[发明专利]一种基于Boosting算法的配电网理论线损预测方法

说明书

技术领域

本发明涉及一种配电网线损技术领域的预测方法，具体涉及一种基于Boosting算法的配电网理论线损预测方法。

背景技术

随着近几年逐渐加大智能电网的研究与建设力度，特别是国家电网公司“SG186”和中国南方电网公司“数字南方电网”等工程的实施，更进一步确定了构建“统一的坚强智能电网”的发展方向。如何将成熟、高效的人工智能算法引入智能电网领域也逐渐引起学者和研究单位的重视。

配电网做为整个智能电网中与用户关系最紧密的一环，其智能化程度将在很大程度上决定了智能电网整体的最终效能。配电网理论线损的精确预测做为配电网正常运行和调度的一个重要组成环节，其预测方法的智能化改进势在必行。同时由于配电网的线路连接复杂、接入用户类型各异，因而目前并没有一种十分有效的预测方法，所以设计一种高效、准确的配电网理论线损预测方法具有很强的现实和理论意义。

当前配电网理论线损的预测方法是将线损预测问题抽象成多元回归问题，再利用成熟的人工智能算法构造回归模型，并求解未测线路线损。理论线损预测过程主要包括三个部分，分别是数据预处理、生成理论线损预测模型、未测线路理论线损预测。

数据预处理是将配电网中各已知理论线损的线路数据设计成适合人工智能算法的数据集，从而便于人工智能算法生成预测模型。

生成理论线损预测模型就是利用数据预处理得到的数据集来训练人工智能算法，从而得到满足误差要求的理论预测模型。

目前常用的方法主要是各种单学习机方法，如BP神经网络(Back Propagation Neural Network，BPNN)、RBF神经网络以及各种神经网络的改进算法。单学习机的方法误差相对较大、易出现过拟合现象、计算过程复杂。

发明内容

本发明的目的在于，提供一种基于Boosting算法的配电网理论线损的预测方法，解决目前单纯依靠单学习机的预测技术因易出现过拟合现象而导致的预测误差大、计算过程复杂问题。

本发明采用下述技术方案予以实现：

一种基于Boosting算法的配电网理论线损预测方法，其改进之处在于，所述方法包括下述步骤：

A、数据预处理，将配电网理论线损预测所涉及的历史线损记录转化为适合Boosting算法的原始样本集S_original；

B、利用集成学习Boosting算法对所述S_original进行训练，得到满足误差要求的配电网理论线损预测模型M_lineloss；

C、利用所述配电网理论线损预测模型M_lineloss完成配电网中未测线路的理论线损预测。

本发明采用的一种优选的技术方案是：所述步骤A具体包括下述步骤：

A1、将已知的配电网理论线损记录转化为k×n矩阵格式的数据集S_matrix；所述k为历史记录条数；所述n为配电网线损影响因素个数加1；

A2、数据特征提取，使用核主成分分析确定所述配电网理论线损预测的最核心数据特征序列{x₁，x₂，…，x_m}；所述m∈[1，n-1]；

A3、按照步骤A2确定的数据特征序列{x₁，x₂，…，x_m}生成适合Boosting算法的原始样本集S_original；所述S_original为k×(m+1)矩阵。

本发明采用的第二优选的技术方案是：所述步骤B具体包括下述步骤：

B1、Boosting算法初始化：设定所述Boosting算法最大迭代次数T_max，选用支持向量回归机做为Boosting算法的弱学习算法；

B2、初始样本权重分配：设定所述原始样本集S_original中每条数据样本的初始权重所述i＝1，2，…，k；所述k为所述原始样本集 S_original中样本总个数；

B3、执行Boosting算法：设当前Boosting算法迭代次数为j，j∈[1，T_max]，在当前样本集S_j中按ω_j(i)从高到低的顺序抽取的样本，输入到支持向量回归机SVR训练，以得到第j代得弱学习机h_j；