首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 电器论文 > 电力物联网下双向长短时记忆的线损预测方法研究

电力物联网下双向长短时记忆的线损预测方法研究

2024-12-07 48 上传者：管理员

摘要：电力物联网在实际应用中，由于设备状态、环境条件、数据传输等多种因素的影响，导致线损预测值与实际值相差较大，因此设计一种电力物联网下双向长短时记忆的线损预测方法。通过聚类处理电力物联网的线损数据，有效划分数据。在此基础上，构建双向长短时记忆线损模型，该模型结合前向和后向学习，能够更全面地捕捉时序数据中的关联性。通过训练这个模型，提取出线损量的变化特征，进一步理解其时空分布规律。最终，利用这些特征和规律，实现电力物联网的线损预测。实验结果表明，设计的电力物联网下双向长短时记忆的线损预测方法，在实际线损值的预测上，与文献[5]和文献[6]中的方法相比，整体更接近实际值。证明该方法在实际应用中表现出较高的准确性，具有一定的优势和应用价值。

关键词：
双向
电力物联网
线损预测
长短时记忆
预测精度
加入收藏

随着智能电网和物联网技术的快速发展，电力物联网已成为现代电力系统的重要组成部分。在电力物联网框架下，电网的运行数据得到前所未有的丰富和细化，这为线损预测提供更为精确和可靠的数据支持。然而，传统的线损预测方法往往基于单向的、固定的时间尺度进行分析，难以充分捕捉电网运行数据的复杂性和动态性。因此，研究一种能够适应电力物联网环境，同时考虑双向数据流动和长短时记忆的线损预测方法，具有重要的理论价值和实践意义。双向长短时记忆具有处理序列数据的能力，并且能够同时考虑前后文信息，从而捕捉数据中的长期依赖关系。在电力物联网环境下，电网运行数据往往呈现出时序性和相关性，这使得Bi-LSTM模型在线损预测中具有天然的优势[1]。可以充分利用电网运行数据的时序特征和相关性，提高Bi-LSTM模型预测的准确性和稳定性。此外，电力物联网下的数据流动具有双向性，即数据不仅可以从电网设备流向数据中心进行集中处理，也可以从数据中心流向电网设备实现远程控制。这种双向数据流动为线损预测提供了新的可能性。通过整合双向数据流动和Bi-LSTM模型，可以实现更为精准和高效的线损预测，为电力系统的优化运行和节能降耗提供有力支持。综上所述，本研究旨在探索电力物联网下基于双向长短时记忆的线损预测方法，通过整合电网运行数据的时序特征、相关性和双向数据流动，提高线损预测的准确性和稳定性，为电力系统的智能化和可持续发展贡献力量。

1、聚类处理电力物联网线损数据

从电力物联网系统中收集相关的线损数据，包括有功功率、无功功率、电压、电流、设备运行状态等信息。然后对电力物联网线损数据进行聚类处理，根据线损数据样本的具体数量[2]，计算出线损数据空间比值γ(x)为：

式中，χ(χ)为电力物联网线损数据在指定空间内的覆盖值；χmax为采样空间中线损数据样本的最大值。

在电力物联网中，当线损数据在0～1的采样空间内变化时，接近1的数值往往意味着更高的数据覆盖率。然而，在此过程中，冗余度的问题不容忽视。冗余度指数的计算公式为：

式中，Ri,j为线损数据χi和χj在采样空间中的关联度。Ri,j的值越大，说明线损数据中的冗余值越大，当Ri,j的值为0时，说明线损数据中不存在冗余值或者冗余值比较低。

判断电力物联网线损数据的冗余程度之后，利用聚类算法对线损数据进行聚类处理。具体步骤如下。

1）对聚类算法进行初始化。根据数据特性和分析需求，确定合适的初始聚类中心和聚类数量。

2）在进行线损数据样本分析时，数据划分是至关重要的一步。通过计算样本数据与聚类中心之间的距离[3]，能够更准确地评估数据的分布情况，公式为：

式中，Oin为样本集中的线损数据；q为迭代次数；Xjn为聚类中心。根据式（3）的结果，将线损数据分配到n个聚类中。

3）经过式（3）的计算后，重新计算了n个聚类的中心。这个新的聚类中心是所有属于该聚类的线损数据样本的平均值。

4）判断是否收敛。判断线损数据的聚类处理过程是否收敛的公式为：

式中，Xq为Ci类别中的线损数据样本；Oi为类别Ci中的聚类中心。当Ψ的值达到设定的误差条件或者逐渐趋于稳定时，可以判断线损数据的聚类处理结束。如果Ψ的值比较大，需要重复操作步骤2）和步骤3），直到聚类算法收敛为止。

