专利名称：一种基于Boosting算法的配电网理论线损预测方法
技术领域：
本发明涉及一种配电网线损技术领域的预测方法，具体涉及一种基于Boosting 算法的配电网理论线损预测方法。
背景技术：
随着近几年逐渐加大智能电网的研究与建设力度，特别是国家电网公司“SG186” 和中国南方电网公司“数字南方电网”等工程的实施，更进一步确定了构建“统一的坚强智能电网”的发展方向。如何将成熟、高效的人工智能算法引入智能电网领域也逐渐引起学者和研究单位的重视。配电网做为整个智能电网中与用户关系最紧密的一环，其智能化程度将在很大程度上决定了智能电网整体的最终效能。配电网理论线损的精确预测做为配电网正常运行和调度的一个重要组成环节，其预测方法的智能化改进势在必行。同时由于配电网的线路连接复杂、接入用户类型各异，因而目前并没有一种十分有效的预测方法，所以设计一种高效、准确的配电网理论线损预测方法具有很强的现实和理论意义。当前配电网理论线损的预测方法是将线损预测问题抽象成多元回归问题，再利用成熟的人工智能算法构造回归模型，并求解未测线路线损。理论线损预测过程主要包括三个部分，分别是数据预处理、生成理论线损预测模型、未测线路理论线损预测。数据预处理是将配电网中各已知理论线损的线路数据设计成适合人工智能算法的数据集，从而便于人工智能算法生成预测模型。生成理论线损预测模型就是利用数据预处理得到的数据集来训练人工智能算法， 从而得到满足误差要求的理论预测模型。目前常用的方法主要是各种单学习机方法，如BP神经网络(Back Propagation Neural Network, BPNN)、RBF神经网络以及各种神经网络的改进算法。单学习机的方法误差相对较大、易出现过拟合现象、计算过程复杂。
发明内容
本发明的目的在于，提供一种基于Boosting算法的配电网理论线损的预测方法， 解决目前单纯依靠单学习机的预测技术因易出现过拟合现象而导致的预测误差大、计算过程复杂问题。本发明采用下述技术方案予以实现一种基于Boosting算法的配电网理论线损预测方法，其改进之处在于，所述方法包括下述步骤A、数据预处理，将配电网理论线损预测所涉及的历史线损记录转化为适合 Boosting算法的原始样本集Stffiginal ；B、利用集成学习Boosting算法对所述Stffiginal进行训练，得到满足误差要求的配电网理论线损预测模SMlinel。ss ；
C、利用所述配电网理论线损预测模型Mlinel。ss完成配电网中未测线路的理论线损预测。本发明采用的一种优选的技术方案是所述步骤A具体包括下述步骤Al、将已知的配电网理论线损记录转化为kXn矩阵格式的数据集^liateix ；所述k为历史记录条数；所述η为配电网线损影响因素个数加1 ；Α2、数据特征提取，使用核主成分分析确定所述配电网理论线损预测的最核心数据特征序列Ix1, x2，…，^J ；所述me [l，n-l]；A3、按照步骤A2确定的数据特征序列Ix1, X2,…，xj生成适合Boosting算法的原始样本集Smiginal ；所述Stffiginal SkX (m+1)矩阵。本发明采用的第二优选的技术方案是所述步骤B具体包括下述步骤BUBoosting算法初始化设定所述Boosting算法最大迭代次数Tmax，选用支持向量回归机做为Boosting算法的弱学习算法；B2、初始样本权重分配设定所述原始样本集Smiginal中每条数据样本的初始权重叫(0 = 1;所述1 = 1，2，…，k;所述k为所述原始样本集Smiginal中样本总个数；B3、执行Boosting算法设当前Boosting算法迭代次数为j，j e [1，Tmax]，在当前样本集1中按从高到低的顺序抽取P的样本，输入到支持向量回归机SVR训练， 以得到第j代得弱学习机hj;B4、计算所述弱学习机hj的误差ε j ；所述
权利要求
1.一种基于Boosting算法的配电网理论线损预测方法，其特征在于，所述方法包括下述步骤A、数据预处理，将配电网理论线损预测所涉及的历史线损记录转化为适合Boosting 算法的原始样本集Smiginal ；B、利用集成学习Boosting算法对所述Smiginal进行训练，得到满足误差要求的配电网理论线损预测模型Mlinel。ss;C、利用所述配电网理论线损预测模型Mlinel。ss完成配电网中未测线路的理论线损预测。
