一種低壓臺區kfcm-svr合理線損預測方法
【技術領域】
[0001] 本發明涉及一種低壓臺區KFCM-SVR合理線損預測方法，屬于電力系統自動化技 術領域。
【背景技術】
[0002] 線損是電力輸送與分配過程中產生的能量損耗，包括統計線損，理論線損，管理線 損等多個種類。電力部門在實際的生產應用中，以供電量與售電量的差值作為統計線損，即 實際線損，以統計線損占供電量的比重作為線損率。線損率是電力部門重要的綜合經濟指 標，反映了電網規劃建設、技術裝備以及管理運行的綜合水平。許多研究成果都從理論與實 踐角度分析了線損產生原因與影響因素。隨著智能電網的快速發展以及電網規模的不斷擴 大，理論線損的精確計算顯得越來越重要。精確而高效的理論線損計算能夠顯著提升電網 的技術管理水平，創造巨大的經濟效益。
[0003] 傳統上對于理論線損的計算主要包括潮流計算方法，負荷曲線法、節點電壓法等。 隨著電網運行的實時化、數字化、智能化發展，對理論線損計算的精確度與計算效率的要求 越來越高。然而，由于理論線損的數學模型復雜，影響因素眾多，傳統計算方法難以全面反 映當前的線損狀況。近年來，人工智能算法以其優越的性能，正逐步應用于理論線損的計算 中。神經網絡、支持向量機及其改進算法、多灰色預測組合模型、以及直接神經動態規劃的 電網狀態估計模型等，開始應用于進行理論線損計算，這些在一定程度上代表了理論線損 計算的水平。
[0004] 傳統的理論線損計算中考慮的因素主要包括有功供電量，無功供電量，配電變壓 器總容量、線路總長度這幾項影響因素，對于低壓臺區自身的屬性特征較少涉及，同時在計 算過程中線路長度、供電半徑等數據難以直接得到，這些都直接影響了線損預測的工程化 應用步伐。當前，電網智能化水平不斷提高，智能電表以及用電信息采集系統建設工作也在 快速推進，這些措施都極大提高了低壓臺區線損管理的實時性與準確性。江蘇省電力公司 從2013年開始基于用電信息采集數據進行低壓臺區線損管理，實現了對低壓臺區基本信 息的記錄與線損數據的實時采集，積累了大量的原始數據。利用大數據挖掘手段，全方位多 角度對臺區線損的影響因素進行分析，考慮多種特征因素構建合理的線損數學模型已成為 可能。利用配電監控和數據采集系統（DSCADA)計算線損率，并與設定置信閾值對比以確定 線損是否合適是較為常用的方法。
[0005] 目前，線損管理的現狀是理論線損預測精度不高，而大量與線損有關的監測數據 沒有得到充分的挖掘與分析。因此，發明一種基于用采數據，針對低壓臺區管理，基于數據 挖掘算法的線損預測方法成為亟需解決的問題。
【發明內容】
[0006] 為解決現有技術的不足，本發明的目的在于提供一種基于用采數據的低壓臺區 KFCM-SVR合理線損預測方法，充分利用現有的用戶信息采集系統中與線損相關的監測數 據，對其進行深入的挖掘，考察數據樣本與實際線損間的關聯；建立有效的數據回歸模型， 并用回歸模型對實際的每個臺區的線損狀況進行預測分析；考察臺區的實際線損與預測得 到的合理線損間的差值，以此判定線損是否在合理區間內，為線損管理提供可靠的科學依 據，為營銷管理的精益化打下良好的基礎。
[0007] 為了實現上述目標，本發明采用如下的技術方案：
[0008] -種低壓臺區KFCM-SVR合理線損預測方法，其特征是，包括以下步驟：
[0009] 1)數據準備：從用電信息采集系統的Oracle數據庫中以月為單位提取當月的相 關建模數據，用于當月線損率的預測與評估；
[0010] 2)數據篩選：將數據變化較大或數據異常的臺區去除，留下數據較為穩定的樣本 數據作為建模的數據來源，篩選后臺區作為穩定臺區；
[0011] 3)初次分類：按照城網與農網將數據分為兩類，再按照居民容量占比將兩類數據 分別分為居民類、非居民類和混合類，得到6大類數據，其中，居民類容量占比多0.9,非居 民類容量占比彡〇. 1，混合類容量占比為（〇. 1，0.9);
