Nothing Special   »   [go: up one dir, main page]

CN114840591B - 一种分段开关功率数据的确定方法及装置 - Google Patents

一种分段开关功率数据的确定方法及装置 Download PDF

Info

Publication number
CN114840591B
CN114840591B CN202210451966.1A CN202210451966A CN114840591B CN 114840591 B CN114840591 B CN 114840591B CN 202210451966 A CN202210451966 A CN 202210451966A CN 114840591 B CN114840591 B CN 114840591B
Authority
CN
China
Prior art keywords
data
power data
switch
neural network
sample
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210451966.1A
Other languages
English (en)
Other versions
CN114840591A (zh
Inventor
叶迪卓然
陈锦铭
陈烨
赵新冬
郭雅娟
袁栋
蔡云峰
程力涵
焦昊
李岩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210451966.1A priority Critical patent/CN114840591B/zh
Publication of CN114840591A publication Critical patent/CN114840591A/zh
Application granted granted Critical
Publication of CN114840591B publication Critical patent/CN114840591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/25—Integrating or interfacing systems involving database management systems
    • G06F16/258—Data format conversion from or to a database
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/28—Databases characterised by their database models, e.g. relational or object models
    • G06F16/284—Relational databases
    • G06F16/285—Clustering or classification
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请涉及配电网线损计算技术领域，公开了一种分段开关功率数据的确定方法及装置，该方法首先获取多组特定分段开关数据，并划分为实践样本和测试样本，然后对全部样本进行标准化，根据标准化后的实践样本，进行BP神经网络的建立和训练，构建初始功率数据确定模型，进一步将初始功率数据确定模型与测试样本进行对比验证，确定最终功率数据模型，最后通过最终功率数据模型对待测分段开关的功率数据进行确定。本发明通过使用分段开关的电流、功率数据以及周围配电变压器的电压数据对BP神经网络进行训练，从而实现对只有电流及周围配变电压数据的分段开关的功率数据拟合，解决进行线损计算过程中功率数据缺失的问题，从而提高线损管理的效率。

