【技术实现步骤摘要】
基于聚类和卷积神经网络的台区线损预测方法
[0001]本专利技术涉及电力系统的线损预测
,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。
技术介绍
[0002]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。
[0003]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。
[0004]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。
技术实现思路
[0005]本专利技术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。
[0006]实现本专利技术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:
[0007]步骤1,采用PSASP ...
【技术保护点】
【技术特征摘要】
1.一种基于聚类和卷积神经网络的台区线损预测方法,其特征在于,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。2.根据权利要求1所述的基于聚类和卷积神经网络的台区线损预测方法,其特征在于,步骤1中采用PSASP软件搭建电网模型,采集台区线损数据,具体如下:采用PSASP搭建一个低压农村配电网,10kV母线下共设置10台10/0.4kV变压器,即10个台区,其中有3个台区下引出2条主要线路接居民用电负荷,4个台区下引出3条主要线路接居民用电负荷,3个台区下引出4条主要线路接居民用电负荷,通过设置不同的参数模拟10个台区运行规律,以采集多组数据。3.根据权利要求1所述的基于聚类和卷积神经网络的台区线损预测方法,其特征在于,步骤2所述采用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,具体如下:所述K
‑
means聚类算法
‑
LOF局部离群因子检测法的组合模型,先通过K
‑
means聚类算法将离散的数据聚成k类,以轮廓系数的大小判定最佳k值;数据聚成k类后,再分别对每类内数据计算离群因子LOF大小,将离群因子大于阈值的数据判定为异常数据并做剔除处理,具体流程为:(1.1)将PSASP仿真得到的数据集随机选取k个点作为初始的聚类中心;(1.2)根据式(1)分别计算每一个点到各个聚类中心点的欧式距离,将样本集中点分配到距离最小的类中;式中,EUCLID表示欧式距离,x
i
是样本x的第i个变量值,y
i
是类质心y的第i个变量值;(1.3)所有的样本数据分配完成后,假设数据集聚为k类,k个聚类中心点即均值代表点分别为m1,m2,...,m
k
,则根据式(2)计算该类的误差平方和,判断是否收敛:其中,E是数据集中所有对象的平方误差和,x代表样本空间的一个点,表示给定对象;m
i
是类C
i
的均值;(1.4)更新聚类中心,重复步骤(1.2)~(1.3)直至收敛,输出聚类结果;(1.5)采用轮廓系数s来判断聚类效果,s值越大,表明聚类效果越好;设聚类中第i个元素的轮廓系数为s(i),用所有元素的轮廓系数的平均值来表示该聚类的轮廓系数s,其中一个元素的轮廓系数s(i)计算如式(3):式中,a(i)表示第i个元素与自身同一类内其他所有元素的平均距离;b(i)表示第i个元素与自身所有不同类内所有点的最小平均距离;
(1.6)采用局部离群因子检测法判断元素的离群程度,筛选异常数据;将对象i的k距离记作k
‑
distance(i),与对象i之间距离小于或等于k
‑
distance(i)的对象集合称为对象i的第k距离域,记作Nk(i);在样本空间内,若存在对象o,则reachdi...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。