CN113240180A - 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 - Google Patents

一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 Download PDF

Info

Publication number
CN113240180A
CN113240180A CN202110541168.3A CN202110541168A CN113240180A CN 113240180 A CN113240180 A CN 113240180A CN 202110541168 A CN202110541168 A CN 202110541168A CN 113240180 A CN113240180 A CN 113240180A
Authority
CN
China
Prior art keywords
galloping
transmission line
early warning
power transmission
gear
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.)
Granted
Application number
CN202110541168.3A
Other languages
English (en)
Other versions
CN113240180B (zh
Inventor
刘善峰
郭志民
李哲
王超
梁允
姚德贵
苑司坤
杨磊
李帅
刘莘昱
吕中宾
卢明
王津宇
高阳
崔晶晶
张宇鹏
高超
耿俊成
张小斐
袁少光
毛万登
田杨阳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Henan Jiuyu Enpai Power Technology Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Henan Jiuyu Enpai Power Technology Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd, Henan Jiuyu Enpai Power Technology Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110541168.3A priority Critical patent/CN113240180B/zh
Publication of CN113240180A publication Critical patent/CN113240180A/zh
Priority to US17/747,036 priority patent/US20220383165A1/en
Application granted granted Critical
Publication of CN113240180B publication Critical patent/CN113240180B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • 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
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W2203/00—Real-time site-specific personalized weather information, e.g. nowcasting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Environmental & Geological Engineering (AREA)
  • Economics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Environmental Sciences (AREA)
  • Ecology (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Atmospheric Sciences (AREA)
  • Mathematical Optimization (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • General Business, Economics & Management (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)

Abstract

本申请公开了一种基于Bayes‑Adaboost改进算法的输电线路舞动预警方法，包括：通过训练历史舞动故障训练集，采用Adaboost集成学习方法形成分类器，根据实时预测气象信息与输电线路不同的参数信息，通过分类器得到输电线路舞动预警结果。对于新增加的舞动故障样本，根据Bayes公式，会对模型进行修正，同时在模型中加入了能量累积对舞动的相关影响参数，以温度变化率与湿度变化率来体现，形成了一种基于Bayes‑Adaboost改进方法的舞动预警方法。本发明能够实现对输电线舞动气象特征因素的预报信息和输电线路的结构参数等相关数据的计算处理，并得到所在区域的输电线舞动灾害预警分析结果。

