【技术实现步骤摘要】
所属的技术人员知道，本专利技术可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本专利技术还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(ram)，只读存储器(rom)、可擦式可编程只读存储器(eprom或闪存)、光纤、便携式紧凑磁盘只读存储器(cd-rom)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。本专利技术是参照根据本专利技术实施例的方法、设备(系统)、和计算机程序产品的流程图和方框图来描述的。应理解可由计算机程序指令实现流程图和方框图中的每一流程或方框、以及流程图或方框图中的流程和方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和方框图一个方框或多个方框中指定的功能的装置。这
技术介绍
1、随着电能的应用场景越来越广泛和全社会用电量的不断增长，提高电能的管理水平和利用率就变得越来越重要。但是，在电力生产和传输过程中，由于设备的自身损耗(即铁损和铜损)、电网的规划不合理、电网建设不同步等原因，大量的电能白白的损耗掉，产生了极大的资源浪费。
2、在当前的电力系统线损管理实践中，供电企业普遍依赖于传统的人工分析和排查方法，这种方法虽然能够在一定程度上识别出关键节点并采取相应的措施来降低线损，但由于其依赖于事后的数据分析，不可避免地带来了管理上的滞后性，导致线损管理往往成为一种补救性措施。这种滞后性不仅影响了线损管理的效率和效果，也限制了电网运行水平的提升。因此，迫切需要开发一种基于时序特征的线损率预测方法，这种方法应能够提前预测线损率，实现线损的超前管控，提高线损管理的实时性和主动性，优化电网的运行效率，降低运营成本，提升电力供应的可靠性和稳定性，为电力用户提供更加优质的电力服务。
技术实现思路
1、本专利技术的主要目的在于提供一种基于梯度提升树的线损率预测方法，有效解决
技术介绍
中提到的上述问题。
2、本专利技术的技术方案如下：
3、提出一种基于梯度提升树的线损率预测方法。，该方法包括如下步骤：
4、s1、提取电网系统和气象平台预定时间内的历史数据，并根据时间序列同步混合，输出历史时间序列特征数据；
5、s2、对历史时间序列特征数据依次进行数据清洗、删除异常值、数据规范化、数据分配的预处理操作，输出预处理数据；
6、s3、提取预处理数据的窗口内统计特征，并依次进行滞后性特征分析、周期性特征分析、趋势性特征分析；
7、s4、将历史时间序列特征数据输入梯度提升树模型进行训练，得到线损率预测模型并进行线损率预测。
8、本专利技术进一步的改进在于，所述s1中的历史数据包括历史电网运行数据、历史气象状态数据、历史线损率数据；所述历史电网运行数据包括首端电压数据、有功功率数据、无功功率数据、国网输入量数据和国网售电量数据；所述历史气象状态数据包括温度数据、湿度数据、天气现象数据。
9、本专利技术进一步的改进在于，所述s2包括以下具体步骤：
10、s21、对历史时间序列特征数据进行数据清洗并对异常数据做删除化处理；
11、s22、通过归一化算法将历史时间序列特征数据缩放至[0,1]区间，所述归一化公式具体为：其中，c为历史时间序列特征数据，c为通过归一化算法变换后的特征数据，min(c)为历史时间序列特征数据集中的最小值，max(c)为历史时间序列特征数据集中的最大值，输出通过归一化算法变换后的特征数据集；
12、s23、将通过归一化算法变换后的特征数据集分成特征集x和线损率标签集y,分别按照9：1的比例划分训练集(xtrain,ytrain)和验证集(xtest,ytest)。
13、本专利技术进一步的改进在于，所述s3的窗口内统计特征包括窗口内最大值、窗口内最小值、窗口内标准差。
14、本专利技术进一步的改进在于，所述s3中对预处理数据进行滞后性特征分析的具体内容为：提取时间序列{x[1],x[2],...,x[n]}滞后一个时间点{x[0],x[1],...,x[n-1]}的特征数据集。
15、本专利技术进一步的改进在于，所述s3中对预处理数据进行周期性特征分析的具体内容为：将预处理数据进行傅里叶变换，提取频域相关特征，所述离散傅里叶变换公式为：其中，n为时间长度，x[n]为时间序列，x[k]为频率域的复数表示，k为频率索引，i为虚数单位。
16、本专利技术进一步的改进在于，所述s3中对预处理数据进行趋势性分析的具体内容为：利用小波变换分析预处理数据在不同时间尺度上的变化规律，所述小波变换公式为：其中，f(t)为时间序列数据，a为尺度参数，b为时间平移参数，ψ为小波函数，ψ*为小波函数的复共轭。
