一种基于支持向量机的配变负载预测方法与流程

本发明配电变压器负载预测
技术领域：
，具体涉及一种基于支持向量机的配变负载预测方法。
背景技术：
：在现有的配变重过载的预测方法中，通常都是运用配电变压器的历史数据，建立预测模型，来预测配电变压器在指定地区指定时间重过载的概率，从而指导该地区该时间段的配变的检修和运维工作，优化人力和物资资源配置。这种做法存在以下不足：1、预测模型的结果分为三类：正常，重载，过载，实际上分类的结果只需要追求正常和不正常两类即可，再多的分类需要获取更多类别的特征数据，采用更复杂的分类算法，会影响算法本身预测的精准度。2、预测的结果只是配变发生重过载的概率，实际上出现配变重过载的情况时，电网公司是否应该进一步采取动作来响应，没有给出更精准的判断方法。技术实现要素：为了解决上述问题，本发明提供了一种基于支持向量机的配变负载预测方法，本发明采用基于支持向量机的二分类法，将配变重过载的情况分为两类，即正常和非正常。支持向量机是目前二分类问题中，运用最成熟、准确度最高的机器学习算法之一，对于提升配变重过载预测的准确率有很大帮助。且在采集历史特征数据进行训练时，加入配变重过载的“频率”特征，即发生重过载的频率达到一定阈值，就采取措施进行控制，如果未达到该阈值，就判断变压器为偶发性过载，无需采取措施进行控制，从而实现了电网公司响应配变重过载策略的优化。具体技术方案如下：一种基于支持向量机的配变负载预测方法包括以下步骤：s1：采集并处理影响配变负载的历史数据，具体包括以下步骤：s11：获取历史数据，所述历史数据包括配变在指定时间段的负荷数据、天气数据、社会事件数据、指定时间段配变发生重过载频率的数据；s12：对采集到的数据进行处理，设置配变重过载的判断标准以及设置配变重过载情况为“持续”还是“瞬时”的阈值；s2：采用上述历史数据作为训练样本，采用支持向量机的方法训练配变负载预测分类器，构建预测模型；s3：根据配变负载预测模型预测配变的负载情况。优选地，所述步骤s2：具体包括以下步骤：s21：构建正负两个训练样本集：正样本集包含数据为：历史负荷数据x1，天气数据x2，社会事件数据x3，重过载频率x4，y值为+1，代表正样本，表示配变负载正常的情况；负样本集包含数据为：历史负荷数据x1,天气数据x2,社会事件数a据x3,重过载频率x4,y值为-1，代表负样本，表示配变负载非正常的情况；s22：设定svm训练样本的类型参数：训练样本已经大于两个维度，故参数类型选择c_svc；s23：选择核函数，选择径向核函数把训练样本映射到高维空间；具体如下：s24：设置算法终止条件：设定一个最大迭代次数和容许误差的组合，从而控制算法在适当的条件下停止计算；s25：在高维特征空间中确定最优分类面,得到各样本的支持向量和vc可信度,形成最终的判别函数，构建预测模型。优选地，所述步骤s11中的天气数据包括温度数据。优选地，所述所述步骤s11中的社会事件数据包括节假日数据。优选地，所述步骤s12中设置配变重过载的判断标准具体为：对于安装配变监测终端的配电变压器，正常运行方式下，以低压侧额定相电流为基准值，统计1天内三相电流的算术平均值超过基准值80％的持续时间，如果干变持续时间超过1小时或者油变持续时间超过2小时，则计对应的配电变压器发生过载1次；如果一个自然月内累计出现10次，则对应的配电变压器重载。优选地，所述步骤s12中设置配变重过载情况为“持续”还是“瞬时”的阈值具体为：设置基准阈值为12次，低于12次则判定对应的配电变压器为偶发性重过载，高于12次则判定对应的配电变压器为持续性重过载。本发明的有益效果为：本发明基于支持向量机算法，对配变历史数据进行训练，生成二分类的分类器，实现对配网重过载情况的预测，即重过载的发生频率达到阈值就判断为非正常，其余为正常，用以指导电网公司对配变设备的检修和运维策略。该方法在传统的训练数据集中，加入了配变重过载频率数据，用以判断重过载是偶发性的还是持续性的，使得数据的维度更加科学，根据判断结果，再提示配网公司采取进一步的行动，可以更有效的指导电网公司对配变的运维及检修工作，提高工作的科学性和成本效益。另外，采用机器学习中应用最广泛、准确度最高的二分类算法支持向量机来训练预测模型，能够提高预测配变负载的准确度。附图说明图1为本发明的流程示意图；图2为本发明中支持向量机的算法思想图形。具体实施方式为了更好的理解本发明，下面结合附图和具体实施例对本发明作进一步说明：如图1所示，一种基于支持向量机的配变负载预测方法包括以下步骤：s1：采集并处理影响配变负载的历史数据，具体包括以下步骤：s11：获取历史数据，所述历史数据包括配变在指定时间段的负荷数据、天气数据、社会事件数据、指定时间段配变发生重过载频率的数据。其中，天气数据包括温度数据，具体到对应的温度值。社会事件数据包括节假日数据，例如春节、国庆节。本申请采集的历史数据是2017年10月份至2018年10月份的全年数据，包括平均负荷、重载次数、过载次数、温度、社会事件数据，表1为采集的部分数据示例。表1历史数据s12：对采集到的数据进行处理，设置配变重过载的判断标准以及设置配变重过载情况为“持续”还是“瞬时”的阈值：配变重过载的判断标准为：对于安装配变监测终端的配电变压器，正常运行方式下，以低压侧额定相电流为基准值，统计1天内三相电流的算术平均值超过基准值80％的持续时间，如果干变持续时间超过1小时或者油变持续时间超过2小时，则计对应的配电变压器发生过载1次；如果一个自然月内累计出现10次，则对应的配电变压器重载。