CN108831115B - 一种基于Adaboost的输电线路暴雨灾害风险预警方法 - Google Patents

Abstract

本发明公开了一种基于Adaboost的输电线路暴雨灾害风险预警方法，包括：采集输电线路的外部环境因素，对外部环境因素进行分类并获取暴雨灾害下输电线路各类外部环境因素对应的气象特征因素，再将输电线路分段，收集各段输电线路的输电线路信息；选择各段输电线路暴雨灾害外部环境因素以及对应的气象特征因素构成训练样本集，通过Adaboost集成学习算法生成分类器；获取实时气象特征因素为输入，通过分类器得到各段输电线路暴雨灾害预警输出结果和置信度margin值；根据各段输电线路的权重比例线性组合计算整条输电线路的暴雨灾害预警输出结果和置信度margin值；输出暴雨灾害风险预警等级。

Description

一种基于Adaboost的输电线路暴雨灾害风险预警方法

技术领域

本发明涉及气象灾害技术领域，具体涉及一种基于Adaboost的输电线路暴雨灾害风险预警方法。

背景技术

输电线路作为电网的重要基础设施，其安全稳定运行直接影响电网稳定性和供电可靠性。暴雨引起的水土流失导致坡面滑坡、滑塌、冲刷等灾害发生，严重危及输电线路杆塔安全运行，特别是微地形区域的输电线路杆塔在暴雨影响下发生倒杆断线现象屡见不鲜。因此，提前预测预警输电线路的附近降水量和评估输电线路基础边坡暴雨灾害风险，可以有效防止输电线路杆塔基础设施边坡暴雨灾害事故发生，大力支撑输电线路安全稳定运行，而且这项工作已越来越受到电力设计单位、运检单位以及供电管理部门的高度重视。

目前，国内已开展了大量输电线路杆塔边坡暴雨灾害风险评估方法以及电网地质灾害预警方法的相关研究，或通过数学回归分析方法建立土边坡稳定性控制因素抗洪能力评分表，以及利用区段滑坡与降雨关系进行统计分析，得出滑坡时有效降雨量阈值，从而建立土边坡在降雨条件下的稳定性警戒等级图实现某一边坡所处的稳定性状态风险评估；或基于层次结构模型建立区段输电线路内各杆塔基础边坡对整个区坡暴雨灾害风险评估方法，实现对输电线路各区段暴雨灾害风险的准确评估；还有提供基于神经网络和多参数信息融合的地质灾害预报方法，建立多参数地质监测系统和地质灾害预报模型，实现对多参数的分析、规律统计以及地质灾害的预警；也有针对地质条件、气象要素等数据分析的基于电网GIS的地质灾害预警方法及装置，建立分析模型并及时预警，实现电网覆盖区内的地质灾害准确预测。然而，这些方法均未全面考虑历史暴雨灾害的气象特征因素信息，且模型中的参数获取不够精确，人工经验因素占据主要地位。因此，不具备较强的理论合理性，导致输电线路暴雨灾害的客观性有所降低的缺点；电网GIS的地址灾害预警方法根据监测数据反馈的图像数据而来，但数据的实时性不能保证，这样会导致输电线路暴雨灾害预警时间不及时，从而效果不理想。

发明内容

本发明目的在提供于一种基于Adaboost的输电线路暴雨灾害风险预警方法，以解决现有技术中存在的技术缺陷。

为实现上述目的，本发明提供了一种基于Adaboost的输电线路暴雨灾害风险预警方法，包括以下步骤：

S1：采集输电线路的外部环境因素，对外部环境因素进行分类并获取暴雨灾害下输电线路各类外部环境因素对应的气象特征因素，再将输电线路分段，收集各段输电线路的输电线路信息；

S2：针对各段输电线路的输电线路信息，选择各段输电线路中暴雨灾害外部环境因素以及该类外部环境因素对应的气象特征因素构成训练样本集，通过Adaboost集成学习算法生成分类器；

S3：获取实时气象特征因素，以实时气象特征因素为输入，通过分类器得到各段输电线路暴雨灾害预警输出结果和置信度margin(Ω,X)；

S4：根据各段输电线路的暴雨灾害预警输出结果和置信度margin(Ω,X)以及各段输电线路的权重比例线性组合计算整条输电线路的暴雨灾害预警输出结果和置信度margin(Ω,X)；

