摘要：为了提升电力网络中低压配电网网络线损的预测精度,文中对神经网络的结构、训练方法等基本理论进行了研究。针对传统神经网络在复杂结构下训练时梯度消失和陷入局部最优的现象,引入了一种自适应遗传算法(AGA)。该算法通过网络的基本结构来确定染色体上的基因位数,使用一种可变交叉、变异概率策略,从而有效提升了训练时的稳定性及效率。基于配电网的关键指标体系,对某10 kV配电网络完成数据采集,并使用量测数据进行了算法的性能仿真实验。实验结果表明,在相同的迭代条件下,改进后的算法相比传统神经网络算法对330条配电线路的平均预测精度提高了2.20%。此外,算法在迭代过程中的稳定性更强,即使在更低的目标精度下,也不会出现过拟合现象。

摘要：线损是反映低压配电台区运行状态的指标之一,为实现对线损的有效管理,提出基于数据驱动的低压配电台区线损分层统计与异常诊断方法。根据低压配电台区的连接方式和工作机制,构建低压配电台区结构模型。利用数据驱动技术,分层采集低压配电台区运行数据,统计低压配电台区各层的线损量。提取线损的波动和峰值特征,通过特征匹配确定当前低压配电台区线损异常状态与类型。通过与传统方法的对比得出结论:优化设计方法的线损量统计误差降低了0.73 kW·h,线损异常误诊率得到明显降低。