一种母线负荷自适应预测方法、系统、设备和存储介质

1.一种母线负荷自适应预测方法，其特征在于，包括以下步骤：获取变电站数值天气预报数据和母线历史实测负荷数据，并按时序对齐；根据时间顺序将对齐后的数据划分为样本集和预测集，其中样本集用于训练和挑选模型，预测集用于评估最终模型预测效果；对样本集中的每个天气数据，进行越限值、突变值、连续恒定值检测，对样本集中的负荷数据进行越限值、突变值、连续恒定值以及运行方式改变、检修、转供情况检测；对检测后的样本集，采用填充或丢弃的策略进行清洗；基于清洗后的样本集，生成时序特征、多项式特征、统计特征；包括：对时序数据的周期性进行分析，构建多维时序特征，拟合母线负荷数据的周期性变化规律；对负荷数据的非线性变化进行分析，构建多项式特征，扩展模型在高维空间的拟合能力；对负荷数据的变化趋势进行分析，构建统计类特征，拟合负荷数据的未来趋势变化；将时序特征、多项式特征、统计特征按时序进行对齐；基于生成的特征，使用相关系数和特征重要程度对特征进行筛选，以交叉验证的方式将样本集划分为训练集和验证集，并使用筛选出来的特征和参数构建对应的XGBoost预测模型，分别测试不同参数的模型在验证集上的预测精度，根据模型在验证集上的预测精度，筛选出最优模型参数；使用最优模型参数及训练集训练XGBoost预测模型，得到最优模型，利用预测集构建对应特征作为输入数据，分析并检测预测集数据中的转供、检修、运行方式改变情况，对输入数据进行修复，并分析最优模型在预测集上的输出结果以及预测集的实测负荷数据，构建自适应的输出结果修正策略，对模型输出结果进行修正，得到最终的母线负荷预测结果；其中，分析并检测预测集数据中的转供、检修、运行方式改变情况，对输入数据进行修复，包括：对当前预测集的输入数据进行数据质量分析，判断当前预测集数据的可信度；对预测集中的实测负荷数据进行统计分析，判断是否发生转供或检修，并标记当前状态及异常值；对预测集中的实测负荷数据按天进行相似度计算，判断当前运行方式是否发生转变，并标记当前状态及异常值；根据异常点的连续情况进行插值处理或填充，修复因数据不可靠、转供或检修、母线运行方式改变带来的输入数据偏差。 2.根据权利要求1所述的方法，其特征在于，对样本集中的每个天气数据，进行越限值、突变值、连续恒定值检测包括：基于天气数据统计特性，对样本集中的数值天气预报数据进行范围限制，检测天气数据中的越限值；使用3sigma检测法、箱线图4分位检测法，对天气数据中的局部离群点进行检测；基于逻辑判断检测方法，对天气数据中的连续恒定值进行检测。 3.根据权利要求2所述的方法，其特征在于，基于逻辑判断检测方法，对天气数据中的连续恒定值进行检测包括：对气象要素数据，计算其标准差，剔除标准差位于零值附近的气象要素所有数据，即构建模型时不考虑当前气象；对所有的气象要素，计算相邻时间间隔数据点的变化幅度，将变化幅度小于指定变化阈值的气象要素识别为疑似恒定值数据点；对疑似恒定值数据点进行连续个数统计，当连续的疑似恒定值数据点个数超过设定的连续恒定值个数阈值时，将这些连续疑似恒定值数据点识别为异常数据点。 4.根据权利要求1所述的方法，其特征在于，对样本集中的负荷数据进行越限值、突变值、连续恒定值以及运行方式改变、检修、转供情况检测包括：基于母线负荷数据统计特性及电压等级，对样本集中的母线负荷进行范围限制，检测母线负荷中的越限值；基于逻辑判断检测方法，对母线负荷数据中的连续恒定值进行检测；对样本集中的母线负荷进行时序补齐和对齐，得到同一时刻不同日期的母线负荷历史数据，使用3sigma检测法检测母线负荷局部突变值，标记为异常点；对样本集中的母线负荷按天进行分割并分别求和，得到母线每日负荷总量，对母线每日负荷总量使用3sigma检测法，检测母线负荷异常日期，对应的数据标记为异常点；基于聚类算法，对母线每日负荷进行聚类操作，根据每日母线负荷曲线与聚类中心的偏离程度，识别出异常点；根据负荷值的异常点情况识别出运行方式改变、检修、转供情况，其中，负荷值连续超过指定个数的点都为零值，识别为检修异常；负荷值连续下降超过指定个数的点并在一段时间后恢复，识别为转供异常；负荷值连续下降或上升超过指定个数的点且不再恢复，识别为运行方式转变。 