一种基于XGBoost的配电网线路夏季峰值负荷预测方法技术

本发明专利技术涉及一种基于XGBoost的配电网线路夏季峰值负荷预测方法，首先对预测线路列表中的线路进行夏季负载率峰值增长趋势聚类分析，筛选出未来可能发生重过载的线路作为待预测线路；然后再从筛选后的预测线路中挑选典型线路进行XGBoost模型建模、参数调优，XGBoost模型采用的样本特征值包括气象特征数据、时间特征数据和春季负荷特征数据；最后用统一的模型参数预测筛选后预测线路列表的夏季负荷高峰周的线路负荷曲线，输出预测结果清单。本发明专利技术针对线路历史数据量大、负荷预测计算量大的问题，通过负载率峰值增长趋势聚类分析减少待预测线路，避免不必要的计算，提高预测精度。提高预测精度。提高预测精度。

【技术实现步骤摘要】
一种基于XGBoost的配电网线路夏季峰值负荷预测方法


[0001]本专利技术涉及一种基于XGBoost的配电网线路夏季峰值负荷预测方法，属于配电网负荷预测


技术介绍

[0002]夏季用电高峰时段，城市配电网供电形势较为严峻，可能出现线路重过载现象，对配电网构成冲击。为平稳迎峰度夏，在每年夏季到来之前，配网管理人员通常提前1
‑
2个月对配电网线路进行负荷峰值预测，准确识别夏季将出现重过载现象的线路，并预测其峰值负荷大小，这对于电力部门有计划地制订和实施电网规划、增容和改扩建方案至关重要。
[0003]配电网线路通常多达数千条，预测配电网线路未来1
‑
2个月后的夏季负荷峰值，需要提取大量预测对象的历史数据，同时需要考虑不同线路可能有不同程度的负荷影响因素，且预测时间跨度介于短期预测和中期预测之间，对模型的泛化性提出了更高的要求，使得负荷预测更加困难。因此，如何对未来某一时段线路的高峰负荷走势展开精确预测成为了亟待解决的问题。

