一种基于同期线损异常辨识的降损措施制定方法专利检索-径向基函数神经网络前馈神经网络人工神经网络机器学习人工智能专利检索查询-专利查询网

一种基于同期线损异常辨识的降损措施制定方法

阅读：561发布：2020-05-13

专利汇可以提供一种基于同期线损异常辨识的降损措施制定方法专利检索，专利查询，专利分析的服务。并且本发明公开了一种基于同期线损异常辨识的降损措施制定方法，包括对同期线损异常数据进行辨识，针对辨识结果采取相应的降损措施。通过统计分析提取同期线损异常数据波动特征；通过构造同期线损电量矩阵，对矩阵进行奇异值分解提取同期线损异常数据低秩特征；通过对同期线损分摊数据进行灰色关联分析，提取同期分摊线损异常数据的同向相关性特征；通过理论计算线损与同期线损差异性分析得到同期线损异常数据偏离正常数据所具有的“秩和近似相等”的特征。本发明能够根据有效提取同期线损异常数据特征并构造相应神经网络进行训练，能够实现对同期线损异常数据的有效辨识，根据不同辨识结果采取对应的降损措施，可以有效提高降损效率。，下面是一种基于同期线损异常辨识的降损措施制定方法专利的具体信息内容。

权利要求

1.基于同期线损异常辨识的降损措施制定方法，其特征在于，所述方法包括以下步骤：
步骤1：在海量同期线损数据中选取训练样本，包括异常性已知、异常性未知两种类型；
步骤2：计算选取样本的特征指标值，包括波动性特征指标奇异值特征指标Rl、同向相关性指标γi、秩和近似相等特性指标D(R+)；
步骤3：构造径向基函数神经网络，网络以四个特征指标值作为输入变量，线损数据异常与否作为两个输出变量；计算网络聚类中心cj、宽度σi和权重ωji；
步骤4：利用样本对网络进行训练，得到同期线损异常数据辨识神经网络；
步骤5：计算待辨识同期线损数据特征指标值，利用神经网络进行辨识诊断；
步骤6：根据得到的辨识结果，若同期线损存在异常数据，则根据异常数据位置采取相应管理降损措施；若不存在异常数据，则针对线损较高位置采取相应技术降损措施。
2.根据权利要求1所述的一种基于同期线损异常辨识的降损措施制定方法，其特征在于，步骤1所述的异常性已知或未知样本均通过状态估计计算得到；步骤2所述的波动性特征指标为后一时刻线损，为前一时刻线损；奇异值特
征指标同向相关性指标 εi(k)为线损分摊数据的灰色关联
+ + +
度；秩和近似相等特性指标D(R)＝1/|R-n(n+1)/4|，R为正秩和，n为样本容量。
3.根据权利要求1所述的一种基于同期线损异常辨识的降损措施制定方法，其特征在于，步骤4所述利用样本对网络进行训练为半监督训练方式，即训练样本包括部分已知特征指标的正常标记样本，部分已知特征指标的异常标记样本，大量仅知特征指标的未标记样本。
4.根据权利要求1所述的一种基于同期线损异常辨识的降损措施制定方法，其特征在于，步骤5所述待辨识同期线损数据为线损较高需要采取降损措施而未知是否存在异常的数据；步骤6所述技术降损措施包括合理配置无功补偿降低线路无功功率、调整电网实际运行电压、增加并列运行线路、优化电网结构、线路扩径改造等；管理线损降损措施包括提高计量装置普及率及精度、定期巡查计量装置，及时更换损坏设备、完善反窃电工作机制、完善线损考核指标体系、完善线损考核绩效考核管理体系等。

说明书全文

一种基于同期线损异常辨识的降损措施制定方法

技术领域

[0001] 本发明涉及电力系统输电线路降损措施制定问题，特别是涉及一种基于同期线损异常辨识的降损措施制定方法，属于电网管理控制技术领域。

背景技术

[0002] 随着大规模新能源接入电力系统,为了提高整个电力工业的运营效率和全社会范围内资源优化配置，省间互联、区域互联、全国联网成了一个必然的发展趋势，西北地区新能源外送至中东部电力需求量较大区域已成为常态，大规模的功率/电量交换增加电网了损耗；与此同时，由于传统电网管理模式的弊端、线损统计考核方法不当等因素也导致同期线损存在线损电量较大的问题。

[0003] 对于同期线损较高的问题，采取针对性的降损措施可以有效降低损耗。但目前已有的降损措施分析方法均未直接从线损较高的诱因出发，大多仅针对技术线损进行分析，而未考虑实际中可能存在的管理不当等主观因素，因此会出现南辕北辙的现象。为了解决上述问题，需要对同期线损数据进行异常诊断，以确定是否存在由于管理不当或是元件故障导致的异常线损数据，进而采取针对性降损措施。

