本發(fā)明屬于分布式光伏發(fā)電，具體涉及一種基于集成學(xué)習(xí)器的光伏臺區(qū)反向重過載識別方法。

背景技術(shù)：

1、分布式光伏逐步成為智能配電網(wǎng)的關(guān)鍵組成部分，分布式光伏大力發(fā)展的同時(shí)，低壓分布式光伏主要分布在經(jīng)濟(jì)欠發(fā)達(dá)地區(qū)，光伏反向重過載問題突出。電動汽車充電的可調(diào)度性與光伏發(fā)電的可控性成為解決這一問題的有效途徑之一。與此同時(shí)，微電網(wǎng)反向重過載的故障識別對于微電網(wǎng)的穩(wěn)定性和效率具有重要影響。

2、現(xiàn)有反向重過載識別方法通過確定配變臺區(qū)的預(yù)測時(shí)間段，獲取對應(yīng)原始數(shù)據(jù)如歷史負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)等，預(yù)測變壓器負(fù)荷數(shù)據(jù)，并通過計(jì)算反向負(fù)載率發(fā)布光伏反向重過載預(yù)警信息，根據(jù)配變負(fù)載率對臺區(qū)運(yùn)行情況進(jìn)行評估。然而這類預(yù)測方法僅關(guān)注負(fù)荷數(shù)據(jù)的時(shí)序特征而忽略了反向重過載發(fā)生時(shí)的光伏出力、充電負(fù)荷與變壓器容量間的動態(tài)關(guān)聯(lián)性，導(dǎo)致臺區(qū)反向重過載預(yù)警準(zhǔn)確度不高。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明針對上述問題提供了一種基于集成學(xué)習(xí)器的光伏臺區(qū)反向重過載識別方法，本方法基于集成學(xué)習(xí)器的反向重過載識別模型，同時(shí)從反向負(fù)載率和學(xué)習(xí)模型分配訓(xùn)練權(quán)重兩個(gè)角度，對光伏微電網(wǎng)內(nèi)配電變壓器進(jìn)行反向重過載識別。

2、第一方面，本發(fā)明提供了一種基于集成學(xué)習(xí)器的光伏臺區(qū)反向重過載識別方法，包括以下步驟：

3、步驟1，選擇影響反向負(fù)載率的不同特征數(shù)據(jù)，并實(shí)時(shí)采集；

4、步驟2，將步驟1所采集的實(shí)時(shí)特征數(shù)據(jù)輸入至預(yù)先訓(xùn)練好的強(qiáng)分類器，輸出對光伏臺區(qū)反向重過載的識別結(jié)果，強(qiáng)分類器是以影響反向負(fù)載率的不同特征數(shù)據(jù)構(gòu)建的歷史數(shù)據(jù)集為訓(xùn)練樣本，基于集成學(xué)習(xí)算法訓(xùn)練得到的。

5、進(jìn)一步，所述步驟1中反向負(fù)載率的計(jì)算公式如式(1)所示：

6、

7、式中，pd表示為光伏發(fā)電功率，pl表示為變壓器同時(shí)刻等效負(fù)荷，sd表示為變壓器額定容量。

8、再進(jìn)一步，所述步驟1中不同特征數(shù)據(jù)為變壓器負(fù)荷、電動汽車充電負(fù)荷、光伏功率和變壓器容量。

9、進(jìn)一步，所述方法還包括：對強(qiáng)分類器進(jìn)行訓(xùn)練，具體為：

10、(1)通過四分位法、最大最小歸一化對不同特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，進(jìn)而構(gòu)建數(shù)據(jù)集，并將數(shù)據(jù)集分為訓(xùn)練集和測試集；

11、(2)構(gòu)建基于adaboost的故障識別模型，輸入為訓(xùn)練集中的特征數(shù)據(jù)，輸出為{-1，1}，-1表示屬于光伏臺區(qū)反向重過載，1表示不屬于光伏臺區(qū)反向重過載，故障識別模型中弱分類器的算法采用梯度提升樹，弱分類器迭代次數(shù)為k，加權(quán)集成出最終的強(qiáng)分類器為f(x)；

