一种农网配变重过载短期预警模型的建模方法与流程

本发明属于大数据挖掘领域，特别涉及一种农网配变重过载短期预警模型的建模方法。

背景技术：

配电网一般是指10kv电力网络，该级网络通过一次配变转换后再接入普通居民用户，该级网络的故障会直接影响用户供电，从配变负载程度上，依据《国网运检部关于加强高温大负荷期间配网设备运维检修工作的通知》，运检三^[2013]420号文中对配变重过载标准的定义，重载：用电负荷超过额定容量的70%，但小于额定容量的100%，连续运行1小时记为一次重载。过载：用电负荷超过额定容量的100%，连续运行1小时记为一次过载。每年夏季用电高峰期间均有配变重过载现象发生，供电可靠性满足用户用电需求的难度在不断提高。同时由于配网投入资金有限，不能完全满足配电设备升级改造需求。供电“卡脖子”、频繁停电、低电压和抢修服务等仍是客户投诉的焦点问题，这些都制约着各地市配网管理和供电服务质量的提升。目前对于配电网在运行中的风险特别是重过载风险，还是以问题导向开展事后分析评估工作为主。对于高温、台风等外部环境变化对配变重过载的影响还缺乏有效的风险预控手段与能力。

因此，科学地开展配变重过载的短期预警工作，可为配变改造规划提供参考，合理分配各地市配变资源提供客观依据，提高配网对迎峰度夏期间峰荷的应急能力。

技术实现要素：

本发明的目的是提供一种农网配变重过载短期预警模型的建模方法。

本发明采用以下技术方案：一种农网配变重过载短期预警模型的建模方法，其包括以下步骤：步骤s1：根据预警模型的整体框架，采集收集建模所需相关变量的原始数据，即特征参数，制定数据清洗规则，对原始数据进行清洗；步骤s2：分析短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选；

步骤s3：通过单变量logistic回归模型，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型；步骤s4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立局部加权回归loess方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单；步骤s5：根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess方程的方式优化预警模型；步骤s6：输出预警模型和预警结果。

在本发明一实施例中，在步骤s2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。

在本发明一实施例中，在步骤s3中，对变量进行初步筛选的方法如下：将数据进行5等分,其中4份数据集作为训练数据，1份作为验证数据，重复5次取平均，确定lasso回归最优的λ参数，从而获得特征变量筛选。

在本发明一实施例中，步骤s3单变量logistic回归模型的建立包括以下步骤：步骤s61：将去年和发布日前一月第1-3周数据作为自变量，发布日前一月第4周数据作为因变量，建立logistic回归模型；步骤s32：利用去年和发布日前一月第2-4周数据，并根据建立的logistic回归模型来预测发布日当周重载情况，计算其所有案例的概率值。

与现有技术相比，本发明提供了一种农网配变重过载短期预警模型的建模方法，该方法建立的配变重过载预警模型可以通过联合loess回归方程和logistic回归模型对配变迎峰度夏期间每周的重载情况进行预警，提高了判断的准确性，为独立判断、分析各地市重过载程度、合理分配资源提供客观依据。

附图说明

图1是本发明的实现流程图。

图2是本发明实施例中重载模型变量重要性结果图

图3是本发明实施例中过载载模型变量重要性结果图。

图4是本发明实施例中预警模型的预警结果图1。

图5是本发明实施例中预警模型的预警结果图2。

具体实施方式

下面结合附图和具体实施例对本发明做进一步解释说明。

本发明采用以下技术方案：一种农网配变重过载短期预警模型的建模方法，其包括以下步骤：步骤s1：根据预警模型的整体框架，采集收集建模所需相关变量的原始数据，即特征参数，制定数据清洗规则，对原始数据进行清洗；步骤s2：分析短期数据的特征，设计并计算预警模型的特征变量，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选；步骤s3：通过单变量logistic回归模型，比较单变量回归模型的查全率和查准率，确定核心变量；在已有核心变量的基础上，采用逐步回归法，依次加入其他变量，比较预警模型的查全率和查准率，不断优化，进而建立预警模型；步骤s4：将实际数据带入预警模型对配变短期的重过载现象进行预测，得出配变重过载的概率清单，并按概率从高到低进行排序；根据历史温度和历史重过载数量建立局部加权回归loess方程，并利用预警周的预报温度对该周的配变重过载数量进行预测；最后，根据loess方程预测的重过载数，从概率清单中按高到低选取相应的数量，作为当周的重过载预警清单；步骤s5：根据历史数据建立的预警模型，将当年数据代入并进行预测验证，如果预警结果优于设定值，则直接使用该预警模型，否则通过调整预警模型的自变量、优化loess方程的方式优化预警模型；步骤s6：输出预警模型和预警结果。主要流程示意图参见图1。

