一種城網(wǎng)配變重過載短期預(yù)警模型的建模方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及信息自動化技術(shù)領(lǐng)域，特別涉及一種城網(wǎng)配變重過載短期預(yù)警模型的 建模方法。
【背景技術(shù)】
[0002] 由于近年來經(jīng)濟(jì)的持續(xù)穩(wěn)定發(fā)展，城區(qū)用電負(fù)荷出現(xiàn)了相應(yīng)的較快增長，每年均 有配變發(fā)生重過載的現(xiàn)象，供電單位滿足用戶用電需求的難度也在不斷提高。同時由于配 網(wǎng)資金有限，不能完全滿足改造需求。因此，科學(xué)地開展配變重過載的短期預(yù)警工作，可為 改造規(guī)劃提供參考，提高配網(wǎng)對迎峰度夏期間峰荷的應(yīng)急能力，還能夠為獨立判斷、分析各 地市重過載程度、合理分配資源提供客觀依據(jù)。
[0003] 城市配變在迎峰度夏期間更易受到夏季高溫影響產(chǎn)生重過載情況，預(yù)警需求較 大。另外由于城區(qū)配網(wǎng)的信息化建設(shè)開展較早，可為分析預(yù)警模型提供較好的數(shù)據(jù)支撐。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提供一種城網(wǎng)配變重過載短期預(yù)警模型的建模方法，該方法有 利于建立準(zhǔn)確的配變重過載短期預(yù)警模型。
[0005] 為實現(xiàn)上述目的，本發(fā)明采用的技術(shù)方案是：一種城網(wǎng)配變重過載短期預(yù)警模型 的建模方法，按照如下步驟建立預(yù)警模型： 步驟1 :根據(jù)預(yù)警模型的整體框架，采集建模所需相關(guān)變量的原始數(shù)據(jù)，即特征參數(shù)， 并基于一定的數(shù)據(jù)清洗規(guī)則對原始數(shù)據(jù)進(jìn)行清洗，以確保進(jìn)入預(yù)警模型的數(shù)據(jù)質(zhì)量； 步驟2 :根據(jù)短期數(shù)據(jù)的特征，設(shè)計并計算預(yù)警模型的特征變量，根據(jù)單個自變量與因 變量之間的顯著性關(guān)系，對特征變量進(jìn)行篩選； 步驟3 :通過單變量logistic回歸，比較單變量回歸模型的查全率和查準(zhǔn)率，確定核心 變量；在已有核心變量的基礎(chǔ)上，采用逐步回歸法，依次加入其他變量，比較預(yù)警模型的查 全率和查準(zhǔn)率，不斷優(yōu)化，進(jìn)而建立預(yù)警模型； 步驟4:將實際數(shù)據(jù)帶入預(yù)警模型對配變短期的重過載現(xiàn)象進(jìn)行預(yù)測，得出配變重過 載的概率清單，并按概率從高到低進(jìn)行排序；根據(jù)歷史溫度和歷史重過載數(shù)量建立Ioess 方程，并利用預(yù)警周的預(yù)報溫度對該周的配變重過載數(shù)量進(jìn)行預(yù)測；最后，根據(jù)loess方程 預(yù)測的重過載數(shù)，從概率清單中按高到低選取相應(yīng)的數(shù)量，作為當(dāng)周的重過載預(yù)警清單； 步驟5 :根據(jù)歷史數(shù)據(jù)建立的預(yù)警模型，將當(dāng)年數(shù)據(jù)代入并進(jìn)行預(yù)測驗證，如果預(yù)警結(jié) 果優(yōu)于設(shè)定值，則直接使用該預(yù)警模型，否則通過調(diào)整預(yù)警模型的自變量、優(yōu)化loess方程 的方式優(yōu)化預(yù)警模型； 步驟6 :輸出預(yù)警模型和預(yù)警結(jié)果。
[0006] 進(jìn)一步的，根據(jù)去年和發(fā)布日前一月4周的數(shù)據(jù)建立Logistic回歸模型，帶入本 周數(shù)據(jù)，生成預(yù)測配變發(fā)生重過載概率清單；結(jié)合loess模型預(yù)測的重過載數(shù)量，從概率清 單中按高到低選取相應(yīng)的數(shù)量，作為當(dāng)周的重過載預(yù)警清單。
