[发明专利]一种基于先进机器学习的态势预测方法

权利要求书

1.一种基于先进机器学习的态势预测方法，其特征在于，包括：

采集某电网系统的运行历史数据，获得历史数据样本；

利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类；

根据当前电网运行数据，对学习和分类后的历史数据样本进行定向相似日样本选取；

基于定向相似日样本选取，采用协同生成对抗网络技术生成新的数据样本，所述新的数据样本包括各节点负荷预测值、分布式电源出力预测值和可再生能源发电出力预测值。

2.根据权利要求1所述的态势预测方法，其特征在于，所述历史数据包括节点个数、各节点电压、各支路传输功率、电网系统频率、各节点的负荷、分布式电源出力和可再生能源发电出力。

3.根据权利要求1所述的态势预测方法，其特征在于，所述利用基于协同训练的半监督学习技术对历史数据样本进行学习和分类，具体为：采用多种分类器协同训练，进行特征提取的差异性互补，获得数据分类并进行标记。

4.根据权利要求3所述的态势预测方法，其特征在于，所述采用多种分类器协同训练，进行特征提取的差异性互补，获得数据分类并进行标记，具体为：

把历史数据样本分成三份，形成样本集X₁,X₂,X₃；

构建三个采用不同算法的分类器，分别采用SVM，贝叶斯和xgboost，得到分类器Y₁,Y₂,Y₃；

将样本集放入三个采用不同算法的分类器，得到样本集训练和分类并进行标记。

5.根据权利要求1所述的态势预测方法，其特征在于，所述对学习和分类后的历史数据样本进行定向相似日样本选取，具体为：

将分类标记后的历史数据样本与当前系统运行状态数据进行相似度比较，从而根据当前系统运行状态数据选出定向历史相似日，作为当前运行状态数据态势预测的一个依据。

6.根据权利要求1所述的态势预测方法，其特征在于，所述基于定向历史相似日样本选取，采用协同生成对抗网络技术生成新的数据样本，具体为：

构建生成器网络G₁和G₂，同时构建判别器D；

从一个预先定义的分布p_z中进行随机采样得到噪声集{z¹,z²,z³,…,zⁿ}；

令生成器的输入为z，输出“假”数据G₁(z),G₂(z),G₃(z),…,G_n(z)；

将“假”数据G₁(z),G₂(z),G₃(z),…,G_n(z)置于判别器D中判断数据真假，并根据判别结果，更新各生成器网络的参数；

重复上一步骤训练过程k次，以相似日样本定向选取得到的样本作为真实数据集{x¹,x²,x³,…,xⁿ}，将“假”数据G₁(z),G₂(z),G₃(z),…,G_n(z)和真数据{x¹,x²,x³,…,xⁿ}置于判别器D中进行判别，根据判别结果更新判别器D的参数；

设置协同参数，根据判别结果计算协同参数的值，根据协同参数的值给各生成器网络设置惩罚网络权，以提高性能较差的生成器网络的生成真实度；

直至生成器网络近似收敛于真实数据分布。