台区供电状态评估、装置、电子设备和存储介质

摘要

本申请涉及一种台区供电状态评估方法、装置、电子设备和存储介质。所述方法包括：获取台区中的各用户终端的有功功率；基于各所述用户终端的有功功率，采用预先训练的台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值；基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，并基于各所述用户终端的用电状态确定所述台区的供电状态。从而通过上述方法可以快速高效的确定台区的供电状态。

权利要求

1.一种台区供电状态评估方法，其特征在于，所述方法包括：

获取台区中的各用户终端的样本有功功率和对应的样本节点电压；

将所述样本有功功率和对应的样本节点电压输入至神经网络模型，通过所述神经网络模型获得台区节点电压计算值；基于所述台区节点电压计算值和所述样本节点电压，获得所述台区节点电压计算值和所述样本节点电压的误差值；

根据所述误差值，获得台区节点电压预测模型；

获取台区中的各用户终端的有功功率；

基于各所述用户终端的有功功率，采用所述台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值；

获取台区中各用户终端的额定电压，确定各所述用户终端的额定电压与对应的节点电压的差值，若所述差值低于预设比例的额定电压，则确定台区中存在低压用户终端，并在确定所述台区存在低压用户终端时，确定所述台区的供电状态为低压供电状态。

2.根据权利要求1所述的方法，其特征在于，所述获取台区中的各用户终端的样本有功功率和对应的样本节点电压之后，将所述样本有功功率和对应的样本节点电压输入至神经网络模型进行模型训练之前，包括：对所述样本有功功率和对应的样本节点电压进行归一化处理，得到归一化处理的样本有功功率和对应的样本节点电压。

3.根据权利要求1所述的方法，其特征在于，所述根据所述误差值，获得台区节点电压预测模型，包括：在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述台区节点电压预测模型。

4.根据权利要求1所述的方法，其特征在于，所述获取台区中的各用户终端的样本有功功率和对应的样本节点电压之前，包括：获取架空线路模型，所述架空线路模型为用于表示台区节点降落电压与各电路参数之间的预定关系的等效电路模型；

基于所述架空线路模型，确定台区节点降落电压与各所述电路参数的预定关系，所述电路参数包括线路长度、线路单位电阻、线路单位电抗、功率因素、额定电压以及线路用户终端有功功率；

基于所述预定关系，分析确定各所述电路参数分别对所述台区节点降落电压的影响程度值；

基于各所述影响程度值，确定台区中的各用户终端的样本有功功率和对应的样本节点电压。

5.根据权利要求4所述的方法，其特征在于，其特征在于，所述基于所述预定关系，分析确定各所述电路参数分别对所述台区节点降落电压的影响程度值，包括：针对所述电路参数中的任意一个电路参数，分别执行下述过程：

在预设的该电路参数范围内，随机增大该电路参数和随机减小该电路参数，获得该电路参数对应的第一电路参数变化值和第二电路参数变化值；

将所述该电路参数的第一电路参数变化值和其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第一影响值；

将所述该电路参数的第二电路参数变化值和所述其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第二影响值；

基于所述第一影响值和所述第二影响值，获得该电路参数对所述台区节点电压的影响程度值。

6.一种台区供电状态评估装置，其特征在于，所述装置包括：

有功功率获取模块，用于获取台区中的各用户终端的有功功率；

用户终端节点电压预测模块，用于获取台区中的各用户终端的样本有功功率和对应的样本节点电压；将所述样本有功功率和对应的样本节点电压输入至神经网络模型，通过所述神经网络模型获得台区节点电压计算值；基于所述台区节点电压计算值和所述样本节点电压，获得所述台区节点电压计算值和所述样本节点电压的误差值；根据所述误差值，获得台区节点电压预测模型，基于各所述用户终端的有功功率，采用所述台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值；

台区供电状态预测模块，用于获取台区中各用户终端的额定电压，确定各所述用户终端的额定电压与对应的节点电压的差值，若所述差值低于预设比例的额定电压，则确定台区中存在低压用户终端，并在确定所述台区存在低压用户终端时，确定所述台区的供电状态为低压供电状态。