Description

一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法
技术领域
本发明属于输电线舞动预警技术领域，涉及一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法。
背景技术
由于现有输电线舞动的物理模型不够精确，且模型中的部分参量在实际线路上难以通过测量获取，使得利用物理模型进行输电线舞动预警的实用性和准确性较低。
机器学习基于已往的观察来获取较准确的预测，它提供了一种从观测数据出发得到目前尚不能通过原理分析得到的规律，进而利用这些规律预测未来数据的方法。因此，机器学习理论可很好的应用于输电线路舞动预警方法。
发明内容
为解决现有技术中的不足，本申请提供一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法。
为了实现上述目标，本发明采用如下技术方案：
一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，包括以下步骤：
步骤1：将输电线路按照影响输电线舞动激发的内因即导线参数进行分类组合，形成若干种线路组合；
步骤2：对输电线历史舞动气象特征因素进行影响输电线舞动激发外因的统计归类，得到输电线舞动气象特征因素；
步骤3：获取各种线路组合的历史舞动气象特征因素数据集；
步骤4：根据预测线路的导线参数，获取该种线路的历史舞动气象特征因素数据集；
步骤5：采用步骤4数据集，以Adaboost集成学习算法形成强分类学习器；
步骤6：获取输电线舞动气象特征因素的实时气象预报数据x；
步骤7：根据步骤6实时气象预报数据x，通过步骤5强分类学习器得到输电线舞动预警模型输出，包括强分类学习器预测结果y和置信度margin(x,y)；
步骤8：根据步骤7预警模型输出结果，判定得到输电线舞动风险预警等级；
步骤9：对于新增加的舞动故障样本，根据温度与湿度的变化率对舞动预警模型进行修正，根据Bayes对舞动预警模型输出进行优化，重新进行舞动概率预测；
步骤10：根据高空气象条件和步骤9的预测概率，得到最终输电线路的舞动预警概率与预警等级。
本发明进一步包括以下优选方案：
优选地，选取三种导线参数，分别为导线结构、导线截面积和档距；
其中导线结构分为单导线和分裂导线；
导线面积分为三档，不超过第一设定面积为第一导线面积档位，大于第一导线设定面积且不超过第二设定面积为第二导线面积档位，大于第二设定面积为第三导线档位；
档距分为三档，不超过第一设定档距为第一档距档位，大于第一导线设定档距且不超过第二设定档距为第二档距档位，大于第二设定档距为第三导线档位。
优选地，步骤2中，对输电线历史舞动气象特征因素进行统计归类，得到输电线舞动气象特征因素，包括：风速、风向对导线轴线夹角、温度和相对湿度，所述风速是指导线高度处的风速。
优选地，步骤5所述以Adaboost集成学习算法形成强分类学习器，具体如下：
步骤5.1：输入输电线舞动训练样本集X＝{(x1,y1),(x2,y2),…,(xN,yN)}；
其中，xi为第i个输电线舞动样本的气象特征因素向量，i＝1,2,…,N，N为训练样本数；
yi＝{-1,1}表示第i个样本的类别标号：-1表示输电线未发生舞动，1表示输电线发生舞动；
步骤5.2：初始化样本权值分布w1(i)＝1/N，i＝1,2,…,N；
步骤5.3：记T为训练次数，即弱分类器个数，当t＝1,2,…,T时：
步骤5.3.1：根据第t次的样本权值分布wt(i)从原始样本集X中进行有放回的抽样，生成新的样本集合Xt；
步骤5.3.2：在Xt上训练弱分类器Ct(X)，并用Ct(X)对原始样本集X进行分类；
步骤5.3.3：计算弱分类器Ct(X)的分类错误率；
Figure BDA0003071607200000031
式(2)中，当Ct(xi)≠yi时，I(·)为1，其余则为0；
步骤5.3.4：计算弱分类器Ct(X)的系数；
Figure BDA0003071607200000032
步骤5.3.5：更新权值分布；
Figure BDA0003071607200000033
式(4)中，
Figure BDA0003071607200000034
是归一化因子，使得
Figure BDA0003071607200000035
步骤5.4：输出最终分类器，即强分类学习器：
Figure BDA0003071607200000036
式(5)中，函数sgn(·)为符号函数，其具体数学表达式为：
Figure BDA0003071607200000037
优选地，步骤5所述弱分类器选择常用的单层决策树，并采用Gini不纯度指标来评估分割规则的优劣程度，对于包含c个类别的数据集S，其定义如下：
Figure BDA0003071607200000038
式中，pj表示集合S中类别j的样本所占的比例；
若分割规则rule将S划分为S1和S2两个子集，则该规则的Gini评估值记为：
Figure BDA0003071607200000039
式中，n1为子集S1的样本个数，n2为子集S2的样本个数，n为集合S的样本个数。
优选地，对于一个数值型属性，基于Gini指数的二分类决策桩分割思想是：在遍历所有可能的分割方法后，选择使评估值Gini(S,rule)达到最小的作为此节点处的最优划分规则，具体为：
1)对数值型属性的样本值进行排序，假设排序后的结果是(x1,y1)，(x2,y2)，…，(xn,yn)；yi(i＝1,2,…,n)为类别标号；
2)由于分割只发生在两个数据点间，所以通常取中点(xi+xi+1)/2作为分割点，然后从小到大依次取不同的分割点，并按式(7)和式(8)计算各分割规则的Gini值。
3)取使Gini值最小的点作为最佳分割点，并以该分割点为阈值构造决策桩。
优选地，步骤7中，输电线舞动预警模型输出包含分类器预测结果y和置信度margin(x,y)，具体为：
Figure BDA0003071607200000041
