CN108493933A - 一种基于深度决策树算法的电力负荷特性挖掘方法 - Google Patents
一种基于深度决策树算法的电力负荷特性挖掘方法 Download PDFInfo
- Publication number
- CN108493933A CN108493933A CN201810331744.XA CN201810331744A CN108493933A CN 108493933 A CN108493933 A CN 108493933A CN 201810331744 A CN201810331744 A CN 201810331744A CN 108493933 A CN108493933 A CN 108493933A
- Authority
- CN
- China
- Prior art keywords
- depth
- tree
- electric load
- depth decision
- model
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于深度决策树算法的电力负荷特性挖掘方法,它包括:利用采集装置采集电力用户负荷特征数据及影响电力负荷变化的因素数据;对所采集的电力用户负荷特性数据及影响电力负荷变化因素数据进行预处理,建立训练数据样本集和测试集;设置深度决策树模型的参数,即深度决策树算法中的初始森林模型参数;利用训练数据样本集对深度决策树模型进行训练;利用测试集对训练后的深度决策树模型进行测试,确定深度决策树模型深度;得到训练和测试完成的深度决策树模型后,向模型中输入需要进行负荷特性挖掘的观测值数据,输出负荷特性预测结果;达到对电力***负荷特性进行深度挖掘的目标,从而指导电力企业安全调度和稳定运行。
Description
技术领域
本发明属于电力负荷特性分析领域,特别是涉及一种基于深度决策树算法的电力负荷特性挖掘方法。
背景技术
电力***应当对各类用户提供安全可靠、合乎标准的电能,时刻满足电力用户即负荷的电量需求。随着社会经济快速发展、产业结构升级、全球气候环境变化、以及人民生活水平不断提高,电力负荷特性较之前发生了较大的变化。这对电力***保证电力平衡、时刻安全稳定运行产生了冲击。为了应对这样一个局面,对电力负荷特性进行深度的挖掘,把握新形势下电力负荷特性的变化规律是一个有效解决该问题的措施。
电力负荷特性分析的传统方法往往是统计分析法,无法深入地对电力负荷特性进行深入地挖掘分析。只能获得粗略的电力***负荷特性分类和简单分析结果。这种方法耗时费力,无法及时响应快速变化的电力负荷特性变化。因此寻找一个快速高效的方法来对电力***负荷特性进行挖掘是一个亟待解决的问题。
发明内容
本发明要解决的技术问题是:提供一种基于深度决策树算法的电力负荷特性挖掘方法,通过利用深度决策树算法,对基本的电力负荷特性的提取和逐层处理,来达到对电力***负荷特性进行深度挖掘的目标,从而指导电力企业安全调度和稳定运行。
本发明的技术方案是:
一种基于深度决策树算法的电力负荷特性挖掘方法,它包括以下步骤:
步骤S110、利用采集装置采集电力用户负荷特征数据及影响电力负荷变化的因素数据;
步骤S120、对所采集的电力用户负荷特性数据及影响电力负荷变化因素数据进行预处理,建立训练数据样本集和测试集;
步骤S130、设置深度决策树模型的参数,即深度决策树算法中的初始森林模型参数;
步骤S140、利用训练数据样本集对深度决策树模型进行训练;
步骤S150、利用测试集对训练后的深度决策树模型进行测试,确定深度决策树模型深度;
步骤S160、得到训练和测试完成的深度决策树模型后,向模型中输入需要进行负荷特性挖掘的观测值数据,输出负荷特性预测结果。
所述采集装置包括数据釆集与监控***(SCADA)、广域测量***(WAMS)和故障录波监测***(FRMS)。
所述电力用户负荷特征数据包括:分时域的负荷特性和频域功率曲线频谱;所述影响电力负荷变化的因素数据包括:电力用户所处地区的日最高温度、日最低温度、日平均温度、降雨量、空气湿度以及日期属性。
所述深度决策树模型的参数包括:决策树生成方式、决策树的数目、随机属性个数、决策树最大深度、叶子节点最少记录数和叶子节点最少记录百分比。
所述利用训练数据样本集对深度决策树模型进行训练的方法包括:包含电力负荷数据特性提取挖掘过程:对现有收集的电力负荷特征数据利用决策树进行深层特征提取,获得更具代表性的特征属性;利用深度决策树结构,对所提取获得的更具代表性的特征属性进行深度的电力负荷特性挖掘。
