[发明专利]一种基于支持向量机的配变负载预测方法

说明书

本发明配电变压器负载预测技术领域，具体涉及一种基于支持向量机的配变负载预测方法。本发明基于支持向量机算法，对配变历史数据进行训练，生成二分类的分类器，实现对配网重过载情况的预测，即重过载的发生频率达到阈值就判断为非正常，其余为正常，用以指导电网公司对配变设备的检修和运维策略。本发明在传统的训练数据集中，加入了配变重过载频率数据，用以判断重过载是偶发性的还是持续性的，使得数据的维度更加科学。另外，采用机器学习中应用最广泛、准确度最高的二分类算法支持向量机来训练预测模型，能够提高预测配变负载的准确度。

技术领域

本发明配电变压器负载预测技术领域，具体涉及一种基于支持向量机的配变负载预测方法。

背景技术

在现有的配变重过载的预测方法中，通常都是运用配电变压器的历史数据，建立预测模型，来预测配电变压器在指定地区指定时间重过载的概率，从而指导该地区该时间段的配变的检修和运维工作，优化人力和物资资源配置。这种做法存在以下不足：

1、预测模型的结果分为三类：正常，重载，过载，实际上分类的结果只需要追求正常和不正常两类即可，再多的分类需要获取更多类别的特征数据，采用更复杂的分类算法，会影响算法本身预测的精准度。

2、预测的结果只是配变发生重过载的概率，实际上出现配变重过载的情况时，电网公司是否应该进一步采取动作来响应，没有给出更精准的判断方法。

发明内容

为了解决上述问题，本发明提供了一种基于支持向量机的配变负载预测方法，本发明采用基于支持向量机的二分类法，将配变重过载的情况分为两类，即正常和非正常。支持向量机是目前二分类问题中，运用最成熟、准确度最高的机器学习算法之一，对于提升配变重过载预测的准确率有很大帮助。且在采集历史特征数据进行训练时，加入配变重过载的“频率”特征，即发生重过载的频率达到一定阈值，就采取措施进行控制，如果未达到该阈值，就判断变压器为偶发性过载，无需采取措施进行控制，从而实现了电网公司响应配变重过载策略的优化。具体技术方案如下：

一种基于支持向量机的配变负载预测方法包括以下步骤：

S1：采集并处理影响配变负载的历史数据，具体包括以下步骤：

S11：获取历史数据，所述历史数据包括配变在指定时间段的负荷数据、天气数据、社会事件数据、指定时间段配变发生重过载频率的数据；

S12：对采集到的数据进行处理，设置配变重过载的判断标准以及设置配变重过载情况为“持续”还是“瞬时”的阈值；

S2：采用上述历史数据作为训练样本，采用支持向量机的方法训练配变负载预测分类器，构建预测模型；

S3：根据配变负载预测模型预测配变的负载情况。

优选地，所述步骤S2：具体包括以下步骤：

S21：构建正负两个训练样本集：正样本集包含数据为：历史负荷数据x1，天气数据x2，社会事件数据x3，重过载频率x4，y值为+1，代表正样本，表示配变负载正常的情况；负样本集包含数据为：历史负荷数据x1,天气数据x2,社会事件数a据x3,重过载频率x4,y值为-1，代表负样本，表示配变负载非正常的情况；

S22：设定SVM训练样本的类型参数：训练样本已经大于两个维度，故参数类型选择C_SVC；

S23：选择核函数，选择径向核函数把训练样本映射到高维空间；具体如下：

S24：设置算法终止条件：设定一个最大迭代次数和容许误差的组合，从而控制算法在适当的条件下停止计算；

S25：在高维特征空间中确定最优分类面,得到各样本的支持向量和VC可信度,形成最终的判别函数，构建预测模型。