[发明专利]基于聚类和卷积神经网络的台区线损预测方法

说明书

本发明公开了一种基于聚类和卷积神经网络的台区线损预测方法，该方法步骤如下：首先采用PSASP软件搭建电网模型，采集台区线损数据；其次采用K‑means聚类算法‑LOF局部离群因子检测法的组合模型对线损异常数据进行判定和剔除；最后采用粒子群算法对卷积神经网络进行优化，得到PSO‑CNN神经网络，利用PSO‑CNN神经网络对台区线损进行预测分析。本发明将卷积神经网络引入台区线损预测应用中，并结合聚类算法，使线损预测在速度和准确率方面均得到显著提升，有较高的实际应用价值。

技术领域

本发明涉及电力系统的线损预测技术领域，特别是一种基于聚类和卷积神经网络的台区线损预测方法。

背景技术

线损一直是电力企业的一项重要考核指标，线损异常分析与线损准确预测对于制定电网发展规划的制定、降损措施的实施具有指导意义。开展线损预测研究工作有利于规范抄核收行为，开展反窃电工作；提升企业管理水平，提高经济效益；规化电网，建设节约型社会。

但由于配电网网架结构庞大，线路分支较多，元件复杂繁多，传统的线损计算统计方法工程量大且效率低，而且在进行传统潮流计算时还会出现数据缺失或错误的情况，致使线损计算结果不准确。随着智能电网的建设和发展，电力数据逐渐呈现大容量、多样性与高维数的特点，将线损预测研究与大数据技术结合可以很好的弥补传统方法的不足。

在线损预测方面，已经有很多学者尝试应用大数据技术，基于传统神经网络、循环神经网络、模糊识别算法等方法均在不断地完善。但浅层学习方法对高维数据处理能力有限，拟合能力很差，难以有效地解决复杂的非线性回归问题，泛化能力有限。此外，传统线损预测方法在实际应用中存在的计算量大、效率低的问题。

发明内容

本发明的目的在于提供一种准确度高、可以处理海量数据的基于聚类和卷积神经网络的台区线损预测方法。

实现本发明目的的技术解决方案为：一种基于聚类和卷积神经网络的台区线损预测方法，步骤如下：

步骤1，采用PSASP软件搭建电网模型，采集台区线损数据；

步骤2，采用K-means聚类算法-LOF局部离群因子检测法的组合模型对线损异常数据进行判定和剔除；

步骤3，采用粒子群算法对卷积神经网络进行优化，得到PSO-CNN神经网络，利用PSO-CNN神经网络对台区线损进行预测分析。

本发明与现有技术相比，其显著优点为：(1)采用了K-means-LOF算法对异常线损数据进行判定和剔除，排除了异常数据对模型训练的影响，大大提高了神经网络模型拟合的精度；(2)采用经PSO算法对卷积神经网络进行优化，有效地解决了CNN神经网络训练时，在误差反向传播调整连接权值的过程中，会出现梯度下降甚至停滞，影响网络的收敛速度的问题；(3)采用PSO-CNN神经网络对台区线损进行预测分析，可以弥补在电网企业运营过程中，面对海量数据集时，传统的线损预测方法工程量大、效率低，且数据缺失或错误造成计算结果不准确的缺陷。

附图说明

图1是本发明基于聚类和卷积神经网络的台区线损预测方法的流程图。

图2是本发明基于PSASP搭建的数据采集仿真模型示意图。

图3是K-means聚类结果图。

图4是CNN神经网络测试集样本真实值与预测值对比结果图。

图5是CNN神经网络测试集样本误差百分比图。

图6是CNN神经网络测试集样本散点拟合图。

图7是PSO-CNN神经网络测试集样本真实值与预测值对比结果图。

图8是PSO-CNN神经网络测试集样本误差百分比图。