线损预测可以为配电网线损水平评估提供一种有效途径。为提高配电网线损预测精度,提出一种基于聚类算法的配电网线损预测方法。利用线损数据的空间比值,计算出冗余度指数,判断配电网线损数据的冗余程度,利用聚类算法聚类处理线损数据。...线损预测可以为配电网线损水平评估提供一种有效途径。为提高配电网线损预测精度,提出一种基于聚类算法的配电网线损预测方法。利用线损数据的空间比值,计算出冗余度指数,判断配电网线损数据的冗余程度,利用聚类算法聚类处理线损数据。利用瞬态自适应麻雀搜索算法(Transient Adaptive Sparrow Search Algorithm,TASSA)优化多粒度长短期记忆(Multi granularity-Long Short Term Memory,Mg-LSTM)网络,剔除异常的线损数据,通过训练优化后的Mg-LSTM网络,构建线损预测模型,从而预测配电网的线损。实验结果表明,所提方法可以将线损预测误差率控制在2%以内,提高了配电网线损预测精度。展开更多
文摘线损预测可以为配电网线损水平评估提供一种有效途径。为提高配电网线损预测精度,提出一种基于聚类算法的配电网线损预测方法。利用线损数据的空间比值,计算出冗余度指数,判断配电网线损数据的冗余程度,利用聚类算法聚类处理线损数据。利用瞬态自适应麻雀搜索算法(Transient Adaptive Sparrow Search Algorithm,TASSA)优化多粒度长短期记忆(Multi granularity-Long Short Term Memory,Mg-LSTM)网络,剔除异常的线损数据,通过训练优化后的Mg-LSTM网络,构建线损预测模型,从而预测配电网的线损。实验结果表明,所提方法可以将线损预测误差率控制在2%以内,提高了配电网线损预测精度。
