CN109214604A - 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 - Google Patents
基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 Download PDFInfo
- Publication number
- CN109214604A CN109214604A CN201811298563.8A CN201811298563A CN109214604A CN 109214604 A CN109214604 A CN 109214604A CN 201811298563 A CN201811298563 A CN 201811298563A CN 109214604 A CN109214604 A CN 109214604A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- haze
- transforming equipment
- adaboost
- disaster
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 125
- 230000001131 transforming effect Effects 0.000 title claims abstract description 109
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 3
- 230000005611 electricity Effects 0.000 description 11
- RAHZWNYVWXNFOC-UHFFFAOYSA-N Sulphur dioxide Chemical compound O=S=O RAHZWNYVWXNFOC-UHFFFAOYSA-N 0.000 description 6
- 230000009466 transformation Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N nitrogen oxide Inorganic materials O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000012876 topography Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012417 linear regression Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 239000003595 mist Substances 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000000714 time series forecasting Methods 0.000 description 1
- 238000009736 wetting Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Data Mining & Analysis (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统,该方法包括:针对输变电设备的雾霾灾害影响因子进行分类,并按照分类结果对输变电设备在历史雾霾灾害事故下的气象特征因素进行统计;根据被预测的输变电设备信息,选择与输变电设备的雾霾灾害影响因子的对应类,并以该类中历史雾霾灾害事故条件下的气象特征因素集合成训练样本集,以Adaboost集成学习算法训练得到分类器;将输变电设备在雾霾灾害事故下的气象特征因素中的预报数据作为分类器的输入,通过分类器得到输变电设备的雾霾灾害预警输出结果及其置信度的值。本发明针对输变电设备主动性更强,智能程度更高,应用范围更广。
Description
技术领域
本发明涉及电网防护领域,尤其涉及一种基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统。
背景技术
近年来,中国中东部频繁出现大范围雾霾天气,覆盖面积超140万公里,且274个PM2.5重点监测城市中近半数遭遇严重污染。雾霾主要由二氧化硫、氮氧化物和可吸入颗粒物三项组成,其造成的天气污染逐渐已成为人们关注的焦点,同时使电网运行中的输变电设备常常出现跳闸现象,给电网的安全高效运行提出了新的挑战。据相关资料统计显示,雾霾天气不仅使电网输变电设备外绝缘表面受潮,产生的相对湿度平均在80%左右,而且在雾霾沉降的过程中,容易造成绝缘表面积污秽度增加及其对绝缘子污闪电压产生影响。因雾霾造成的严重污闪事故包括:2008年500kV汊桥5296线、2010年500kV东三一线、2013年500kV东明开关站等污闪跳闸事故。因此,提前预测预警输变电设备雾霾灾害风险,可以有效降低输变电设备污闪跳闸事故发生的概率,大力支撑电网安全稳定运行。
现阶段的雾霾预测研究主要集中在有时间序列预测、多元线性回归预测和神经网络预测。在时间序列预测方面,建立的模型参数来源于特定区域或地点,且随时间变化缓慢,较难确定影响权值大的观测变量;在多元线性回归预测方面,存在最小均方差估计回归参数误差较大问题;在神经网络预测方面,虽然模型能够在自适应、学习和并行处理方面都能够表现出优异的性能,但存在如下不足:1)由于不能充分的体现已完成学习的网络模型中泛化能力,导致在雾霾预测时输入参数的改变不能成功对神经元个数重新分配;2)神经网络被常停留在误差梯度较小区域,容易引起收敛速度慢;3)数据训练过程中容易陷入局部最优;4)网络隐含层中的神经元节点个数选取人为干涉较多,且不可更改,缺少统一完整的自我学习能力。
