(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 202110045657.X (22)申请日 2021.01.14 (65)同一申请的已公布的文献号 申请公布号 CN 112883633 A (43)申请公布日 2021.06.01 (73)专利权人 东北电力大 学 地址 132012 吉林省吉林市船 营区长春路 169号 (72)发明人 杨冬锋　付强　刘晓军　姜超　 (74)专利代理 机构 长春市吉利专利事务所(普 通合伙) 22206 专利代理师 李晓莉 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01)(56)对比文件 CN 110334875 A,2019.10.15 CN 1096149 97 A,2019.04.12 CN 110598854 A,2019.12.20 US 201913 0897 A1,2019.0 5.02 JUAN LI等.DC Vo ltage Utilization Improvement to En large Po wer Balance Constraint Range for Photovo ltaic Cascaded I nverter. 《IE EE Access》 .2017, 杨冬锋等.配电网线损计算与分析中存在问 题解决对策. 《吉林电力》 .2012,(第0 6期), 李云冰等.基 于门控循环神经网络的线损电 量预测方法. 《电力设备 管理》 .2020,(第02期), 姜媛媛等.改进组合赋权法的配电网隐患评 估. 《科学技术与工程》 .2020,(第2 2期), 田春筝等.基 于供电分区的中 高压配电网综 合评价策略. 《电力系统保护与控制》 .2018,(第 21期), 审查员 王璇 (54)发明名称 一种基于组合赋权法和深度学习的配电网 线损计算方法 (57)摘要 一种基于组合赋权法和深度学习的配电网 线损计算方法， 属于配电网理论线损计算技术领 域。 本发明采用深度学习GRU网络模型拟合电气 参数与理论线损非线性关系， 提高了传统BP算法 的非线性函数逼近能力， 且针对目前智能算法所 需电气参数的选取大多依靠经验的问题， 综合考 虑主客观因素， 提出互信息理论和层次分析法相 结合的组合赋权法， 对不同电气参数影 响权重进 行排序， 确定最优输入参数， 改善了配电网理论 线损计算 性能。 权利要求书3页 说明书10页 附图3页 CN 112883633 B 2022.10.11 CN 112883633 B 1.一种基于组合赋权法和深度 学习的配电网线损计算方法， 其特征是： 包括以下步骤， 并且以下步骤顺次进行， 步骤一、 选取电气参数作为原始特征集， 对各电气参数分别采集样本数据， 将上述电气 参数样本数据和等值电阻法计算得到的理论线损按归一化公式进 行归一化处理， 分别获得 归一化值， 归一化公式为： 公式中： x'i为第i种电气参数实际值； xi为归一化值； 步骤二、 构建深度学习门控循环单元GRU网络计算模型， 确定最优GRU网络计算模型的 激活函数、 隐含层 层数和神经元个数； 步骤三、 通过步骤一中获得的各电气参数的归一化值以及等值电阻法计算得到的理论 线损， 基于层次分析法和互信息理论相结合的组合赋权法， 利用电气参数对理论线损的影 响权重公式计算并获得组合赋值权 重， 按照权重从大到小的顺序构建不同数目的电气参数作为输入集， 分别对GRU网络的理 论线损计算模型进行训练测试和验证， 将线损计算结果误差最小的电气参数集确定为最优 输入参数集， 其中， 各项电气参数对理论线损的影响权 重 λi为 λi＝ εWi+(1‑ε )γi 式中： ε为层次分析法获得的权重占组合法的比重， 取0.5； i为第i种电气参数； γi为互 信息理论获得的各项电气参数权 重； Wi为层次分析法获得的各项电气参数权 重； 步骤四、 根据步骤三中获得的各项电气参数权重获得最终的深度学习门控循环单元 GRU网络计算模型， 实用时， 按照最优输入参数集对新采集的线路参数组成输入集， 并将此输入集作为GRU 网络的理论线损计算模型的输入， 利用步骤三训练好的GRU网络的理论线损计算模 型， 计算 并获得相应线路的线损数值， 以等值电阻法的计算结果为参考， 按计算结果误差小于设定阈值进一步确定基于GRU 网络的配电网理论线损计算方法的有效性。 2.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法， 其 特征是： 所述步骤一中选取 的电气参数包括月有功供电量、 月无功供电量、 线路总长度、 主 干线路长度、 分支线路长度、 配电变压器容 量和线路等效截面积。 3.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法， 其 特征是： 所述步骤二中的GRU网络计算模型公式如下： rt＝sigmoid(wrhht‑1+wrxxt+br) zt＝sigmoid(wzhht‑1+wzxxt+bz) gt＝tanh(wgh(rt·ht‑1)+wgxxt+bg) ht＝(1‑zt)·ht‑1+zt·gt 式中： wrh、 wrx为重置门权重； wzh、 wzx为更新门权重； wgh、 wgx为形成当前记忆状态gt时的权权　利　要　求　书 1/3 页 2 CN 112883633 B 2重； br、 bz、 bg为偏置矩阵； sigmo id、 tanh为激活函数； 运 算符“·”表示向量的内积。 4.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法， 其 特征是： 所述步骤二中基于GRU网络理论线损计算模 型的激活函数采用sigmoid函数和tanh 函数。 5.根据权利要求4所述的一种基于组合赋权法和深度学习的配电网线损计算方法， 其 特征是： 所述步骤二中隐含层层数和神经元个数 的确定过程为： 将多条配电线路按照设定 的比例分配， 选取一部 分对GRU网络的理论线损计算模型进 行训练另一部 分进行测试， 以单 层隐含层为基础， 通过改变神经 元个数， 分别获得相应的线损数值， 利用平均绝对误差百分比MAPE公式和均方根误差RMSE公式， 分别获得线损数值误差 MAPE和RMSE最小 时对应的神经元个数； 通过固定第一层隐含层神经元个数， 逐层增加隐含 层的层数， 再次利用平均绝对误差百分比MAP E公式和均方根误差RMS E公式确定每一层隐含 层对应的最优神经元个数， 持续增加隐含层层数， 选取GRU网络的理论线损计算模 型过拟合 前的临界隐含层 层数和每一层隐含层对应的最优神经 元个数为 最优的GRU网络参数。 6.根据权利要求5所述的一种基于组合赋权法和深度学习的配电网线损计算方法， 其 特征是： 所述步骤二和步骤四中的计算结果误差为以等值电阻法的理论线损计算值为基准 的平均绝对误差百分比MAPE和均方根 误差RMSE， 其公式分别如下： 式中： 为GRU网络的理论线损计算值， yij为等值电阻法的理论线损计算值； m为测试集 样本数。 7.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法， 其 特征是： 所述步骤三中互信息理论获得的各项电气参数权 重计算方法为： 理论线损计算中， 设定X为原始特征集中的任一电气参数， Y为理论线损计算值， 两者之 间的互信息I(X； Y)为： 式中： p(x)、 p(y)表示变量X、 Y的边 缘概率函数； p(x,y)表示变量X、 Y的联合 概率函数； 则各电气参数对理论线损的影响权 重γi分别为: 式中： i为第i种电气参数； k 为与理论线损 相关的电气参数个数； Ii为互信息值。 8.根据权利要求1所述的一种基于组合赋权法和深度学习的配电网线损计算方法， 其 特征是： 所述步骤三中层次分析法获得的各项电气参数权 重计算方法为： 1)建立层次结构模型权　利　要　求　书 2/3 页 3 CN 112883633 B 3