一种基于神经网络的配电网线损评估方法及装置与流程

1.本技术涉及神经网络技术领域，更具体的说，是涉及一种基于神经网络的配电网线损评估方法及装置。


背景技术：

2.随着电力工业的发展，电力工业步入大电网、大机组、大容量、特高压及智能电网的阶段，使得电力系统的复杂性明显增加。与此同时，近年来新能源机组也不断应用于电力系统，如光伏发电机组、风电机组等陆续并网，对电网安全稳定运行造成较大的冲击。新能源的装机容量、发电水平的快速增加使得电网的潮流分布发生了较大程度的变化，配电网线路的线损水平也发生了较大程度的变化，通过对配电网线路的线损水平进行评估，为电网拓扑结构和运行方式的优化提供重要的参考指标，有利于提高配电网的安全稳定性。
3.目前主要采用对配电网进行交流潮流计算，实现对配电网线损进行模拟分析，以及基于mean-shift聚类的方法对影响配电网线损的因素进行了评估，但新能源对配电网线损的影响是非线性和复杂的，潮流计算和mean-shift聚类的方法的拟合精度不足，对配电网线路的线损水平评估的准确率低下。


技术实现要素：

4.鉴于上述问题，提出了本技术以便提供一种基于神经网络的配电网线损评估方法及装置，以提高对配电网线路的线损水平评估的准确率。
5.为了实现上述目的，现提出具体方案如下：
6.一种基于神经网络的配电网线损评估方法，包括：
7.获取配电网的若干项电力数据；
8.将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数；
9.根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对所述配电网受损的影响得分；
10.所述神经网络模型的建立过程，包括：
11.对各项电力数据进行数据预处理，得到多批训练样本集；
12.以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。
13.可选的，所述对各项电力数据进行数据预处理，得到多批训练样本集，包括：
14.根据各项电力数据构建电力数据集；
15.将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集；
16.按照预设比例拆分所述电力数据集，得到多批训练样本集。
17.可选的，将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集，包括：
18.通过下式对所述电力数据集中的每个电力数据样本特征矩阵中的每个元素进行数据标准化处理，得到标准化的元素：
[0019][0020]
其中，x
ij
为电力数据样本特征矩阵中的第i行第j列的元素，xj为电力数据样本特征矩阵中的第j列各个元素，x'
ij
为经数据标准化处理后得到的标准化的元素；
[0021]
确定由各所述标准化的元素组成的电力数据样本特征矩阵，为标准化样本特征矩阵；
[0022]
将各标准化样本特征矩阵汇总得到样本量纲消除后的电力数据集。
[0023]
可选的，所述神经网络模型的建立过程，还包括：
[0024]
获取测试样本集，所述测试样本集为按照预设比例拆分所述电力数据集得到的；
[0025]
在所述以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型之后，还包括：
[0026]
通过所述测试样本集对所述神经网络模型的参数进行调整，得到参数调整后的神经网络模型。
[0027]
可选的，所述根据各项电力数据构建电力数据集，包括：
[0028]
按照预设时段对每项电力数据进行划分，得到每一时段下的该项电力数据的多个电力数据样本；
[0029]
根据每项电力数据在每一时段下的多个电力数据样本，构建到该项电力数据在该时段下的电力数据样本向量；
[0030]
将每一时段下的各项电力数据的电力数据样本向量进行拼接，得到该时段下的电力数据样本特征矩阵；
[0031]
将各时段下的电力数据样本特征矩阵汇总得到电力数据集。
[0032]
可选的，所述以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，包括：
[0033]
向所述神经网络模型的输入层的每一神经元分配预设的输入权重，所述输入层中的不同神经元分配得到的输入权重不同；
[0034]
将当前批训练样本集中的每个电力数据样本特征矩阵的每一行向量，输入至所述神经网络模型的输入层的每一神经元，并在第一条件和第二条件下，确定所述神经网络模型的输出层的神经元的输出结果，所述第一条件为所述神经网络模型的隐含层的每一神经元的工作概率为预设概率，所述第二条件为配电网参考线损率作为训练标签；
[0035]
计算所述输出结果的训练损失值，并基于所述训练损失值更新所述输入侧的每一神经元的输入权重，得到更新后的每一输入权重；
[0036]
