專利名稱：一種基于Boosting算法的配電網(wǎng)理論線損預測方法
技術領域：
本發(fā)明涉及一種配電網(wǎng)線損技術領域的預測方法，具體涉及一種基于Boosting 算法的配電網(wǎng)理論線損預測方法。
背景技術：
隨著近幾年逐漸加大智能電網(wǎng)的研究與建設力度，特別是國家電網(wǎng)公司“SG186” 和中國南方電網(wǎng)公司“數(shù)字南方電網(wǎng)”等工程的實施，更進一步確定了構建“統(tǒng)一的堅強智能電網(wǎng)”的發(fā)展方向。如何將成熟、高效的人工智能算法引入智能電網(wǎng)領域也逐漸引起學者和研究單位的重視。配電網(wǎng)做為整個智能電網(wǎng)中與用戶關系最緊密的一環(huán)，其智能化程度將在很大程度上決定了智能電網(wǎng)整體的最終效能。配電網(wǎng)理論線損的精確預測做為配電網(wǎng)正常運行和調度的一個重要組成環(huán)節(jié)，其預測方法的智能化改進勢在必行。同時由于配電網(wǎng)的線路連接復雜、接入用戶類型各異，因而目前并沒有一種十分有效的預測方法，所以設計一種高效、準確的配電網(wǎng)理論線損預測方法具有很強的現(xiàn)實和理論意義。當前配電網(wǎng)理論線損的預測方法是將線損預測問題抽象成多元回歸問題，再利用成熟的人工智能算法構造回歸模型，并求解未測線路線損。理論線損預測過程主要包括三個部分，分別是數(shù)據(jù)預處理、生成理論線損預測模型、未測線路理論線損預測。數(shù)據(jù)預處理是將配電網(wǎng)中各已知理論線損的線路數(shù)據(jù)設計成適合人工智能算法的數(shù)據(jù)集，從而便于人工智能算法生成預測模型。生成理論線損預測模型就是利用數(shù)據(jù)預處理得到的數(shù)據(jù)集來訓練人工智能算法， 從而得到滿足誤差要求的理論預測模型。目前常用的方法主要是各種單學習機方法，如BP神經(jīng)網(wǎng)絡(Back Propagation Neural Network, BPNN)、RBF神經(jīng)網(wǎng)絡以及各種神經(jīng)網(wǎng)絡的改進算法。單學習機的方法誤差相對較大、易出現(xiàn)過擬合現(xiàn)象、計算過程復雜。

發(fā)明內(nèi)容
本發(fā)明的目的在于，提供一種基于Boosting算法的配電網(wǎng)理論線損的預測方法， 解決目前單純依靠單學習機的預測技術因易出現(xiàn)過擬合現(xiàn)象而導致的預測誤差大、計算過程復雜問題。本發(fā)明采用下述技術方案予以實現(xiàn)一種基于Boosting算法的配電網(wǎng)理論線損預測方法，其改進之處在于，所述方法包括下述步驟A、數(shù)據(jù)預處理，將配電網(wǎng)理論線損預測所涉及的歷史線損記錄轉化為適合 Boosting算法的原始樣本集Stffiginal ；B、利用集成學習Boosting算法對所述Stffiginal進行訓練，得到滿足誤差要求的配電網(wǎng)理論線損預測模SMlinel。ss ；
C、利用所述配電網(wǎng)理論線損預測模型Mlinel。ss完成配電網(wǎng)中未測線路的理論線損預測。本發(fā)明采用的一種優(yōu)選的技術方案是所述步驟A具體包括下述步驟Al、將已知的配電網(wǎng)理論線損記錄轉化為kXn矩陣格式的數(shù)據(jù)集^liateix ；所述k為歷史記錄條數(shù)；所述η為配電網(wǎng)線損影響因素個數(shù)加1 ；Α2、數(shù)據(jù)特征提取，使用核主成分分析確定所述配電網(wǎng)理論線損預測的最核心數(shù)據(jù)特征序列Ix1, x2，…，^J ；所述me [l，n-l]；A3、按照步驟A2確定的數(shù)據(jù)特征序列Ix1, X2,…，xj生成適合Boosting算法的原始樣本集Smiginal ；所述Stffiginal SkX (m+1)矩陣。本發(fā)明采用的第二優(yōu)選的技術方案是所述步驟B具體包括下述步驟BUBoosting算法初始化設定所述Boosting算法最大迭代次數(shù)Tmax，選用支持向量回歸機做為Boosting算法的弱學習算法；B2、初始樣本權重分配設定所述原始樣本集Smiginal中每條數(shù)據(jù)樣本的初始權重叫(0 = 1;所述1 = 1，2，…，k;所述k為所述原始樣本集Smiginal中樣本總個數(shù)；B3、執(zhí)行Boosting算法設當前Boosting算法迭代次數(shù)為j，j e [1，Tmax]，在當前樣本集1中按從高到低的順序抽取P的樣本，輸入到支持向量回歸機SVR訓練， 以得到第j代得弱學習機hj;B4、計算所述弱學習機hj的誤差ε j ；所述
權利要求
