CN113822536A - 一种基于分支界定算法的配电网指标评价方法 - Google Patents
一种基于分支界定算法的配电网指标评价方法 Download PDFInfo
- Publication number
- CN113822536A CN113822536A CN202110989194.2A CN202110989194A CN113822536A CN 113822536 A CN113822536 A CN 113822536A CN 202110989194 A CN202110989194 A CN 202110989194A CN 113822536 A CN113822536 A CN 113822536A
- Authority
- CN
- China
- Prior art keywords
- indexes
- node
- distribution network
- power distribution
- category
- 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.)
- Pending
Links
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 43
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 238000007637 random forest analysis Methods 0.000 claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 18
- 230000001419 dependent effect Effects 0.000 claims abstract description 14
- 238000012216 screening Methods 0.000 claims abstract description 10
- 238000012163 sequencing technique Methods 0.000 claims abstract description 4
- 238000003066 decision tree Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000004931 aggregating effect Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 abstract description 10
- 230000006870 function Effects 0.000 description 12
- 238000003745 diagnosis Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000513 principal component analysis Methods 0.000 description 2
- 238000012797 qualification Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000012952 Resampling Methods 0.000 description 1
- 238000007792 addition Methods 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/70—Smart grids as climate change mitigation technology in the energy generation sector
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电网领域,尤其涉及一种基于分支界定算法的配电网指标评价方法,包括以下步骤:S1:建立电网评价指标体系,对配电网指标归集以获得每种类别的指标总数;S2:利用分支界定算法从每个类别的指标总数中筛选出前K个重要指标;S3:从每个类别的前K个重要指标中筛选出的最重要指标作因变量,前K个重要指标中的其他重要指标作自变量,并利用训练好的随机森林模型得到各个自变量对因变量的重要度;S4:根据重要度对自变量进行排序以对配电网每种类别的重要指标进行评价。本发明能找出最能评价配电网薄弱环节的指标,从而进行有针对性的优化,以达到用最小的代价来提升配电网最大的供电能力。
Description
技术领域
本发明涉及电网领域,尤其涉及一种基于分支界定算法的配电网指标评价方法。
背景技术
对配电网的现状进行精准诊断,是优化配电网薄弱环节的重要一步,更加先进可靠的诊断方法无疑能对配电网更高效的优化和规划起到举足轻重的作用。
现有技术的缺陷和不足:纵观有关配电网传统评价体系的方法,常常表现为细致度不够、主观性较大,因而现实指导意义不是很大,也有一些有关应用因子回归和PCA等方法做配电网评价指标筛选的,但也局限于一些局部优化和筛选,无法做到真正的全局搜索优化。
发明内容
