一种建立确定电网线损的神经网络模型的方法和系统与流程

本发明涉及电网线损建模领域,并且更具体地，涉及一种建立确定电网线损的神经网络模型的方法和系统。
背景技术：
：随着社会经济的飞速发展，能源的需求量与日俱增，实现节能低碳发展对于国民经济的绿色可持续发展意义深远。电能作为重要的二次能源，在线路传输中会产生一定的损耗，由于电网日益复杂的网架结构和庞大的规模，线路中损失的电量也不断增大。因此，如何建立预测准确度较高的线损模型成为了电力系统近年研究的热点。由于近年来人工神经网络的发展和广泛的应用，为电力系统中计算线损提供了新的思路。传统的方法在利用神经网络建立线损模型时，考虑到影响电网线损的影响因素众多，例如：线路中的阻抗、发电机的发电量、有功功率负载、功率因数等，会采集所有影响因素的数据作为神经网络训练的输入，去建立线损的预测模型。事实上，在如此繁多的影响因素中，有些因素对线损的影响会很小，这类因素将不利于模型的建立，延长神经网络学习训练的时间，影响所建模型预测的准确性。因此，如何确定影响线损的主要因素，从而提高建立确定电网线损的神经网络模型的准确性就成为一个急需解决的问题。技术实现要素：为了解决现有技术中作为确定电网线损的神经网络模型的输入的影响因素繁多，影响所建立的神经网络预测电网模型的准确性的技术问题，本发明提供了一种建立确定电网线损的神经网络模型的方法，所述方法包括：基于预先建立的包括n组线损y和影响因素xi的数据的样本集，利用互信息原理分别计算线损y与每种影响因素xi的互信息值i(y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损y的程度从强到弱排序的影响因素集z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数；设置确定电网线损y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集z'＝{z1，z2，…zj}t，隐含层神经元为m个，隐含层输出向量为h＝{h1，h2，…hm}t，输出层神经元为1个，输出层输出向量o＝[o1]t，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的wm1和阈值bm1，利用样本集中的训练集对线损y进行训练，生成n-1个线损y的神经网络模型，其中，影响因素数据集z'＝{z1，z2，…zj}是影响因素集z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，t表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的n'组数据，n/2≤n'<n；根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合；根据线损y的神经网络模型的评价指标rk2确定线损y的最优神经网络模型。进一步地，所述方法在利用互信息原理分别计算线损y与每种影响因素xi的互信息值之前还包括：设置影响电网线损y的n个影响因素，生成确定电网线损y的影响因素集x＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数；采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集，其中，n为自然数。进一步地，所述采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的n组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离le设定关联范围，分别计算负荷变化δpl、结构参数变化δzrx对关联母线电压的变化的灵敏度spl、szrx，并修正负荷变化δpl、电网结构参数变化δzrx情况下系统母线的电压值ub'来补偿负荷变化δpl、电网结构参数变化δzrx对系统电压的影响，其计算公式为：式1和2中，spl(i)为负荷参数的灵敏度，szrx为线路参数的灵敏度，ub(i)为i节点的母线电压值，为其它影响因素相对于ub(i)的变化值，δzrx(j)为负荷变化量，s(i)为灵敏度，δ(j)代表对i点母线电压产生影响的因素，leset为电气距离设定值，lejn为设备j与节点n之间的电气距离，s(i)为灵敏度，[m|leim<leset]为与节点i间电气距离小于leset的节点集合。进一步地，基于预先建立的包括n组线损y和影响因素xi的数据的样本集，利用互信息原理分别计算线损y与每种影响因素xi的互信息值i(y,xi)包括：基于预先建立的包括n组线损y和影响因素xi的数据的样本集，通过信息熵求取线损y与每种影响因素xi的第一互信息值i'(y,xi)，其计算公式为：i'(y,xi)＝h(y)+h(xi)-h(y,xi)(3)式中，h(y)分别为y、xi的边缘熵，h(y,xi)为y、xi的联合熵，三者的计算公式如下：将根据式3、4、5和6确定的第一互信息值i'(y,xi)进行归一化生成线损y与每种影响因素xi的第二互信息值i(y,xi)，公式如下：进一步地，所述隐含层神经元为m个，其计算公式为：式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。