[发明专利]一种基于波动互相关分析的配网电压异常数据填补方法

权利要求书

1.一种基于波动互相关分析的配网电压异常数据填补方法，其特征在于，包括如下步骤：

S1、获取电网的历史数据；

S2、将历史数据划分为训练集和测试集；

S3、基于属性加权策略构建相似集合WZ；

S4、通过N-Bootstrap抽样方法构建随机森林；

S5、采用相似集合WZ对随机森林进行训练，并通过测试集对训练后的随机森林模型进行测试；

S6、判断训练后的随机森林模型是否满足测试要求，如果训练后的随机森林模型满足测试要求，转入步骤S7，否则转入步骤S5继续训练；

S7、采用训练完成的随机森林模型对电压异常值进行预测，预测结果作为填补结果；

S8、结束本次填补。

2.根据权利要求1所述的基于波动互相关分析的配网电压异常数据填补方法，其特征在于，步骤S3具体包括：

S31、获取电压关联属性集合SX_i，i＝1，2，……，U，其中，U表示关联属性的个数；

S32、采用波动互相关系数分析关联属性间的互相相关情况，设定阀值δ，计算关联属性间的波动互相关系数，当波动互相关系数值大于阀值δ时，将该关联属性存入属性集合WG；

S33、将属性集合WG中的关联属性采用熵权法获得各关联属性的权重W，W＝[w₁,w₂,...,w_m]，m表示属性集合WG中的关联属性的数量；

S34、根据波动互相关系数得到关联属性综合加权值JQ，JQ＝w₁SX₁+w₂SX₂+...+w_mSX_m；

S35、从训练集中挑选各个典型时段的历史数据断面并计算对应的关联属性综合加权值JQ，并将关联属性综合加权值JQ从大到小进行排序，给定关联阈值b，若历史数据断面的关联属性综合加权值JQ大于给定的阈值b，则将历史数据断面存入相似集合WZ。

3.根据权利要求1所述的基于波动互相关分析的配网电压异常数据填补方法，其特征在于，步骤S4具体包括：

S41、对随机森林中的每一棵CART决策树，通过N-Bootstrap抽样从初始样本集合S中抽取样本，并构建N个子集{S₁,S₂,…,S_N}，将N个子集合中一半的样本作为训练样本集S_Ntr，另一半样本作为测试样本集N_Nte；

S42、从训练样本集S_Ntr中任选样本作为根节点进行训练，并构建多指标融合分裂系数RH(S_Ntr)作为节点是否分裂的衡量指标：

要求α∈{0,1},且α,不能相等，其中，Gini()表示基尼系数，Gain()表示信息增益；计算测试集合中最小的融合分裂系数值min{RH(S_Ntr)}，作为节点分裂的判断标准进行分裂操作；节点分裂完成后形成决策树；

S43、最后将生成的所有决策树构建随机森林。