本发明涉及电网线损预测领域，尤其涉及一种基于深度学习的智能电网线损预测方法。
背景技术：
1、电网电能损耗(简称线损)是从电网传输到用户过程中，在输电、变电、配电和用电各环节中所产生的电能损耗，线损率是在一定时期内电能损耗占总供电量的比率，是衡量电网企业技术经济性的重要指标，它涉及规划、生产、营销、运行、财务等众多专业，综合反映电网企业的规划设计、生产运行和经营管理的技术经济水平。
2、随着智能电网技术的持续进步，电网的监测、控制和优化能力得到了显著提升，变得更加精细化和自动化。智能电网通过实时监控电力流动，能够高效地收集和处理海量数据，这为准确预测线损提供了坚实的技术基础。然而，传统的线损预测方法存在局限性，可能无法充分捕捉电力系统中存在的复杂非线性关系和长期依赖性，导致预测结果的准确性不足。此外，电网对实时监控和快速响应的需求日益增长，这对线损预测技术的准确性和响应速度提出了更高的要求。
3、在这一背景下，缺乏一种能够利用深度学习和智能电网技术进行准确、实时线损预测的方法。现有的预测技术尚未完全适应智能电网环境下对高效率和高准确性的需求，特别是在处理大规模数据和实时预测方面。因此，我们亟需一种基于深度学习的智能电网线损预测方法，来解决上述中遇到的问题。
技术实现思路
1、针对现有技术存在的不足，本发明提供一种基于深度学习的智能电网线损预测方法，以解决上述背景技术中提出缺乏一种能够利用深度学习和智能电网技术进行准确、实时线损预测方法的问题。
2、本发明的目的可以通过以下技术方案实现：包括s1：收集用电各环节中线损电路的运行相关数据；
3、s2：获取各用电环节中线损电路的实际线损值，为每个用电环节构建线损预测子模型；
4、s3：由所有的线损预测子模型构建电网总线损预测模型；
5、s4：将智能电网中各用电环节的运行相关数据作为输入，提供给电网总线损预测模型，输出智能电网的预测线损值；将预测线损值通过可视化界面展示。
6、作为本发明的一种优选实施方式，用电各环节包括但不限于发电环节、输电环节、变电环节、配电环节、用电环节和管理线损；运行相关数据包括电流、电压、功率因数、线路负荷、电能计量、电力频率、温度和环境参数，环境参数包括但不限于风力、湿度、温度、光照强度、电磁干扰强度。
7、作为本发明的一种优选实施方式，各环节线损电路的运行相关数据的收集步骤包括但不限于智能电表、传感器和监测设备获得。
8、作为本发明的一种优选实施方式，还用于对智能电网中线损异常进行监测，具体为：
9、将用电各环节中线损电路的运行相关数据分别输入相应的线损预测子模型中，以得到相应用电环节的预测线损值；设定用电环节的线损阈值，将用电环节的预测线损值与其线损阈值进行比对，若预测线损值大于其线损阈值，则表示其用电环节的线损异常，生成环节对应的线损异常检测信令，将异常时刻、用电环节的位置、预测线损值和阈值标记为异常检测流程记录；线损异常检测信令用于触发警报机制，将线损异常检测信令、异常检测流程记录发送给运维人员。
10、作为本发明的一种优选实施方式，用电环节的线损阈值获取的具体步骤为：
11、步骤一：获取用电环节中线损电路的线损相关信息；其中，线损相关信息包括线损电路的历史运行数据、线路长度和截面、环境信息；
12、步骤二：对线损相关信息进行阈值影响分析，得到线损电路的标准评估值、线路影响值和环境评估值；
13、步骤三：再将标准评估值、线路影响值和环境评估值进行归一化处理，得到用电环节的线损评估值；
14、步骤四：设定用电环节的线损阈值选定列表，将线损评估值与其线损阈值选定列表内任一阈值的取值范围进行匹配，将成功匹配的线损阈值作为用电环节的线损阈值。
15、作为本发明的一种优选实施方式，对线损相关信息进行阈值影响分析，具体分析过程为：
16、获取用电环节中线损电路的历史运行数据，将历史运行数据中任一参数与对应参数标准阈值进行差值计算，以得到参数对应的标准差值表示为bz；将用电环节第一次运行的时刻标记为第一时刻，将当前时刻作为第二时刻，将第一时刻与第二时刻之间的时间区域标记为用电时区；将所有标准差值进行平均值计算得到差均值；对用电时区内所有参数的标准差值进行计算,得到差波值；将标准差值的最大值与最小值进行差值计算，得到浮动差值；将差均值、差波值和浮动差值进行加权计算，得到标准评估值；
17、获取线损电路的线路长度和截面的值，对线路长度和截面的值进行加权计算，得到线路影响值；
