一种基于随机森林优化算法的谐波预测建模方法和系统技术方案

本发明专利技术公开了一种基于随机森林优化算法的谐波预测建模方法和系统，包括：获取电能质量监测数据，并对监测数据进行预处理，构建谐波电压电流特征集；根据谐波电压电流特征集进行随机森林训练样本取样；根据取样样本建立回归决策树；根据决策树构建随机森林模型；对随机森林模型进行优化；优化后得到基于谐波特征优化的随机森林谐波预测模型；本发明专利技术实现了对谐波幅值的预测；有益于分析工业用户中各次谐波电压电流间的交互影响，为预防谐波污染，探明各次谐波电压电流间的作用关系，分析电力系统电能质量特征的影响因素提供理论支撑。统电能质量特征的影响因素提供理论支撑。统电能质量特征的影响因素提供理论支撑。

【技术实现步骤摘要】
一种基于随机森林优化算法的谐波预测建模方法和系统


[0001]本专利技术涉及谐波预测建模领域，尤其是一种基于随机森林优化算法的谐波预测建模方法和系统。

技术介绍

[0002]近些年来，随着电力电子技术的飞速发展，电力电子装置广泛应用于生活中，呈现出高电力电子化的新特点。由于大部分非线性负载缺乏统一的谐波发射限制标准，且尚未安装谐波滤除装置，其产生的谐波电流直接注入电网中，加剧了电网中的谐波污染。对于家庭用户而言，由于单个负载的功率较小，注入电网的谐波电流微不足道，造成的影响可以忽略不计。但是对于一个大容量的工业用户来说，其包含的非线性负载具有数量多、分布广、随机性强的特点，导致工业用户中的谐波电流含量高且具有随机波动特性，其对电网造成的谐波问题不容忽视的。通过实际测量数据发现，含电力电子装置类的负载，其所产生的电流畸变非常严重，有些负载的电流总谐波畸变率甚至会超过100％。若该谐波得不到合理、有效的干预，则将流入更高一等级的电力系统并引发一系列相关的电能质量问题，造成电能质量治理方案设计困难。因此十分有必要对其建立准确的谐波模型。
[0003]目前，国内外对于谐波预测的建模已经有了诸多研究，现有的谐波预测模型主要有恒流源模型、基于交叉频率导纳矩阵的模型、Norton等效模型、基于最小二乘法的简化模型。随着谐波预测种类的增多和拓扑结构复杂度的提高，又出现了不用考虑谐波预测内部机理的神经网络建模方法。
[0004]上述方法仍存在适用场景受限，自适应性不强，建模复杂，运行较为缓慢等问题。
专利技术内容
[0005]本专利技术的专利技术目的在于：针对上述存在的问题，提供一种基于随机森林优化算法的谐波预测建模方法和系统；本专利技术解决了谐波预测模型适应性不强的问题；解决了建模复杂且运行缓慢的问题。
[0006]鉴于现有技术的上述缺陷，本专利技术以工业用户的谐波特性为研究内容，提供一种基于随机森林优化算法的谐波源建模方法，以实现对稳态条件下谐波电流的精准预测。首先，通过电能质量监测装置获得工业用户的各次谐波电压、电流及功率数据，将监测数据进行预处理以获取各次谐波的有效值；然后，构建谐波电压、电流特征矩阵，利用Bagging(Bootstrap aggregating，引导聚集算法)思想对谐波数据进行抽样，构建决策树数据集，以实现对未知的谐波电压电流值的回归分析；最后，基Wrapper算法(包装法)和鲸鱼优化算法建立随机森林谐波源模型，实现对某次谐波电流的预测结果。基于该结果可以准确的评估和预测各次谐波电压不同时对谐波电流的影响，有益于为预防谐波污染，分析电力系统电能质量特征的影响因素提供理论依据。
[0007]本专利技术采用的技术方案如下：
[0008]一种基于随机森林优化算法的谐波预测建模方法，包括：获取电能质量监测数据，
并对监测数据进行预处理，构建谐波电压电流特征集；根据谐波电压电流特征集进行随机森林训练样本取样；根据取样样本建立回归决策树；根据决策树构建随机森林模型；对随机森林模型进行优化；优化后得到基于谐波特征优化的随机森林谐波预测模型。
[0009]进一步的，所述对数据进行预处理为对数据进行清洗，包括数据删除和异常数据处理。
[0010]进一步的，所述构建谐波电压电流特征集为：
[0011]其中，N表示每列的采样点数；V
hj
表示h次谐波电压的第j个采样点值；I
hj
表示h次谐波电流的第j个采样点值。
[0012]进一步的，随机森林训练样本取样方法为：在原始的谐波特征集X，Y中随机有放回地抽取k个谐波样本，k为谐波特征集中的数据总数，作为数据集P并进行T次循环，形成随机森林模型的训练集Q。
[0013]进一步的，所述建立回归决策树方法为：谐波电压电流特征集X，Y中有k个采样点，M个特征变量，其中M为输入的各次谐波特征；利用Bootstrap Sample方法，有放回地从原始谐波特征集X中抽取k个采样点，最终获得一个样本数量为k的谐波样本集；从M个特征变量中随机选取m个特征变量构成一个谐波特征变量子集，m为一个定值，通过最小二乘偏差函数来选择最优特征进行分裂，从而形成一棵决策树。