1.一種基于Boosting算法的配電網(wǎng)理論線損預測方法，其特征在于，所述方法包括下述步驟A、數(shù)據(jù)預處理，將配電網(wǎng)理論線損預測所涉及的歷史線損記錄轉化為適合Boosting 算法的原始樣本集Smiginal ；B、利用集成學習Boosting算法對所述Smiginal進行訓練，得到滿足誤差要求的配電網(wǎng)理論線損預測模型Mlinel。ss;C、利用所述配電網(wǎng)理論線損預測模型Mlinel。ss完成配電網(wǎng)中未測線路的理論線損預測。
2.如權利要求1所述的基于Boosting算法的配電網(wǎng)理論線損預測方法，其特征在于， 所述步驟A具體包括下述步驟Al、將已知的配電網(wǎng)理論線損記錄轉化為kXn矩陣格式的數(shù)據(jù)集^liateix ；所述k為歷史記錄條數(shù)；所述η為配電網(wǎng)線損影響因素個數(shù)加1 ；Α2、數(shù)據(jù)特征提取，使用核主成分分析確定所述配電網(wǎng)理論線損預測的最核心數(shù)據(jù)特征序列{x1;x2，xj ；所述 me [l，n-l]；A3、按照步驟A2確定的數(shù)據(jù)特征序列Ix1, &，-,xj生成適合Boosting算法的原始樣本集 Swiginal ；所述 Stffiginal 為 kX (m+1)矩陣。
3.如權利要求1所述的基于Boosting算法的配電網(wǎng)理論線損預測方法，其特征在于， 所述步驟B具體包括下述步驟Bl、B00Sting算法初始化設定所述Boosting算法最大迭代次數(shù)Tmax，選用支持向量回歸機做為Boosting算法的弱學習算法；B2、初始樣本權重分配設定所述原始樣本集Smiginal中每條數(shù)據(jù)樣本的初始權重叫(0 = 1;所述士 = 1,2,…，k;所述k為所述原始樣本集Stffiginal中樣本總個數(shù)；B3、執(zhí)行Boosting算法設當前Boosting算法迭代次數(shù)為j，j e [1，Tmax]，在當前樣本集h中按從高到低的順序抽取&的樣本，輸入到支持向量回歸機SVR訓練，以得到第j代得弱學習機hj;B4、計算所述弱學習機hj的誤差￡」；所述~=；^ (0;所述ω」( )為滿足條件1=1Pl 2 5%的樣本權重；所述，為利用所述弱學習機、得到的配電網(wǎng)理論線損Vi的計算 V1 “V1值；所述5%是Boosting算法設定的理論線損預測誤差閾值； B5、計算所述弱學習機hj的權重義2 ε}ω (i)e~a]y'h]{Xl)B6、更新下一代樣本集中樣本的權重ω」+1，矽 =^-所述Aj是歸aJ；一化系數(shù)，保證 fiVXO=I ；i=lB7、B00Sting算法終止判別；當出現(xiàn)下列條件之一，Boosting算法即停止迭代，執(zhí)行步驟B8 ；否則，執(zhí)行步驟B3 ；條件一 j ^ Tfflax ；條件二 樣本集Sj+1與樣本集h —致，即所述弱學習機的預測誤差ε」不再變化；B8、輸出最終強學習機H(X)；將各代所述弱學習機~加權組合得到H(X)，-Jmax~H(x) = sign YajHj(X);所述最終強學習機H(x)為所述滿足誤差要求的配電網(wǎng)理論線_仁1_損預測模型MIineloss°
4.如權利要求1所述的基于Boosting算法的配電網(wǎng)理論線損預測方法，其特征在于， 所述步驟C具體包括下述步驟Cl、將未測線路t的相關數(shù)據(jù){χ ,χ丨,…^^輸入到所述配電網(wǎng)理論線損預測模型 Mlinel。ss，得到線路理論線損預測值C ；C2、將所述未測線路t的丨χ丨,χ丨,···,xi丨及A添加到所述原始樣本集S iginal。
5.如權利要求2所述的基于Boosting算法的配電網(wǎng)理論線損預測方法，其特征在于， 所述步驟A2包括如下過程引入從原樣本空間Rn到Hilbert空間的變換X= Φ (χ)，即
6.根據(jù)權利要求3所述的一種基于Boosting算法的配電網(wǎng)理論線損預測方法，其特征在于，所述步驟B3中利用弱學習算法支持向量回歸機SVR完成某代樣本子集Sj的訓練，包括如下過程(1)構造訓練集
全文摘要
本發(fā)明涉及一種基于Boosting算法的配電網(wǎng)理論線損預測方法，方法包括下述三個步驟數(shù)據(jù)預處理，將配電網(wǎng)理論線損預測所涉及的歷史線損記錄轉化為適合Boosting算法的原始樣本集Soriginal；利用集成學習Boosting算法對所述Soriginal進行訓練，得到滿足誤差要求的配電網(wǎng)理論線損預測模型Mlineloss；利用所述配電網(wǎng)理論線損預測模型Mlineloss完成配電網(wǎng)中未測線路的理論線損預測；本發(fā)明提供的基于Boosting算法的配電網(wǎng)理論線損預測方法對配電網(wǎng)中未測線路的理論線損進行預測，不但克服了原有基于單學習機方法預測技術的缺陷，而且提高了預測的精度。
文檔編號G06F15/18GK102231144SQ20111014804
公開日2011年11月2日 申請日期2011年6月3日 優(yōu)先權日2011年6月3日
發(fā)明者曲亞東, 王宇飛, 雷浩, 高昆侖 申請人:中國電力科學研究院