[发明专利]一种确定无源台区线损率的主影响因素的方法及系统

权利要求书

1.一种确定无源台区线损率的主影响因素的方法，其特征在于，所述方法包括：

获取多个台区的原始的台区线损特征数据，并对所述每个原始的台区线损特征数据进行预处理，以获取多个经过处理的台区线损特征数据；

根据台区容量对多个经过处理的台区线损特征数据进行分组，并对每组的经过处理的台区线损特征数据进行聚类处理，确定每个经过处理的台区线损特征数据对应的簇；

采用主成分分析法对经过处理的台区线损特征数据进行降维处理，并根据各成分的贡献率确定至少一个主成分；

确定与每个主成分相关性最强的原始特征为无源台区线损率的主影响因素；

基于每个经过处理的台区线损特征数据对应的簇，确定训练数据集和测试数据集，构建基于台区线损主要影响因素的用于确定无源台区线损率的神经网络初始模型，并根据所述训练数据集和测试数据集对所述用于确定无源台区线损率的神经网络初始模型进行训练和测试，以获取用于确定无源台区线损率的神经网络优化模型，根据神经网络模型计算结果对所确定的无源台区线损率主影响因素进行验证。

2.根据权利要求1所述的方法，其特征在于，所述台区线损特征数据对应的特征类别，包括：台区居民用户比例、功率因数、负载率、三相不平衡度和最大负荷。

3.根据权利要求1所述的方法，其特征在于，所述对所述每个原始的台区线损特征数据进行预处理，以获取多个经过处理的台区线损特征数据，包括：

其中，n为台区总数，z_ij为第i个台区的第j个特征类别对应的经过处理的台区线损特征数据；x_ij为第i个台区的第j个特征类别对应的原始的台区线损特征数据；为第j个特征类别对应的台区线损特征数据的平均值；s_ij为第i个台区的第j个特征类别对应的方差。

4.根据权利要求1所述的方法，其特征在于，利用Mean-shift算法对每组的经过处理的台区线损特征数据进行聚类处理，确定每个经过处理的台区线损特征数据对应的簇。

5.根据权利要求1所述的方法，其特征在于，所述采用主成分分析法对经过处理的台区线损特征数据进行降维处理，并根据各成分的贡献率确定至少一个主成分，包括：

利用如下公式根据经过处理的台区线损特征数据计算相关系数矩阵，包括:

其中，m为原始特征数，R为m行m列的相关系数矩阵，r_ij为矩阵R中第i行，第j列的元素，i＝1,2,…,m，j＝1,2,…,m，Z为台区的特征矩阵；

根据所述相关系数矩阵，利用如下公式计算特征值与特征向量，包括：

|R-λE|＝0，

(R-λ_jE)u_j＝0，

其中，λ为相关系数矩阵R的特征值，E为单位矩阵，λ_j为第j个特征值，u_j为第j个特征值对应的特征向量，j＝1,2,…,m，用于合成变换矩阵；

利用如下公式计算每个成分的信息贡献率b_j，包括：

其中，b_j为第j个成分的信息贡献率，m为原始特征数，λ_j为第j个特征值，j＝1,2,…,m，λ_k为第k个特征值，k＝1,2,…,m；

对所述贡献率进行降序排列，根据降序结果依次进行累加，并选取累计贡献率大于等于预设的累计贡献率阈值时的前预设个数a的成分为主成分；

将主成分对应的前a个特征向量u_j合成变换矩阵U,包括：

U＝[u₁,u₂,…,u_a]^T，

其中，u₁,u₂,…,u_a为前a个特征值对应的特征向量，U为初始台区特征矩阵到主成分特征矩阵的变换矩阵。