Figure BDA0003071607200000042
式中，x为输电线舞动气象特征因素的实时气象预报数据；
y∈{-1,+1}，为分类器预测结果：1为预测输电线将发生舞动，-1为预测输电线将不发生舞动；
margin∈[-1,+1]，较大的正边界表示预测该线路发生舞动的可信度高，较大的负边界表示预测该线路不发生舞动的可信度高，较小的边界，即离0较近则表示预测结果的可信度较低。
优选地，步骤9中，根据温度与湿度的变化率对舞动预警模型进行修正，根据Bayes对舞动预警模型输出，重新进行舞动概率预测，具体的：
当前温度下，输电线路是否发生舞动的概率，即为当前气象相关特征参数下，舞动发生的条件概率，公式如下：
P(s|X)＝margin(x,y)＝C·ΠP(xi·ROTCi·HOTCi|s)
＝C·Π(P(xi|s))·P(ROTCi|s)·P(HOTCi|s) (15)
s为输电线路状态，即是否舞动；
X为当前的气象条件相关的特征参数；
P(ROTCi|s)为当前气象条件下发生舞动历史发生舞动故障的温度变化率；
P(HOTCi|s)为当前气象条件下发生舞动历史发生舞动故障的湿度变化率；
C为目前为止，舞动发生的总概率；
弱分类器Ct(X)为：
Figure BDA0003071607200000051
P(xi|s)为单特征参数xi的权重；
Countxi为第i个特征参数条件下，发生舞动的个数，Counts为所有舞动发生的个数；
对于新增加的舞动故障样本，每次舞动事件发生过后，单特征参数权重动态更新，更新公式(17)为：
Figure BDA0003071607200000052
最终将公式(18)代入公式(15)替换单一弱分类器Ct(X)的结果即得到最终舞动概率。
优选地，所述气象条件相关的特征参数包括：最高温度、最低温度、平均温度、前24小时温度变化率、湿度、前24小时湿度变化率、最大风速、最小风速、平均风速、线路风向夹角、线径、输电导线分裂数。
优选地，步骤10中，按照步骤9的预测概率进行预警等级划分，并引入高空气象信息即：冻雨预测结果，若舞动预测区域有冻雨，增加一级预警等级；若无冻雨则预警等级保持不变，输出最终输电线路的舞动预警概率与预警等级。
本申请所达到的有益效果：
本发明通过训练历史舞动故障训练集，采用Adaboost集成学习方法形成分类器，根据实时预测气象信息与输电线路不同的参数信息，通过分类器得到输电线路舞动预警结果。此时模型固定，新发生的舞动故障样本，不能对本模型进行修正；同时没有考虑气象信息的能量累积信息，比如气温的持续下降、覆冰的持续增长等过程。
本发明在此基础上，对于新增加的舞动故障样本，根据Bayes公式，对模型进行修正，同时在模型中加入了能量累积对舞动的相关影响参数，以温度变化率与湿度变化率来体现，进一步形成了一种基于Bayes-Adaboost改进方法的舞动预警方法。所述的Bayes为贝叶斯公式，它的根本为条件概率；Adaboost算法为集成学习算法中的自适应增强(Adaptiveboosting，简称Adaboost)算法，其基本思想是利用大量的分类能力一般的弱分类器，通过一定方法叠加、集合起来，构成一个分类能力更强的最终分类器(强分类器)。
本发明能够实现对输电线舞动气象特征因素的预报信息和输电线路的结构参数等相关数据的计算处理，并得到所在区域的输电线舞动灾害预警分析结果。
附图说明
图1是本发明一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法流程图；
图2是基于Gini指数的二分类决策桩分割流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，包括以下步骤：
步骤1：将输电线路按照影响输电线舞动激发的内因即导线参数进行分类组合，形成若干种线路组合；
本领域技术人员可以任意选择导线参数的种类数量对输电线路进行分型组合，一个优选但非限制性的实施方式为，选取三种导线参数，分别为导线结构、导线截面积和档距。
其中导线结构分为单导线和分裂导线；
导线面积可以划分为多个档位，例如但不限于，分为三档，不超过第一设定面积为第一导线面积档位，大于第一导线设定面积且不超过第二设定面积为第二导线面积档位，大于第二设定面积为第三导线档位；
相类似地，档距可以划分为多个档位，例如但不限于，分为三档，不超过第一设定档距为第一档距档位，大于第一导线设定档距且不超过第二设定档距为第二档距档位，大于第二设定档距为第三导线档位。
在导线结构分为两种，导线面积和档距各分为三档的情况下，输电线路的分型总数为2×3×3＝18种，例如“分裂导线-第二导线档位-第一档距档位”为其中的一种分型。
值得注意的是，所属领域的技术人员可以选取更多或者更少导线参数，在上述三种以内或者以外的导线参数，在每种导线参数内设置更多或者更少的档位，选择不同的档位划分边界值。在满足单个输电线路分型可用于训练的数据量足够多的情况下，分型越多对于预警约为有利。
具体实施时，将影响输电线舞动激发的内因(输电线舞动内因是指影响输电线舞动激发的内部因素)——线路结构与参数按表1所示进行分类，得到共计18种组合，例如：单导线、小截面、小档距线路为一种组合。
表1导线舞动内因分类统计表
Figure BDA0003071607200000071
步骤2：对输电线历史舞动气象特征因素进行影响输电线舞动激发外因的统计归类，得到输电线舞动气象特征因素；
输电线舞动气象特征因素是指影响输电线舞动激发的外界气象因素，对输电线历史舞动气象特征因素信息这个外因进行统计归类，得到输电线舞动气象特征因素包括：风速、风向对导线轴线夹角、温度和相对湿度。
值得注意的是，由于高度的变化会对风速有影响，而气象站观测得到的风速以及气象预报风速一般是默认为离地10m高的风速，因此应按下式统一折算至导线高度处的风速vl。
Figure BDA0003071607200000072
式中，vq为离地10m高处风速，H为导线高度(m)；μ为地面粗糙度指数，按照海上、乡村、城市和大城市中心4类的地面粗糙度指数分别为0.12、0.15、0.22和0.30。