5.根据权利要求4所述的方法，其特征在于，基于聚类算法，对母线每日负荷进行聚类操作，根据每日母线负荷曲线与聚类中心的偏离程度，识别出异常点，包括以下步骤：对母线负荷数据按天进行分割，构建母线每日负荷数据集，其中一天的负荷点构成一个高维样本；对母线每日负荷数据集进行聚类，并记录每一类别的聚类中心；计算每日负荷数据集中每个样本与其对应聚类中心的距离，并对距离进行排序；将离聚类中心距离最大的指定百分比数据标记为数据异常，并对样本对应的负荷数据时间段都标记为数据异常。 6.根据权利要求4所述的方法，其特征在于，基于逻辑判断检测方法，对母线负荷数据中的连续恒定值进行检测包括：计算相邻时间间隔数据点的变化幅度，将变化幅度小于指定变化阈值的母线负荷识别为疑似恒定值数据点；对疑似恒定值数据点进行连续个数统计，当连续的疑似恒定值数据点个数超过设定的连续恒定值个数阈值时，将这些连续疑似恒定值数据点标记为异常数据点。 7.根据权利要求1所述的方法，其特征在于，对检测后的样本集，采用填充或丢弃的策略进行清洗包括：将所有标记为异常的数据点合并，并将相应点的数据置为空值；对所有空值点进行分类，连续空值点数低于N 1 个的空值点采用线性插值算法插值；连续空值点数高于N 1 个且小于N 2 个的空值点采用多元线性回归算法进行插值；连续空值点数高于N 2 个点的空值点或相邻数据点不满足线性回归条件的空值点进行丢弃处理，其中，N 1 、N 2 均为正整数且N 1 <N 2 。 8.根据权利要求7所述的方法，其特征在于，多元线性回归算法进行插值，包括以下步骤：构建多元线性自回归函数，其计算公式为：X i ＝β 1 X i-1 +β 2 X i-2 +…+β n X i-n其中，X i 表示当前样本值，X i-1 ,X i-2 ,…,X i-n 为前n个时刻的样本值，β 1 ,β 2 ,…,β n 表示回归系数；对数据进行中心化，对每个样本更新其值为 其中，X i 为第i个样本值， 为样本均值；输入数据，使用最小二乘法估计回归系数β 1 ,β 2 ,…,β n 的值；将当前异常数据点前N 2 个时刻的样本值输入自回归函数计算得到当前异常数据点的估计值，用于修复当前异常数据点。 9.根据权利要求1所述的方法，其特征在于，根据异常点的连续情况进行插值处理或填充包括：对连续异常点个数少于N 1 个点的异常值进行线性插值；对连续异常点个数高于N 1 个且小于N 2 个的异常点，采用多元线性回归算法进行插值；对连续异常点个数高于N 2 个的异常点，使用相邻天的同一时刻的点进行线性插值；其中，N 1 、N 2 均为正整数且N 1 <N 2 ；对其他异常点使用同一时刻的点的均值进行插值；对剩余所有异常点进行前向或后向填充，直到预测集中无异常点为止。 10.根据权利要求1所述的方法，其特征在于，对当前预测集的输入数据进行数据质量分析，判断当前预测集数据的可信度包括：对数据中的缺失情况进行分析，并记录异常数据占比，若缺失情况超过50％，则标记当前输入数据不可靠；检测数据中的零值和突变异常值，确定它们是否是真实异常或数据输入错误，并记录异常数据占比；检测数据中的重复数据和连续恒定值数据，并记录异常数据占比；对异常数据占比求和，若异常数据占比总和超过50％，则标记当前输入数据不可靠。 11.