【技术实现步骤摘要】
本专利技术属于电网阻塞预测，尤其涉及一种基于hgtb的多时间尺度电网阻塞预测方法。
技术介绍
1、预测未来的阻塞情况对于解决阻塞问题来说至关重要。完全预测未来的阻塞情况有助于通过事前规划和管理避免阻塞事件的发生。然而，源、荷侧不确定性的增加使得调度部门长时间预测变得更加困难，因此目前研究致力于短时间的预测。在电网阻塞实时管理过程中，现有的模型预测控制依赖于电源和负荷的日内预测数据，这些数据的刷新频率直接决定了阻塞预测的视野与效果，导致调度部门对电网阻塞在短时间内的发生缺乏预见能力。尽管有一些研究关注了电网阻塞的短时预测问题，但其预测方法依赖于市场参与者提供的预测数据，对于具有高不确定性的互动式负荷和可再生能源来说，这种预测并不是简单的问题。并且在实时阶段，并非所有市场参与者都具备提供实时预测结果的条件。此外，当前的电网阻塞预测方法主要基于传统的数学模型和算法，难以充分利用数据驱动的机器学习技术。随着新型电力系统数据规模和复杂性的不断增加，传统方法的计算效率和准确度也难以满足实际需求。因此，研究如何利用数据驱动理论和机器学习技术对电网阻塞进行预测成为一个重要问题。
技术实现思路
1、本专利技术提供一种基于hgtb的多时间尺度电网阻塞预测方法，用以解决现有技术中预测控制依赖于电源和负荷的日内预测数据的缺陷，实现电网阻塞的实时预测与在线更新。
2、本专利技术提供一种基于hgtb的多时间尺度电网阻塞预测方法，该方法以数据驱动为基础，结合特征选择理论和梯度提升树理论，实现了电网阻
3、步骤1.读取数据；
4、步骤2.预测目标分类；
5、步骤3.封箱处理，划分区域；
6、步骤4.计算每个区域内的输出系数；
7、步骤5.初始化模型；
8、步骤6.计算负梯度；
9、步骤7.更新模型；
10、步骤8.判断损失函数的值或提升次数是否大于阈值；大于阈值时输出最终的预测模型；
11、步骤9.滑窗更新数据，通过预测模型预测阻塞。
12、根据本专利技术提供的一种基于hgtb的多时间尺度电网阻塞预测方法，预测目标分类包括：对于一个k类分类问题，首先将其转化为k个二分类问题。即对于每个类别k∈[1,k]，构建一个新的目标变量yk，其中yk＝1表示样本属于类别k，即正例，yk＝0表示样本不属于类别k，即反例。得到k个二分类问题的训练数据集。
13、根据本专利技术提供的一种基于hgtb的多时间尺度电网阻塞预测方法，通过直方图封箱的方式将连续特征值转换为离散的数据箱，从而大幅度减少了计算和内存的消耗。
14、具体步骤如下：设有一个n个样本的特征x1，将它划分成m个离散的箱子(即将连续的特征值封装到m个离散的数据箱中)。设第i个箱子的范围为[bi-1,bi)，其中b0＝-∞，bm＝+∞，y为样本标签，ni为落在第i个箱子中的样本数，则对于第i个箱子，可以计算它对应的响应值si为：
15、
16、其中，yj表示第j个样本的标签，ni表示落在第i个箱子中的样本数。
17、根据本专利技术提供的一种基于hgtb的多时间尺度电网阻塞预测方法，计算每个区域内的输出系数包括：采用直方图式的封箱方法，构建直方图将rmi封装到离散的数据箱后，对数据箱寻找最佳结点将输入空间划分为了j个互不相交的叶结点区域r1,r2,…,rj。
18、最后确定每个区域的输出系数cjm：
19、
20、后续更新模型的关键在于需要根据梯度提升理论来确定第m轮迭代中加入的决策树。首先计算出损失函数的负梯度在当前模型的值，对于样本i＝1,2,…,n：
21、
22、特别的,在电网阻塞的点预测中，采用均方误差作为损失函数：
23、l(yi,f(xi))＝(yi-f(xi))2 (4)
24、则公式(3)可以简化为残差：
25、
26、则公式(2)可以转化为：
27、
28、根据本专利技术提供的一种基于hgtb的多时间尺度电网阻塞预测方法，当弱学习器fm(x)指定为二叉回归树时，可具体表示为t(x；θm)：
29、
30、其中θm＝{(r1m,c1m),(r2m,c2m),…,(rjm,cjm)}，表示决策树将输入空间划分为了j个互不相交的区域r1m,r2m,…,rjm，第j区域对应的系数为cjm。
31、初始化模型包括：对于每个类别k，使用cart回归树算法，对训练数据集进行训练，构建一个回归树tk,0(x)，用于预测样本x属于类别k的概率得分zk(x)。cart回归树算法递归地将样本空间划分成多个子空间，并在每个子空间内建立一个线性模型。对于一个新样本x，从根节点开始，依次遍历回归树的内部节点，根据节点的划分规则，将x分配到某一个叶子节点上，叶子节点的预测得分zk(x)即为该叶子节点上训练样本中属于类别k的样本的平均值。
32、
