CN108011367B - 一种基于深度决策树算法的电力负荷特性挖掘方法 - Google Patents
一种基于深度决策树算法的电力负荷特性挖掘方法 Download PDFInfo
- Publication number
- CN108011367B CN108011367B CN201711262761.4A CN201711262761A CN108011367B CN 108011367 B CN108011367 B CN 108011367B CN 201711262761 A CN201711262761 A CN 201711262761A CN 108011367 B CN108011367 B CN 108011367B
- Authority
- CN
- China
- Prior art keywords
- decision tree
- depth
- data
- power load
- mining
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Abstract
本发明揭露一种基于深度决策树算法的电力负荷特性挖掘方法,该方法通过采用深度决策树算法来对电力负荷特性进行深度的挖掘。首先通过现有的电力系统智能采集装置对海量电力用户负荷特征数据以及影响电力负荷变化的诸多因素数据进行采集,对所收集的电力负荷数据以及其他因素数据进行预处理,建立训练数据集,利用所建立的训练数据集对深度决策树算法进行训练,最后利用训练完成的深度决策树算法对电力用户负荷特性进行智能挖掘。另外,采用的深度决策树算法是一种较新的机器学习数据挖掘分类算法,该算法具有无需大量设置超参数、自行确定模型深度的优点,可对有效对电力负荷特性进行智能挖掘,所得结果可服务于电网企业调度、运行等多方面。
Description
技术领域
本发明涉及电力负荷特性分析领域,特别是涉及一种基于深度决策树算法的电力负荷特性挖掘方法。
背景技术
电力系统应当对各类用户提供安全可靠、合乎标准的电能,时刻满足电力用户即负荷的电量需求。随着社会经济快速发展、产业结构升级、全球气候环境变化、以及人民生活水平不断提高,电力负荷特性较之前发生了较大的变化。这对电力系统保证电力平衡、时刻安全稳定运行产生了冲击。为了应对这样一个局面,对电力负荷特性进行深度的挖掘,把握新形势下电力负荷特性的变化规律是一个有效解决该问题的措施。
电力负荷特性分析的传统方法往往是统计分析法,无法深入地对电力负荷特性进行深入地挖掘分析。只能获得粗略的电力系统负荷特性分类和简单分析结果。这种方法耗时费力,无法及时响应快速变化的电力负荷特性变化。因此寻找一个快速高效的方法来对电力系统负荷特性进行挖掘是一个亟待解决的问题。
发明内容
针对以上技术问题,本发明提出一种基于深度决策树算法的电力负荷特性挖掘方法,其通过利用深度决策树算法,对基本的电力负荷特性的提取和逐层处理,来达到对电力系统负荷特性进行深度挖掘的目标,从而指导电力企业安全调度和稳定运行。
一种基于深度决策树算法的电力负荷特性挖掘方法,包括以下步骤:
S110、通过现有的电力系统智能采集装置对海量电力用户负荷特征数据以及影响电力负荷变化的诸多因素数据进行采集,所用的电力系统智能采集装置应具备高频采集功能,且应具备将海量电力系统负荷特性数据及影响电力负荷变化的诸多因素数据进行储存的功能;
S120、对所采集的电力用户负荷特性数据及影响电力负荷变化的诸多因素数据进行预处理,建立训练数据样本集和测试集;
S130、根据用户需要自行设置深度决策树模型超参数,即深度决策树算法中的初始森林模型参数;
S140、利用训练数据样本集对深度决策树模型进行训练,开始形成包含电力负荷数据特性提取挖掘过程和具有一定深度的逐层处理的深度决策树模型;
S150、利用测试集对当前形成的深度决策树模型进行测试,自动确定深度决策树模型深度。若准确率有所提高则继续加大模型深度,否则停止增加深度决策树的深度;
S160、得到训练完成的深度决策树模型后,向模型中输入需要进行负荷特性挖掘的观测值数据,最终输出负荷特性预测结果。
优选的,所述的电力用户负荷特征数据包括:分时域的负荷特性、频域功率曲线频谱。影响电力负荷变化的因素数据包括:电力用户所处地区的日最高温度、日最低温度、日平均温度、降雨量、空气湿度以及日期属性等。
优选的,所述深度决策树参数包括:决策树产生方法、决策树的棵数、决策树的停止生长的条件、深度决策树提取样本数据特性的方法。
优选的,所述深度决策树模型具有的电力系统负荷特性挖掘的阶段为:
(1)电力负荷数据特性提取挖掘过程:对现有收集的电力负荷特征数据利用决策树进行深层特征提取,获得更具代表性的特征属性;
(2)具有一定深度的逐层挖掘过程:利用深度决策树结构,对所提取获得的更具代表性的特征属性进行深度的电力负荷特性挖掘。
