CN119416099A 一种有源配电台区线损预测方法、系统、设备和存储介质 （四川思极科技有限公司）

本申请公开了一种有源配电台区线损预测据分解为所述有源配电台区内每个电表的线损了高比例DG接入的有源配电台区线损的准确预2将有源配电台区历史线损数据分解为所述有源配电台区内每个电表对有源配电台区线损影响因素与电表线损数据进行关基于所述有源配电台区内各电表线损数据及其影响因素和权重，采长短期记忆网络对电表线损进行预测，并叠加重构得到所述有源配电台区的线损预测结对所述有源配电台区内电表历史数据进行采集与异常修根据所述有源配电台区内各电表到电源点的线路长度和电表汲取电源的功率计算得将归一化处理后的电表数据序列作为循环神经网络的输入，经通过下式计算得到所述有源配电台区第j个时刻,q""分别为有源配电台区总表第j个时刻的下网电量和上网电量；q""为,3采用偏最大信息系数进行电表线损影响因素分析，采用赤将所述有源配电台区的各电表线损数据输入到多根据所述有源配电台区各电表线损数据，分别构建各电表的基准分在双向长短期记忆网络中，结合输入的各电表线损数据及其影响因正向网络提取电表线损数据特征，然后采用反向网络前馈到电表线损模型的同一输出层，将归一化处理后的值通过全连接层映射到输出层，得到所述有源配分解模块，所述分解模块用于将有源配电台区历史线损数关联性分析模块，所述关联性分析模块用于对有源配电台区9.一种计算机设备，包括存储器和处理器，所述存储器存被处理器执行时实现权利要求1_7中任一项所述4高比例DG的DSA线损影响机理变得更加复杂，DSA线损特性及其变化趋势缺乏明显的规律，的平均电流来估算电能损耗，然而该方法忽略了DSA电压波动因素，从而影响线损预测精[0004]基于深度学习的线损预测技术是指利用循环神经网络（RecurrentNeural深度学习法对DSA线损进行预测。基于深度学习的线损预测技术通过层次分析法确定所选影响，随着DG高比例接入DSA后，传统无源DSA变成了双向有源配电台区（ActiveCompensationofDistributionStationArea,ADSA基于无源DSA的线损研究不能很5将有源配电台区历史线损数据分解为所述有源配电台区内每个电表根据所述有源配电台区内各电表到电源点的线路长度和电表汲取电源的功率计通过下式计算得到所述有源配电台区第j个时刻[0009]式中：q"、q""分别为有源配电台区总表第j个时刻的下网电量和上网电量；q""为有源配电台区内用户电表第j个时刻的下网电量之和；为有源配电台区内第j个时刻的DG上网电量之和。vDM为信号传播的速度。根据电表到电源点的线路长度和电表汲取电源的功率，计算得到初始电表线损6将所述有源配电台区的各电表线损数据输入到多[0019]此处所说明的附图用来提供对本申请实施例的进一步理解，构成本申请的一部7步骤100，将有源配电台区历史线损数据分解为该有源配电台区内每个电表的线因此，需对采集的15分钟频次电表电量数据进行修复，消除错误和异常数据对ADSA历史线时刻状态，以生成新状态，用于捕捉序列中的长期依赖关系；隐藏层决定是否丢失历史状首先，对原始的电表数据序列进行归一化处理，归一神经网络修复输出的序列即为修复的电表数据序列QOUT。具体对待修复的电表数据之前的数据序列进行RNN正向训练，对待修8电表之间产生的线路损耗，上网线损为DG上网产生的线路损耗。ADSA第j个时刻的线损率为：vDM为信号传播的速度。[0031]步骤103，根据各电表到电源点的线路长度和电表汲取电源的功率计算ADSA电表式中：为第i个电源提供给电表的功率、u"(r)为第i个电源提供给电表的定9[0043]本实施例采用偏最大信息系数（PartialMaximumInformationCoefficient,经过PIMC处理的输出量）为。若与z之间具有相关耦合关系，则i为第i个输出变量的边缘概率密度函数；zi为第i个输出变量i为根据已经选择的ADSA电表线损变量计算的第i个[0051]本实施例采用双向长短期记忆网络（Bi_directionalLongShort_TemmMemory,分类器训练得到每个电表的BLSTM模型；然后结合输入的ADSA电表线损数据以及影响因素取电源的功率计算ADSA电表线损。具体计算过程如上述步骤103中所述，此处不再过多赘[0069]这些计算机程序指令也可存