[发明专利]对低压台区线损率的预测方法

说明书

本申请提出了对低压台区线损率的预测方法，包括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。通过基于K‑Means聚类和深度学习理论的卷积神经网络建立低压台区线损率的预测模型，既考虑了合计供电量、台区容量、总用户等特征数据与当前线损率之间的关系，又使用了上月线损率、同期线损率、同期累计线损率等历史线损数据来提高预测的准确性。

技术领域

本发明属于数据处理领域，尤其涉及对低压台区线损率的预测方法。

背景技术

线损率是电网企业日常管理工作中所关注的重要内容，在发电、输电、配电、和用电等环节均会带来线损，所以线损率是电力系统中重要的经济指标。目前对线损的预测方法包括了支持向量机、随机森林、神经网络等及其改进的算法，但由于低压台区数量众多、分支线路复杂、缺乏技术手段，上述算法不能很好的实现线损率的快速准确预测。

发明内容

为了解决现有技术中存在的缺点和不足，本发明提出了对低压台区线损率的预测方法，基于K-Means聚类和深度学习理论的卷积神经网络建立低压台区线损率的预测模型，由于增加了上月线损率、同期线损率、同期累计线损率等历史线损数据，因此可以提高预测的准确性。

具体的，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。

可选的，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；(注:T_PPQ是合计供电量、L_LLR是线损率、L_LM_LLR是上月线损率、L_PERIOD_LLR是同期线损率、ACCU_PERIOD_LLR是同期累计线损率、TG_CAP是台区容量、TOTAL_USER_NUM是总户数，下面均用字母表示)；

从上一步的处理结果中剔除异常的线损数据如：T_PPQ<100、TOTAL_USER_NUM＝0、L_PERIOD_LLR＝0、L_LM_LLR＝0、ACCU_PERIOD_LLR＝0，并把剔除后的数据整理在一张表中保存。

可选的，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；

可选的，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：