本發(fā)明屬于低壓臺區(qū)缺失電壓補全領(lǐng)域，具體涉及一種xgboost低壓臺區(qū)缺失電壓補全方法。

背景技術(shù)：

1、電壓質(zhì)量是衡量電能質(zhì)量的重要指標(biāo)，也是提升配電網(wǎng)運維質(zhì)效以及優(yōu)質(zhì)服務(wù)水平、保障電力供應(yīng)可靠性和穩(wěn)定性的重要內(nèi)容。低壓臺區(qū)由于供電半徑、季節(jié)性負(fù)荷造成的重過載、三相不平衡、虛接等原因經(jīng)常導(dǎo)致用戶側(cè)電壓水平偏低甚至臺區(qū)電壓不合格，嚴(yán)重影響電壓合格率，因此低壓臺區(qū)電壓水平進行合理的評價尤為重要。但是，由于低壓臺區(qū)配電網(wǎng)網(wǎng)架結(jié)構(gòu)復(fù)雜、節(jié)點數(shù)目繁多以及測量單位覆蓋率低等原因，無法準(zhǔn)確獲取電網(wǎng)關(guān)鍵運行數(shù)據(jù)，導(dǎo)致傳統(tǒng)配電網(wǎng)電壓計算方法無法適用，得不到用戶完整的電壓數(shù)據(jù)，以至于無法對低壓臺區(qū)電壓進行有效評價。

2、鑒于上述問題，迫切需要一種新的電壓補全方法，能夠克服傳統(tǒng)配電網(wǎng)電壓計算方法的不足，較為精確的補全低壓臺區(qū)用戶的缺失電壓，有效應(yīng)對采集數(shù)據(jù)缺失的問題，完整的電壓數(shù)據(jù)有助于提高低電壓成因分析的準(zhǔn)確性，為低電壓治理提供決策參考。

技術(shù)實現(xiàn)思路

1、1.所要解決的技術(shù)問題：

2、現(xiàn)有低壓臺區(qū)配電網(wǎng)無法準(zhǔn)確獲取電網(wǎng)關(guān)鍵運行數(shù)據(jù)，得不到用戶完整的電壓數(shù)據(jù)，以至于無法對低壓臺區(qū)電壓進行有效評價。

3、2.技術(shù)方案：

4、為了解決以上問題，本發(fā)明提供了一種xgboost的低壓臺區(qū)缺失電壓補全方法，其特征在于：包括以下步驟：

5、步驟一：從營銷和臺賬分別獲取首端變電電壓和線路參數(shù)，特征選擇選取低壓臺區(qū)首端配變二次側(cè)電壓和線路參數(shù)作為特征、用戶電壓作為標(biāo)簽形成數(shù)據(jù)集，所述線路參數(shù)包括首端到用戶的線路長度、線路阻抗。

6、步驟二：對數(shù)據(jù)進行預(yù)處理和數(shù)據(jù)集劃分。

7、步驟三：定義xgboost模型、基于灰狼算法對xgboost模型進行超參數(shù)優(yōu)化，同時用數(shù)據(jù)集對模型進行訓(xùn)練。

8、步驟四：將訓(xùn)練后的模型用于低壓臺區(qū)缺失電壓補全。

9、進一步地，在所述步驟一中：從營銷獲得數(shù)據(jù)為，營銷對臺區(qū)首端變電提供15分鐘間隔的數(shù)據(jù)，對用戶的數(shù)據(jù)提供整點采集數(shù)據(jù)；選取低壓臺區(qū)內(nèi)量測數(shù)據(jù)完整的用戶的電壓、線路參數(shù)以及首端配變二次側(cè)電壓數(shù)據(jù)形成成數(shù)據(jù)集，其中首端配變二次側(cè)電壓和線路參數(shù)作為特征數(shù)據(jù)、用戶電壓數(shù)據(jù)作為標(biāo)簽數(shù)據(jù)。

10、進一步地，在所述步驟二中：對數(shù)據(jù)進行預(yù)處理和數(shù)據(jù)集劃分包括數(shù)據(jù)缺失值填補、數(shù)據(jù)異常值處理、數(shù)據(jù)歸一化、數(shù)據(jù)分配。

11、數(shù)據(jù)缺失值填補：采用均值填充法對低壓臺區(qū)首端配變二次側(cè)缺失電壓進行數(shù)據(jù)填補。

12、數(shù)據(jù)異常值處理：采取3準(zhǔn)則為判斷標(biāo)準(zhǔn)，進行數(shù)據(jù)清洗，剔除電壓數(shù)據(jù)異常值。