优选的,所述利用测试集对当前形成的深度决策树模型进行测试,自动确定深度决策树模型深度,对于当前形成的深度决策树模型,算法将利用测试集对现有模型的能力进行测试,深度决策树算法训练过程将不断加大深度,直至模型的能力不再提高为止,可自行确定模型深度。
上述基于深度决策树算法的电力负荷特性挖掘方法,该方法通过采用深度决策树算法来对电力负荷特性进行深度的挖掘。首先通过现有的电力系统智能采集装置对海量电力用户负荷特征数据以及影响电力负荷变化的诸多因素数据进行采集。其次对所收集的电力负荷数据以及其他因素数据进行预处理,建立训练数据集。再次利用所建立的训练数据集对深度决策树算法进行训练。最后利用训练完成的深度决策树算法对电力用户负荷特性进行智能挖掘。
相对于现有技术,本发明的有益之处在于:采用的深度决策树算法是一种较新的机器学习数据挖掘分类算法,该算法具有无需大量设置超参数、自行确定模型深度的优点,可对有效对电力负荷特性进行智能挖掘,所得结果可服务于电网企业调度、运行等多方面,从而有利于提高电力企业的经济效益;本发明的方法考虑了新型的电力负荷特性指标,而不是以往单纯的时域特性指标作为分析电力负荷特性的依据。
附图说明
图1为本发明的基于深度决策树算法的电力负荷特性挖掘方法的方法流程图;
图2为决策树算法示意图;
图3为电力负荷数据特性提取挖掘过程示意图;
图4为具有一定深度的逐层处理的深度决策树模型示意图。
具体实施方式
请参考图1、图2、图3和图4,本发明的一个实施方式提供一种基于深度决策树算法的电力负荷特性挖掘方法。该实施办法主要以海量电力负荷数据以及其他因素数据为基础,利用深度决策树算法对电力用户负荷特性进行智能挖掘。该基于深度决策树算法的电力负荷特性挖掘方法包括以下步骤:
步骤S110,通过现有的电力系统智能采集装置对海量电力用户负荷特征数据以及影响电力负荷变化的诸多因素数据进行采集。上述的电力系统智能采集装置包括:数据釆集与监控系统(SCADA)、广域测量系统(WAMS)和故障录波监测系统(FRMS)等智能采集装置。电力用户负荷特征数据包括:分时域的负荷特性、频域功率曲线频谱。影响电力负荷变化的因素数据包括:电力用户所处地区的日最高温度、日最低温度、日平均温度、降雨量、空气湿度以及日期属性等。
步骤S120,对所采集的电力用户负荷特性数据及影响电力负荷变化的诸多因素数据进行预处理,建立训练数据样本集和测试集。预处理主要为数值数据的归一化处理,消除指标之间的量纲影响。具体描述如下:
其中xmin为样本数据的最大值,xmax为样本数据的最小值,x*为对样本数据进行归一化的结果。
对于日期属性等类别数据,需要人为设定数值数据与之一一对应,然后继续按照数值数据的归一化处理方式对数据进行预处理。
训练数据样本集和测试集各占样本总量的80%和20%。
步骤S130,根据用户需要自行设置深度决策树模型超参数,即深度决策树算法中的初始森林模型参数。深度决策树算法的参数包括:决策树生成方式、决策树的数目、随机属性个数、决策树最大深度、叶子节点最少记录数、叶子节点最少记录百分比。具体参数如下:
算法类型:ID3算法、CART算法、C4.5算法
决策树的数目:默认500棵,范围为(0,1000];
随机属性个数:单颗树在生成时,每次选择最优特征属性,随机的特征特性个数。可供选择的类型有logN,N/3,sqrtN,N四种类型,其中N为属性总数;
树最大深度:单颗树的最大深度,范围[1,∞),其中1表示完全生长;
叶子节点最少记录数:(可选)叶节点数据的最小个数,最小个数为2;
叶子节点最少记录百分比:(可选)叶节点数据个数占父节点的最小比例,范围[0,100],-1表示无限制,默认-1。
步骤S140,利用训练数据样本集对深度决策树模型进行训练,开始形成包含电力负荷数据特性提取挖掘过程和具有一定深度的逐层处理的深度决策树模型,决策树算法如图2所示,电力负荷数据特性提取挖掘过程和具有一定深度的逐层处理过程如图3和图4所示,具体描述如下:
(1)电力负荷数据特性提取挖掘过程:
设置取值窗口,对电力负荷序列数据进行滑动取值,将取值所得的每个小片段输入由多棵决策树组成的森林模型进行处理,得到具有增强特性的电力负荷数据特征片段,并将所有特征数据片段拼接,输出一个比原始电力负荷数据更具表征能力的增强向量。
(2)具有一定深度的逐层处理的深度决策树模型:
向训练完成的深度决策树模型输入增强向量,每一层决策树集合将产生增强向量作为下一层的输入。逐层处理,信息逐层传递,直至得到最终结果。
步骤S150,利用测试集对当前形成的深度决策树模型进行测试,自动确定深度决策树模型深度。若准确率有所提高则继续加大模型深度,否则停止增加深度决策树的深度。
步骤S160,得到训练完成的深度决策树模型后,向模型中输入需要进行负荷特性挖掘的观测值数据,最终输出负荷特性挖掘结果。