进一步地，所述根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2的计算公式为：式中，c为第k个确定线损y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。进一步地，所述根据线损y的神经网络模型的评价指标rk2确定线损y的最优神经网络模型包括：将n-1个线损y的神经网络模型的评价指标rk2依次分成q组，每组含有p个模型的评价指标，计算公式如下：计算第q组神经网络模型的评价指标平均值，其计算公式为：式11中，为第q组模型评价指标的平均值，1≤q≤q，1≤k≤n-1p<n-1，n为自然数；选择rk2值最大的一组模型中模型评价指标rk2值最大的模型作为确定线损y的最优神经网络模型。根据本发明的另一方面，本发明提供一种建立确定电网线损的神经网络模型的系统，所述系统包括：影响因素集单元，其用于基于预先建立的包括n组线损y和影响因素xi的数据的样本集，利用互信息原理分别计算线损y与每种影响因素xi的互信息值i(y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损y的程度从强到弱排序的影响因素集z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数；神经网络模型单元，其用于设置确定电网线损y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集z'＝{z1，z2，…zj}t，隐含层神经元为m个，隐含层输出向量为h＝{h1，h2，…hm}t，输出层神经元为1个，输出层输出向量o＝[o1]t，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的wm1和阈值bm1，利用样本集中的训练集对线损y进行训练，生成n-1个线损y的神经网络模型，其中，影响因素数据集z'＝{z1，z2，…zj}是影响因素集z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，t表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的n'组数据，n/2≤n'<n；模型评价指标单元，其用于根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合；最优模型确定单元，其用于根据线损y的神经网络模型的评价指标rk2确定线损y的最优神经网络模型。进一步地，所述系统还包括：影响因素确定单元，其用于设置影响电网线损y的n个影响因素，生成确定电网线损y的影响因素集x＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数；样本集单元，其用于采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集，其中，n为自然数。进一步地，所述样本集单元采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的n组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离le设定关联范围，分别计算负荷变化δpl、结构参数变化δzrx对关联母线电压的变化的灵敏度spl、szrx，并修正负荷变化δpl、电网结构参数变化δzrx情况下系统母线的电压值ub'来补偿负荷变化δpl、电网结构参数变化δzrx对系统电压的影响，其计算公式为：式1和2中，spl(i)为负荷参数的灵敏度，szrx为线路参数的灵敏度，ub(i)为i节点的母线电压值，为其它影响因素相对于ub(i)的变化值，δzrx(j)为负荷变化量，s(i)为灵敏度，δ(j)代表对i点母线电压产生影响的因素，leset为电气距离设定值，lejn为设备j与节点n之间的电气距离，s(i)为灵敏度，[m|leim<leset]为与节点i间电气距离小于leset的节点集合。进一步地，所述影响因素集单元包括：第一互信息值单元，其用于基于预先建立的包括n组线损y和影响因素xi的数据的样本集，通过信息熵求取线损y与每种影响因素xi的第一互信息值i'(y,xi)，其计算公式为：i'(y,xi)＝h(y)+h(xi)-h(y,xi)(3)式中，h(y)分别为y、xi的边缘熵，h(y,xi)为y、xi的联合熵，三者的计算公式如下：第二互信息值单元，其用于将第一互信息值单元确定的第一互信息值i'(y,xi)进行归一化生成线损y与每种影响因素xi的第二互信息值i(y,xi)，公式如下：进一步地，所述神经网络模型单元设置隐含层神经元为m个，其计算公式为：式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。进一步地，所述模型评价指标单元根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2的计算公式为：式中，c为第k个确定线损y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。进一步地，所述最优模型确定单元包括：分组单元，其用于将n-1个线损y的神经网络模型的评价指标rk2依次分成q组，每组含有p个模型的评价指标，计算公式如下：指标平均值单元，其用于计算第q组神经网络模型的评价指标平均值，其计算公式为：式11中，为第q组模型评价指标的平均值，1≤q≤q，1≤k≤n-1p<n-1，n为自然数；最优模型单元，其用于选择rk2值最大的一组模型中模型评价指标rk2值最大的模型作为确定线损y的最优神经网络模型。