處理既保留了重要特征信息，又簡化了數據結構。
13、4)模型的選擇與搭建：在本專利技術的線損計算方法中，模型的選擇與搭建是核心環節，旨在通過機器學習技術來準確計算電力系統中的線損?？紤]到時間序列數據的非線性、動態變化特性以及長短期依賴關系，優先考慮使用lstm。
14、lstm是一種特殊的循環神經網絡(rnn)，它通過門控機制解決長序列訓練中的梯度消失和梯度爆炸問題，有效捕捉長期依賴關系。lstm的結構主要包含三個門：輸入門it、遺忘門ft和輸出門ot，以及一個記憶單元ct。lstm單元結構如圖2所示。
15、lstm單元能夠深入探索序列數據中前后項之間的聯系，非常適合處理時間序列數據。其計算步驟包括輸入狀態、門控狀態、記憶狀態和輸出狀態的更新，公式如下：
16、a)輸入狀態。
17、gt＝tanh(wigxt+big+whcht-1+bhg)??(1)
18、b)門控狀態。
19、it＝σ(wijxt+bii+whiht-1+bhi)??(2)
20、ft＝σ(wifxt+bif+whfht-1+bhf)??(3)
21、ot＝σ(wioxt+bio+whoht-1+bho)??(4)
22、c)記憶狀態。
23、ct＝ft×ct-1+it×gt??????????????????????(5)
24、d)輸出狀態。
25、ht＝ot×tanh(ct)????????????????????????(6)
26、式中：tanh(·)表示雙曲正切函數；w是門權重向量；b為偏置項。由式(1)-(6)可以看出，lstm在回歸預測的同時，考慮了數據間的相關性，并充分利用數據對象分析時的非線性效應，因而預測效果通常較為理想。
27、盡管lstm在回歸預測中表現良好，但它主要關注歷史信息來預測未來。為了同時考慮前后信息，引入了bilstm。
28、bilstm結構如圖3所示，其結構包含兩個并行運行的lstm層：一個沿正時間軸向前推進，另一個則反向處理時間序列，兩者獨立運作但協同預測。這兩個方向的lstm層共同饋入最終的輸出層，這樣一來，模型就能整合過往(序列的前期信息)與未來(序列的后期信息)的全部時序特征。第一層lstm負責解析序列的正向時間順序特征，而第二層lstm則逆序遍歷相同的數據序列，捕獲另一維度的依賴關系。更重要的是，每一層lstm單元不僅將其內部狀態(隱藏狀態)傳遞給時間軸上的相鄰單元，還影響后本文檔來自技高網...
【技術保護點】
1.一種基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：步驟包括(1)電力數據信息采集；(2)數據清洗與預處理；(3)數據特征提?。?4)模型搭建；(5)誤差修正與精度提升；(6)超參數尋優；
2.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：步驟1)中所述電力數據包括：臺區靜態數據和運行數據，具體為：臺區容量、臺區年限、臺區下用戶數、臺區下用戶總容量、臺區下低壓居民用戶數、供電量、日平均有功功率、日平均無功功率、功率因數、線損率。
3.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：上述步驟2中，將所有采集到的數據整理到一張excel表中，采用均值填充法來處理數據中的缺失值，選擇使用各列的中位數來替代異常的數據點,為了消除不同數據量綱引起的差異以及減少數值跨度較大的數據對訓練過程的不利影響，對原始數據執行了歸一化操作。使用的歸一化公式如下所示：
4.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：BiLSTM結構包含兩個并行運行的LSTM層：
5.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：本專利技術計算模型用到了CNN、SVR、BiLSTM，模型分為兩部分，第一部分是CNN-BiLSTM模型，第二部分是SVR模型，第一部分初步計算線損，第二部分對計算值的誤差進行修正。
6.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：步驟(4)中，構建BiLSTM模塊，并把CNN處理過的數據輸入其中，經過如下計算：計算步驟包括輸入狀態、門控狀態、記憶狀態和輸出狀態的更新，公式如下：
7.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：步驟(5)中，選取BiLSTM模型線損計算值與實際值的差值序列作為SVR的訓練數據，來對誤差項在每個單位時間內進行修正，訓練出擬合程度更高的模型，從而使得結果更加準確。
8.根據權利要求7所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：在SVR中，非線性模型通過核函數映射到高維空間，轉化為線性回歸模型。這一轉化的表達式可以表示為：
9.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：步驟(6)中，詳細步驟如下：
...【技術特征摘要】
1.一種基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：步驟包括(1)電力數據信息采集；(2)數據清洗與預處理；(3)數據特征提取；(4)模型搭建；(5)誤差修正與精度提升；(6)超參數尋優；
2.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：步驟1)中所述電力數據包括：臺區靜態數據和運行數據，具體為：臺區容量、臺區年限、臺區下用戶數、臺區下用戶總容量、臺區下低壓居民用戶數、供電量、日平均有功功率、日平均無功功率、功率因數、線損率。
3.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：上述步驟2中，將所有采集到的數據整理到一張excel表中，采用均值填充法來處理數據中的缺失值，選擇使用各列的中位數來替代異常的數據點,為了消除不同數據量綱引起的差異以及減少數值跨度較大的數據對訓練過程的不利影響，對原始數據執行了歸一化操作。使用的歸一化公式如下所示：
4.根據權利要求1所述的基于深度學習和誤差修正的電力線損計算預測方法，其特征在于：bilstm結構包含兩個并行運行的lstm層：一個沿正時間軸向前推進，另一個則反向處理時間序列，兩者獨立運作但協同預測,這兩個方向的lstm層共同饋入最終的輸出層，這樣一來，模型就能整合序列的前期信息與序列的后期信息的全部時序特征,第一層lstm負...
【專利技術屬性】
技術研發人員：趙建文，姜鵬，程思瑾，喬福泉，尹加坤，王萌，呂麗麗，張虎，聶瑩坤，高立東，
申請(專利權)人：國網山東省電力公司泰安供電公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。