[发明专利]一种低压台区KFCM-SVR合理线损预测方法

说明书

技术领域

本发明涉及一种低压台区KFCM-SVR合理线损预测方法，属于电力系统自动化技术领域。

背景技术

线损是电力输送与分配过程中产生的能量损耗，包括统计线损，理论线损，管理线损等多个种类。电力部门在实际的生产应用中，以供电量与售电量的差值作为统计线损，即实际线损，以统计线损占供电量的比重作为线损率。线损率是电力部门重要的综合经济指标，反映了电网规划建设、技术装备以及管理运行的综合水平。许多研究成果都从理论与实践角度分析了线损产生原因与影响因素。随着智能电网的快速发展以及电网规模的不断扩大，理论线损的精确计算显得越来越重要。精确而高效的理论线损计算能够显著提升电网的技术管理水平，创造巨大的经济效益。

传统上对于理论线损的计算主要包括潮流计算方法，负荷曲线法、节点电压法等。随着电网运行的实时化、数字化、智能化发展，对理论线损计算的精确度与计算效率的要求越来越高。然而，由于理论线损的数学模型复杂，影响因素众多，传统计算方法难以全面反映当前的线损状况。近年来，人工智能算法以其优越的性能，正逐步应用于理论线损的计算中。神经网络、支持向量机及其改进算法、多灰色预测组合模型、以及直接神经动态规划的电网状态估计模型等，开始应用于进行理论线损计算，这些在一定程度上代表了理论线损计算的水平。

传统的理论线损计算中考虑的因素主要包括有功供电量，无功供电量，配电变压器总容量、线路总长度这几项影响因素，对于低压台区自身的属性特征较少涉及，同时在计算过程中线路长度、供电半径等数据难以直接得到，这些都直接影响了线损预测的工程化应用步伐。当前，电网智能化水平不断提高，智能电表以及用电信息采集系统建设工作也在快速推进，这些措施都极大提高了低压台区线损管理的实时性与准确性。江苏省电力公司从2013年开始基于用电信息采集数据进行低压台区线损管理，实现了对低压台区基本信息的记录与线损数据的实时采集，积累了大量的原始数据。利用大数据挖掘手段，全方位多角度对台区线损的影响因素进行分析，考虑多种特征因素构建合理的线损数学模型已成为可能。利用配电监控和数据采集系统(DSCADA)计算线损率，并与设定置信阈值对比以确定线损是否合适是较为常用的方法。

目前，线损管理的现状是理论线损预测精度不高，而大量与线损有关的监测数据没有得到充分的挖掘与分析。因此，发明一种基于用采数据，针对低压台区管理，基于数据挖掘算法的线损预测方法成为亟需解决的问题。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于用采数据的低压台区KFCM-SVR合理线损预测方法，充分利用现有的用户信息采集系统中与线损相关的监测数据，对其进行深入的挖掘，考察数据样本与实际线损间的关联；建立有效的数据回归模型，并用回归模型对实际的每个台区的线损状况进行预测分析；考察台区的实际线损与预测得到的合理线损间的差值，以此判定线损是否在合理区间内，为线损管理提供可靠的科学依据，为营销管理的精益化打下良好的基础。

为了实现上述目标，本发明采用如下的技术方案：

一种低压台区KFCM-SVR合理线损预测方法，其特征是，包括以下步骤：

1)数据准备：从用电信息采集系统的Oracle数据库中以月为单位提取当月的相关建模数据，用于当月线损率的预测与评估；

2)数据筛选：将数据变化较大或数据异常的台区去除，留下数据较为稳定的样本数据作为建模的数据来源，筛选后台区作为稳定台区；

3)初次分类：按照城网与农网将数据分为两类，再按照居民容量占比将两类数据分别分为居民类、非居民类和混合类，得到6大类数据，其中，居民类容量占比≥0.9，非居民类容量占比≤0.1，混合类容量占比为(0.1,0.9)；

4)数据标准化：采用Z-score方法进行数据标准化，其公式如下：对于数据样本集X＝[x₁,x₂,…,x_i]，为标准化后数据，x_i为标准化前数据，为x_i的均值，σ_i为x_i的方差；

5)数据聚类：选取参数，设定聚类数，采用KFCM算法对每一小类的标准化数据进行聚类，计算隶属度矩阵，按照隶属度将数据归为若干小类；

6)最优聚类选取：针对每一个聚类类别计算轮廓系数，选取轮廓系数最大值所对应的聚类数作为最优聚类数，输出最优聚类结果以及聚类中心值；