[发明专利]基于局部保持投影和XGBoost的配电网线损预测方法

说明书

本发明涉及一种基于局部保持投影和XGBoost的配电网线损预测方法，包括：构建原始数据，包括电气特征指标和线损数据；对电气特征指标进行归一化，并通过局部保持投影方法进行特征压缩；将压缩后的特征作为XGBoost模型的输入，线损数据为XGBoost模型的输出，设置学习率、动量、迭代次数参数进行模型训练；通过局部保持投影和训练好的XGBoost模型进行线损预测。本发明使用局部保持投影对电气指标进行特征分析，有效减少了模型输入数据中的冗余信息，降低了输入维度；XGBoost模型具有更强的非线性特征捕获能力，对日线损率模型预测精度提升的作用更大。

技术领域

本发明涉及配电网网损预测技术领域，尤其是一种基于局部保持投影和XGBoost的配电网线损预测方法。

背景技术

随着电力系统数据不完善，组成部分庞大，管理功能不存在，网络结构直接相连。配电网系统的线损预测仍然是一个难题。机器学习是人类根据对人脑和神经系统的知识和理解而创建的理论数学模型，可以模拟某些脑功能。它是一种信息处理系统，可以处理具有复杂关系，边界不清晰且规则不明确的信息。

机器学习神经网络具有很多优点：分布式信息存储，信息处理和存储操作的结合，信息处理和自学操作的自我计划，容错能力和强度等。基于这些优点，人工神经网络已广泛应用于各个领域，例如构图优化，图案分析，机器人控制和医疗领域。机器学习网络在处理复杂的非线性问题方面具有独特性，降低电力系统的损耗率已成为能源公司迫切需要解决的问题，因此，开发高效的线损预测方法有助于并指导线损管理。

迄今未见有关基于局部保持投影和XGBoost的配电网线损预测方法的文献报道和实际应用。

发明内容

本发明的目的在于提供一种通过局部保持投影进行电气特征指标降维，基于XGBoost进行配电网线损预测，适用性强的基于局部保持投影和XGBoost的配电网线损预测方法。

为实现上述目的，本发明采用了以下技术方案：一种基于局部保持投影和XGBoost的配电网线损预测方法，该方法包括下列顺序的步骤：

(1)构建原始数据，包括电气特征指标和线路功率损耗数据；

(2)对电气特征指标进行归一化，并通过局部保持投影方法进行特征压缩，得到压缩后的特征；

(3)将步骤(2)得到的压缩后的特征作为XGBoost模型的输入，将步骤(1)中的线路功率损耗数据作为XGBoost模型的输出，设置学习率、动量、迭代次数参数进行模型训练；

(4)将待预测的数据输入训练后的XGBoost模型，XGBoost模型输出预测的线损数据。

在步骤(1)中，所述电气特征指标包括月无功供电量、月有功供电量、线路总长度、季节、导线截面积、线路等效截面积、导线最大长度、变压器总容量、变压器有功电量和变压器无功电量。

在步骤(2)中，所述对电气特征指标进行归一化具体是指：采用对电气特征指标做标准化处理，其归一化公式为：

其中：x为输入信息；x′为经过归一化处理后的输入信息；max(x)对应待归一化变量的最大值，min(x)对应待归一化变量的最小值。

在步骤(2)中，所述局部保持投影方法具体是指：