Description

一种分段开关功率数据的确定方法及装置
技术领域
本申请涉及配电网线损计算技术领域，尤其涉及一种分段开关功率数据的确定方法及装置。
背景技术
在现行配电网运行经济指标中，线损率是衡量配电网规划设计、生产运行、经营管理和企业经济效益水平重要考核指标之一。准确简便的线损计算和分析方法有利于拟定出合理的降低线损的措施并考察措施的实际效果，也便于制定适当的线损考核指标和规划，从而对线损管理工作起指导和促进的作用。
在此背景下，获取更为真实完整的电力系统量测数据变得越来越重要，因为只有可靠的线损计算结果才能更好制定相应的降损策略，进而提高电网运行效率和线损综合管理水平。但是在配电网线损计算过程中，会出现分段开关上功率数据缺失的问题，严重影响线损综合管理的效率。
发明内容
本申请公开了一种分段开关功率数据的确定方法及装置，以解决目前在配电网线损计算过程中，会出现分段开关上功率数据缺失的问题，严重影响线损综合管理的效率的技术问题。
本申请第一方面公开了一种分段开关功率数据的确定方法，包括：
获取多组特定分段开关数据，所述特定分段开关为带功率数据的分段开关，且任一组特定分段开关数据包括特定分段开关电流数据、特定分段开关功率数据和特定分段开关周围配变电压数据；
将所述多组特定分段开关数据格式化矩阵形式，并划分为实践样本和测试样本；
对所述实践样本和所述测试样本进行标准化；
利用BP神经网络，将标准化后的实践样本中，标准化后的特定分段开关电流数据和特定分段开关周围配变电压数据作为BP神经网络的输入，并将对应的特定分段开关功率数据作为BP神经网络的期望输出，进行神经网络的建立和训练，构建初始功率数据确定模型；
将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，若所述拟合效果达到预设要求，则确定最终功率数据模型；
获取待测分段开关电流数据和待测分段开关周围配变电压数据，并根据所述最终功率数据模型、所述待测分段开关电流数据和所述待测分段开关周围配变电压数据，确定待测分段开关功率数据。
可选的，所述特定分段开关电流数据为特定分段开关单相电流数据或特定分段开关三相电流数据。
可选的，所述对所述实践样本和所述测试样本进行标准化，包括：
利用平均数方差法对所述实践样本和所述测试样本进行标准化，将所述实践样本和所述测试样本的数据大小变为[0,1]。
可选的，所述利用平均数方差法对所述实践样本和所述测试样本进行标准化，包括：
通过如下公式对所述实践样本和所述测试样本进行标准化：
其中，xk表示实践样本和测试样本，xmin表示实践样本和测试样本中数据的最小值，xmax表示实践样本和测试样本中数据的最大值。
可选的，所述将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，还包括：
若所述拟合效果没有达到预设要求，则重新确定初始功率数据确定模型。
可选的，所述进行神经网络的建立和训练，包括：
将所述实践样本中，70％的样本作为训练数据，15％的样本作为验证数据，15％的样本作为测试数据，进行进行神经网络的建立和训练。
可选的，所述BP神经网络中，隐藏神经元的数量设置为10个。
可选的，所述BP神经网络的训练算法为Levenberg-Marquardt算法、BayesianRegularization算法或Scaled Conjugate Gradient算法。
可选的，所述拟合效果通过均方误差和拟合优度进行确定。
本申请第二方面公开了一种分段开关功率数据的确定装置，所述分段开关功率数据的确定装置应用于本申请第一方面公开的分段开关功率数据的确定方法，所述分段开关功率数据的确定装置包括：
特定数据获取模块，用于获取多组特定分段开关数据，所述特定分段开关为带功率数据的分段开关，且任一组特定分段开关数据包括特定分段开关电流数据、特定分段开关功率数据和特定分段开关周围配变电压数据；
预处理模块，用于将所述多组特定分段开关数据格式化矩阵形式，并划分为实践样本和测试样本；
标准化处理模块，用于对所述实践样本和所述测试样本进行标准化；
初始模型构建模块，用于利用BP神经网络，将标准化后的实践样本中，标准化后的特定分段开关电流数据和特定分段开关周围配变电压数据作为BP神经网络的输入，并将对应的特定分段开关功率数据作为BP神经网络的期望输出，进行神经网络的建立和训练，构建初始功率数据确定模型；
最终模型构建模块，用于将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，若所述拟合效果达到预设要求，则确定最终功率数据模型；
应用模块，用于获取待测分段开关电流数据和待测分段开关周围配变电压数据，并根据所述最终功率数据模型、所述待测分段开关电流数据和所述待测分段开关周围配变电压数据，确定待测分段开关功率数据。
