CN112257962A - 一种台区线损预测方法及装置 - Google Patents

Abstract

本申请公开了一种台区线损预测方法及装置，方法包括：获取台区未来k日以及历史n日的预报数据，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；将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。本申请可以通过台区线损的历史记录，对未来一段日期的线损进行预测，而不需要测量其他数据。

Description

一种台区线损预测方法及装置

技术领域

本申请涉及电力数据处理技术领域，尤其涉及一种台区线损预测方法及装置。

背景技术

通过数字化平台，监视电网中每一个计量点的采集数据，使得计算每日的台区线损成为了现实。

而台区的线损一般会随着各种因素的变化而变化，包括周遭环境的变化以及负荷的增减。例如，当台区工作稳定正常时，台区的线损会按照一定的时间周期进行有规律的变化。因此，可以将未来一段时间内的台区线损通过分析计算进行预测。

台区线损预测技术能够应用于计量自动化系统中，工作人员可以通过获得每一个台区未来的线损预测值作为参考值，对台区的线损异常阈值进行修正。因此，台区线损预测技术将成为配电网日常维护、异常发现、故障诊断的支撑环节，为实现智能电网提供基础支持。

发明内容

本申请实施例提供了一种基于相似日的LSSVM台区线损预测方法，使得可以通过台区线损的历史记录，对未来一段日期的线损进行预测，而不需要测量其他数据

有鉴于此，本申请第一方面提供了一种台区线损预测方法，所述方法包括：

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。

可选的，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。

可选的，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。

可选的，所述对所述天气类型、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。

可选的，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。

可选的，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。

可选的，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。

本申请第二方面提供一种台区线损预测装置，所述装置包括：

第一获取单元，用于获取台区未来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；

第一计算单元，用于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；

预测单元，用于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。

可选的，第二获取单元，用于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；

第二计算单元，用于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；

合并单元，用于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；

训练单元，用于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。

可选的，还包括：

预处理单元，用于对所述第一历史数据进行预处理；

具体用于：

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。

从以上技术方案可以看出，本申请具有以下优点：

本申请中，提供了一种台区线损预测方法，包括：获取台区未来k日以及历史n日的预报数据，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；将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。

本申请通过收集历史数据输入到训练好的预测模型对未来的线损数据进行预测，仅需要获取天气预报类型、最高预报温度以及日期数据而不需测试其他的数据，使得数据的获取较为简单。另外，通过模糊聚类算法计算得到与预测日相似度最大的前m日的预报数据作为预测集，能够降低计算复杂度，并能排除无用数据对模型精度的干扰。

附图说明

图1为本申请一种台区线损预测方法的一个实施例的方法流程图；

图2为本申请一种台区线损预测方法的另一个实施例的方法流程图；

图3为本申请一种台区线损预测装置的一个实施例的装置结构示意图。

具体实施方式

为了使本技术领域的人员更好地理解本申请方案，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

图1为本申请一种基于相似日的LSSVM台区线损预测方法的一个实施例的方法流程图，如图1所示，图1中包括：

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

需要说明的是，获取台区未来k日的预报数据以及该台区前n日的历史预报数据，例如预报数据可以包括天气预报类型、最高预报温度以及日期这一类型与线损值相关的数据。

102、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。

需要说明的是，可以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。

具体的，建立未来第i日以及历史n日数据的相似度矩阵；

若相似度矩阵具有传递性，则计算选取相似度矩阵中，与未来第i日相似度最大的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。

103、将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。

需要说明的是，将预测集作为输入数据输入到训练好的预测模型中，可以预测得到未来第i日的线损值。

本申请通过收集历史数据输入到训练好的预测模型对未来的线损数据进行预测，仅需要获取天气预报类型、最高预报温度以及日期数据而不需测试其他的数据，使得数据的获取较为简单。另外，通过模糊聚类算法计算得到与预测日相似度最大的前m日的预报数据作为预测集，能够降低计算复杂度，并能排除无用数据对模型精度的干扰。

本申请还提供了一种台区线损预测方法的另一个实施例，除了第一个实施例中的步骤之外还包括如图2所示的步骤：

201、获取台区的第一历史数据，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。

需要说明的是，本申请仅需要将获取台区的历史数据进行处理后作为训练集用于训练预测模型，从而对未来的线损值进行预测。具体的，本申请可以获取台区的第一历史数据，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，其中每日的天气类型、日最高温度、日期类型以及日期间距都与线损值存在一定的联系。

202、对第一历史数据进行预处理。

需要说明的是，预处理的方法可以包括：剔除线损值中的异常值数据；对天气类型、日最高温度、日期类型和日期间距进行分类量化处理；将剔除异常值的线损值以及量化后的天气类型、日最高温度、日期类型和日期间距，合并成新的第一历史数据；新的第一历史数据包括每一日的线损值和天气类型、日最高温度、日期类型和日期间距。

具体的，由于天气类型能够反映湿度、日照、降雨、降雪等具体的情况，所以天气类型会对用电负荷以及电力线路造成不同程度的影响。可以初步将天气类型分为：大雪、中雪、小雪、大雨、中雨、小雨、阴、多云、晴，可以将这些天气类型一一映射到[0，1]的区间上。而阴、多云、晴对于线损的影响程度差别不太明显；降雨会直接导致温度降低，对线损明显影响；下雪介于两者之间。因此，可以对天气类型的数据的量化具体为：将晴、多云、阴分配在[0.8，1]；降雨分配在[0.1，0.3]；下雪分配在[0.5，0.6]。