12、(3)初始化訓(xùn)練集的權(quán)重，如式(2)所示：

13、

14、式中，w1i表示訓(xùn)練集中每個(gè)負(fù)荷特征的初始權(quán)重，m表示訓(xùn)練集樣本個(gè)數(shù)；

15、(4)使用具有權(quán)重dk的訓(xùn)練集來訓(xùn)練不同特征數(shù)據(jù)，得到弱分類器gk(x):x→{-1,1}，k＝1,2,…,k，計(jì)算gk(x)的分類誤差率，如式(3)所示：

16、

17、式中，yi表示樣本標(biāo)簽集合{-1，1}，wki表示當(dāng)前誤差率最低的第k個(gè)基本分類器的權(quán)重，i表示被gk(xi)誤分類樣本的權(quán)值；

18、(5)計(jì)算弱分類器的權(quán)重系數(shù)，如式(4)所示：

19、

20、式中，r為類別數(shù)；

21、(6)更新訓(xùn)練集的權(quán)重分布，如式(5)所示：

22、wk+1,i＝wkizk?exp(-αkyigk(xi)),i＝1,2,…,m?(5)

23、式中，zk是規(guī)范化因子，如式(6)所示：

24、

25、(7)加權(quán)集成的最終分類器f(x)，如式(7)所示：

26、

27、(8)使用準(zhǔn)確率、召回率、查準(zhǔn)率與f1分?jǐn)?shù)對測試集的不同特征數(shù)據(jù)進(jìn)行評價(jià)。

28、第二方面，本發(fā)明還提供了一種基于集成學(xué)習(xí)器的光伏臺區(qū)反向重過載識別裝置，包括：

29、特征數(shù)據(jù)選擇模塊，用于選擇影響反向負(fù)載率的不同特征數(shù)據(jù)，并實(shí)時(shí)采集；

30、反向重過載識別模塊，用于將實(shí)時(shí)采集的特征數(shù)據(jù)輸入至預(yù)先訓(xùn)練好的強(qiáng)分類器，輸出對光伏臺區(qū)反向重過載的識別結(jié)果，強(qiáng)分類器是以影響反向負(fù)載率的不同特征數(shù)據(jù)構(gòu)建的歷史數(shù)據(jù)集為訓(xùn)練樣本，基于集成學(xué)習(xí)算法訓(xùn)練得到的。

31、進(jìn)一步，所述反向負(fù)載率的計(jì)算公式如式(1)所示：

32、

33、式中，pd表示為光伏發(fā)電功率，pl表示為變壓器同時(shí)刻等效負(fù)荷，sd表示為變壓器額定容量。

34、再進(jìn)一步，所述不同特征數(shù)據(jù)為變壓器負(fù)荷、電動汽車充電負(fù)荷、光伏功率和變壓器容量。

35、進(jìn)一步，所述裝置還包括強(qiáng)分類器訓(xùn)練模塊，具體包括：

36、數(shù)據(jù)預(yù)處理單元，通過四分位法、最大最小歸一化對不同特征數(shù)據(jù)進(jìn)行數(shù)據(jù)預(yù)處理，進(jìn)而構(gòu)建數(shù)據(jù)集，并將數(shù)據(jù)集分為訓(xùn)練集和測試集；

37、模型構(gòu)建單元，構(gòu)建基于adaboost的故障識別模型，輸入為訓(xùn)練集中的特征數(shù)據(jù)，輸出為{-1，1}，-1表示屬于光伏臺區(qū)反向重過載，1表示不屬于光伏臺區(qū)反向重過載，故障識別模型中弱分類器的算法采用梯度提升樹，弱分類器迭代次數(shù)為k，加權(quán)集成出一個(gè)強(qiáng)分類器為f(x)；

38、模型訓(xùn)練單元，訓(xùn)練基于adaboost的故障識別模型；

39、結(jié)果評價(jià)單元，使用準(zhǔn)確率、召回率、查準(zhǔn)率與f1分?jǐn)?shù)對測試集的不同特征數(shù)據(jù)進(jìn)行評價(jià)。