可选的，所述特定分段开关电流数据为特定分段开关单相电流数据或特定分段开关三相电流数据。
可选的，所述标准化处理模块用于：利用平均数方差法对所述实践样本和所述测试样本进行标准化，将所述实践样本和所述测试样本的数据大小变为[0,1]。
可选的，所述标准化处理模块用于：通过如下公式对所述实践样本和所述测试样本进行标准化：
其中，xk表示实践样本和测试样本，xmin表示实践样本和测试样本中数据的最小值，xmax表示实践样本和测试样本中数据的最大值。
可选的，所述最终模型构建模块还用于：若所述拟合效果没有达到预设要求，则重新确定初始功率数据确定模型。
可选的，所述初始模型构建模块用于：将所述实践样本中，70％的样本作为训练数据，15％的样本作为验证数据，15％的样本作为测试数据，进行进行神经网络的建立和训练。
可选的，所述BP神经网络中，隐藏神经元的数量设置为10个。
可选的，所述BP神经网络的训练算法为Levenberg-Marquardt算法、BayesianRegularization算法或Scaled Conjugate Gradient算法。
可选的，所述拟合效果通过均方误差和拟合优度进行确定。
本申请公开了一种分段开关功率数据的确定方法及装置。在该方法中，首先获取多组特定分段开关数据，格式化矩阵形式后划分为实践样本和测试样本，然后对实践样本和测试样本进行标准化，利用BP神经网络，根据标准化后的实践样本，进行神经网络的建立和训练，构建初始功率数据确定模型，进一步将初始功率数据确定模型与标准化后的测试样本进行对比验证，确定最终功率数据模型，最后通过最终功率数据模型对待测分段开关的功率数据进行确定。本发明通过使用分段开关的电流、功率数据以及周围配电变压器的电压数据对BP神经网络进行训练，从而实现对只有电流及周围配变电压数据的分段开关的功率数据拟合，解决进行线损计算过程中功率数据缺失的问题，从而提高线损管理的效率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种分段开关功率数据的确定方法的工作流程示意图；
图2为本申请实施例公开的示例一下样本均方误差的变化曲线图；
图3为本申请实施例公开的示例一下测试样本拟合优度图；
图4为本申请实施例公开的示例二下样本均方误差的变化曲线图；
图5为本申请实施例公开的示例二下测试样本拟合优度图；
图6为本申请实施例公开的一种分段开关功率数据的确定装置的结构示意图。
具体实施方式
为了解决目前在配电网线损计算过程中，会出现分段开关上功率数据缺失的问题，严重影响线损综合管理的效率的技术问题，本申请通过以下实施例公开了一种分段开关功率数据的确定方法及装置。
本申请第一实施例公开了一种分段开关功率数据的确定方法，参见图1所示的工作流程示意图，所述分段开关功率数据的确定方法包括：
步骤S1，获取多组特定分段开关数据，所述特定分段开关为带功率数据的分段开关，且任一组特定分段开关数据包括特定分段开关电流数据、特定分段开关功率数据和特定分段开关周围配变电压数据。
进一步的，所述特定分段开关电流数据为特定分段开关单相电流数据或特定分段开关三相电流数据。
具体来说，选取带功率数据的特定区域线路上的特定分段开关，收集其单相或三相电流数据、功率数据以及周围配变电压数据。
步骤S2，将所述多组特定分段开关数据格式化矩阵形式，并划分为实践样本和测试样本。
具体来说，为了匹配Matlab的编程计算，将其格式化距阵形式，并将多组特定分段开关数据分为实践样本和测试样本。
步骤S3，对所述实践样本和所述测试样本进行标准化。
进一步的，所述对所述实践样本和所述测试样本进行标准化，包括：
利用平均数方差法对所述实践样本和所述测试样本进行标准化，将所述实践样本和所述测试样本的数据大小变为[0,1]。
进一步的，所述利用平均数方差法对所述实践样本和所述测试样本进行标准化，包括：
归一化处理可以确保数据大小相对接近，避免由于大小差异大而计算样本数量少的某些数据，并提高数据处理精度。归一化后，所有样本的数据大小变为[0,1]。当前，主要使用平均数方差法进行标准化，具体通过如下公式对所述实践样本和所述测试样本进行标准化：
其中，xk表示实践样本和测试样本，xmin表示实践样本和测试样本中数据的最小值，xmax表示实践样本和测试样本中数据的最大值。
具体来说，由于不同样本的数据大小通常不同，因此直接输入而不进行处理将影响收敛性和处理速度。因此，通过平均数方差法对数据样本进行标准化。
步骤S4，利用BP神经网络，将标准化后的实践样本中，标准化后的特定分段开关电流数据和特定分段开关周围配变电压数据作为BP神经网络的输入，并将对应的特定分段开关功率数据作为BP神经网络的期望输出，进行神经网络的建立和训练，构建初始功率数据确定模型。
