一种电力系统线损的评估系统及方法与流程

本发明涉及线损评估，具体涉及一种电力系统线损的评估系统及方法。

背景技术：

1、电力系统是一个复杂的工程系统，由各种设备、设施和网络组成，旨在生成、传输和分配电能以满足人们的用电需求，它通常包括发电系统、输电系统、配电系统和用电设备。

2、线损是指在电力输送过程中由于电阻、电感、电容等原因造成的电能损耗，当电能从发电站通过输电线路输送到用户终端时，由于电线本身的阻抗和环境因素的影响，部分电能会在输电过程中被损耗掉，这部分损失的电能就被称为线损。

3、传统系统通常无法实时采集和分析电力数据，因此缺乏对电力系统实时运行情况的了解，这导致无法及时发现线损问题或准确评估线损情况，影响了对电力系统的有效管理和运行优化，并且传统系统往往依赖于经验法则或简单的统计方法进行线损预测，缺乏科学的数据分析和预测模型支持，因此，预测结果可能不够准确，无法提前采取有效的预防措施，导致线损率较高，且传统系统对线损原因的分析往往比较简单粗略，缺乏深入的数据挖掘和分析，这导致难以准确识别线损的主要原因和影响因素，无法有针对性地采取改进措施，而且传统系统对窃电行为的监测和检测手段可能较为有限，无法精准识别窃电行为，这使得电力公司难以有效地发现和打击窃电行为，造成了较大的经济损失。

技术实现思路

1、本发明目的是针对背景技术中存在的问题，提出一种电力系统线损的评估系统及方法。

2、本发明的技术方案：一种电力系统线损的评估系统，包括电力数据采集单元、理论线损计算单元、线损对比单元、预测线损计算单元和窃电分析单元，还包括：

3、台区数据采集单元，所述台区数据采集单元用于采集目标电力系统中多个台区的台区数据，所述台区数据包括台区运行年限、城农网标识、居民容量占比、居民户均容量和台区用户数量，并将多个台区的所述台区数据传输至台区数据预处理单元；

4、台区数据预处理单元，所述台区数据预处理单元对台区数据采集单元传输的多个台区的所述台区数据进行接收，并对多个台区的所述台区数据进行预处理，从而得到多个台区的标准台区数据，将多个台区的所述标准台区数据传输至类别分类单元；

5、类别分类单元，所述类别分类单元对台区数据预处理单元传输的多个台区的所述标准台区数据进行接收，并基于所述标准台区数据通过分类算法对多个所述台区进行类别分类，从而得到所述台区的类别，并将所述台区的类别传输至电力数据采集单元。

6、优选的，所述电力数据采集单元对类别分类单元传输的所述台区的类别进行接收，并通过智能电总表每15min获取不同类型所述台区的第一电力数据，所述第一电力数据包括配变低压侧端口的电量、功率、电压幅值、注入电流幅值和功率因数，且通过智能电分表每小时获取第二电力数据，所述第二电力数据包括用户的电量、功率、电压幅值、注入电流幅值和功率因数，并获取第一历史电力数据和第二历史电力数据，并将所述第一电力数据和第二电力数据传输至理论线损计算单元，且将所述第一历史电力数据和第二历史电力数据传输至预测线损计算单元。

7、优选的，所述理论线损计算单元对电力数据采集单元传输的所述第一电力数据和第二电力数据进行接收，并基于所述第二电力数据中用户的电量计算该小时时间段内的平均有功功率，且基于该小时时间段内的平均有功功率和用户的功率因数计算平均无功功率，并基于所述平均有功功率和平均无功功率进行注入型newton法的三相潮流计算，从而得到潮流计算的理论值，基于所述理论值计算得到该小时时间段内的理论线损，且基于所述该小时时间段内的理论线损累加得到该采集日的日理论线损，并基于所述该采集日的日理论线损累加得到月度理论线损，将所述日理论线损和月度理论线损传输至线损对比单元。

8、优选的，所述预测线损计算单元对电力数据采集单元传输的第一历史电力数据和第二历史电力数据进行接收，并通过已训练好的线损预测模型计算日预测线损和月度预测线损，并将所述日预测线损和月度预测线损传输至线损对比单元。

9、优选的，所述线损对比单元对理论线损计算单元传输的所述日理论线损和月度理论线损以及预测线损计算单元传输的所述日预测线损和月度预测线损进行接收，并将所述日理论线损和月度理论线损与相应的所述日预测线损和月度预测线损进行比对，从而得到两者的线损差值，将所述线损差值的绝对值与预设的等级评估表进行匹配，从而确定所述线损差值的绝对值所对应的线损评估等级，从而确定所述目标电力系统中各个线路的线损等级，且将所述各个线路的线损等级传输至窃电分析单元。

10、优选的，所述窃电分析单元对线损对比单元传输至的各个线路的线损等级进行接收，并基于所述各个线路的线损等级通过窃电分析方法确定所述目标电力系统中各个线路是否存在窃电情况。