18、获取用电环节中线损电路的所处环境信息，设定线损电路所处的标准环境参数，将环境信息中任一参数与其标准环境参数进行差值计算，得到环境参数对应的偏差值；设定预设近期环境变化时区，对近期环境变化时区内环境参数对应的偏差值进行平均值、方差和最大值与最小值的差值计算，得到环境参数对应的偏差均值、偏差波动值和偏差差异值；将所有环境参数对应的偏差均值、偏差波动值和偏差差异值进行加权计算，得到环境评估值。
19、作为本发明的一种优选实施方式，线损预测子模型包括：
20、使用长短期记忆网络或门控循环单元进行时间序列预测。
21、作为本发明的一种优选实施方式，基于步骤s2，其中，构建线损预测子模型的具体过程为：
22、s21：评估线损电路的实际线损值与历史预测线损值之间的差异，获取历史记录中线损预测子模型预测的预测线损值；将线损电路的实际线损值与历史线损值进行计算，得到历史预测波动值；计算预测线损值与实际线损值之间的差的绝对值的平均，得到预测误差值；计算预测线损值相对于实际线损值的比例，得到预测误差比；计算预测线损值与实际线损值之间的相关程度，得到预测相关值；将历史预测波动值、预测误差值、预测误差比和预测相关值标记为性能指标；
23、s22：对每个用电环节的线损电路的历史运行相关数据进行划分，将历史运行相关数据按照其特征随机划分以为k个等大小的子集，并进行k折交叉验证；每一轮，将k-1个子集作为训练集，余下的1个子集作为测试集；将训练集和测试集标记为数据集；
24、s23：对模型进行训练与验证，使用训练集数据训练线损预测子模型，在使用测试集评估线损预测子模型的性能，按照步骤s21计算得到预测的性能指标；对预测的性能指标进行融合计算，得到性能评估值；
25、s24：评估预测的性能指标的稳定性，按照性能评估值的大小对预测的性能指标所对应的数据集附加优先级；选取k折中优先级最大设定个的数据集作为复测数据集，设定重复检验次数，使用复测数据集按照重复检验次数重复执行步骤s23，得到复测的性能评估值；对所有复测的性能评估值进行均方根误差计算得到复测数据集的波动值；将复测数据集的波动值进行均值计算，得到波动均值；对复测数据的波动值与波动均值进行加权计算，得到波动评估值；选取最小的波动评估值所对应的数据集作为最终训练模型的数据集。
26、与现有技术相比，本发明的有益效果：
27、1、本发明通过深度学习技术的应用，能够实现处理大规模的电网运行数据，提供实时、准确的线损预测，并通过自动化的方法优化模型性能，为智能电网的高效管理和运维提供了技术支持。
28、2、本发明通过深度学习算法为智能电网的各个用电环节构建专用的线损预测子模型，实现了对电网线损的精细化管理，优化了资源分配，准确地捕捉智能电网中的非线性关系和长期依赖性，提高线损预测的精度。
29、3、本发明实时收集和分析智能电网的运行相关数据及时提供线损预测信息，支持快速响应电网状态的变化，增强了对智能电网线损的实时监控能力。
1.一种基于深度学习的智能电网线损预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于深度学习的智能电网线损预测方法，其特征在于，用电各环节包括但不限于发电环节、输电环节、变电环节、配电环节、用电环节和管理线损；运行相关数据包括电流、电压、功率因数、线路负荷、电能计量、电力频率、温度和环境参数，环境参数包括但不限于风力、湿度、温度、光照强度、电磁干扰强度。
3.根据权利要求1所述的一种基于深度学习的智能电网线损预测方法，其特征在于，各环节线损电路的运行相关数据的收集步骤包括但不限于智能电表、传感器和监测设备获得。
4.根据权利要求1所述的一种基于深度学习的智能电网线损预测方法，其特征在于，还用于对智能电网中线损异常进行监测，具体为：
5.根据权利要求4所述的一种基于深度学习的智能电网线损预测方法，其特征在于，用电环节的线损阈值获取的具体步骤为：
6.根据权利要求5所述的一种基于深度学习的智能电网线损预测方法，其特征在于，对线损相关信息进行阈值影响分析，具体分析过程为：
7.根据权利要求1所述的一种基于深度学习的智能电网线损预测方法，其特征在于，线损预测子模型包括：
8.根据权利要求1所述的一种基于深度学习的智能电网线损预测方法，其特征在于，基于步骤s2，其中，构建线损预测子模型的具体过程为：