[0007] 進(jìn)一步的，在步驟2中，根據(jù)單個自變量與因變量之間的顯著性關(guān)系，對特征變量 進(jìn)行篩選的方法如下：如果單個自變量與因變量之間的顯著性水平小于設(shè)定值，則將此自 變量納入后續(xù)的建模的候選變量中。
[0008] 本發(fā)明的有益效果提供了一種城網(wǎng)配變重過載短期預(yù)警模型的建模方法，該方法 建立的配變重過載中期預(yù)警模型可以通過聯(lián)合Loess回歸方程和Logistic回歸模型對配 變迎峰度夏期間每周的重載情況進(jìn)行預(yù)警，提高了判斷的準(zhǔn)確性，為獨立判斷、分析各地市 重過載程度、合理分配資源提供客觀依據(jù)。
【附圖說明】
[0009] 圖1是本發(fā)明的實現(xiàn)流程圖。
[0010] 圖2是本發(fā)明實施例中預(yù)警模型的預(yù)警結(jié)果圖。
【具體實施方式】
[0011] 下面結(jié)合附圖及具體實施例對本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0012] 本發(fā)明城網(wǎng)配變重過載短期預(yù)警模型的建模方法，如圖1所示，按照如下步驟建 立預(yù)警模型： 步驟1 :根據(jù)預(yù)警模型的整體框架，采集建模所需相關(guān)變量的原始數(shù)據(jù)，即特征參數(shù)， 并基于一定的數(shù)據(jù)清洗規(guī)則對原始數(shù)據(jù)進(jìn)行清洗，以確保進(jìn)入預(yù)警模型的數(shù)據(jù)質(zhì)量。
[0013] 步驟2 :根據(jù)短期數(shù)據(jù)的特征，設(shè)計并計算預(yù)警模型的特征變量，根據(jù)單個自變量 與因變量之間的顯著性關(guān)系，對特征變量進(jìn)行篩選：如果單個自變量與因變量之間的顯著 性水平小于設(shè)定值，則將此自變量納入后續(xù)的建模的候選變量中。
[0014] 步驟3 :通過單變量logistic回歸，比較單變量回歸模型的查全率和查準(zhǔn)率，確定 核心變量；在已有核心變量的基礎(chǔ)上，采用逐步回歸法，依次加入其他變量，比較預(yù)警模型 的查全率和查準(zhǔn)率，不斷優(yōu)化，進(jìn)而建立預(yù)警模型。
[0015] 步驟4:將實際數(shù)據(jù)帶入預(yù)警模型對配變短期的重過載現(xiàn)象進(jìn)行預(yù)測，得出配 變重過載的概率清單，并按概率從高到低進(jìn)行排序；根據(jù)歷史溫度和歷史重過載數(shù)量建 立loess方程，并利用預(yù)警周的預(yù)報溫度對該周的配變重過載數(shù)量進(jìn)行預(yù)測；最后，根據(jù) loess方程預(yù)測的重過載數(shù)，從概率清單中按高到低選取相應(yīng)的數(shù)量，作為當(dāng)周的重過載預(yù) 警清單。
[0016] 步驟5 :模型的驗證及優(yōu)化。模型的建立需要不斷的優(yōu)化，通過比較取舍，確定最 優(yōu)的預(yù)警模型。根據(jù)歷史數(shù)據(jù)建立的預(yù)警模型，將當(dāng)年數(shù)據(jù)代入并進(jìn)行預(yù)測驗證，如果預(yù)警 結(jié)果優(yōu)于設(shè)定值，則直接使用該預(yù)警模型，否則通過調(diào)整預(yù)警模型的自變量、優(yōu)化loess方 程的方式優(yōu)化預(yù)警模型。
[0017] 步驟6 :輸出預(yù)警模型和預(yù)警結(jié)果。
[0018] 在本實施例中，根據(jù)去年和發(fā)布日前一月4周的數(shù)據(jù)建立Logistic回歸模型，帶 入本周數(shù)據(jù)，生成預(yù)測配變發(fā)生重過載概率清單；結(jié)合loess模型預(yù)測的重過載數(shù)量，從概 率清單中按高到低選取相應(yīng)的數(shù)量，作為當(dāng)周的重過載預(yù)警清單。
