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】
本专利技术属于数据处理,具体涉及一种基于神经网络的三相不平衡度预测方法及系统。
技术介绍
1、在经济与技术的高速发展中,低压配电网络拓扑结构呈现复杂化的趋势。在三相四线制的低压配电网中,由于各个用户或者设备的负荷分布不均匀,单个用户季节性、日期性负荷随机波动变化大等原因,导致地区三相瞬时负荷相差悬殊,从而出现三相不平衡的情况。三相不平衡问题可能导致广泛的电力系统问题,不仅影响设备的正常运行和寿命,还可能对供电质量、安全性和效率产生负面影响。因此,及早识别、监测和解决三相不平衡问题对于保障电力系统的正常运行和安全性至关重要。
2、随着人工智能技术的发展,其在电力系统领域的应用愈加广泛。深度学习在负荷预测方面具有许多优势,将深度学习负荷预测技术应用于三相不平衡度计算,可预知未来是否发生三相不平衡问题,以便于提前实现干预手段来解决三相不平衡问题。在同一台区的不同相位负荷不仅在时间信息上有很强的相关性,在空间信息上也具有很强的相关性。
3、目前,常规的三相不平衡度预测手段通常只考虑各相负荷在时间上特征的关系,而没有考虑三相负荷在空间上的相关性信息,导致预测结果偏差较大。在时空相关性的研究中一般采用静态的相关性,然而同一台区不同时刻三相负荷间的耦合程度不一致,所以不同时刻三相负荷时空相关性必须是动态、时变的,只有静态的时空相关性信息会导致时空信息挖掘不充分,从而降低负荷预测的精度。
技术实现思路
1、为了解决当前三相不平衡度预测手段通常只考虑各相负荷在时间上特征的关系
2、第一方面
3、本专利技术提供了一种基于神经网络的三相不平衡度预测方法,包括:
4、s1:采集负荷数据;
5、s2:对所述负荷数据进行预处理;
6、s3:对预处理后的负荷数据进行归一化处理;
7、s4:将三个相位负荷作为图神经中的负荷节点,构建动态时空图神经网络,将归一化处理后的负荷数据输入至所述动态时空图神经网络,提取出短期时空特征;
8、s5:构建长短时记忆神经网络,将所述动态时空图神经网络提取出的短期时空特征输入至所述长短时记忆神经网络中,提取长期时空特征,并根据所述长期时空特征得到负荷预测结果;
9、s6:根据负荷预测结果,预测三相不平衡度。
10、第二方面
11、本专利技术提供了一种基于神经网络的三相不平衡度预测系统,包括:
12、采集模块,用于采集负荷数据;
13、预处理模块,用于对所述负荷数据进行预处理;
14、归一化模块,用于对预处理后的负荷数据进行归一化处理;
15、提取模块,用于将三个相位负荷作为图神经中的负荷节点,构建动态时空图神经网络,将归一化处理后的负荷数据输入至所述动态时空图神经网络,提取出短期时空特征;
16、第一预测模块,用于构建长短时记忆神经网络,将所述动态时空图神经网络提取出的短期时空特征输入至所述长短时记忆神经网络中,提取长期时空特征,并根据所述长期时空特征得到负荷预测结果;
17、第二预测模块,用于根据负荷预测结果,预测三相不平衡度。
18、与现有技术相比,本专利技术至少具有以下有益技术效果:
19、在本专利技术中,将三个相位负荷作为图神经中的负荷节点,通过动态时空图神经网络提取出短期时空特征,充分考虑三相负荷在时间与空间上的动态相关性信息,还可以考虑温度、湿度和节假日信息等多源外部条件,通过长短时记忆神经网络进行负荷预测,提升负荷预测结果的准确性。
本文档来自技高网...【技术保护点】
1.一种基于神经网络的三相不平衡度预测方法,其特征在于,包括:
2.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述S3具体为:
3.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述S4具体包括:
4.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述S5具体包括:
5.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述S6具体为:
6.一种基于神经网络的三相不平衡度预测系统,其特征在于,包括:
7.根据权利要求6所述的基于神经网络的三相不平衡度预测系统,其特征在于,所述归一化模块具体用于:
8.根据权利要求6所述的基于神经网络的三相不平衡度预测系统,其特征在于,所述提取模块具体用于:
9.根据权利要求6所述的基于神经网络的三相不平衡度预测系统,其特征在于,所述第一预测模块具体用于:
10.根据权利要求6所述的基于神经网络的三相不平衡度预测系统,其特征在于,所述第二预测模块具体用于:
...【技术特征摘要】
1.一种基于神经网络的三相不平衡度预测方法,其特征在于,包括:
2.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述s3具体为:
3.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述s4具体包括:
4.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述s5具体包括:
5.根据权利要求1所述的基于神经网络的三相不平衡度预测方法,其特征在于,所述s6具体为:
6.一种基...
【专利技术属性】
技术研发人员:程铖,叶超,周桂珍,陆海鹏,马越,王继磊,潘金丽,徐榕拥,倪夏冰,钱家阳,陈浩,李钟煦,汪永红,沈航,孙炳伟,
申请(专利权)人:杭州电力设备制造有限公司,
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。