[发明专利]一种基于决策树分类的负荷模型参数校验方法

摘要

本发明涉及一种基于决策树分类的负荷模型参数校验方法，包括以下步骤：1)得到负荷节点的负荷模型参数及相应负荷节点在扰动时电压、电流、有功和无功的动态特征曲线；2)将负荷模型参数区间离散化；3)得到最终特征段shapelet，及相应的分裂点d_bsp；4)选取信息增益最大的最终特征段shapelet作为最好特征段shapelet；5)将所有样本划分数据子集；6)判断所有样本是否都正确分类，如果没有都正确分类则转步骤7)，否则转步骤8)；7)分别对D₁和D₂中的样本进行判断，并转步骤3)进行迭代搜索；8)运用C4.5算法依次得到pct，s₀，R₂的决策树模型；9)采用10折交叉验证的方式对所得决策树的分类准确度进行测试，进而得到负荷模型参数校验模型整体的准确度。

主权项

1.一种基于决策树分类的负荷模型参数校验方法，其特征在于：它包括以下步骤：1)通过系统仿真结果得到负荷节点的负荷模型参数以及相应负荷节点在扰动时电压曲线、电流曲线、有功曲线和无功曲线的动态特征曲线，进而得到包含N个样本的数据集D；2)将负荷模型参数进行区间离散化，负荷模型参数主要包括负荷模型参数中动静负荷比例pct，转子侧电阻R₂以及初始滑差s₀三个参数，根据各参数总的变化区间分别得到其具体的离散区间以及类别编号；3)根据所得类别编号，分别从电压曲线、电流曲线、有功曲线和无功曲线中得到最终的特征段shapelet，及相应的分裂点d_bsp；得到最终的特征段shapelet，及相应的分裂点d_bsp的步骤如下：(3.1)从N个样本中选取所有长度在[minlen,maxlen]之间的子序列，由此得到候选特征段shapelet的个数为：其中，m_i为第i个样本时间序列长度，minlen和maxlen均为预先设定值；(3.2)计算各候选特征段shapelet s与所有样本T之间的距离d(s,T)，其中，第i个样本与第j个候选特征段shapelet之间的距离记为d(s_j,T_i)；其中，length(s)表示候选特征段shapelet s的长度；(3.3)针对每个候选特征段shapelet，根据d(s_j,T_i)，依次选择任意两个临近点距离的平均值作为分裂点距离d_sp，计算得到在不同分裂点距离情况下该候选特征段shapelet的信息增益值；(3.4)选取最大的信息增益作为该候选shapelet的信息增益，并且此时分裂点为d_bsp；(3.5)选取信息增益最大的候选特征段shapelet为最终特征段shapelet；4)从步骤3)中电压曲线对应的最终特征段shapelet、电流曲线对应的最终特征段shapelet、有功曲线对应的最终特征段shapelet和无功曲线对应的最终特征段shapelet，选取信息增益最大的最终特征段shapelet作为最好特征段shapelet；5)计算所有样本与最好特征段shapelet之间的距离，并根据相应的分裂点d_bsp，将所有样本划分为D₁和D₂两部分数据集；6)判断所有样本是否都正确分类，如果没有都正确分类则进入步骤7)，否则进入步骤8)；7)分别判断D₁和D₂中的样本是否属于同一类，如果D₁中样本不属于同一类则令D＝D₁进入步骤3)进行迭代搜索，否则停止迭代；如果D₂中样本不属于同一类则令D＝D₂进入步骤3)进行迭代搜索，否则停止迭代；8)计算N个样本与迭代搜索所得所有最好特征段shapelet的距离，然后将各距离作为分类属性，运用C4.5算法依次得到pct，s₀，R₂的决策树模型；9)为验证决策树模型的有效性，采用10折交叉验证的方式对所得决策树的分类准确度进行测试，分别得到pct,s₀以及R₂的模型准确度，进而得到负荷模型参数校验模型整体的准确度。