(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202111475913.5 (22)申请日 2021.12.0 6 (65)同一申请的已公布的文献号 申请公布号 CN 114118855 A (43)申请公布日 2022.03.01 (73)专利权人 国网江苏省电力有限公司苏州供 电分公司 地址 215000 江苏省苏州市姑苏区劳动路 555号 专利权人 南京星辰智能科技有限公司 　 江苏智格高科技有限公司 (72)发明人 李洁　李敏　朱丹　沈杰　王琨　 范彪　袁海军　徐立忠　卞宗洁　(74)专利代理 机构 长沙大珂知识产权代理事务 所(普通合伙) 4323 6 专利代理师 伍志祥 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06Q 10/04(2012.01) 审查员 王宇莉 (54)发明名称 一种基于CNN的台区线损率标 杆值计算方法 (57)摘要 本发明属于线损标杆考核领域， 公开了基于 CNN的台区线损率标杆值计算方法， 收集电网各 台区与线损率标杆值有关的电气特征参数； 对台 区线损率进行相关性分析， 提取出影 响线损率标 杆值的关键电气特征参数； 将收集的数据分为训 练集和测试集； 将训练集台区电气特征参数作为 模型输入， 实际线损率标杆值作为模型输出， 训 练神经网络， 计算权重系数； 将测试集中的台区 下的电气特征参数作为样本数据的输入， 计算线 损率标杆值； 计算估算线损率标杆值与实际线损 率标杆值的误差， 验证算法的准确性。 本发明提 取出关键电气特征参数， 再将卷积神经网络运用 到线损率标杆值预测中， 实现台区线损的高精度 监测， 提高供电企业的线损管理水平。 权利要求书2页 说明书8页 附图1页 CN 114118855 B 2022.09.30 CN 114118855 B 1.一种基于 CNN的台区线损率标 杆值计算方法， 其特 征在于， 包括以下步骤： S1： 收集电网各台区与线损率标 杆值有关的电气特 征参数； S2： 对台区线损率进行相关性分析， 提取 出影响线损率标 杆值的关键电气特 征参数； S3： 将收集到的数据整理并分为训练集和 测试集； S4： 将训练集的各台区电气特征参数作为模型的输入， 实际线损率标杆值作为模型的 输出， 训练神经网络， 计算权 重系数； S5： 将测试集中各台区的电气特 征参数作为样本数据的输入， 计算线损率标 杆值； S6： 计算估算线损率标 杆值与实际线损率标 杆值的误差， 验证算法的准确性； 所述S2步骤对台区线损率进行相关性分析， 提取出影响线损率标杆值的关键电气特征 参数包括： 用下式计算各电气特 征参数与线损率标 杆值相关程度： 式中τi为分辨系数， (xi,N+1‑xi,N)表示第i个参数曲线中第N+1个点与第N个点之间的差 值， (x0,N+1‑x0,N)表示线损率标杆值曲线中第N+1与第N个点之间的差值， Δ0i(max)表示第i 个参数曲线两点之间的最大差值， Δ(max)表示线损率标杆值曲线中的最大差值， 为第i 个电气特 征参数曲线上的点与线损率标 杆值曲线上点的关联系数， C1和C2为修正系数； 第i个电气特 征参数与线损率标 杆值为： 式中σi为第i个电气特征参数对应的权重， ri为第i个电气特征参数与线损 率标杆值关 联度； 所述分辨系数τi的计算如下： 其中Δm(min)表示特征参数曲线上第m个局部最小点， Δn(max)表示特征参数曲线上 第n个局部最大点， τi表示第i个指标的分辨系数， 和 为修正参数。 2.根据权利要求1所述的基于CNN的台区线损率标杆值计算方法， 其特征在于， 所述S1 步骤中所收集到的电气特征参数有： 台区线路长度， 线路型号， 台区级别， 用户负荷， 供电半 径， 配电变压器容 量， 居民户数， 非居民户数， 供电量， 损失电量。 3.根据权利要求1所述的基于CNN的台区线损率标杆值计算方法， 其特征在于， 得到与 线损率标杆值相关性较高的电气特征参数为： 台区线路长度， 线路型号， 台区级别， 供电半 径， 配电变压器容 量， 居民户数， 非居民户数， 损失电量。 4.根据权利要求1所述的基于CNN的台区线损率标杆值计算方法， 其特征在于， 在步骤 S3中， 在步骤S2的基础上， 将所需的台区数据进行整理， 将70％的台区数据分为训练集， 30％的台区数据分为测试集。权　利　要　求　书 1/2 页 2 CN 114118855 B 25.根据权利要求1所述的基于CNN的台区线损率标杆值计算方法， 其特征在于， 所述S4 步骤中采用的一维卷积神经网络包括以下部分： 输入层， 作为整个神经网络的输入， 预处 理完成后满足输入规格的数据； 批量归一化层， 用于在训练过程中将所有数据分成小批次进行输入， 以显著地减少训 练次数； 1D‑CNN层， 用来提取输入数据的特征， 把上一层每个节点作为输入， 并对每个小块进行 深入的分析从而抽象出 更高维的特 征； 池化层， 连接在1D ‑CNN层后， 对输入进行二次采样来提供更简单的输出， 从而有助于防 止数据过度拟合； 全连接层， 用于卷积层的扁平化输出； 优化层， 随机 丢弃一些节点， 防止过拟合。 6.根据权利要求5所述的基于CNN的台区线损率标杆值计算方法， 其特征在于， 所述优 化层为了找出最优的丢弃率， 将全部节点分为多个区间， 随机选择某个区间后， 随机给该区 间的节点丢弃率在0到1之 间赋予初始 值， 选择丢弃的节 点， 计算真实值的均方误差， 并设置 回归损失函数， 不断迭代寻优， 如果比上次计算的均方误差降低， 下次优化时继续选择该区 间的节点进行随机 丢弃， 否则随机 选择其它区间， 并随机将该区间的节点进行丢弃。 7.根据权利要求6所述的基于CNN的台区线损率标杆值计算方法， 其特征在于， 所述回 归损失函数如下： 其中yi为真实值， 为预测值。 8.根据权利要求1所述的基于CNN的台区线损率标杆值计算方法， 其特征在于， 在步骤 S6中， 实际线损率标 杆值和估算线损率标 杆值的误差计算公式为： 权　利　要　求　书 2/2 页 3 CN 114118855 B 3