步骤3：获取各种线路组合的历史舞动气象特征因素数据集；
步骤4：根据预测线路的导线参数，获取该种线路的历史舞动气象特征因素数据集；
步骤5：采用步骤4数据集，以Adaboost集成学习算法形成强分类学习器；
步骤6：获取输电线舞动气象特征因素的实时气象预报数据x，包括风速、温度、相对湿度、根据导线轴向(线路走向)得到的风向对导线轴向夹角；
步骤7：根据步骤6实时气象预报数据x，通过步骤5强分类学习器得到输电线舞动预警模型输出，包括强分类学习器预测结果y和置信度margin(x,y)；
步骤3-7即为：根据被测的输电线路的实际情况，选择上述18种组合中对应的一种，以步骤3中所述的输电线历史舞动事故下的气象特征因素信息记录构成输电线舞动训练样本集，以下述的Adaboost集成学习算法形成强分类学习器，并根据气象部门提供的气象特征因素的预报数据进行输电线舞动预警。
步骤5所述以Adaboost集成学习算法形成强分类学习器，具体如下：
步骤5.1：输入输电线舞动训练样本集X＝{(x1,y1),(x2,y2),…,(xN,yN)}；
其中，xi为第i个输电线舞动样本的气象特征因素向量，i＝1,2,…,N，N为训练样本数；
yi＝{-1,1}表示第i个样本的类别标号：-1表示输电线未发生舞动，1表示输电线发生舞动；
弱分类器分类算法采用现有方法单层决策树，也可采用支持向量机等能够实现的现有方法。
步骤5.2：初始化样本权值分布w1(i)＝1/N，i＝1,2,…,N；
步骤5.3：记T为训练次数，即弱分类器个数，当t＝1,2,…,T时：
步骤5.3.1：根据第t次的样本权值分布wt(i)从原始样本集X中进行有放回的抽样，生成新的样本集合Xt；
步骤5.3.2：在Xt上训练弱分类器Ct(X)，并用Ct(X)对原始样本集X进行分类；
步骤5.3.3：计算弱分类器Ct(X)的分类错误率；
Figure BDA0003071607200000091
式(2)中，当Ct(xi)≠yi时，I(·)为1，其余则为0；
步骤5.3.4：计算弱分类器Ct(X)的系数；
Figure BDA0003071607200000092
步骤5.3.5：更新权值分布；
Figure BDA0003071607200000093
式(4)中，
Figure BDA0003071607200000094
是归一化因子，使得
Figure BDA0003071607200000095
步骤5.4：输出最终分类器，即强分类学习器：
Figure BDA0003071607200000096
式(5)中，函数sgn(·)为符号函数，其具体数学表达式为：
Figure BDA0003071607200000097
进一步，步骤5所述弱分类器选择常用的单层决策树，该决策树仅基于单个输入特征并采用阈值划分方法来做决策，即只有一个节点，且由于这棵树只有一次分裂过程，与树桩形似，因此它也被称作决策桩。决策桩构造的最关键问题是如何判断阈值划分结果的好坏，以便选择最佳分割点。
本实施例采用Gini不纯度指标来评估分割规则的优劣程度，对于包含c个类别的数据集S，其定义如下：
Figure BDA0003071607200000098
式中，pj表示集合S中类别j的样本所占的比例；
若分割规则rule将S划分为S1和S2两个子集，则该规则的Gini评估值记为：
Figure BDA0003071607200000101
式中，n1为子集S1的样本个数，n2为子集S2的样本个数，n为集合S的样本个数。
对于一个数值型属性，基于Gini指数的二分类决策桩分割思想是：在遍历所有可能的分割方法后，选择使评估值Gini(S,rule)达到最小的作为此节点处的最优划分规则。其流程如图2所示，描述为：
1)对数值型属性的样本值进行排序，假设排序后的结果是(x1,y1)，(x2,y2)，…，(xn,yn)；yi(i＝1,2,…,n)为类别标号；
2)由于分割只发生在两个数据点间，所以通常取中点(xi+xi+1)/2作为分割点，然后从小到大依次取不同的分割点，并按式(7)和式(8)计算各分割规则的Gini值。
3)取使Gini值最小的点作为最佳分割点，并以该分割点为阈值构造决策桩。
更进一步，步骤7所述的输电线舞动预警模型输出包含分类器预测结果y和置信度margin(x,y)：
Figure BDA0003071607200000102
Figure BDA0003071607200000103
式中，x为输电线舞动气象特征因素实时气象预报数据；
y∈{-1,+1}，为分类器预测结果：1为预测输电线将发生舞动，-1为预测输电线将不发生舞动；
margin∈[-1,+1]，较大的正边界(即离1较近)表示预测该线路发生舞动的可信度高，较大的负边界(即离-1较近)表示预测该线路不发生舞动的可信度高，较小的边界(即离0较近)则表示预测结果的可信度较低。
步骤8：根据步骤7预警模型输出结果，判定得到输电线舞动风险预警等级；
具体实施时，可根据margin值，按表3所示判定输电线舞动的风险预警等级。
表2输电线舞动的风险预警等级
Figure BDA0003071607200000111
步骤9：对于新增加的舞动故障样本，为了实现舞动预警模型的自学习，同时考虑能量累积对舞动的影响，加入时间累积与空间维度信息即温度与湿度的变化率对模型进行修正，根据Bayes对上述方法公式(9)和(10)进行优化，重新进行舞动概率预测。
求当前温度下，输电线路是否发生舞动的概率，即为求当前气象相关特征参数下，舞动发生的条件概率。
根据贝叶斯公式：
Figure BDA0003071607200000112
其中，s为输电线路状态，即是否舞动；
X为当前的气象条件等相关的特征参数；
P(s)为到目前为止，舞动发生的总概率，为一定值C；
P(X)为当天发生该气象条件的概率，在公式中值为1。
2)上式可以简化为：
Figure BDA0003071607200000113