在本申请的部分实施例中，所述进行神经网络的建立和训练，包括：
将所述实践样本中，70％的样本作为训练数据，15％的样本作为验证数据，15％的样本作为测试数据，进行进行神经网络的建立和训练。
在本申请的部分实施例中，所述BP神经网络中，隐藏神经元的数量设置为10个，可以根据实践情况来调整具体数量。
在本申请的部分实施例中，所述BP神经网络的训练算法为Levenberg-Marquardt算法、Bayesian Regularization算法或Scaled Conjugate Gradient算法。
具体来说，通过调用Matlab中的BP神经网络工具箱来进行神经网络的建立和训练。
步骤S5，将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，若所述拟合效果达到预设要求，则确定最终功率数据模型。其中，预设要求根据实际应用场景进行预先确定。
进一步的，所述将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，还包括：
若所述拟合效果没有达到预设要求，则重新确定初始功率数据确定模型。
在本申请的部分实施例中，所述拟合效果通过均方误差和拟合优度进行确定。
具体来说，将训练后的神经网络与测试样本对比验证，分析数据拟合效果，以方便验证训练效果。
其中，通过调用Matlab中的BP神经网络工具箱来进行BP神经网络分析，具体步骤如下：选取Neural Net Fitting工具APP；根据分段开关所拥有数据类型，可选导入归一化后的三相电流数据和三相电压数据，或单相电流数据和三相电压数据作为输入数据，导入归一化后的功率数据作为期望输出数据；选择三种类型的数据所占的样本量的比例，这三种类型数据分别是训练数据、验证数据以及测试数据这三种，其比例可以根据具体的情况调整，默认是随机选取70％的样本作为训练数据，15％作为验证数据，15％作为测试数据；确定隐藏神经元的数量，通常选择10个，然后可以根据实践情况来调整具体数量；选取训练算法，通常训练算法分为Levenberg-Marquardt、Bayesian Regularization、ScaledConjugate Gradient这三种，一般选取默认的Levenberg-Marquardt算法；根据得到的结果，一般是均方误差(MSE)的值越小，拟合优度(R)值越接近1，其训练的效果越好；如果所得到模型不能满足预设要求，则重复上述步骤直至得到想要的拟合精度。
步骤S6，获取待测分段开关电流数据和待测分段开关周围配变电压数据，并根据所述最终功率数据模型、所述待测分段开关电流数据和所述待测分段开关周围配变电压数据，确定待测分段开关功率数据。
本申请上述实施例公开的一种分段开关功率数据的确定方法，首先获取多组特定分段开关数据，格式化矩阵形式后划分为实践样本和测试样本，然后对实践样本和测试样本进行标准化，利用BP神经网络，根据标准化后的实践样本，进行神经网络的建立和训练，构建初始功率数据确定模型，进一步将初始功率数据确定模型与标准化后的测试样本进行对比验证，确定最终功率数据模型，最后通过最终功率数据模型对待测分段开关的功率数据进行确定。本发明通过使用分段开关的电流、功率数据以及周围配电变压器的电压数据对BP神经网络进行训练，从而实现对只有电流及周围配变电压数据的分段开关的功率数据拟合，解决进行线损计算过程中功率数据缺失的问题，从而提高线损管理的效率。
应该理解的是，虽然图1的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
下面结合具体实施例来进一步说明：
示例一：已知分段开关三相电流数据及周围配变三相电压数据，需要确定对应分段开关的功率值。根据本实施例公开的分段开关功率数据的确定方法，具体步骤如下：
选取了某10kV线路中分段开关的130组数据，每组数据包括该分段开关三相电流值、功率值以及周围配变的三相电压值。
根据平均数方差法的公式，对该130组数据归一化。
根据BP神经网络的网络结构设计，选取6个输入神经单元(三相电压、三相电流数据)，1个输出神经单元(分段开关有功功率数据)，网络迭代次数为1000。选择70％为训练数据(90组)，15％为验证数据(20组)，15％为测试数据(20组)。训练之后的结果如表1所示，得到验证数据的均方误差MSE结果为4.4876e-5。
表1
样本数 均方误差MSE 拟合优度R
训练数据 90 2.15135e-5 9.99829e-1
验证数据 20 4.48756e-5 9.99815e-1
测试数据 20 7.03161e-5 9.99702e-1