所述利用测试集对训练后的深度决策树模型进行测试,确定深度决策树模型深度的方法为:对于当前形成的深度决策树模型,利用测试集对现有模型的能力进行测试,深度决策树算法训练过程不断加大深度,直至模型的能力不再提高为止。
本发明有益效果:
本发明通过采用深度决策树算法来对电力负荷特性进行深度的挖掘。首先通过现有的电力***智能采集装置对海量电力用户负荷特征数据以及影响电力负荷变化的诸多因素数据进行采集。其次对所收集的电力负荷数据以及其他因素数据进行预处理,建立训练数据集。再次利用所建立的训练数据集对深度决策树算法进行训练。最后利用训练完成的深度决策树算法对电力用户负荷特性进行智能挖掘。另外,所采用深度决策树算法是一种较新的机器学习数据挖掘分类算法,该算法具有无需大量设置超参数、自行确定模型深度的优点,即可对有效对电力负荷特性进行智能挖掘,所得结果可服务于电网企业调度、运行等多方面。从而有利于提高电力企业的经济效益。
本发明优点及效果:
(1)本发明设计的基于深度决策树算法的电力负荷特性挖掘方法,考虑了新型的电力负荷特性指标,而不是以往单纯的时域特性指标作为分析电力负荷特性的依据。
(2)本发明设计的基于深度决策树算法的电力负荷特性挖掘方法,采用深度决策树算法,这是一种较新的机器学习数据挖掘算法,相对于其他数据挖掘算法,如人工神经网络(Artificial Neural Network,ANN)、模糊神经网络(Fuzzy Neural Network,FNN)算法的求解方法,具有训练速度快,可以并行训练和挖掘、更具表征能力等优点。
附图说明
图1为本发明的基于深度决策树算法的电力负荷特性挖掘方法的方法流程图。
具体实施方式
本发明基于深度决策树算法的电力负荷特性挖掘方法包括以下步骤:
步骤S110,通过现有的电力***智能采集装置对海量电力用户负荷特征数据以及影响电力负荷变化的诸多因素数据进行采集。上述的电力***智能采集装置包括:数据釆集与监控***(SCADA)、广域测量***(WAMS)和故障录波监测***(FRMS)等智能采集装置。电力用户负荷特征数据包括:分时域的负荷特性、频域功率曲线频谱。影响电力负荷变化的因素数据包括:电力用户所处地区的日最高温度、日最低温度、日平均温度、降雨量、空气湿度以及日期属性等。
步骤S120,对所采集的电力用户负荷特性数据及影响电力负荷变化的诸多因素数据进行预处理,建立训练数据样本集和测试集。预处理主要为数值数据的归一化处理,消除指标之间的量纲影响。具体描述如下:
其中xmin为样本数据的最大值,xmax为样本数据的最小值,x*为对样本数据进行归一化的结果;x为样本数据。
对于日期属性等类别数据,需要人为设定数值数据与之一一对应,然后继续按照数值数据的归一化处理方式对数据进行预处理。
训练数据样本集和测试集各占样本总量的80%和20%。
步骤S130,根据用户需要自行设置深度决策树模型参数,即深度决策树算法中的初始森林模型参数。深度决策树算法的参数包括:决策树生成方式、决策树的数目、随机属性个数、决策树最大深度、叶子节点最少记录数、叶子节点最少记录百分比。具体参数如下:
算法类型:ID3算法、CART算法、C4.5算法
决策树的数目:默认500棵,范围为(0,1000];
随机属性个数:单颗树在生成时,每次选择最优特征属性,随机的特征特性个数。可供选择的类型有logN,N/3,sqrtN,N四种类型,其中N为属性总数;
树最大深度:单颗树的最大深度,范围[1,∞),-1表示完全生长;
叶子节点最少记录数:(可选)叶节点数据的最小个数。最小个数为2;
叶子节点最少记录百分比:(可选)叶节点数据个数占父节点的最小比例,范围[0,100],-1表示无限制,默认-1。
步骤S140,利用训练数据样本集对深度决策树模型进行训练,开始形成包含电力负荷数据特性提取挖掘过程和具有一定深度的逐层处理的深度决策树模型。具体描述如下:
(1)电力负荷数据特性提取挖掘过程:
设置取值窗口,对电力负荷序列数据进行滑动取值,将取值所得的每个小片段输入由多棵决策树组成的森林模型进行处理,得到具有增强特性的电力负荷数据特征片段,并将所有特征数据片段拼接,输出一个比原始电力负荷数据更具表征能力的增强向量。
(2)具有一定深度的逐层处理的深度决策树模型:
向训练完成的深度决策树模型输入增强向量,每一层决策树集合将产生增强向量作为下一层的输入。逐层处理,信息逐层传递,直至得到最终结果。
步骤S150,利用测试集对当前形成的深度决策树模型进行测试,自动确定深度决策树模型深度。若准确率有所提高则继续加大模型深度,否则停止增加深度决策树的深度。