11、优选的，所述对多个台区的所述台区数据进行预处理，从而得到多个台区的标准台区数据，包括以下步骤：

12、a1、基于所述台区数据定义多源台区数据集合，所述多源台区数据集合表达式如下：

13、x＝{f(x1),f(x2),...,f(xn)}；

14、其中，x表示多源台区数据集合，n表示多源台区数据集合中台区数据子集的总数，x1,x2,...,xn表示不同的台区数据子集，f表示数据子集的映射函数；

15、a2、基于所述多源台区数据集合定义多源台区数据样本集合，所述多源台区数据样本集合表达式如下：

16、d＝{(x1,g1),(x2,g2),...,(xn,gn)}；

17、其中，d表示多源台区数据样本集合，g1,g2,...,gn表示每个台区数据子集对应的分解任务目标；

18、a3、通过随机森林算法对所述多源台区数据样本集合进行融合，通过随机森林算法中的决策树所述多源台区数据样本集合，所述决策树表达式如下：

19、hi＝h(xi,θi)；

20、其中，hi表示随机森林算法中第i个决策树，θi表示用于捕获多源台区数据样本集合中的随机向量；

21、a4、基于所述决策树构建多源台区数据融合模型，所述多源台区数据融合模型表达式如下：

22、h＝{h1,h2,...,hi,...,hn}；

23、其中，h表示多源台区数据融合模型；

24、a5、基于所述多源台区数据融合模型计算中所述台区数据的总体分类评估概率，所述总体分类评估概率表达式如下：

25、

26、其中，ep(p|x)表示总体分类评估概率，ep(p|xi)表示第i个台区数据子集中不同类型台区数据的分类评估概率；

27、a6、基于所述总体分类评估概率对多个台区的所述台区数据进行粗分类，从而得到多个台区的所述标准台区数据。

28、优选的，所述分类算法，包括以下步骤：

29、b1、通过方差比公式进行的k值确定，所述方差比公式如下：

30、

31、其中，vrck表示方差比，k表示聚类中心数量，mi表示第i个聚类的中心，yk表示第k个聚类，m表示所有样本数据均值，x表示数据点，n表示样本数据的维度；

32、b2、基于簇内与簇间距离的比率评估聚类效果，所述簇内与簇间距离的比率如下：

33、

34、其中，dbi表示簇内与簇间距离的比率，di和dj分别表示对应类的直径，sij表示类i与类j之间的距离；

35、b3、通过轮廓值评估聚类数是否合适，所述轮廓值如下：

36、

37、其中，s(i)表示轮廓值，a(i)表示样本数据i到同簇中其他样本的平均距离，b(i)表示样本数据i到除自身所在簇之外的最近簇的样本的平均距离；

38、b4、使用遗传算法初始化一组随机的聚类中心，对于每个个体，即聚类中心的集合，使用k-means算法进行聚类，并计算聚类结果的适应度；

39、b5、根据每个个体的适应度，选择一部分个体作为父代，用于产生下一代个体，对于选定的父代个体，使用交叉操作来生成子代个体，对子代个体进行变异操作，所述变异操作用于随机改变个体的聚类中心的位置；

40、b6、重复执行选择、交叉和变异操作，直到满足停止条件，当种群逐渐收敛时，即个体的适应度不再显著改善时，停止所述遗传算法并选择最优的个体作为最终聚类结果。

41、优选的，所述基于所述平均有功功率和平均无功功率进行注入型newton法的三相潮流计算，从而得到潮流计算的理论值，包括以下步骤：

42、c1、基于所述平均有功功率和平均无功功率，求解所述目标电力系统中每个节点的功率和损耗，所述每个节点的功率和损耗表达式如下：

43、

44、其中，plossij表示支线有功功率损耗，qlossij表示支线无功功率损耗，pi表示节点i有功功率，qi表示节点i无功功率，pj表示节点j有功功率，qj表示节点j无功功率，zij表示支线电阻，hij表示支线阻抗，uj表示节点j的电压；

45、c2、基于所述目标电力系统中每个节点的功率和损耗求解节点电压，所述节点电压表达式如下：

46、

47、其中，uj表示节点j的电压；

48、c3、基于所述节点电压求解节点电压幅值的修正量，所述节点电压幅值的修正量表达式如下：

49、δui(n+1)＝|ui(n+1)-ui(n)|；

50、其中，n表示迭代次数，δui(n+1)表示节点电压幅值的修正量；

51、c4、基于所述节点电压幅值的修正量计算修正量的最大值，判断修正量的最大值是否满足收敛要求，当不满足要求时，重复执行步骤c1至步骤c4，所述修正量的最大值表达式如下：

