从电力数据采集系统的实际采集数据出发,通过数据挖掘手段对海量数据进行处理,从而建立线损率预测模型。提出了一种基于主元-神经网络(PCA-ANN)的线损海量数据快速处理方法,通过PCA提取主元,排除干扰因素;利用神经网络建立预测模型,进行线损预测。实例证明了方法的有效性。 率与精度的双重要求。该方法简单实用，处理速度较快，在处理海量台区线损数据中取得了较好的效果。

转载 台区合理线损预测-电动液压弯管机数控弯管机张家港电动弯管机滚弧机通过预测结果与实际线损的比较可以快速定位异常台区，为台区线损管理提供可靠的科学依据。1算法原理与流程PCA-ANN算法融合了主元分析与神经网络的核心思想，PCA将高维信息投影到低维子空间，并保留主要过程信息，在数据压缩和特征提取方面具有较高的优越性。再利用神经网络建立预测模型，反映输入主元与输出变量间的非线性关系，主要算法流程如图1所示。1．1PCA分析PCA算法实现的基本流程如下:(1)对数据矩阵Xm×n的标准化处理，得到Zm×n;(2)计算Zm×n的协方差矩阵C(Z);图1基于PCA-ANN的台区线损预测快速建模流程(3)计算C(Z)的特征值λi和特征向量pi;(4)特征值按降序排序，得λ'1＞λ'2＞…＞λ'n，同时对特征向量进行相应调整得p'1，p'2，…p'n;(5)通过施密特正交化方法单位正交化特征向量p'i，得到p″1，p″2，…p″n;(6)计算特征值的累积贡献率L1，L2，…Ln，根据设定的阈值ε，若Lk≥ε，则提取k个主元;(7)计算k个主元t1，t2，…tk。1．2ＲBF神经网络ＲBF神经网络是将径向基函数用于神经网络，相比其他类型神经网络，具有无局部最小点、收敛速度快等优点。同时，ＲBF神经网络还具有很强的鲁棒性、记忆能力、非线性映射能力以及强大的自学习能力，因此在工程中得到了广泛的应用。ＲBF神经网络具有三层前向网络结构(输入层、隐含层与输出层)，其结构如图2所示。图2ＲBF神经网络结构ＲBF神经网络的输入是k个向量x1，x2，…，x台区合理线损预测-电动液压弯管机数控弯管机张家港电动弯管机滚弧机 转载