[发明专利]对低压台区线损率的预测方法

权利要求书

1.对低压台区线损率的预测方法，其特征在于，所述预测方法包括：

从数据库中获取低压台区线损数据，将获得的数据进行数据清洗，剔除其中异常线损数据；

将清洗过的数据按特征进行K-Means聚类，计算各个K值对应的轮廓系数，并选择轮廓系数最接近1的聚类数为最优聚类数；

归一化或标准化聚类后的特征数据，基于处理后的数据确定训练集和测试集；

构建卷积神经网络模型，利用得到数据矩阵对模型进行训练，使用训练好的模型对数据进行预测。

2.根据权利要求1所述的对低压台区线损率的预测方法，其特征在于，所述从数据库中获取低压台区线损数据，将获得的数据进行数据清洗，剔除其中异常线损数据，包括：

根据编写的SQL脚本语句从数据库中获取低压台区的线损数据；

取出的数据包含很多无用属性、空属性如部门编号等，对这些属性进行删除，保留T_PPQ、L_LLR、L_LM_LLR、L_PERIOD_LLR、ACCU_PERIOD_LLR、TG_CAP、TOTAL_USER_NUM等有用属性；

从上一步的处理结果中剔除异常的线损数据，并把剔除后的数据整理在一张表中保存。

3.根据权利要求1所述的对低压台区线损率的预测方法，其特征在于，将清洗过的数据按特征进行K-Means聚类，计算各个K值对应的轮廓系数，并选择轮廓系数最接近1的聚类数为最优聚类数包括：

从上一步的处理结果中取出T_PPQ、TOTAL_USER_NUM两个特征值，对所有台区进行K-Means聚类，计算各个K值对应的轮廓系数，并选择轮廓系数最接近1的聚类数为最优聚类数。

4.根据权利要求1所述的对低压台区线损率的预测方法，其特征在于，所述归一化或标准化聚类后的特征数据，基于处理后的数据确定训练集和测试集，包括：

将台区聚类为K个类别，则根据K个类别需要建立K个预测模型，在每个预测模型中选取L_LM_LLR、L_PERIOD_LLR、ACCU_PERIOD_LLR、TG_CAP作为为特征输入值，在输入前进行标准化处理，K的取值为正整数；

在每个预测模型中选取L_LLR作为为标签值，根据某市电网线损参考数据可将线损率分为四类：合格线损率、欠合格线损率、不合格线损率、异常线损率，在输入前进行One-Hot编码处理；

将特征值和标签值一起分为训练集和测试集，且拆分比例为四分之三和四分之一。

5.根据权利要求1所述的对低压台区线损率的预测方法，其特征在于，所述构建卷积神经网络模型，利用得到数据矩阵对模型进行训练，使用训练好的模型对数据进行预测，包括：

将卷积神经网络的第一层的Filter设置为32个，第二层的Filter设置为64个，两层卷积核大小都设置为1×1大小，在两层卷积后分别加入池化层，池化层采用最大池化，大小为1×1，最后添加一层Dropout，Drop比率设置为0.2，对边界进行补零即设置padding参数为same；

全连接层采用1层结构，输出层神经元个数2×2×64个，再加一层softmax层使神经网络输出变成一个概率分布，经softmax回归处理之后的输出为：

其中y₁,y₂,…,y_n是原始神经网络的输出，y′_i是输出的概率分布；

损失函数采用的是交叉熵损失函数，给定两个概率分布p和q，通过q来表示p的交叉熵为：

激活函数选取Relu函数：F(x)＝max(0,x)，其中x是各神经元节点的加权和，优化器选择为自适应学习优化算法，通过反向传播逐步进行梯度下降直至收敛；

训练模型并保存模型，将0类的6294条训练数据和1类的8009条训练数据分别送入两个模型进行训练；

前向计算每个神经元输出值，反向计算每个神经元的误差项，根据相应误差项，计算每个权重的梯度，对模型参数进行优化。