CN116663393A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN116663393A CN116663393A CN202310448958.6A CN202310448958A CN116663393A CN 116663393 A CN116663393 A CN 116663393A CN 202310448958 A CN202310448958 A CN 202310448958A CN 116663393 A CN116663393 A CN 116663393A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- fault
- continuous high
- random forest
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000007637 random forest analysis Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 35
- 238000003066 decision tree Methods 0.000 claims description 26
- 238000013461 design Methods 0.000 claims description 6
- 239000012212 insulator Substances 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 4
- 238000001556 precipitation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000011218 segmentation Effects 0.000 description 3
- 230000002265 prevention Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了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,包括以下步骤:根据持续高温期间配电网历史故障样本库,获取故障发生时的本体参数、运行状态参数和精细化气象相关数据,其中气象数据主要包括持续高温的时间、极端值、日平均气温、相对湿度等,并基于配电网故障的持续时间对不同故障风险等级进行划分,对不同故障等级对应的气象相关数据及配电网运行状态参数进行区分,得到相应的训练样本,基于随机森林方法建立关于配电网故障等级的预测模型。本发明实现了配电网在持续高温背景下故障等级的预测,能够提升配电网运行维护的效率,有助于持续高温背景下配电网供电可靠性的提升。
Description
技术领域
本发明属于电网防灾技术领域,具体涉及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。
背景技术
电力系统是涉及发、输、变、配、用等多个环节的庞大复杂系统,其安全运行与气象环境密切相关。随着全球气候变化,近些年,持续高温事件频发,给配电网造成了较大的供电保障压力,对配电网的持续安全稳定运行提出较大的挑战。因此,在电力负荷稳定需求的大前提下,对配电网在持续高温背景下的停电的准确预测需求紧迫性显著增强,提出一种配电网故障风险等级预测方法已刻不容缓。
目前,持续高温预测方面,专业气象机构通过多年的发展目前已经能对其进行较为准确的预测或者趋势预判。此外在其它气象要素方面目前也达到了一定的准确性,结合不断发展的中尺度数值天气预报系统,研究了3km*3km的精细化气象数值预报,结合降尺度技术,更形成了1km*1km的降尺度预测结果。虽然在气象预测方面的尺度越来越小,但仅靠气象预测无法满足对电网特别是配电网持续高温相关故障的预测预警需求。如何在现有的气象预测结果和历史上配电网持续高温背景下故障灾害样本的基础上,采用统计方法,结合配电网的台帐数据和运行状态数据,实现配电网故障风险等级预测是非常必要的。
发明内容
针对现有技术中的不足,本发明的目的是提供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。该预测方法可以预测未来发生持续高温时的配电网的故障风险等级,预判可能发生的停电故障时长,为配电网的安全稳定运行提供保障。
为了实现上述目的,本发明采用如下技术方案:
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,包括以下步骤:
步骤S1、收集配电网在持续高温背景下发生停电故障的数据集,根据停电故障的持续时间划分出具体的故障风险等级,对此类停电故障进行量化;
步骤S2、获取发生停电故障期间的本体参数、高温天气相关的精细化气象参数、运行状态参数,依据停电故障的时长进行分类建立持续高温天气背景下的故障样本库;
步骤S3、匹配不同风险等级停电故障发生时配电网的本体参数、精细化气象参数和运行状态参数,共同形成训练样本集;
步骤S4、基于步骤S3中的训练样本集,采用随机森林方法,依据配电网在持续高温背景下停电故障的持续时间,得到相应的与高温天气相关的配电网故障风险等级,建立基于随机森林方法的配电网故障风险等级的预测模型;
