基于K-means聚類(lèi)算法的數(shù)據(jù)分析模型應(yīng)用研究

沈 泓，劉 順

(1.國(guó)網(wǎng)江蘇省電力公司常州供電公司 電力調(diào)度控制中心，江蘇 常州 213001；2.江蘇瑞中數(shù)據(jù)股份有限公司，江蘇 南京 210012)

基于K-means聚類(lèi)算法的數(shù)據(jù)分析模型應(yīng)用研究

沈 泓1，劉 順2

(1.國(guó)網(wǎng)江蘇省電力公司常州供電公司 電力調(diào)度控制中心，江蘇 常州 213001；2.江蘇瑞中數(shù)據(jù)股份有限公司，江蘇 南京 210012)

闡述了如何使用數(shù)據(jù)分析模型進(jìn)行數(shù)據(jù)收集分析和處理，以及如何通過(guò)K-means聚類(lèi)算法及線(xiàn)性回歸模型建立合理預(yù)估模型。電能在從發(fā)電廠(chǎng)傳輸?shù)接脩?hù)的過(guò)程中，在輸電、變電、配電以及營(yíng)銷(xiāo)管理的各環(huán)節(jié)中會(huì)產(chǎn)生電能損耗，如果線(xiàn)路損耗較高，則會(huì)對(duì)電網(wǎng)運(yùn)行的安全性與經(jīng)濟(jì)性造成直接影響，同時(shí)也會(huì)加快線(xiàn)路老化或損壞速度。合理分析預(yù)估模型，可以找出差異性較大的臺(tái)區(qū)著重進(jìn)行管理與監(jiān)測(cè)，并于用戶(hù)操作區(qū)的Web端進(jìn)行展示，進(jìn)而有效預(yù)測(cè)出哪些臺(tái)區(qū)可能存在偷竊電行為或其它影響正常供電的不合理行為，為供電工作提供有效輔助。

回歸模型;K-means聚類(lèi)算法;分析模型;預(yù)估;顯著性

0 引言

電網(wǎng)數(shù)據(jù)作為一種對(duì)供電公司規(guī)劃設(shè)計(jì)、生產(chǎn)運(yùn)行、經(jīng)營(yíng)管理水平的綜合反映與直觀展示，是供電公司日常管理工作中關(guān)注的重要內(nèi)容。合理分析處理與利用海量的電網(wǎng)數(shù)據(jù)，能夠帶來(lái)可觀的經(jīng)濟(jì)與社會(huì)效益。以分析預(yù)測(cè)線(xiàn)損為例，臺(tái)區(qū)線(xiàn)損管理通過(guò)比較理論線(xiàn)損與實(shí)際線(xiàn)損的差值，對(duì)不合理線(xiàn)損進(jìn)行分析和預(yù)測(cè)，可提供較為科學(xué)有效的降損措施，有利于提升電力部門(mén)的管理水平與經(jīng)濟(jì)效益，加強(qiáng)電網(wǎng)建設(shè)與改造的科學(xué)性。傳統(tǒng)的臺(tái)區(qū)線(xiàn)損管理中尚存在一些問(wèn)題：①采取一刀切方式，人為設(shè)置合理線(xiàn)損率范圍，而缺乏理論依據(jù)和數(shù)據(jù)支撐，離精益化管理目標(biāo)相差甚遠(yuǎn)；②臺(tái)區(qū)理論線(xiàn)損的計(jì)算主要基于潮流的計(jì)算方法，但是由于低壓臺(tái)區(qū)下分支線(xiàn)路復(fù)雜、元件多樣、設(shè)備臺(tái)賬數(shù)據(jù)不全，理論線(xiàn)損計(jì)算難度很大；③供電公司管轄范圍內(nèi)臺(tái)區(qū)數(shù)量巨大，彼此之間差別較大，無(wú)法采用統(tǒng)一模式進(jìn)行管理。因此，如何進(jìn)一步提高臺(tái)區(qū)線(xiàn)損管理的精益化水平，給出每個(gè)臺(tái)區(qū)可參照的合理線(xiàn)損范圍，并科學(xué)合理地對(duì)臺(tái)區(qū)線(xiàn)損進(jìn)行監(jiān)視，及時(shí)發(fā)現(xiàn)異常臺(tái)區(qū)，分析原因并及時(shí)解決問(wèn)題，成為電力營(yíng)銷(xiāo)工作迫切需要解決的問(wèn)題。