经过去除冗余值后，依据聚类算法的收敛性判断，对电力物联网的线损数据进行聚类处理。这一步骤不仅优化了数据质量，还为后续的线损预测提供坚实的数据基础，有助于提升电力物联网的运行效率和预测准确性。

2、构建双向长短时记忆线损模型

双向长短时记忆网络（Bi-LSTM）是对传统LSTM的重要改进，它结合前向和后向两个方向的训练过程，从而更全面地捕捉电力物联网线损数据中的时序信息。前向训练过程让网络能够学习并理解数据随时间发展的逻辑和规律，而后向训练则通过引入未来的信息，让网络能够洞察数据之间的反馈和关联性[4]。这种双向学习的机制，有效避免传统LSTM仅依赖前向学习可能导致的信息缺失问题，进而显著提升了模型在处理时序数据时的精度和性能。

图1显示它的基本单位，由输入层、前向LSTM、后向LSTM和输出层组成。

图1双向长短时记忆网络结构图

构建的双向长短时记忆线损模型为：

式中，Wb和Wf为学习训练的权系数；a、b、c为偏置项；xn为输入的电力物联网线损数据。

在理解LSTM和双向长短时记忆线损模型的基本原理后，可以认识到，二者在处理输入数据时，都需进行复杂的系数计算。因此，在计算双向长短时记忆网络的系数时，需要精心设计和调整算法，以确保其准确性和效率。设当前时刻为t，以当前时刻为基准，选取历史时间窗长度N的数据，即t,t-2,…,t-N+1则输入量X为：

式中，为t时刻负荷；为t时刻发电机有功出力；为t时刻发电机无功出力；为t时刻电力系统有功线损。

依据式（6）提供的数据输入，为双向长短时记忆线损模型配置了特定的参数。采用Sigmoid函数作为激活函数，并合理设置网络层数以及优化机制，经过精确计算和调整，最终得到一个高效的深度线损预测模型。

3、提取线损变化特征

为了准确掌握电力物联网中元件的线损情况，计算实时线损值，并以此为基础通过RNN训练双向长短时记忆线损模型，成功提取出配电网线损量的变化特征规律，为电力系统的优化提供有力的数据支持。RNN结构[5]如图2所示。

图2 RNN结构

从图2的RNN结构可见，其包含输入层、隐含层和输出层，每部分均为一独立层，且输出层固定设有一个节点。在优化隐含层结构与节点数时，采用十折交叉验证法，结合双向长短时记忆线损模型进行细致分析。经过严谨的验证过程，最终确定了RNN隐含层的最佳节点数为：

式中，m、l分别为输入层和输出层的节点数量。将式（7）中的运算结果四舍五入，其值就是隐含层的节点数目。利用RNN训练双向长短时记忆线损模型原理如图3所示。

图3 RNN训练双向长短时记忆线损模型原理图

在双向长短时记忆线损模型的前向传播中，根据预先设定的网络连通性和权重，将各层输出的结果准确地传送到下一层[6]。该计算过程可表达为：

式中，f、g分别为两种激活函数；x(t)、λ(t)和y(t)分别为各层的处理数据；U、W为任意两个层次的权重矩阵；φ(t)为计算出的初始线损量数据。RNN训练的双向长短时记忆线损模型前向传播学习初步揭示了线损量变化的特征。接着，按照图3中的反向学习原理来校正最初提取的结果，从而更准确地反映出线路损耗在时间和空间上的变化。

4、实现电力物联网线损预测

基于上述线损变化特征和双向长短时记忆线损模型，建立二者之间的映射关系，进行电力物联网线损预测，具体过程如下：

步骤1：输入电力物联网线损数据作为学习样本输入。

步骤2：输入电力物联网线损变化特征作为学习样本输出。

步骤3：对影响变化特征数据和线损数据都进行量纲标准化处理，处理公式如下：

式中，r′为r标准化处理后的变化特征；ξ′为ξ标准化处理后的线损；max(r)为变化特征数据最大值；max(ξ)为线损数据最大值。

步骤4：根据K-均值聚类算法[7]确定双向长短时记忆线损模型中各节点的中心向量。

步骤5：根据式（10）确定双向长短时记忆线损模型中各节点的宽度δ:

式中，max(L)为所选取的中心之间的最大距离；β为节点的数量。

步骤6：利用最小二乘法求出双向长短时记忆线损模型输出层的连接权值。

步骤7：建立输入与输出映射关系模型，该模型表达式如下：

式中，λ为输出的线损值；wi为双向长短时记忆线损模型输出层的连接权值；f(x)为径向基函数。

步骤8：将电力物联网线损变化特征测试数据输入到上述映射关系模型中，得出预测结果。经过上述过程，实现电力物联网线损的预测。

5、实验

5.1实验准备

为了验证本文提出的电力物联网线损预测方法的有效性，进行一系列模拟实验。实验中，设定为期两个月的采样时间，精心收集涵盖60天的线路损耗数据，包括端口电流、有功功率和无功功率等关键指标。鉴于技术线损与环境的密切关系，特别关注采样区域的温度和湿度等环境因素，确保数据的完整性和准确性。由于该区域气候变化显著，设定每小时一次的采样间隔，并确保基础资料每24h更新一次。为了精确计算线损率，采用数据融合技术，对24h和1h的数据进行统一处理，从而避免计算误差。此外，还识别四个关键的电力物联网线损影响指标，如图4所示。

图4线损影响指标选取结果

在实验数据采集过程中，严格遵循数据质量标准。对于采集率低于80%的数据和存在错误的数据，及时删除，以确保数据的准确性和可靠性。这样做能够有效避免数据质量问题对最终预测精度产生不良影响。实验过程中的相关参数如表1所示。

表1实验参数

根据选出的影响指标，采集数据，并利用式（11）计算同一时间的电网线损值，选取8个作为测试样本，如表2所示。

表2测试样本

实验设置上述8个样本线损量作为预测目标，并以实际线损量作为实验的对比标准数据。为了体现出本文设计的电力物联网下双向长短时记忆的线损预测方法的性能优势，实验选取文献[5]考虑时序数据缺失的配电网线损率动态预测方法和文献[6]基于TASSA-Mg LSTM的配电网线损预测方法作为实验的两个对比方法，记录三种方法的线损预测结果，如图5所示。

5.2实验结果分析

从图5中可以看出，本文方法在实际线损值的预测上，与文献[5]和文献[6]中的方法相比，整体更接近实际值。虽然每种方法都存在一定的预测误差，但本文方法的预测误差相对较小，显示出较高的准确性。证明本文设计的电力物联网下双向长短时记忆的线损预测方法在实际应用中表现出较高的准确性，具有一定的优势和应用价值。

图5线损预测和实际值对比

6、结束语

本研究通过深入探讨电力物联网环境下双向长短时记忆在线损预测中的应用，取得一系列创新性的成果。成功构建Bi-LSTM线损预测模型，有效提升了预测精度和稳定性，为电力系统的优化运行提供有力支持。同时，本研究也为电力物联网技术的进一步应用和发展提供有益的探索和借鉴。未来，将继续深化研究，不断优化模型结构，提高预测性能，以适应电力物联网技术日新月异的发展需求，为电力行业的智能化、绿色化发展贡献更多智慧和力量。

参考文献:

[1]王辉.基于径向基函数的配电网不平衡线损预测方法[J].电子设计工程,2024,32(4):121-124,134.

[2]马鹏程.电力物联网下双向长短时记忆的线损预测计算策略研究[J].电工材料,2023,16(5):74-76.

[3]何运康,李庆春,刘兴业,等.基于注意力机制和双向长短时记忆网络的横波速度预测方法及应用[J].石油物探,2023,62(2):225-235.

[4]刘江坤,聂东明,夏辉,等.基于径向基函数的电网不平衡线损预测方法[J].电子设计工程,2023,31(23):157-160,166.

[5]马晓琴,薛峪峰,杨媛,等.考虑时序数据缺失的配电网线损率动态预测方法[J].电子设计工程,2023,31(17):132-136.

[6]吴丽珍,秦文彬,赵一凡,等.基于TASSA-Mg LSTM的配电网线损预测方法[J].电力系统及其自动化学报,2023,35(12):40-49.

[7]杨军,左威,徐维佳,等.基于自适应遗传优化和神经网络算法的线损预测方法研究[J].电子设计工程,2022,30(19):88-92.

文章来源:李天寿,许青,李亚昕,等.电力物联网下双向长短时记忆的线损预测方法研究[J].电器工业,2024,(12):54-59.阿