因为C为定值，即最终结果为求舞动发生的情况下，发生当前气象条件的概率。
实验中，选取的特征参数为：最高温度、最低温度、平均温度、前24小时温度变化率、湿度、前24小时湿度变化率、最大风速、最小风速、平均风速、线路风向夹角、线径、输电导线分裂数。
考虑到C为定值，概率公式可以为以下形式：
P(s|X)＝p(X|s).C＝C.P(x1x2...xn|s) (13)
考虑到温度、湿度、风速等相关特征参数独立分布的特性，公式(11)可以写为以下形式：
P(s|X)＝C.P(x1x2...xn|s)＝C.∏P(xi|s) (14)
其中P(s|X)＝margin(x,y)
同时考虑能量累积对舞动的影响，加入时间累积与空间维度信息即温度与湿度的变化率对模型对进行修正，公式(14)修改为：
P(s|X)＝margin(x,y)＝C·ΠP(xi·ROTCi·HOTCi|s)
＝C·Π(P(xi|s))·P(ROTCi|s)·P(HOTCi|s) (15)
P(ROTCi|s)为当前气象条件下发生舞动历史发生舞动故障的温度变化率；
P(HOTCi|s)为当前气象条件下发生舞动历史发生舞动故障的湿度变化率；
单特征参数权重的等效计算方法：
Figure BDA0003071607200000121
其中，Countxi为第i个特征参数条件下，发生舞动的个数，Counts为所有舞动发生的个数。
根据公式(5)中，
Figure BDA0003071607200000122
与P(s|X)＝margin(x,y)
得到，
Figure BDA0003071607200000123
对于新增加的舞动故障样本，每次舞动事件发生过后，该特征参数权重会动态更新，更新公式为：
Figure BDA0003071607200000124
最终将公式(18)代入公式(15)替换单一弱分类器Ct(X)的结果即得到最终舞动概率。
由于输电线路舞动是小概率事件，在进行舞动预警的过程中，将上述公式(15)中最大概率结合概率权重调整至接近100％。
具体实施时，根据气象局的实际预测数据，舞动概率预测采用的特征参数为：平均温度、湿度、平均风速、线径、分裂数、线路风速夹角、温度变化率、湿度变化率。
步骤10：将舞动概率如表3进行预警等级划分，并引入高空气象信息即：冻雨预测结果，若舞动预测区域有冻雨，增加一级预警等级；若无冻雨则预警等级保持不变，得到最终输电线路的舞动预警概率与预警等级。
表3输电线舞动预警等级表
条件 预警等级
0.7<P I级
0.5<P<＝0.7 II级
0.3<P<＝0.5 III级
本发明通过Bayes实现自学习，并通过Adaboost集成学习方法实现了线路段的概率预警，预测尺度更小，更精确。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
所述方法包括以下步骤：
步骤1：将输电线路按照影响输电线舞动激发的内因即导线参数进行分类组合，形成若干种线路组合；
步骤2：对输电线历史舞动气象特征因素进行影响输电线舞动激发外因的统计归类，得到输电线舞动气象特征因素；
步骤3：获取各种线路组合的历史舞动气象特征因素数据集；
步骤4：根据预测线路的导线参数，获取该种线路的历史舞动气象特征因素数据集；
步骤5：采用步骤4数据集，以Adaboost集成学习算法形成强分类学习器；
步骤6：获取输电线舞动气象特征因素的实时气象预报数据x；
步骤7：根据步骤6实时气象预报数据x，通过步骤5强分类学习器得到输电线舞动预警模型输出，包括强分类学习器预测结果y和置信度margin(x,y)；
步骤8：根据步骤7预警模型输出结果，判定得到输电线舞动风险预警等级；
步骤9：对于新增加的舞动故障样本，根据温度与湿度的变化率对舞动预警模型对进行修正，根据Bayes对舞动预警模型输出进行优化，重新进行舞动概率预测；
步骤10：根据高空气象条件和步骤9的预测概率，得到最终输电线路的舞动预警概率与预警等级。
2.根据权利要求1所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
步骤1中，选取三种导线参数，分别为导线结构、导线截面积和档距；
其中导线结构分为单导线和分裂导线；
导线面积分为三档，不超过第一设定面积为第一导线面积档位，大于第一导线设定面积且不超过第二设定面积为第二导线面积档位，大于第二设定面积为第三导线档位；
档距分为三档，不超过第一设定档距为第一档距档位，大于第一导线设定档距且不超过第二设定档距为第二档距档位，大于第二设定档距为第三导线档位。
3.根据权利要求1所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
步骤2中，对输电线历史舞动气象特征因素进行统计归类，得到输电线舞动气象特征因素，包括：风速、风向对导线轴线夹角、温度和相对湿度，所述风速是指导线高度处的风速。
4.根据权利要求1所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
步骤5所述以Adaboost集成学习算法形成强分类学习器，具体如下：
步骤5.1：输入输电线舞动训练样本集X＝{(x1,y1),(x2,y2),…,(xN,yN)}；
其中，xi为第i个输电线舞动样本的气象特征因素向量，i＝1,2,…,N，N为训练样本数；
yi＝{-1,1}表示第i个样本的类别标号：-1表示输电线未发生舞动，1表示输电线发生舞动；
步骤5.2：初始化样本权值分布w1(i)＝1/N，i＝1,2,…,N；
步骤5.3：记T为训练次数，即弱分类器个数，当t＝1,2,…,T时：
步骤5.3.1：根据第t次的样本权值分布wt(i)从原始样本集X中进行有放回的抽样，生成新的样本集合Xt；
步骤5.3.2：在Xt上训练弱分类器Ct(X)，并用Ct(X)对原始样本集X进行分类；
步骤5.3.3：计算弱分类器Ct(X)的分类错误率；
Figure FDA0003071607190000021
式(2)中，当Ct(xi)≠yi时，I(·)为1，其余则为0；