图2详细显示了在线训练期间三组样本数据的平均误差的变化。可以看出，在重复的在线训练过程中，样本的平均误差逐渐减小，测试样本的确认样本的平均误差逐渐减小，但是提高泛化能力是在线训练的主要目的。样本数据的拟合优度R均同1十分接近，实现了预期的要求。
然后选取该条线路另一分段开关的某个时间段的采样数据作为训练后模型的测试样本，对比模型输出结果与实际功率数值对比，结果如图3所示，模型拟合值和目标值之间的拟合优度R为0.96214，效果较为良好。
示例二：已知分段开关单相电流数据及周围配变三相电压数据，需要确定对应分段开关的功率值。根据本实施例公开的分段开关功率数据的确定方法，具体步骤如下：
选取了该10kV线路中分段开关的130组数据，每组数据包括该分段开关单相电流值、功率值以及周围配变的三相电压值。
根据平均数方差法的公式，对该130组数据归一化。
根据BP神经网络的网络结构设计，选取4个输入神经单元(三相电压、单相电流数据)，1个输出神经单元(分段开关有功功率数据)，网络迭代次数为1000。选择70％为训练数据(90组)，15％为验证数据(20组)，15％为测试数据(20组)。训练之后的结果如表2所示，验证数据的均方误差MSE结果为5.42717e-4，对比情景1下数值较大。
表2
样本数 均方误差MSE 拟合优度R
训练数据 90 2.57490e-4 9.98061e-1
验证数据 20 5.42717e-4 9.96858e-1
测试数据 20 6.60963e-4 9.96564e-1
图4详细显示了在线训练期间三组样本数据的平均误差的变化。
然后选取该条线路另一分段开关的某个时间段的采样数据作为训练后模型的测试样本，对比模型输出结果与实际功率数值对比，结果如图5所示，模型拟合值和目标值之间的拟合优度R为0.81166，效果不如情景1下的拟合优度，但总体效果在误差允许范围。
下述为本申请装置实施例，可以用于执行本申请方法实施例。对于本申请装置实施例中未披露的细节，请参照本申请方法实施例。
本申请第二实施例公开了一种分段开关功率数据的确定装置，所述分段开关功率数据的确定装置应用于本申请第一实施例公开的分段开关功率数据的确定方法，参见图6所示的结构示意图，所述分段开关功率数据的确定装置包括：
特定数据获取模块10，用于获取多组特定分段开关数据，所述特定分段开关为带功率数据的分段开关，且任一组特定分段开关数据包括特定分段开关电流数据、特定分段开关功率数据和特定分段开关周围配变电压数据。
预处理模块20，用于将所述多组特定分段开关数据格式化矩阵形式，并划分为实践样本和测试样本。
标准化处理模块30，用于对所述实践样本和所述测试样本进行标准化。
初始模型构建模块40，用于利用BP神经网络，将标准化后的实践样本中，标准化后的特定分段开关电流数据和特定分段开关周围配变电压数据作为BP神经网络的输入，并将对应的特定分段开关功率数据作为BP神经网络的期望输出，进行神经网络的建立和训练，构建初始功率数据确定模型。
最终模型构建模块50，用于将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，若所述拟合效果达到预设要求，则确定最终功率数据模型。
应用模块60，用于获取待测分段开关电流数据和待测分段开关周围配变电压数据，并根据所述最终功率数据模型、所述待测分段开关电流数据和所述待测分段开关周围配变电压数据，确定待测分段开关功率数据。
进一步的，所述特定分段开关电流数据为特定分段开关单相电流数据或特定分段开关三相电流数据。
进一步的，所述标准化处理模块用于：利用平均数方差法对所述实践样本和所述测试样本进行标准化，将所述实践样本和所述测试样本的数据大小变为[0,1]。
进一步的，所述标准化处理模块用于：通过如下公式对所述实践样本和所述测试样本进行标准化：
其中，xk表示实践样本和测试样本，xmin表示实践样本和测试样本中数据的最小值，xmax表示实践样本和测试样本中数据的最大值。
进一步的，所述最终模型构建模块还用于：若所述拟合效果没有达到预设要求，则重新确定初始功率数据确定模型。
进一步的，所述初始模型构建模块用于：将所述实践样本中，70％的样本作为训练数据，15％的样本作为验证数据，15％的样本作为测试数据，进行进行神经网络的建立和训练。
进一步的，所述BP神经网络中，隐藏神经元的数量设置为10个。
进一步的，所述BP神经网络的训练算法为Levenberg-Marquardt算法、BayesianRegularization算法或Scaled Conjugate Gradient算法。
进一步的，所述拟合效果通过均方误差和拟合优度进行确定。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解:本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。

