[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

说明书

本发明公开了一种基于波动互相关分析的配网电压异常数据填补方法，属于电力系统电压辨识技术领域，该方法包括：S1、获取电网的历史数据；S2、输入历史样本，将样本划分为：训练集和测试集；S3、基于属性加权策略构建相似集合WZ；S4、采用相似集合WZ对随机森林进行训练；S5、通过N‑Bootstrap抽样方法构建随机森林。S6、采用训练集对随机森林进行训练，并采用测试集对训练后的模型进行测试；S7、如果满足测试要求，转入步骤8，否则转入步骤6继续训练；S8、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；S9、结束本次填补。本发明能够充分利用电压历史数据进行电压缺失值的填补，提高了电压填补值的准确性。

技术领域

本发明涉及一种基于波动互相关分析的配网电压异常数据填补方法FSMDFCCA(Filling Strategy For Abnormal Data Based on Fluctuation Cross-CorrelationAnalysis)，属于电力系统电压辨识技术领域。

背景技术

随着电网的不断发展，数据的准确性和完整性对配网电压控制尤为重要，但随着采集数据量成指数级的增长，因人工录入、采集装置故障导致的电压数据缺失问题时有发生，因此需要对缺失数据进行辨识或补全，传统算法都提供了一些解决思路，但是由于较少利用相似属性作为分析依据，填补效果并不理想。近年来，随着波动互相关理论的提出，以及传统机器学习的随机森林等方法的逐步成熟，通过相似集合来训练随机森林成为可能，为此我们提出了一种基于波动互相关分析的配网电压异常数据填补方法，进一步提高配网电压缺失值的填补精度，满足电网发展需求。

发明内容

本发明针对现有技术中的不足，提供一种基于波动互相关分析的配网电压异常数据填补方法，以提高填补数据的精度，为配网调控提供支撑。

为实现上述目的，本发明采用以下技术方案：

一种基于波动互相关分析的配网电压异常数据填补方法，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。

为优化上述技术方案，采取的具体措施还包括：

进一步地，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；