CN115374938A - 一种基于XGBoost的配电网电压预测方法 - Google Patents
一种基于XGBoost的配电网电压预测方法 Download PDFInfo
- Publication number
- CN115374938A CN115374938A CN202211005820.0A CN202211005820A CN115374938A CN 115374938 A CN115374938 A CN 115374938A CN 202211005820 A CN202211005820 A CN 202211005820A CN 115374938 A CN115374938 A CN 115374938A
- Authority
- CN
- China
- Prior art keywords
- data
- model
- voltage
- distribution network
- xgboost
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Medical Informatics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于XGBoost的配电网电压预测方法,方法包括以下步骤:1)特征提取;2)数据处理:对历史数据做预处理,进行数据清洗、缺失值处理及数据分配;3)构建模型:定义模型学习目标函数、回归树生成参数等建立XGBoost模型;4)训练并预测:将特征输入模型进行训练,形成预测模型,并将训练后的模型用于配电网电压预测。本发明具有预测精度高、收敛速度快的优点,可以实现配电网电压预测,解决了传统配网计算方法在电表量测有延迟或需要时间计算情形下的问题,对电压预警,电压波动、电压越限等业务场景有一定的指导和借鉴意义。
Description
技术领域
本发明专利属于数据预测相关技术领域,具体涉及一种基于XGBoost的配电网电压预测方法。
背景技术
新型电力系统下,随着配电网的扩展和用电设备大量增加,电网形态愈加复杂,由此产生的低电压、电压波动等问题也愈发严重。低电压、电压波动等问题不仅严重影响了用户端的日常生产生活质量水平,还将进一步增加电网运行的不确定性,滞缓社会经济的发展,因此,对于配电网的状态感知能力亟需更高的要求。
目前,针对用户侧电压监测的方法通常使用SCADA系统实时监测,由于量测装置有限,该监测方法无法实现数据全量测。在用户处装设智能电表采集电压,存在电表量测有一天延迟或需要时间计算的问题,电表量测所得到的电压不具实时性,导致低电压、电压波动等问题不能及时发现,严重影响了社会生产生活。
发明内容
1.所要解决的技术问题:
现有电量监测存在的量测装置有限、实时性差等缺点和不足。
2.技术方案:
为了解决以上问题,本发明提供了本发明提出一种基于XGBoost的配电网电压预测方法。所述预测方法包括:步骤1:根据时间序列从D5000电网调度系统、部分配电自动化馈线终端(FTU)和电表历史量测中读取并同步混合量测做特征。
步骤2:对历史数据做预处理,进行数据清洗、缺失值处理及数据分配。
步骤3:定义模型学习目标函数、回归树生成参数等建立XGBoost模型。
步骤4:将特征输入模型进行训练,形成预测模型,并将训练后的模型用于配电网电压预测。
特别地,所述步骤1进一步包括:从D5000电网调度系统里获取预定时间内的首端电压、有功功率、无功功率数据,从部分配电自动化馈线终端(FTU)获取预定时间内的支路有功功率、无功功率数据,从电表历史量测中获取预定时间内的用户电压数据,并根据时间序列同步混合。
特别地,所述步骤2进一步包括:数据清洗:对异常值进行处理,包括采用3δ法则,对超出电压±3δ取值的数据用±3δ替代。
缺失值做处理:用统计方法填补历史缺失数据,包括采用历史同期平均值替换缺失数据。
数据分配:创建训练数据、验证数据集,包括从数据集中划分90%为训练集,划分10%为验证集。
特别地,所述步骤3进一步包括:定义模型学习目标函数、回归树生成参数,构建XGBoost模型;其中,定义模型学习目标函数为:
其中ωj为第j个叶子节点的得分值,T为该树的叶子节点个数,Ij={i|q(xi)=j}被定义为每个叶子节点j上样本集合;
接着,可以定义:
公式可以简化为:
问题将进一步转化为求一个一元二次函数的最小值问题:
特别地,所述步骤4进一步包括:训练模型并将模型在验证数据集上运行,求取均值准确率,包括将全量数据集进行训练、测试,并采用均值和方差综合评价指标对电压预测模型进行评估,搜寻综合指标最好的模型,将所述电压预测模型作为最终的电压预测模型。
3.有益效果:
本发明具有预测精度高、收敛速度快的优点,可以实现配电网电压预测,解决了传统配网计算方法在电表量测有延迟或需要时间计算情形下的问题,对电压预警,电压波动、电压越限等业务场景有一定的指导和借鉴意义。
附图说明
图1为本发明提供的一种基于XGBoost的配电网电压预测方法流程图。
图2为本发明提供的106个用户电压预测值与实际值的平均相对误差情况。
图3为本发明提供的某用户电压预测值与实际值的相对误差情况。
图4为本发明提供的某用户某时间点电压预测值与实际值的对比图。
具体实施方式
为使本发明的结构和优点更加清楚,下面将结合附图对本发明的结构作进一步地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明提供了一种基于XGBoost的配电网电压预测方法,参照图1所示,所述一种基于XGBoost的配电网电压预测方法包括如下步骤:步骤1:根据时间序列从D5000电网调度系统、部分配电自动化馈线终端(FTU)和电表历史量测中读取并同步混合量测做特征。
