CN112052985A - 一种基于lightgbm的中短期低电压预测方法 - Google Patents

Abstract

本发明公开了一种基于lightgbm的中短期低电压预测方法，包括获取节点的功率、电压、电流数据以及天气历史数据。对数据进行标幺化处理。抽取预测日的天气数据进行聚类分析，得到聚类结果后从抽取天的簇族中抽取最多5天的功率、电压、电流数据值按同时段进行算数平均后组成需要预测的特征数据。搭建线性回归算法模型进行模型训练。获取到预测日的天气预报信息，并取预测日期前一年的前10天和后10天的天气历史数据进行聚类，得到预测天的簇族从中抽取最多5天的功率、电压、电流数据值进行算数平均后组成特征数据放入线性回归算法模型中进行预测，从而得到预测的增量电压数值。得出预测结果。本发明能够有效提高预测精度和可靠性。

Description

一种基于lightgbm的中短期低电压预测方法

技术领域

本发明涉及电网数据采集领域，具体为一种基于lightgbm的中短期低电压预测方法。

背景技术

近年来，随着用电负荷的迅猛增长，全国各地的配电网(含中压和低压)均出现了不同程度的低电压现象。低电压现象的产生主要是由于电网网架不合理、电源点不足、无功补偿配置不足、三相负荷不平衡、变压器档位设置不合理、中低压供电线路过长、线径过小等原因造成的。低电压现象不仅严重影响了用户的生产生活，对于使用变频设备的工厂，还会造成生产中断(变频器对电压幅度比较敏感)。因此低电压问题逐渐成为配电网建设和发展过程中愈来愈重要的问题。在国家对配电网的建设和低电压治理投入不断加大的背景下，低电压治理仍然是一个管理与技术并存的综合性难题，现阶段还未得出彻底的解决方案与示范经验，依然存在投资盲目、治理措施针对性不强、综合协调治理技术研究不深入及治理效果评价手段缺乏等问题。

LigthGBM是boosting集合模型中的新进成员，由微软提供，它和XGBoost一样是对GBDT的高效实现，原理上它和GBDT及XGBoost类似，都采用损失函数的负梯度作为当前决策树的残差近似值，去拟合新的决策树，具有(1)更快的训练速度；(2)更低的内存消耗；(3)更好的模型精度；(4)支持并行学习；(5)可以快速处理海量数据。因此将LightGBM算法应用到低电压预测方面，将会大大提高预测精度和可靠性，能够为合理安排配电网的改造提供科学依据。

发明内容

1.所要解决的技术问题：

针对上述技术问题，本发明提供一种基于lightgbm线性回归预测方法，本方法通过基于同期上一年度的平均电压基数建模，利用lightgbm算法模型预测中短期电压，从而实现对电网的低电压状况的预测，其预测的精度与可靠性大大提高。

2.技术方案：

一种基于lightgbm的中短期低电压预测方法，其特征在于：包括以下步骤：

步骤一：获取配电网中需要预测低电压的配电网节点至少2年的功率、电压、电流数据，对功率、电压、电流数据进行空值填充和异常值处理；依据获取的功率、电压、电流数据的时间节点从天气网中获取该时间节点的对应的天气历史数据。

步骤二：对每个配电网节点的每个时段的功率、电压、电流数据进行数据格式进行标幺化处理，目标值为电压的增量值；对获取的天气历史记录进行结构化数据的转换。

步骤三：抽取预测日的天气数据，取当前日期前一年的前10天和后10天的天气数据进行聚类分析，得到聚类结果后从抽取天的簇族中抽取最多5天的功率、电压、电流数据值按同时段进行算数平均后组成需要预测的特征数据。

步骤四：用上述步骤中生成的需要预测的特征数据和需要预测的目标值的数据，搭建线性回归算法模型进行模型训练。

步骤五：当需要预测电压增量值时，如果能获取到预测日的天气预报信息，则将预测日的天气预报进行结构化处理，并取预测日期前一年的前10天和后10天的天气历史数据进行聚类，得到预测天的簇族从中抽取最多5天的功率、电压、电流数据值进行算数平均后组成特征数据放入线性回归算法模型中进行预测，从而得到预测的增量电压数值。