通过以上步骤就可以得到对于新的电力负荷观测值所对应的负荷特性,通过对该负荷特性的准确把握,能够服务于电网企业调度、运行等多方面,从而有利于提高电力企业的经济效益。本发明采用深度决策树算法,这是一种较新的机器学习数据挖掘算法,相对于其他数据挖掘算法,如人工神经网络(Artificial Neural Network,ANN)、模糊神经网络(Fuzzy Neural Network,FNN)算法的求解方法,具有训练速度快,可以并行训练和挖掘、更具表征能力等优点。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求为准。
Claims (5)
1.一种基于深度决策树算法的电力负荷特性挖掘方法,其特征在于,包括以下步骤:
S110、通过现有的电力系统智能采集装置对海量电力用户负荷特征数据以及影响电力负荷变化的因素数据进行采集;
S120、对所采集的电力用户负荷特性数据及影响电力负荷变化的因素数据进行预处理,建立训练数据样本集和测试集;
S130、根据用户需要自行设置深度决策树模型超参数,即深度决策树算法中的初始森林模型参数;
S140、利用训练数据样本集对深度决策树模型进行训练,开始形成包含电力负荷数据特性提取挖掘过程和具有一定深度的逐层处理的深度决策树模型;
S150、利用测试集对当前形成的深度决策树模型进行测试,自动确定深度决策树模型深度,若准确率有所提高则继续加大模型深度,否则停止增加深度决策树的深度;
S160、得到训练完成的深度决策树模型后,向模型中输入需要进行负荷特性挖掘的观测值数据,最终输出负荷特性预测结果。
2.根据权利要求1所述的基于深度决策树算法的电力负荷特性挖掘方法,其特征在于,所述深度决策树参数包括:决策树产生方法、决策树的棵数、决策树的停止生长的条件、深度决策树提取样本数据特性的方法。
3.根据权利要求1所述的基于深度决策树算法的电力负荷特性挖掘方法,其特征在于,所述深度决策树模型具有的电力系统负荷特性挖掘的阶段为:
(1)电力负荷数据特性提取挖掘过程:对现有收集的电力负荷特征数据利用决策树进行深层特征提取,获得更具代表性的特征属性;
(2)具有一定深度的逐层挖掘过程:利用深度决策树结构,对所提取获得的更具代表性的特征属性进行深度的电力负荷特性挖掘。
4.根据权利要求3所述的基于深度决策树算法的电力负荷特性挖掘方法,其特征在于,所述电力负荷数据特性提取挖掘过程的具体步骤为,设置取值窗口,对电力负荷序列数据进行滑动取值,将取值所得的每个小片段输入由多棵决策树组成的森林模型进行处理,得到具有增强特性的电力负荷数据特征片段,并将所有特征数据片段拼接,输出一个比原始电力负荷数据更具表征能力的增强向量;所述具有一定深度的逐层挖掘过程的具体步骤为,向训练完成的深度决策树模型输入增强向量,每一层决策树集合将产生增强向量作为下一层的输入,逐层处理,信息逐层传递,直至得到最终结果。
5.根据权利要求1所述的基于深度决策树算法的电力负荷特性挖掘方法,其特征在于,所述利用测试集对当前形成的深度决策树模型进行测试,自动确定深度决策树模型深度,对于当前形成的深度决策树模型,算法将利用测试集对现有模型的能力进行测试,深度决策树算法训练过程不断加大深度,直至模型的能力不再提高为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711262761.4A CN108011367B (zh) | 2017-12-04 | 2017-12-04 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711262761.4A CN108011367B (zh) | 2017-12-04 | 2017-12-04 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108011367A CN108011367A (zh) | 2018-05-08 |
CN108011367B true CN108011367B (zh) | 2020-12-18 |
Family
ID=62056365
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711262761.4A Active CN108011367B (zh) | 2017-12-04 | 2017-12-04 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108011367B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108493933A (zh) * | 2018-04-13 | 2018-09-04 | 贵州电网有限责任公司 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