鑒于此，本文以預(yù)測(cè)臺(tái)區(qū)線(xiàn)損率為例，依據(jù)供電公司轄區(qū)內(nèi)各臺(tái)區(qū)的基礎(chǔ)數(shù)據(jù)，并應(yīng)用基于K-means算法的數(shù)據(jù)分析模型，研究一種可以對(duì)電網(wǎng)關(guān)鍵數(shù)據(jù)進(jìn)行預(yù)測(cè)分析的技術(shù)，以期為電網(wǎng)管理優(yōu)化提供參考。

1 整體設(shè)計(jì)

基于K-means算法的數(shù)據(jù)預(yù)估模型的建立包含K-means聚類(lèi)與線(xiàn)性回歸兩部分。首先通過(guò)K-means聚類(lèi)算法，依據(jù)與臺(tái)區(qū)線(xiàn)損率相關(guān)的基本特征屬性將臺(tái)區(qū)分為K類(lèi)，然后給每一類(lèi)數(shù)據(jù)分別建立各自的線(xiàn)性回歸模型，最后將不同分類(lèi)的臺(tái)區(qū)特征數(shù)據(jù)引入對(duì)應(yīng)的線(xiàn)性回歸模型，得出合理的數(shù)據(jù)預(yù)測(cè)值，并將此值定義為合理預(yù)測(cè)。合理預(yù)測(cè)與實(shí)際值之差即為預(yù)測(cè)誤差。具體步驟如下：①通過(guò)K-means聚類(lèi)方法按照臺(tái)區(qū)特征對(duì)供電公司的海量臺(tái)區(qū)數(shù)據(jù)進(jìn)行分類(lèi)，將供電公司轄區(qū)內(nèi)的臺(tái)區(qū)分為特征不同的類(lèi)群；②將每一類(lèi)典型臺(tái)區(qū)的基礎(chǔ)數(shù)據(jù)與預(yù)測(cè)值相關(guān)聯(lián)，通過(guò)線(xiàn)性回歸的方式建立數(shù)學(xué)預(yù)測(cè)模型；③將需要預(yù)測(cè)的數(shù)據(jù)輸入模型，得到輸出，從而得出每一類(lèi)臺(tái)區(qū)的合理預(yù)測(cè)值。整個(gè)模型建立的流程如圖1所示。

數(shù)據(jù)分析過(guò)程的主要活動(dòng)由識(shí)別信息需求、收集數(shù)據(jù)、分析處理數(shù)據(jù)、數(shù)據(jù)分析模型的建立組成。

2 關(guān)鍵技術(shù)

2.1 K-means聚類(lèi)算法

K-means算法是一種基于樣本間相似性度量的間接聚類(lèi)方法，屬于非監(jiān)督學(xué)習(xí)方法。此算法以k為參數(shù)，將n個(gè)對(duì)象分為k個(gè)簇，使簇內(nèi)具有較高相似度，而且簇間的相似度較低。K-means算法是一種較典型的逐點(diǎn)修改迭代的動(dòng)態(tài)聚類(lèi)算法，其要點(diǎn)是以誤差平方和為準(zhǔn)則函數(shù)[1-2]。該算法的優(yōu)點(diǎn)是可以處理大量數(shù)據(jù)集，具有很好的可伸縮性，且簡(jiǎn)單快速，故合理數(shù)據(jù)預(yù)估模型的分類(lèi)采用了K均值聚類(lèi)算法。

圖1 模型建立流程

K-means算法的基本步驟如下：①?gòu)臄?shù)據(jù)集中隨機(jī)取k個(gè)元素，作為k個(gè)簇各自的中心；②分別計(jì)算剩下元素到k個(gè)簇中心的相異度，將這些元素分別劃歸到相異度最低的簇；③根據(jù)聚類(lèi)結(jié)果，重新計(jì)算k個(gè)簇各自的中心，計(jì)算方法是取簇中所有元素各自維度的算術(shù)平均數(shù)；④將數(shù)據(jù)集中全部元素按照新的中心重新聚類(lèi)；⑤重復(fù)第4步，直到聚類(lèi)結(jié)果不再變化；⑥輸出結(jié)果。