步骤六：当需要预测电压增量无法获得天气预报信息时，则取预测日期前一年的前3天和后3天的功率、电压、电流数据值进行算数平均后组成特征数据放入线性回归算法模型中机型预测，从而得到预测的增量电压数值。

步骤七：获取到预测的增量电压数值U后，按照公式(1)将其离散化显示为u，其中公式(1)具体为：

如果预测的电压增量U大于235.4V那么离散化结果为“0”代表预测结果为高电压；如果预测的电压增量U大于等于198V并且小于等于235.4V则离散化的结果为“1”代表预测结果为正常电压；如果预测的电压增量小于198V则离散化的结果为“2”代表预测结果为低电压。

进一步地，步骤二中的数据处理过程具体包括步骤201与202：

201取配电网中需要预测同一时段低电压的配电网节点的功率、电压、电流、目标电压增量的最大值与最小值按照公式(2)，将所有的功率、电压、电流、目标电压增量进行标幺化处理；公式(2)如下：

(2)式中，x代表当前值，n代表x当前值的对应的序列，y代表x归一化后的值。

202对获取的天气状况、气温、湿度、风力、降雨量、风向的非结构化数据离散至0～1的浮点数区间内后；将天气状况、气温、湿度、风力、降雨量、风向按照公式(2)进行标幺化处理。

进一步地，步骤三中的聚类处理过程具体为：取得预测日T及预测日前一年T+10与T-10的21日天气数据，将天气状况、气温、湿度、风力、降雨量、风向作为输入值，利用DBSCAN算法进行聚类分析，从输出的21天的族类中抽取与预测日同族类的最多5日数据，使用公式(3)获得功率、电压、电流的均值；其中公式(3)具体为：

(3)式中，x代表当前值，n代表x当前值的对应的序列。

进一步地，步骤四中的线性回归处理具体过程包括步骤401、402和403：

401输入特征数据与目标值；特征数据包括每个时段的电压标幺值、电流标幺值、有功功率标幺值、无功功率标幺值、总有功功率标幺值、总无功功率标幺值；目标值包括电压增量标幺值。

402设置lightgbm算法关键参数，learning_rate设置为0.12，subsample设置为0.9，n_estimators设置为56，num_leaves设置为600，reg_lambda设置为0，min_child_samples设置为4。

403将输入数据拆分为训练集和验证集，首先使用训练集对lightgbm算法进行模型训练，训练完成后使用验证集对训练好的模型进行准确率验证，模型准确率达到90％时保存该模型，否者丢弃重新调整模型参数进行训练。

3.有益效果：

(1)本发明采用采用聚类方法将预测天气与前一年的近20日天气状况进行聚类分析，在此基础上抽取相同天气族类的功率、电压、电流数据，聚合了接近于预测日相似天气状况的特征数据，此方法能提高预测日同时段电压预测的准确率。

(2)本发明将聚类分析后的数据构建lightgbm预测模型，通过lightgbm对未来低电压趋势进行预测，能够提高预测日电压的预测准确率及预测速度。

附图说明

图1为本发明中的构建lightgbm模型训练的流程图；

图2为本发明的构建lightgbm预测模型的流程图。

具体实施方式

下面结合附图对本发明进行具体的说明。

如附图1至附图2所示，一种基于lightgbm的中短期低电压预测方法，其特征在于：包括以下步骤：

步骤一：获取配电网中需要预测低电压的配电网节点至少2年的功率、电压、电流数据，对功率、电压、电流数据进行空值填充和异常值处理；依据获取的功率、电压、电流数据的时间节点从天气网中获取该时间节点的对应的天气历史数据。

本步骤中，配电网的节点数据可以从现有的各种信息系统，提取指标样本数据，构建样本集，并对获取的数据进行数据处理。

步骤二：对每个配电网节点的每个时段的功率、电压、电流数据进行数据格式进行标幺化处理，目标值为电压的增量值；对获取的天气历史记录进行结构化数据的转换。

本步骤中，对处理后的样本数据集进行标幺化处理，对天气数据中的非结构化数据进行转换，方便后期模型的聚类和训练。

步骤三：抽取预测日的天气数据，取当前日期前一年的前10天和后10天的天气数据进行聚类分析，得到聚类结果后从抽取天的簇族中抽取最多5天的功率、电压、电流数据值按同时段进行算数平均后组成需要预测的特征数据。