2.如权利要求1所述的基于Boosting算法的配电网理论线损预测方法，其特征在于， 所述步骤A具体包括下述步骤Al、将已知的配电网理论线损记录转化为kXn矩阵格式的数据集^liateix ；所述k为历史记录条数；所述η为配电网线损影响因素个数加1 ；Α2、数据特征提取，使用核主成分分析确定所述配电网理论线损预测的最核心数据特征序列{x1;x2，xj ；所述 me [l，n-l]；A3、按照步骤A2确定的数据特征序列Ix1, &，-,xj生成适合Boosting算法的原始样本集 Swiginal ；所述 Stffiginal 为 kX (m+1)矩阵。
3.如权利要求1所述的基于Boosting算法的配电网理论线损预测方法，其特征在于， 所述步骤B具体包括下述步骤Bl、B00Sting算法初始化设定所述Boosting算法最大迭代次数Tmax，选用支持向量回归机做为Boosting算法的弱学习算法；B2、初始样本权重分配设定所述原始样本集Smiginal中每条数据样本的初始权重叫(0 = 1;所述士 = 1,2,…，k;所述k为所述原始样本集Stffiginal中样本总个数；B3、执行Boosting算法设当前Boosting算法迭代次数为j，j e [1，Tmax]，在当前样本集h中按从高到低的顺序抽取&的样本，输入到支持向量回归机SVR训练，以得到第j代得弱学习机hj;B4、计算所述弱学习机hj的误差￡」；所述~=；^ (0;所述ω」( )为满足条件1=1Pl 2 5%的样本权重；所述，为利用所述弱学习机、得到的配电网理论线损Vi的计算 V1 “V1值；所述5%是Boosting算法设定的理论线损预测误差阈值； B5、计算所述弱学习机hj的权重义2 ε}ω (i)e~a]y'h]{Xl)B6、更新下一代样本集中样本的权重ω」+1，矽 =^-所述Aj是归aJ；一化系数，保证 fiVXO=I ；i=lB7、B00Sting算法终止判别；当出现下列条件之一，Boosting算法即停止迭代，执行步骤B8 ；否则，执行步骤B3 ；条件一 j ^ Tfflax ；条件二 样本集Sj+1与样本集h —致，即所述弱学习机的预测误差ε」不再变化；B8、输出最终强学习机H(X)；将各代所述弱学习机~加权组合得到H(X)，-Jmax~H(x) = sign YajHj(X);所述最终强学习机H(x)为所述满足误差要求的配电网理论线_仁1_损预测模型MIineloss°
4.如权利要求1所述的基于Boosting算法的配电网理论线损预测方法，其特征在于， 所述步骤C具体包括下述步骤Cl、将未测线路t的相关数据{χ ,χ丨,…^^输入到所述配电网理论线损预测模型 Mlinel。ss，得到线路理论线损预测值C ；C2、将所述未测线路t的丨χ丨,χ丨,···,xi丨及A添加到所述原始样本集S iginal。
5.如权利要求2所述的基于Boosting算法的配电网理论线损预测方法，其特征在于， 所述步骤A2包括如下过程引入从原样本空间Rn到Hilbert空间的变换X= Φ (χ)，即
6.根据权利要求3所述的一种基于Boosting算法的配电网理论线损预测方法，其特征在于，所述步骤B3中利用弱学习算法支持向量回归机SVR完成某代样本子集Sj的训练，包括如下过程(1)构造训练集
全文摘要
本发明涉及一种基于Boosting算法的配电网理论线损预测方法，方法包括下述三个步骤数据预处理，将配电网理论线损预测所涉及的历史线损记录转化为适合Boosting算法的原始样本集Soriginal；利用集成学习Boosting算法对所述Soriginal进行训练，得到满足误差要求的配电网理论线损预测模型Mlineloss；利用所述配电网理论线损预测模型Mlineloss完成配电网中未测线路的理论线损预测；本发明提供的基于Boosting算法的配电网理论线损预测方法对配电网中未测线路的理论线损进行预测，不但克服了原有基于单学习机方法预测技术的缺陷，而且提高了预测的精度。
文档编号G06F15/18GK102231144SQ20111014804
公开日2011年11月2日 申请日期2011年6月3日 优先权日2011年6月3日
发明者曲亚东, 王宇飞, 雷浩, 高昆仑 申请人:中国电力科学研究院