2.2 線(xiàn)性回歸建模方法

線(xiàn)性回歸建模的思路是根據(jù)K-means聚類(lèi)結(jié)果數(shù)據(jù),將不同分類(lèi)的臺(tái)區(qū)數(shù)據(jù)分別作為線(xiàn)性回歸的輸入，以線(xiàn)損率作為輸出，建立線(xiàn)性回歸模型，并對(duì)結(jié)果作相應(yīng)分析，得出兩種分類(lèi)對(duì)應(yīng)的回歸方程[3]。

線(xiàn)性回歸建模的原理如下：在線(xiàn)性關(guān)系相關(guān)性條件下，兩個(gè)或兩個(gè)以上自變量對(duì)一個(gè)因變量，為多元線(xiàn)性回歸分析，表現(xiàn)這一數(shù)量關(guān)系的數(shù)學(xué)公式，稱(chēng)為多元線(xiàn)性回歸模型。多元線(xiàn)性樣本回歸方程為：

(1)

其中β0,β1,β2,…,βk是k+1個(gè)未知參數(shù)，β0稱(chēng)為回歸常數(shù)，β1,β2,…,βk稱(chēng)為回歸系數(shù)，y稱(chēng)為被解釋變量。x1,x2,…,xk是k個(gè)可以精確控制的一般變量，稱(chēng)為解釋變量。

多元線(xiàn)性回歸方程中回歸系數(shù)的估計(jì)同樣可以采用最小二乘法，計(jì)算殘差平方和:

(2)

根據(jù)微積分中求極小值的原理，可知?dú)埐钇椒胶蚐SE存在極小值。欲使SSE達(dá)到最小，SSE對(duì)β0,β1,β2,…,βk的偏導(dǎo)數(shù)必須為零。

將SSE對(duì)β0,β1,β2,…,βk求偏導(dǎo)數(shù)，并令其等于零，加以整理后可得到k+1個(gè)方程式如下：

(3)

(4)

3 應(yīng)用案例

3.1 原始樣本數(shù)據(jù)收集分析及處理

首先應(yīng)該進(jìn)行識(shí)別信息需求的工作。識(shí)別信息需求是確保數(shù)據(jù)分析過(guò)程有效性的首要條件，可為收集、分析數(shù)據(jù)提供清晰的目標(biāo)。有目的的收集數(shù)據(jù)，是確保數(shù)據(jù)分析過(guò)程有效性的基礎(chǔ)。組織需要對(duì)收集數(shù)據(jù)的內(nèi)容、渠道、方法進(jìn)行策劃。策劃時(shí)應(yīng)考慮：①將識(shí)別的需求轉(zhuǎn)化為具體要求，如評(píng)價(jià)供方時(shí)，需要收集的數(shù)據(jù)可能包括其過(guò)程能力、測(cè)量系統(tǒng)不確定度等相關(guān)數(shù)據(jù)；②明確由誰(shuí)在何時(shí)何處、通過(guò)何種渠道和方法收集數(shù)據(jù)；③記錄表應(yīng)便于使用；④采取有效措施，防止數(shù)據(jù)丟失和虛假數(shù)據(jù)對(duì)系統(tǒng)的干擾。

本次建模收集的數(shù)據(jù)包括臺(tái)區(qū)基礎(chǔ)信息表、線(xiàn)路線(xiàn)損率分月報(bào)表、臺(tái)區(qū)線(xiàn)損率分月報(bào)表、生產(chǎn)經(jīng)營(yíng)報(bào)表(按月分)、竊電用戶(hù)統(tǒng)計(jì)報(bào)表。建模數(shù)據(jù)收集涉及的部門(mén)包括發(fā)展策劃部、電力營(yíng)銷(xiāo)部、運(yùn)維檢修部。數(shù)據(jù)范圍包括供電公司轄區(qū)內(nèi)各線(xiàn)路下的臺(tái)區(qū)，分別為：220KV線(xiàn)路、110KV線(xiàn)路、35KV線(xiàn)路、10KV線(xiàn)路、10KV以下線(xiàn)路以及1KV以下線(xiàn)路等臺(tái)區(qū)。經(jīng)過(guò)ETL數(shù)據(jù)工具的處理以及對(duì)數(shù)據(jù)報(bào)表的整合，最終收集到的報(bào)表數(shù)據(jù)如圖2所示。包含的字段有：臺(tái)區(qū)名稱(chēng)、臺(tái)區(qū)居民戶(hù)數(shù)、臺(tái)區(qū)非居民戶(hù)數(shù)、居民容量、非居民容量、居民戶(hù)均容量、非居民戶(hù)均容量、居民容量占比、非居民容量占比、臺(tái)區(qū)總?cè)萘?、臺(tái)區(qū)竊電量、功率因數(shù)平均水平、最大負(fù)荷、最大負(fù)載率以及以臺(tái)區(qū)統(tǒng)計(jì)線(xiàn)損率。