7.根据权利要求6所述的台区供电状态评估装置，其特征在于，所述用户终端节点电压预测模块，用于对所述样本有功功率和对应的样本节点电压进行归一化处理，得到归一化处理的样本有功功率和对应的样本节点电压。

8.根据权利要求6所述的台区供电状态评估装置，其特征在于，所述用户终端节点电压预测模块，用于在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述台区节点电压预测模型。

9.一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至5中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至5中任一项所述的方法的步骤。

说明书

台区供电状态评估、装置、电子设备和存储介质

技术领域

[0001] 本申请涉及配电网技术领域，特别是涉及一种台区供电状态评估方法、装置、电子设备和存储介质。

背景技术

[0002] 随着配电网技术的发展，为了解决不同用户的用电需求，通常将配电网分为高压配电网、中压配电网以及低压配电网，其中，低压配电网处于电网的末端，往往因为线路结构、自动化水平低下等导致其状态监控一直处于管理的盲区，由于缺乏有效的在线监控手段，存在用户停电后知后觉，造成抢修工作的被动和无序等不足。

[0003] 为精准、高效治理低电压，传统技术中一般通过前推回代法、牛拉法、机器学习等计算台区节点电压之后展开台区供电状态的分析，然而此种方法，计算过程复杂，不仅效率低，而且精度不高。

发明内容

[0004] 基于此，有必要针对上述技术问题，提供一种能够提高台区供电状态评估效率的台区供电状态评估方法、装置、电子设备和存储介质。

[0005] 一种台区供电状态评估方法，所述方法包括：

[0006] 获取台区中的各用户终端的有功功率；

[0007] 基于各所述用户终端的有功功率，采用预先训练的台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值；

[0008] 基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，并基于各所述用户终端的用电状态确定所述台区的供电状态。

[0009] 在其中一个实施例中，所述台区节点电压预测模型的训练方式，包括：

[0010] 获取样本数据集，所述样本数据集中的数据包括：所述台区中的各用户终端的样本有功功率和对应的样本节点电压；

[0011] 将所述样本数据集输入至神经网络模型进行模型训练，获得所述台区节点电压预测模型。

[0012] 在其中一个实施例中，所述获取样本数据集之后，将所述样本数据集输入至神经网络模型进行模型训练之前，包括：

[0013] 对所述样本数据集中的数据进行归一化处理，得到归一化处理的样本数据集。

[0014] 在其中一个实施例中，所述将所述样本数据集输入至神经网络模型进行模型训练，获得所述台区节点电压预测模型，包括：

[0015] 通过所述神经网络模型获得台区节点电压计算值；

[0016] 基于所述台区节点电压计算值和所述样本节点电压，获得所述台区节点电压计算值和所述样本节点电压的误差值；

[0017] 在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述台区节点电压预测模型。

[0018] 在其中一个实施例中，所述获取样本数据集之前，包括：

[0019] 获取架空线路模型，所述架空线路模型为用于表示台区节点降落电压与各电路参数之间的预定关系的等效电路模型；

[0020] 基于所述架空线路模型，确定台区节点降落电压与各所述电路参数的预定关系，所述电路参数包括线路长度、线路单位电阻、线路单位电抗、功率因素、额定电压以及线路用户终端有功功率；

[0021] 基于所述预定关系，分析确定各所述电路参数分别对所述台区节点降落电压的影响程度值；

[0022] 基于各所述影响程度值，确定所述样本数据集。

[0023] 在其中一个实施例中，所述基于所述预定关系，分析确定各所述电路参数分别对所述台区节点降落电压的影响程度值，包括：

[0024] 针对所述电路参数中的任意一个电路参数，分别执行下述过程：

[0025] 在预设的该电路参数范围内，随机增大该电路参数和随机减小该电路参数，获得该电路参数对应的第一电路参数变化值和第二电路参数变化值；

[0026] 将所述该电路参数的第一电路参数变化值和所述其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第一影响值；

[0027] 将所述该电路参数的第二电路参数变化值和所述其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第二影响值；