为解决上述问题,本发明提出一种基于分支界定算法的配电网指标评价方法,通过全局搜索优化找出最能评价配电网薄弱环节的指标。
一种基于分支界定算法的配电网指标评价方法,包括以下步骤:
S1:建立电网评价指标体系,对配电网指标归集以获得每种类别的指标总数;
S2:利用分支界定算法从每个类别的指标总数中筛选出前K个重要指标;
S3:从每个类别的前K个重要指标中筛选出的最重要指标作因变量,前K个重要指标中的其他重要指标作自变量,并利用训练好的随机森林模型得到各个自变量对因变量的重要度;
S4:根据重要度对自变量进行排序以对配电网每种类别的重要指标进行评价。
优选的,所述对配电网指标归集包括:
从电网规模归集或从供电质量归集或从电网结构归集或从装备水平归集或从配电能力归集。
优选的,所述利用分支界定算法从每个类别中筛选出前K个重要指标包括以下步骤:
S201:针对任一类别的指标,分别提取一个特征得到有特征组成的集合XD,设定总的特征维数为D;预期选定的特征子集Xg的维数为d;X为当前要展开以扩展搜索树的节点;Num_features是节点X中的特征数目;X→q为节点X在搜索树中的子节点个数;X*是当前最优节点;bound是当前最优节点X*的评价函数值;J(X)为评价函数;
S202:令X=XD,X→q=d+1,即让节点X指向根节点,并设置根节点的子节点数为d+1;bound=0;
S203:展开节点X:调用函数ExpandNode(X);
S204:输出全局最优节点X*,得到最重要指标;
S205:剔除最重要指标,并重复步骤S202~S204,依次得到前K个重要指标。
优选的,所述展开节点X:调用函数ExpandNode(X)包括以下步骤:
S2041:如果X是终止节点,额转到步骤S2045,否则,如果J(X)≥bound,则继续执行,如果J(X)<bound,则结束;
S2042:令n=Num_features(X),在节点X中依次去掉一个特征,产生子节点,共n个,记为X1,X2,…,Xn;
S2044:令p=X→q;取上式中的前p个节点,作为搜索树中节点X的后继节点,对于这p个节点中的每个节点(i=p-1,p-2,...,1),令依次执行(i=p-1,p-2,...,1)执行完p个节点的后续展开后结束;
S2045:若节点X优于当前最优于当前最优节点,令bound=J(X),X*=X。
优选的,所述随机森林模型的训练包括以下步骤:
S301:从样本数据集中选出n个样本数据;
S302:从所有属性中随机选取k个属性,选择最佳分割属性作为节点建立CART决策树;
S303:重复以上步骤m次,得到m颗决策树;
S304:m颗决策树形成随机森林。
优选的,采用ID3决策树算法得到m颗决策树。
优选的,采用C4.5决策树算法得到m颗决策树。
优选的,采用CART决策树算法得到m颗决策树。
优选的,从样本数据集中采用Bootstrap方法选出n个样本数据。
优选的,所述从样本数据集中采用Bootstrap方法选出n个样本数据包括:
每当选中一个样本数据,该样本数据等可能的被再次选中,并且被再次添加到样本数据集中。
本发明的有益效果:建立电网评价指标体系,对配电网指标归集以获得每种类别的指标总数,能够对各个方面的指标进行全局优化搜索,利用分支界定算法从每个类别的指标总数中筛选出前K个重要指标;从每个类别的前K个重要指标中筛选出的最重要指标作因变量,前K个重要指标中的其他重要指标作自变量,并利用训练好的随机森林模型得到各个自变量对因变量的重要度;根据重要度对自变量进行排序以对配电网每种类别的重要指标进行评价,从而能找出最能评价配电网薄弱环节的指标,从而进行有针对性的优化,以达到用最小的代价来提升配电网最大的供电能力。
附图说明
下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1是本发明实施例一种基于分支界定算法的配电网指标评价方法的流程示意图。
图2是本发明实施例一种基于分支界定算法的配电网指标评价方法中电网评价指标体系结构示意图。
图3是本发明实施例一种基于分支界定算法的配电网指标评价方法中步骤S2的流程示意图。
图4是本发明实施例一种基于分支界定算法的配电网指标评价方法中步骤S204的流程示意图。
图5是本发明实施例一种基于分支界定算法的配电网指标评价方法中步骤S3的流程示意图。
具体实施方式
以下结合附图,对本发明的技术方案作进一步的描述,但本发明并不限于这些实施例。
本发明的基本思想是建立电网评价指标体系,对配电网指标归集以获得每种类别的指标总数,能够对各个方面的指标进行全局优化搜索,利用分支界定算法从每个类别的指标总数中筛选出前K个重要指标;从每个类别的前K个重要指标中筛选出的最重要指标作因变量,前K个重要指标中的其他重要指标作自变量,并利用训练好的随机森林模型得到各个自变量对因变量的重要度;根据重要度对自变量进行排序以对配电网每种类别的重要指标进行评价,从而能找出最能评价配电网薄弱环节的指标,从而进行有针对性的优化,以达到用最小的代价来提升配电网最大的供电能力。。
基于上述思想,如图1所示,本发明提出了一种基于分支界定算法的配电网指标评价方法,包括以下步骤:
S1:建立电网评价指标体系,对配电网指标归集以获得每种类别的指标总数。