Claims (10)

1.一种分段开关功率数据的确定方法，其特征在于，包括：
获取多组特定分段开关数据，所述特定分段开关为带功率数据的分段开关，且任一组特定分段开关数据包括特定分段开关电流数据、特定分段开关功率数据和特定分段开关周围配变电压数据；
将所述多组特定分段开关数据格式化矩阵形式，并划分为实践样本和测试样本；
对所述实践样本和所述测试样本进行标准化；
利用BP神经网络，将标准化后的实践样本中，标准化后的特定分段开关电流数据和特定分段开关周围配变电压数据作为BP神经网络的输入，并将对应的特定分段开关功率数据作为BP神经网络的期望输出，进行神经网络的建立和训练，构建初始功率数据确定模型；
将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，若所述拟合效果达到预设要求，则确定最终功率数据模型；
获取待测分段开关电流数据和待测分段开关周围配变电压数据，并根据所述最终功率数据模型、所述待测分段开关电流数据和所述待测分段开关周围配变电压数据，确定待测分段开关功率数据。
2.根据权利要求1所述的分段开关功率数据的确定方法，其特征在于，所述特定分段开关电流数据为特定分段开关单相电流数据或特定分段开关三相电流数据。
3.根据权利要求1所述的分段开关功率数据的确定方法，其特征在于，所述对所述实践样本和所述测试样本进行标准化，包括：
利用平均数方差法对所述实践样本和所述测试样本进行标准化，将所述实践样本和所述测试样本的数据大小变为[0,1]。
4.根据权利要求3所述的分段开关功率数据的确定方法，其特征在于，所述利用平均数方差法对所述实践样本和所述测试样本进行标准化，包括：
通过如下公式对所述实践样本和所述测试样本进行标准化：
其中，xk表示实践样本和测试样本，xmin表示实践样本和测试样本中数据的最小值，xmax表示实践样本和测试样本中数据的最大值。
5.根据权利要求1所述的分段开关功率数据的确定方法，其特征在于，所述将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，还包括：
若所述拟合效果没有达到预设要求，则重新确定初始功率数据确定模型。
6.根据权利要求1所述的分段开关功率数据的确定方法，其特征在于，所述进行神经网络的建立和训练，包括：
将所述实践样本中，70％的样本作为训练数据，15％的样本作为验证数据，15％的样本作为测试数据，进行进行神经网络的建立和训练。
7.根据权利要求1所述的分段开关功率数据的确定方法，其特征在于，所述BP神经网络中，隐藏神经元的数量设置为10个。
8.根据权利要求1所述的分段开关功率数据的确定方法，其特征在于，所述BP神经网络的训练算法为Levenberg-Marquardt算法、Bayesian Regularization算法或ScaledConjugate Gradient算法。
9.根据权利要求1所述的分段开关功率数据的确定方法，其特征在于，所述拟合效果通过均方误差和拟合优度进行确定。
10.一种分段开关功率数据的确定装置，其特征在于，所述分段开关功率数据的确定装置应用于权利要求1-9任一项所述的分段开关功率数据的确定方法，所述分段开关功率数据的确定装置包括：
特定数据获取模块，用于获取多组特定分段开关数据，所述特定分段开关为带功率数据的分段开关，且任一组特定分段开关数据包括特定分段开关电流数据、特定分段开关功率数据和特定分段开关周围配变电压数据；
预处理模块，用于将所述多组特定分段开关数据格式化矩阵形式，并划分为实践样本和测试样本；
标准化处理模块，用于对所述实践样本和所述测试样本进行标准化；
初始模型构建模块，用于利用BP神经网络，将标准化后的实践样本中，标准化后的特定分段开关电流数据和特定分段开关周围配变电压数据作为BP神经网络的输入，并将对应的特定分段开关功率数据作为BP神经网络的期望输出，进行神经网络的建立和训练，构建初始功率数据确定模型；
最终模型构建模块，用于将所述初始功率数据确定模型与标准化后的测试样本进行对比验证，分析数据拟合效果，若所述拟合效果达到预设要求，则确定最终功率数据模型；
应用模块，用于获取待测分段开关电流数据和待测分段开关周围配变电压数据，并根据所述最终功率数据模型、所述待测分段开关电流数据和所述待测分段开关周围配变电压数据，确定待测分段开关功率数据。
CN202210451966.1A 2022-04-24 2022-04-24 一种分段开关功率数据的确定方法及装置 Active CN114840591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210451966.1A CN114840591B (zh) 2022-04-24 2022-04-24 一种分段开关功率数据的确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210451966.1A CN114840591B (zh) 2022-04-24 2022-04-24 一种分段开关功率数据的确定方法及装置