[0004] 对于异常诊断的理论研究，国内外有着充分的理论基础。人工神经网络 (Artificial Neural Network,ANN)是最早应用于多元过程监控与异常诊断，解决过程诊断的重要方法，尽管神经网络在解决异常识别方面有一定的优势，但神经网络存在的泛化能力差、在构建网络时需要借助专家经验等方面的问题给模型的应用带来了一定的问题；核函数和支持向量机(Support Vector Machine, SVM)是近年来发展起来的用于异常诊断中非线性分类的智能方法，虽然核方法在过程诊断中已有研究，但其实际应用效果与核函数的具体形式和相应参数的具体取值有直接关系，参数不同的取值往往对建立模型的效果有很大的影响。因此，对过程诊断模型中核方法进行参数的优选以实现模型优化是值得进一步研究的问题。目前国内外对线损异常诊断的模型主要基于低压台区，部分文献提出一种面向供电企业的服务前后台分离机制根据台区用电负荷特征分类管理，同时对在线线损的优劣进行分级管理，监视各个级别的台区在线线损每日变化情况，对波动超限的台区及时报警提示。也有学者提出一种基于支持向量机的低压台区线损诊断模型，在传统台区线损管理基础上，结合各大信息系统的应用与线损精细化工作的推进，通过支持向量机方法的应用，建立台区线损率异常原因科学诊断模型。但受到台区样本及现场复杂性多样性的限制，上述模型的预测正确率还远不能实现专业化台区线损率异常原因分析判断。

[0005] 因此，虽然目前国内外针对数据异常诊断方法的研究已相当丰富，但结合同期线损固有特点，将其用于线损数据异常诊断的研究罕见报道。

发明内容

[0006] 本发明主要解决的技术问题是同期线损降损措施与实际线损较高的影响因素不匹配问题，提供一种基于同期线损异常辨识的降损措施制定方法，能够对同期线损数据进行异常辨识，并根据辨识结果制定相应技术或管理降损措施，能够有效地解决目前降损措施不合理现象。

[0007] 为解决上述技术问题，本发明采用的一个技术方案是：

[0008] 步骤1：确定需要降损的区域，在该区域历史海量同期线损电量数据中选取进行神经网络训练的训练样本，包括异常性已知、异常性未知两种类型，且样本的时间尺度一致，通常选取日线损电量值。

[0009] 步骤2：计算选取同期线损样本数据的特征指标值，首先计算样本数据的波动性特征指标波动性特征指标计算公式为后一时刻线损，为前一时刻线损；再计算奇异值特征指标Rl，需要首先构造线损电量矩阵P，其中Pij(i＝1,2,…,m；j＝1,2,…,T)为第i个月第j天的日线损电
量，对该矩阵进行奇异值分解，得到奇异值矩阵远远大于其余奇异值的
奇异值构成的集合为Dh，N(Dh)为集合容量，奇异值特征指标计算公式为
即奇异值高秩占比；随后我们可以根据分摊线损数据计算同向相关性指标γi，根据对分摊线损数据进行灰色关联度分析，可以得到各分摊线损数据之间的灰色关联度，若同期线损数据存在异常，则分摊得到的线损数据会呈现相同的变化特性，计算公式为εi(k)为分摊数据的灰色关联度；秩和近似相等特性指标D(R+)，通过对比同期线损与理论线损数据，可以构造差异性序列，由秩和近似相等特性可知，同期线损电量与理论线损电量的差值应该随机地、分散地分布在零的邻域内，故差值序列的秩值应均匀的分布在[-n，+n]之间，正“秩和”R+与负“秩和”|R-|的绝对值近似相等。秩和特性计算公式为D(R+)＝1/|R+-n(n+1)/4|。

[0010] 步骤3：构造基于半监督学习的径向基函数神经网络，在传统径向基函数神经网络中，加入半监督学习的思想，建立半监督径向基函数(SSL-RBF，Semi Supervised Learning-Radial Basis Function)神经网络，即利用大量未标记的训练样本，改善径向基函数神经网络的训练效果，提高其准确性。网络以四个特征指标值作为输入变量，线损数据异常与否作为两个输出变量；聚类迭代计算出计算网络聚类中心cj，利用负梯度下降法计算出宽度σi和权重ωji。

[0011] 步骤4：利用训练样本，即待降损区域的同期线损样本数据对网络进行训练，训练数据包括少量已知特征值的正常数据(1型号样本)、少量已知特征值的异常数据(2型号样本)、大量已知特征值的未知异常性数据(3型号样本)，经训练可以得到同期线损异常数据辨识神经网络。

[0012] 步骤5：计算待降损区域疑似异常的同期线损数据特征指标值，利用神经网络进行辨识诊断，判断是否确实存在由故障或管理不当产生的异常线损数据。

[0013] 步骤6：根据得到的辨识结果，若同期线损存在异常数据，则说明出现故障或是统计管理有误，需要根据异常数据位置采取相应管理降损措施；若不存在异常数据，则说明线损电量较高是由于电网线路或变压器固有因素导致的，需要针对线损较高位置采取相应技术降损措施。

