[发明专利]基于EM算法和梯度提升树的电压暂降原因识别方法

权利要求书

1.一种基于EM算法和梯度提升树的电压暂降原因识别方法，其特征在于，包括电压暂降特征工程、暂降事件分类模型训练和外部数据；基于电压暂降特征工程提取电压暂降数据的特征数据后，通过暂降事件分类模型训练将电压暂降数据原因分类后，与外部数据进行关联；

暂降事件分类模型训练包括基于梯度提升树的电压暂降波形数据训练模型和EM算法的电压暂降标幺值预估模型，电压暂降波形数据训练模型用于针对样本数据进行参数训练，电压暂降标幺值预估模型用于识别电网二次电压标幺值；

基于梯度提升树的电压暂降波形数据训练模型J(θ)表示为：

其中f(x_i，θ)为电压暂降波形数据类别的预估值；L(y_i,f(x_i，θ))为损失函数，表示电压暂降波形类别预估值与类标签之间的相似性，x_i为训练样本，θ为参数集合；y_i为训练样本对应的类标量，N为样本数据数目，Ω(θ)为正则项，选取L2正则作为电压暂降波形数据的训练模型的正则项，则：

以逻辑回归损失作为损失函数：

L(y_i,f(x_i，θ))＝-y_ilog(f((x_i，θ))-(1-y_i)log(1-f((x_i，θ)) (6)

为了简化计算复杂度和提升计算速度，以牛顿插值法逼近损失函数，即：

x_i为训练样本，y_i为训练样本对应的类标量，x为训练样本集，y为训练样本对应的类标量集，x_i∈x，y_i∈y；为插值基函数；

训练样本对应的类标量集有K类波形，将第k类波形的训练样本对应的类标量集标记为集合D，第k类波形样本所占的比例为p_k，则电压暂降波形数据样本集合的纯度Ent(D)为：

根据样本集的纯度公式(10)，选择某一特征作为决策树的根节点Det(D,a)，根节点Det(D,a)的选择原则为比较选取所有特征下纯度比率的最小值：

迭代每一个特征后计算其预估值f(x_i；θ)与y_i之间的差值，以差值作为下一个决策树的目标；循环计算每一个特征下的决策树，直至差值小于等于ε，算法收敛，ε为定义的收敛值。

2.根据权利要求1所述的基于EM算法和梯度提升树的电压暂降原因识别方法，其特征在于，

电压暂降特征工程从电压暂降波形数据中提取特征数据；

所述特征数据具体包括：电压暂降相别、暂降深度、电压暂降持续时间、所在地区、监测点电压等级、暂降10％-180％区间占比、暂降启始到最深暂降的时段、最深暂降到暂降恢复的时段、暂降深度、矩形系数、暂降凹型20％底部与头部比值、暂降凹型20％面积比值、波形偏度、波形翘度和频域聚类5组占比。

3.根据权利要求1所述的基于EM算法和梯度提升树的电压暂降原因识别方法，其特征在于，

电压暂降波形数据类别具体包括故障导致的电压暂降、大用户负荷导致的电压暂降和变压器激磁涌流导致的电压暂降。

4.根据权利要求1所述的基于EM算法和梯度提升树的电压暂降原因识别方法，其特征在于，

在波形数据服从正态分布X～N(μ；σ²)的前提下，基于EM算法的电压暂降标幺值预估模型包括E步和M步；E步根据训练数据推断出最优隐变量Z的分布参数；M步在最优隐变量Z的分布参数的基础上，根据波形数据修正Z的分布参数；循环迭代E步与M步，直至最优隐变量Z的参数收敛。