步骤S160,得到训练完成的深度决策树模型后,向模型中输入需要进行负荷特性挖掘的观测值数据,最终输出负荷特性挖掘结果。
通过以上步骤就可以得到对于新的电力负荷观测值所对应的负荷特性,通过对该负荷特性的准确把握,能够服务于电网企业调度、运行等多方面。从而有利于提高电力企业的经济效益。
Claims (6)
1.一种基于深度决策树算法的电力负荷特性挖掘方法,它包括以下步骤:
步骤S110、利用采集装置采集电力用户负荷特征数据及影响电力负荷变化的因素数据;
步骤S120、对所采集的电力用户负荷特性数据及影响电力负荷变化因素数据进行预处理,建立训练数据样本集和测试集;
步骤S130、设置深度决策树模型的参数,即深度决策树算法中的初始森林模型参数;
步骤S140、利用训练数据样本集对深度决策树模型进行训练;
步骤S150、利用测试集对训练后的深度决策树模型进行测试,确定深度决策树模型深度;
步骤S160、得到训练和测试完成的深度决策树模型后,向模型中输入需要进行负荷特性挖掘的观测值数据,输出负荷特性预测结果。
2.根据权利要求1所述的一种基于深度决策树算法的电力负荷特性挖掘方法,其特征在于:所述采集装置包括数据釆集与监控***SCADA、广域测量***WAMS和故障录波监测***FRMS。
3.根据权利要求1所述的一种基于深度决策树算法的电力负荷特性挖掘方法,其特征在于:所述电力用户负荷特征数据包括:分时域的负荷特性和频域功率曲线频谱;所述影响电力负荷变化的因素数据包括:电力用户所处地区的日最高温度、日最低温度、日平均温度、降雨量、空气湿度以及日期属性。
4.根据权利要求1所述的一种基于深度决策树算法的电力负荷特性挖掘方法,其特征在于:所述深度决策树模型的参数包括:决策树生成方式、决策树的数目、随机属性个数、决策树最大深度、叶子节点最少记录数和叶子节点最少记录百分比。
5.根据权利要求1所述的一种基于深度决策树算法的电力负荷特性挖掘方法,其特征在于:所述利用训练数据样本集对深度决策树模型进行训练的方法包括:包含电力负荷数据特性提取挖掘过程:对现有收集的电力负荷特征数据利用决策树进行深层特征提取,获得更具代表性的特征属性;利用深度决策树结构,对所提取获得的更具代表性的特征属性进行深度的电力负荷特性挖掘。
6.根据权利要求1所述的一种基于深度决策树算法的电力负荷特性挖掘方法,其特征在于:所述利用测试集对训练后的深度决策树模型进行测试,确定深度决策树模型深度的方法为:对于当前形成的深度决策树模型,利用测试集对现有模型的能力进行测试,深度决策树算法训练过程不断加大深度,直至模型的能力不再提高为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810331744.XA CN108493933A (zh) | 2018-04-13 | 2018-04-13 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810331744.XA CN108493933A (zh) | 2018-04-13 | 2018-04-13 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108493933A true CN108493933A (zh) | 2018-09-04 |
Family
ID=63315870
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810331744.XA Pending CN108493933A (zh) | 2018-04-13 | 2018-04-13 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108493933A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214578A (zh) * | 2018-09-19 | 2019-01-15 | 平安科技(深圳)有限公司 | 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 |
CN111404150A (zh) * | 2020-03-30 | 2020-07-10 | 广西电网有限责任公司电力科学研究院 | 一种适用于大电网运行的暂态稳定评估方法及*** |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN108011367A (zh) * | 2017-12-04 | 2018-05-08 | 贵州电网有限责任公司电力科学研究院 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