本发明所述的建立确定电网线损的神经网络模型的方法和系统针对线损建模输入的优化问题，提出采用互信息原理方法辨识出影响线损的主要因素的强弱程度，然后基于采集的线损和影响因素的样本集中的训练集将所述影响因素分组依次代入训练神经网络模型，确定若干个神经网络模型，并利用样本集中的测试集确定每个神经网络模型的评价指标，再对所述评价指标分组计算评价指标平均值以确定作为最优神经网络模型的输入的影响因素，从而提高所建神经网络模型预测线损的准确性。附图说明通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：图1为根据本发明优选实施方式的建立确定电网线损的神经网络模型的方法的流程图；图2为根据本发明优选实施方式的确定电网线损的神经网络模型的结构示意图；图3为根据本发明优选实施方式的确定电网线损的神经网络模型的评价指标的折线图；图4为根据本发明优选实施方式的建立确定电网线损的神经网络模型的系统的结构示意图。具体实施方式现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属
技术领域：
的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。除非另有说明，此处使用的术语(包括科技术语)对所属
技术领域：
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。图1为根据本发明优选实施方式的建立确定电网线损的神经网络模型的方法的流程图。如图1所示，本优选实施方式所述的建立确定电网线损的神经网络模型的方法100从步骤101开始。在步骤101，设置影响电网线损y的n个影响因素，生成确定电网线损y的影响因素集x＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数。在本优选实施方式中，以10机39节点的系统为例，利用潮流计算得到整个电网的仿真数据，以110kv系统电网线损为例，并用y表示，确定影响y的相关因素共计23个，并组成影响因素集x＝{x1，x2，…x23}，它们分别是10kv母线电压水平(均值)、110kv母线电压水平(均值)、220kv母线电压水平(均值)、10kv电压等级下的有功负载、110kv电压等级下的有功负载、220kv电压等级下的有功负载、10kv电压等级下的无功负载、110kv电压等级下的无功负载、220kv电压等级下的无功负载、发电机发电总和、10kv电压等级下电阻总和、110kv电压等级下电阻总和、220kv电压等级下电阻总和、10kv电压等级下电抗总和、110kv电压等级下电抗总和、220kv电压等级下电抗总和、10kv电压等级下供电总和、15kv电压等级下供电总和、110kv电压等级下供电总和、220kv电压等级下供电总和、10kv电压等级下变压器平均负载率、110kv电压等级下变压器平均负载率、220kv电压等级下变压器平均负载率。在步骤102，采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集，其中，n为自然数。优选地，所述采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的n组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离le设定关联范围，分别计算负荷变化δpl、结构参数变化δzrx对关联母线电压的变化的灵敏度spl、szrx，并修正负荷变化δpl、电网结构参数变化δzrx情况下系统母线的电压值ub'来补偿负荷变化δpl、电网结构参数变化δzrx对系统电压的影响，其计算公式为：式1和2中，spl(i)为负荷参数的灵敏度，szrx为线路参数的灵敏度，ub(i)为i节点的母线电压值，为其它影响因素相对于ub(i)的变化值，δzrx(j)为负荷变化量，s(i)为灵敏度，δ(j)代表对i点母线电压产生影响的因素，leset为电气距离设定值，lejn为设备j与节点n之间的电气距离，s(i)为灵敏度，[m|leim<leset]为与节点i间电气距离小于leset的节点集合。在优选实施方式中，采集线损y和所述影响因素集x中每个影响因素xi的数据利用电网运行管理历史库来提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与该时期电网状态对应的多个数据样本。其中，所述电网运行管理历史库是电网控制中心的能量管理系统(energymanagementsystem,ems)的历史库或其他包含电网结构参数和运行状态的数据库。其中的结构参数变化包括线路长度、变压器电气参数等(电阻、电抗、对地电导、对地电纳)随季节温度的变化的情况。表1为根据本发明优选实施方式的线损和影响因素的数据样本集。如表1所示，本优选实施方式一共记录了55组经过仿真模拟后得到的包括线损y和23个影响因素的数据的样本集。表1在步骤103，基于预先建立的包括n组线损y和影响因素xi的数据的样本集，利用互信息原理分别计算线损y与每种影响因素xi的互信息值i(y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损程度从强到弱排序的影响因素集z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数。