[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

摘要

本发明公开了一种结合主元分析与神经网络的台区合理线损预测方法，首先对大量台区线损特征数据进行三次初步分类，其次利用聚类方法将分类数据通过台区特征分为若干聚类，再次对每一聚类建立相应的预测模型；最后利用预测模型得到合理线损预测值，并对其进行分析处理；针对台区线损特征量数据庞大的特点，提出了RBF神经网络算法，利用PCA算法排除干扰因素，提取综合指标，降低数据维数；利用ANN对主成分数据进行训练，达到兼顾数据处理效率与精度的双重要求。

主权项

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。