[发明专利]一种台区线损预测方法及装置

权利要求书

1.一种台区线损预测方法，其特征在于，包括：

获取台区未来k日以及历史n日的预报数据，所述预报数据包括天气预报类型、最高预报温度以及日期数据；

采用模糊聚类算法计算历史n日中与未来第i日相似度最大的前m日的预报数据作为预测集，0＜i≤k；

将所述预测集输入到训练好的预测模型中，预测得到未来第i日的线损值；

在将所述预测集输入到训练好的预测模型中，预测得到未来第i日的线损值，之前包括：

获取台区的第一历史数据，所述第一历史数据包括每日的线损值、天气类型、日最高温度、日期类型以及日期间距；

对所述天气类型、日最高温度、日期类型和日期间距进行分类量化处理，具体为：

根据天气对线损值的影响，将所述天气预报类型中的晴、多云、阴天、降雨和下雪分别映射至0至1中的区间；

根据温度对线损值的影响，将每一日所述日最高温度分别映射至0至1中的区间；

根据历史周一至周日对线损值的影响，将所述日期类型中的周一至周日分别映射至0至1中的区间；

根据历史日期至预测日的日期间距，对所述日期间距进行量化处理，其量化公式为：

其中c为衰减系数，i为历史日距离输出日的天数，θ为量化取值下限；

基于LSSVM构建的预测模型具体为：

式中，a，b的求解公式为：

所述求解公式通过一个线性规划的拉格朗日函数和KKT条件求得，所述线性规划的目标函数和约束函数如下：

其中，ω为权向量，γ为正则化参数，e_k为误差变量，所述线性规划来源于LSSVM的结构风险最小化原则，是一个将输入空间映射到高位空间的非线性映射，所述非线性映射为：

所述非线性映射的输入和输出为训练集构造的线性回归方程。

2.根据权利要求1所述的台区线损预测方法，其特征在于，在所述将所述预测集输入到训练好的预测模型中，预测得到未来第i日的线损值，之前还包括：

获取台区的第一历史数据，所述第一历史数据包括每日的线损值、天气类型、日最高温度、日期类型以及日期间距；

采用模糊聚类算法计算预测日之前的第二历史数据中，与所述预测日数据相似度最大的前m个数据；所述第一历史数据包括所述预测日数据以及所述第二历史数据；

将属于同一所述预测日数据的所述相似度最大的前m个数据以及预测日的线损值合并为输入样本；

将所述输入样本随机划分成训练集和测试集，用于对基于LSSVM构建的预测模型进行训练，得到训练好的所述预测模型。

3.根据权利要求2所述的台区线损预测方法，其特征在于，在所述获取台区的第一历史数据，所述第一历史数据包括每日的线损值、天气类型、日最高温度、日期类型以及日期间距，之后还包括：

对所述第一历史数据进行预处理；

具体为：

剔除所述线损值中的异常值数据；

对所述天气类型、日最高温度、日期类型和日期间距进行分类量化处理；

将剔除异常值的所述线损值以及量化后的所述天气类型、日最高温度、日期类型和日期间距，合并成新的所述第一历史数据；新的所述第一历史数据包括每一日的所述线损值和所述天气类型、日最高温度、日期类型和日期间距。

4.根据权利要求2所述的台区线损预测方法，其特征在于，所述采用模糊聚类算法计算预测日之前的第二历史数据中，与所述预测日数据相似度最大的前m个数据，具体为：

建立所述预测日数据以及所述第二历史数据的相似度矩阵；

若所述相似度矩阵具有传递性，则计算选取相似度矩阵中，与所述预测日数据相似度最大的m个数据；否则，计算相似度矩阵的模糊等价矩阵，选取相似度最大的m个数据。

5.根据权利要求4所述的台区线损预测方法，其特征在于，所述相似度矩阵R＝(r_ij)_n×n的计算方法为：

其中x_ik是指第i个样本的第k维特征，特征包括天气类型、日最高温度、日期类型以及日期间距数据。