一种基于支持向量机的台区线损预测方法技术

本发明专利技术涉及一种基于支持向量机的台区线损预测方法，包括以下步骤：步骤1、根据现有的线损率数据确定可能影响线损的指标，并确定支持向量机所需的训练集和测试集；步骤2、基于步骤1得到的训练集数据，构建台区线损预测模型，并对其进行训练，得到训练好的台区线损预测模型；步骤3、基于步骤2训练好的台区线损预测模型，得到台区线损的预测结果。本发明专利技术能够解决传统方法存在的计算量大、泛化性差的技术问题。题。题。

【技术实现步骤摘要】
一种基于支持向量机的台区线损预测方法


[0001]本专利技术属于台区线损预测
，涉及一种台区线损预测方法，尤其是一种基于支持向量机的台区线损预测方法。

技术介绍

[0002]传统的台区线损计算方法主要采用电力网潮流计算和台区低压侧负荷电量的计算方法。电力潮流计算主要通过构建模型预测台区线损，而台区低压侧负荷电量以用户侧电能表统计损耗电量来计算理论线损。这些计算方法虽然得到了较好的预测效果，但是也存在计算任务繁重、过分依赖线路结构致使其泛化性能差等弊端。
[0003]经检索，未发现与本专利技术相同或相似的现有技术的专利文献。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提出一种基于支持向量机的台区线损预测方法，能够解决传统方法存在的计算量大、泛化性差的技术问题。
[0005]本专利技术解决其现实问题是采取以下技术方案实现的：
[0006]一种基于支持向量机的台区线损预测方法，包括以下步骤：
[0007]步骤1、根据现有的线损率数据确定可能影响线损的指标，并确定支持向量机所需的训练集和测试集；
[0008]步骤2、基于步骤1得到的训练集数据，构建台区线损预测模型，并对其进行训练，得到训练好的台区线损预测模型；
[0009]步骤3、基于步骤2训练好的台区线损预测模型，得到台区线损的预测结果。
[0010]而且，所述步骤1的具体步骤包括：
[0011](1)分析台区历史线损率，根据线损率的变化情况得到对线损率影响最大的9个指标，分别为：配电变压器更换数量、漏抄电表总电量、错抄电表总电量、用户窃电量、追补电量、临时用电量、表计故障数、三相不平衡变压器数和无功功率异常线路数；
[0012](2)利用某几个台区2021年1月到12月的指标数据共681条，加入台区线损情况，合格/异常，作为SVM分类的标签，并按照7:3的比例划分训练集和测试集，划分完成后训练集有477条样本数据，测试集有204条样本数据。
[0013]而且，所述步骤2的具体步骤包括：
[0014](1)引入高斯核函数K(x,z)＝exp(
‑
γ||x
‑
z||2)，使非线性支持向量机在包含9个指标的高维空间线性可分；
[0015](2)最终得到训练好的台区线损预测模型表达式为：
[0016][0017]其中x
i
为输入空间，即确定的9个指标的对应值；y
i
的取值为台区线损情况(合格/异常)，用于将样本点进行分类；sign(x)是符号函数，取值为+1或
‑
1，对应当前数据的预测
结果合格或异常；α代表拉格朗日乘子；b
*
代表软间隔最大分离超平面的截距。
[0018]而且，所述步骤3的具体步骤包括：
[0019](1)将测试集包含9个指标和1个分类标签的204条数据输入训练模型进行预测，得出预测结果为合格/异常。
[0020](2)将模型的预测结果和实际结果进行比对，得到模型在测试集上的分类准确率，用于评估模型的泛化能力。
[0021]本专利技术的优点和有益效果：
[0022]1、本专利技术采用支持向量机对台区线损情况进行预测，软间隔最大化SVM的特点使训练结果不易出现“过拟合”，得到的预测结果更加可靠、泛化能力更强，可根据预测结果对可能存在负损和高损的台区有针对的采取相关措施。
[0023]2、本专利技术采用引入核函数的支持向量机进行模型训练，将低维空间中线性不可分的数据映射到高维空间使其线性可分，避免了因输入空间参数过多引起的维度爆炸问题。相比传统方法，同样处理高维度数据，SVM更具优势。
附图说明
[0024]图1为本专利技术的线损数据的分维可视化图；
[0025]图2为本专利技术的参数选择的等高线图；
[0026]图3为本专利技术的参数选择的3D视图；
