本技术涉及电力检测,尤其涉及一种基于短期调荷场景下线损精确计算方法。
背景技术:
1、短期调荷场景下,对10kv配网线损进行精确计算的方式主要包括指标法和基于机器学习的方法。指标法是基于经验公式和统计数据的方式进行线损计算的方法。该方法通常使用固定的线损率指标,并根据负荷和线路长度等因素进行线损的估算。然而,由于其基于统计平均数据和经验规则,无法考虑诸如天气、负荷变化等因素对线损的影响,容易导致计算结果与实际线损存在较大误差。而基于机器学习的方法被应用于线损计算中,该方法通过使用实时监测数据和历史统计数据来构建预测模型,以实现更准确的线损计算。机器学习方法能够考虑多种因素对线损的影响,并能自动学习模式和规律。然而,这种方法对数据的质量和量化需要较高的要求,需要有大量的历史数据来进行训练,而且模型参数的选择和调整也相对复杂。
2、综上所述,短期调荷场景下10kv配网线损精确计算的方式存在一些共同的缺点。指标法缺乏对实时因素的考虑,计算结果容易产生偏差。而基于机器学习的方法虽然具有更准确的线损计算能力,但对数据要求高,对模型的训练和调整也相对复杂。
技术实现思路
1、本技术提供一种基于短期调荷场景下线损精确计算方法,以解决基于短期调荷场景下线损计算存在误差的问题。
2、本技术提供一种基于短期调荷场景下线损精确计算方法,所述方法包括:
3、获取线损数据集;
4、在线损数据集中提取特征子集;其中,所述特征子集包括节点的功率注入量、负荷、线路阻抗以及电流;
5、根据极度梯度提升树算法构建线损计算模型;
6、根据所述线损计算模型和所述特征子集进行二进制编码,生成编码特征集;
7、根据聚类算法对所述编码特征集进行同趋性辨识,生成分簇特征数据;
8、对所述分簇特征数据进行归一化处理,生成规范化特征数据;
9、通过dilate算法在所述规范化特征数据中搜索负荷特征序列;
10、根据长短期记忆网络算法对所述负荷特征序列进行实时检测并选取特征指标;
11、根据所述特征指标进行线损计算,生成计算结果;
12、根据蝴蝶优化算法对所述计算结果进行优化,生成优化计算结果;
13、根据所述优化计算结果与所述特征指标,生成线损分析结果。
14、上述方法利用极度梯度提升树算法和长短期记忆网络算法的优势,通过蝴蝶优化算法,进一步提高线损计算方法的准确性和高效性,解决基于短期调荷场景下线损计算存在误差的问题。
15、可选的,所述在线损数据集中提取特征子集包括:
16、在所述线损数据集中提取线损特征集;
17、根据基于最大互信息系数的互信息法,将所述线损特征集与词义库中带有相关性阈值和冗余性阈值标签的关键词进行匹配;
18、选择相关性大于相关性阈值和冗余性小于冗余性阈值的特征,以生成特征子集。
19、可选的,所述根据所述线损计算模型和所述特征子集进行二进制编码,生成编码特征集包括:
20、根据所述特征子集中特征的取值范围和精度,确定每个特征所需的二进制编码长度;
21、根据所述编码长度和预设编码方式,生成初始编码种群;其中,所述初始编码种群中的每个个体的编码用于表示节点功率注入量;
22、根据编码解码算法和所述线损计算模型,将每个个体的编码解码成节点功率注入量;
23、通过所述线损计算模型计算组合线损,将线损误差作为个体的适应度值;
24、根据所述适应度值和预设适应度阈值,选出所述适应度值大于所述预设适应度阈值的个体;
25、对选出的所述个体进行交叉操作,生成交叉个体;
26、将所述交叉个体的基因位的二进制值进行翻转或替换,生成变异个体;
27、根据所述个体、所述交叉个体以及所述变异个体生成编码特征集。
28、可选的,所述根据聚类算法对所述编码特征集进行同趋性辨识,生成分簇特征数据包括:
29、确定所述编码特征集的邻域半径和最小邻域样本数;
30、计算所述编码特征集中的每个数据点的邻域半径内的样本密度;
31、根据每个数据点的邻域半径内的样本密度和所述最小邻域样本数,标记核心对象、边界点以及噪声点;
32、根据所述核心对象、所述边界点以及所述噪声点的密度划分簇;其中,每个簇用于代表一个同趋性数据点的聚集;
33、根据所述簇,生成分簇特征数据。
34、可选的,所述根据每个数据点的邻域半径内的样本密度和所述最小邻域样本数,标记核心对象、边界点以及噪声点包括:
35、对于样本密度大于或等于所述最小邻域样本数的数据点,标记为核心对象;
36、对于样本密度小于所述最小邻域样本数,且位于所述核心对象的邻域半径内的数据点,标记为边界点;
37、对于样本密度小于最小邻域样本数,且不位于所述核心对象的邻域半径内的数据点,标记为噪声点。
38、可选的,所述对所述分簇特征数据进行归一化处理,生成规范化特征数据包括:
39、对所述分簇特征数据中每个簇内的数据进行归一化处理,计算簇内每个特征的最小值和最大值;
40、按照下式将所述分簇特征数据中的特征值进行规范化:
41、x’=(x-min)/(max-min);
42、其中,x’为规范化后的特征值,x为所述分簇特征数据中的特征值,min为特征的最小值,max为特征的最大值;
43、根据规范化后的特征值生成规范化特征数据。
44、可选的,所述通过dilate算法在所述规范化特征数据中搜索负荷特征序列包括:
45、定义输入序列和输出序列;
46、将所述输入序列作为dilate算法模型的输入,并初始化所述dilate算法模型的隐藏状态和记忆状态,所述dilate算法模型包括使用循环神经网络,以及使用长短期记忆网络作为所述循环神经网络的记忆单元;
47、对于所述输入序列中的每个时间步,输入当前输入值和前一个隐藏状态,通过长短期记忆网络计算所述时间步的输出值和隐藏状态;
48、将所述时间步的输出值作为当前时间步的负荷特征预测值;
49、根据所述时间步的负荷特征预测值,生成的负荷特征序列。
50、可选的,还包括:
51、根据所述负荷特征序列定义目标序列;
52、将交叉熵损失函数定义为损失函数,所述损失函数用于度量生成的负荷特征预测值与真实负荷特征值的差距;
53、使用反向传播算法来更新所述dilate算法模型的参数,使得所述损失函数最小化;
54、使用所述dilate算法模型逐个生成负荷特征预测值。
55、由以上技术方案可知,本技术提供一种基于短期调荷场景下线损精确计算方法,所述方法包括:获取线损数据集;在线损数据集中提取特征子集;其中,所述特征子集包括节点的功率注入量、负荷、线路阻抗以及电流;根据极度梯度提升树算法构建线损计算模型;根据所述线损计算模型和所述特征子集进行二进制编码,生成编码特征集;根据聚类算法对所述编码特征集进行同趋性辨识,生成分簇特征数据;对所述分簇特征数据进行归一化处理,生成规范化特征数据;通过dilate算法在所述规范化特征数据中搜索负荷特征序列;根据长短期记忆网络算法对所述负荷特征序列进行实时检测并选取特征指标;根据所述特征指标进行线损计算,生成计算结果;根据蝴蝶优化算法对所述计算结果进行优化,生成优化计算结果;根据所述优化计算结果与所述特征指标,生成线损分析结果,以解决基于短期调荷场景下线损计算存在误差的问题。