建立电网评价指标体系时,各指标的选取,一方面要尽可能全面地反映电网实际情况,不能遗漏任何一重要指标;另一方面也要考虑到数据采集难度、计算量等实际情况,做到真正的既不重复也不遗漏。因此,需要满足如下原则:与评价目的一致性、直接的可测性、可比性、相互独立性与整体的完备性等。
图2为电网评价指标体系结构示意图。如图2所示,配电网现状诊断从电网规模可归集:供电面积、最大负荷、总用电量、总用户数等;从供电质量可归集为:供电可靠率RS-3、电压合格率、频率合格率、系统平均停电频率、系统平均停电时间等;从电网结构可归集为:变电站单电源率、变电站单电压率、高压配网供电半径、中压线路站间联络率、中压线路平均分段数、中压线路长度超限比率等;从装备水平可以归集为:变电站综合自动化率、配电自动化终端覆盖率、电缆化率、设备运行年限分布、设备故障停电率、高损耗配电比率等;从配电能力可归集为:变电容载比、变压器重载率、线路重载率、变压器N-1通过率、线路N-1通过率、线路联络率等。
S2:利用分支界定算法从每个类别的指标总数中筛选出前K个重要指标。
分支界定算法针对的特征选择问题是这样定义的:在原来的D个特征的集合中选择d个特征的子集,d<D,使得选取的特征子集在选定的评价准则下是最优的。算法要求所采取的评价准则函数满足单调性,即若则J(Xs)≥J(Xt)。
其中X代表一个特征子集,J(X)是所采取的评价函数。单调性保证了分支界定算法能在保证全局最优的前提下大大减少搜索的复杂度。分支界定算法的搜索空间是一颗树,称为搜索树。它在算法运行过程中自上而下按照深度优先的次序动态生成的。分支界定算法的搜索树总共有个节点,有个度为1的节点,有个叶子节点数。
具体的,如图3所示,利用分支界定算法从每个类别中筛选出前K个重要指标包括以下步骤:
S201:针对任一类别的指标,分别提取一个特征得到有特征组成的集合XD,设定总的特征维数为D;预期选定的特征子集Xg的维数为d;X为当前要展开以扩展搜索树的节点;Num_features是节点X中的特征数目;X→q为节点X在搜索树中的子节点个数;X*是当前最优节点;bound是当前最优节点X*的评价函数值;J(X)为评价函数;
S202:令X=XD,X→q=d+1,即让节点X指向根节点,并设置根节点的子节点数为d+1;bound=0;
S203:展开节点X:调用函数ExpandNode(X);
S204:输出全局最优节点X*,得到最重要指标;
S205:剔除最重要指标,并重复步骤S202~S204,依次得到前K个重要指标。
其中,如图4所示,展开节点X:调用函数ExpandNode(X)包括以下步骤:
S2041:如果X是终止节点,额转到步骤S2045,否则,如果J(X)≥bound,则继续执行,如果J(X)<bound,则结束;
S2042:令n=Num_features(X),在节点X中依次去掉一个特征,产生子节点,共n个,记为X1,X2,…,Xn;
S2044:令p=X→q;取上式中的前p个节点,作为搜索树中节点X的后继节点,对于这p个节点中的每个节点(i=p-1,p-2,...,1),令依次执行(i=p-1,p-2,...,1)执行完p个节点的后续展开后结束;
S2045:若节点X优于当前最优于当前最优节点,令bound=J(X),X*=X。
S3:从每个类别的前K个重要指标中筛选出的最重要指标作因变量,前K个重要指标中的其他重要指标作自变量,并利用训练好的随机森林模型得到各个自变量对因变量的重要度。
随机森林(RF)是一种组合分类器,它利用bootstrap重抽样方法从原始样本中抽取多个样本,对每个bootstrap样本进行决策树建模,然后将这些决策树组合在一起,通过投票得出最终分类预测的结果,利用训练好的随机森林模型得到各个特征的重要度。
决策树是一种树形结构,树种包括三种节点:根节点、中间节点、叶子节点。其中,每个内部节点表示在一个属性上的测试,每个分支代表一个测试输出,每个叶节点代表一种类别,它是以实例为基础的归纳学习。决策树学习是采用自上而下的递归法,其基本思想是构造一颗自上而下信息不确定性下降最快的树,到叶子节点信息不确定性为零,即每个叶子节点的实例都属于同一类。
从若干个不同决策树种选择最优的决策树是一个NP完全问题,在实际工作中我们会采用一种启发学习的方法去构建一个决策树,常用的决策树算法有ID3、C4.5和CART。
设训练数据集为D,|D|表示样本个数。设有K个类别Ck,k=1,2,...,K.|Ck|为属于类Ck的样本个数,有:设特征A有n个不同的取值{a1,a2...an},根据特征A的取值将D划分为n个子集D1,D2...Dn,|Di|为Di的样本个数,有:记子集Di中属于类Ck的样本的集合为Dik,|Dik|为Dik的样本个数。
具体的,ID3—最大信息增益,经验条件熵表示:
经验条件熵表示为:
信息增益即为两者之差:
g(D,A)=H(D)-H(D,A)。
具体的,C4.5—最大信息增益比,信息增益比定义为:
其中,
具体的,CART—最大基尼指数(Gini),Gini指数定义为:
其中,
如图5所示,随机森林模型的训练包括以下步骤:
S301:从样本数据集中选出n个样本数据;
S302:从所有属性中随机选取k个属性,选择最佳分割属性作为节点建立CART决策树;
S303:重复以上步骤m次,得到m颗决策树;
S304:m颗决策树形成随机森林。