步骤S5、在预测阶段,基于步骤S4中得到的预测模型,输入需要预测的某个时刻的持续高温天气相关的精细化气象参数、配电网本体参数和运行状态参数,可得到配电网在持续高温背景下的未来的故障风险等级,最终实现配电网下的停电概率与停电时长的预测。
进一步的,所述步骤S2中本体参数包括配电网的杆塔信息和线路信息。
进一步的,所述配电网的杆塔信息包括杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距,杆塔的绝缘子串型号、串数、绝缘子片数和耐张塔转角。
进一步的,所述配电网的线路信息包括电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、分裂数和分裂间隙。
进一步的,所述步骤S2中高温天气相关的精细化气象参数包括高温持续时间、日最高气温、日平均气温、日平均相对湿度、日降水量。
进一步的,所述步骤S2中运行状态参数包括电流信息与开关状态信息。
进一步的,所述步骤S4中建立基于随机森林方法的配电网故障风险等级的预测模型的方法具体如下:
(1)输入配电网在持续高温下的训练样本集X,所述训练样本集X具体如下式:
X={(X1,y1),(X2,y2),...(Xi,yi),(XN,yN)}
其中,Xi=(xi1,xi2,...xiM),Xi为第i个样本的输入参数,即第i个持续高温样本发生时的配电网本体参数、气象参数、灾害类型和运行状态参数;xiM为在第i个样本中的第M个输入参数;yi为第i个极端灾害样本发生时配电网的故障风险等级;
(2)从训练样本集X中采取有放回抽样的形式,取样N次形成新的训练子集Z,N个训练子集构成N个分类决策树;
(3)随机选择m个输入参数,其中m<M;
(4)利用m个输入参数对N个分类决策树学习形成完整的决策树,每棵决策树生长都不进行裁剪;
(5)基于构建好N个分类决策树,对新的基于未来预测的未知样本的输入参数进行预测,依据每个决策树投票结果的简单多数投票法确定未来未知样本所对应的配电网的故障风险等级。
进一步的,所述步骤(1)中配电网的故障风险等级依据配电网故障情况分为三个等级,分别为停电故障时长小于等于1h的一级风险、故障时长大于1h小于等于12h的二级风险、故障时长大于12h的三级风险。
与现有技术相比,本发明具备的积极有益效果在于:
本发明通过对配电网历史持续高温背景下故障集与非故障集的统计分析,将配电网在历史持续高温背景下故障发生时的气象信息、配网本体参数信息和配网当时的运行状态信息进行匹配,形成训练样本集;以停电时长为基准的故障风险等级为输出结果,采用随机森林方法进行训练,得到基于随机森林方法的配电网故障风险等级预测模型,最后根据训练得到的预测模型,可以预测未来发生持续高温时的配电网的故障风险等级,预判可能发生的停电故障时长,为配电网的安全、稳定运行提供可靠的保证;而且,本发明实现了配电网在持续高温背景下故障等级的预测,能够提升配电网运行维护的效率,有助于持续高温背景下配电网供电可靠性的提升,且本发明的预测方法适用于各种情况复杂的配电网的防灾减灾情况。
附图说明
图1是本发明中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的流程图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图和一些具体实施例对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明的保护的范围。
实施例1
参见图1,一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,其具体流程图如图1所示,包括以下步骤:
步骤S1、收集配电网在持续高温背景下发生停电故障的数据集,包括本体参数、精细化气象参数、运行状态参数;根据配电网停电故障的持续时间划分出具体的故障风险等级,对此类停电故障进行量化;
步骤S2、获取未发生停电故障和发生停电故障期间的本体参数、高温天气相关的精细化气象参数、运行状态参数,建立持续高温天气背景下的历史持续高温背景下配电网故障样本库;
步骤S3、匹配不同风险等级停电故障发生时和未发生停电故障的本体参数、气象参数和运行状态参数,共同形成训练样本集;
步骤S4、基于步骤S3中的训练样本集,采用随机森林方法,依据配电网在持续高温背景下停电故障的持续时间,得到相应的与高温天气相关的配电网故障风险等级,建立基于随机森林方法的配电网故障风险等级的预测模型;
步骤S5、在预测阶段,基于步骤S4中得到的预测模型,输入需要预测的某个时刻的持续高温天气相关的精细化气象参数、配电网本体参数和运行状态参数,可得到配电网在持续高温背景下的未来的故障风险等级,最终实现配电网下的停电概率与停电时长的预测。
步骤S1中停电故障的持续时间是指持续高温发生后导致的截止到下一次投运前的配电网停电时长。
步骤S2中本体参数包括配电网的杆塔信息和线路信息。
配电网的杆塔信息包括杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距,杆塔的绝缘子串型号、串数、绝缘子片数和耐张塔转角。
配电网的线路信息包括电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、分裂数和分裂间隙。
步骤S2中高温天气相关的精细化气象参数包括高温持续时间、日最高气温、日平均气温、日平均相对湿度、日降水量。
步骤S2中运行状态参数包括电流信息与开关状态信息。
步骤S4中建立基于随机森林方法的配电网故障风险等级的预测模型的方法具体如下:
(1)为了进行持续高温背景下配电网故障风险等级的预测,建立停电时长故障等级的预测模型,获取某市2013年至2022年高温天气背景下停电故障的历史数据;并从该市气象局获取相应时期的精细化天气参数,得到输入配电网在持续高温下的训练样本集X,所述训练样本集X具体表述方式如下:
X={(X1,y1),(X2,y2),...(Xi,yi),(XN,yN)}
其中,Xi=(xi1,xi2,...xiM),Xi为第i个历史停电故障样本的输入参数,包括第i个持续高温样本发生时的配电网本体参数、气象参数、运行状态参数;xiM为在第i个样本中的第M个输入参数;yi为第i个持续高温灾害样本发生时依据停电时长得到配电网故障风险等级,即相应的预期相应变量;上述数据的独立联合分布P(X,y)是位未知的,X与y之间的空间使用欧几里得距离度量;
(2)从训练样本集X中采取有放回抽样的形式取样N次形成新的训练子集Z,N个训练子集构成N个分类决策树;
(3)需要说明的是,随机森林方法的目标是得到分类决策函数,即r(x)=E[y|X=x],其中xC[0,1]2,d>2。决策函数根据给定的训练样本集X,得到y的预测,即相应的配电网的故障风险等级;在随机森林方法中,基于多个学习器hi(Zi,x)计算相应的决策函数,Zi为与X同分布的随机的训练子集,而每一个学习器hi(Zi,x)是一个分类决策树,最终固定数量的决策树构成相应的树林,最终随机森林的分类决策函数通过汇总各个决策树的响应结果获得,定义为:
其中N为分类决策树的数目,hi(Zi,x)为一个学习器,Zi为其中的训练子集。
其中,模型偏差定义为预测值与真实值之间的差异,用于衡量随机森林模型的精度,即:bias2(x)=(r(x)-y)2;
其中,方差是模型在不同训练子集上输出结果的方差,用于衡量随机森林模型的稳定性,即:
其中,噪音是训练样本集在收集过程中不可避免、与真实分布无关的信息,即:noise2=Ez[(yz-y)2];
则有,泛化误差εr=E(r;Z)=var(x)+bias2(x)+noise2,它是相对于随机样本子集Z的数学期望。
随机森林的每一棵决策树都包含在整个空间xC[0,1]d,其中非终端节点或分支将树根分支,最终汇总于终端节点,终端节点的数量决定于决策树的深度,这是调整模型表现的重要参数。通过训练样本集X在决策树中的传播,可以对训练子集Z中每一个独立参数进行分析。需要定义每个分支的分割标准以对每个分支进行顺序拆分,其定义为实际输入参数与预期期望值之间的距离,即:
其中,xi表示训练样本X的一个输入参数,xexpect表示分支节点的期望值。如果满足分割标准,则实际输入参数将会传递,则可以得到对于X的每一颗决策树的响应,或这将此参量传递至另一分支,继续出现分割,如所有分支均为满足分割条件,则称为“袋外”,在分类决策中未提供任何输入,在这种情况下,随机森林方法会选择X中参量的重要组合通过迭代进行优化,最终使得所有决策树的泛化平均误差最小,定义为进一步,该平均误差满足εr<ρεtree,其中ρ是y-hi(Zi,x)和y-hj(Zj,x)的加权相关性。
随机森林方法训练的目的在于提高每一颗决策树的能力,可以通过调整决策树的深度及数量达到更好的效果,本实例所使用的随机森林算法基于python3.8 Scikit-learn库,经过训练误差得到收敛。
(4)基于构建好N个分类决策树,对新的基于未来预测的相应样本的输入参数进行预测,依据每个决策树投票结果的简单多数投票法确定未来未知样本所对应的配电网的故障风险等级。
步骤(1)中配电网的故障风险等级依据配电网故障情况分为三个等级,分别为故障时长小于等于1h的一级风险、故障时长大于1h小于等于12h的二级风险、故障时长大于12h的三级风险,通过依据配电网停电故障时长分为三个风险级别,有利于建立更加鲁棒的预测模型,能够更有效地为电力公司提供具有实际意义的运维建议。
本发明基于随机森林方法,对配电网持续高温下的停电故障进行预测,由于配电网历史停电故障数据的质量有限,对算法的鲁棒性要求较高,而随机森林方法作为一种集成算法,具有高鲁棒性、易实施性及抗过拟合性等特点,能够有效弥补配电网历史故障资料质量不够完善的问题,基于目前天气预报对于持续高温过程较高的精细化预报能力,本发明利用随机森林方法实现了持续高温背景下配电网故障风险等级较高精度的预测,可有效提升配电网在持续高温背景下下的运行维护效率,以保证供电的可靠性;此外,由于随机森林方法能够对各项输入参数进行重要性排序,因此可依据该特征获得持续高温背景下的高影响精细化天气要素。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一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,其特征在于,包括以下步骤:
步骤S1、收集配电网在持续高温背景下发生停电故障的数据集,根据停电故障的持续时间划分出具体的故障风险等级,对此类停电故障进行量化;
步骤S2、获取发生停电故障期间的本体参数、高温天气相关的精细化气象参数、运行状态参数,依据停电故障的时长进行分类建立持续高温天气背景下的故障样本库;
步骤S3、匹配不同风险等级停电故障发生时的配电网本体参数、精细化气象参数和运行状态参数,共同形成训练样本集;
步骤S4、基于步骤S3中的训练样本集,采用随机森林方法,依据配电网在持续高温背景下停电故障的持续时间,得到相应的与高温天气相关的配电网故障风险等级,建立基于随机森林方法的配电网故障风险等级的预测模型;