步骤5.3.4：计算弱分类器Ct(X)的系数；
Figure FDA0003071607190000022
步骤5.3.5：更新权值分布；
Figure FDA0003071607190000031
式(4)中，
Figure FDA0003071607190000032
是归一化因子，使得
Figure FDA0003071607190000033
步骤5.4：输出最终分类器，即强分类学习器：
Figure FDA0003071607190000034
式(5)中，函数sgn(·)为符号函数，其具体数学表达式为：
Figure FDA0003071607190000035
5.根据权利要求4所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
步骤5所述弱分类器选择常用的单层决策树，并采用Gini不纯度指标来评估分割规则的优劣程度，对于包含c个类别的数据集S，其定义如下：
Figure FDA0003071607190000036
式中，pj表示集合S中类别j的样本所占的比例；
若分割规则rule将S划分为S1和S2两个子集，则该规则的Gini评估值记为：
Figure FDA0003071607190000037
式中，n1为子集S1的样本个数，n2为子集S2的样本个数，n为集合S的样本个数。
6.根据权利要求5所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
对于一个数值型属性，基于Gini指数的二分类决策桩分割思想是：在遍历所有可能的分割方法后，选择使评估值Gini(S,rule)达到最小的作为此节点处的最优划分规则，具体为：
对数值型属性的样本值进行排序，假设排序后的结果是(x1,y1)，(x2,y2)，…，(xn,yn)；yi(i＝1,2,…,n)为类别标号；
取中点(xi+xi+1)/2作为分割点，然后从小到大依次取不同的分割点，并按式(7)和式(8)计算各分割规则的Gini值；
取使Gini值最小的点作为最佳分割点，并以该分割点为阈值构造决策桩。
7.根据权利要求4所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
步骤7中，输电线舞动预警模型输出包含分类器预测结果y和置信度margin(x,y)，具体为：
Figure FDA0003071607190000041
Figure FDA0003071607190000042
式中，x为输电线舞动气象特征因素的实时气象预报数据；
y∈{-1,+1}，为分类器预测结果：1为预测输电线将发生舞动，-1为预测输电线将不发生舞动；
margin∈[-1,+1]，较大的正边界表示预测该线路发生舞动的可信度高，较大的负边界表示预测该线路不发生舞动的可信度高，较小的边界，即离0较近则表示预测结果的可信度较低。
8.根据权利要求1所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
步骤9中，根据温度与湿度的变化率对舞动预警模型进行修正，根据Bayes对舞动预警模型输出，重新进行舞动概率预测，具体的：
当前温度下，输电线路是否发生舞动的概率，即为当前气象相关特征参数下，舞动发生的条件概率，公式如下：
Figure FDA0003071607190000043
s为输电线路状态，即是否舞动；
X为当前的气象条件相关的特征参数；
P(ROTCi|s)为当前气象条件下发生舞动历史发生舞动故障的温度变化率；
P(HOTCi|s)为当前气象条件下发生舞动历史发生舞动故障的湿度变化率；
C为目前为止，舞动发生的总概率；
弱分类器Ct(X)为：
Figure FDA0003071607190000051
P(xi|s)为单特征参数xi的权重；
Countxi为第i个特征参数条件下，发生舞动的个数，Counts为所有舞动发生的个数；
对于新增加的舞动故障样本，每次舞动事件发生过后，单特征参数权重动态更新，更新公式(17)为：
Figure FDA0003071607190000052
最终将公式(18)代入公式(15)替换单一弱分类器Ct(X)的结果即得到最终舞动概率。
9.根据权利要求8所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
所述气象条件相关的特征参数包括：最高温度、最低温度、平均温度、前24小时温度变化率、湿度、前24小时湿度变化率、最大风速、最小风速、平均风速、线路风向夹角、线径、输电导线分裂数。
10.根据权利要求1所述的一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法，其特征在于：
步骤10中，按照步骤9的预测概率进行预警等级划分，并引入高空气象信息即：冻雨预测结果，若舞动预测区域有冻雨，增加一级预警等级；若无冻雨则预警等级保持不变，输出最终输电线路的舞动预警概率与预警等级。
CN202110541168.3A 2021-05-18 2021-05-18 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 Active CN113240180B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110541168.3A CN113240180B (zh) 2021-05-18 2021-05-18 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法
US17/747,036 US20220383165A1 (en) 2021-05-18 2022-05-18 Method for Early Warning Brandish of Transmission Wire Based on Improved Bayes-Adaboost Algorithm