[0027]图4为本专利技术的测试集预测结果和实际结果图。
具体实施方式
[0028]以下结合附图对本专利技术实施例作进一步详述：
[0029]一种基于支持向量机的台区线损预测方法，包括以下步骤：
[0030]步骤1、根据现有的线损率数据确定可能影响线损的指标，并确定支持向量机所需的训练集和测试集；
[0031]所述步骤1的具体步骤包括：
[0032](1)分析台区历史线损率，根据线损率的变化情况得到对线损率影响最大的9个指标，分别为：配电变压器更换数量、漏抄电表总电量、错抄电表总电量、用户窃电量、追补电量、临时用电量、表计故障数、三相不平衡变压器数和无功功率异常线路数；
[0033](2)利用某几个台区2021年1月到12月的指标数据共681条，加入台区线损情况(合格/异常，作为SVM分类的标签)，并按照7:3的比例划分训练集和测试集，划分完成后训练集有477条样本数据，测试集有204条样本数据。
[0034]步骤2、基于步骤1得到的训练集数据，构建台区线损预测模型，并对其进行训练，得到训练好的台区线损预测模型；
[0035]所述步骤2的具体步骤包括：
[0036](1)引入高斯核函数K(x,z)＝exp(
‑
γ||x
‑
z||2)，使非线性支持向量机在包含9个指标的高维空间线性可分；
[0037](2)最终得到训练好的台区线损预测模型表达式为：
[0038][0039]其中x
i
为输入空间，即确定的9个指标的对应值；y
i
的取值为台区线损情况(合格/异常)，用于将样本点进行分类；sign(x)是符号函数，取值为+1或
‑
1，对应当前数据的预测结果合格或异常；α代表拉格朗日乘子；b
*
代表软间隔最大分离超平面的截距。
[0040]支持向量机的目的是求解最佳的核函数参数γ和软间隔最大化引入的惩罚参数c，使模型性能达到最好。
[0041]步骤3、基于步骤2训练好的台区线损预测模型，得到台区线损的预测结果；
[0042]所述步骤3的具体步骤包括：
[0043](1)将测试集包含9个指标和1个分类标签的204条数据输入训练模型进行预测，得出预测结果为合格/异常。
[0044](2)将模型的预测结果和实际结果进行比对，得到模型在测试集上的分类准确率，用于评估模型的泛化能力。
[0045]图1为全部样本线损数据的分维可视化图。如图1所示，给出了样本数据类别标签的分布情况和每个指标属性值的分布情况。
[0046]首先需要根据文献调研和对历史数据进行分析，在企业相关领域的专家的指导下，得到对线损率影响最大的9个指标，分别为：配电变压器更换数量、漏抄电表总电量、错抄电表总电量、用户窃电量、追补电量、临时用电量、表计故障数、三相不平衡变压器数和无功功率异常线路数；
[0047]由于支持向量机是典型的本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于支持向量机的台区线损预测方法，其特征在于：包括以下步骤：步骤1、根据现有的线损率数据确定可能影响线损的指标，并确定支持向量机所需的训练集和测试集；步骤2、基于步骤1得到的训练集数据，构建台区线损预测模型，并对其进行训练，得到训练好的台区线损预测模型；步骤3、基于步骤2训练好的台区线损预测模型，得到台区线损的预测结果。2.根据权利要求1所述的一种基于支持向量机的台区线损预测方法，其特征在于：所述步骤1的具体步骤包括：(1)分析台区历史线损率，根据线损率的变化情况得到对线损率影响最大的9个指标，分别为：配电变压器更换数量、漏抄电表总电量、错抄电表总电量、用户窃电量、追补电量、临时用电量、表计故障数、三相不平衡变压器数和无功功率异常线路数；(2)利用某几个台区2021年1月到12月的指标数据共681条，加入台区线损情况，作为SVM分类的标签，并按照7:3的比例划分训练集和测试集，划分完成后训练集有477条样本数据，测试集有204条样本数据。3.根据权利要求1所述的一种基于支持向量机的台区线损预测方法，其特...

【专利技术属性】
技术研发人员：董海斌，范祺红，赵欣，焦秋良，赵洪峰，李思岑，尹健，袁文强，雷霆震，印月，安然，卢道明，陈昂，匙泽铭，周琳洁，赵松贺，李金泽，刘晋琦，刘旭，
申请(专利权)人：国家电网有限公司国网天津市电力公司城南供电分公司，
类型：发明
国别省市：