在一个具体例子中,所述步骤1进一步包括:从D5000电网调度系统里获取预定时间内的首端电压、有功功率、无功功率数据,从部分配电自动化馈线终端(FTU)获取预定时间内的支路有功功率、无功功率数据,从电表历史量测中获取预定时间内的用户电压数据,并根据时间序列同步混合。
步骤2:对历史数据做预处理,进行数据清洗、缺失值处理及数据分配;在一个具体例子中,所述步骤2进一步包括:
数据清洗:对异常值进行处理,包括采用3δ法则,对超出电压±3δ取值的数据用±3δ替代。
具体为,以电压数据平均值为μ,根据3sigma法则,取标准差为δ,变量电压在(μ-3δ,μ+3δ)范围内服从正态分布。
缺失值做处理:用统计方法填补历史缺失数据,包括采用历史同期平均值替换缺失数据,公式如下:
其中,Xi为缺失值历史同期时间对应的首端电压、有功功率、无功功率数据,支路有功功率、无功功率数据。
数据分配:创建训练数据、验证数据集,包括从数据集中划分90%为训练集,划分10%为验证集;
具体为,将数据集分成特征集X和标签数据Y,分别按照9:1的比例划分训练集(Xtrain,Ytrain)和验证集(Xtest,Ytest),
其中,特征集X包括首端电压、有功功率、无功功率数据,支路有功功率、无功功率数据,标签数据Y为用户电压数据。
步骤3:定义模型学习目标函数、回归树生成参数等建立XGBoost模型;
在一个具体例子中,所述步骤3进一步包括:
定义模型学习目标函数、回归树生成参数,构建XGBoost模型;
其中,定义模型学习目标函数为:
其中ωj为第j个叶子节点的得分值,T为该树的叶子节点个数,Ij={i|q(xi)=j}被定义为每个叶子节点j上样本集合。
接着,可以定义:
公式可以简化为:
问题将进一步转化为求一个一元二次函数的最小值问题:
确定XGBoost模型的booster参数,XGBoost回归树的最大深度、学习率、迭代次数等参数均会影响模型的预测精度,通过调整优化模型参数,得到完美模型的参数组合。
步骤4:将特征输入模型进行训练,形成预测模型,并将训练后的模型用于配电网电压预测。
在一个具体例子中,所述步骤4进一步包括:
训练模型并将模型在验证数据集上运行,求取均值准确率,包括将全量数据集进行训练、测试,并采用均值和方差综合评价指标对电压预测模型进行评估,搜寻综合指标最好的模型,将所述电压预测模型作为最终的电压预测模型。
采用平均绝对误差(MAE)和均方误差(MSE)作为预测效果判断的依据。
平均绝对误差(Mean Absolute Error),公式如下:
均方误差(Mean Square Error),公式如下:
在一个具体例子中,实验选取了某网络2021年1月1日至2021年12月31日连续1整年30000多组时间断面的数据作为模型样例。其中,随机抽取10%的数据样本作为验证集,另外90%样本作为训练集。采用相对误差(Relative Error)和平均相对误差(MeanRelative Error)来评估模型性能,公式如下:
以该网络为例,106个用户电压预测值与实际值的平均相对误差情况如图2所示:
其中,以某用户为例,其电压预测值与实际值的相对误差情况如图3所示。
其某时间点电压预测值与实际值的对比情况如图4所示。
经过预测结果分析,模型预测值能够保证较高的精度,具有良好的预测性能,能够预测出低电压以及电压波动的情况。
综上所述,以上所揭露的仅为本发明一种较佳实施例而已,并非用于限定本发明的权利范围,因此凡在本发明权利要求所作的等同变化之内,所作的任何修改、等同替换、改进等,仍属本发明所涵盖的范围。
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 (9)
1.一种基于XGBoost的配电网电压预测方法,包括如下步骤:步骤1:根据时间序列从D5000电网调度系统、部分配电自动化馈线终端和电表历史量测中读取并同步混合量测做特征;步骤2:对历史数据做预处理,进行数据清洗、缺失值处理及数据分配;步骤3:定义模型学习目标函数、回归树生成参数等建立XGBoost模型;步骤4:将特征输入模型进行训练,形成预测模型,并将训练后的模型用于配电网电压预测。
2.如权利要求1所述的基于XGBoost的配电网电压预测方法,其特征在于,所述步骤1包括:从D5000电网调度系统里获取预定时间内的首端电压、有功功率、无功功率数据,从部分配电自动化馈线终端(FTU)获取预定时间内的支路有功功率、无功功率数据,从电表历史量测中获取预定时间内的用户电压数据,并根据时间序列同步混合。
3.如权利要求1所述的基于XGBoost的配电网电压预测方法,其特征在于,所述步骤2包括:数据清洗:对异常值进行处理,包括采用3δ法则,对超出电压±3δ取值的数据用±3δ替代;缺失值做处理:用统计方法填补历史缺失数据,包括采用历史同期平均值替换缺失数据;数据分配:创建训练数据、验证数据集,包括从数据集中划分90%为训练集,划分10%为验证集。
4.如权利要求3所述的基于XGBoost的配电网电压预测方法,其特征在于,所述数据清洗具体为:以电压数据平均值为μ,根据3sigma法则,取标准差为δ,变量电压在(μ-3δ,μ+3δ)范围内服从正态分布。
6.如权利要求3所述的基于XGBoost的配电网电压预测方法,其特征在于,所述数据分配的具体方法为:将数据集分成特征集X和标签数据Y,分别按照9:1的比例划分训练集(Xtrain,Ytrain)和验证集(Xtest,Ytest),其中,特征集X包括首端电压、有功功率、无功功率数据,支路有功功率、无功功率数据,标签数据Y为用户电压数据。