下面進(jìn)行分析處理數(shù)據(jù)的工作，將收集的數(shù)據(jù)通過(guò)加工、整理和分析，使其轉(zhuǎn)化為信息，通常采用的方法有：①傳統(tǒng)的7種工具，即排列圖、因果圖[4]、分層法、調(diào)查表、散步圖、直方圖、控制圖；②新的7種工具，即關(guān)聯(lián)圖、系統(tǒng)圖、矩陣圖[5]、KJ法、計(jì)劃評(píng)審技術(shù)、PDPC法矩陣數(shù)據(jù)圖。

按照K-means算法的基本步驟代入分析所得的初始數(shù)據(jù)。具體如下：

輸入：k，data[n]。

(1)選擇k個(gè)初始中心點(diǎn)，例如c[0]=data[0]，…，c[k-1]=data[k-1]。

(2)對(duì)于data[0]，…，data[n]，分別與c[0]，…，c[k-1]比較，假定與c[i]差值最少，則標(biāo)記為i。

(3)對(duì)于所有標(biāo)記為i的點(diǎn)，重新計(jì)算c[i]等于所有標(biāo)記為i的data[j]之和，除以標(biāo)記為i的個(gè)數(shù)。

(4)重復(fù)(2)、(3)，直到所有c[i]值的變化小于給定閾值。

圖3為將k值設(shè)為3時(shí)，K-means聚類(lèi)算法的詳細(xì)示意圖,圖中(+)符號(hào)表示每次聚類(lèi)選取的中心。

圖2 樣本數(shù)據(jù)

圖3 K-means聚類(lèi)示意圖(k=3)

3.2 利用K-means聚類(lèi)算法對(duì)臺(tái)區(qū)分類(lèi)

以供電公司轄區(qū)下的臺(tái)區(qū)數(shù)據(jù)作為樣本數(shù)據(jù)(共630個(gè))，作為K-means算法的輸入。聚類(lèi)樣本特征輸入量包括：臺(tái)區(qū)名稱(chēng)、居民戶(hù)數(shù)、非居民戶(hù)數(shù)、居民容量、非居民容量、居民容量、居民戶(hù)均容量、居民容量占比、非居民容量占比、臺(tái)區(qū)總?cè)萘?、臺(tái)區(qū)竊電量、功率因數(shù)平均水平、臺(tái)區(qū)最大負(fù)荷、最大負(fù)載率、實(shí)際線(xiàn)損率。在K-means聚類(lèi)算法中，初始聚類(lèi)數(shù)設(shè)定2～12為合理范圍，通過(guò)嘗試設(shè)定不同的初始聚類(lèi)數(shù)，計(jì)算不同聚類(lèi)數(shù)時(shí)的輪廓系數(shù)值(輪廓系數(shù)值越接近1，表明聚類(lèi)數(shù)越合理)。不同K值聚類(lèi)的輪廓系數(shù)如表1所示。

通過(guò)不同K值輪廓系數(shù)的對(duì)比，可以看出聚類(lèi)數(shù)為2時(shí)，輪廓系數(shù)值為0.5，在所有的輪廓系數(shù)中最接近1，表明聚類(lèi)數(shù)為2時(shí)，K-means聚類(lèi)質(zhì)量最好，輸入13對(duì)應(yīng)的聚類(lèi)結(jié)果如下：

最小聚類(lèi)大小為：95(15.1%)

最大聚類(lèi)大小為：535(84.9%)

大小比率(最大聚類(lèi)比最小聚類(lèi))：5.63

K-means聚類(lèi)算法中各變量對(duì)于聚類(lèi)的重要性不同，如圖4所示。可以看出，居民容量占比、非居民容量占比、非居民容量、非居民戶(hù)均容量在聚類(lèi)中對(duì)聚類(lèi)結(jié)果影響比較明顯。

表1 K-means輪廓系數(shù)