将所述当前批训练样本集的下一批训练样本集作为新的当前批训练样本集，并向所述神经网络模型的输入层的每一神经元分配与之对应的输入权重，返回执行将每批训练样本集中的每个电力数据样本特征矩阵的每一行向量，输入至所述神经网络模型的输入层的每一神经元的步骤，直至所述当前批训练样本集不存在下一批训练样本集，得到完成训
练的神经网络模型。
[0037]
可选的，计算所述输出结果的训练损失值，包括：
[0038]
利用下式计算所述输出结果的训练损失值：
[0039][0040]
其中，yk为所述训练标签，为所述输出结果，nb为所述当前批训练样本集的样本数目。
[0041]
可选的，根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，包括：
[0042]
利用下式计算每项电力数据针对所述神经网络模型的影响得分：
[0043][0044]
其中，为电力数据p针对所述神经网络模型的影响得分，s为所述目标特征，|s|为所述目标特征中电力数据的项数，m为各项电力数据的总数量，v(s)为所述目标特征的收益分数，v(s)-v(s\p)为电力数据p对所述目标特征的收益分数的贡献度。
[0045]
一种基于神经网络的配电网线损评估装置，包括：
[0046]
电力数据获取单元，用于获取配电网的若干项电力数据；
[0047]
收益分数确定单元，用于将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数；
[0048]
受损影响得分确定单元，用于根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对配电网受损的影响得分；
[0049]
模型建立第一单元，用于对各项电力数据进行数据预处理，得到多批训练样本集；
[0050]
模型建立第二单元，用于以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。
[0051]
可选的，所述模型建立第一单元，包括：
[0052]
电力数据集构建单元，用于根据各项电力数据构建电力数据集；
[0053]
数据标准化单元，用于将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集；
[0054]
电力数据集拆分单元，用于按照预设比例拆分所述电力数据集，得到多批训练样本集。
[0055]
可选的，所述数据标准化单元，包括：
[0056]
第一数据标准化子单元，用于通过下式对所述电力数据集中的每个电力数据样本特征矩阵中的每个元素进行数据标准化处理，得到标准化的元素：
[0057][0058]
其中，x
ij
为电力数据样本特征矩阵中的第i行第j列的元素，xj为电力数据样本特
征矩阵中的第j列各个元素，x'
ij
为经数据标准化处理后得到的标准化的元素；
[0059]
第二数据标准化子单元，用于确定由各所述标准化的元素组成的电力数据样本特征矩阵，为标准化样本特征矩阵；
[0060]
第三数据标准化子单元，用于将各标准化样本特征矩阵汇总得到样本量纲消除后的电力数据集。
[0061]
可选的，该装置还包括：
[0062]
测试样本集获取单元，用于获取测试样本集，所述测试样本集为按照预设比例拆分所述电力数据集得到的；
[0063]
参数调整单元，用于在以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型之后，通过所述测试样本集对所述神经网络模型的参数进行调整，得到参数调整后的神经网络模型。
[0064]
可选的，所述电力数据集构建单元，包括：
[0065]
第一电力数据集构建子单元，用于电力数据集构建单元按照预设时段对每项电力数据进行划分，得到每一时段下的该项电力数据的多个电力数据样本；
[0066]
第二电力数据集构建子单元，用于根据每项电力数据在每一时段下的多个电力数据样本，构建到该项电力数据在该时段下的电力数据样本向量；
[0067]
第三电力数据集构建子单元，用于将每一时段下的各项电力数据的电力数据样本向量进行拼接，得到该时段下的电力数据样本特征矩阵；
[0068]
第四电力数据集构建子单元，用于将各时段下的电力数据样本特征矩阵汇总得到电力数据集。
[0069]
可选的，所述模型建立第二单元，包括：
[0070]
初始权重分配单元，用于向所述神经网络模型的输入层的每一神经元分配预设的输入权重，所述输入层中的不同神经元分配得到的输入权重不同；
[0071]
模型训练单元，用于将当前批训练样本集中的每个电力数据样本特征矩阵的每一行向量，输入至所述神经网络模型的输入层的每一神经元，并在第一条件和第二条件下，确定所述神经网络模型的输出层的神经元的输出结果，所述第一条件为所述神经网络模型的隐含层的每一神经元的工作概率为预设概率，所述第二条件为配电网参考线损率作为训练标签；