与此同时,这些研究均未考虑到电网输变电设备本身的属性信息,且不具备较强的合理性,导致输变电设备雾霾灾害的客观性有所降低,这样会导致输变电设备雾霾灾害预测预警时间不及时,从而效果不理想。
发明内容
本发明提供了一种基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统,用以解决现有雾霾预测研究考虑电网输变电设备主动性弱,智能程度不高的的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种基于Adaboost的输变电设备的雾霾灾害风险预测方法,包括以下步骤:
针对输变电设备的雾霾灾害影响因子进行分类,并按照分类结果对输变电设备在历史雾霾灾害事故下的气象特征因素进行统计;
根据被预测的输变电设备信息,选择与输变电设备的雾霾灾害影响因子的对应类,并以该类中历史雾霾灾害事故条件下的气象特征因素集合成训练样本集,以Adaboost集成学习算法训练得到分类器;
将输变电设备在雾霾灾害事故下的气象特征因素中的预报数据作为分类器的输入,通过分类器得到输变电设备的雾霾灾害预警输出结果及其置信度的值。
作为本发明的方法的进一步改进:
优选地,方法还包括以下步骤:
根据的输变电设备的雾霾灾害预测结果的置信度的值,判定得到输变电设备雾霾灾害风险预警等级。
优选地,输变电设备的雾霾灾害影响因子的分类包括:输变电设备基础特征以及地形地貌信息;输变电设备基础特征包括设备类型、设备材料和\或防污秽性能。
优选地,输变电设备在历史雾霾灾害事故下的气象特征因素包括:降雨量、风速、相对湿度、温度、PM10、PM2.5、SO2、NO2、CO和O3中的一种或任意几种的组合。
优选地,训练样本集包括:样本以及样本对应的样本类别标签和训练样本索引号;样本类别标签包括:发生雾霾灾害事故或未发生雾霾灾害事故。
优选地,输变电设备雾霾灾害的最终分类器为:
这里,C(U)为最终分类器;Ct(U)为弱分类器;函数为符号函数;T为弱分类器个数;t为变量,表示抽样编号;U为原训练样本集;
μt为弱分类器Ct(U)的权重系数,且
其中,δt为弱分类器Ct(U)的分类错误率,且:
其中,ωt(j)为第t次的样本权值分布;i为训练样本索引号;xi为
样本类别标签,N为训练样本个数。
优选地,输变电设备雾霾灾害预测结果X的计算公式如下:
优选地,置信度margin(X)的计算公式如下:
其中,margin(X)∈[-1,1]。
本发明还提供一种基于Adaboost的输变电设备的雾霾灾害风险预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述方法的步骤。
本发明具有以下有益效果:
本发明的基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统,通过对输变电设备雾霾灾害风险评估弱分类器进行集成学习,形成输变电设备雾霾灾害风险评估的强学习分类器,能够实现对输变电设备雾霾气象特征的预报信息、输变电设备结构参数等相关数据计算处理,并输出所在区域的输变电设备雾霾灾害预警分析结果,为电网安全稳定运行提供技术支撑。本发明针对输变电设备主动性更强,智能程度更高,应用范围更广,以减少输变电设备雾霾灾害下的污闪跳闸事故发生,提高输变电设备应对雾霾灾害的能力和安全稳定运行水平。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。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基于Adaboost的输变电设备的雾霾灾害风险预测方法的结构示意图。
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。
由于目前建立的输变电设备雾霾灾害物理模型仍不够精确,特别是模型中的部分参数值在实际应用过程中难以通过测量获取输变电设备相关信息,因此利用物理模型进行输变电设备雾霾灾害的准确性和实用性均比较低。机器学习理论通过已往的观察数据获取较准确的预测,提供了一种从观测数据出发得到目前尚不能通过物理原理分析得到的规律,而这些规律则可以预测未来数据,它为输变电设备雾霾灾害的准确预测预警提供了一种更加可行的操作方式。
本实施例中所称的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Adaboost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)。其算法本身是通过改变数据分布来实现的,它根据每次训练集之中每个样本的分类是否正确,以及上次的总体分类的准确率,来确定每个样本的权值。将修改过权值的新数据集送给下层分类器进行训练,最后将每次训练得到的分类器最后融合起来,作为最后的决策分类器。使用adaboost分类器可以排除一些不必要的训练数据特征,并放在关键的训练数据上面。
参见图1,本发明的基于Adaboost的输变电设备的雾霾灾害风险预测方法,包括以下步骤:
S1:针对输变电设备的雾霾灾害影响因子进行分类,并按照分类结果对输变电设备在历史雾霾灾害事故下的气象特征因素进行统计;
S2:根据被预测的输变电设备信息,选择与输变电设备的雾霾灾害影响因子的对应类,并以该类中历史雾霾灾害事故条件下的气象特征因素集合成训练样本集,以Adaboost集成学习算法训练得到分类器;
S3:将输变电设备在雾霾灾害事故下的气象特征因素中的预报数据(从气象部分获取)作为分类器的输入,通过分类器得到输变电设备的雾霾灾害预警输出结果及其置信度的值。
