本发明属于台区固定损耗估计,具体涉及一种基于回归模型的轻载台区固定损耗估计方法及系统。
背景技术:
1、现有的电力系统中,轻载台区的固损估计是一个重要的问题。轻载台区指的是供电范围内的用户用电量相对较少的台区,其固损率通常较高,会对电力系统的经济性造成影响。因此,准确地估计轻载台区的固损对于提高电力系统的经济性和优化供电质量具有重要意义。
2、为了解决这个问题,已经有一些研究致力于开发更有效的技术方案。其中,最主要的方法包括基于经验模型和统计模型的估计方法。然而,这些方法都有其局限性:
3、1.基于经验模型的估计方法:这些模型主要依赖于历史数据来建立轻载台区的固损模型。但是,这种模型的准确性很大程度上受限于数据质量以及历史数据的代表性。此外,如果台区内的用户用电情况发生变化,或者新的用户加入或离开,那么就需要重新调整模型,以使其适应新的情况。
4、2.基于统计模型的估计方法:这些模型利用统计学原理,通过建立大量特征变量来预测轻载台区的固损。然而,这种模型需要大量的数据预处理工作,如特征选择、数据清洗等,这使得其在大规模数据集上的应用变得困难。此外,这些模型通常无法考虑到台区内部不同用户的用电差异,这可能导致估计结果的准确性下降。
技术实现思路
1、本发明的目的在于提供一种基于回归模型的轻载台区固定损耗估计方法及系统,以解决现有技术中基于经验模型和统计模型的估计方法存在的受限于数据质量以及历史数据代表性,在大规模数据集上应用困难,普适性和准确性低的问题。
2、为了解决上述技术问题,本发明采用如下技术方案:
3、第一方面,本发明提供一种基于回归模型的轻载台区固定损耗估计方法,具体包括以下步骤:
4、采集第一电量、台区损失电量数据;所述第一电量为台区供电量或用户用电量;
5、将采集的第一电量、台区损失电量数据输入预先训练好的线性回归模型,获得台区固定损耗估计值;
6、输出所述台区固定损耗估计值;
7、其中,所述预先训练好的线性回归模型通过以下步骤获得:
8、获取台区历史数据,所述台区历史数据包括:第一电量、台区损失电量、压降损失电量和台区压降预测线损率;
9、对获取的台区历史数据进行清洗,获得清洗过的台区历史数据;
10、根据清洗过的台区历史数据,通过回归建模的方式,建立台区损失电量与第一电量之间的关系模型,得到线性回归模型;
11、采用岭回归对线性回归模型进行训练得到预先训练好的线性回归模型。
12、可选的,所述对获取的台区历史数据进行清洗,获得清洗过的台区历史数据的步骤,具体包括:
13、筛选出第一电量大于0、台区损失电量大于0、台区压降预测线损率数值不为空的条数大于3、台区损失电量大于压降损失电量且有效点数大于9的台区,得到筛选完毕的台区;
14、所述的有效点数是指,对第一电量大于0、台区损失电量大于0的所有日期分别进行去重,在去重后的日期中筛选出的台区损失电量大于压降损失电量的日期数量;
15、在筛选完毕的台区中,筛选出台区损失电量残差均值加减3倍台区损失电量标准差之间的数据作为清洗过的台区损失电量数据;
16、清洗过的台区历史数据包括清洗过的台区损失电量数据和对应台区的第一电量数据。
17、可选的,所述根据清洗过的台区历史数据,通过回归建模的方式,建立台区损失电量与第一电量之间的关系模型,得到线性回归模型的步骤,具体包括:
18、建立的线性回归模型如下:
19、y=ω0+ω1*x+ω2*x2
20、式中:y为台区损失电量;x为第一电量;ω0为固定损耗;ω1为第一电量回归系数;ω2为第一电量二次方回归系数。
21、可选的,所述采用岭回归对线性回归模型进行训练得到预先训练好的线性回归模型的步骤,具体包括:
22、岭回归损失函数:
23、
24、式中:yi为实际损失电量,ωtxi为损失电量预测值,λ是正则化参数,截距项为固定损耗;
25、采用梯度下降优化方法来最小化岭回归损失函数,能够求出使得岭回归的代价函数最小时ω的大小:
26、
27、求得使得岭回归的代价函数最小时的第一电量回归系数ω1和第一电量二次方回归系数ω2作为预先训练好的线性回归模型的第一电量回归系数和第一电量二次方回归系数,得到预先训练好的线性回归模型。
28、第二方面,本发明提供一种基于回归模型的轻载台区固定损耗估计系统,包括:
29、数据获取模块,用于采集第一电量、台区损失电量数据;所述第一电量为台区供电量或用户用电量;
30、数据处理模块,用于将数据获取模块采集的第一电量、台区损失电量数据输入预先训练好的线性回归模型,获得台区固定损耗估计值;