CN110728391B (zh) * | 2018-07-17 | 2022-07-05 | 广西大学 | 一种基于可拓展信息的深度回归森林短期负荷预测方法 |
CN109345011A (zh) * | 2018-09-19 | 2019-02-15 | 中冶赛迪重庆信息技术有限公司 | 一种基于深度回归森林的空调负荷预测方法及系统 |
CN109614415B (zh) * | 2018-09-29 | 2023-03-28 | 蚂蚁金服(杭州)网络技术有限公司 | 一种数据挖掘、处理方法、装置、设备及介质 |
CN110136024B (zh) * | 2019-03-28 | 2023-10-10 | 上海芯联芯智能科技有限公司 | 获取用户的用电特征、用电习惯及用电量预测值的方法及装置 |
CN110569867A (zh) * | 2019-07-15 | 2019-12-13 | 山东电工电气集团有限公司 | 基于决策树算法的输电线路故障原因判别方法、介质及设备 |
CN111160712B (zh) * | 2019-12-06 | 2023-09-22 | 北京国电通网络技术有限公司 | 一种用户的用电参数调节方法及装置 |
CN113298422B (zh) * | 2021-06-16 | 2023-01-31 | 福建亿力优能电力科技有限公司 | 一种基于用电数据的污染源企业违规生产监控方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020022989A (ko) * | 2000-09-21 | 2002-03-28 | 박영진 | 뉴로-퍼지 모델을 이용한 전력 수요 예측 시스템 |
CN104680141A (zh) * | 2015-02-13 | 2015-06-03 | 华中师范大学 | 基于运动单元分层的人脸表情识别方法及系统 |
CN105469219A (zh) * | 2015-12-31 | 2016-04-06 | 国家电网公司 | 一种基于决策树的电力负荷数据处理方法 |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN105701596A (zh) * | 2015-12-24 | 2016-06-22 | 国家电网公司 | 一种基于大数据技术的配网抢修精益化方法以及管理系统 |
CN106384308A (zh) * | 2016-11-16 | 2017-02-08 | 南方电网科学研究院有限责任公司 | 电力系统用电负荷数据的处理方法和装置 |
CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
CN107194600A (zh) * | 2017-06-01 | 2017-09-22 | 国网山东省电力公司济南市历城区供电公司 | 一种电力负荷季节特性分类方法 |
-
2017
- 2017-12-04 CN CN201711262761.4A patent/CN108011367B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20020022989A (ko) * | 2000-09-21 | 2002-03-28 | 박영진 | 뉴로-퍼지 모델을 이용한 전력 수요 예측 시스템 |
CN104680141A (zh) * | 2015-02-13 | 2015-06-03 | 华中师范大学 | 基于运动单元分层的人脸表情识别方法及系统 |
CN105512768A (zh) * | 2015-12-14 | 2016-04-20 | 上海交通大学 | 大数据环境下用户用电关联因素辨识及用电量预测方法 |
CN105678398A (zh) * | 2015-12-24 | 2016-06-15 | 国家电网公司 | 基于大数据技术的电力负荷预测方法及基于该方法的研究应用系统 |
CN105701596A (zh) * | 2015-12-24 | 2016-06-22 | 国家电网公司 | 一种基于大数据技术的配网抢修精益化方法以及管理系统 |
CN105469219A (zh) * | 2015-12-31 | 2016-04-06 | 国家电网公司 | 一种基于决策树的电力负荷数据处理方法 |
CN106384308A (zh) * | 2016-11-16 | 2017-02-08 | 南方电网科学研究院有限责任公司 | 电力系统用电负荷数据的处理方法和装置 |
CN107179503A (zh) * | 2017-04-21 | 2017-09-19 | 美林数据技术股份有限公司 | 基于随机森林的风电机组故障智能诊断预警的方法 |