其中,样本数据的选取采用的是Bootstrap方法:它是一种从给定训练集中有放回的均匀抽样,即:每当选中一个样本,它等可能的被再次选中,并且被再次添加到训练集中。
S4:根据重要度对自变量进行排序以对配电网每种类别的重要指标进行评价。
本发明采用分支界定算法来对所有指标做全局搜索优化,找出例如电网故障运行应急保障能力指标、装备重过载情况指标、供电可靠性指标、装备老旧化指标、网架标准化与自动化指标的最重要的前K个重要指标。最后,应用随机森林模型对样本数据进行训练,得到各自变量对因变量的相对重要性,从而能够精准定位配电网的薄弱环节,从而进行有针对性的修复或规划,以达到以最小的代价优化配电网的目的。
在一示例实施例中,在安全性能方面,配电网共归集了80个指标,利用分支界定算法筛选出了其中20个重要指标,而其中最能表征配电网安全性的指标为:“10KV电网线路满足N-1比列”,把它作为随机森林模型的因变量,然后把其余19个指标作为随机森林模型的自变量,通过随机森林模型训练,得到19个指标的重要度排序,例如前三个指标重要性程度已经占到70%以上,那么这三个指标就是配电网安全性能方面要格外关注的指标,这几个指标的改善提升,就能明显改善配电网方面的薄弱环节,提升整体安全性能,从而在诊断方面达到有的放矢,用最小的代价以达到最大的性能提升。
本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (10)
1.一种基于分支界定算法的配电网指标评价方法,其特征在于,包括以下步骤:
S1:建立电网评价指标体系,对配电网指标归集以获得每种类别的指标总数;
S2:利用分支界定算法从每个类别的指标总数中筛选出前K个重要指标;
S3:从每个类别的前K个重要指标中筛选出的最重要指标作因变量,前K个重要指标中的其他重要指标作自变量,并利用训练好的随机森林模型得到各个自变量对因变量的重要度;
S4:根据重要度对自变量进行排序以对配电网每种类别的重要指标进行评价。
2.根据权利要求1所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,所述对配电网指标归集包括:
从电网规模归集或从供电质量归集或从电网结构归集或从装备水平归集或从配电能力归集。
3.根据权利要求1所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,所述利用分支界定算法从每个类别中筛选出前K个重要指标包括以下步骤:
S201:针对任一类别的指标,分别提取一个特征得到有特征组成的集合XD,设定总的特征维数为D;预期选定的特征子集Xg的维数为d;X为当前要展开以扩展搜索树的节点;Num_features是节点X中的特征数目;X→q为节点X在搜索树中的子节点个数;X*是当前最优节点;bound是当前最优节点X*的评价函数值;J(X)为评价函数;
S202:令X=XD,X→q=d+1,即让节点X指向根节点,并设置根节点的子节点数为d+1;bound=0;
S203:展开节点X:调用函数ExpandNode(X);
S204:输出全局最优节点X*,得到最重要指标;
S205:剔除最重要指标,并重复步骤S202~S204,依次得到前K个重要指标。
4.根据权利要求3所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,所述展开节点X:调用函数ExpandNode(X)包括以下步骤:
S2041:如果X是终止节点,额转到步骤S2045,否则,如果J(X)≥bound,则继续执行,如果J(X)<bound,则结束;
S2042:令n=Num_features(X),在节点X中依次去掉一个特征,产生子节点,共n个,记为X1,X2,…,Xn;
S2045:若节点X优于当前最优于当前最优节点,令bound=J(X),X*=X。
5.根据权利要求1所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,所述随机森林模型的训练包括以下步骤:
S301:从样本数据集中选出n个样本数据;
S302:从所有属性中随机选取k个属性,选择最佳分割属性作为节点建立CART决策树;
S303:重复以上步骤m次,得到m颗决策树;
S304:m颗决策树形成随机森林。
6.根据权利要求5所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,采用ID3决策树算法得到m颗决策树。
7.根据权利要求5所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,采用C4.5决策树算法得到m颗决策树。
8.根据权利要求5所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,采用CART决策树算法得到m颗决策树。
9.根据权利要求4所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,从样本数据集中采用Bootstrap方法选出n个样本数据。
10.根据权利要求9所述的一种基于分支界定算法的配电网指标评价方法,其特征在于,所述从样本数据集中采用Bootstrap方法选出n个样本数据包括:
每当选中一个样本数据,该样本数据等可能的被再次选中,并且被再次添加到样本数据集中。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989194.2A CN113822536A (zh) | 2021-08-26 | 2021-08-26 | 一种基于分支界定算法的配电网指标评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110989194.2A CN113822536A (zh) | 2021-08-26 | 2021-08-26 | 一种基于分支界定算法的配电网指标评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113822536A true CN113822536A (zh) | 2021-12-21 |
Family
ID=78913577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110989194.2A Pending CN113822536A (zh) | 2021-08-26 | 2021-08-26 | 一种基于分支界定算法的配电网指标评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113822536A (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013225997A1 (de) * | 2013-12-16 | 2015-06-18 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Modellwertsaus einem Random-Forest-Modell |
CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
CN107292534A (zh) * | 2017-07-12 | 2017-10-24 | 国网福建省电力有限公司 | 城市配电网中长期动态投资的标尺竞争评价方法及装置 |
WO2018157691A1 (zh) * | 2017-02-28 | 2018-09-07 | 国网江苏省电力公司常州供电公司 | 有源配电网的安全性量化方法 |
CN109214702A (zh) * | 2018-09-21 | 2019-01-15 | 东北电力大学 | 基于ahp-熵权法的城市配电网运行水平和供电能力模糊综合评价方法 |
CN109214717A (zh) * | 2018-10-24 | 2019-01-15 | 国网江西省电力有限公司经济技术研究院 | 配电网电源并网评价方法及其评价系统 |
CN109886527A (zh) * | 2018-12-28 | 2019-06-14 | 国网天津市电力公司电力科学研究院 | 基于分支界定算法的电能计量检定生产智能排程方法及智能排程系统 |
CN110782279A (zh) * | 2019-10-16 | 2020-02-11 | 国网山西省电力公司经济技术研究院 | 一种配电网主要设备资产成本核算方法及系统 |
CN110889544A (zh) * | 2019-11-20 | 2020-03-17 | 贵州电网有限责任公司电力科学研究院 | 配电网运行指标的预测方法及装置 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
CN111783840A (zh) * | 2020-06-09 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 一种随机森林模型的可视化方法、装置及存储介质 |
-
2021
- 2021-08-26 CN CN202110989194.2A patent/CN113822536A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013225997A1 (de) * | 2013-12-16 | 2015-06-18 | Robert Bosch Gmbh | Verfahren zum Ermitteln eines Modellwertsaus einem Random-Forest-Modell |
CN106203867A (zh) * | 2016-07-19 | 2016-12-07 | 国家电网公司 | 基于配电网评价指标体系和聚类分析的电网区域划分方法 |
WO2018157691A1 (zh) * | 2017-02-28 | 2018-09-07 | 国网江苏省电力公司常州供电公司 | 有源配电网的安全性量化方法 |
CN107292534A (zh) * | 2017-07-12 | 2017-10-24 | 国网福建省电力有限公司 | 城市配电网中长期动态投资的标尺竞争评价方法及装置 |
CN109214702A (zh) * | 2018-09-21 | 2019-01-15 | 东北电力大学 | 基于ahp-熵权法的城市配电网运行水平和供电能力模糊综合评价方法 |