31、输出模块,用于输出所述台区固定损耗估计值;
32、其中,数据处理模块中所述预先训练好的线性回归模型通过以下步骤获得:
33、获取台区历史数据,所述台区历史数据包括:第一电量、台区损失电量、压降损失电量和台区压降预测线损率;
34、对获取的台区历史数据进行清洗,获得清洗过的台区历史数据;
35、根据清洗过的台区历史数据,通过回归建模的方式,建立台区损失电量与第一电量之间的关系模型,得到线性回归模型;
36、采用岭回归对线性回归模型进行训练得到预先训练好的线性回归模型。
37、可选的,所述对获取的台区历史数据进行清洗,获得清洗过的台区历史数据的步骤,具体包括:
38、筛选出第一电量大于0、台区损失电量大于0、台区压降预测线损率数值不为空的条数大于3、台区损失电量大于压降损失电量且有效点数大于9的台区,得到筛选完毕的台区;
39、所述的有效点数是指,对第一电量大于0、台区损失电量大于0的所有日期分别进行去重,在去重后的日期中筛选出的台区损失电量大于压降损失电量的日期数量;
40、在筛选完毕的台区中,筛选出台区损失电量残差均值加减3倍台区损失电量标准差之间的数据作为清洗过的台区损失电量数据;
41、清洗过的台区历史数据包括清洗过的台区损失电量数据和对应台区的第一电量数据。
42、可选的,所述根据清洗过的台区历史数据,通过回归建模的方式,建立台区损失电量与第一电量之间的关系模型,得到线性回归模型的步骤,具体包括:
43、建立的线性回归模型如下:
44、y=ω0+ω1*x+ω2*x2
45、式中:y为台区损失电量;x为第一电量;ω0为固定损耗;ω1为第一电量回归系数;ω2为第一电量二次方回归系数。
46、可选的,所述采用岭回归对线性回归模型进行训练得到预先训练好的线性回归模型的步骤,具体包括:
47、岭回归损失函数:
48、
49、式中:yi为实际损失电量,ωtxi为损失电量预测值,λ是正则化参数,截距项为固定损耗;
50、采用梯度下降优化方法来最小化岭回归损失函数,能够求出使得岭回归的代价函数最小时ω的大小:
51、
52、求得使得岭回归的代价函数最小时的第一电量回归系数ω1和第一电量二次方回归系数ω2作为预先训练好的线性回归模型的第一电量回归系数和第一电量二次方回归系数,得到预先训练好的线性回归模型。
53、第三方面,本发明提供一种电子设备,包括处理器和存储器,所述处理器用于执行存储器中存储的计算机程序以实现所述的一种基于回归模型的轻载台区固定损耗估计方法。
54、第四方面,本发明提供一种计算机可读存储介质,所述计算机可读存储介质存储有至少一个指令,所述至少一个指令被处理器执行时实现所述的一种基于回归模型的轻载台区固定损耗估计方法。
55、与现有技术相比,本发明具有以下有益效果:
56、本发明提供了一种基于回归模型的轻载台区固定损耗估计方法及系统,具体包括:首先获取预先训练好的线性回归模型:获取台区历史数据并进行清洗,获得清洗过的台区历史数据;根据清洗过的台区历史数据,通过回归建模的方式,建立线性回归模型;采用岭回归对线性回归模型进行训练得到预先训练好的线性回归模型。采集第一电量、台区损失电量数据;所述第一电量为台区供电量或用户用电量;将采集的第一电量、台区损失电量数据输入预先训练好的线性回归模型,获得台区固定损耗估计值。
57、针对现有基于经验模型的估计方法受限于数据质量和历史数据代表性的问题,本发明提出了一种基于回归模型的方法,本方法采用多项式回归模型,能够适应台区损失电量和第一电量之间的非线性关系,提高了模型的准确性。此外,当台区内的用户用电情况发生变化,或者新的用户加入或离开时,模型能够自动调整,以适应新的情况。
58、其次,对于现有基于统计模型的估计方法在大规模数据集上的应用困难的问题,本发明通过使用高效的数据预处理方法和特征选择技术,使得回归模型在大规模数据集上的应用变得可行。且本发明采用的模型考虑到了台区内部不同用户的用电差异,使得模型能够更准确地估计轻载台区的固定损耗。
59、综上,本发明提供了一种基于回归模型的轻载台区固定损耗估计方法及系统,能够解决现有技术中基于经验模型和统计模型的估计方法存在的受限于数据质量以及历史数据代表性,在大规模数据集上应用困难,普适性和准确性低的问题,可以更准确地估计轻载台区的固定损耗,提高电力系统的经济性和优化供电质量,并且具有较强的适应性和普适性。