-
2018
- 2018-04-13 CN CN201810331744.XA patent/CN108493933A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105184402A (zh) * | 2015-08-31 | 2015-12-23 | 国家电网公司 | 一种基于决策树的个性化用户短期负荷预测算法 |
CN106096748A (zh) * | 2016-04-28 | 2016-11-09 | 武汉宝钢华中贸易有限公司 | 基于聚类分析和决策树算法的装车工时预测模型 |
CN108011367A (zh) * | 2017-12-04 | 2018-05-08 | 贵州电网有限责任公司电力科学研究院 | 一种基于深度决策树算法的电力负荷特性挖掘方法 |
Non-Patent Citations (1)
Title |
---|
郑凯文 等: "基于迭代决策树(GBDT) 短期负荷预测研究", 《贵州电力技术》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214578A (zh) * | 2018-09-19 | 2019-01-15 | 平安科技(深圳)有限公司 | 电子装置、基于决策树模型的建筑物用电负荷预测方法及存储介质 |
CN111404150A (zh) * | 2020-03-30 | 2020-07-10 | 广西电网有限责任公司电力科学研究院 | 一种适用于大电网运行的暂态稳定评估方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108011367A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN104008143B (zh) | 基于数据挖掘的职业能力指标体系构建方法 | |
CN107169145A (zh) | 一种基于聚类算法的用户窃电严重等级检测的方法 | |
CN105404944A (zh) | 一种面向电力***重过载预警的大数据分析方法 | |
CN106372748A (zh) | 一种硬岩掘进机的掘进效率预测方法 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN109190890A (zh) | 一种基于用户电力消费数据的用户行为分析方法 | |
CN105654196A (zh) | 一种基于电力大数据的自适应负荷预测选择方法 | |
CN107909208A (zh) | 一种台区配网降损方法 | |
CN108345908A (zh) | 电网数据的分类方法、分类设备及存储介质 | |
CN111210170A (zh) | 基于90%用电分布特征指标的环保管控监测及评价方法 | |
CN104850868A (zh) | 一种基于k-means和神经网络聚类的客户细分方法 | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN107437135A (zh) | 一种新型储能选型方法 | |
CN107871183A (zh) | 基于不确定性云理论的多年冻土区公路病害预测方法 | |
CN108493933A (zh) | 一种基于深度决策树算法的电力负荷特性挖掘方法 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
CN105488598A (zh) | 一种基于模糊聚类的中长期电力负荷预测方法 | |
CN114595762A (zh) | 一种光伏电站异常数据序列提取方法 | |
CN107608938B (zh) | 基于增强回归树算法的面向二值分类的因子筛选方法 | |
CN117172381A (zh) | 基于大数据的风险预测方法 | |
CN114676931B (zh) | 一种基于数据中台技术的电量预测*** | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180904 |
|
WD01 | Invention patent application deemed withdrawn after publication |