[发明专利]基于LSTM网络的线损预测方法、装置、设备及介质

说明书

本申请公开了一种基于LSTM网络的线损预测方法、装置、设备及介质，该方法包括：利用被测台区电力设备的运行数据构建样本数据集，将样本数据集按预设比例分为训练集和测试集；基于LSTM网络为被测台区构建初始线损率预测模型，利用训练集对所述初始线损率预测模型进行训练；利用测试集对训练后的线损率预测模型进行测试，当满足预设条件时生成目标线损率预测模型；选取试验数据输入至目标线损率预测模型，生成被测台区的线损预测结果。本申请通过利用LSTM网络的自循环功能，从而使得样本数据输入模型时的梯度能够长时间持续流动，进而确保了输入数据之间的关联性，最终提高了线损预测结果的准确率。

技术领域

本申请涉及配电用电技术领域，尤其涉及一种基于LSTM网络的线损预测方法、装置、设备及介质。

背景技术

随着电网的迅速发展，国家对降损节能的研究越来越重视。其中，线损率是衡量电力企业经营水平和管理水平的一项综合性技术经济指标，努力降低电网的电能损耗是各级供电企业中一项必不可少的工作。由于国家正大力发展新基建建设以及新型电力线系统建设，未来将迎来大规模高比例新能源持续开发利用，电力系统将更加复杂，因此电网线损预测将面临更大的挑战。

针对配电网线损预测，常用的方法有两种，第一种是基于Elman神经网络的线损预测，这种方式虽然具有强大的鲁棒性，但是该方法在训练时无法让输入和输出数据之间相互关联，形成基于序列训练的历史记忆，因此一旦序列长度超出一定范围，之前的训练数据无法对之后的预测结果造成有效影响；第二种基于循环神经网络的线损预测，这种方式虽然能使模型扩展为不同形式及不同长度的样本且能够参数共享，但是经过多阶数据的传播后梯度会发生异常，例如梯度消失或梯度爆炸等，如此则会导致极端的非线性行为，进而影响模型预测的效率和准确性。

发明内容

本申请的目的在于提供一种基于LSTM网络的线损预测方法、装置、设备及介质，以解决现有的线损预测方法中存在的准确度低及效率低的问题。

为实现上述目的，本申请提供一种基于LSTM网络的线损预测方法，包括：

利用被测台区电力设备的运行数据构建样本数据集，将样本数据集按预设比例分为训练集和测试集；

基于LSTM网络为被测台区构建初始线损率预测模型，利用训练集对所述初始线损率预测模型进行训练；

利用测试集对训练后的线损率预测模型进行测试，当满足预设条件时生成目标线损率预测模型；

选取试验数据输入至目标线损率预测模型，生成被测台区的线损预测结果。

进一步，作为优选地，所述利用被测台区电力设备的运行数据构建样本数据集，包括：

利用被测台区电力设备的日线损率序列、日售电量序列及日均气温时序数据构建样本数据集。

进一步，作为优选地，所述基于LSTM网络为被测台区构建初始线损率预测模型，利用训练集对所述初始线损率预测模型进行训练，包括：

根据训练集中的数据构建m维特征向量，输入至初始线损率预测模型进行学习训练；其中，LSTM网络设置3层，前两层激活函数为Tanh，最后一层输出层为Selu，在LSTM网络层后设置Dropout层，损失函数为均方误差MSE。

进一步，作为优选地，所述的基于LSTM网络的线损预测方法，还包括：

采用网格搜索方式获取模型最优参数，所述初始线损率预测模型为：

式中：D(i)表示第i条序列的所有样本；d_ik表示第i条序列位置k处的数据；为该数据经归一化后的数值。

进一步，作为优选地，所述特征向量的序列长度设为28。