基于聚类和卷积神经网络的台区线损预测方法技术

本发明专利技术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

【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软件搭建电网模型，采集台区线损数据；
[0008]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；
[0009]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。
[0010]本专利技术与现有技术相比，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
[0011]图1是本专利技术基于聚类和卷积神经网络的台区线损预测方法的流程图。
[0012]图2是本专利技术基于PSASP搭建的数据采集仿真模型示意图。
[0013]图3是K
‑
means聚类结果图。
[0014]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。
[0015]图5是CNN神经网络测试集样本误差百分比图。
[0016]图6是CNN神经网络测试集样本散点拟合图。
[0017]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。
[0018]图8是PSO
‑
CNN神经网络测试集样本误差百分比图。
[0019]图9是PSO
‑
CNN神经网络测试集样本散点拟合图。
具体实施方式
[0020]近年来，深度学习算法由于其自身超强的特征学习能力开始受到人们的关注。深度学习算法通过建立多层次的智能学习模型和海量的数据训练，可以有效地提取数据的本质特征，分析大数据潜在价值的过程，从而解决复杂抽象的问题。以深度学习为首的机器学习方法的发展为电力系统线损预测提供了一种新的解决思路。
[0021]本专利技术涉及一种基于聚类和卷积神经网络的台区线损预测方法，为了解决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，将卷积神经网络引入台区线损预测应用中，并结合聚类算法提高预测准确度。
[0022]本专利技术基于聚类和卷积神经网络的台区线损预测方法，利用PSASP系统搭建农村电网模型进行数据仿真，采集台区配电变压器容量，有功、无功供电量，24h最大有功、无功，线路长度，供电半径及线损率数据；采用K
‑
means聚类算法
‑
LOF局部离群因子检测法的组合模型对可能存在的线损异常数据进行挖掘，先通过K
‑
means聚类算法将分散的数据聚成k类，利用轮廓稀疏确定最佳k值，再分别计算每类的数据离群因子，将离群因子过大的数据判定为异常数据并剔除；利用粒子群(PSO)算法对卷积神经网络(CNN)进行优化，即在误差反向传播过程中，将经粒子群算法得到的最优解作为权值和阈值输入卷积神经网络中，解决误差梯度下降的问题；采用PSO
‑
CNN神经网络对台区线损进行预测分析。具体包含以下步骤：
[0023]步骤1，采用PSASP软件搭建电网模型，采集台区线损数据；
[0024]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；
[0025]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。
[0026]进一步地，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搭建了一个简化的低压农村配电网，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。
[0027]进一步地，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：
[0028]所述的K
‑
means聚类算法
‑
LOF局部离群因子检测法的组合模型，该模型主要先通过K
‑
means聚类算法将离散的数据聚成相似度较高的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，将离群因子过大的数据判定为异常数据并做剔除处理。具体流程为：
[0029](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；
[0030](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，将样本集中本文档来自技高网...

【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...

【专利技术属性】
技术研发人员：王宝华，毕键爽，许佳乐，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：