CN107194600A (zh) * | 2017-06-01 | 2017-09-22 | 国网山东省电力公司济南市历城区供电公司 | 一种电力负荷季节特性分类方法 |
Non-Patent Citations (2)
Title |
---|
基于 Spark 平台和并行随机森林回归算法的短期电力负荷预测;刘琪琛 等;《电力建设》;20121031;第38卷(第10期);第84-91页 * |
计及用电模式的居民负荷梯度提升树分类识别方法;王守相 等;《电力系统及其自动化学报》;20170930;第29卷(第9期);第27-33页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108011367A (zh) | 2018-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108011367B (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
CN107179503B (zh) | 基于随机森林的风电机组故障智能诊断预警的方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
CN107273920A (zh) | 一种基于随机森林的非侵入式家用电器识别方法 | |
CN109685314B (zh) | 一种基于长短期记忆网络的非侵入负荷分解方法和系统 | |
CN109387712A (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN106446016A (zh) | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 | |
CN111368904B (zh) | 一种基于电力指纹的电器设备识别方法 | |
CN111950585A (zh) | 一种基于XGBoost的地下综合管廊安全状况评估方法 | |
CN111210170B (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN103325071A (zh) | 一种基于密度聚类的用户典型负荷曲线的构建方法 | |
CN110690701A (zh) | 一种异常线损影响因素的分析方法 | |
CN111209934A (zh) | 风机故障预报警方法及系统 | |
CN116780781B (zh) | 智能电网接入的功率管理方法 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN108241867A (zh) | 一种分类方法及装置 | |
CN113284004A (zh) | 一种基于孤立森林算法的电力数据诊断的治理方法 | |
CN106846170B (zh) | 一种发电机组跳闸监测方法及其监测装置 | |
CN116933010A (zh) | 一种基于多源数据融合与深度学习的负载率分析评价方法和系统 | |
CN108493933A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
Xu | Analysis and comparison of forecasting algorithms for telecom customer churn | |
CN105183612B (zh) | 服务器可用内存异常增长及运行状况的评估方法 | |
Zhang et al. | Analysis of influencing factors of transmission line loss based on GBDT algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
TR01 | Transfer of patent right |
Effective date of registration: 20210916 Address after: No.17 Binhe Road, Nanming District, Guiyang City, Guizhou Province Patentee after: Guizhou Power Grid Co.,Ltd. Address before: 550002 Jiefang Road, Nanming District, Guiyang, Guizhou Province, No. 32 Patentee before: ELECTRIC POWER RESEARCH INSTITUTE, GUIZHOU POWER GRID Co.,Ltd. |
|
TR01 | Transfer of patent right |