本步骤中，利用聚类方法找到相似日天气，并均值化相似日同时段的数据生成特征数据。

步骤四：用上述步骤中生成的需要预测的特征数据和需要预测的目标值的数据，搭建线性回归算法模型进行模型训练。

本步骤中，使用特征数据值和目标值对lightgbm算法模型进行训练，得到低电压预测模型。

步骤五：当需要预测电压增量值时，如果能获取到预测日的天气预报信息，则将预测日的天气预报进行结构化处理，并取预测日期前一年的前10天和后10天的天气历史数据进行聚类，得到预测天的簇族从中抽取最多5天的功率、电压、电流数据值进行算数平均后组成特征数据放入线性回归算法模型中进行预测，从而得到预测的增量电压数值。

本步骤中，描述了能获取到天气预报时的低电压预测流程。

步骤六：当需要预测电压增量无法获得天气预报信息时，则取预测日期前一年的前3天和后3天的功率、电压、电流数据值进行算数平均后组成特征数据放入线性回归算法模型中机型预测，从而得到预测的增量电压数值。

本步骤中，描述了无法获取到天气预报时的低电压预测流程。

步骤七：获取到预测的增量电压数值U后，按照公式(1)将其离散化显示为u，其中公式(1)具体为：

如果预测的电压增量U大于235.4V那么离散化结果为“0”代表预测结果为高电压；如果预测的电压增量U大于等于198V并且小于等于235.4V则离散化的结果为“1”代表预测结果为正常电压；如果预测的电压增量小于198V则离散化的结果为“2”代表预测结果为低电压。

本步骤中，描述了如何将获取的电压值U离散化为“低电压”，“正常电压”，“高电压”的步骤。

进一步地，步骤二中的数据处理过程具体包括步骤201与202：

201取配电网中需要预测同一时段低电压的配电网节点的功率、电压、电流、目标电压增量的最大值与最小值按照公式(2)，将所有的功率、电压、电流、目标电压增量进行标幺化处理；公式(2)如下：

(2)式中，x代表当前值，n代表x当前值的对应的序列，y代表x归一化后的值。

202对获取的天气状况、气温、湿度、风力、降雨量、风向的非结构化数据离散至0～1的浮点数区间内后；将天气状况、气温、湿度、风力、降雨量、风向按照公式(2)进行标幺化处理。

进一步地，步骤三中的聚类处理过程具体为：取得预测日T及预测日前一年T+10与T-10的21日天气数据，将天气状况、气温、湿度、风力、降雨量、风向作为输入值，利用DBSCAN算法进行聚类分析，从输出的21天的族类中抽取与预测日同族类的最多5日数据，使用公式(3)获得功率、电压、电流的均值；其中公式(3)具体为：

(3)式中，x代表当前值，n代表x当前值的对应的序列。

进一步地，步骤四中的线性回归处理具体过程包括步骤401、402和403：

401输入特征数据与目标值；特征数据包括每个时段的电压标幺值、电流标幺值、有功功率标幺值、无功功率标幺值、总有功功率标幺值、总无功功率标幺值；目标值包括电压增量标幺值。

402设置lightgbm算法关键参数，learning_rate设置为0.12，subsample设置为0.9，n_estimators设置为56，num_leaves设置为600，reg_lambda设置为0，min_child_samples设置为4。

403将输入数据拆分为训练集和验证集，首先使用训练集对lightgbm算法进行模型训练，训练完成后使用验证集对训练好的模型进行准确率验证，模型准确率达到90％时保存该模型，否者丢弃重新调整模型参数进行训练。

虽然本发明已以较佳实施例公开如上，但它们并不是用来限定本发明的，任何熟习此技艺者，在不脱离本发明之精神和范围内，自当可作各种变化或润饰，因此本发明的保护范围应当以本申请的权利要求保护范围所界定的为准。

Claims (4)