40、再進(jìn)一步，所述訓(xùn)練基于adaboost的故障識別模型的過程，包括：

41、初始化訓(xùn)練集的權(quán)重，如式(2)所示：

42、

43、式中，w1i表示訓(xùn)練集中每個(gè)負(fù)荷特征的初始權(quán)重，m表示訓(xùn)練集樣本個(gè)數(shù)；

44、(4)使用具有權(quán)重dk的訓(xùn)練集來訓(xùn)練不同特征數(shù)據(jù)，得到弱分類器gk(x):x→{-1,1}，k＝1,2,…,k，計(jì)算gk(x)的分類誤差率，如式(3)所示：

45、

46、式中，yi表示樣本標(biāo)簽集合{-1，1}，wki表示當(dāng)前誤差率最低的第k個(gè)基本分類器的權(quán)重，i表示被gk(xi)誤分類樣本的權(quán)值；

47、(5)計(jì)算弱分類器的權(quán)重系數(shù)，如式(4)所示：

48、

49、式中，r為類別數(shù)；

50、(6)更新訓(xùn)練集的權(quán)重分布，如式(5)所示：

51、wk+1,i＝wkizk?exp(-αkyigk(xi)),i＝1,2,…,m?(5)

52、式中，zk是規(guī)范化因子，如式(6)所示：

53、

54、(7)加權(quán)集成的最終分類器f(x)，如式(7)所示：

55、

56、第三方面，本發(fā)明還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，所述計(jì)算機(jī)可讀存儲介質(zhì)中存儲有指令，當(dāng)所述指令被運(yùn)行時(shí)，實(shí)現(xiàn)所述基于集成學(xué)習(xí)器的光伏臺區(qū)反向重過載識別方法。

57、第四方面，本發(fā)明還提供了一種電子設(shè)備，包括處理器和存儲器，所述存儲器存儲可在所述處理器上運(yùn)行程序或指令，所述程序或指令被所述處理器執(zhí)行時(shí)實(shí)現(xiàn)所述基于集成學(xué)習(xí)器的光伏臺區(qū)反向重過載識別方法。

58、與現(xiàn)有技術(shù)相比本發(fā)明具有以下優(yōu)點(diǎn)：

59、(1)本發(fā)明反向重過載識別方法通過分析反向重過載發(fā)生時(shí)變壓器負(fù)荷數(shù)據(jù)特性，分別從數(shù)據(jù)特征和識別模型兩個(gè)角度對光伏微電網(wǎng)內(nèi)光伏配電變壓器進(jìn)行反向重過載識別。利用影響反向負(fù)載率的特征作為輸入，利用adaboost的反向重過載識別模型實(shí)現(xiàn)微電網(wǎng)內(nèi)光伏變壓器的反向重過載識別。

60、(2)采用反向負(fù)載率篩選影響反向重過載事件的特征數(shù)據(jù)。現(xiàn)有反向重過載識別方法在特征選擇上，通過獲取配電變壓器的原始數(shù)據(jù)，比如歷史負(fù)荷數(shù)據(jù)、氣象數(shù)據(jù)等，但是氣象數(shù)據(jù)主要影響光伏發(fā)電功率的大小，對于變壓器等效負(fù)荷相關(guān)性較小，所以決定配電變壓器是否發(fā)生反向重過載的反向負(fù)載率入手，通過分析微電網(wǎng)內(nèi)分布式光伏出力、各負(fù)荷需求對變壓器等效負(fù)荷的影響，選擇光伏發(fā)電功率、電動汽車充電負(fù)荷、變壓器容量和臺區(qū)總負(fù)荷作為反向重過載識別模型的輸入。

61、(3)本方法考慮了adaboost模型能夠處理不平衡特征數(shù)據(jù)，對同一訓(xùn)練數(shù)據(jù)迭代訓(xùn)練多個(gè)分類器，并將他們集成在一起，構(gòu)建一個(gè)更為強(qiáng)大的最終分類器。在處理多維特征數(shù)據(jù)時(shí)會更傾向?qū)Πl(fā)生反向重過載的數(shù)據(jù)賦予更大的權(quán)重，這樣在迭代時(shí)adaboost會著重注意重過載時(shí)段的數(shù)據(jù)特征，進(jìn)而提高識別模型準(zhǔn)確率。該方法的優(yōu)點(diǎn)在于無需人為調(diào)整各分類器的權(quán)重且能夠簡單獲得反向重過載識別結(jié)果。