一种基于大数据的线损率预测方法与流程

本发明属于电力监测，具体涉及一种基于大数据的线损率预测方法。

背景技术：

1、线损是电网的功率损耗，它反映了电网的规划、设计和经济运行水平。它也是电网公司的关键评估指标之一，线路损耗是电力系统运营中的重要成本因素之一，因此，线路损耗率预测对于电力系统的运营、管理和发展都至关重要，现有的技术通过准确预测线路损耗率，电力公司可以更好地控制成本，优化资源利用，从而提高运营效率。

2、传统的线损率的预测方法是通常是通过建立模型来进行预测，在实际的线损率计算过程中，对于不同的区域进行线损率预测时，几乎都建立针对该区域的目标预测模型进行预测，这样会导致资源和时间成本过高，而使用已有的线损率预测模型进行预测时，如果不能根据实际的情况改变输入层数据的侧重，最终导致预测的线损率不够精确。

技术实现思路

1、本发明的目的就在于解决的问题，而提出一种基于大数据的线损率预测方法。

2、在本发明实施的第一方面，首先提出一种基于大数据的线损率预测方法，所述方法应用于电网监测服务器，所述电网监测服务器监测目标电网区域，所述目标电网区域包括多个待测电网区域，所述电网监测服务器储存有多个线损率预测模型，所述方法包括：

3、获取目标区域的地理信息数据和生活环境数据，根据所述区域地理信息数据和生活环境数据在多个线损率预测模型中进行匹配，获取初始预测模型；所述目标区域为多个待测电网区域中的任意一个；

4、将所述目标区域划分成多个子区域，提取目标子区域的电力负载持续时长系数、设备周围湿度偏差系数和设备损伤频率系数作为相关系数；所述目标子区域为多个子区域中的任意一个；

5、根据所述相关系数得到可需修改系数，并将所述可需修改系数与预设的阈值进行对比，确定所述初始预测模型输入层的数据的权重比例得到所述目标子区域的目标预测模型；

6、根据所述目标预测模型计算所述目标子区域的线损率。

7、可选地，获取目标区域的地理信息数据和生活环境数据，根据所述区域地理信息数据和生活环境数据在多个线损率预测模型中进行匹配，获取初始预测模型包括：

8、获取所述目标区域海拔坡度变化、降水量差值、土壤导热率，作为所述地理信息数据；

9、获取所述目标区域人口密度、建筑使用类型、建筑面积密度，作为所述生活环境数据；

10、将所述地理信息数据和所述生活环境数据进行加权求和，得到所述目标区域的区域系数；

11、计算所述区域系数与预设的线损率预测模型的区域系数的绝对差值，当绝对差值小于预设阈值时，则将该预设的线损率预测模型的区域系数对应的线损率预测模型作为初始预测模型。

12、可选地，提取目标子区域的电力负载持续时长系数包括：

13、获取所述子区域内h时间内电力超负载总时长，并标记为rs；

14、获取所述电力超负载总时长rs所经历的总时间周期，并标记为rd；

15、获取所述总时间周期rd内电力超负载总时长所经历次数，并标记为rh；

16、计算所述电力负载持续时长系数，计算的表达式为lk＝rs/rh×rs。

17、可选地，提取目标子区域的设备周围湿度偏差系数包括：

18、获取设备的总数量g，并获取每个设备周围的实际的湿度，并标记为sg,g为设备周围的实际的湿度的编号，g∈[0，g]；获取每个设备对应的预设的可承受的周围湿度的范围，并标记为[sga，sgb]，将每个设备周围的实际的湿度sg处于对应的预设的可承受的周围湿度[sga，sgb]外的设备进行标记，标记为wq,q为sg处于[sga，sgb]外的设备的编号，q∈[0，w],w∈[0，g]；w表示sg处于[sga，sgb]外的设备的个数，且w为整数，计算设备周围湿度偏差系数，计算的表达式为：pe＝ln(w/g+1)；式中，pe为设备周围湿度偏差系数。