S5：根据整条输电线路的暴雨灾害预警输出结果和置信度margin(Ω,X)输出暴雨灾害风险预警等级。

优选地，通过Adaboost集成学习算法生成分类器包括以下步骤：

给定数据样本集：输电线路暴雨灾害事故发生样本类别标签x_i规定为1，未发生暴雨灾

害事故x_i则记为-1；i为训练样本索引号，N为训练样本个数；T为弱分类器个数，即训练次数，其中弱分类器分类算法记为

初始化：初始化训练样本的权值分布ω_t(j)＝1/N,j＝1,2,...,N；t＝1,2,...,T；

迭代：重复训练得到最终分类器：

其中，函数

为符号函数，

为弱分类器，μ_t为权重系数。

优选地，整条输电线路的暴雨灾害预警输出结果以及置信度margin(Ω,X)为：

其中，

为权重。

优选地，预警等级包括红色预警、橙色预警、黄色预警和蓝色预警，margin(Ω,X)>0.8时输出红色预警，0.5<margin(Ω,X)≦0.8时输出橙色预警，0.3<margin(Ω,X)≦0.5输出黄色预警，margin(Ω,X)≦0.3输出蓝色预警。

本发明具有以下有益效果：

1)本发明不仅考虑了影响输电线路暴雨灾害的环境因素和气候特征因素，而且充分利用电网历史暴雨灾害信息，更加符合输电线路暴雨灾害的实际情况。

2)本发明采用Adaboost集成学习算法，有利于从样本数据中学习到的规则中强化适用于新数据的能力，具有泛化能力强、易编码等特点，预测预警结果可靠性高。

3)本发明的方法流程相对详尽，可操作性强，更具有实用性。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的一种基于Adaboost的输电线路暴雨灾害风险预警方法流程图。

图2是本发明优选实施例的一种基于Adaboost的输电线路暴雨灾害风险预警方法具体流程图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

本实施例以2010-2017年42组湖南电网±500kv直流某输电线路样本数据集为例进行说明，参见图1和图2，包括以下步骤：

S1：采集输电线路的环境因素，对所述环境因素进行分类并获取暴雨灾害下所述输电线路各类环境因素对应的气象特征因素，再将输电线路分段，收集各段输电线路的输电线路信息。

环境因素包括输电线路各基杆塔的基础特征、地形地貌信息、土地密实度、地层岩性、土体中碎石含量、坡面特征特性和泥石流致灾因子，输电线路各基杆塔的基础特征又包括独立基础、桩基础和掏挖基础，泥石流致灾因子又包括泥位、泥速、次声和地声。气象特征因素包括降水量、风速、相对湿度和温度。环境因素最主要有7个因素，其中有四个因素有两种取值，三个因素有三种取值，共计组合2⁴*3³种。

一条输电线路经常会跨省跨区域，针对不同的区域外部环境因素是不同的。根据地形地貌信息导致暴雨灾害的可以将输电线路分为易发生、比较难发生、很难发生等情况。输电线路信息包括杆塔经纬度坐标、杆塔类型、抗风等级等。

将被预测的整条输电线路依次划分为20个区段，分别搜集和整理各区段Ω_i(1≤i≤20)的输电线路信息，记为Ω＝{Ω₁,Ω₂,...Ω₂₀}。

S2：针对各段输电线路的输电线路信息，选择各段输电线路中暴雨灾害外部环境因素以及该类外部环境因素对应的气象特征因素构成训练样本集，通过Adaboost集成学习算法生成quzhi分类器。

Adaboost是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

(1)输入:训练样本集，输电线路暴雨灾害事故样本发生样本类别标签x_i规定为1，未发生暴雨灾

害事故x_i则记为-1，i为训练样本索引号，N为训练样本个数；T为弱分类器个数，即训练次数，其中弱分类器分类算法记为

这里，采用的弱分类器算法采用支持向量机即可。

(2)初始化：初始化样本权值分布ω_t(j)＝1/N,j＝1,2,...,N；t＝1,2,...,T；

(3)迭代：

a.根据第t次的样本权值分布ω_t(j)从原来样本集U中进行有放回的抽样，生成新的样本集合

(t＝1,2,...,T)；

b.根据

训练弱分类器

并根据此分类器对原始样本集

进行分类；

c.计算弱分类器

的分类错误率：

上式中，

d.计算弱分类器

的权重系数

e.更新权值分布

其中

是归一化因子，使得

(4)确定输电线路区段Ω_i暴雨灾害最终分类器：

这里，函数

为符号函数。

S3：获取实时气象特征因素，以实时气象特征因素为输入，通过分类器得到各段输电线路暴雨灾害预警输出结果和置信度margin(Ω,X)。

针对输电线路气象特征要素的预报数据U，输电线路区段Ω_i暴雨灾害预测结果x_i，输电线路区段Ω_i暴雨灾害预测置信度margin(Ω_i,x_i)，整个输电线路暴雨灾害预测结果X以及置信度margin(Ω,X)的计算公式如下：