S4:具体实施时,还可根据的输变电设备的雾霾灾害预测结果的置信度的值,判定得到输变电设备雾霾灾害风险预警等级。
上述步骤,基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统,通过对输变电设备雾霾灾害风险评估弱分类器进行集成学习,形成输变电设备雾霾灾害风险评估的强学习分类器,能够实现对输变电设备雾霾气象特征的预报信息、输变电设备结构参数等相关数据计算处理,并输出所在区域的输变电设备雾霾灾害预警分析结果,为电网安全稳定运行提供技术支撑。
实际实施时,以上的方法还能进行以下的扩充或应用,以下实施例中的技术特征都能相互组合,实施例仅作为示例,不作为对技术特征的正常组合限制。
实施例1:
本发明的基于Adaboost的输变电设备的雾霾灾害风险预测方法,包括以下步骤:
S1:针对输变电设备的雾霾灾害影响因子进行分类,并按照分类结果对输变电设备在历史雾霾灾害事故下的气象特征因素进行统计。本实施例中,输变电设备的雾霾灾害影响因子的分类包括:输变电设备基础特征以及地形地貌信息;输变电设备基础特征包括设备类型、设备材料和\或防污秽性能。输变电设备在历史雾霾灾害事故下的气象特征因素包括:降雨量、风速、相对湿度、温度、PM10、PM2.5、SO2、NO2、CO和O3中的一种或任意几种的组合。
S2:根据被预测的输变电设备信息,选择与输变电设备的雾霾灾害影响因子的对应类,并以该类中历史雾霾灾害事故条件下的气象特征因素集合成训练样本集,以Adaboost集成学习算法训练得到分类器。
S3:将输变电设备在雾霾灾害事故下的气象特征因素中的预报数据(从气象部分获取)作为分类器的输入,通过分类器得到输变电设备的雾霾灾害预警输出结果及其置信度的值。具体步骤如下:
S301:输入:训练样本集,具体包括样本类别标签,其中输变电设备雾霾灾害事故发生样本类别标签xi规定为1,未发生雾霾灾害事故xi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Ct。
S302:初始化:样本权值分布ωt(j)=1/N,j=1,2,...,N;t=1,2,...,T;
S303:训练样本进化及弱分类器:
S303A:t表示抽样编号,根据第t次的样本权值分布ωt(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Ut(t=1,2,...,T)。
S303B:根据Ut训练弱分类器Ct(U),并根据此分类器对原始样本集U进行分类。
S303C:计算弱分类器Ct(U)的分类错误率:
上式中,
S303D:计算弱分类器Ct(U)的权重系数
S303E:更新权值分布其中是归一化因子,使得
S304:确定输变电设备雾霾灾害最终分类器:
这里,函数为符号函数。
在针对气象特征要素的预报数据U(原训练样本集),输变电设备雾霾灾害预测结果X以及置信度margin(X)的计算公式如下:
上式中margin(X)∈[-1,1],较大的正边界则表示预测输变电设备雾霾灾害的可信度高,较大的负边界表示预测输变电设备不发生雾霾灾害的可信度高,较小的边界则表示预测结果的可信度较低。
S4:还可根据的输变电设备的雾霾灾害预测结果的置信度的值,判定得到输变电设备雾霾灾害风险预警等级。
考虑到影响输变电设备雾霾灾害致因最重要外界因素为气象重要特征要素、地形地貌特征要素数据等,而当内因相对稳定不变时,电网输变电设备雾霾灾害事故的发生将由外因决定。为了弥补现有电网输变电设备雾霾灾害预警主动性差且精度低等不足,本发明从电网雾霾灾害实际发生状况和运行角度出发,本质上将输变电设备雾霾灾害事故风险预警问题归结为有监督学习下的分类预测问题,通过Adaboost集成学习算法建立强分类器,综合计算处理电网输变电设备数据参数、气象数据以及地形地貌特征要素数据,获取输变电设备雾霾灾害风险等级,最终实现高精度下的输电线路雾霾灾害预测预警。
实施例2:
本实施例是实施例1的方法以2010-2018年30组江苏电网500kV某输电线路样本数据集的应用例。本实施例的步骤与实施例1的相同之处在此不再赘述,以下简要说明二者不同之处:
S1:针对输电线路雾霾灾害的内因进行分析,并按照分类结果对输电线路历史雾霾灾害事故下的气象特征因素进行统计;其中根据12个影响因子(包括雾霾灾害影响因子的2个和气象特征因素10个)的取值分类,共计组合210*23种。
S2:根据被预测的某500kV输电线路,选择与某500kV输电线路雾霾灾害影响因子分类结果中对应的一类,并以该类中历史雾霾灾害事故条件下的气象特征因素信息记录构成训练样本集,以Adaboost集成学习算法训练形成分类器。
S3:再将从气象部门获取描述的某500kV输电线路雾霾灾害气象特征因素的预报数据作为输入,通过分类器得到500kV输电线路雾霾灾害预警输出结果及其置信度的值。本实施例的步骤S3与实施例1基本相同,本实施例的N=20。输电线路雾霾灾害预测结果的计算公式为:算得结果如表1所示。
表1输变电设备雾霾灾害风险预警等级表
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 |
S4:参见表1,根据某500kV输电线路雾霾灾害预测结果的置信度的值,判定得到某500kV输电线路雾霾灾害风险预警等级。
实施例3:
本实施例提供一种基于Adaboost的输变电设备的雾霾灾害风险预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述任一实施例的步骤。
综上可知,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。本发明不仅考虑了影响输变电设备雾霾灾害的内因和外因,而且充分利用电网输变电设备历史雾霾灾害信息,更加符合输变电设备雾霾灾害的实际情况。本发明的方法流程相对详尽,可操作性强,更具有实用性。