[0028] 基于所述第一影响值和所述第二影响值，获得该电路参数对所述台区节点电压的影响程度值。

[0029] 在其中一个实施例中，所述基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，包括：

[0030] 获取所述台区中的各用户终端的额定电压；

[0031] 将各所述用户终端的额定电压和各所述用户终端的节点电压进行比较，获得比较结果；

[0032] 当所述比较结果满足预设条件时，确定所述台区中存在低压用户终端。

[0033] 一种台区供电状态评估装置，所述装置包括：

[0034] 有功功率获取模块，用于获取台区中的各用户终端的有功功率；

[0035] 用户终端节点电压预测模块，用于基于各所述用户终端的有功功率，采用预先训练的台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值；

[0036] 台区供电状态预测模块，用于基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，并基于各所述用户终端的用电状态确定所述台区的供电状态。

[0037] 一种电子设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述台区供电状态评估方法的步骤。

[0038] 一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述台区供电状态评估方法的步骤。

[0039] 上述台区供电状态评估方法、装置、电子设备和存储介质，通过台区中的各用户终端的有功功率和预先训练的台区节点电压预测模型，预测得到台区中各用户终端的节点电压，从而可以根据台区中各用户终端的节点电压，确定台区中各用户终端的用电状态，并根据各用户终端的用电状态，确定台区的供电状态。从而通过上述方法可以快速高效的确定台区的供电状态。

附图说明

[0040] 图1为一个实施例中台区状态评估方法的应用环境图；

[0041] 图2为一个实施例中台区状态评估方法的流程示意图；

[0042] 图3为一个实施例中台区状态评估方法中台区拓扑结构图；

[0043] 图4为一个实施例中台区状态评估方法的流程示意图；

[0044] 图5为一个实施例中台区状态评估方法装置的结构框图；

[0045] 图6为一个实施例中电子设备的内部结构图；

[0046] 图7为一个实施例中电子设备的内部结构图。

具体实施方式

[0047] 为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

[0048] 本申请提供的台区供电状态评估方法，可以应用于如图1所示的应用环境中。该应用环境可以涉及到电子设备102、隔离开关104、无功补偿装置106、电能表108、变压器110等，电网经由输电线路输出的电压，通过变压器110进行变压，从而可以使得电网电压可以适用于各类用户的需要，其中，在电网运行过程中，可以通过设置隔离开关104、无功补偿装置106等来维持电网的安全稳定运行，可以设置线路监测单元监测电网输电线路端的线路交流模拟量，在用户端设置电能表108，从而对用户的用电情况进行监测，其中，电能表108包括电能表01、电能表02、电能表03等。

[0049] 在其中一个实施例中，电子设备102为集成有监测、计算、以及控制等功能为一体的智能设备，电子设备102可以为设置于本地的个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备，如智能网关，电子设备102也可以为云服务器，服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。

[0050] 在其中一个实施例中，电子设备102通过对获取台区中的各用户终端的有功功率；基于各所述用户终端的有功功率，采用预先训练的台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值；基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，并基于各所述用户终端的用电状态确定所述台区的供电状态。

[0051] 在一个实施例中，如图2所示，提供了一种台区供电状态评估方法，以该方法应用于图1中的电子设备102为例进行说明，包括以下步骤：

[0052] 步骤S202，获取台区中的各用户终端的有功功率。

[0053] 其中，台区是指配电网的供电区域，台区可以分为高压台区、低压台区等，台区中的各用户终端的有功功率是指消耗在各用户的用电设备上的功率。

[0054] 在其中一个实施例中，配电网关可以通过安装于用户终端的电能表，获取台区中各用户终端的有功功率。

[0055] 步骤S204，基于各所述用户终端的有功功率，采用预先训练的台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值。

[0056] 其中，台区节点电压预测模型是预先训练好的模型，在使用时，可以直接运行该台区节点电压预测模型，输入各用户终端的有功功率，即可进行各用户终端的节点电压的预测，预测得到的各用户终端的节点电压值即为各用户终端的实际工作电压值。