[0019] 本發(fā)明建立預(yù)警模型，采用聯(lián)合Loess回歸方程和Logistic回歸模型對配變迎峰 度夏期間每周的重載情況進(jìn)行預(yù)警，根據(jù)輸出的預(yù)警清單，對發(fā)生重過載的配變進(jìn)行預(yù)警， 具體按照以下步驟進(jìn)行： 第一步：構(gòu)建本周預(yù)警模型。根據(jù)去年和發(fā)布日前一月第1-3周數(shù)據(jù)（自變量）與發(fā)布 日前一月第4周數(shù)據(jù)（因變量）建立Logistic回歸模型。
[0020] 第二步：設(shè)將模型應(yīng)用到當(dāng)周，生成概率清單。利用去年和發(fā)布日前一月第2-4周 數(shù)據(jù)，并根據(jù)建立的Logistic回歸模型來預(yù)測發(fā)布日當(dāng)周重載情況，計算其所有案例的概 率值。
[0021] 第三步：根據(jù)歷史溫度和歷史重載數(shù)量建立loess模型，并利用預(yù)警周的預(yù)報溫 度對該周的配變重載數(shù)量進(jìn)行預(yù)測。
[0022] 第四步：根據(jù)loess模型預(yù)測的重載數(shù)，從概率清單中按高到低選取相應(yīng)的數(shù)量， 作為當(dāng)周的重載預(yù)警清單。
[0023] 實施例1 本發(fā)明采用福州市城區(qū)配變負(fù)荷、設(shè)備、客戶以及氣溫數(shù)據(jù)的挖掘分析，建立基于 loess方程的Logistic回歸配變重過載短期預(yù)警模型，對2013福州城區(qū)配變迎峰度夏期間 發(fā)生重過載的概率進(jìn)行短期的預(yù)測。
[0024] 基于Windows下的開發(fā)環(huán)境，使用Oracle Database建立相應(yīng)的歷史、實時數(shù)據(jù) 庫，通過R語言編程工具建立模型。
[0025] 在設(shè)計和實現(xiàn)上主要有以下幾點： 1、觀察福州城區(qū)配變歷史負(fù)荷特征、近期負(fù)荷特征、客戶用電行為和溫度特征，設(shè)計輸 入logistic模型的特征變量。
[0026] 2、通過擬合單變量Logistic回歸模型的準(zhǔn)確性結(jié)果，對自變量進(jìn)行篩選。
[0027] 3、通過查全率和查準(zhǔn)率對模型準(zhǔn)確率進(jìn)行評價。
[0028] 4、通過選取去年6月15日-9月15日的每周七天平均最高溫數(shù)據(jù)和對應(yīng)周配變 實際發(fā)生重過載數(shù)量作為loess方程輸入數(shù)據(jù)，建立歷史溫度和歷史重過載數(shù)量關(guān)聯(lián)的 Loess回歸方程，并以此來作為重過載預(yù)測發(fā)生數(shù)。
[0029] 經(jīng)過以上步驟分析，logistic回歸重載預(yù)警模型的變量表1、logistic回歸過載 預(yù)警模型的變量如表2。
【主權(quán)項】
1. 一種城網(wǎng)配變重過載短期預(yù)警模型的建模方法，其特征在于，按照如下步驟建立預(yù) 警模型： 步驟1:根據(jù)預(yù)警模型的整體框架，采集建模所需相關(guān)變量的原始數(shù)據(jù)，即特征參數(shù)， 并基于一定的數(shù)據(jù)清洗規(guī)則對原始數(shù)據(jù)進(jìn)行清洗，以確保進(jìn)入預(yù)警模型的數(shù)據(jù)質(zhì)量； 步驟2 :根據(jù)短期數(shù)據(jù)的特征，設(shè)計并計算預(yù)警模型的特征變量，根據(jù)單個自變量與因 變量之間的顯著性關(guān)系，對特征變量進(jìn)行篩選； 步驟3 :通過單變量logistic回歸，比較單變量回歸模型的查全率和查準(zhǔn)率，確定核心 變量；在已有核心變量的基礎(chǔ)上，采用逐步回歸法，依次加入其他變量，比較預(yù)警模型的查 全率和查準(zhǔn)率，不斷優(yōu)化，進(jìn)而建立預(yù)警模型； 步驟4:將實際數(shù)據(jù)帶入預(yù)警模型對配變短期的重過載現(xiàn)象進(jìn)行預(yù)測，得出配變重過 載的概率清單，并按概率從高到低進(jìn)行排序；根據(jù)歷史溫度和歷史重過載數(shù)量建立Ioess 方程，并利用預(yù)警周的預(yù)報溫度對該周的配變重過載數(shù)量進(jìn)行預(yù)測；最后，根據(jù)loess方程 預(yù)測的重過載數(shù)，從概率清單中按高到低選取相應(yīng)的數(shù)量，作為當(dāng)周的重過載預(yù)警清單； 步驟5 :根據(jù)歷史數(shù)據(jù)建立的預(yù)警模型，將當(dāng)年數(shù)據(jù)代入并進(jìn)行預(yù)測驗證，如果預(yù)警結(jié) 果優(yōu)于設(shè)定值，則直接使用該預(yù)警模型，否則通過調(diào)整預(yù)警模型的自變量、優(yōu)化loess方程 的方式優(yōu)化預(yù)警模型； 步驟6 :輸出預(yù)警模型和預(yù)警結(jié)果。
2. 根據(jù)權(quán)利要求1所述的一種城網(wǎng)配變重過載短期預(yù)警模型的建模方法，其特征在 于，根據(jù)去年和發(fā)布日前一月4周的數(shù)據(jù)建立Logistic回歸模型，帶入本周數(shù)據(jù)，生成預(yù)測 配變發(fā)生重過載概率清單；結(jié)合loess模型預(yù)測的重過載數(shù)量，從概率清單中按高到低選 取相應(yīng)的數(shù)量，作為當(dāng)周的重過載預(yù)警清單。
3. 根據(jù)權(quán)利要求1所述的一種城網(wǎng)配變重過載短期預(yù)警模型的建模方法，其特征在 于，在步驟2中，根據(jù)單個自變量與因變量之間的顯著性關(guān)系，對特征變量進(jìn)行篩選的方法 如下：如果單個自變量與因變量之間的顯著性水平小于設(shè)定值，則將此自變量納入后續(xù)的 建模的候選變量中。
【專利摘要】本發(fā)明涉及一種城網(wǎng)配變重過載短期預(yù)警模型的建模方法，包括：集建模所需相關(guān)變量的原始數(shù)據(jù)；設(shè)計并計算預(yù)警模型的特征變量，對特征變量進(jìn)行篩選；通過單變量logistic回歸，比較查全率和查準(zhǔn)率，確定核心變量；采用逐步回歸法，依次加入其他變量，優(yōu)化得到預(yù)警模型；將實際數(shù)據(jù)帶入預(yù)警模型進(jìn)行預(yù)測，得出配變重過載的概率清單并排序；根據(jù)歷史溫度和歷史重過載數(shù)量建立loess方程，并根據(jù)預(yù)報溫度預(yù)測配變重過載數(shù)，再從概率清單中選取相應(yīng)的數(shù)量作為當(dāng)周的重過載預(yù)警清單；利用當(dāng)年數(shù)據(jù)對歷史數(shù)據(jù)建立的預(yù)警模型進(jìn)行預(yù)測驗證，若預(yù)警結(jié)果好則直接使用，否則優(yōu)化預(yù)警模型；該方法有利于建立準(zhǔn)確的配變重過載短期預(yù)警模型。
【IPC分類】G06F17-50
【公開號】CN104699890
【申請?zhí)枴緾N201510005614
【發(fā)明人】徐建忠, 李暉, 鐘云南, 張孔林, 鄭磊, 占彤平, 林揚宇, 池文磊, 林旭軍, 陳曉如, 劉鳳杰, 傅儷, 李明, 周勤, 楊致慧, 徐涵, 吳蓓, 陳強, 林宇
【申請人】國家電網(wǎng)公司, 國網(wǎng)福建省電力有限公司, 國網(wǎng)福建省電力有限公司電力科學(xué)研究院
【公開日】2015年6月10日
【申請日】2015年1月7日