根据权利要求1所述的方法，其特征在于，对预测集中的近期实测负荷数据按天进行相似度计算，判断当前运行方式是否发生转变包括：将实测负荷按天进行分割，并按时间点进行对应，构建母线负荷日数据集；计算母线负荷日数据集中每一日与其他所有日的欧氏距离，计算对应日期的欧氏距离之和，标记欧氏距离之和最大的前N日数据为异常点；将母线负荷日负荷数据集按每日最值进行归一化后，计算当前日期负荷与其他日期负荷的余弦距离，计算对应日期的余弦距离之和，标记余弦距离之和最小的前N日数据为异常点；将标记为异常点的数据置为空值，并进行异常类别判断，其中，负荷值连续超过指定个数的点都为零值，识别为检修异常；负荷值连续下降超过指定个数的点并在N日后恢复，识别为转供异常；负荷值连续下降或上升超过指定个数的点且不再恢复，识别为运行方式转变。 12.根据权利要求1所述的方法，其特征在于，分析最优模型在预测集上的输出结果和预测集的实测负荷数据，构建自适应的输出结果修正策略，对模型输出结果进行修正包括：根据输入数据的可靠性检测，判断是否将当前模型输出作为最终预测结果，若数据可信且母线负荷运行方式切换为正常状态时则当前模型输出作为最终预测结果；根据母线负荷异常时段的标记，判断母线当前运行状态，根据母线当前状态输出最终预测结果，其中，母线在检修状态下，输出结果为零；转供状态下，输出结果为相同时刻点的线性插值；运行方式改变状态下，输出结果为相同时刻点的均值。 13.一种母线负荷自适应预测系统，其特征在于，包括：数据获取模块，被配置为获取变电站数值天气预报数据和母线历史实测负荷数据，并按时序对齐；数据集划分模块，被配置为根据时间顺序将对齐后的数据划分为样本集和预测集，其中样本集用于训练和挑选模型，预测集用于评估最终模型预测效果；数据异常检测模块，被配置为对样本集中的每个天气数据，进行越限值、突变值、连续恒定值检测，以及对样本集中的负荷数据进行越限值、突变值、连续恒定值以及运行方式转变、检修、转供情况检测；数据预处理模块，被配置为对检测后的样本集，采用填充或丢弃的策略进行清洗；特征工程模块，被配置为基于清洗后的样本集，生成时序特征、多项式特征、统计特征；包括：对时序数据的周期性进行分析，构建多维时序特征，拟合母线负荷数据的周期性变化规律；对负荷数据的非线性变化进行分析，构建多项式特征，扩展模型在高维空间的拟合能力；对负荷数据的变化趋势进行分析，构建统计类特征，拟合负荷数据的未来趋势变化；将时序特征、多项式特征、统计特征按时序进行对齐；模型构建与评估模块，被配置为基于生成的特征，使用相关系数和特征重要程度对特征进行筛选，以交叉验证的方式将样本集划分为训练集和验证集，并使用筛选出来的特征和参数构建对应的XGBoost预测模型，分别测试不同参数的模型在验证集上的预测精度，根据模型在验证集上的预测精度，筛选出最优模型参数；预测结果自适应修正模块，被配置为使用最优模型参数及训练集训练XGBoost预测模型，得到最优模型，利用预测集构建对应特征作为输入数据，分析并检测预测集数据中的转供、检修、运行方式改变情况，对输入数据进行修复，并分析最优模型在预测集上的输出结果和预测集的实测负荷数据，构建自适应的输出结果修正策略，对模型输出结果进行修正，得到最终的母线负荷预测结果；其中，分析并检测预测集数据中的转供、检修、运行方式改变情况，对输入数据进行修复，包括：对当前预测集的输入数据进行数据质量分析，判断当前预测集数据的可信度；对预测集中的实测负荷数据进行统计分析，判断是否发生转供或检修，并标记当前状态及异常值；对预测集中的实测负荷数据按天进行相似度计算，判断当前运行方式是否发生转变，并标记当前状态及异常值；根据异常点的连续情况进行插值处理或填充，修复因数据不可靠、转供或检修、母线运行方式改变带来的输入数据偏差。 14.一种计算机设备，其特征在于，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述程序被处理器执行时实现如权利要求1-12任一项所述的母线负荷自适应预测方法的步骤。 15.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1-12任一项所述的母线负荷自适应预测方法的步骤。