【技术实现步骤摘要】
本专利技术涉及数据处理的，尤其是涉及一种低压配电网线损的分析方法、装置、电子设备和存储介质。
技术介绍
1、对于电网来说，总供电量来自于发电厂的电量供应数据，而总售电量则来自于电力用户的电量。由于线路输送和线路分配等，会在配电过程中产生损耗，以及供电方和售电方计量电能表的差异，因此会出现线路损耗。该损耗可以表示为δa＝ag-as，其中，ag为发电厂的供电量，as为电力企业的售电量，δa为该线路的统计线损。线损率可以表示为：
2、
3、目前，配电网线损的计算方法主要为等值电阻法，该方法需要建立准确的等值电阻模型，过程复杂，只有在等值电阻模型准确的前提下，得到的线损计算结果才会准确，另外，等值电阻法在应用时，需要众多的电气特征量，且计算过程复杂。由于配电网线损的特征量较少，尤其在配电网运行信息不全的条件下，配电网线损的电气特征量会更少，较少的电气特征量会造成线损计算结果精度较差。
4、综上，如何在电气特征量较少的情况下，提高线损计算结果的精度和效率成为目前亟需解决的技术问题。
技术实现思路
1、有鉴于此，本专利技术的目的在于提供一种低压配电网线损的分析方法、装置、电子设备和存储介质，以缓解现有技术在电气特征量较少的情况下，线损计算结果的精度差，且计算效率低的技术问题。
2、第一方面，本专利技术实施例提供了一种低压配电网线损的分析方法，包括：
3、采用改进的knn算法对采集的数据样本的各特征量进行正常数据样本和异常数据样本分类，
4、采用相关性分析算法计算所述正常数据样本集中的正常数据样本的各特征之间的相关性系数，并根据所述相关性系数在各所述特征中确定与所述异常数据样本的异常特征具有强相关性的目标特征；
5、采用熵权法计算所述正常数据样本中目标特征的熵，并根据所述目标特征的熵计算各所述目标特征的权重；
6、基于所述目标特征和各所述目标特征的权重计算所述异常数据样本的异常特征的特征量修正值，并采用所述特征量修正值对所述异常数据样本的异常特征进行修正，得到修正后的数据样本；
7、采用所述正常数据样本集和所述修正后的数据样本对最小二乘支持向量机模型进行训练，得到线损分析模型。
8、进一步的，采用改进的knn算法对采集的数据样本的各特征量进行正常数据样本和异常数据样本分类，包括：
9、将所述数据样本均分为预设数量个子数据样本集；
10、遍历每一个所述子数据样本集作为验证集，其余所述子数据样本集作为训练集；
11、将所述验证集中的数据样本放入对应的训练集中，计算所述验证集中的数据样本与所述训练集中的k个数据样本的加权距离，并根据计算得到的加权距离确定对应的最优k值，进而得到预设数量个最优k值；
12、根据预设数量个所述最优k值确定目标最优k值；
13、采用带有所述目标最优k值的knn算法对采集的数据样本的各特征量进行正常数据样本和异常数据样本分类，得到正常数据样本集和异常数据样本。
14、进一步的，采用相关性分析算法计算所述正常数据样本集中的正常数据样本的各特征之间的相关性系数，包括：
15、根据相关系数计算算式计算所述正常数据样本的各所述特征之间的相关性系数，其中，表示所述正常数据样本中x1特征和x2特征之间的相关性系数，cov(x1，x2)表示所述正常数据样本中x1特征和x2特征之间的协方差，表示所述正常数据样本中x1特征的标准差，表示所述正常数据样本中x2特征的标准差。
16、进一步的，根据所述相关性系数在各所述特征中确定与所述异常数据样本的异常特征具有强相关性的目标特征，包括：
17、在所述相关性系数中确定所述异常特征与其它各所述特征之间的初始相关性系数；
18、在所述初始相关性系数中确定目标相关性系数，其中，所述目标相关性系数为所述初始相关性系数中大于预设相关性系数阈值的初始相关性系数；
19、根据所述目标相关性系数对应的特征确定与所述异常特征具有强相关性的目标特征。
20、进一步的，采用熵权法计算所述正常数据样本中目标特征的熵，包括：
21、采用熵的计算算式计算所述目标特征的熵，其中，ej表示第j个目标特征的熵，pij表示第j个目标特征下第i个正常数据样本占第j个目标特征的比重，m表示所述目标特征的数量，i表示所述正常数据样本的序号，j表示所述目标特征的序号。
22、进一步的，根据所述目标特征的熵计算各所述目标特征的权重，包括：
23、根据权重计算算式计算各所述目标特征的权重，其中，wj表示第j个目标特征的权重，ej表示第j个目标特征的熵，j表示所述目标特征的序号，m表示所述目标特征的数量。