[0014] 步骤7：根据实际情况，技术线损降损措施包括但不限于合理配置无功补偿降低线路无功功率、调整电网实际运行电压、330kV重载线路增加并列运行线路、优化电网结构、线路扩径改造；管理线损降损措施包括提高计量装置普及率及精度，定期巡查计量装置，及时更换损坏设备、增加数据修复手段，及时修复异常数据、进一步加强营业普查工作完善反窃电工作机制，基本杜绝窃电现象发生、完善线损考核绩效考核管理体系。

[0015] 本发明提出一种基于同期线损异常辨识的降损措施制定方法，依据同期线损异常数据诊断结果采取相应的降损措施，对于管理决策部门具有指导意义。附图说明

[0016] 图1是本发明提供的线损异常辨识降损措施制定具体流程图；

[0017] 图2是本发明半监督径向基神经网络训练示意图。

具体实施方式

[0018] 下面结合附图对本发明的较佳实施例进行详细阐述，以使本发明的优点和特征能更易于被本领域技术人员理解，从而对本发明的保护范围做出更为清楚明确的界定。

[0019] 本发明提出一种基于同期线损异常辨识的降损措施制定方法，选取了甘肃某高线损区域进行仿真验证，具体技术实施方案如下：

[0020] 1.选取该区域历史样本数据，本例中选取200份样本数据，包括10份正常线损数据；10份异常线损数据；180份未知异常性数据。

[0021] 2.根据发明内容所提技术方案步骤2的计算方法，分别计算选取样本的特征指标值，得到已知特征值的正常数据(1型号样本)、已知特征值的异常数据 (2型号样本)、已知特征值的未知异常性数据(3型号样本)如下表所示：

[0022] (1)1型号样本数据

[0023] 表11型号样本的输入值和标记值

[0024]

[0025] (2)2型号样本数据

[0026] 表22型号样本的输入值和标记值

[0027]

[0028] (3)3型号样本数据

[0029] 3型号样本获取方法简单。计算180个样本的同期线损异常特征指标值，但这些样本不验证其是否处于同期线损异常状态，即为3型号样本。

[0030] 3.如附图2所示，构造半监督学习的径向基函数神经网络，并运用20个标记样本(包含各10个1型号样本和2型号样本)和180个未标记样本，令宽度和权重的学习效率η＝β＝0.1，对同期线损异常判别半监督径向基神经网络进行训练，

[0031] 表3.训练样本总体情况

[0032]

[0033] 训练得到的聚类中心、宽度和权重参数结果如表4所示，输出层存在线损异常态和非异常态两种，分别对应权重ωi1和权重ωi2。

[0034] 表4聚类中心、宽度和权重参数结果

[0035]

[0036] 4.训练完成后，即可对当前系统进行快速同期线损异常判别。计算高线损区域待判别线损数据的特征指标值，计算结果为:波动特征值0.347，奇异值特征值0.725，正”秩和”特征值13.287，同向相关性特征值0.256。将这四个特征值作为已训练好的神经网络的输入，得到输出结果为数据正常，即线损电量数据正常。

[0037] 6.通过对同期线损数据异常的辨识，得出了不存在异常数据的结论，因此该区域线损电量较高的原因为技术原因，并非管理不当或故障引起的数据异常。因此可以根据实际情况采取具体的技术降损措施。通过对线损较高区域实际线路分析，由于线路建造时间较久，随着近年来用电负荷的增加，在运行高峰情况下会出现过负载问题，可以采取线路扩径改造来降低过负载导致的线路损耗较高的问题。

[0038] 以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护。

标题	发布/更新时间	阅读量
图像处理方法、装置、电子设备及计算机可读介质	2020-05-08	747
一种基于前车与自车互动的短期车速工况实时预测方法	2020-05-08	836
用于操作三维动画角色的方法和装置	2020-05-11	993
基于径向基神经网络的压电陶瓷驱动器复合控制方法	2020-05-11	835
基于径向基函数神经网络的康复机器人自适应控制方法	2020-05-12	433
植物盐碱胁迫程度检测方法及装置	2020-05-14	497
新能源车辆智能网络控制方法及其系统	2020-05-11	973
一种基于同期线损异常辨识的降损措施制定方法	2020-05-13	561
一种非侵入式未成年人异常上网行为监测方法	2020-05-11	501
基于神经网络的油气藏参数解释方法、装置及电子设备	2020-05-12	103

一种基于同期线损异常辨识的降损措施制定方法

一种基于同期线损异常辨识的降损措施制定方法

技术领域

背景技术

发明内容

具体实施方式

该功能需要专业版企业版VIP权限，您可以：