[发明专利]一种结合主元分析与神经网络的台区合理线损预测方法

权利要求书

1.一种结合主元分析与神经网络的台区合理线损预测方法，其特征在于：包括以下步骤，

步骤一，提取台区线损的特征数据；

所述特征数据包括总用户数、居民户数、非居民户数、居民容量、非居民容量、变压器容量、居民容量占比、居民户均容量、日均供电量以及日均线损率；

其中，日均供电量＝当月总供电量/当月数据采集有效天数；日均线损率＝每日线损率总和/当月数据采集有效天数；

步骤二，对特征数据进行筛选和清洗，获得线损稳定台区的特征数据，并将该特征数据作为建模的样本空间；

所述线损稳定台区指用电信息采集系统在线计算的台区日和月线损率数值稳定，能真实反应当前实际线损情况的台区；

步骤三，进行第一次预分类；

将样本空间中的特征数据分成城区特征数据和农村特征数据；

步骤四，进行第二次预分类；

将城区特征数据和农村特征数据分别按照居居民容量占比分成居民类特征数据、非居民类特征数据以及居民与非居民混合类特征数据；

步骤五，进行第三次预分类；

将城区特征数据和农村特征数据中的居民类特征数据，分别按照户均容量分为高、中、低三档；

将城区特征数据和农村特征数据中的混合类特征数据，分别按照用户负载率分为高、中、低三档；负载率＝日均供电量/(变压器容量×24)；

步骤六，每一类特征数据通过K均值进行聚类，通过整体轮廓系数优化聚类结果，获得每一类特征数据的最优聚类结果；

步骤七，对聚类结果中的每个聚类通过主元分析获得主元系数；

步骤八，每个聚类的主元系数作为RBF神经网络的训练集，建立神经网络模型；

步骤九，利用RBF神经网络进行台区线损预测，并对预测结果进行评估。

2.根据权利要求1所述的一种结合主元分析与神经网络的台区合理线损预测方法，其特征在于：获得每一类特征数据的最优聚类结果的过程为，

a1)设定K＝f，f为正整数，设定聚类计算迭代终止阈值；

a2)，进行聚类计算，获得聚类数为K时的聚类结果；

a3)，计算步骤a2中聚类结果的整体轮廓系数；

a4)，判断K是否小于f+p-1，p为正整数，如果是，则K＝f+1，转至步骤a2，否则转至步骤a5；

a5)，比较p个整体轮廓系数，确定最优的整体轮廓系数，获得最优的聚类结果。

3.根据权利要求2所述的一种结合主元分析与神经网络的台区合理线损预测方法，其特征在于：进行聚类计算的过程为，

A1)，在每一类特征数据中任选K个作为聚类中心，剩余的特征数据作为样本数据；

A2)，计算每个样本数据到每个聚类中心的欧氏距离，并将其归类于最近的聚类中心；

A3)重新计算每个聚类的平均值，并将该值作为新的聚类中心；

A4)重复步骤A2和A3，反复迭代，直到满足终止条件，即目标函数达到迭代终止阈值；

所述目标函数采用平方误差准则，

其中，E表示所有聚类对象的平方误差，x_q为第j个聚类C_j中的元素，m_j是第j个聚类C_j的聚类中心，j∈[1,K]。

4.根据权利要求2所述的一种结合主元分析与神经网络的台区合理线损预测方法，其特征在于：整体轮廓系数计算过程为，

B1)对于第j个聚类C_j中的元素x_q，计算x_q与其同一聚类内的所有其他元素距离的平均值，记作c_j；

B2)选取x_q外的一个聚类C_j′，j′∈[1,K]，计算x_q与C_j′中所有元素的平均距离，遍历所有其他聚类，找到最近的这个平均距离，记作c_j′；

B3)对于x_q，其轮廓系数

B4)计算所有K个聚类中所有元素的轮廓系数，求平均值即为整体轮廓系数。

5.根据权利要求1所述的一种结合主元分析与神经网络的台区合理线损预测方法，其特征在于：在获得获得主元系数之前，将最优的聚类结果进行进一步优化，即将元素少于特征数据总数0.1％的聚类删除。