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 (9)
1.一种基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,包括以下步骤:
针对输变电设备的雾霾灾害影响因子进行分类,并按照所述分类结果对输变电设备在历史雾霾灾害事故下的气象特征因素进行统计;
根据被预测的输变电设备信息,选择与输变电设备的雾霾灾害影响因子的对应类,并以该类中历史雾霾灾害事故条件下的气象特征因素集合成训练样本集,以Adaboost集成学习算法训练得到分类器;
将输变电设备在雾霾灾害事故下的气象特征因素中的预报数据作为分类器的输入,通过分类器得到输变电设备的雾霾灾害预警输出结果及其置信度的值。
2.根据权利要求1所述的基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,所述方法还包括以下步骤:
根据所述的输变电设备的雾霾灾害预测结果的置信度的值,判定得到输变电设备雾霾灾害风险预警等级。
3.根据权利要求1或2所述的基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,所述输变电设备的雾霾灾害影响因子的分类包括:输变电设备基础特征以及地形地貌信息。
4.根据权利要求3所述的基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,所述输变电设备在历史雾霾灾害事故下的气象特征因素包括:降雨量、风速、相对湿度、温度、PM10、PM2.5、SO2、NO2、CO和O3中的一种或任意几种的组合。
5.根据权利要求4所述的基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,所述训练样本集包括:样本以及样本对应的样本类别标签和训练样本索引号;所述样本类别标签包括:发生雾霾灾害事故或未发生雾霾灾害事故。
6.根据权利要求5所述的基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,所述输变电设备雾霾灾害的最终分类器为:
这里,C(U)为最终分类器;Ct(U)为弱分类器;函数为符号函数,T为弱分类器个数,t表示抽样编号,U为原训练样本集;
μt为弱分类器Ct(U)的权重系数,且
其中,δt为弱分类器Ct(U)的分类错误率,且:
其中,ωt(j)为第t次的样本权值分布;i为训练样本索引号;xi为样本类别标签,N为训练样本个数。
7.根据权利要求6所述的基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,所述输变电设备雾霾灾害预测结果X的计算公式如下:
8.根据权利要求7所述的基于Adaboost的输变电设备的雾霾灾害风险预测方法,其特征在于,所述置信度marg in(X)的计算公式如下:
其中,marg in(X)∈[-1,1]。
9.一种基于Adaboost的输变电设备的雾霾灾害风险预测系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至8任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298563.8A CN109214604A (zh) | 2018-11-02 | 2018-11-02 | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811298563.8A CN109214604A (zh) | 2018-11-02 | 2018-11-02 | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109214604A true CN109214604A (zh) | 2019-01-15 |
Family
ID=64998427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811298563.8A Pending CN109214604A (zh) | 2018-11-02 | 2018-11-02 | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109214604A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978271A (zh) * | 2019-03-29 | 2019-07-05 | 国网湖南省电力有限公司 | 一种基于雾霾预测的火电厂开机策略优化方法及系统 |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
CN111275298A (zh) * | 2020-01-15 | 2020-06-12 | 杭州华网信息技术有限公司 | 一种基于电网的地质灾害风险预警方法 |
CN112232592A (zh) * | 2020-11-03 | 2021-01-15 | 国网湖南省电力有限公司 | 基于Adaboost的输电线路山火灾害风险预警方法 |
CN112541636A (zh) * | 2020-12-17 | 2021-03-23 | 国网湖南省电力有限公司 | 输电线路覆冰风险预警方法、装置、介质和电子设备 |