[0072]
训练损失计算单元，用于计算所述输出结果的训练损失值，并基于所述训练损失值更新所述输入侧的每一神经元的输入权重，得到更新后的每一输入权重；
[0073]
权重再分配单元，用于将所述当前批训练样本集的下一批训练样本集作为新的当前批训练样本集，并向所述神经网络模型的输入层的每一神经元分配与之对应的输入权重，返回所述模型训练单元所执行的步骤，直至所述当前批训练样本集不存在下一批训练样本集，得到完成训练的神经网络模型。
[0074]
可选的，所述训练损失计算单元，包括：
[0075]
训练损失计算子单元，用于利用下式计算所述输出结果的训练损失值：
[0076]
[0077]
其中，yk为所述训练标签，为所述输出结果，nb为所述当前批训练样本集的样本数目。
[0078]
可选的，所述受损影响得分确定单元，包括：
[0079]
受损影响得分确定子单元，用于利用下式计算每项电力数据针对所述神经网络模型的影响得分：
[0080][0081]
其中，为电力数据p针对所述神经网络模型的影响得分，s为所述目标特征，|s|为所述目标特征中电力数据的项数，m为各项电力数据的总数量，v(s)为所述目标特征的收益分数，v(s)-v(s\p)为电力数据p对所述目标特征的收益分数的贡献度。
[0082]
借由上述技术方案，本技术通过获取配电网的若干项电力数据，将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数，根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对配电网受损的影响得分，其中，所述神经网络模型的建立过程为对各项电力数据进行数据预处理，得到多批训练样本集，并以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。由此可见，神经网络模型接受各项新能源电力数据的输入，利用了神经网络的强表达能力，充分逼近了各项新能源电力数据之间的复杂的非线性关系，神经网络模型的拟合精度更高，使得评估各项新能源电力数据对配电网线损因素的影响度更加准确。
附图说明
[0083]
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本技术的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
[0084]
图1为本技术实施例提供的评估配电网线损的一种流程示意图；
[0085]
图2为本技术实施例提供的评估配电网线损的一种流程示意图；
[0086]
图3为本技术实施例提供的一种训练用于评估配电网线损的神经网络模型的神经网络示意图；
[0087]
图4为本技术实施例提供的一种评估配电网线损的设备的结构示意图。
具体实施方式
[0088]
下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本技术保护的范围。
[0089]
本技术方案可以基于具备数据处理能力的终端实现，该终端可以是电脑、服务器、
云端等。
[0090]
接下来，结合图1所述，本技术的一种基于神经网络的配电网线损评估方法可以包括以下步骤：
[0091]
步骤s110、获取配电网的若干项电力数据。
[0092]
具体的，配电网的每项电力数据均可以是影响配电网线损的电力数据，可以包括常规机组出力数据、风电出力数据、光伏出力数据、下网电量数据、负荷水平数据等。
[0093]
步骤s120、将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数。
[0094]
具体的，预先建立好的神经网络模型中，已经过各项电力数据的训练。若将各项电力数据作为一个集合，那么所述目标特征则为该集合的一个子集，若目标特征包括不少于一项电力数据，目标特征中的各项电力数据可以表示针对配电网运作事件参与合作的组合，那么所述目标特征的收益分数可以表示目标特征中的各项电力数据经协调配合获得的最大收益。
[0095]
其中，所述神经网络模型的建立过程可以包括：
[0096]
s1、对各项电力数据进行数据预处理，得到多批训练样本集。
[0097]
可以理解的是，配电网的各项电力数据对配电网线损的影响是非线性的和复杂的，不同电力数据之间的样本量纲不同，因此需要对对各项电力数据进行数据预处理，数据预处理可以是数据标准化处理，然后构建数据标准化处理后的各项电力数据的多批训练样本集，以逐批用于训练神经网络模型。
[0098]
s2、以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型。
[0099]
具体的，所述配电网参考线损率可以是基于所述配电网的智能电表数据计算得到的。
[0100]