由于本发明只做二类划分，所以将重载和过载的情况合并划分至“非正常”，其余情况均为“正常”。阈值标准：根据业务规则，设定配变重过载的基准值，结合历史负荷数据，天气数据，社会事件数据，对阈值进行加减，最终得到的阈值就是综合考虑各方面因素的合理阈值。配变重过载情况为“持续”还是“瞬时”的阈值：设置基准阈值为12次，低于12次则判定对应的配电变压器为偶发性重过载，高于12次则判定对应的配电变压器为持续性重过载。如遇春节假期则减1次，遇高温天气则加1次等。s2：采用上述历史数据作为训练样本，采用支持向量机的方法训练配变负载预测分类器，构建预测模型。支持向量机的基本思想是构造一个最优超平面，使正负之间的空白模式最大。在线性可分的情况下，如附图2所示,图中b为两类样本：实心黑点样本和空心白点样本的分类线，a和c分别表示各类中离分类线最近的样本并且平行于分类线的直线，它们之间的距离叫做分类间隔。最优分类面不但要求把两类别准确分开,而且要求分离间隔最大化。不同类别的最优超平面方程为w·x+b＝0。其中x为一组分类样本,即x＝{(x1,y1),(x2,y2),…,(xk,yk)|x∈rn,y∈(-1,+1)}。其中k为样本数(k＝1,2,…,m)；rn为n维空间；w和b为非零常数。对于线性分类面的求解,也就是满足yi(w·xi+b)≥1时,使‖w‖2/2值最小。这是一个典型的二次规划求解问题。利用拉格朗日函数：aiyi(wxi+b)-ai＝0；(1)其中i＝1,2,…,k；ai为拉格朗日乘子；a'i表示拉格朗日乘子的求导，xi为支持向量；此时w为：对于ai,求解分类目标函数的最大值：式(3)中，由式(1)得到：b′＝yi-w′xi；(4)最终得到最优分类函数为：式(5)中,b′为分类阈值,求和是只对支持向量进行的。对于非线性的情况,可以通过非线性变换为高维空间的线性问题,通过非线性映射φ:rd→h将样本映射到高维空间h内。在构造h的最优分类面时,仅仅使用了空间点积φ(xi·xj),没有出现φ(xi)。构造一个函数k(xi,xj)＝(xi)·(xj)，则最优分类函数变为：公式(6)为支持向量机的一般表达式。φ从非线性变换到高维空间过程中引入的函数，k(xi,xj)＝φ(xi)·φ(xj)称为核函数,本文采用的核函数是径向基核函数：其中xj为核函数中心，σ为函数的宽度参数，控制了函数的径向作用范围。步骤s2具体包括以下步骤：s21：构建正负两个训练样本集：正样本集包含数据为：历史负荷数据x1，天气数据x2，社会事件数据x3，重过载频率x4，y值为+1，代表正样本，表示配变负载正常的情况；负样本集包含数据为：历史负荷数据x1,天气数据x2,社会事件数据x3,重过载频率x4,y值为-1，代表负样本，表示配变负载非正常的情况；表2和表3为构建的样本示例。表2正样本集数据x1x2x3x4(次/月)y24.8519992825国庆假期5+124.246000296元旦假期1+122.618499765春节1+120.9624996222五一假期2+122.5165004729无1+133.6915016230无2+134.8134994527中秋假期11+1表3负样本集数据s22：设定svm训练样本的类型参数：训练样本已经大于两个维度，故参数类型选择c_svc；该参数类型的重要特征是可以处理非完美分类的问题，即训练数据不可以被线性分割，包括线性可分割和不可分割。s23：选择核函数，选择径向基核函数把训练样本映射到高维空间；具体如下：s24：设置算法终止条件：设定一个最大迭代次数和容许误差的组合，从而控制算法在适当的条件下停止计算；本实施例设置的最大迭代次数为算法默认的15000次，该迭代次数适合解决本文数据集规模大小的训练过程，容许误差为0.01。s25：在高维特征空间中确定最优分类面,得到各样本的支持向量和vc可信度,形成最终的判别函数，构建预测模型如下：vc可信度是指分类函数能将k个样本按照2k种形式分开，这里的vc可信度的值就是k。s3：根据配变负载预测模型预测配变的负载情况：把需要预测的配变的用电负荷、天气数据、社会事件数据输入到训练好的支持向量机预测模型中，具体如表4和表5所示，预测结果如表6所示，预测出该配变的负载情况是正常或者非正常，如果是非正常，则电网公司需要对该配变提前做动作来进行保护。表4测试正样本集数据表5测试负样本集数据x1x2x3x4(次/月)y年份27.4349994720无14-1201725.9950008412无11-1201721.0944995915无11-1201725.9950008418无11-1201719.2345008925无11-1201722.9950008421无13-1201725.9950008411无14-1201621.995000848五一假期12-1201622.995000846春节假期12-1201623.995000844元旦假期13-1201624.9950008413国庆假期14-1201625.9950008415中秋假期13-1201626.9950008417无12-12016表6试验数据经过测试2016年和2017年的正样本和负样本数据，将正负样本的预测结果进行加权平均得到两年的准确率，再算术平均得到最终的准确率为78.5％，准确率较高，证明本申请提供的方法具备实用性。本发明不局限于以上所述的具体实施方式，以上所述仅为本发明的较佳实施案例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。当前第1页12