17、本专利技术进一步的改进在于，所述s4包括以下具体步骤：
18、s41、定义目标函数其中，l(θ)为总体目标函数，为单个样本的损失函数，为正则化项，t为树的叶节点数，γ为叶节点数的正则化系数，λ为叶节点权重平方和的正则化系数，ωj为第j个叶子节点的权重；
19、s42、依照梯度提升更新规则，通过逐步添加树来最小化损失函数，模型的预测值为所有树预测值的和，具体公式如下：其中，为第t轮迭代后的预测值，fk(xi)为第k棵树对样本xi的预测值，每棵树通过最小化当前损失函数的负梯度来拟合，所述损失函数的负梯度具体公式如下：拟合一棵新的树ft来预测负梯度，具体公式为：更新模型的预测值其中，η为学习率。
20、本专利技术进一步的改进在于，所述s4还包括：采用平均绝对百分比误本文档来自技高网...
【技术保护点】
1.一种基于梯度提升树的线损率预测方法，其特征在于：包括以下具体步骤：
2.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述S1中的历史数据包括历史电网运行数据、历史气象状态数据、历史线损率数据；所述历史电网运行数据包括首端电压数据、有功功率数据、无功功率数据、国网输入量数据和国网售电量数据；所述历史气象状态数据包括温度数据、湿度数据、天气现象数据。
3.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述S2包括以下具体步骤：
4.根据权利要求2所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述S3的窗口内统计特征包括窗口内最大值、窗口内最小值、窗口内标准差。
5.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述S3中对预处理数据进行滞后性特征分析的具体内容为：提取时间序列{x[1],x[2],...,x[N]}滞后一个时间点{x[0],x[1],...,x[N-1]}的特征数据集。
6.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，
7.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述S3中对预处理数据进行趋势性分析的具体内容为：利用小波变换分析预处理数据在不同时间尺度上的变化规律，所述小波变换公式为：其中，f(t)为时间序列数据，a为尺度参数，b为时间平移参数，ψ为小波函数，ψ*为小波函数的复共轭。
8.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述S4包括以下具体步骤：
9.根据权利要求8所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述S4还包括：采用平均绝对百分比误差作为预测效果判断的依据，所述平均绝对百分比误差的公式如下：n为样本数量，yi为第i个实际值，是第i个预测值。
...【技术特征摘要】
1.一种基于梯度提升树的线损率预测方法，其特征在于：包括以下具体步骤：
2.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述s1中的历史数据包括历史电网运行数据、历史气象状态数据、历史线损率数据；所述历史电网运行数据包括首端电压数据、有功功率数据、无功功率数据、国网输入量数据和国网售电量数据；所述历史气象状态数据包括温度数据、湿度数据、天气现象数据。
3.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述s2包括以下具体步骤：
4.根据权利要求2所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述s3的窗口内统计特征包括窗口内最大值、窗口内最小值、窗口内标准差。
5.根据权利要求1所述的一种基于梯度提升树的线损率预测方法，其特征在于：所述s3中对预处理数据进行滞后性特征分析的具体内容为：提取时间序列{x[1],x[2],...,x[n]}滞后一个时间点{x[0],x[1],...,x[n-1]}的特征数据集。
6.根据...
【专利技术属性】
技术研发人员：李斌，何文越，王一行，陈志，刘健良，
申请(专利权)人：南京工程学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。