对低压台区线损率的预测方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN110110887A(43)申请公布日2019.08.09(21)申请号201910223787.0G06K9/62(2006.01)(22)申请日2019.03.22G06N3/04(2006.01)G06N3/08(2006.01)(71)申请人国网浙江省电力有限公司信息通信分公司地址310007浙江省杭州市黄龙路8号申请人杭州电子科技大学(72)发明人陈逍潇方舟程清季超牟黎龚小刚黄宇腾张景明沈志豪夏鹏飞周后盘贾林(74)专利代理机构杭州华鼎知识产权代理事务所(普通合伙)33217代理人项军(51)Int.Cl.G06Q10/04(2012.01)G06Q50/06(2012.01)权利要求书2页说明书6页附图4页(54)发明名称对低压台区线损率的预测方法(57)摘要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。CN110110887ACN110110887A权利要求书1/2页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2CN110110887A权利要求书2/2页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