一种配电网线损态势预测方法及系统与流程

本发明涉及线损预测，尤其涉及一种配电网线损态势预测方法及系统。

背景技术：

1、在当前的电力系统中，随着新能源技术的快速发展及其在电网中的广泛应用，配电网的运行和管理面临着前所未有的挑战。特别是分布式能源资源(如风能、太阳能、储能系统以及电动汽车等)的接入，极大地增加了配电网运行的复杂性。这些分布式能源的波动性和不确定性对配电网的稳定性、可靠性以及经济性产生了重大影响。因此，如何有效预测和管理配电网中的线损，成为了提高电力系统效率的关键问题之一。此外，数据收集和社会用户系统也会对线损产生影响，包括数据收集所获数据的准确性以及用户负荷的波动和供需互动情况等。

2、线损是指在电力传输和分配过程中因电阻而造成的能量损失。线损不仅减少了电网的运行效率，还增加了电力公司的经营成本和电能的综合成本，因此减少线损是提高电力系统经济性和可靠性的重要途径。分布式能源资源的接入，尤其是风能和太阳能这类可再生能源的大规模利用，其出力具有高度的随机性和波动性。此外，数据收集和社会系统也不可避免地对线损产生影响。这些因素使得配电网的潮流分布更加复杂，传统的线损计算和预测模型难以适应新的变化，从而影响了线损管理的准确性和效率。

3、为了应对这些挑战，线损预测技术近年来得到了快速发展。传统的线损预测方法主要基于物理模型，通过电网的拓扑结构和电气参数计算线损值，难以对配电网线损预测。

技术实现思路

1、本发明提供了一种配电网线损态势预测方法及系统，解决了传统的线损预测方法主要基于物理模型，通过电网的拓扑结构和电气参数计算线损值，难以对配电网线损预测的技术问题。

2、有鉴于此，本发明第一方面提供了一种配电网线损态势预测方法，包括：

3、获取配电网的线损影响因素历史数据以及配电网历史线损值，并构建第一训练数据集，所述线损影响因素历史数据包括配电网的各类分布式资源的历史出力数据、各负荷节点的历史出力数据和配电网的拓扑结构数据；

4、基于改进的im-gnn图神经网络对所述第一训练数据集进行训练，得到线损态势预测模型；

5、根据当前的配电网的线损影响因素预测数据输入至所述线损态势预测模型中，得到线损态势预测结果。

6、优选地，本方法还包括：

7、根据不同时间尺度下的配电网历史线损值以及预设的理论线损值确定不同时间尺度下的无误差数据采样点；

8、根据所述无误差数据采样点的数量相对于总数据采样点的数量的占比确定数据完整性比率；

9、根据不同时间尺度下的配电网历史线损值的连续无缺失数据的最长时间段相对于其对应的时间尺度下的总观测时间段的比值确定数据时间连续性比率；

10、将所述数据完整性比率以及所述数据时间连续性比率进行加权处理，确定数据完整性指数；

11、筛选出所述数据完整性指数高于预设的数据完整性指数阈值的配电网的线损影响因素历史数据以及配电网历史线损值来构建第一训练数据集。

12、优选地，所述改进的im-gnn图神经网络包括依次连接的图结构编码层、时间感知层、多尺度图注意力层、融合层和输出层；

13、线损影响因素数据输入至所述图结构编码层，构建配电网在时刻t时的图结构，所述图结构为：

14、

15、式中，gt为图结构，vt为节点集，et为边集，边集包含各节点之间的电气连接关系，为节点特征矩阵，所述节点特征矩阵包含线损影响因素数据；

16、所述时间感知层捕获所述图结构的时间感知特征；

17、所述多尺度图注意力层基于图注意力机制提取不同尺度下的所述图结构的图特征；

18、所述融合层融合所述图结构的时间感知特征以及所述图特征，输出节点特征；

19、所述输出层基于全连接网络，根据所述节点特征预测配电网的线损值，所述全连接网络用于将所述节点特征表示映射为预测的线损值。

20、优选地，所述根据当前的配电网的线损影响因素预测数据输入至所述线损态势预测模型中，得到线损态势预测结果的步骤之前，还包括：

21、获取配电网的各类分布式资源的历史出力数据以及其对应的历史天气数据，并构建第二训练数据集；

22、对所述第二训练数据集进行预处理；

23、基于改进的im-bi-lstm双向长短期记忆神经网络对预处理后的第二训练数据集进行训练，得到资源出力预测模型；

24、将当前的天气数据输入至所述资源出力预测模型中，输出配电网的各类分布式资源的预测出力数据。

25、优选地，所述根据当前的配电网的线损影响因素预测数据输入至所述线损态势预测模型中，得到线损态势预测结果的步骤之前，还包括：

26、获取配电网的负荷节点的历史出力数据以及其对应的历史天气数据，并构建第三训练数据集；

27、对所述第三训练数据集进行预处理；

28、基于改进的im-bi-lstm双向长短期记忆神经网络对预处理后的第三训练数据集进行训练，得到负荷出力预测模型；

29、将当前的天气数据输入至所述负荷出力预测模型中，输出配电网的各负荷节点的预测出力数据。

30、优选地，所述改进的im-bi-lstm双向长短期记忆神经网络包括依次连接的输入层、bi-lstm层、动态注意力机制层和输出层；

31、将具有时序性的历史天气数据通过所述输入层输入所述bi-lstm层；

32、所述bi-lstm层包含两个lstm网络，一个lstm网络用于正向处理历史天气数据，另一个lstm网络逆向处理历史天气数据，获得具有时序性的前向上下文信息和后向上下文信息；

33、所述动态注意力机制层对具有时序性的前向上下文信息和后向上下文信息分别计算每个时间步的注意力权重和上下文向量，将所述注意力权重和所述上下文向量输入至所述输出层；

34、所述输出层用于基于注意力权重，通过所述上下文向量预测出力数据。

35、第二方面，本发明还提供了一种配电网线损态势预测系统，包括：

36、训练集模块，用于获取配电网的线损影响因素历史数据以及配电网历史线损值，并构建第一训练数据集，所述线损影响因素历史数据包括配电网的各类分布式资源的历史出力数据、各负荷节点的历史出力数据和配电网的拓扑结构数据；

37、训练模块，用于基于改进的im-gnn图神经网络对所述第一训练数据集进行训练，得到线损态势预测模型；

38、线损预测模块，用于根据当前的配电网的线损影响因素预测数据输入至所述线损态势预测模型中，得到线损态势预测结果。

39、第三方面，本发明还提供了一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述的配电网线损态势预测方法的步骤。

40、第四方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述的配电网线损态势预测方法的步骤。

41、第五方面，本发明还提供了一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，其中，当所述程序指令被计算机执行时，使所述计算机执行如上述的配电网线损态势预测方法的步骤。

42、从以上技术方案可以看出，本发明具有以下优点：

43、本发明通过配电网的线损影响因素历史数据以及配电网历史线损值构建第一训练数据集，并通过基于改进的im-gnn图神经网络对第一训练数据集进行训练，得到线损态势预测模型，通过线损态势预测模型预测当前的线损态势预测结果，从而实现对线损的准确预测。