其中，配电网参考线损率的计算方式可以是(购电量-售电量)/购电量
×
100％，购电量和售电量可以是由配电网的智能电表测量得到的。
[0101]
步骤s130、根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对所述配电网受损的影响得分。
[0102]
本实施例提供的基于神经网络的配电网线损评估方法，通过获取配电网的若干项电力数据，将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数，根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对配电网受损的影响得分，其中，所述神经网络模型的建立过程为对各项电力数据进行数据预处理，得到多批训练样本集，并以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。由此可见，神经网络模型接受各项新能源电力数据的输入，利用了神经网络的强表达能力，充分逼近了各项新能源电力数据之间的复杂的非线性关系，神经网络模型的拟合精度更高，使得评估各项新能源电力数据对配电网线损因素的影响度更加准确。
[0103]
本技术的一些实施例中，对上述实施例提到的、对各项电力数据进行数据预处理，得到多批训练样本集的过程进行介绍，该过程可以包括：
[0104]
s1、根据各项电力数据构建电力数据集。
[0105]
可以理解的是，电力数据集可以包括多个数据点，每个数据点可以包括同一研究时段下的各项电力数据。
[0106]
具体的，根据各项电力数据构建电力数据集的过程，可以包括：
[0107]
s11、按照预设时段对每项电力数据进行划分，得到每一时段下的该项电力数据的多个电力数据样本。
[0108]
具体的，预设时段可以表示划分单位时间内电力数据的样本个数所对应的单位时间。
[0109]
示例如，对于一天内的样本，若预设时段为1小时，则可以划分出24个电力数据样本，每个电力数据样本的持续时间为1小时。
[0110]
s12、根据每项电力数据在每一时段下的多个电力数据样本，构建到该项电力数据在该时段下的电力数据样本向量。
[0111]
s13、将每一时段下的各项电力数据的电力数据样本向量进行拼接，得到该时段下的电力数据样本特征矩阵。
[0112]
其中，电力数据样本特征矩阵的行数可以等于电力数据的总项数。
[0113]
示例如，各项电力数据为常规机组出力数据、风电出力数据、光伏出力数据、下网电量数据和负荷水平数据5项电力数据，那么电力数据样本特征矩阵为x，x的每一行的向量n为各项电力数据在每一时段下的单位样本数量，也等于电力数据样本特征矩阵x的行的数目，xi表示第i个电力数据的电力数据样本向量。电力数据样本特征矩阵x的每一列的向量m为电力数据总项数，也等于电力数据样本特征矩阵x的列的数目，即为5。
[0114]
s14、将各时段下的电力数据样本特征矩阵汇总得到电力数据集。
[0115]
s2、将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集。
[0116]
具体的，将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集的过程可以包括：
[0117]
s21、通过下式对所述电力数据集中的每个电力数据样本特征矩阵中的每个元素进行数据标准化处理，得到标准化的元素：
[0118][0119]
其中，x
ij
为电力数据样本特征矩阵中的第i行第j列的元素，xj为电力数据样本特征矩阵中的第j列各个元素，x'
ij
为经数据标准化处理后得到的标准化的元素。
[0120]
s22、确定由各所述标准化的元素组成的电力数据样本特征矩阵，为标准化样本特征矩阵。
[0121]
可以理解的是，数据标准化处理的对象是电力数据集中的电力数据样本特征矩阵中的单个元素，因此可以将数据标准化处理后的各个元素重新组合，得到标准化样本特征
矩阵。
[0122]
s23、将各标准化样本特征矩阵汇总得到样本量纲消除后的电力数据集。
[0123]
s3、按照预设比例拆分所述电力数据集，得到多批训练样本集。
[0124]
具体的，通过预设比例对电力数据集进行拆分，除得到多批训练样本集之外，还可以得到测试样本集。
[0125]
其中，预设比例可以自定义，表示将电力数据集划分为用于训练的样本集合用于测试的样本集的比例，如多批训练样本集共占电力数据集的80％，测试样本集共占电力数据集的20％。
[0126]
本实施例提供的基于神经网络的配电网线损评估方法，通过对各项电力数据以数据标准化的方式进行数据预处理，使得各项电力数据能够消除样本之间量纲不同造成的影响，从而为后续神经网络模型训练提供更贴合模型训练的训练数据，有助于提高后续进行神经网络模型训练的精确度。
[0127]