19、可选地，提取目标子区域的设备损伤频率系数包括：

20、收集设备的运行时间和故障次数；

21、计算待预测设备与数据集中其他设备之间的欧氏距离；

22、根据交叉验证方法选择合适的k值；

23、对于每个待预测设备，选择与其最近的k个邻居；

24、通过选择的k个最近邻居的故障次数求平均来估计待预测设备的损伤频率系数；

25、计算的表达式为：

26、式中，vd表示设备损伤频率系数，ni表示第i个最近邻居的故障次数。

27、可选地，根据所述相关系数得到可需修改系数包括：

28、将所述电力负载持续时长系数、设备周围湿度偏差系数、设备损伤频率系数构建数据评估模型，模型计算表达式为：

29、

30、式中，flg为可需修改系数，lk、pe和vd分别表示电力负载持续时长系数、设备周围湿度偏差系数、设备损伤频率系数，a1、a2、a3为电力负载持续时长系数、设备周围湿度偏差系数、设备损伤频率系数的比例系数，且a1、a2、a3均大于0。

31、可选地，将所述可需修改系数与预设的阈值进行对比，确定所述初始预测模型输入层的数据的权重比例得到所述目标子区域的目标预测模型包括：

32、当所述可需修改系数小于参考阈值时，使用所述初始预测模型作为所述目标子区域的目标预测模型，通过所述目标预测模型对该区域的线损率进行预测；

33、当所述可需修改系数不小于参考阈值时，根据所述可需修改系数的具体数值查询对应的预设的预测模型输入层数据权重比例对应表，对所述初始预测模型的输入层的数据的权重比例进行相应的调整，得到目标预测模型，并使用所述目标预测模型对该区域的线损率进行预测。

34、本发明的有益效果：

35、本发明提出了一种基于大数据的线损率预测方法，通过获取目标区域的区域地理信息数据和生活环境数据，根据区域地理信息数据和生活环境数据与线损率预测模型进行匹配，获取初始预测模型，与为每个区域建立单独的预测模型相比，该方法避免了资源和时间成本过高的问题，通过建立可需修改系数并将其与预设的阈值进行对比，更精准的调整初始预测模型的输入层数据权重比例，实现对区域的线损率进行精确预测。

技术特征：

1.一种基于大数据的线损率预测方法，其特征在于，所述方法应用于电网监测服务器，所述电网监测服务器监测目标电网区域，所述目标电网区域包括多个待测电网区域，所述电网监测服务器储存有多个线损率预测模型，所述方法包括：

2.根据权利要求1所述的一种基于大数据的线损率预测方法，其特征在于，

3.根据权利要求1所述的一种基于大数据的线损率预测方法，其特征在于，

4.根据权利要求1所述的一种基于大数据的线损率预测方法，其特征在于，提取目标子区域的设备周围湿度偏差系数包括：

5.根据权利要求1所述的一种基于大数据的线损率预测方法，其特征在于，

6.根据权利要求1所述的一种基于大数据的线损率预测方法，其特征在于，

7.根据权利要求1所述的一种基于大数据的线损率预测方法，其特征在于，

技术总结本发明公开了一种基于大数据的线损率预测方法，涉及电力监测技术领域；该方法包括根据目标区域的地理信息数据和生活环境数据与线损率预测模型进行匹配，获取初始预测模型；与为每个区域建立单独的预测模型相比，该方法避免了资源和时间成本过高的问题，通过采集电力负载持续时长系数、设备周围湿度偏差系数和设备损伤频率系数，建立可需修改系数，并将可需修改系数与预设的阈值进行对比，更精准的调整初始预测模型的输入层数据权重比例，实现对区域的线损率进行精确预测。技术研发人员：刘正超,张丹宏,徐克强,李阳,余达,陈荃,唐铭,彭虹桥受保护的技术使用者：广东电网有限责任公司技术研发日：技术公布日：2024/7/25