[發明專利]一種基于改進隨機森林算法的電壓缺失數據辨識方法

在審

• 申請號: 202110397003.3
• 申請日: 2021-04-13
• 公開（公告）號: CN113468796A
• 公開（公告）日: 2021-10-01
• 發明（設計）人: 李紹堅;韋明超;羅淑芳;莫江婷;甘靜;夏斌;王益成;周覓路;韋社敏;魯林軍;陳柏昌;黃偉;陶海峰
• 申請（專利權）人: 廣西電網有限責任公司南寧供電局
• 主分類號: G06F30/27
• 分類號: G06F30/27;G06K9/62;G06Q10/04;G06Q50/06;G06F111/08
• 代理公司: 廣州市專注魚專利代理有限公司 44456
• 代理人: 柴燕

1.一種基于改進隨機森林算法的電壓缺失數據辨識方法，其特征在于，所述方法步驟包括：

S1：獲取電網歷史數據，選擇缺失數據所有對應的關聯屬性，進行不同的屬性劃分；

S2：通過屬性綜合加權計算得到學習樣本集合；

S3：對學習樣本進行重復抽樣，得到若干個相似樣本集合；

S4：將所述相似樣本集合作為輸入，訓練隨機森林回歸模型；

S5：通過減少決策樹間的關聯性和提高決策樹的精度，提高隨機森林回歸預測精度；

S6：將所有決策樹的最終預測均值作為填補結果，評估填補結果，填補結果在容忍范圍則填補完成。

2.根據權利要求1所述的基于改進隨機森林算法的電壓缺失數據辨識方法，其特征在于，所述屬性綜合加權計算包括以下步驟：

S21：對所述關聯屬性進行各屬性間的互相關系數計算，互相關系數大于給定閥值的屬性存入互相關集合HG；

S22：將所述互相關集合HG進行屬性誤差期望計算，屬性誤差期望大于強相關閥值，存入強相關屬性集合QX；

S23：所述強相關屬性集合QX中的各屬性采用熵權法確立其屬性間的權重，得到權重向量，據強相關系數得到的屬性綜合加權值SX按照從大到小排序，設置選擇閥值，選擇大于選擇閥值的樣本作為學習樣本集合。

3.根據權利要求2所述的基于改進隨機森林算法的電壓缺失數據辨識方法，其特征在于，所述關聯屬性的各屬性間的互相關系數計算公式如下，

當皮爾遜系系數用于總體時，如式(1)所示：

其中，X,Y為兩個不同屬性的隨機變量，σ_X,σ_Y分別是X,Y的標準差，cov(X,Y)為協方差，如式(2)所示：

其中，n表示樣本的數量；

當皮爾遜系系數用于樣本時，如式(3)所示：

其中，x_i,y_i為變量X,Y對應i的觀測點值，分別為對應X,Y的樣本均值；

通過皮爾遜系數計算各屬性間的互相關系數，選擇互相關系數大于給定閥值的屬性存入互相關集合HG。

4.根據權利要求2所述的基于改進隨機森林算法的電壓缺失數據辨識方法，其特征在于，所述互相關集合HG的屬性誤差期望計算公式如下，

其中，Cov(X_k,Y_k)為X_k,Y_k的協方差；Var[X_k]為X_k的方差；Var[Y_k]為Y_k的方差；

若EXPError(X_k,Y_k)＞β(β為強相關閥值)，則為強相關屬性，存入到強相關屬性集合QX中。

5.根據權利要求2所述的基于改進隨機森林算法的電壓缺失數據辨識方法，其特征在于，所述強相關屬性集合QX中的各屬性采用熵權法確立其屬性間的權重，得到權重向量如下：

W＝[w₁,w₂,...,w_m] (5)

其中，m：強關聯屬性的個數；

據強相關系數得到的屬性綜合加權值SX：

SX＝W₁S₁+W₂S₁+...+W_mS_m (6)

根據各歷史斷面數據的屬性綜合加權結果按照從大到小排序，設置選擇閾值，選擇閥值較大的樣本作為學習樣本集合。