本技术的一些实施例中，对上述实施例提到的、以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型的过程进行介绍，该过程可以包括：
[0128]
s1、向所述神经网络模型的输入层的每一神经元分配预设的输入权重。
[0129]
其中，所述输入层中的不同神经元分配得到的输入权重不同。
[0130]
具体的，可以选取平均值为1，标准差为0.1的高斯分布，并按照与每个电力数据样本特征矩阵的列数，确定多个预设的输入权重。
[0131]
可以理解的是，电力数据样本特征矩阵中的每一列均输入至输入层中的对应的神经元，因此可以将每一输入权重分配至与电力数据样本特征矩阵中的每一列对应的神经元中。
[0132]
s2、将当前批训练样本集中的每个电力数据样本特征矩阵的每一行向量，输入至所述神经网络模型的输入层的每一神经元，并在第一条件和第二条件下，确定所述神经网络模型的输出层的神经元的输出结果。
[0133]
具体的，所述第一条件为所述神经网络模型的隐含层的每一神经元的工作概率为预设概率，使得隐含层的每一神经元均有该预设概率的可能性进行工作，该预设概率可以自定义，如0.5。通过dropout技术减少层之间的连接，给隐含层的神经元均赋予一个预设概率，则出现部分隐含层的神经元工作，部分不工作的情况，以增强神经网络模型的泛化性。而输入层和输出层的神经元均正常工作。
[0134]
可以使用mini-batch对神经网络模型进行训练，逐批地输入至神经网络模型中，得到每批的输出结果。
[0135]
示例如图2，电力数据样本特征矩阵作为输入特征矩阵，包含m行和n列，将每一行向量均输入至神经网络模型的输入层对应的每一神经元，输入层经隐含层传递至输出层一个神经元，而隐含层中的部分神经元由于预设概率的设定而不工作，使得神经网络模型具有较强的泛化性
[0136]
所述第二条件为配电网参考线损率作为训练标签。
[0137]
s3、计算所述输出结果的训练损失值，并基于所述训练损失值更新所述输入侧的每一神经元的输入权重，得到更新后的每一输入权重。
[0138]
具体的，计算所述输出结果的训练损失值的过程可以包括：
[0139]
利用下式计算所述输出结果的训练损失值：
[0140][0141]
其中，yk为所述训练标签，为所述输出结果，nb为所述当前批训练样本集的样本数目。
[0142]
s4、判断所述当前批训练样本集是否存在下一批训练样本集，若是，则执行s5，若否，确定所述神经网络模型已完成训练。
[0143]
可以理解的是，若不存在下一批训练样本集，则可以表示已采取所有训练样本集对神经网络模型进行训练，那么可以确定所述神经网络模型已完成训练。
[0144]
进一步地，在神经网络模型完成训练后，可以通过所述测试样本集对完成训练的神经网络模型的参数进行调整，得到参数调整后的神经网络模型。
[0145]
s5、将所述当前批训练样本集的下一批训练样本集作为新的当前批训练样本集，并向所述神经网络模型的输入层的每一神经元分配与之对应的输入权重，返回执行步骤s2。
[0146]
可以理解的是，若存在下一批训练样本集，则可以表示神经网络模型尚未结束训练，需要将下一批训练样本集输入至输入层的各个神经元中，继续训练神经网络模型。
[0147]
本技术的一些实施例中，对上述实施例提到的、根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分的过程进行介绍，该过程可以包括：
[0148]
利用下式计算每项电力数据针对所述神经网络模型的影响得分：
[0149][0150]
其中，为电力数据p针对所述神经网络模型的影响得分，s为所述目标特征，|s|为所述目标特征中电力数据的项数，m为各项电力数据的总数量，v(s)为所述目标特征的收益分数，v(s)-v(s\p)为电力数据p对所述目标特征的收益分数的贡献度。
[0151]
下面对本技术实施例提供的实现基于神经网络的配电网线损评估装置进行描述，下文描述的实现基于神经网络的配电网线损评估装置与上文描述的实现基于神经网络的配电网线损评估方法可相互对应参照。
[0152]
参见图3，图3为本技术实施例公开的一种实现基于神经网络的配电网线损评估装置结构示意图。
[0153]
如图3所示，该装置可以包括：
[0154]
电力数据获取单元11，用于获取配电网的若干项电力数据；
[0155]
收益分数确定单元12，用于将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数；
[0156]
受损影响得分确定单元13，用于根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对所述配电网受损的影响得分；
[0157]
模型建立第一单元121，用于对各项电力数据进行数据预处理，得到多批训练样本
集；
[0158]