13、數(shù)據(jù)歸一化：采用z得分歸一化法對數(shù)據(jù)進行歸一化。

14、數(shù)據(jù)分配：采用留一交叉驗證法對數(shù)據(jù)進行分配，根據(jù)數(shù)據(jù)集大小將數(shù)據(jù)分成為n個樣本，從1到n進行循環(huán)，每次循環(huán)對應(yīng)一個樣本。在每次循環(huán)中，選擇序號為i(i∈[1，n])的樣本作為測試集，即留下第i個樣本，將除了第i個樣本之外的所有樣本組成訓(xùn)練集，使用當(dāng)前的訓(xùn)練集來訓(xùn)練你的模型，模型訓(xùn)練結(jié)束后對留下的測試集(單個樣本)進行預(yù)測，并記錄模型的性能指標(biāo)。

15、進一步地，所述數(shù)據(jù)缺失值填補具體為：對于缺失值采用數(shù)據(jù)填充方法，填充的數(shù)據(jù)為平均值計算公式為：

16、

17、其中為首端配電二次側(cè)某一時刻缺失電壓數(shù)據(jù)的填充值、xi為首端配變二次側(cè)不同日期缺失電壓時刻的電壓值。

18、所述數(shù)據(jù)異常值處理具體為：采取3σ準(zhǔn)則為判斷標(biāo)準(zhǔn)，標(biāo)準(zhǔn)偏差σ計算公式為：

19、

20、n為總體樣本個數(shù)，xi為每個樣本的觀察，μ為總體樣本的平均值，當(dāng)數(shù)據(jù)的取值落在區(qū)間(μ-3σμ+3σ)時，認(rèn)為該數(shù)據(jù)屬于正常情況，若數(shù)據(jù)落在該區(qū)間之外則判定為異常值舍去，舍去后按處理缺失值的方法實行填補。

21、所述數(shù)據(jù)歸一化具體為：采用z得分歸一化法法對數(shù)據(jù)進行歸一化，其計算公式如下：

22、

23、其中，μ為所有數(shù)據(jù)點的均值、σ為標(biāo)準(zhǔn)差，用來衡量數(shù)據(jù)點相對于均值的離散程度、xi數(shù)據(jù)集中的每個數(shù)據(jù)點。

24、所述數(shù)據(jù)分配具體為：首先將數(shù)據(jù)集分為n個樣本，從1到n進行循環(huán)，每次循環(huán)對應(yīng)一個樣本，在每次循環(huán)中，選擇序號為i(i∈[1，n])的樣本作為測試集，即留下第i個樣本，將除了第i個樣本之外的所有樣本組成訓(xùn)練集，使用當(dāng)前的訓(xùn)練集來訓(xùn)練你的模型，模型訓(xùn)練結(jié)束后對留下的測試集進行預(yù)測，并記錄模型的性能指標(biāo)，將每次循環(huán)中模型的性能指標(biāo)存儲起來，繼續(xù)循環(huán)這一步驟，直到所有的樣本都被用作一次測試集，在所有樣本都被用作測試集之后，計算所有存儲的性能指標(biāo)的平均值。

25、進一步地，在所述步驟三中，具體方法為：首先建立xgboost模型，隨機初始化灰狼算法的種群、計算灰狼個體適應(yīng)度、狼群等級劃分、圍捕獵物、更新頭狼α、第一級別β、第二級別δ以及獵物的位置、獲得最優(yōu)解，所述狼群等級劃分具體為：對整個狼群通過適應(yīng)度進行4個等級劃分，保存適應(yīng)度最好的前三匹狼，分別定義，分別為頭狼α、第一級別β、第二級別δ；剩余狼群為ω，其中α為等級最高的狼，負(fù)責(zé)捕獵過程中帶領(lǐng)整個狼群并且決定抓捕方向，等級較低的狼群要服從等級較高的狼群指揮從而進行群體捕獵行動。

26、進一步地，所述初始化設(shè)置具體為：首先建立xgboos，對灰狼算法進行初始化參數(shù)設(shè)置，參數(shù)包括灰狼數(shù)量n，以及a、a和c和最大迭代次數(shù)t多個參數(shù)，以及灰狼種群x＝(x1，x2…xn)和狼群個體的位置xi＝(xi1，xi2…xid)，其中i∈{1，2,3…n}，其中a和c是協(xié)作系數(shù)向量。