CN117114428A (zh) * | 2023-10-25 | 2023-11-24 | 国网山西省电力公司电力科学研究院 | 一种电力设备气象灾害分析预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN106021666A (zh) * | 2016-05-10 | 2016-10-12 | 四川大学 | 一种架空输电线路的山火灾害预警方法 |
-
2018
- 2018-11-02 CN CN201811298563.8A patent/CN109214604A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN106021666A (zh) * | 2016-05-10 | 2016-10-12 | 四川大学 | 一种架空输电线路的山火灾害预警方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109978271A (zh) * | 2019-03-29 | 2019-07-05 | 国网湖南省电力有限公司 | 一种基于雾霾预测的火电厂开机策略优化方法及系统 |
CN111144637A (zh) * | 2019-12-24 | 2020-05-12 | 贵州电网有限责任公司 | 基于机器学习的区域电网地质灾害预报模型构建方法 |
CN111275298A (zh) * | 2020-01-15 | 2020-06-12 | 杭州华网信息技术有限公司 | 一种基于电网的地质灾害风险预警方法 |
CN111275298B (zh) * | 2020-01-15 | 2023-11-28 | 国网浙江省电力有限公司杭州供电公司 | 一种基于电网的地质灾害风险预警方法 |
CN112232592A (zh) * | 2020-11-03 | 2021-01-15 | 国网湖南省电力有限公司 | 基于Adaboost的输电线路山火灾害风险预警方法 |
CN112541636A (zh) * | 2020-12-17 | 2021-03-23 | 国网湖南省电力有限公司 | 输电线路覆冰风险预警方法、装置、介质和电子设备 |
CN117114428A (zh) * | 2023-10-25 | 2023-11-24 | 国网山西省电力公司电力科学研究院 | 一种电力设备气象灾害分析预警方法 |
CN117114428B (zh) * | 2023-10-25 | 2024-01-30 | 国网山西省电力公司电力科学研究院 | 一种电力设备气象灾害分析预警方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214604A (zh) | 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统 | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
CN108280553B (zh) | 基于gis-神经网络集成的山洪灾害风险区划及预测方法 | |
CN107482626B (zh) | 一种区域电网关键节点识别方法 | |
CN106850254B (zh) | 一种电力通信网中关键节点识别方法 | |
CN103476051B (zh) | 一种通信网节点重要性评价方法 | |
WO2017032210A1 (zh) | 一种基于聚类分析的输电线路山火风险区域划分方法 | |
CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
CN109784778A (zh) | 一种基于综合赋权的电网规划模糊综合评价方法 | |
CN108364187A (zh) | 一种基于停电敏感特性的停电敏感用户确定方法和系统 | |
CN110782130A (zh) | 一种基于多属性决策的区域电压质量综合评估方法 | |
CN111159396B (zh) | 面向数据共享交换的文本数据分类分级模型的建立方法 | |
Hou et al. | Review of failure risk and outage prediction in power system under wind hazards✰ | |
CN112700121A (zh) | 一种基于随机森林的配网故障风险等级预测方法 | |
CN105912857A (zh) | 一种配电设备状态监测传感器的选配方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN112541636A (zh) | 输电线路覆冰风险预警方法、装置、介质和电子设备 | |
CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
CN112434887B (zh) | 一种结合网络核密度估计和svm的供水管网风险预测方法 | |
CN104298706A (zh) | 一种基于数据挖掘的输电杆塔塔材实际强度计算方法 | |
CN111427101B (zh) | 一种雷雨大风分级预警方法、系统、存储介质 | |
CN116663393A (zh) | 一种基于随机森林的配电网持续高温下故障风险等级预测方法 | |
CN108509537B (zh) | 一种输电线路舞动概率预报系统及方法 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN107977727B (zh) | 一种基于社会发展和气候因素预测光缆网阻断概率的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190115 |
|
RJ01 | Rejection of invention patent application after publication |