[发明专利]一种基于特征选择和GRU网络的台区线损预测方法

权利要求书

1.一种基于特征选择和GRU网络的台区线损预测方法，其特征在于，所述台区线损预测方法包括以下步骤：

步骤(1)：基于用电管理系统收集台区多维电气特征指标参数数据，构建影响台区线损率的原始数据，包括电气特征指标和台区实际线损率数据；

步骤(2)：对原始数据集进行归一化处理，同时采用箱型图模型对台区异常线损进行异常值检测，得到标准的台区数据后随机分为训练集数据和测试集数据集；

步骤(3)：对多维的电气特征指标进行相关分析，采用相关系数法和XGBoost模型提取出影响线损率的重要因子以及最佳的电气特征指标维数，构建台区线损最优电气特征指标体系；

步骤(4)：构建GRU神经网络学习模型，并设置模型的激活函数、损失函数等基本参数；

步骤(5)：将步骤(3)的所述最优电气特征指标体系训练数据集作为输入，训练GRU网络参数，得到台区线损预测模型；

步骤(6)：将测试数据集输入到已经训练好的GRU网络模型中，进行测试样本的台区线损率的计算误差分析。

2.根据权利要求1所述的一种基于特征选择和GRU网络的台区线损预测方法，其特征在于，步骤(1)中所述台区多维电气特征指标参数包括：地域类型、导线阻抗比、综合倍率、居民容量、日负载率、供电量、日功率因数、理论线损率、CT变比值、CT值、台区容量、非居民户数、居民户数、最大零线电流、非居民容量、日无功电量、日有功电量、三相电能表数、损失电量和单相电能表数。

3.根据权利要求1所述的一种基于特征选择和GRU网络的台区线损预测方法，其特征在于，步骤(2)中归一化处理采用线性函方法，具体计算公式如下：

其中，x_max为原始数据的最大值，x_min是原始数据的最小值，x为原始数据，x^*为消除量纲影响后的结果。

4.根据权利要求1所述的一种基于特征选择和GRU网络的台区线损预测方法，其特征在于，所述步骤(3)具体包括基于Spearman相关系数初步选择电气特征和基于XGBoost模型进一步选择最优的电气特征指标；

其中，基于Spearman相关系数初步选择电气特征的具体方法为：

设样本总数为m，R_i和S_i为两个随机变量第i个数值的等级；和为两个随机变量的平均等级，则两个随机变量之间的相关系数值为：

其中，基于所述XGBoost模型进一步选择最优的电气特征指标的具体方法步骤为：

(1)所述XGBoost模型通常采用的树模型是基于CART的回归树模型，所述XGBoost模型为：

式中：M为原始总样本数量；Γ是所有树的集合空间，每个f(x)对应一棵独立的树和叶子权重w_q(x)；

(2)构建所述XGBoost模型的原始目标函数并添加正则化项为：

其中，L(y_i,F_t(x_i))为预测值和实际值两者之间的训练误差；Ω(f_i)是正则化项，具体的计算公式为：

其中，T表示该棵树有T个叶子结点，w_j表示第j个叶子节点的权重，γ为正则系数，λ为树分割的难度系数；

(3)对目标函数进行二阶泰勒展开后再求偏导，得到所述目标函数的最优解为：

式中：w_j^*为第j个叶子节点的最优得分值；G_j为所有数据的在损失函数上的一阶导数；H_j为所有数据在损失函数上的二阶导数；

(4)将最优解带入原始目标函数当中得到：