针对电压偏差预测难度大的问题,文中提出一种新的电压偏差预测方法。该方法包括主成分分析法(pA)降维、亲和力传播(affinity propagation,AP)聚类、反向传播(back propagation,BP)神经网络预测3步。通过PCA对数据进行降维,获得数据主成分;为了弥补传统聚类方法的不足,提高聚类效果,文中引入AP聚类提取与待预测点同类的历史数据;最后选择BP神经网络建立电压偏差预测模型。将文中方法应用于实际电压偏差数据,结果表明该方法预测结果平均相对误差为3.06%,优于传统BP神经网络预测模型以及BP神经网络结合PCA降维的预测模型。 ，AP聚类算法有如下优点:(1)不需要事先指定聚类个数K;(2)多次执行得到的结果完全一样，不需要随机选取初值;(3)比其他单一聚类法的误差平方和都要低;(4)通过输入相似度矩阵来启动算法，因此对距离矩阵的对称性没要求，数据适用范围大。AP算法的流程如图1所示。图1AP算法流程Fig．1FlowchartofAPalgorithm1．3BP神经网络针对电压偏差非线性、周期性的特点，文中选取神经网络算法建立预测模型。神经网络具备很强的学习能力，能更好地适应数据空间的变化和各种复杂的数据关系。BP神经网络是一种多层前馈神经网络，该网络的主要特点是信号前向传递，误差反向传播。BP神经网络广泛应用于分类识别、逼近、回归、压缩等领域［21－24］，其结构见图2。2案例分析2．1本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/电压偏差预测流程文中选取2012年4月10日至5月15日，电压偏差预测方法-数控滚圆机滚弧机折弯机张家港钢管滚圆机滚弧机折弯机2013年4月10日至5月15日，2014年4月1日至4月26日共2352个整时点气象数据和电压偏差数据作王知芳等:一种新的电压偏差预测方法72对接下来的2014年4月27日、28日整时点的电压偏差进行预测。文中气象数据来自于上海浦东国际机场所使用的天气数据，电压偏差数据来自上海市某变电站的真实数据，组成如下的数据集记录:整点时刻，气温，露点，湿度，气压，风向，风速，状况，电压偏差。2．2改进集成聚类算法2．2．1PCA降维处理由于影响电压偏差预测精度的因素很多，为避免信息冗余现象，需对影响因素进行降维。分析数据集中数据的相关性，绘制相关性强度图，如图3所示。由图可知，气象因素中气温、湿度、风速、露点与电压偏差的相关性较高，但同时气象因素内部间的相关性也较高，若只提取与电压偏差相关性较强的气象因素，则会出现信息重复现象。图3相关性强度Fig．3Correlationstrength所以，将气象数据进行PCA降维处理，得到一组相互独立又信息量大的主成分，根据贡献率，文中将原始气象数据PCA降维为4维。2．2．2AP聚类AP算法的输入为数据点之间的相似度矩阵S，文中数据点i和j的相似度为s(i，j)=－(xi－xj)2。图4为AP聚类迭代过程。将降维后的气象数据进行AP聚类，由图4可知，AP聚类迭代约10次便趋于稳定。图4AP聚类迭代过程聚类评价指标SSE误差平方和(sE)指标ISSE用一个子类到所在类簇的聚类中心的欧氏距离来表示，即:ISSE=∑Ki=1∑x∈Xid2(ci，x)(7)式中:ci为类簇Xi的聚类中心，即ci=1mi∑x∈Xix;d(ci，x)为向量间的欧氏距离。传统K-means聚类需事先给定聚类数K值，聚类结果受初始聚类中心的影响大，导致K-means聚类算法不稳定，SSE值为3724．5268;AP聚类算法不需要随机选取初值，多次执电压偏差预测方法-数控滚圆机滚弧机折弯机张家港钢管滚圆机滚弧机折弯机本文由公司网站张家港缩管机网站采集转载中国知网整理!  http://www.suoguanji.cn/