模型建立第二单元122，用于以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。
[0159]
可选的，所述模型建立第一单元，包括：
[0160]
电力数据集构建单元，用于根据各项电力数据构建电力数据集；
[0161]
数据标准化单元，用于将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集；
[0162]
电力数据集拆分单元，用于按照预设比例拆分所述电力数据集，得到多批训练样本集。
[0163]
可选的，所述数据标准化单元，包括：
[0164]
第一数据标准化子单元，用于通过下式对所述电力数据集中的每个电力数据样本特征矩阵中的每个元素进行数据标准化处理，得到标准化的元素：
[0165][0166]
其中，x
ij
为电力数据样本特征矩阵中的第i行第j列的元素，xj为电力数据样本特征矩阵中的第j列各个元素，x'
ij
为经数据标准化处理后得到的标准化的元素；
[0167]
第二数据标准化子单元，用于确定由各所述标准化的元素组成的电力数据样本特征矩阵，为标准化样本特征矩阵；
[0168]
第三数据标准化子单元，用于将各标准化样本特征矩阵汇总得到样本量纲消除后的电力数据集。
[0169]
可选的，该装置还包括：
[0170]
测试样本集获取单元，用于获取测试样本集，所述测试样本集为按照预设比例拆分所述电力数据集得到的；
[0171]
参数调整单元，用于在以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型之后，通过所述测试样本集对所述神经网络模型的参数进行调整，得到参数调整后的神经网络模型。
[0172]
可选的，所述电力数据集构建单元，包括：
[0173]
第一电力数据集构建子单元，用于电力数据集构建单元按照预设时段对每项电力数据进行划分，得到每一时段下的该项电力数据的多个电力数据样本；
[0174]
第二电力数据集构建子单元，用于根据每项电力数据在每一时段下的多个电力数据样本，构建到该项电力数据在该时段下的电力数据样本向量；
[0175]
第三电力数据集构建子单元，用于将每一时段下的各项电力数据的电力数据样本向量进行拼接，得到该时段下的电力数据样本特征矩阵；
[0176]
第四电力数据集构建子单元，用于将各时段下的电力数据样本特征矩阵汇总得到电力数据集。
[0177]
可选的，所述模型建立第二单元，包括：
[0178]
初始权重分配单元，用于向所述神经网络模型的输入层的每一神经元分配预设的输入权重，所述输入层中的不同神经元分配得到的输入权重不同；
[0179]
模型训练单元，用于将当前批训练样本集中的每个电力数据样本特征矩阵的每一行向量，输入至所述神经网络模型的输入层的每一神经元，并在第一条件和第二条件下，确定所述神经网络模型的输出层的神经元的输出结果，所述第一条件为所述神经网络模型的隐含层的每一神经元的工作概率为预设概率，所述第二条件为配电网参考线损率作为训练标签；
[0180]
训练损失计算单元，用于计算所述输出结果的训练损失值，并基于所述训练损失值更新所述输入侧的每一神经元的输入权重，得到更新后的每一输入权重；
[0181]
权重再分配单元，用于将所述当前批训练样本集的下一批训练样本集作为新的当前批训练样本集，并向所述神经网络模型的输入层的每一神经元分配与之对应的输入权重，返回所述模型训练单元所执行的步骤，直至所述当前批训练样本集不存在下一批训练样本集，得到完成训练的神经网络模型。
[0182]
可选的，所述训练损失计算单元，包括：
[0183]
训练损失计算子单元，用于利用下式计算所述输出结果的训练损失值：
[0184][0185]
其中，yk为所述训练标签，为所述输出结果，nb为所述当前批训练样本集的样本数目。
[0186]
可选的，所述受损影响得分确定单元，包括：
[0187]
受损影响得分确定子单元，用于利用下式计算每项电力数据针对所述神经网络模型的影响得分：
[0188][0189]
其中，为电力数据p针对所述神经网络模型的影响得分，s为所述目标特征，|s|为所述目标特征中电力数据的项数，m为各项电力数据的总数量，v(s)为所述目标特征的收益分数，v(s)-v(s\p)为电力数据p对所述目标特征的收益分数的贡献度。
[0190]
本技术实施例提供的基于神经网络的配电网线损评估装置可应用于基于神经网络的配电网线损评估设备，如终端：手机、电脑等。可选的，图4示出了基于神经网络的配电网线损评估设备的硬件结构框图，参照图4，基于神经网络的配电网线损评估设备的硬件结构可以包括：至少一个处理器1，至少一个通信接口2，至少一个存储器3和至少一个通信总线4；
[0191]
在本技术实施例中，处理器1、通信接口2、存储器3、通信总线4的数量为至少一个，且处理器1、通信接口2、存储器3通过通信总线4完成相互间的通信；
