[发明专利]基于XGBoost算法的电流突变原因判别方法

说明书

本发明公开了一种基于XGBoost算法的电流突变原因判别方法，包括如下步骤：步骤(1)采集各间隔各种运行方式之下的历史数据，形成和电流突变有关的原始数据；步骤(2)从原始数据中提取特征，并确定突变标签，利用D5000电力调度监控平台电流负荷数据确定是否发生电流突变，对于各类运行方式，提取出各类电气量特征，作为后续XGBoost算法的特征输入；步骤(3)采用XGBoost算法，利用获取的样本数据进行模型训练；步骤(4)XGBoost模型训练成熟之后，根据D5000电力调度监控平台记录下的电网实时运行信息，构成能够反映电网电流突变的电气量特征，输入XGBoost模型，即可实时判别电力系统某些可能的故障所带来的电流突变。本发明可以实现在电流突变时快速辨别原因及故障位置，为深入检修及避免故障提供快速判断工具。

技术领域

本发明涉及电力运检检修领域，尤其涉及电流突变原因判别方法。

背景技术

在电力系统发生故障时，会发生电流突变，引起电流突变的故障有很多种，如何实现在电流突变时快速辨别原因及故障位置，对快速检修及排除故障非常重要。

发明内容

本发明所要解决的技术问题就是提供一种基于XGBoost算法的电流突变原因判别方法，以实现在电流突变时快速辨别原因及故障位置，为深入检修及避免故障提供快速判断工具。

为解决上述技术问题，本发明采用如下技术方案：

基于XGBoost算法的电流突变原因判别方法，包括如下步骤：

步骤(1)，采集各间隔各种运行方式之下的历史数据，形成和电流突变有关的原始数据；

步骤(2)，从原始数据中提取特征，并确定突变标签，利用D5000电力调度监控平台电流负荷数据确定是否发生电流突变，对于各类运行方式，提取出各类电气量特征，作为后续XGBoost算法的特征输入，由此形成用于建模电流突变的样本数据；

步骤(3)，采用XGBoost算法，利用获取的样本数据进行模型训练；

步骤(4)，XGBoost模型训练成熟之后，根据D5000电力调度监控平台记录下的电网实时运行信息，构成能够反映电网电流突变的电气量特征，输入XGBoost模型，即可实时判别电力系统某些可能的故障所带来的电流突变。

可选的，反映电网电流突变的电气量特征包括：电流突变时最小才采集刻度的电流值；电流突变时D5000电力调度监控平台保护动作信号内容；电流突变时D5000电力调度监控平台开关跳闸信号内容；电流突变时D5000电力调度监控平台开关遥控操作信号内容；电流突变时对应变电站拓扑图，是否可以合环再解环；电流突变时巡检机器人的各设备反馈读数；电流突变时在线监测系统读数。

可选的，在训练过程中，针对电流突变预测过程中两类错误严重程度不同的特点，引入注意力系数对XGBoost算法的损失函数进行修正，使得模型对不稳定样本的预测情况减少。

可选的，使用logistic函数用于将模型输出概率化，用于衡量XGBoost模型输出的可靠程度。

本发明采用上述技术方案，可以实现在电流突变时快速辨别原因及故障位置，为深入检修及避免故障提供快速判断工具。由于采用XGBoost算法进行分析判断，具有如下有益效果：

(1)由于XGBoost能够自动采用多线程并行计算，运算速度快，适合处理大规模电力数据。

(2)模型中上增加了以树的复杂度构成的正则化项，使得其泛化能力得到提升，有效的解决了过拟合。

(3)由于XGBoost是树结构模型，不需要对电力系统中采集到的各种数据归一化，并能够有效处理因某些原因而导致的缺失值，适合于间隔电流的电流突变。

本发明的具体技术方案及其有益效果将会在下面的具体实施方式中进行详细的说明。