52、umax＝max(δui(n+1))；

53、其中，umax表示修正量的最大值；

54、c5、基于所述节点电压计算节点功率角，所述节点功率角表达式如下：

55、

56、其中，δj表示节点功率角。

57、优选的，所述线损预测模型采用分层自适应多尺度长短期记忆网络，所述分层自适应多尺度长短期记忆网络包括特征提取模块、多维注意力机制神经网络、循环跳过模块和自回归网络模块，所述特征提取模块用于设置跳过周期，以提取相同时间间隔的历史第一电力数据并形成第一特征矩阵，并提取相同时间间隔的历史第二电力数据并形成第二特征矩阵，且在所述第一特征矩阵和第二特征矩阵上执行卷积运算，所述多维注意力机制神经网络用于通过全连接层计算每个维度参数和预测数据的权重矩阵，并通过损失函数更新权重，将权重矩阵和第一特征矩阵和第二特征矩阵逐个元素相乘，所述循环跳过模块用于引入周期性连续跳过机制，通过设置周期来连续跳过，以提取序列变量的长期相关性，所述自回归网络模块用于通过自回归过程预测多维信息矩阵，并在预测分量中添加线性分量，以减少信号非周期变。

58、优选的，所述窃电分析方法，包括以下步骤：

59、d1、基于所述各个线路的线损等级计算平均线损，所述平均线损表达式如下：

60、

61、其中，表示平均线损，t表示所述目标电力系统中线路的总数，lt表示所述目标电力系统中第t个线路的线损等级；

62、d2、基于所述各个线路的线损等级和平均线损计算线损的波动率，所述线损的波动率表达式如下：

63、

64、其中，σ表示线损的波动率；

65、d3、判断所述线损的波动率是否大于预设的波动阈值，若大于则表明所述线路存在窃电情况。

66、本发明的技术方案：一种电力系统线损的评估方法，其适用于所述的一种电力系统线损的评估系统，包括以下步骤：

67、s1、台区数据采集单元收集多个台区的数据，包括台区运行年限、城农网标识、居民容量占比、居民户均容量和台区用户数量，台区数据预处理单元对采集的数据进行预处理，得到标准台区数据，并传输至类别分类单元；

68、s2、类别分类单元使用分类算法对标准台区数据进行分类，得到台区的类别，并传输至电力数据采集单元；

69、s3、电力数据采集单元接收台区的类别信息，并从智能电总表和智能电分表获取电力数据，包括不同类型台区的第一和第二电力数据，第一电力数据包括配变低压侧端口的电量、功率、电压幅值、注入电流幅值和功率因数，第二电力数据包括用户的电量、功率、电压幅值、注入电流幅值和功率因数；

70、s4、理论线损计算单元接收第一和第二电力数据，并进行潮流计算，得到理论线损值，累加每小时的理论线损得到每日的日理论线损，再累加得到月度理论线损，传输至线损对比单元；

71、s5、预测线损计算单元接收历史电力数据，使用预训练的线损预测模型计算日预测线损和月度预测线损，传输至线损对比单元，线损对比单元接收日理论线损、月度理论线损、日预测线损和月度预测线损，计算线损差值，并与预设的等级评估表进行匹配，确定线损评估等级，传输至窃电分析单元；

72、s6、窃电分析单元接收线损等级数据，通过窃电分析方法确定目标电力系统中各个线路是否存在窃电情况。

73、与现有技术相比，本发明的上述技术方案具有如下有益的技术效果：

74、1、本发明通过台区数据采集单元采集多个台区的数据，包括台区运行年限、城农网标识、居民容量占比、居民户均容量和台区用户数量等信息，为后续评估提供数据基础，通过类别分类单元利用分类算法对采集到的台区数据进行分类，从而得到各个台区的类别信息，通过将不同类别的台区进行分类，可以更好地理解台区的特点和需求，有针对性地评估线损，通过电力数据采集单元采集智能电总表和分表的数据，可以实时监测不同类型台区和用户的用电情况，基于这些数据，可以进行用电行为分析和预测线损，通过理论线损计算单元采用注入型newton法的三相潮流计算可以更准确地计算电力系统中的潮流分布和线损情况，通过基于实际数据进行计算，可以得到更加精准的线损数值，为电力系统的运行和管理提供可靠的依据，而且通过对日理论线损和月度理论线损的累加和分析，可以帮助电力公司了解电力系统的整体线损情况，并识别出造成线损的主要原因和影响因素。

75、2、本发明通过已训练好的线损预测模型，基于历史电力数据计算出日预测线损和月度预测线损，这使得电力公司能够提前了解未来一段时间内可能出现的线损情况，有针对性地采取措施进行预防和处理，进一步降低线损的发生率，通过线损对比单元将实际预测的线损与理论线损进行比对，得到线损差值，并通过预设的等级评估表确定线损的评估等级，这有助于电力公司快速了解各个线路的线损情况，识别出线损严重的区域和线路，并采取相应的措施进行改进，提高电力系统的运行效率，通过窃电分析单元可以更加精准地进行窃电分析，从而能够将线损严重的区域和线路作为窃电的重点监控对象，及时发现和打击窃电行为，保障电力系统的安全稳定运行，同时减少非法用电对电力公司的经济损失。