[0014]进一步的，所述构建随机森林模型方法为：构建T棵决策树；设有M个特征变量，则在每一棵决策树的每个节点处随机选取m
t
个特征或通过计算信息增益在抽取的变量中选择一个最具有主导能力的变量，随机森林算法会在m
t
个选择的特征中找到每棵树的最佳分割点，选择信息增益最大的谐波特征作为当前的分裂特征；每棵树最大限度地生长,不做任何修剪；生成的多棵决策树组成随机森林来预测所需的某次谐波电压电流值，输出结果按随机森林中的树输出的平均值而定；修改随机森林中树的棵数，选取效果最好的一组；对模型进行性能评估。
[0015]进一步的，对随机森林模型进行优化方法为：将随机森林模型中每个谐波特征的重要性降序排列；首先选取重要性最高的特征进行预测；之后选取重要性最高的两个特征进行预测，重复上述步骤，计算不同特征数的预测结果的决定性系数；选取若干最优决定性系数构建谐波电压电流特征集，得到优化后的特征数据。
[0016]进一步的，所述优化后得到基于谐波特征优化的随机森林谐波预测模型方法为：基于优化后的特征数据，重新构建出谐波特征优化后的随机森林模型；结合对谐波模型的筛选即可完成对所构建的谐波预测模型的优化；得到基于谐波特征优化的随机森林谐波预测模型。
[0017]一种基于随机森林优化算法的谐波预测建模系统，包括：采集模块，用于获取电能质量监测数据，并对监测数据进行预处理，构建谐波电压电流特征集；处理模块，用于根据
[0037]其中HRU
h
为各次谐波电压含有率，V1为基波电压有效值。
[0038]所述对数据进行预处理为对数据进行清洗，包括数据删除和异常数据处理，具体的：
[0039]数据删除主要分为两种情况：缺失数据删除和非主成分数据删除；如果缺失数据超过90％，对该数据集做删除处理，否则应该对缺失数据进行填充处理。
[0040]本实施例采用“临近数据平均值法”对数据集进行处理：选取空值前的L个有效数据与空值后的L个有效数据取平均值估算并代替空值；而对于工业用户，其奇次谐波为主要的谐波成分，因此直接选取奇次谐波为谐波数据样本。
[0041]针对异常数据的处理，本实施例主要是通过选取CP95值和人工检查的方式，将采样的点按从大到小的顺序排列，去掉5％最大值，剩下中最大的即为95％概率值；并将明显偏于实际测量值的数据用数据填充的方式替换。
[0042]所述构建谐波电压电流特征集为：数据处理后，构建分析对象的谐波电压电流特征集X和Y；
[0043]式中，N表示每列的采样点数；V
hj
(h＝1,3,
……
,n，j＝1,2,
……
,N)表示h次谐波电压的第j个采样点值；I
hj
(h＝本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于随机森林优化算法的谐波预测建模方法，其特征在于，包括：获取电能质量监测数据，并对监测数据进行预处理，构建谐波电压电流特征集；根据谐波电压电流特征集进行随机森林训练样本取样；根据取样样本建立回归决策树；根据决策树构建随机森林模型；对随机森林模型进行优化；优化后得到基于谐波特征优化的随机森林谐波预测模型。2.如权利要求1所述的基于随机森林优化算法的谐波预测建模方法，其特征在于，所述对数据进行预处理为对数据进行清洗，包括数据删除和异常数据处理。3.如权利要求1所述的基于随机森林优化算法的谐波预测建模方法，其特征在于，所述构建谐波电压电流特征集为：其中，N表示每列的采样点数；V
hj
表示h次谐波电压的第j个采样点值；I
hj
表示h次谐波电流的第j个采样点值。4.如权利要求1所述的基于随机森林优化算法的谐波预测建模方法，其特征在于，随机森林训练样本取样方法为：在原始的谐波特征集X，Y中随机有放回地抽取k个谐波样本，k为谐波特征集中的数据总数，作为数据集P并进行T次循环，形成随机森林模型的训练集Q。5.如权利要求1所述的基于随机森林优化算法的谐波预测建模方法，其特征在于，所述建立回归决策树方法为：谐波电压电流特征集X，Y中有k个采样点，M个特征变量，其中M为输入的各次谐波特征；利用Bootstrap Sample方法，有放回地从原始谐波特征集X中抽取k个采样点，最终获得一个样本数量为k的谐波样本集；从M个特征变量中随机选取m个特征变量构成一个谐波特征变量子集，m为一个定值，通过最小二乘偏差函数来选择最优特征进行分裂，从而形成一棵决策树。6.如权利要求1所述的基于随机森林优化算法的谐波预测建模方法，其特征在于，所述构建随机森林模型方法为：构建...

【专利技术属性】
技术研发人员：马兴，杨爽，陈咏涛，廖玉祥，张友强，董光德，匡红刚，付昂，朱小军，王瑞妙，易鹏飞，汪颖，周为，邹平，赵小娟，胡文曦，喻梦洁，周敬森，朱晟毅，方辉，
申请(专利权)人：国网重庆市电力公司国家电网有限公司，
类型：发明
国别省市：