S4：根据各段输电线路的暴雨灾害预警输出结果和置信度margin(Ω,X)以及各段输电线路的权重比例线性组合计算整条输电线路的暴雨灾害预警输出结果和置信度margin(Ω,X)。

该输电线路区段权重取值为

上式中margin(Ω,X)∈[-1,1]，较大的正边界则表示预测该线路发生暴雨灾害的可信度高，较大的负边界表示预测该线路不发生暴雨灾害事故的可信度高，较小的边界则表示预测结果的可信度较低。

S5：根据整条输电线路的暴雨灾害预警输出结果和置信度margin(Ω,X)输出暴雨灾害风险预警等级。

参见表1，表1为输电线路暴雨灾害风险预警等级对应情况，可以根据置信度margin(Ω,X)输出暴雨灾害风险预警等级。

表1输电线路暴雨风险预警等级表

条件	预警等级	备注
			margin(Ω,X)>0.8	红色预警	特别严重
0.5<margin(Ω,X)≦0.8	橙色预警	比较严重
			0.3<margin(Ω,X)≦0.5	黄色预警	一般严重
margin(Ω,X)≦0.3	蓝色预警	不严重，但构成风险

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种基于Adaboost的输电线路暴雨灾害风险预警方法，其特征在于，包括以下步骤：

S1：采集输电线路的外部环境因素，对所述外部环境因素进行分类并获取暴雨灾害下所述输电线路各类外部环境因素对应的气象特征因素，再将输电线路分段，收集各段输电线路的输电线路信息；

S2：针对各段输电线路的输电线路信息，选择各段输电线路中暴雨灾害外部环境因素以及该类外部环境因素对应的气象特征因素构成训练样本集，通过Adaboost集成学习算法生成分类器；

S3：获取实时气象特征因素，以实时气象特征因素为输入，通过分类器得到各段输电线路暴雨灾害预警输出结果和置信度；

S4：根据各段输电线路的暴雨灾害预警输出结果和置信度以及各段输电线路的权重比例线性组合计算整条输电线路的暴雨灾害预警输出结果和置信度，所述整条输电线路的暴雨灾害预警输出结果以及置信度m arg in(Ω,X)为：

其中，X表示整个输电线路暴雨灾害预测结果，Ω表示整条输电线路，Ω_i表示第i个输电线路区段，

表示第i个输电线路区段Ω_i原始样本集；

表示第i段输电线路区段Ω_i的暴雨灾害分类器；

表示

第t次训练迭代生成的新的样本集合，其中，t＝1,2,...,T，T为弱分类器个数，即训练次数；

表示根据

训练生成的弱分类器；μ_t表示弱分类器

的权重系数；x_i表示输电线路区段Ω_i暴雨灾害预测结果；m arg in(Ω,X)表示整条输电线路的暴雨灾害预警输出结果的置信度；

为输电线路区段Ω_i的权重，i表示输电线路区段的索引号，

S5：根据整条输电线路的暴雨灾害预警输出结果和置信度m arg in(Ω,X)值输出暴雨灾害风险预警等级，所述预警等级包括红色预警、橙色预警、黄色预警和蓝色预警，m argin(Ω,X)>0.8时输出红色预警，0.5<m arg in(Ω,X)≦0.8时输出橙色预警，0.3<m arg in(Ω,X)≦0.5输出黄色预警，m arg in(Ω,X)≦0.3输出蓝色预警。

2.根据权利要求1所述的一种基于Adaboost的输电线路暴雨灾害风险预警方法，其特征在于，所述通过Adaboost集成学习算法生成分类器包括以下步骤：

给定数据样本集：输电线路暴雨灾害事故发生样本类别标签规定为1，未发生暴雨灾

害事故则记为-1；N为训练样本个数；T为弱分类器个数，即训练次数，其中弱分类器分类算法记为

初始化：初始化训练样本的权值分布ω_t(j)＝1/N,j＝1,2,...,N；t＝1,2,...,T；

迭代：重复训练得到最终分类器：

其中，函数

为符号函数，

为弱分类器，μ_t为权重系数。

Images