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110541168.3A CN113240180B (zh) 2021-05-18 2021-05-18 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法

Publications (2)

Publication Number Publication Date
CN113240180A true CN113240180A (zh) 2021-08-10
CN113240180B CN113240180B (zh) 2022-08-05

Family

ID=77135097

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110541168.3A Active CN113240180B (zh) 2021-05-18 2021-05-18 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法

Country Status (2)

Country Link
US (1) US20220383165A1 (zh)
CN (1) CN113240180B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116337154B (zh) * 2023-03-27 2024-04-19 成都铁路科创有限责任公司 一种接触网健康状态监测方法及系统
CN117313537B (zh) * 2023-09-28 2024-03-08 国网吉林省电力有限公司松原供电公司 数据驱动的覆冰预测方法及系统
CN117131783B (zh) * 2023-10-20 2024-01-02 合肥工业大学 基于多模态学习的输电线路风险预测模型、方法和系统
CN117391459B (zh) * 2023-12-13 2024-03-05 国网山西省电力公司太原供电公司 基于深度学习的电力运行风险预警方法及系统
CN117471227B (zh) * 2023-12-27 2024-03-15 深圳信测标准技术服务股份有限公司 汽车线束参数性能测试方法及测试系统
CN117743805B (zh) * 2024-02-19 2024-04-30 浙江浙能技术研究院有限公司 基于健康度评估反馈的发电机励磁系统分层级判别方法