由于同一星期类型的线损具有相似性，通常线损变化具有周期变化的规律，7天通常是一个可见的明显周期。周一至周五工作日负荷与周末负荷有明显的差别，会导致线损也有明显的差别。而且周末与工作日的用电负荷类型也会有明显的差异，这也会影响电能质量，使得电力线阻抗发生变化，引起线损变化。因此，对日期类型的数据的量化方法为：将周一至周日映射在[0，1]上，周二、周三、周四可以视为同一个类型，其他分别视为一种类型。

对日期间距数据的量化方法包括：日期间距是指历史日距离输出日的天数，当间距的天数越少，说明线损的特性越相似，定义D为日期差距，考虑到“近大远小”的原则，日期差距的量化公式为

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。

203、采用模糊聚类算法计算预测日之前的第二历史数据中，与预测日数据相似度最大的前m个数据。

需要说明的是，采用模糊聚类算法计算预测日之前的第二历史数据中，与预测日数据相似度最大的前m个数据，其中，预测日数据以及第二历史数据都属于第一历史数据。本申请采用预测日数据以及预测日之前与预测日数据相似度最高的多个数据作为训练数据，用于对预测模型进行训练。

其中，采用模糊聚类算法计算预测日之前的第二历史数据中，与预测日数据相似度最大的前m个数据，具体为：

S1：建立预测日数据以及第二历史数据的相似度矩阵。

需要说明的是，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。

S2：若相似度矩阵具有传递性，则计算选取相似度矩阵中，与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。

需要说说明的是，基于等价关系的聚类方法是建立在等价关系上的，设集合X＝{x₁,...,x_n}，X中每个元素两两之间的模糊关系可以用模糊集合M表示；本申请中X中的元素表示预测日以及历史数据的集合。

其中a_ij表示集合X中的第i个元素和第j个元素从属于模糊关系M的程度。对于任意k，若存在a_ij≥min{a_ik,a_kj}，则具X有传递性。若X上的模糊关系矩阵M具有相似性且具有传递性时，称M为等价关系；则选择集合M与预测日相似度最大的m个数据，例如若预测日为x₁，则从a₁₂-a_1n中选择出m个值最大的数。

存在下式：

M＝(a_ij)_nn

其中c_ij＝max min{a_ik,a_kj}，(1≤k≤n)；令

(可以表示为令

同理

)，则必然存在一个数p，使得

则M_p具有模糊等价关系的模糊相似矩阵。

204、将属于同一预测日数据的相似度最大的前m个数据以及预测日的线损值合并为输入样本。

需要说明的是，本申请中若存在预测日的线损值为y_d，则第二历史数据与预测日数据构成的线损值样本记录为：(y_d-n,...,y_d-1,y_d)_1×n；将属于同一预测日数据的相似度最大的前m个数据以及预测日的线损值合并为一组输入样本：z_d＝(x₁,...,x_m,y_d)_1×(m+1)；则输入样本的集合为多个输入样本的集合：S＝{z₁,...,z_d-n}。

205、将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，得到训练好的预测模型。

需要说明的是，将输入样本的结合根据需要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，得到训练好的预测模型。

其中，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：

非线性映射的输入与输出为训练样本集S＝{(x₁,y₁),...,(x_n,y_n)}构造的线性回归方程。

本申请仅需要获取台区关于天气预报类型、最高预报温度以及日期数据的历史数据就能完成对未来日的线损值的预测，预测方法较为简单方便；其次，利用模糊聚类方法筛选相似日来减少模型的样本训练集，不仅降低了计算复杂度，还能排除无用数据对模型精度的干扰，提高模型预测精度；通过采用LSSVM模型作为预测模型，适合用户电力系统短期负荷的预测以及台区线损的预测。

以上是本申请方法的实施例，本申请还包括一种台区线损预测装置的一个实施例，如图3所示，包括：

第一获取单元301，用于获取台区未来k日以及历史n日的预报数据，预报数据包括天气预报类型、最高预报温度以及日期数据；

第一计算单元302，用于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；

预测单元303，用于将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。

在一种具体的实施方式中，还包括：

第二获取单元，用于获取台区的第一历史数据，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；

第二计算单元，用于采用模糊聚类算法计算预测日之前的第二历史数据中，与预测日数据相似度最大的前m个数据；第一历史数据包括预测日数据以及第二历史数据；

合并单元，用于将属于同一预测日数据的相似度最大的前m个数据以及预测日的线损值合并为输入样本；

训练单元，用于将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，得到训练好的预测模型。

在一种具体的实施方式中，还包括：

预处理单元，用于对第一历史数据进行预处理；

具体用于：

剔除线损值中的异常值数据；

对天气类型、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，合并成新的第一历史数据；新的第一历史数据包括每一日的线损值和所述天气类型、日最高温度、日期类型和日期间距。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

应当理解，在本申请中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：只存在A，只存在B以及同时存在A和B三种情况，其中A，B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。

在本申请所提供的几个实施例中，应该理解到，所揭露的装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。

Claims (10)

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。

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3所述的台区线损预测方法，其特征在于，所述对所述天气类型、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。

5.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。

6.根据权利要求5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。

7.根据权利要求2所述的台区线损预测方法，其特征在于，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。

8.一种台区线损预测装置，其特征在于，包括：

第一获取单元，用于获取台区未来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；

第一计算单元，用于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；

预测单元，用于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。

9.根据权利要求8所述的台区线损预测装置，其特征在于，还包括：

第二获取单元，用于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；

第二计算单元，用于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；

合并单元，用于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；

训练单元，用于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。

10.根据权利要求9所述的台区线损预测装置，其特征在于，还包括：

预处理单元，用于对所述第一历史数据进行预处理；

具体用于：

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。

Images