1.一种基于lightgbm的中短期低电压预测方法，其特征在于：包括以下步骤：

步骤一：获取配电网中需要预测低电压的配电网节点至少2年的功率、电压、电流数据，对功率、电压、电流数据进行空值填充和异常值处理；依据获取的功率、电压、电流数据的时间节点从天气网中获取该时间节点的对应的天气历史数据；

步骤二：对每个配电网节点的每个时段的功率、电压、电流数据进行数据格式进行标幺化处理，目标值为电压的增量值；对获取的天气历史记录进行结构化数据的转换；

步骤三：抽取预测日的天气数据，取当前日期前一年的前10天和后10天的天气数据进行聚类分析，得到聚类结果后从抽取天的簇族中抽取最多5天的功率、电压、电流数据值按同时段进行算数平均后组成需要预测的特征数据；

步骤四：用上述步骤中生成的需要预测的特征数据和需要预测的目标值的数据，搭建线性回归算法模型进行模型训练；

步骤五：当需要预测电压增量值时，如果能获取到预测日的天气预报信息，则将预测日的天气预报进行结构化处理，并取预测日期前一年的前10天和后10天的天气历史数据进行聚类，得到预测天的簇族从中抽取最多5天的功率、电压、电流数据值进行算数平均后组成特征数据放入线性回归算法模型中进行预测，从而得到预测的增量电压数值；

步骤六：当需要预测电压增量无法获得天气预报信息时，则取预测日期前一年的前3天和后3天的功率、电压、电流数据值进行算数平均后组成特征数据放入线性回归算法模型中机型预测，从而得到预测的增量电压数值；

步骤七：获取到预测的增量电压数值U后，按照公式(1)将其离散化显示为u，其中公式(1)具体为：

如果预测的电压增量U大于235.4V那么离散化结果为“0”代表预测结果为高电压；如果预测的电压增量U大于等于198V并且小于等于235.4V则离散化的结果为“1”代表预测结果为正常电压；如果预测的电压增量小于198V则离散化的结果为“2”代表预测结果为低电压。

2.根据权利要求1所述的一种基于lightgbm的中短期低电压预测方法，其特征在于：步骤二中的数据处理过程具体包括步骤201与202：

201取配电网中需要预测同一时段低电压的配电网节点的功率、电压、电流、目标电压增量的最大值与最小值按照公式(2)，将所有的功率、电压、电流、目标电压增量进行标幺化处理；公式(2)如下：

(2)式中，x代表当前值，n代表x当前值的对应的序列，y代表x归一化后的值。

202对获取的天气状况、气温、湿度、风力、降雨量、风向的非结构化数据离散至0～1的浮点数区间内后；将天气状况、气温、湿度、风力、降雨量、风向按照公式(2)进行标幺化处理。

3.根据权利要求1所述的一种基于lightgbm的中短期低电压预测方法，其特征在于：步骤三中的聚类处理过程具体为：取得预测日T及预测日前一年T+10与T-10的21日天气数据，将天气状况、气温、湿度、风力、降雨量、风向作为输入值，利用DBSCAN算法进行聚类分析，从输出的21天的族类中抽取与预测日同族类的最多5日数据，使用公式(3)获得功率、电压、电流的均值；其中公式(3)具体为：

(3)式中，x代表当前值，n代表x当前值的对应的序列。

4.根据权利要求1所述的一种基于lightgbm的中短期低电压预测方法，其特征在于：步骤四中的线性回归处理具体过程包括步骤401、402和403：

401输入特征数据与目标值；特征数据包括每个时段的电压标幺值、电流标幺值、有功功率标幺值、无功功率标幺值、总有功功率标幺值、总无功功率标幺值；目标值包括电压增量标幺值；

402设置lightgbm算法关键参数，learning_rate设置为0.12，subsample设置为0.9，n_estimators设置为56，num_leaves设置为600，reg_lambda设置为0，min_child_samples设置为4；

403将输入数据拆分为训练集和验证集，首先使用训练集对lightgbm算法进行模型训练，训练完成后使用验证集对训练好的模型进行准确率验证，模型准确率达到90％时保存该模型，否者丢弃重新调整模型参数进行训练。

Images