Publications (2)

Publication Number Publication Date
CN114840591A CN114840591A (zh) 2022-08-02
CN114840591B true CN114840591B (zh) 2024-06-07

Family

ID=82568666

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210451966.1A Active CN114840591B (zh) 2022-04-24 2022-04-24 一种分段开关功率数据的确定方法及装置

Country Status (1)

Country Link
CN (1) CN114840591B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115808589A (zh) * 2023-02-06 2023-03-17 国网江苏省电力有限公司电力科学研究院 配电网分时分段线损异常诊断方法和装置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
CN106229972A (zh) * 2016-08-16 2016-12-14 北京国能日新系统控制技术有限公司 一种基于多气象源集成并分段建模的风电功率预测方法
CN106991531A (zh) * 2017-03-30 2017-07-28 国家电网公司 基于bp神经网络的配电网项目建设效果后评价方法
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及系统
CN111523737A (zh) * 2020-05-29 2020-08-11 四川大学 深度q网络驱动的电力系统运行方式自动趋优调整方法
CN112580174A (zh) * 2020-12-11 2021-03-30 国网辽宁省电力有限公司鞍山供电公司 一种基于遗传算法优化神经网络的配电网线损率计算方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6119112A (en) * 1997-11-19 2000-09-12 International Business Machines Corporation Optimum cessation of training in neural networks
CN106229972A (zh) * 2016-08-16 2016-12-14 北京国能日新系统控制技术有限公司 一种基于多气象源集成并分段建模的风电功率预测方法
CN106991531A (zh) * 2017-03-30 2017-07-28 国家电网公司 基于bp神经网络的配电网项目建设效果后评价方法
CN109657881A (zh) * 2019-01-14 2019-04-19 南京国电南自电网自动化有限公司 一种适用于小样本的神经网络光伏发电预测方法及系统
CN111523737A (zh) * 2020-05-29 2020-08-11 四川大学 深度q网络驱动的电力系统运行方式自动趋优调整方法
CN112580174A (zh) * 2020-12-11 2021-03-30 国网辽宁省电力有限公司鞍山供电公司 一种基于遗传算法优化神经网络的配电网线损率计算方法

Also Published As

Publication number Publication date
CN114840591A (zh) 2022-08-02

Similar Documents

Publication Publication Date Title
CN112488395B (zh) 一种配电网线损预测方法及系统
CN108375715B (zh) 一种配电网线路故障风险日预测方法及系统
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN108664010A (zh) 发电机组故障数据预测方法、装置和计算机设备
CN108375476A (zh) 一种水电机组健康评估方法
CN110231528A (zh) 基于负荷特征模型库的变压器户变异常识别方法及装置
CN106058865A (zh) 一种电网节点电压暂降的风险评估方法
CN112308436A (zh) 一种配电网评估诊断分析方法、装置、设备及存储介质
CN114548494B (zh) 一种可视化造价数据预测智能分析系统
CN105548946B (zh) 针对智能电能表的计量误差的多准则筛查方法和装置
CN114840591B (zh) 一种分段开关功率数据的确定方法及装置
CN110601173A (zh) 基于边缘计算的配网拓扑识别方法及装置
CN105488335A (zh) 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置
CN106056274A (zh) 基于pca‑dea二维综合评价模型的电力施工主体效益分析方法
CN114626769B (zh) 一种电容式电压互感器运维方法及系统
CN115496340A (zh) 健康状态评估的方法、装置和设备
CN105956755A (zh) 电力综合线损率影响因子量化关系建立方法及系统
CN112528762A (zh) 一种基于数据关联分析的谐波源识别方法
CN103543332A (zh) 一种电力谐波预测方法及装置
CN117196257A (zh) 配电网工程辅助结算系统
CN111709484A (zh) 新能源场站并网验收方法、装置、计算机设备和存储介质
CN113159537B (zh) 电网新技术项目的评估方法、装置和计算机设备
CN112651773A (zh) 行业竞争力分析方法、装置、设备和计算机可读存储介质
CN113872200B (zh) 一种中压配网停电事件诊断识别方法、系统及存储介质
CN113919609A (zh) 一种配电网模型质量综合评估方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant