System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于台区线损治理领域,尤其涉及基于灌溉负荷超前预知的机井台区线损治理方法及系统。
技术介绍
1、本部分的陈述仅仅是提供了与本专利技术相关的
技术介绍
信息,不必然构成在先技术。
2、随着社会和经济的不断发展,对电力的需求日益增加,电力供应面临着巨大的压力,特别是在农村地区,机井通电等农业用电需求增长迅速,同时机井台区的高线损问题也日益凸显。
3、机井通电工程是新一轮农网升级改造的重要内容,不仅是解决农业排灌问题的有效途径,更是惠及民生的重要工程;但机井通电台变在使用时,具有季节性和时段性的特点,而且传统的台区变压器投运或退出时机主要还是依赖人为判断,由于人为判断的局限性,往往难以准确把握台变的最佳投运或退出时机,导致台变停运难、长时间空载运行的状况;台变在长时间空载运行时,台区内的线路和设备损耗会显著增加,从而导致台区线损超标。
技术实现思路
1、为克服上述现有技术的不足,本专利技术提供了基于灌溉负荷超前预知的机井台区线损治理方法及系统,根据灌溉需求对台变投运或退出进行自动化管理,通过实时监测和智能决策,实现对机井通电台区的精细化管理,解决台变投运或退出不及时导致的高线损问题。
2、为实现上述目的,本专利技术的一个或多个实施例提供了如下技术方案:
3、本专利技术第一方面提供了基于灌溉负荷超前预知的机井台区线损治理方法。
4、基于灌溉负荷超前预知的机井台区线损治理方法,包括:
5、确定影响台区灌溉需求的因素
6、将灰色关联分析法计算的关联度与改进熵权法确定的客观权重相结合,对标准化处理后的初始因素矩阵进行加权评价,得到各因素的加权评价值;
7、利用灌溉负荷超前预知模型,对各因素的加权评价值进行处理,预知未来的灌溉负荷;
8、根据灌溉负荷的超前预知结果,对机井台变状态进行决策。
9、进一步的,所述影响台区灌溉需求的因素,包括作物类型、作物生育期、地下水位、灌溉面积、温度、相对湿度、光照强度、降水、土壤墒情数据和渗透率。
10、进一步的,所述关联度,通过灰色关联分析法计算,具体为:
11、获取因素的历史数据样本及对应的机井台变状态,构建参考序列和比较序列;
12、通过初值化对比较序列进行无量纲化处理;
13、计算无量纲化处理后比较序列的各个样本与参考序列的绝对差值;
14、对所有因素的每一维度求最大值和最小值;
15、计算参考序列与各个比较序列的关联系数;
16、计算各个因素与台变状态的关联度。
17、进一步的,所述客观权重,通过改进熵权法进行计算,具体为:
18、对初始因素矩阵进行标准化处理;
19、分别计算标准化处理后各个因素的均值、方差、差异系数及各个样本值比重;
20、计算各个因素的信息熵;
21、计算各个因素的客观权重。
22、进一步的,所述对标准化处理后的初始因素矩阵进行加权评价,用公式表示为:
23、
24、其中,ii为因素i的加权评价值,wi为每个因素i的客观权重,γ0i为每个因素i的关联度,α为经验因子,t为样本数量,zit为标准化处理后的数据样本。
25、进一步的,所述灌溉负荷超前预知模型,基于rbf神经网络构建,以各因素的加权评价值为输入,预测灌溉负荷的概率,作为超前预知结果。
26、进一步的,所述对机井台变状态进行决策,具体为:
27、预设有灌溉负荷的第一范围和无灌溉负荷的第二范围;
28、当预测的灌溉负荷概率在所述第一范围内,则台区有灌溉负荷,机井台变状态为投运状态;当预测的灌溉负荷概率在所述第二范围内,则台区无灌溉负荷,机井台变状态为退出状态;否则,更新所述灌溉负荷超前预知模块的输出层权值,重新计算有无灌溉负荷。
29、本专利技术第二方面提供了基于灌溉负荷超前预知的机井台区线损治理系统。
30、基于灌溉负荷超前预知的机井台区线损治理系统,包括样本采集模块、加权评价模块、负荷预知模块和台变决策模块:
31、样本采集模块,被配置为:确定影响台区灌溉需求的因素,实时采集所述因素的数据样本,构建初始因素矩阵;
32、加权评价模块,被配置为:将灰色关联分析法计算的关联度与改进熵权法确定的客观权重相结合,对标准化处理后的初始因素矩阵进行加权评价,得到各因素的加权评价值;
33、负荷预知模块,被配置为:利用灌溉负荷超前预知模型,对各因素的加权评价值进行处理,预知未来的灌溉负荷;
34、台变决策模块,被配置为:根据灌溉负荷的超前预知结果,对机井台变状态进行决策。
35、本专利技术第三方面提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如下步骤:
36、确定影响台区灌溉需求的因素,实时采集所述因素的数据样本,构建初始因素矩阵;
37、将灰色关联分析法计算的关联度与改进熵权法确定的客观权重相结合,对标准化处理后的初始因素矩阵进行加权评价,得到各因素的加权评价值;
38、利用灌溉负荷超前预知模型,对各因素的加权评价值进行处理,预知未来的灌溉负荷;
39、根据灌溉负荷的超前预知结果,对机井台变状态进行决策。
40、本专利技术第四个方面提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如下步骤:
41、确定影响台区灌溉需求的因素,实时采集所述因素的数据样本,构建初始因素矩阵;
42、将灰色关联分析法计算的关联度与改进熵权法确定的客观权重相结合,对标准化处理后的初始因素矩阵进行加权评价,得到各因素的加权评价值;
43、利用灌溉负荷超前预知模型,对各因素的加权评价值进行处理,预知未来的灌溉负荷;
44、根据灌溉负荷的超前预知结果,对机井台变状态进行决策。
45、以上一个或多个技术方案存在以下有益效果:
46、本专利技术提出了一种机井台变投运或退出智能决策方法,根据灌溉负荷超前预知结果实现台变及时、精准的投运或退出,缩短了空载运行时长,实现了对机井通台区线损的精准治理,从而达到降损治理的目的。
47、本专利技术采用改进熵权法,通过引入差异系数来反映各个因素在不同样本之间的差异程度,提高了权重结果的合理性和准确性。
48、本专利技术计算各因素加权评价值时引入了经验因子,综合考虑客观权重和主观权重,能够避免结果过于主观或客观,使台变投运或退出决策的结果更具有说服力。
49、本专利技术选用rbf神经网络建立灌溉负荷超前预知模型,改进了输出层权值计算公式,提高了模型的自适应性和鲁棒性,能够在一定程度上减轻不良数据对计算结果的影响,提高了灌溉本文档来自技高网...
【技术保护点】
1.基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,包括:
2.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述影响台区灌溉需求的因素,包括作物类型、作物生育期、地下水位、灌溉面积、温度、相对湿度、光照强度、降水、土壤墒情数据和渗透率。
3.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述关联度,通过灰色关联分析法计算,具体为:
4.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述客观权重,通过改进熵权法进行计算,具体为:
5.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述对标准化处理后的初始因素矩阵进行加权评价,用公式表示为:
6.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述灌溉负荷超前预知模型,基于RBF神经网络构建,以各因素的加权评价值为输入,预测灌溉负荷的概率,作为超前预知结果。
7.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理
8.基于灌溉负荷超前预知的机井台区线损治理系统,其特征在于,包括样本采集模块、加权评价模块、负荷预知模块和台变决策模块:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如下步骤:
10.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如下步骤:
...【技术特征摘要】
1.基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,包括:
2.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述影响台区灌溉需求的因素,包括作物类型、作物生育期、地下水位、灌溉面积、温度、相对湿度、光照强度、降水、土壤墒情数据和渗透率。
3.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述关联度,通过灰色关联分析法计算,具体为:
4.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述客观权重,通过改进熵权法进行计算,具体为:
5.如权利要求1所述的基于灌溉负荷超前预知的机井台区线损治理方法,其特征在于,所述对标准化处理后的初始因素矩阵进行加权评价,用公式表示为:
<...【专利技术属性】
技术研发人员:郑伟书,孔雪城,刘广,梁超超,张海金,张坤,郝泉,李发强,陈群,周春明,卜令伟,刘小康,徐恩君,齐德卿,
申请(专利权)人:国网山东省电力公司淄博供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。