[0057] 在其中一个实施例中，将各用户终端的有功功率输入预先训练的台区节点电压预测模型中进行各用户终端的节点电压的预测。

[0058] 步骤S206，基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，并基于各所述用户终端的用电状态确定所述台区的供电状态。

[0059] 其中，当获得各用户终端的节点电压之后，则可以根据各用户终端的节点电压确定各用户终端的用电状态，并根据用户终端的用电状态确定台区的供电状态。

[0060] 在其中一个实施例中，当根据各用户终端的节点电压确定各用户终端中存在用电状态为低压用电状态的用户终端，则可以确定台区的供电状态为低压供电状态。

[0061] 上述台区供电状态评估方法、装置、电子设备和存储介质，通过台区中的各用户终端的有功功率和预先训练的台区节点电压预测模型，预测得到台区中各用户终端的节点电压，从而可以根据台区中各用户终端的节点电压，确定台区中各用户终端的用电状态，并根据各用户终端的用电状态，确定台区的供电状态。从而通过上述方法可以快速高效的确定台区的供电状态。

[0062] 在其中一个实施例中，所述台区节点电压预测模型的训练方式，包括：

[0063] 获取样本数据集，所述样本数据集中的数据包括：所述台区中的各用户终端的样本有功功率和对应的样本节点电压；

[0064] 将所述样本数据集输入至神经网络模型进行模型训练，获得所述台区节点电压预测模型。

[0065] 在其中一个实施例中，样本数据集中的数据包括台区中的各用户终端的样本有功功率和对应的样本节点电压，在获得样本数据集之后，可以将样本数据集输入至神经网络模型进行模型训练，从而通过上述方法可以训练获得台区节点电压预测模型。

[0066] 在其中一个实施例中，图3所示为台区的拓扑结构图，其中，图3中共有19个节点，图3中所示的1、2、3…19分别为节点的标识，节点3、4、5、7、8、10、14、15、16、17、18以及19分别接入有用户终端，用户终端的标识对应为SL3、SL4、SL5、SL7、SL8、SL10、SL14、SL15、SL16、SL17、SL18以及SL19，其中，各用户终端均对应有节点电压。在其中一个实施例中，可以获取过去一段时间(如过去3个月)该台区中各用户终端的有功功率以及对应的样节点电压作为样本数据集。

[0067] 在其中一个实施例中，所述获取样本数据集之后，将所述样本数据集输入至神经网络模型进行模型训练之前，包括：

[0068] 对所述样本数据集中的数据进行归一化处理，得到归一化处理的样本数据集。

[0069] 在其中一个实施例中，在获取样本数据集之后，可以对样本数据集进行数据处理，如，对样本数据集进行归一化处理，从而获得归一化处理后的样本集，其中，归一化处理是指对样本数据集中的数据进行0‑1标准化处理，即将样本数据集中的数据转换为0‑1之间的数据。通过归一化处理可以使得样本数据集中的数据在后续过程中便于计算和评估。

[0070] 在其中一个实施例中，在对样本集进行处理之后，可以将样本数据集按照一定比例划分为训练数据集与测试数据集，例如，可以选择将90％的数据作为训练数据集，选择将10％的数据作为测试数据集。在训练阶段，将训练数据集输入至神经网络模型中进行训练，可以获得台区节点电压预测模型。在测试阶段，将测试数据集输入至台区节点电压预测模型，从而完成对台区节点电压预测模型的评估。从而通过上述方法可以获得台区节点电压预测模型。

[0071] 在其中一个实施例中，所述将所述样本数据集输入至神经网络模型进行模型训练，获得所述台区节点电压预测模型，包括：

[0072] 通过所述神经网络模型获得台区节点电压计算值；

[0073] 基于所述台区节点电压计算值和所述样本节点电压，获得所述台区节点电压计算值和所述样本节点电压的误差值；

[0074] 在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述台区节点电压预测模型。

[0075] 在其中一个实施例中，神经网络模型的结构可以包括：输入层，隐藏层以及输出层，其中，隐藏层可以为单层，也可以为双层，神经网络模型涉及到的参数主要有：学习速率α，隐藏层神经元个数(hidden layer unit)，批处理大小(batch_size)，迭代次数(epoch)，优化器(Optimizer)，激活函数(Activation Function)，损失函数(loss function)，输入序列长度I，输出序列长度O。

