本文選題：配變重過載 + 樣本比率��； 參考：《電網(wǎng)技術(shù)》2017年08期

【摘要】：針對使用傳統(tǒng)分類器預(yù)測配變重過載會因?yàn)橹剡^載樣本率較低而帶來的總正確率很高,重過載預(yù)測正確率卻很低這一問題,將重抽樣與隨機(jī)森林理論引入分類模型中,構(gòu)建重抽樣-隨機(jī)森林分類器對配變重過載進(jìn)行預(yù)測。首先將觀測中重過載樣本和正常樣本按照一定的比例進(jìn)行抽樣形成新的子樣本,重復(fù)上述過程獲得大量的新子樣本。接著根據(jù)隨機(jī)森林理論構(gòu)建一系列的分類器,并用新子樣本對分類器進(jìn)行訓(xùn)練,得到分類模型。最終的預(yù)測結(jié)果由所有分類器預(yù)測結(jié)果的眾數(shù)所決定。對山東省某市的配變進(jìn)行重過載預(yù)測,并將上述方法與傳統(tǒng)分類器進(jìn)行比較。結(jié)果表明,新方法在預(yù)測配變?nèi)罩剡^載類型、重過載開始與結(jié)束時(shí)間、重過載嚴(yán)重程度方面有較高的準(zhǔn)確率。
[Abstract]:In order to solve the problem that using traditional classifier to predict the overloading rate of distribution variable heavy load, the total correct rate is very high, but the correct rate of heavy overload prediction is very low because of the low overloading sample rate, so the resampling and random forest theory are introduced into the classification model. A resampling-random forest classifier is constructed to predict the distribution overloading. First, the overloaded and normal samples are sampled in a certain proportion to form a new subsample, and a large number of new sub-samples are obtained by repeating the above process. Then a series of classifiers are constructed according to the stochastic forest theory. The classifier is trained with new subsamples and the classification model is obtained. The final prediction results are determined by the modes of all classifiers. The overloading prediction of distribution transformer in a certain city of Shandong Province is carried out, and the above method is compared with the traditional classifier. The results show that the new method has a high accuracy in predicting the type of daily overload, the start and end time of heavy overload, and the severity of heavy overload.
【作者單位】： 北京交通大學(xué)電子信息工程學(xué)院;中國電力科學(xué)研究院;國網(wǎng)山東省電力公司;
【基金】：國家電網(wǎng)公司科技項(xiàng)目資助(XX71-14-036)~~
【分類號】：TM421

【參考文獻(xiàn)】

相關(guān)期刊論文 前10條

1 賀建章;王海波;季知祥;朱朝陽;張濤;劉合金;;面向智能電網(wǎng)的配電變壓器重過載影響因素分析[J];電網(wǎng)技術(shù);2017年01期

2 吳瀟雨;和敬涵;張沛;胡駿;;基于灰色投影改進(jìn)隨機(jī)森林算法的電力系統(tǒng)短期負(fù)荷預(yù)測[J];電力系統(tǒng)自動化;2015年12期

3 戴遠(yuǎn)航;陳磊;閔勇;成濤;;電網(wǎng)每日運(yùn)行評價(jià)指標(biāo)體系研究[J];電網(wǎng)技術(shù);2015年06期

4 朱建全;李穎;譚偉;;基于特性融合的電力負(fù)荷建模[J];電網(wǎng)技術(shù);2015年05期

5 朱利鵬;陸超;孫元章;黃河;蘇寅生;李智歡;;基于數(shù)據(jù)挖掘的區(qū)域暫態(tài)電壓穩(wěn)定評估[J];電網(wǎng)技術(shù);2015年04期

6 趙莉;候興哲;胡君;傅宏;孫洪亮;;基于改進(jìn)k-means算法的海量智能用電數(shù)據(jù)分析[J];電網(wǎng)技術(shù);2014年10期

7 吳越強(qiáng);吳文傳;李飛;張伯明;;基于魯棒Holt-Winter模型的超短期配變負(fù)荷預(yù)測方法[J];電網(wǎng)技術(shù);2014年10期

8 吳磊;房斌;刁麗萍;陳靜;謝娜娜;;融合過抽樣和欠抽樣的不平衡數(shù)據(jù)重抽樣方法[J];計(jì)算機(jī)工程與應(yīng)用;2013年21期

9 焦?jié)櫤?蘇辰雋;林碧英;莫瑞芳;;基于氣象信息因素修正的灰色短期負(fù)荷預(yù)測模型[J];電網(wǎng)技術(shù);2013年03期

10 王大鵬;汪秉文;;基于變權(quán)緩沖灰色模型的中長期負(fù)荷預(yù)測[J];電網(wǎng)技術(shù);2013年01期

【共引文獻(xiàn)】

相關(guān)期刊論文 前10條

1 楊軍;;基于層次分析和模糊聚類的高度城市化區(qū)域中長期負(fù)荷預(yù)測研究[J];電氣應(yīng)用;2017年14期

2 賈永奎;李大凱;許鵬;;基于模糊聚類及馬爾科夫殘差修正的用戶側(cè)短期負(fù)荷預(yù)測方法[J];科技風(fēng);2017年13期

3 周一帆;魯鐵定;吳定邦;;PSO-GM(1,1,N,p,ξ)模型在變形預(yù)測中的應(yīng)用[J];大地測量與地球動力學(xué);2017年07期

4 賀建章;王海波;季知祥;孟祥君;張濤;;基于隨機(jī)森林理論的配電變壓器重過載預(yù)測[J];電網(wǎng)技術(shù);2017年08期

5 吳定邦;;雙變權(quán)緩沖GM(1,1)模型在GPS衛(wèi)星鐘差預(yù)報(bào)中的應(yīng)用[J];東華理工大學(xué)學(xué)報(bào)(自然科學(xué)版);2017年02期

6 朱建全;易江文;莊遠(yuǎn)燦;黃俊銘;朱濤;;基于不敏卡爾曼粒子濾波的動態(tài)電力負(fù)荷在線建模[J];南方能源建設(shè);2017年02期

7 郭松林;水泉龍;顧翔瑜;;灰色系統(tǒng)理論在負(fù)荷預(yù)測中運(yùn)用綜述[J];工業(yè)儀表與自動化裝置;2017年03期

8 于惠鳴;撖奧洋;于立濤;張智晟;;基于PSO-DNN的電力系統(tǒng)短期負(fù)荷預(yù)測模型研究[J];青島大學(xué)學(xué)報(bào)(工程技術(shù)版);2017年02期

9 王曉蓉;張國賓;劉凱;雍軍;戴建強(qiáng);;臺區(qū)重過載預(yù)警與風(fēng)險(xiǎn)評估系統(tǒng)研究與實(shí)現(xiàn)[J];供用電;2017年06期

10 尹pひ，

本文編號：1823557