优选地，基于预先建立的包括n组线损y和影响因素xi的数据的样本集，利用互信息原理分别计算线损y与每种影响因素xi的互信息值i(y,xi)包括：基于预先建立的包括n组线损y和影响因素xi的数据的样本集，通过信息熵求取线损y与每种影响因素xi的第一互信息值i'(y,xi)，其计算公式为：i'(y,xi)＝h(y)+h(xi)-h(y,xi)(3)式中，h(y)分别为y、xi的边缘熵，h(y,xi)为y、xi的联合熵，三者的计算公式如下：将根据式3、4、5和6确定的第一互信息值i'(y,xi)进行归一化生成线损y与每种影响因素xi的第二互信息值i(y,xi)，公式如下：在本优选实施方式中，所得到的i(y,xi)的取值范围是[0.1]，互信息值的大小代表了线损与影响因素之间相关性的强弱，考虑到有23个影响因素，由此可以得到表征线损与影响因素之间相关性的相关系数矩阵，大小为23×1，线损y与每种影响因素xi的第二互信息值具体如表2所示。表2将表2所示互信息值按照从大到小的顺序进行降序排列，则可生成影响电网线损程度从强到弱排序的影响因素集z＝{z1，z2，…zi，…zn}。生成的影响因素集如表3所示。表2zx降序排列z1x12z2x15z3x19z4x22z5x4z6x5z7x7z8x8z9x20z10x10z11x23z12x17z13x21z14x1z15x2z16x3z17x6z18x9z19x13z20x16z21x11z22x14z23x18在步骤104，设置确定电网线损y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集z'＝{z1，z2，…zj}t，隐含层神经元为m个，隐含层输出向量为h＝{h1，h2，…hm}t，输出层神经元为1个，输出层输出向量o＝[o1]t，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的wm1和阈值bm1，利用样本集中的训练集对线损y进行训练，生成n-1个线损y的神经网络模型，其中，影响因素数据集z'＝{z1，z2，…zj}是影响因素集z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，t表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的n'组数据，n/2≤n'<n。优选地，所述隐含层神经元为m个，其计算公式为：式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。图2为根据本发明优选实施方式的确定电网线损的神经网络模型的结构示意图。如图2所示，所述神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集z'＝{z1，z2，…zj}t，隐含层神经元为m个，隐含层输出向量为h＝{h1，h2，…hm}t，输出层神经元为1个，输出层输出向量o＝[o1]t，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的wm1和阈值bm1。在步骤105，根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合。优选地，所述根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2的计算公式为：式中，c为第k个确定线损y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。图3为根据本发明优选实施方式的确定电网线损的神经网络模型的评价指标的折线图。如图3所示，在本优选实施方式中，由于确定110kv系统电网线损的影响因素有23个，因此，确定线损的神经模型的输入，即影响因素的个数为2到23个，最终确定了22个线损的神经网络模型，其对应的评价指标也为22个。在步骤106，根据线损y的神经网络模型的评价指标rk2确定线损y的最优神经网络模型。优选地，所述根据线损y的神经网络模型的评价指标rk2确定线损y的最优神经网络模型包括：将n-1个线损y的神经网络模型的评价指标rk2依次分成q组，每组含有p个模型的评价指标，计算公式如下：计算第q组神经网络模型的评价指标平均值，其计算公式为：式11中，为第q组模型评价指标的平均值，1≤q≤q，1≤k≤n-1p<n-1，n为自然数；选择rk2值最大的一组模型中模型评价指标rk2值最大的模型作为确定线损y的最优神经网络模型。在本优选实施方式中，将22组神经网络模型的评价指标值分为7组，每组含3个模型的评价指标，根据式11计算出的每组模型的评价指标平均值如表3所示。表4模型分组组1组2组3组4组5组6组7各组平均值r20.12540.56980.60590.90440.88040.96900.8251由表4可知，当输入的影响因素落在第4组时，模型的评价指标平均值最大，其中，根据式11可知，第4组神经网络模型的评价指标是r112、r122和r132，对应的，其模型的影响因素个数分别为12个，13个和14个，从图3中可以看出，当影响因素个数为13个时的神经网络模型的评价指标值最大，影响因素个数为13个的神经网络模型是确定电网线损的最佳神经网络模型。