[0076] 在其中一个实施例中，神经网络模型的隐藏层为双层，隐藏层的节点数可以根据台区的节点数和台区的用户终端数确定，具体的，首层节点数可以为：

[0077] L1＝sqrt(m+n)+7

[0078] 其中，L1表示首层节点数，m表示台区中的台区用户终端的个数，n表示台区中的节点个数。

[0079] 第二层节点数可以为：

[0080]

[0081] 其中，L2表示第二层节点数。

[0082] 在其中一个实施例中，如图4所示，为一个具体实施例中训练获得台区节点电压预测模型的流程示意图，首先获得样本数据集，样本数据集经过神经网络模型的输入层输入至隐藏层，其中，神经网络模型的学习速率α可以取0.01，隐藏层神经元个数可以设置为30，批处理大小可以取1，迭代次数可以取300，优化器可以为Levenberg‑Marquardt(列文伯格‑马夸尔特法)，隐含层激活函数可以为ReLU(线性整流函数)，输出层激活函数可以采用Sigmoid激活函数，损失函数可以为Binary Cross‑Entropy(二分类交叉熵函数)，输入序列长度可以为13，输出序列长度可以为19。

[0083] 在其中一个实施例中，根据样本数据集中的各用户终端的样本有功功率，可以计算获得台区节点电压计算值，并根据台区节点电压计算值和样本节点电压值，获得台区节点电压计算值和样本节点电压值之间的误差值。

[0084] 当误差值不满足模型训练结束条件时，将误差值经神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得台区节点电压预测模型，其中，模型训练结束条件是指预先设定的可以使模型训练过程结束的条件，模型训练结束条件可以为设定的预期误差范围、设定的迭代次数等，例如，当误差值满足设定的预期误差范围，则达到模型训练条件，则可以获得台区节点电压预测模型，又如，当迭代次数到达设定的次数，则达到模型训练条件，则可以获得台区节点电压预测模型。通过上述方法可以获得台区节点电压预测模型。

[0085] 在其中一个实施例中，所述获取样本数据集之前，包括：

[0086] 获取架空线路模型，所述架空线路模型为用于表示台区节点降落电压与各电路参数之间的预定关系的等效电路模型；

[0087] 基于所述架空线路模型，确定台区节点降落电压与各所述电路参数的预定关系，所述电路参数包括线路长度、线路单位电阻、线路单位电抗、功率因素、额定电压以及线路用户终端有功功率；

[0088] 基于所述预定关系，分析确定各所述电路参数分别对所述台区节点降落电压的影响程度值；

[0089] 基于各所述影响程度值，确定所述样本数据集。

[0090] 在其中一个实施例中，架空线路模型为用于表示台区节点降落电压与各电路参数之间的预定关系的等效电路模型，根据架空线路模型，可以确定台区节点降落电压与各电路参数的预定关系，在获得预定关系之后，可以基于预定关系，分析各电路参数对台区节点降落电压的影响程度值，并根据影响程度值，确定样本数据集。

[0091] 在其中一个实施例中，可以将架空线路模型简化为串联阻抗电路，在本实施例中，由于主要对低压台区展开分析，因此，在基于架空线路模型确定预定关系时，电容损耗、电晕损耗等均可以忽略不计。根据串联阻抗电路，可以确定区节点降落电压与各电路参数的预定关系为：

[0092]

[0093] 其中，ΔU表示台区节点降落电压，P表示线路用户终端有功功率，R0表示线路单位电阻，L表示线路单位长度，X0表示线路单位电抗，U1表示额定电压，表示功率因素。