33、根据本专利技术提供的一种基于hgtb的多时间尺度电网阻塞预测方法，计算负梯度包括：在每次迭代中，会对当前模型在训练集上对每个类别的概率预测结果计算其对应的负梯度，然后使用这些负梯度来更新模型参数，使得模型能够更好地拟合训练集中的样本。对于一个训练样本(xi,yi1,…,yik)，其中yik∈0,1表示样本xi是否属于类别k，模型在样本xi上对类别k的概率预测为pik，则其对应的负梯度为：
34、
35、具体为：
36、
37、然后，将负梯度作为新的目标变量，形成新的训练样本
38、根据本专利技术提供的一种基于hgtb的多时间尺度电网阻塞预测方法，更新模型包括：在算法的第m轮迭代中执行以下步骤，m＝1,2,…,m：
39、步骤1)将k个预测得分zk(x)通过softmax函数进行转换，得到样本x属于每个类别k的概率分布pk(x)，即：
40、
41、softmax函数保证了所有类别的预测概率分布之和为1，且将预测得分zk(x)转化为了概率分布pk(x)。
42、步骤2)通过计算得到的负梯度拟合新的回归树，通过最小化交叉熵损失函数来更新模型参数。具体来说，对于一个训练样本(xi,yi1,...,yik)，其中yik∈0,1表示样本xi是否属于类别k，模型的目标是最小化交本文档来自技高网...
【技术保护点】
1.一种基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，预测目标分类包括：对于一个K类分类，将其转化为K个二分类；对于每个类别k∈[1,K]，构建一个新的目标变量yk，其中yk＝1表示样本属于类别k，为正例，yk＝0表示样本不属于类别k，为反例；得到K个二分类问题的训练数据集。
3.根据权利要求1所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，封箱处理，划分区域包括通过直方图封箱的方式将连续特征值转换为离散的数据箱，具体步骤如下：
4.根据权利要求1所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，计算每个区域内的输出系数包括：
5.根据权利要求1所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，初始化模型包括以下步骤：
6.根据权利要求1所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，计算负梯度包括：在每次迭代中，对当前模型在训练集上对每个类别的概率预测结果计算其对应的负梯度，使用这些负
7.根据权利要求6所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，更新模型包括：在计算负梯度的第m轮迭代中执行以下步骤，m＝1,2,…,M：
8.根据权利要求7所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，判断损失函数的值或提升的次数是否大于阈值包括：将所有训练得到的弱学习器的集成为一个强学习器，采用加法模型表示为：
9.根据权利要求8所述基于HGTB的多时间尺度电网阻塞预测方法，其特征在于，滑窗更新数据，通过模型预测阻塞包括：通过M轮迭代，输出一个训练好的集成树模型用于电网阻塞的多分类概率预测；
...【技术特征摘要】
1.一种基于hgtb的多时间尺度电网阻塞预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述基于hgtb的多时间尺度电网阻塞预测方法，其特征在于，预测目标分类包括：对于一个k类分类，将其转化为k个二分类；对于每个类别k∈[1,k]，构建一个新的目标变量yk，其中yk＝1表示样本属于类别k，为正例，yk＝0表示样本不属于类别k，为反例；得到k个二分类问题的训练数据集。
3.根据权利要求1所述基于hgtb的多时间尺度电网阻塞预测方法，其特征在于，封箱处理，划分区域包括通过直方图封箱的方式将连续特征值转换为离散的数据箱，具体步骤如下：
4.根据权利要求1所述基于hgtb的多时间尺度电网阻塞预测方法，其特征在于，计算每个区域内的输出系数包括：
5.根据权利要求1所述基于hgtb的多时间尺度电网阻塞预测方法，其特征在于，初始化模型包括以下步骤：
6.根据权利要求1所述基于hgtb的多时间尺度电网阻塞预测方法，其...
【专利技术属性】
技术研发人员：魏聪颖，廖思阳，刘志成，徐箭，徐浩，柯德平，汪旸，贾龙文，黄彦博，
申请(专利权)人：国家电网有限公司华中分部，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。