[发明专利]一种基于AMI数据的配电馈线统计线损率数据清洗方法

说明书

本发明涉及一种基于AMI数据的配电馈线统计线损率数据清洗方法，包括：从AMI数据中提取与配电馈线线损相关的线路特征参数、变压器特征参数和理论线损率及统计线损率，构建配电馈线线损特征数据库；对配电馈线统计线损数据进行缺失值和异常值检测，将所有数据分为待清洗数据和正常数据即训练数据；建立基于XGBOOST的配电馈线统计线损估计模型，并利用训练数据确定模型参数；利用上述估计模型对待清洗数据进行修正。

技术领域

本发明属于电力系统线损管理领域。

背景技术

线损率是反映电网规划设计和运行管理的一项综合性技术经济指标，对于网架优化和节能降损具有重要的指导作用。10kV中压配电网(即配电馈线)损耗占电网总损耗的24.7％，在各电压等级中占比最高，是一个重损层。因此，研究配电馈线统计线损的数据情况对于电力系统线损管理具有重要的意义。

通过对某地提供的AMI数据中的配电馈线统计线损进行分析发现，在44172个数据样本中，含有缺失值的样本数为15283个，占34.6％；存在异常值的样本数为35378，占80.1％。由此可知，配电馈线统计线损的数据质量非常差，数据缺失和数据异常现象严重，为此，本发明基于AMI数据，并且计及理论线损率的影响，应用XGBOOST算法实现对配电馈线统计线损数据的清洗。

发明内容

本发明针对智能配用电大数据具有的数据体量大、数据类型多和多源数据间关系复杂的特点，提供一种基于AMI数据和计及理论线损率影响的配电馈线统计线损数据的清洗方法。技术方案如下：

一种基于AMI数据的配电馈线统计线损率数据清洗方法，包括下列步骤：

步骤一：从AMI数据中提取与配电馈线线损相关的线路特征参数、变压器特征参数和理论线损率及统计线损率，构建配电馈线线损特征数据库；

步骤二：对配电馈线统计线损数据进行缺失值和异常值检测，将所有数据分为待清洗数据和正常数据即训练数据；

步骤三：建立基于XGBOOST的配电馈线统计线损估计模型，并利用训练数据确定模型参数，步骤如下：

1)设定配电馈线统计线损率的初始估计值和迭代次数，每次迭代重复下述2)至4)的步骤；

2)计算损失函数的一阶和二阶导数g_i和h_i，即

其中y_i和分别为第i个配电馈线统计线损率的实际值和(t-1)次迭代时模型的估计值；

3)利用贪婪算法，遍历每一种树结构，寻找使下述目标函数Obj最小的树结构f_t(x_i)，并计算每个叶子节点的最优权重

其中，I_j为第j个叶子节点的配电馈线统计线损实例集合；T为叶子节点数量；λ和γ为可调系数；

4)将上一步中的f_t(x_i)添加到模型中，即

5)将每一次迭代建立的决策树进行叠加，得到对配电馈线统计线损率的估计模型，即

步骤四：利用上述估计模型对待清洗数据进行修正。

与配电馈线线损相关的线路特征参数，包括线路类型、线路总长度、线路供电量及线路投运时间；与配电馈线线损相关的变压器参数，包括配电变压器额定容量、短路损耗、空载损耗和投运时间；配电馈线理论线损率通常采用等值电阻法进行计算。