聚類(lèi)數(shù)為2時(shí)，各變量在聚類(lèi)-1與聚類(lèi)-2中的均值如表2所示，各變量按照在聚類(lèi)算法中體現(xiàn)出的重要性從上到下依次排序?？梢钥闯觯用袢萘空急扰c非居民容量占比對(duì)聚類(lèi)的影響最大，是臺(tái)區(qū)分類(lèi)過(guò)程中的主要依據(jù)。其它變量在聚類(lèi)中對(duì)聚類(lèi)結(jié)果有影響，但不是主要影響因素。

圖4 K-means聚類(lèi)中變量重要性

表2 聚類(lèi)數(shù)為2時(shí)聚類(lèi)模型各變量均值

從表2中可以看出，聚類(lèi)1中居民容量占比為0.92，可以認(rèn)為此類(lèi)為居民用戶(hù)類(lèi)；聚類(lèi)2中非居民容量占比為0.59，可以認(rèn)為此類(lèi)為非居民用戶(hù)類(lèi)。故通過(guò)K-means聚類(lèi)算法將臺(tái)區(qū)分為居民用戶(hù)類(lèi)臺(tái)區(qū)、非居民用戶(hù)類(lèi)臺(tái)區(qū)。

3.3 通過(guò)線(xiàn)性回歸模型建立合理線(xiàn)損數(shù)據(jù)分析預(yù)測(cè)模型

將上述K-means聚類(lèi)得出的兩類(lèi)數(shù)據(jù)作為線(xiàn)性回歸模型的輸入(見(jiàn)表3)，包括：聚類(lèi)-1、聚類(lèi)-2。建模特征參數(shù)包括：臺(tái)區(qū)居民戶(hù)數(shù)、臺(tái)區(qū)非居民戶(hù)數(shù)、居民容量、非居民容量、居民戶(hù)均容量、非居民戶(hù)均容量、居民容量占比、非居民容量占比、臺(tái)區(qū)總?cè)萘?、臺(tái)區(qū)竊電量、功率因數(shù)[6]平均水平、最大負(fù)荷、最大負(fù)載率[7]。輸出參數(shù)為：臺(tái)區(qū)線(xiàn)損率。

現(xiàn)對(duì)上述K-means聚類(lèi)得出的聚類(lèi)-1與聚類(lèi)-2分別建立線(xiàn)性回歸模型，并對(duì)模型進(jìn)行分析。依據(jù)調(diào)整后的R平方值、F檢驗(yàn)系數(shù)、T檢驗(yàn)系數(shù)、sig值檢驗(yàn)系數(shù)等對(duì)模型進(jìn)行評(píng)估，從而判斷出合理線(xiàn)損預(yù)測(cè)模型的擬合程度。

T檢驗(yàn)是對(duì)單個(gè)變量進(jìn)行顯著性檢驗(yàn)，檢驗(yàn)該變量獨(dú)自對(duì)被解釋變量的影響。

F檢驗(yàn)是檢驗(yàn)回歸模型的顯著意義，即所有解釋變量聯(lián)合起來(lái)對(duì)被解釋變量的影響。對(duì)方程聯(lián)合顯著性檢驗(yàn)的F檢驗(yàn)，實(shí)際上也是對(duì)可決系數(shù)的顯著性檢驗(yàn)。

R的平方值系數(shù)實(shí)際反映樣本數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)間的相關(guān)程度。越接近1，回歸平面擬合程度越高；反之，越接近0，擬合程度越低。

sig值的含義是顯著性。一般將該sig值與0.05相比較，如果大于0.05，說(shuō)明差異不顯著，從而認(rèn)為兩組數(shù)據(jù)之間的平均值相等；如果小于0.05，說(shuō)明差異顯著，認(rèn)為兩組數(shù)據(jù)之間的平均值不相等。

3.3.1 聚類(lèi)-1線(xiàn)性回歸模型分析

調(diào)整后的R平方值為0.824，擬合優(yōu)度較高，不被解釋的變量較少，即表示輸入變量中82.4%的自變量對(duì)因變量線(xiàn)損值有影響。依據(jù)此系數(shù)可知，樣本數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)間的相關(guān)程度與模型模擬程度較高，模型具有可用性。

回歸方程顯著性檢驗(yàn)(sig值)的概率為0，小于顯著性水平0.05，則認(rèn)為系數(shù)不同時(shí)為0，被解釋變量與解釋變量全體的線(xiàn)性關(guān)系是顯著的，說(shuō)明生成的模型具有明顯的統(tǒng)計(jì)學(xué)意義。