[0012] 4)數據標準化：采用Z-SC〇re方法進行數據標準化，其公式如下：焉對于 CFj： 數據樣本集χ= [Xl，x2，…，xj，焉為標準化后數據，標準化前數據，再為Xl的均值，。i為方差；
[0013] 5)數據聚類：選取參數，設定聚類數，采用KFCM算法對每一小類的標準化數據進 行聚類，計算隸屬度矩陣，按照隸屬度將數據歸為若干小類；
[0014] 6)最優聚類選取：針對每一個聚類類別計算輪廓系數，選取輪廓系數最大值所對 應的聚類數作為最優聚類數，輸出最優聚類結果以及聚類中心值；
[0015] 7)SVR回歸模型建立：利用LS-SVR算法建立η個回歸模型，η為數據聚類后得到的 總類別數，并計算每一類的殘差置信空間；
[0016] 8)合理線損置信區間確定：設定95%作為閾值，針對每一個LS-SVR回歸模型計算 其合理線損置信區間；
[0017] 9)線損預測值輸出：將每個待預測數據樣本歸入與聚類中心最近的類別，并輸入 到所對應的SVR模型中，得到每一個預測數據的線損率預測值；計算其預測殘差，并與合理 線損置信區間對比，超過合理線損置信區間限的數據樣本認為是線損不合理，給出是否合 理的結論。
[0018] 前述的基于用采數據的低壓臺區KFCM-SVR合理線損預測方法，其特征是，所述步 驟2)中去除的臺區數據包括：
[0019]1)數據采集未全覆蓋：所有在用計量點均已采集，無未采集供、用電表計；
[0020] 2)臺區下有特殊用戶，包括光伏發電和無表計量；
[0021] 3)當月發生業務變更，包括考核單元對象數量發生增減、戶變關系調整、用戶增減 和不包含換表變更的用戶業務變更；
[0022] 4)月線損值超出（-1%，10% )范圍的數據；
[0023] 5)月內日線損超出（-1%，10%)范圍的天數多于10天的數據。
[0024] 前述的基于用采數據的低壓臺區KFCM-SVR合理線損預測方法，其特征是，所述步 驟8)中的合理線損置信區間確定的具體步驟為：
[0025] 81)將每個LS-SVR回歸模型的建模訓練數據輸入到回歸模型，得到單個樣本的線 損預測值；
[0026] 82)將每一類數據樣本的線損預測值與實際值的殘差按照從大到小進行排序；
[0027] 83)計算每一類數據樣本5 %數據個數叫，1^ =每一類數據樣本總數/20;
[0028] 84)線損預測值與實際值的殘差按照從大到小進行排序后，前1^個樣本對應的殘 差值即為合理線損置信區間限。
[0029] 本發明所達到的有益效果：本方法利用KFCM與LS-SVR算法，利用其計算精度等性 能可以滿足電力系統的要求，在大數據條件下具有一定的合理性，其計算結果可以為電力 部門的臺區線損管理提供較為可靠的指導意見，為當前智能電網中大數據的合理利用與挖 掘提供了新的思路。
【附圖說明】
[0030] 圖1是本發明的流程圖；
[0031] 圖2是本發明的城網非居民類最優KFCM聚類分布結果圖；
[0032] 圖3(a)是本發明的城網非居民類聚類-1的SVR模型擬合樣本個數圖；
[0033] 圖3(b)是本發明的城網非居民類聚類-1的SVR模型擬合實測線損率圖；
[0034] 圖4(a)是本發明的城網非居民類聚類-2的SVR模型擬合樣本個數圖；
[0035] 圖4(b)是本發明的城網非居民類聚類-2的SVR模型擬合實測線損率圖；
[0036] 圖5(a)是本發明的城網非居民類聚類-3的SVR模型擬合樣本個數圖；
[0037] 圖5(b)是本發明的城網非居民類聚類-3的SVR模型擬合實測線損率圖。
【具體實施方式】
[0038] 下面結合附圖對本發明作進一步描述。以下實施例僅用于更加清楚地說明本發明 的技術方案，而不能以此來限制本發明的保護范圍。
[0039] 如圖1所示，本方法包括以下步驟：
[0040] 步驟一，數據準備：從用電信息采集系統的Oracle數據庫中以月為單位提取相關 建模數據，包含參數：總用戶數，居民戶數，非居民戶數，居民容量，非居民容量，售電量，變 壓器容量，居民容量占比，居民戶均容量以及月均線損率。
[0041]