8.如权利要求1所述的基于XGBoost的配电网电压预测方法,其特征在于,所述步骤4包括:训练模型并将模型在验证数据集上运行,求取均值准确率,包括将全量数据集进行训练、测试,并采用均值和方差综合评价指标对电压预测模型进行评估,搜寻综合指标最好的模型,将所述电压预测模型作为最终的电压预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005820.0A CN115374938A (zh) | 2022-08-22 | 2022-08-22 | 一种基于XGBoost的配电网电压预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211005820.0A CN115374938A (zh) | 2022-08-22 | 2022-08-22 | 一种基于XGBoost的配电网电压预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115374938A true CN115374938A (zh) | 2022-11-22 |
Family
ID=84068340
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211005820.0A Pending CN115374938A (zh) | 2022-08-22 | 2022-08-22 | 一种基于XGBoost的配电网电压预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115374938A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906591B (zh) * | 2023-01-06 | 2023-08-08 | 中国石油大学(华东) | 一种基于XGBoost网络的油井动液面计算方法 |
CN116707331A (zh) * | 2023-08-02 | 2023-09-05 | 中国人民解放军空军预警学院 | 基于模型预测的逆变器输出电压高精度调节方法及系统 |
-
2022
- 2022-08-22 CN CN202211005820.0A patent/CN115374938A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115906591B (zh) * | 2023-01-06 | 2023-08-08 | 中国石油大学(华东) | 一种基于XGBoost网络的油井动液面计算方法 |
CN116707331A (zh) * | 2023-08-02 | 2023-09-05 | 中国人民解放军空军预警学院 | 基于模型预测的逆变器输出电压高精度调节方法及系统 |
CN116707331B (zh) * | 2023-08-02 | 2023-10-20 | 中国人民解放军空军预警学院 | 基于模型预测的逆变器输出电压高精度调节方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115374938A (zh) | 一种基于XGBoost的配电网电压预测方法 | |
CN104134999B (zh) | 基于多数据源的配电网量测有效性分析实用化计算方法 | |
CN105022019A (zh) | 单相智能电能表可靠性综合评价的方法 | |
CN106682763B (zh) | 一种用于大量样本数据的电力负荷优化预测方法 | |
CN111260198A (zh) | 一种台区同期线损合理度评判方法、系统及终端设备 | |
CN105868534A (zh) | 一种基于多目标优化抽样的水文模型不确定性分析方法 | |
CN111488896A (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN112288303A (zh) | 确定线损率的方式、装置 | |
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN110674984A (zh) | 一种基于Tri-Training-Lasso-BP网络的静态电压稳定裕度预测方法 | |
CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
CN110542879A (zh) | 电容式电压互感器运行性能变化趋势预测方法与系统 | |
CN113469488B (zh) | 配电网设备拓扑结构在线诊断分析系统 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN113869633A (zh) | 一种配电网多源数据质量管控方法 | |
CN112508254A (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN116796906A (zh) | 基于数据融合的电力配电网投资预测分析系统及方法 | |
CN115561697A (zh) | 一种智能电表误差分析方法 | |
CN110873857A (zh) | 基于多源数据融合的智能电能表运行状态评价方法及系统 | |
CN114970311A (zh) | 一种远端模块寿命预测模型的建立方法与寿命预测方法 | |
CN114529072A (zh) | 一种基于时间序列的区域电量预测方法 | |
CN113935523A (zh) | 基于电压变化规律的电压趋势预测方法 | |
CN113949060A (zh) | 一种基于电压变化规律的电压趋势预测系统 | |
CN113640732A (zh) | 一种基于Pareto分布的电能表计量准确性估计系统和方法 |
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 |