如圖5所示，給出了回歸方程的系數(shù)值，即常量為1.930，居民容量為0.010，居民戶(hù)均容量為1.068，臺(tái)區(qū)竊電電量為0.013，居民戶(hù)數(shù)為0.012，最大負(fù)載率為0.920。

所以線(xiàn)性回歸方程為[8]：

線(xiàn)損率=1.930+0.01*居民容量+1.068*居民戶(hù)均容量+0.012*居民戶(hù)數(shù)+0.013*臺(tái)區(qū)竊電量+0.92*最大負(fù)載率

將臺(tái)區(qū)樣本數(shù)據(jù)代入線(xiàn)性回歸方程可得出臺(tái)區(qū)線(xiàn)損率預(yù)測(cè)值，并將臺(tái)區(qū)預(yù)測(cè)線(xiàn)損率與臺(tái)區(qū)實(shí)際線(xiàn)損率通過(guò)折線(xiàn)圖作比較，如圖6所示?？芍蟛糠峙_(tái)區(qū)的實(shí)際線(xiàn)損率與預(yù)測(cè)線(xiàn)損率較為接近，但存在少數(shù)臺(tái)區(qū)的線(xiàn)損率實(shí)際值遠(yuǎn)大于預(yù)測(cè)值的情況。出現(xiàn)這一現(xiàn)象的可能原因如下：①臺(tái)區(qū)的實(shí)際線(xiàn)損率在日常統(tǒng)計(jì)工作中有較大誤差，導(dǎo)致預(yù)測(cè)結(jié)果不合理；②該部分臺(tái)區(qū)的線(xiàn)損率有異常，可能存在用戶(hù)偷竊電行為，需加強(qiáng)管理與核實(shí)。

圖5 聚類(lèi)-1的線(xiàn)性回歸模型系數(shù)

圖6 聚類(lèi)-1臺(tái)區(qū)實(shí)際線(xiàn)損率和預(yù)測(cè)線(xiàn)損率誤差值

3.3.2 聚類(lèi)-2線(xiàn)性回歸模型分析

調(diào)整后的R2值為0.612，擬合優(yōu)度較高，不被解釋的變量較少，即表示輸入變量中61.2%的自變量對(duì)因變量線(xiàn)損值有影響。依據(jù)此系數(shù)可知，樣本數(shù)據(jù)與預(yù)測(cè)數(shù)據(jù)間的相關(guān)程度較高，模型模擬程度較高,模型具有可用性。 回歸方程顯著性檢驗(yàn)的概率為0，小于顯著性水平0.05，則認(rèn)為系數(shù)不同時(shí)為0，被解釋變量與解釋變量全體的線(xiàn)性關(guān)系是顯著的，表明生成的模型具有明顯的統(tǒng)計(jì)學(xué)意義。

如圖7所示，給出了回歸方程的系數(shù)值，即常量為5.681，非居民戶(hù)均容量為0.045，臺(tái)區(qū)總?cè)萘?.005，最大負(fù)載率為2.952，臺(tái)區(qū)竊電電量為0.015，所以線(xiàn)性回歸方程為：

線(xiàn)損率=5.681+0.045*非居民戶(hù)均容量+0.005*臺(tái)區(qū)總?cè)萘?2.952*最大負(fù)載率+0.015*臺(tái)區(qū)竊電總量

同樣，將聚類(lèi)-2中的臺(tái)區(qū)樣本數(shù)據(jù)代入線(xiàn)性回歸方程可得出臺(tái)區(qū)預(yù)測(cè)線(xiàn)損率，并將臺(tái)區(qū)預(yù)測(cè)線(xiàn)損率與臺(tái)區(qū)實(shí)際線(xiàn)損率通過(guò)折線(xiàn)圖作比較，如圖8所示?？芍蟛糠峙_(tái)區(qū)的實(shí)際線(xiàn)損率與預(yù)測(cè)線(xiàn)損率較為接近，存在少數(shù)臺(tái)區(qū)的線(xiàn)損率實(shí)際值遠(yuǎn)大于或遠(yuǎn)小于線(xiàn)損預(yù)測(cè)值的情況。出現(xiàn)這一現(xiàn)象的可能原因如下：①臺(tái)區(qū)的實(shí)際線(xiàn)損率在日常統(tǒng)計(jì)工作中有較大誤差，導(dǎo)致預(yù)測(cè)結(jié)果不合理；②該部分臺(tái)區(qū)的線(xiàn)損率有異常，可能存在用戶(hù)偷竊電行為，需加強(qiáng)管理與核實(shí)。