[0094] 在其中一个实施例中，所述基于所述预定关系，分析确定各所述电路参数分别对所述台区节点降落电压的影响程度值，包括：

[0095] 针对所述电路参数中的任意一个电路参数，分别执行下述过程：

[0096] 在预设的该电路参数范围内，随机增大该电路参数和随机减小该电路参数，获得该电路参数对应的第一电路参数变化值和第二电路参数变化值；

[0097] 将所述该电路参数的第一电路参数变化值和所述其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第一影响值；

[0098] 将所述该电路参数的第二电路参数变化值和所述其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第二影响值；

[0099] 基于所述第一影响值和所述第二影响值，获得该电路参数对所述台区节点电压的影响程度值。

[0100] 其中，预设的该电路参数范围是指预先设定的各电路参数的参数范围，线路用户终端有功功率的参数范围可以根据历史时间段内，实际测得的用户有功功率设定，线路单位阻抗的参数范围可以根据线路的型号设定，线路单位电抗的参数范围可以根据架空线的特性设定，功率因数的参数范围可以根据各用户的用电负荷设定，功率因数值一般较高，且波动较小，其它电路参数设定值是指在符合各电路参数范围的基础上，设定的各电路参数的固定的值，当各电路参数中的任意一个电路参数在预设的该电路参数范围内变化时，其他电压参数设定值保持不变。

[0101] 在其中一个实施例中，可以针对电路参数中的任意一个电路参数，在预设的该电路参数范围内，随机增大该电路参数和随机减小该电路参数，获得该电路参数对应的第一电路参数变化值和第二电路参数变化值，例如，功率因素的参数范围为0.8‑0.98，则可以随机增大和随机减小功率因素的值，只要增大和减小后的功率因素在0.8‑0.98这个范围内即可。在其中一个实施例中，随机增大和减小功率因素值，获得功率因素对应的第一电路参数变化值和第二电路参数变化值，第一电路参数变化值可以对应随机增大后的电路参数值，也可以对应随机减小后的电路参数值，第二电路参数变化值可以对应随机增大后的电路参数值，也可以对应随机减小后的电路参数值。例如，第一电路参数变化值可以为0.98，第二电路参数变化值可以为0.8，将第一参数变化值以及其它电路参数设定值输入至预定关系，获得第一影响值，将第二电路参数变化值以及其它电路参数设定值输入至预定关系，获得第二影响值，根据第一影响值和第二影响值，则可以获得该电路参数对台区节点电压的影响程度值，例如，可以将第一影响值和第二影响值的差值作为影响程度值。从而通过上述方法可以获得样本数据集。

[0102] 在其中一个实施例中，所述基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，包括：

[0103] 获取所述台区中的各用户终端的额定电压；

[0104] 将各所述用户终端的额定电压和各所述用户终端的节点电压进行比较，获得比较结果；

[0105] 当所述比较结果满足预设条件时，确定所述台区中存在低压用户终端。

[0106] 在其中一个实施例中，可以获取台区中的各用户终端的额定电压，并将各用户终端的额定电压和各用户终端的节点电压进行比较，获得比较结果，当比较结果满足预设条件时，则确定台区中存在低压用户终端。

[0107] 在其中一个实施例中，可以计算获得各用户终端的额定电压与各用户终端的节点电压的差值，例如，获得A用户终端的额定电压，计算A用户终端的额定电压与A用户的节点电压的差值，若差值低于预设比例的额定电压，则确定满足预设条件，则可以确定台区中存在低压用户终端。从而通过上述方法可以确定台区中各用户终端的用电状态。

[0108] 应该理解的是，虽然图2、图4的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图2、图4中的至少一部分步骤可以包括多个步骤或者多个阶段，这些步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。

[0109] 在一个实施例中，如图5所示，提供了一种台区供电状态评估装置，包括：有功功率获取模块502、用户终端节点电压预测模块504和台区供电状态预测模块506，其中：

[0110] 有功功率获取模块502，用于获取台区中的各用户终端的有功功率。

[0111] 用户终端节点电压预测模块504，用于基于各所述用户终端的有功功率，采用预先训练的台区节点电压预测模型，预测所述台区中各所述用户终端的节点电压，所述用户终端的节点电压为所述用户终端的实际工作电压值。