技术实现思路

[0004]为了解决上述现有技术中存在的问题，本专利技术提供一种基于XGBoost的配电网线路夏季峰值负荷预测方法，能够识别发生重过载可能性低的线路，筛选出未来可能发生重过载的线路作为待预测线路，以减少待预测线路，避免不必要的计算，同时基于气象因素、时间因素、春季基础负荷数据建立负荷预测模型，以提高预测精度。
[0005]本专利技术的技术方案如下：
[0006]一种基于XGBoost的配电网线路夏季峰值负荷预测方法，包括以下步骤：
[0007](1)确定预测线路列表及待预测时间段，并获取预测线路列表中所有线路的最大允许载流量、近三至五年的历史电流负荷数据和气象数据；
[0008](2)提取预测线路列表中各线路近三至五年的夏季负荷峰值、最大允许载流量，计算出夏季峰值负载率，并按年份组成各条线路的夏季峰值负载率增长趋势曲线，再对线路峰值负载率增长趋势曲线进行聚类分析；
[0009](3)依据经过步骤(2)获得的线路峰值负载率增长趋势曲线聚类结果，剔除近年负载率低且增长趋势平缓、未来出现重载可能性低的线路，从而得到筛选后的预测线路列表，预测线路列表留下的为未来出现重载率高的线路；
[0010](4)从筛选后的预测线路列表中选取多条典型线路，进行XGBoost模型训练，通过调参优化，确定统一的算法参数；
[0011](5)用统一的算法参数，对筛选后的预测线路列表中的所有线路进行负荷模型训练、负荷预测，得到待预测时段每个时刻的线路负荷值，求出每条线路负荷高峰周的最大负载率，输出预测结果清单。
[0012]进一步地，所述步骤(1)中预测线路列表中包括所有需要进行峰值预测的配电网
线路；所述待预测时间段为某年夏季负荷高峰周。
[0013]进一步地，所述步骤(1)历史电流负荷数据包括近三至五年每年春季一个星期的基础负荷数据以及夏季负荷高峰周的负荷数据；所述气象数据包括日最高气温、日最低气温和日最大风力。
[0014]进一步地，所述步骤(4)中XGBoost模型采用框架为py
‑
xgboost框架，XGBoost参数设定为：树的最大个数n_estimators设置为100，subsample设置为1.0，学习率设置为0.1，其他参数均设置为默认值。
[0015]进一步地，所述步骤(4)中XGBoost模型训练采用的夏季负荷高峰周每个负荷值作为样本值，对应的样本特征值数据包括气象特征数据、时间特征数据和春季负荷特征数据。
[0016]进一步地，所述气象特征数据包括每个夏季负荷样本值对应时刻的最高温度、最低温度、温差、风力；所述时间特征数据包括每个夏季负荷样本值对应时刻所属的年、月、日、时、分、是否工作日；所述春季负荷特征数据包括每个夏季负荷样本值对应时刻所在年份的春季负荷峰值。
[0017]进一步地，所述步骤(5)中用统一的算法参数，对待预测线路进行负荷模型训练完成后，将待预测时段每个预测时刻的特征值组成预测输入数据，再调用训练好的模型，即可计算得到待预测时段每个时刻的线路负荷值，从而得到线路在预测时段的最大负载率，输出预测结果清单。
[0018]与现有技术相比，本专利技术具有如下有益效果：
[0019]1、本专利技术提供的一种基于XGBoost的配电网线路夏季峰值负荷预测方法，主要针对线路历史数据量大、负荷预测计算量大的问题，通过数据的收集汇总，识别剔除发生重过载可能性低的线路，筛选出未来可能发生重过载的线路作为待预测线路作为计算和预测的线路，负载率峰值增长趋势聚类分析减少待预测线路，避免不必要的计算，减少预测工作量。
[0020]2、本专利技术提供的一种基于XGBoost的配电网线路夏季峰值负荷预测方法，从筛选后的预测线路中挑选典型线路进行XGBoost模型建模、参数调优，同时基于气象因素、时间因素、春季基础负荷数据建立负荷预测模型，进而提高预测精度。
附图说明
[0021]图1为本专利技术基于XGBoost模型的配电网线路夏季峰值负荷预测方法流程图；
[0022]图2为本专利技术中线路峰值负载率增长趋势曲线聚类结果图；
[0023]图3为本专利技术挑选的典型线路预测结果对比图。
具体实施方式
[0024]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0025]参见图1，一种基于XGBoost的配电网线路夏季峰值负荷预测方法，包括以下步骤：
[0026](1)确定预测线路列表及待预测时间段，并获取预测线路列表中所有线路的最大
允许载流量、近三至五年的历史电流负荷数据和气象数据；所述预测线路列表中包括所有需要进行峰值预测的配电网线路；所述待预测时间段为某年夏季负荷高峰周；
[0027]在本实施例中，预测线路列表包括某城市配电网1000条10kV线路，待预测时段为2019年7月29日至8月2日；
[0028]在本实施例中，提取2016年至2019年共计四年的春季电流负荷数据、2016年至2018年共计三年的夏季电流负荷数据，电流负荷数据采样间隔为5分钟，即每天有288个时间点的负荷数据。
[0029](2)提取预测线路列表中各线路近三至五年的夏季负荷峰值、最大允许载流量，计算出夏季峰值负载率，并按年份组成各条线路的夏季峰值负载率增长趋势曲线，再对线路峰值负载率增长趋势曲线进行聚类分析；在本实施例中，每条线路包括2016年至2018年夏季电流峰值负荷值，换算成负载率，再进行K
‑
means聚类，设置聚类中心个数为10；
[0030](3)依据经过步骤(2)获得的线路峰值负载率增长趋势曲线聚类结果，剔除近年负载率低且增长本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于XGBoost的配电网线路夏季峰值负荷预测方法，其特征在于，包括以下步骤：(1)确定预测线路列表及待预测时间段，并获取预测线路列表中所有线路的最大允许载流量、近三至五年的历史电流负荷数据和气象数据；(2)提取预测线路列表中各线路近三至五年的夏季负荷峰值、最大允许载流量，计算出夏季峰值负载率，并按年份组成各条线路的夏季峰值负载率增长趋势曲线，再对线路峰值负载率增长趋势曲线进行聚类分析；(3)依据经过步骤(2)获得的线路峰值负载率增长趋势曲线聚类结果，剔除近年负载率低且增长趋势平缓、未来出现重载可能性低的线路，从而得到筛选后的预测线路列表，预测线路列表留下的为未来出现重载率高的线路；(4)从筛选后的预测线路列表中选取多条典型线路，进行XGBoost模型训练，通过调参优化，确定统一的算法参数；(5)用统一的算法参数，对筛选后的预测线路列表中的所有线路进行负荷模型训练、负荷预测，得到待预测时段每个时刻的线路负荷值，求出每条线路负荷高峰周的最大负载率，输出预测结果清单。2.根据权利要求1所述的一种基于XGBoost的配电网线路夏季峰值负荷预测方法，其特征在于：所述步骤(1)中预测线路列表中包括所有需要进行峰值预测的配电网线路；所述待预测时间段为某年夏季负荷高峰周。3.根据权利要求2所述的一种基于XGBoost的配电网线路夏季峰值负荷预测方法，其特征在于：所述步骤(1)历史电流负荷数据包括近三至五年每年春季一个星期的基础负荷数据以及夏季负荷高峰周的负荷数据；所述气象数据包括...

【专利技术属性】
技术研发人员：陈锦植，梁宏池，陈超锋，苏建新，林锦灿，陈琪，陈金星，陈剑，陈利娜，柳卫明，洪云飞，罗莹莹，彭积城，刘毅，刘海琼，郑梦娜，
申请(专利权)人：国网福建省电力有限公司杭州沃瑞电力科技有限公司，
类型：发明
国别省市：