圖7 聚類(lèi)-2的線(xiàn)性回歸模型系數(shù)

圖8 聚類(lèi)-2臺(tái)區(qū)實(shí)際線(xiàn)損率與預(yù)測(cè)線(xiàn)損率誤差值

4 結(jié)語(yǔ)

在企業(yè)的供電管理中，應(yīng)加大對(duì)線(xiàn)損數(shù)據(jù)的分析預(yù)測(cè)，這是降低電網(wǎng)線(xiàn)損率的有益舉措，同時(shí)也是提高企業(yè)供電管理水平的有效手段。使用合理的數(shù)據(jù)分析模型有以下3方面優(yōu)勢(shì)：①可以找出線(xiàn)損管理工作的不足與降損方向。針對(duì)線(xiàn)損較高或居高不下的情況，可以找出電網(wǎng)結(jié)構(gòu)的薄弱環(huán)節(jié)，以及管理方面存在的問(wèn)題，確定改善電網(wǎng)結(jié)構(gòu)工作的重點(diǎn)，加強(qiáng)管理，降低線(xiàn)損；②可及時(shí)查找出線(xiàn)損升降原因，特別是上升原因，準(zhǔn)確掌握每條線(xiàn)路在不同用電季節(jié)、各種用電負(fù)荷情況下所引起的線(xiàn)損變化規(guī)律及特點(diǎn)，以確定降損的主攻方向，以便有針對(duì)性地采取降損措施，使電網(wǎng)的線(xiàn)損率降到合理范圍，提高企業(yè)的經(jīng)濟(jì)效益和社會(huì)效益；③可以找出電網(wǎng)運(yùn)行存在的問(wèn)題，確定最佳運(yùn)行方案。

在實(shí)際應(yīng)用中，需要不斷加強(qiáng)該數(shù)據(jù)分析模型技術(shù)應(yīng)用于電網(wǎng)數(shù)據(jù)的管理，提高計(jì)量遠(yuǎn)程采集管理水平。通過(guò)此技術(shù)預(yù)測(cè)各電網(wǎng)指標(biāo)的運(yùn)行狀態(tài)及偏差值，并及時(shí)作出指導(dǎo)建議，為供電工作提供有效的輔助。

[1] 周愛(ài)武,于亞飛.K-Means聚類(lèi)算法的研究[J].計(jì)算機(jī)技術(shù)與發(fā)展,2011,21(2):62-65.

[2] 馮能山,林志華,等.一種K-means聚類(lèi)的改進(jìn)算法與實(shí)現(xiàn)[J].軟件導(dǎo)刊,2012，11(3)：66-70.

[3] 李芳.DE算法在多元線(xiàn)性回歸模型參數(shù)估計(jì)中的應(yīng)用[J].軟件導(dǎo)刊,2012,11(6):46-48.

[4] 蕭萍.基于因果圖的測(cè)試用例設(shè)計(jì)及應(yīng)用[J].軟件導(dǎo)刊,2016,15(4):44-46.

[5] 周天祥.通俗易懂的QCC——矩陣圖法[J].中國(guó)質(zhì)量,2003(12)：59.

[6] 顧軍,王清靈,等.基于SVG的電網(wǎng)功率因數(shù)控制系統(tǒng)[J].電力自動(dòng)化設(shè)備,2011(2)：40-43,47.

[7] 于群,曹娜,等.負(fù)載率對(duì)電力系統(tǒng)自組織臨界狀態(tài)的影響分析[J].電力系統(tǒng)自動(dòng)化,2012(1)：24-27,37.

[8] 周紅艷.配電網(wǎng)理論線(xiàn)損率的分析與預(yù)測(cè)[D].蕪湖:安徽工程大學(xué),2015.

(責(zé)任編輯：黃 健)

沈泓(1970-)，女，江蘇常州人，國(guó)網(wǎng)江蘇省電力公司常州供電公司電力調(diào)度控制中心高級(jí)工程師，研究方向?yàn)殡娋W(wǎng)調(diào)度自動(dòng)化技術(shù)；劉順(1990-)，男，江蘇南京人，江蘇瑞中數(shù)據(jù)股份有限公司工程師，研究方向?yàn)橹悄芊治黾夹g(shù)在電網(wǎng)領(lǐng)域的挖掘。

10.11907/rjdk.162534

TP319

A

1672-7800(2017)003-0103-05