图4为根据本发明优选实施方式的建立确定电网线损的神经网络模型的系统的结构示意图。如图4所示，本优选实施方式所述的建立确定电网线损的神经网络模型的系统200包括：影响因素确定单元201，其用于设置影响电网线损y的n个影响因素，生成确定电网线损y的影响因素集x＝{x1，x2，…xi，…xn}，所述影响因素包括不同电压等级下的母线电压、有功负载、无功负载、电阻总和，供电总和、变压器平均负载率和发电机发电总和，其中，1≤i＜n,n为自然数。样本集单元202，其用于采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集，其中，n为自然数。优选地，所述样本集单元采集线损y和所述影响因素集x中每个影响因素xi的数据，生成包括n组线损y和影响因素xi的数据的样本集是利用电网运行管理历史数据，提取不同运行时刻的电网结构参数和运行状态，结合仿真方法设定电网的不同负荷水平、电压水平、结构参数变化幅度，进行仿真模拟，生成与电网状态对应的n组数据样本，其中，所述结构参数包括线路长度和变压器电气参数，所述变压器电气参数包括电阻、电抗、对地电导和对地电纳，所述仿真模拟包括对电气距离le设定关联范围，分别计算负荷变化δpl、结构参数变化δzrx对关联母线电压的变化的灵敏度spl、szrx，并修正负荷变化δpl、电网结构参数变化δzrx情况下系统母线的电压值ub'来补偿负荷变化δpl、电网结构参数变化δzrx对系统电压的影响，其计算公式为：式1和2中，spl(i)为负荷参数的灵敏度，szrx为线路参数的灵敏度，ub(i)为i节点的母线电压值，为其它影响因素相对于ub(i)的变化值，δzrx(j)为负荷变化量，s(i)为灵敏度，δ(j)代表对i点母线电压产生影响的因素，leset为电气距离设定值，lejn为设备j与节点n之间的电气距离，s(i)为灵敏度，[m|leim<leset]为与节点i间电气距离小于leset的节点集合。影响因素集单元203，其用于基于预先建立的包括n组线损y和影响因素xi的数据的样本集，利用互信息原理分别计算线损y与每种影响因素xi的互信息值i(y,xi)，并将所述互信息值按照从大到小的顺序进行降序排列，生成影响电网线损程度从强到弱排序的影响因素集z＝{z1，z2，…zi，…zn}，其中，1≤i＜n,n为自然数。神经网络模型单元204，其用于设置确定电网线损y的神经网络模型的输入层神经元为j个，输入层输入向量为影响因素集z'＝{z1，z2，…zj}t，隐含层神经元为m个，隐含层输出向量为h＝{h1，h2，…hm}t，输出层神经元为1个，输出层输出向量o＝[o1]t，在[0,1]区间内随机生成输入层到隐含层的权值wjm和阈值bjm，以及隐含层到输出层的wm1和阈值bm1，利用样本集中的训练集对线损y进行训练，生成n-1个线损y的神经网络模型，其中，影响因素数据集z'＝{z1，z2，…zj}是影响因素集z＝{z1，z2，…zi，…zn}依次选取j个影响因素生成的集合，t表示转置，2≤j≤n,n为自然数，所述训练集为样本集中随机选取的n'组数据，n/2≤n'<n。模型评价指标单元205，其用于根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2，其中，1≤k≤n-1，n为自然数，所述测试集为样本集中除训练集以外的数据组成的集合。最优模型确定单元206，其用于根据线损y的神经网络模型的评价指标rk2确定线损y的最优神经网络模型。优选地，所述影响因素集单元203包括：第一互信息值单元231，其用于基于预先建立的包括n组线损y和影响因素xi的数据的样本集，通过信息熵求取线损y与每种影响因素xi的第一互信息值i'(y,xi)，其计算公式为：i'(y,xi)＝h(y)+h(xi)-h(y,xi)(3)式中，h(y)分别为y、xi的边缘熵，h(y,xi)为y、xi的联合熵，三者的计算公式如下：第二互信息值单元232，其用于将第一互信息值单元确定的第一互信息值i'(y,xi)进行归一化生成线损y与每种影响因素xi的第二互信息值i(y,xi)，公式如下：优选地，所述神经网络模型单元204设置隐含层神经元为m个，其计算公式为：式中，α为1至10中的任意一个常数，2≤j≤n,n为自然数。优选地，所述模型评价指标单元205根据确定的n-1个线损y的神经网络模型，利用样本集中的测试集计算每个线损y的神经网络模型的评价指标rk2的计算公式为：式中，c为第k个确定线损y的神经网络模型进行测试时测试集中样本数目，oi为第i个线损的预测值，yi为第i个线损的真实值，1≤k≤n-1，n为自然数。优选地，所述最优模型确定单元206包括：分组单元261，其用于将n-1个线损y的神经网络模型的评价指标rk2依次分成q组，每组含有p个模型的评价指标，计算公式如下：指标平均值单元262，其用于计算第q组神经网络模型的评价指标平均值，其计算公式为：式(11)中，为第q组模型评价指标的平均值，1≤q≤q，1≤k≤n-1，p<n-1，n为自然数；最优模型单元263，其用于选择rk2值最大的一组模型中模型评价指标rk2值最大的模型作为确定线损y的最优神经网络模型。已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。通常地，在权利要求中使用的所有术语都根据他们在
技术领域：
的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。当前第1页12