[0112] 台区供电状态预测模块506，用于基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，并基于各所述用户终端的用电状态确定所述台区的供电状态。

[0113] 在其中一个实施例中，用户终端节点电压预测模块504包括：

[0114] 台区节点电压预测模型训练模块，用于获取样本数据集，所述样本数据集中的数据包括：所述台区中的各用户终端的样本有功功率和对应的样本节点电压；将所述样本数据集输入至神经网络模型进行模型训练，获得所述台区节点电压预测模型。

[0115] 台区节点电压预测模型训练模块，用于对所述样本数据集中的数据进行归一化处理，得到归一化处理的样本数据集。

[0116] 台区节点电压预测模型训练模块，用于通过所述神经网络模型获得台区节点电压计算值；基于所述台区节点电压计算值和所述样本节点电压，获得所述台区节点电压计算值和所述样本节点电压的误差值；在所述误差值不满足模型训练结束条件时，将所述误差值经所述神经元反向传播，更新权重和偏置，直至达到模型训练结束条件，获得所述台区节点电压预测模型。

[0117] 在其中一个实施例中，所述装置还包括：

[0118] 样本数据集确定模块，用于获取架空线路模型，所述架空线路模型为用于表示台区节点降落电压与各电路参数之间的预定关系的等效电路模型；基于所述架空线路模型，确定台区节点降落电压与各所述电路参数的预定关系，所述电路参数包括线路长度、线路单位电阻、线路单位电抗、功率因素、额定电压以及线路用户终端有功功率；基于所述预定关系，分析确定各所述电路参数分别对所述台区节点降落电压的影响程度值；基于各所述影响程度值，确定所述样本数据集。

[0119] 在其中一个实施例中，样本数据集确定模块，用于针对所述电路参数中的任意一个电路参数，分别执行下述过程：在预设的该电路参数范围内，随机增大该电路参数和随机减小该电路参数，获得该电路参数对应的第一电路参数变化值和第二电路参数变化值；将所述该电路参数的第一电路参数变化值和所述其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第一影响值；将所述该电路参数的第二电路参数变化值和所述其它电路参数设定值输入至所述预定关系，获得该电路参数对所述台区节点电压的第二影响值；基于所述第一影响值和所述第二影响值，获得该电路参数对所述台区节点电压的影响程度值。

[0120] 在其中一个实施例中，台区供电状态预测模块，用于基于各所述用户终端的节点电压，确定所述台区中的各所述用户终端的用电状态，并基于各所述用户终端的用电状态确定所述台区的供电状态。

[0121] 关于台区供电状态评估装置的具体限定可以参见上文中对于台区供电状态评估方法的限定，在此不再赘述。上述台区供电状态评估装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于电子设备中的处理器中，也可以以软件形式存储于电子设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。

[0122] 在一个实施例中，提供了一种电子设备，该电子设备可以是服务器，其内部结构图可以如图6所示。该电子设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的数据库用于存储用户终端的有功功率。该电子设备的网络接口用于与外部的终端通过网络连接通信。
该计算机程序被处理器执行时以实现一种台区供电状态评估方法。

[0123] 在一个实施例中，提供了一种电子设备，该电子设备可以是终端，其内部结构图可以如图7所示。该电子设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中，该电子设备的处理器用于提供计算和控制能力。该电子设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该电子设备的通信接口用于与外部的终端进行有线或无线方式的通信，无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种台区供电状态评估方法。该电子设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该电子设备的输入装置可以是显示屏上覆盖的触摸层，也可以是电子设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。

[0124] 本领域技术人员可以理解，图6、图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的电子设备的限定，具体的电子设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。

[0125] 在一个实施例中，提供了一种电子设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述台区供电状态评估方法的步骤。

[0126] 在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述台区供电状态评估方法的步骤。

[0127] 本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read‑Only Memory，ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory，RAM)或外部高速缓冲存储器。作为说明而非局限，RAM可以是多种形式，比如静态随机存取存储器(Static Random Access Memory，SRAM)或动态随机存取存储器(Dynamic Random Access Memory，DRAM)等。

[0128] 以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

[0129] 以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。