[0192]
处理器1可能是一个中央处理器cpu，或者是特定集成电路asic(application specific integrated circuit)，或者是被配置成实施本发明实施例的一个或多个集成电路等；
[0193]
存储器3可能包含高速ram存储器，也可能还包括非易失性存储器(non-volatile memory)等，例如至少一个磁盘存储器；
[0194]
其中，存储器存储有程序，处理器可调用存储器存储的程序，所述程序用于：
[0195]
获取配电网的若干项电力数据；
[0196]
将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数；
[0197]
根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对所述配电网受损的影响得分；
[0198]
所述神经网络模型的建立过程，包括：
[0199]
对各项电力数据进行数据预处理，得到多批训练样本集；
[0200]
以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。
[0201]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0202]
本技术实施例还提供一种存储介质，该存储介质可存储有适于处理器执行的程序，所述程序用于：
[0203]
获取配电网的若干项电力数据；
[0204]
将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数；
[0205]
根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对所述配电网受损的影响得分；
[0206]
所述神经网络模型的建立过程，包括：
[0207]
对各项电力数据进行数据预处理，得到多批训练样本集；
[0208]
以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。
[0209]
可选的，所述程序的细化功能和扩展功能可参照上文描述。
[0210]
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0211]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间可以根据需要进行组合，且相同相似部分互相参见即可。
[0212]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本技术。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本技术的精神或范围的情况下，在其它实施例中实现。因此，本技术将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种基于神经网络的配电网线损评估方法，其特征在于，包括：获取配电网的若干项电力数据；将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数；根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为该项电力数据针对所述配电网受损的影响得分；所述神经网络模型的建立过程，包括：对各项电力数据进行数据预处理，得到多批训练样本集；以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。2.根据权利要求1所述的方法，其特征在于，所述对各项电力数据进行数据预处理，得到多批训练样本集，包括：根据各项电力数据构建电力数据集；将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集；按照预设比例拆分所述电力数据集，得到多批训练样本集。3.根据权利要求2所述的方法，其特征在于，将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集，包括：通过下式对所述电力数据集中的每个电力数据样本特征矩阵中的每个元素进行数据标准化处理，得到标准化的元素：其中，x
ij
为电力数据样本特征矩阵中的第i行第j列的元素，x
j
为电力数据样本特征矩阵中的第j列各个元素，x
′
ij