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070226160A1 (en) * 2006-03-22 2007-09-27 Sony Corporation Method and system for transitioning from a case-based classifier system to a rule-based classifier system
CN102956023A (zh) * 2012-08-30 2013-03-06 南京信息工程大学 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
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
CN104268381A (zh) * 2014-09-16 2015-01-07 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
CN104504525A (zh) * 2014-12-26 2015-04-08 国家电网公司 通过大数据挖掘技术实现电网设备故障预警的方法
KR20150084234A (ko) * 2014-01-13 2015-07-22 한화테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
US20170156592A1 (en) * 2015-12-02 2017-06-08 Mediatek Inc. Healthcare systems and monitoring method for physiological signals
CN107403189A (zh) * 2017-06-30 2017-11-28 南京理工大学 一种基于朴素贝叶斯分类器的风偏闪络预警方法
CN107463950A (zh) * 2017-07-18 2017-12-12 西南交通大学 一种基于外部气象环境影响的接触网故障预测方法
JP6559850B1 (ja) * 2018-07-27 2019-08-14 Ｋａｒｙｄｏ ＴｈｅｒａｐｅｕｔｉＸ株式会社 ヒトにおける被験物質の作用を予測するための人工知能モデル

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20070226160A1 (en) * 2006-03-22 2007-09-27 Sony Corporation Method and system for transitioning from a case-based classifier system to a rule-based classifier system
CN102956023A (zh) * 2012-08-30 2013-03-06 南京信息工程大学 一种基于贝叶斯分类的传统气象数据与感知数据融合的方法
KR20150084234A (ko) * 2014-01-13 2015-07-22 한화테크윈 주식회사 차량 및 차선 위치 검출 시스템 및 방법
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
CN104268381A (zh) * 2014-09-16 2015-01-07 哈尔滨工业大学 一种基于AdaBoost算法的卫星故障诊断方法
CN104504525A (zh) * 2014-12-26 2015-04-08 国家电网公司 通过大数据挖掘技术实现电网设备故障预警的方法
US20170156592A1 (en) * 2015-12-02 2017-06-08 Mediatek Inc. Healthcare systems and monitoring method for physiological signals
CN107403189A (zh) * 2017-06-30 2017-11-28 南京理工大学 一种基于朴素贝叶斯分类器的风偏闪络预警方法
CN107463950A (zh) * 2017-07-18 2017-12-12 西南交通大学 一种基于外部气象环境影响的接触网故障预测方法
JP6559850B1 (ja) * 2018-07-27 2019-08-14 Ｋａｒｙｄｏ ＴｈｅｒａｐｅｕｔｉＸ株式会社 ヒトにおける被験物質の作用を予測するための人工知能モデル

Also Published As

Publication number Publication date
CN113240180B (zh) 2022-08-05
US20220383165A1 (en) 2022-12-01

Similar Documents

Publication Publication Date Title
CN113240180B (zh) 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法
CN108564192B (zh) 一种基于气象因子权重相似日的短期光伏功率预测方法
CN107256245B (zh) 面向垃圾短信分类的离线模型改进与选择方法
CN110503245B (zh) 一种机场航班大面积延误风险的预测方法
CN111815037A (zh) 一种基于注意力机制的可解释性短临极端降雨预测方法
CN111105104A (zh) 一种基于相似日和rbf神经网络的短期电力负荷预测方法
CN113221441B (zh) 一种电厂设备健康评估的方法及装置
CN112015863A (zh) 一种基于图神经网络的多元特征融合中文文本分类方法
CN111583031A (zh) 一种基于集成学习的申请评分卡模型建立方法
CN113095442A (zh) 基于半监督学习在多维度雷达数据下的冰雹识别方法
CN112734154A (zh) 一种基于模糊数相似度的多因素舆情风险评估方法
CN115600729A (zh) 一种考虑多属性网格电网负荷预测方法
CN113536373B (zh) 一种脱敏气象数据的生成方法
CN113344130B (zh) 差异化巡河策略的生成方法及装置
CN110956541A (zh) 一种基于智能融合计算的股票走势分类预测方法
CN114169502A (zh) 一种基于神经网络的降水预测方法、装置和计算机设备
CN113537336A (zh) 基于XGBoost的短临雷雨大风的预测方法
CN113128769A (zh) 基于深度学习的智能航班延误预测方法
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
CN115345245A (zh) 一种基于随机森林和迁移学习的热带气旋快速加强预报方法
CN115630708A (zh) 一种模型更新方法、装置、电子设备、存储介质及产品
CN115392582A (zh) 基于增量模糊粗糙集属性约简的作物产量预测方法
Klepac et al. A case study and parametric analysis of predicting hurricane-induced building damage using data-driven machine learning approach
Haidar et al. A Swarm based Optimization of the XGBoost Parameters.
CN112288571B (zh) 一种基于快速构建邻域覆盖的个人信用风险评估方法

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
GR01 Patent grant
GR01 Patent grant