27、進一步地，所述計算灰狼個體適應(yīng)度具體為：在xgboost模型參數(shù)優(yōu)化階段，狼群種群個體的適應(yīng)度函數(shù)為該個體參數(shù)下xgboost模型的預(yù)測結(jié)果與真實數(shù)據(jù)的均方根誤差rmse，隨機初始化灰狼算法的種群后，確定搜索范圍，把當(dāng)前輪的種群所指代的參數(shù)據(jù)按照順序?qū)離gboost模型，通過對xgboost模型的訓(xùn)練，獲得xgboost模型的計算結(jié)果，再使用驗證集對此次完成訓(xùn)練的模型進行求證，最后獲得適應(yīng)度函數(shù)。

28、進一步地，所述圍捕獵物具體為：該行為用數(shù)學(xué)模型描述表示，公式如下：

29、d＝|c·xp(t)-x(t)|

30、x(t+1)＝x(p)(t)-a·d

31、其中，a和c是協(xié)作系數(shù)向量；t是指迭代的次數(shù)；xp表示獵物的位置向量；x是代表當(dāng)前灰狼的位置向量，a、c的值可以由下式得到：

32、a＝2a·r1-a

33、

34、c＝2r2

35、根據(jù)a＝2a·r1-a，計算得到各狼ω到頭狼α、第一級別β、第二級別δ各個狼的距離，

36、式中，a是收斂因數(shù)，伴隨迭代次數(shù)變多，從2線性降低到0；r1、r2是[0，1]的隨機數(shù)向量。

37、進一步地，所述更新α、β、δ以及獵物的位置具體為：獵物坐標(biāo)對于狼群來說是未知的，假定頭狼α是最接近獵物的狼，β、δ為其次接近獵物的狼，首先測算α、β、δ與獵物的距離dα、dβ、dδ，計算公式如下：

38、dα＝|c1·xa|

39、dβ＝|c2·xβ|

40、dδ＝|c3·xδ|

41、然后通過不斷更新α、β、δ狼的坐標(biāo)xα、xβ、xδ來召喚狼群中其他灰狼不斷接近獵物，設(shè)定獵物的坐標(biāo)為x(t+1)，最后認(rèn)定頭狼α的坐標(biāo)就是獵物的坐標(biāo)，即x(t+1)為最優(yōu)解，其xα、xβ、xδ和x(t+1)計算公式如下：

42、x1＝xα-a1(dα)，x2＝xβ-a2(dβ)，x3＝xδ-a3(dβ)

43、

44、進一步地，所述獲得最優(yōu)解具體為：獲得最優(yōu)解：狼群狩獵的最后一步是對獵物進行攻擊并捕食，計算最優(yōu)解，判斷結(jié)果是否達到要求，如果達到最大迭代次數(shù)，則運行結(jié)束并輸出最優(yōu)解，否則返回狩獵過程繼續(xù)進行尋優(yōu)計算，直至輸出最優(yōu)的xgboost超參數(shù)，利用訓(xùn)練集數(shù)據(jù)訓(xùn)練優(yōu)化后的xgboost模型，得到最終的低壓臺區(qū)缺失電壓補全模型。

45、3.有益效果：

46、本發(fā)明將機器學(xué)習(xí)技術(shù)應(yīng)用到低壓臺區(qū)電壓計算中，選用xgxgboost模型，利用灰狼優(yōu)化算法全局尋參收斂能力強的優(yōu)點，使用灰狼算法對xgboost的超參數(shù)進行優(yōu)化，獲取xgboost的最佳表現(xiàn)，通過優(yōu)化后的模型對低壓臺區(qū)缺失電壓數(shù)據(jù)進行補全。解決了由于低壓臺區(qū)配電網(wǎng)網(wǎng)架結(jié)構(gòu)復(fù)雜、節(jié)點數(shù)目繁多以及測量單位覆蓋率低等原因，無法準(zhǔn)確獲取電網(wǎng)關(guān)鍵運行數(shù)據(jù)，導(dǎo)致傳統(tǒng)配電網(wǎng)電壓計算方法無法適用，得不到用戶完整的電壓數(shù)據(jù)的問題。為了解決這一問題，本方法能夠克服傳統(tǒng)配電網(wǎng)電壓計算方法的不足，較為精確的補全低壓臺區(qū)用戶的缺失電壓，有效應(yīng)對采集數(shù)據(jù)缺失的問題，完整的電壓數(shù)據(jù)有助于提高低電壓成因分析的準(zhǔn)確性，為低電壓治理提供決策參考。