24、进一步的，基于所述目标特征和各所述目标特征的权重计算所述异常数据样本的异常特征的特征量修正值，包括：
25、将所述异常数据样本中目标特征的特征量和各所述目标特征的权重进行加权计算，进而得到所述异常数据样本的异常特征的特征量修正值。
26、第二方面，本专利技术实施例还提供了一种低压配电网线损的分析装置，包括：
27、分类单元，用于采用改进的knn算法对采集的数据样本的各特征量进行正常数据样本和异常数据样本分类，得到正常数据样本集和异常数据样本，其中，所述数据样本包括：线损真值、与所述线损真值对应的线损相关的各特征量；
28、相关性确定单元，用于采用相关性分析算法计算所述正常数据样本集中的正常数据样本的各特征之间的相关性系数，并根据所述相关性系数在各所述特征中确定与所述异常数据样本的异常特征具有强相关性的目标特征；
29、权重计算单元，用于采用熵权法计算所述正常数据样本中目标特征的熵，并根据所述目标特征的熵计算各所述目标特征的权重；
30、修正值计算单元，用于基于所述目标特征和各所述目标特征的权重计算所述异常数据样本的异常特征的特征量修正值，并采用所述特征量修正值对所述异常数据样本的异常特征进行修正，得到修正后的数据样本；
31、训练单元，用于采用所述正常数据样本集和所述修正后的数据样本对最小二乘支持向量机模型进行训练，得到线损分析模型。
32、第三方面，本专利技术实施例还提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述第一方面任一项所述的方法的步骤。
33、第四方面，本专利技术实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述第一方面任一项所述的方法。
34、在本专利技术实施例中，提供了一种低压配电网线损的分析方法，包括：采本文档来自技高网...
【技术保护点】
1.一种低压配电网线损的分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用改进的KNN算法对采集的数据样本的各特征量进行正常数据样本和异常数据样本分类，包括：
3.根据权利要求1所述的方法，其特征在于，采用相关性分析算法计算所述正常数据样本集中的正常数据样本的各特征之间的相关性系数，包括：
4.根据权利要求1所述的方法，其特征在于，根据所述相关性系数在各所述特征中确定与所述异常数据样本的异常特征具有强相关性的目标特征，包括：
5.根据权利要求1所述的方法，其特征在于，采用熵权法计算所述正常数据样本中目标特征的熵，包括：
6.根据权利要求5所述的方法，其特征在于，根据所述目标特征的熵计算各所述目标特征的权重，包括：
7.根据权利要求1所述的方法，其特征在于，基于所述目标特征和各所述目标特征的权重计算所述异常数据样本的异常特征的特征量修正值，包括：
8.一种低压配电网线损的分析装置，其特征在于，包括：
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在
10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有机器可运行指令，所述机器可运行指令在被处理器调用和运行时，所述机器可运行指令促使所述处理器运行上述权利要求1至7中任一项所述的方法。
...【技术特征摘要】
1.一种低压配电网线损的分析方法，其特征在于，包括：
2.根据权利要求1所述的方法，其特征在于，采用改进的knn算法对采集的数据样本的各特征量进行正常数据样本和异常数据样本分类，包括：
3.根据权利要求1所述的方法，其特征在于，采用相关性分析算法计算所述正常数据样本集中的正常数据样本的各特征之间的相关性系数，包括：
4.根据权利要求1所述的方法，其特征在于，根据所述相关性系数在各所述特征中确定与所述异常数据样本的异常特征具有强相关性的目标特征，包括：
5.根据权利要求1所述的方法，其特征在于，采用熵权法计算所述正常数据样本中目标特征的熵，包括：
6.根据权利要求5所述的方法，其特征在于，根据所述目标...
【专利技术属性】
技术研发人员：李祥珍，刘志斌，
申请(专利权)人：上海欣影电力科技股份有限公司，
类型：发明
国别省市：
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。