为经数据标准化处理后得到的标准化的元素；确定由各所述标准化的元素组成的电力数据样本特征矩阵，为标准化样本特征矩阵；将各标准化样本特征矩阵汇总得到样本量纲消除后的电力数据集。4.根据权利要求2所述的方法，其特征在于，所述神经网络模型的建立过程，还包括：获取测试样本集，所述测试样本集为按照预设比例拆分所述电力数据集得到的；在所述以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型之后，还包括：通过所述测试样本集对所述神经网络模型的参数进行调整，得到参数调整后的神经网络模型。5.根据权利要求2所述的方法，其特征在于，所述根据各项电力数据构建电力数据集，包括：按照预设时段对每项电力数据进行划分，得到每一时段下的该项电力数据的多个电力数据样本；根据每项电力数据在每一时段下的多个电力数据样本，构建到该项电力数据在该时段
下的电力数据样本向量；将每一时段下的各项电力数据的电力数据样本向量进行拼接，得到该时段下的电力数据样本特征矩阵；将各时段下的电力数据样本特征矩阵汇总得到电力数据集。6.根据权利要求2所述的方法，其特征在于，所述以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，包括：向所述神经网络模型的输入层的每一神经元分配预设的输入权重，所述输入层中的不同神经元分配得到的输入权重不同；将当前批训练样本集中的每个电力数据样本特征矩阵的每一行向量，输入至所述神经网络模型的输入层的每一神经元，并在第一条件和第二条件下，确定所述神经网络模型的输出层的神经元的输出结果，所述第一条件为所述神经网络模型的隐含层的每一神经元的工作概率为预设概率，所述第二条件为配电网参考线损率作为训练标签；计算所述输出结果的训练损失值，并基于所述训练损失值更新所述输入侧的每一神经元的输入权重，得到更新后的每一输入权重；将所述当前批训练样本集的下一批训练样本集作为新的当前批训练样本集，并向所述神经网络模型的输入层的每一神经元分配与之对应的输入权重，返回执行将每批训练样本集中的每个电力数据样本特征矩阵的每一行向量，输入至所述神经网络模型的输入层的每一神经元的步骤，直至所述当前批训练样本集不存在下一批训练样本集，得到完成训练的神经网络模型。7.根据权利要求6所述的方法，其特征在于，计算所述输出结果的训练损失值，包括：利用下式计算所述输出结果的训练损失值：其中，y
k
为所述训练标签，为所述输出结果，n
b
为所述当前批训练样本集的样本数目。8.根据权利要求1所述的方法，其特征在于，根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，包括：利用下式计算每项电力数据针对所述神经网络模型的影响得分：其中，为电力数据p针对所述神经网络模型的影响得分，s为所述目标特征，|s|为所述目标特征中电力数据的项数，m为各项电力数据的总数量，v(s)为所述目标特征的收益分数，v(s)-v(s\p)为电力数据p对所述目标特征的收益分数的贡献度。9.一种基于神经网络的配电网线损评估装置，其特征在于，包括：电力数据获取单元，用于获取配电网的若干项电力数据；收益分数确定单元，用于将各项电力数据中的一项或多项电力数据作为目标特征，并将所述目标特征输入预先建立的神经网络模型，输出得到所述目标特征的收益分数；受损影响得分确定单元，用于根据所述目标特征的收益分数，计算每项电力数据针对所述神经网络模型的影响得分，并将每项电力数据针对所述神经网络模型的影响得分作为
该项电力数据针对所述配电网受损的影响得分；模型建立第一单元，用于对各项电力数据进行数据预处理，得到多批训练样本集；模型建立第二单元，用于以多批所述训练样本集作为训练样本，配电网参考线损率作为训练标签，训练得到神经网络模型，所述配电网参考线损率为基于所述配电网的智能电表数据计算得到的。10.根据权利要求9所述的装置，其特征在于，所述模型建立第一单元，包括：电力数据集构建单元，用于根据各项电力数据构建电力数据集；数据标准化单元，用于将所述电力数据集中的每个电力数据样本特征矩阵进行数据标准化，得到样本量纲消除后的电力数据集；电力数据集拆分单元，用于按照预设比例拆分所述电力数据集，得到多批训练样本集。

技术总结
本申请公开了一种基于神经网络的配电网线损评估方法及装置，方法包括：通过获取配电网的若干项电力数据，将一项或多项电力数据作为目标特征输入预先建立的神经网络模型，得到目标特征的收益分数，计算每项电力数据针对神经网络模型的影响得分，并确定该项电力数据针对配电网受损的影响得分，神经网络模型为对各项电力数据进行数据预处理，得到多批训练样本集，并以多批训练样本集作为训练样本，训练得到的。可见，神经网络模型接受各项新能源电力数据的输入，利用了神经网络的强表达能力，充分逼近了各项新能源电力数据之间的复杂的非线性关系，神经网络模型的拟合精度更高，使得评估各项新能源电力数据对配电网线损因素的影响度更加准确。影响度更加准确。影响度更加准确。


技术研发人员：郭祚刚 谈赢杰 徐敏 刘通 申展 喻磊 史训涛 李晨 何思名
受保护的技术使用者：南方电网科学研究院有限责任公司
技术研发日：2023.05.10
技术公布日：2023/8/13