本发明涉及一种可再生能源电力系统的线损率预测方法，属于电力系统分析领域。
背景技术：
1、线路损耗作为电网的电力损耗，反映了电网中的配电规划、配电网设计和经济运行水平。它也是电网企业的关键评价指标之一。在低碳的背景下，电网中引入了大量的可再生分布式新能源，这将增加电网运行中线损率的不确定性，给电网调度带来难度。由于新能源分布对线损的影响机理尚不完全清楚，现有的线损预测方法已不再适用。因此，迫切需要一种能够快速、准确地预测电网中线损的算法，并以此支持电网的低碳调度。
2、目前，线损率预测的方法包括传统方法、基于潮流的方法和基于人工智能的方法。传统的方法有平均电流法、等效电阻法和统计法。然而，平均电流法的相关系数的获取依赖于历史数据的数学统计。这种对大量数据的需求，极大地影响了线损率的预测。等效电阻法建立在许多假设的基础上。然而这些假设与电网的实际运行有所不同。这些假设将不确定性因素引入计算中，使其难以保证准确性。统计方法分析大量的实测数据。建立电压、电流、功率和线损之间的关系模型。基于该模型预测或计算线损。然而，这种方法需要大量的实测数据作为依据。
3、在线损率预测中，由于节假日、极端天气等影响因素的不确定性和波动性，使得数学建模方法的性能会大幅下降。受益于机器学习和深度学习的兴起，数据驱动的预测方法开始占据优势。机器学习模型用于从数据中学习潜在的相关性。机器学习方法的特点是灵活、准确。它已被广泛应用于计算机视觉、自然语言处理、模式识别等领域。
4、基于机器学习和深度学习的线损率预测已经成为许多研究的主题。多层感知机、长短期记忆网络和卷积神经网络都已经被用于线损率的预测。多层感知器仅具有从单个时刻推断下一个时刻数据的能力。该模型无法获取时间序列数据的时间相关性特征。卷积神经网络可以提取高维数据中多个空间或时间相邻数据的关联特征。然而，该方法难以提取空间或时间距离较长的数据的基本关联特征。长短期记忆网络及其变体能够提取时间序列相邻的多个状态变化的关联特征。该方法无法捕捉时间序列中不相邻数据的相关性。
5、由于可再生能源并网条件，未来多个时刻的线损率受到过去多个时刻的调度计划、过去多个时刻的线损率以及未来每个时刻的期望调度计划的影响。因此，线损率预测技术需要提取时间序列数据中不同区间数据的基本关联特征。该技术旨在支持分布式能源电网接入下以最小线损实现低碳调度。
技术实现思路
1、针对如何提高线损率预测准确性的问题，本发明提供一种基于深度学习的可再生能源电力系统线损率预测方法。
2、本发明的一种可再生能源电力系统的线损率预测方法，包括：
3、获取输入数据，输入数据包括气象数据和电力数据；
4、将输入数据输入至预测模型中，预测模型输出可再生能源电力系统线损率的预测值；
5、所述预测模型采用informer模型实现。
6、作为优选，确定不同的调度作业、气象条件对应的输入数据，通过预测模型得到可再生能源电力系统的线损率，确定最小线损率对应的调度作业、气象条件。
7、作为优选，不同的调度作业、气象条件为可再生能源电力系统中火力发电出力、风力发电出力或光伏发电出力变化，其他条件不变。
8、作为优选，不同的调度作业、气象条件为可再生能源电力系统中风力发电出力和火力发电出力变化，其他条件不变。
9、作为优选，不同的调度作业、气象条件为可再生能源电力系统中火力发电出力和光伏发电出力变化，其他条件不变。
10、作为优选，不同的调度作业、气象条件为可再生能源电力系统中风力发电出力和平均风速变化，其他条件不变。
11、作为优选，不同的调度作业、气象条件为可再生能源电力系统中光伏发电出力和全局光照辐度变化，其他条件不变。
12、需要适应相应的火力发电出力，以实现线路损耗最小，光伏发电出力和风力发电出力需要分别适应全局光照辐度和风速，以实现线路损耗最小。
13、作为优选，不同的调度作业、气象条件的获取方法：
14、利用变化系数对已有的输入数据进行模拟变换，将变换后的输入数据输入至预测模型中，得到相应的可再生能源电力系统线损率预测值；
15、所述变换系数是通过调度作业、气象条件的变化导致输入数据变化而确定的。
16、作为优选，所述预测模型包括低需求期预测模型和高需求期预测模型；
17、训练时，将训练集中每日的数据分为低需求期数据和高需求期数据；
18、利用低需求期数据训练低需求期预测模型，利用高需求期数据训练高需求期预测模型。
19、作为优选，电力数据包括总发电量、总耗电量、火电发电量、风力发电量、光伏发电量、线损，气象数据包括湿度、风速、温度和降水。
20、本发明的有益效果，将线损率预测问题转化为长时间序列预测问题，并将informer应用于该问题。采用气象数据和电力数据作为输入数据进行预测，提高了预测模型的准确性。本发明考虑到各个区域的电力需求是可变的，将整体数据集分为低需求周期数据和高需求周期数据。根据不同的需求周期训练不同的需求模型。实验表明，基于informer的预测方法优于现有的自编码器、多层感知器和长短期记忆网络预测方法。本发明通过加入特定的影响参数，可以观察电力参数和气象参数对线损率的影响。本发明揭示了风力发电出力和光伏发电出力需要适应相应的火力发电出力，以实现线路损耗最小。光伏发电出力和风力发电出力也应分别适应全局光照辐度和风速。
1.可再生能源电力系统的线损率预测方法，其特征在于，所述方法包括：
2.根据权利要求1所述的可再生能源电力系统的线损率预测方法，其特征在于，确定不同的调度作业、气象条件对应的输入数据，通过预测模型得到可再生能源电力系统的线损率，确定最小线损率对应的调度作业、气象条件。
3.根据权利要求2所述的可再生能源电力系统的线损率预测方法，其特征在于，不同的调度作业、气象条件为可再生能源电力系统中火力发电出力、风力发电出力或光伏发电出力变化，其他条件不变。
4.根据权利要求2所述的可再生能源电力系统的线损率预测方法，其特征在于，不同的调度作业、气象条件为可再生能源电力系统中风力发电出力和火力发电出力变化，其他条件不变。
5.根据权利要求2所述的可再生能源电力系统的线损率预测方法，其特征在于，不同的调度作业、气象条件为可再生能源电力系统中火力发电出力和光伏发电出力变化，其他条件不变。
6.根据权利要求2所述的可再生能源电力系统的线损率预测方法，其特征在于，不同的调度作业、气象条件为可再生能源电力系统中风力发电出力和平均风速变化，其他条件不变。
7.根据权利要求2所述的可再生能源电力系统的线损率预测方法，其特征在于，不同的调度作业、气象条件为可再生能源电力系统中光伏发电出力和全局光照辐度变化，其他条件不变。
8.根据权利要求2所述的可再生能源电力系统的线损率预测方法，其特征在于，不同的调度作业、气象条件的获取方法：
9.根据权利要求1所述的可再生能源电力系统的线损率预测方法，其特征在于，所述预测模型包括低需求期预测模型和高需求期预测模型；
10.根据权利要求1所述的可再生能源电力系统的线损率预测方法，其特征在于，电力数据包括总发电量、总耗电量、火电发电量、风力发电量、光伏发电量、线损，气象数据包括湿度、风速、温度和降水。