在本发明一实施例中，在步骤s2中，根据单个自变量与因变量之间的显著性关系，对特征变量进行筛选的方法如下：如果单个自变量与因变量之间的显著性水平小于设定值，则将此自变量纳入后续的建模的候选变量中。

在本发明一实施例中，在步骤s3中，对变量进行初步筛选的方法如下：将数据进行5等分,其中4份数据集作为训练数据，1份作为验证数据，重复5次取平均，确定lasso回归最优的λ参数，从而获得特征变量筛选。在已有核心变量的基础上，计算变量重要性的方法如下：运用分类误差，对全量数据重复多次切分，80%数据归为样本内数据，20%数据作为样本外，考虑不放入这个变量时，样本外的分类结果提升来判断变量重要性。

在本发明一实施例中，步骤s3单变量logistic回归模型的建立包括以下步骤：步骤s61：将去年和发布日前一月第1-3周数据作为自变量，发布日前一月第4周数据作为因变量，建立logistic回归模型；步骤s32：利用去年和发布日前一月第2-4周数据，并根据建立的logistic回归模型来预测发布日当周重载情况，计算其所有案例的概率值。根据去年到今年的全部数据和发布日前一月1~3周的数据建立logistic回归模型，主要目的在于农网的重过载发生比例太低，通过累计数据可以增加实际发生的样本数量，但相对的，实际未发生的样本数量同样也会增加，稀释了积累数据的作用。因此还需要通过人工筛选数据法以及过采样方法，调整样本比例，来提高模型预测的准确性。带入本周数据，生成预测配变发生重过载概率清单；增加loess模型对未来的新数据分布与温度的变化关系进行动态建模，对logistic回归产生出来的概率值调整，获取可靠的预测结果。

实施例1

本发明研究重过载相关性分析，从温度数据，历史负荷数据，近期负荷数据，配变属性及负载率趋势等方面构建特征量，建立基于loess方程的logistic回归配变重过载短期预警模型，对2016福州农网配变迎峰度夏期间发生重过载的概率进行短期的预测。

基于windows下的开发环境，使用postgresqldatabase建立相应的历史、实时数据库，通过r语言编程工具建立模型。

在设计和实现上主要有以下几点：

1、观察某地区配变历史负荷特征、近期负荷特征、配变属性和负载率趋势设计输入logistic模型的27个特征变量。

2、考虑结合统计检验部分对变量进行筛选，但是对于弱影响因素的变量依旧保留，原因是影响因素不大的变量本身对于预测精准程度不构成破坏,逻辑回归本身会对这些变量增加较小的系数；其次重过载预警模型每周都会纳入新的数据，过早的对变量的重要性下判断会导致模型的准确性不稳定。考虑模型的精准预测目的，本项目采取交叉验证方式，以逻辑回归的lasso形式进行变量筛选，在27种变量组中选择最优的特征变量，获取22个最优变量组。

3、通过查全率和查准率对模型准确率进行评价。

4、通过选取去年6月15日-9月15日的每周七天平均最高温数据和对应周配变实际发生重过载数量作为loess方程输入数据，建立历史温度和历史重过载数量关联的loess回归方程，并以此来作为重过载预测发生数。

经过以上步骤分析，logistic回归重载预警模型的变量如图2、logistic回归过载预警模型的变量如图3。

从重载模型变量重要性结果图可以看出，基于loess拟合得到的最大top5负载率，基于loess拟合得到的最大负载率，以及上周重载点数对于模型预测来讲影响最为重要。相对地，上周发生重过载点数次数和用电类别对于模型影响较小；

图3中过载模型变量重要性结果图可以看出，基于loess拟合得到的最大top5负载率，上周最大top5负载率，基于loess拟合的下周最大负载率对于模型预测来讲影响最为重要。相对地，去年重过载点数和次数对于模型影响较小；

短期重过载预警模型在某地区迎峰度夏13周内（6月15日-9月15日）的预警结果如图4-5。

以上是本发明的较佳实施例，凡依本发明技术方案所作的改变，所产生的功能作用未超出本发明技术方案的范围时，均属于本发明的保护范围。