CN109214717A (zh) * | 2018-10-24 | 2019-01-15 | 国网江西省电力有限公司经济技术研究院 | 配电网电源并网评价方法及其评价系统 |
CN109886527A (zh) * | 2018-12-28 | 2019-06-14 | 国网天津市电力公司电力科学研究院 | 基于分支界定算法的电能计量检定生产智能排程方法及智能排程系统 |
CN110782279A (zh) * | 2019-10-16 | 2020-02-11 | 国网山西省电力公司经济技术研究院 | 一种配电网主要设备资产成本核算方法及系统 |
CN110889544A (zh) * | 2019-11-20 | 2020-03-17 | 贵州电网有限责任公司电力科学研究院 | 配电网运行指标的预测方法及装置 |
AU2020100709A4 (en) * | 2020-05-05 | 2020-06-11 | Bao, Yuhang Mr | A method of prediction model based on random forest algorithm |
CN111783840A (zh) * | 2020-06-09 | 2020-10-16 | 苏宁金融科技(南京)有限公司 | 一种随机森林模型的可视化方法、装置及存储介质 |
Non-Patent Citations (4)
Title |
---|
吴鸿亮 等: "配网投资成效动态评价体系", 《南方电网技术》, vol. 13, no. 6, 30 June 2019 (2019-06-30), pages 44 - 49 * |
李阳 等: "配电网中长期动态规划投资的标尺激励评价方法", 《电力自动化设备》, vol. 38, no. 6, 30 June 2018 (2018-06-30), pages 95 - 102 * |
王思臣 等: "分支界定算法及其在特征选择中的应用研究", 现代电子技术, no. 10, pages 142 - 144 * |
郭铭群 等: "基于SWOT-云物元理论的城市配电网发展形态评估方法", 《电力建设》, vol. 41, no. 11, 30 November 2020 (2020-11-30), pages 71 - 77 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
CN109507535B (zh) | 变电站接地网运行阶段及运行寿命预测方法及装置 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN111722046B (zh) | 一种基于深度森林模型的变压器故障诊断方法 | |
CN108733966A (zh) | 一种基于决策树群的多维电能表现场状态检验方法 | |
CN110703057A (zh) | 基于数据增强和神经网络的电力设备局部放电诊断方法 | |
CN112364928A (zh) | 一种变电站故障数据诊断中的随机森林分类方法 | |
CN112561303B (zh) | 基于集成学习和电网拓扑变化的电力系统动态分析方法 | |
CN113095648A (zh) | 基于数据驱动的配电网故障停电风险指标评估方法及系统 | |
CN113723844A (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
CN106022352A (zh) | 基于支持向量机的潜油柱塞泵故障诊断方法 | |
CN106651199A (zh) | 基于决策树方法的蒸汽管网调度规则系统 | |
CN115146739A (zh) | 基于堆叠时间序列网络的电力变压器故障诊断方法 | |
CN112183606A (zh) | 基于c4.5算法的电力系统故障识别分类方法及系统 | |
CN108446712A (zh) | Odn网智能规划方法、装置及系统 | |
CN113726558A (zh) | 基于随机森林算法的网络设备流量预测系统 | |
CN114021425A (zh) | 电力系统运行数据建模与特征选择方法、装置、电子设备和存储介质 | |
CN117473424A (zh) | 基于随机森林的变压器故障诊断方法、系统、设备及介质 | |
CN107808245A (zh) | 基于改进决策树方法的管网调度系统 | |
CN112329432A (zh) | 一种基于改进Apriori的配电网电压越限问题关联分析方法 | |
CN117609818A (zh) | 基于聚类与信息熵的电网关联关系发现方法 | |
CN117669176A (zh) | 一种基于网络简化法的配电网可靠性评估方法及装置 | |
CN113129188A (zh) | 一种基于人工智能大数据的省级教育教学评估系统 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN113822536A (zh) | 一种基于分支界定算法的配电网指标评价方法 |
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 |