步骤S5、在预测阶段,基于步骤S4中得到的预测模型,输入需要预测的某个时刻的持续高温天气相关的精细化气象参数、配电网本体参数和运行状态参数,可得到配电网在持续高温背景下的未来的故障风险等级,最终实现配电网下的停电概率与停电时长的预测。
2.根据权利要求1所述的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,其特征在于,所述步骤S2中本体参数包括配电网的杆塔信息和线路信息。
3.根据权利要求2所述的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,其特征在于,所述配电网的杆塔信息包括杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距,杆塔的绝缘子串型号、串数、绝缘子片数和耐张塔转角。
4.根据权利要求2所述的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,其特征在于,所述配电网的线路信息包括电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、分裂数和分裂间隙。
5.根据权利要求1所述的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,其特征在于,所述步骤S2中高温天气相关的精细化气象参数包括高温持续时间、日最高气温、日平均气温、日平均相对湿度、日降水量。
6.根据权利要求1所述的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,其特征在于,所述步骤S2中运行状态参数包括电流信息与开关状态信息。
7.根据权利要求1所述的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,其特征在于,所述步骤S4中建立基于随机森林方法的配电网故障风险等级的预测模型的方法具体如下:
(1)输入配电网在持续高温下的训练样本集X,所述训练样本集X具体如下式:
X={(X1,y1),(X2,y2),...(Xi,yi),(XN,yN)}
其中,Xi=(xi1,xi2,...xiM),Xi为第i个样本的输入参数,即第i个持续高温样本发生时的配电网本体参数、气象参数、灾害类型和运行状态参数;xiM为在第i个样本中的第M个输入参数;yi为第i个极端灾害样本发生时配电网的故障风险等级;
(2)从训练样本集X中采取有放回抽样的形式,取样N次形成新的训练子集Z,N个训练子集构成N个分类决策树;
(3)随机选择m个输入参数,其中m<M;
(4)利用m个输入参数对N个分类决策树学习形成完整的决策树,每棵决策树生长都不进行裁剪;
(5)基于构建好N个分类决策树,对新的基于未来预测的未知样本的输入参数进行预测,依据每个决策树投票结果的简单多数投票法确定未来未知样本所对应的配电网的故障风险等级。
8.权利要求7所述的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,其特征在于,所述步骤(1)中配电网的故障风险等级依据配电网故障情况分为三个等级,分别为故障时长小于等于1h的一级风险、故障时长大于1h小于等于12h的二级风险、故障时长大于12h的三级风险。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310448958.6A CN116663393A (zh) | 2023-04-24 | 2023-04-24 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310448958.6A CN116663393A (zh) | 2023-04-24 | 2023-04-24 | 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 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116663393A true CN116663393A (zh) | 2023-08-29 |
Family
ID=87724984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310448958.6A Pending CN116663393A (zh) | 2023-04-24 | 2023-04-24 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116663393A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094475A (zh) * | 2023-10-18 | 2023-11-21 | 合肥工业大学 | 一种电力配电网故障分析系统 |
-
2023
- 2023-04-24 CN CN202310448958.6A patent/CN116663393A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117094475A (zh) * | 2023-10-18 | 2023-11-21 | 合肥工业大学 | 一种电力配电网故障分析系统 |
CN117094475B (zh) * | 2023-10-18 | 2024-01-30 | 合肥工业大学 | 一种电力配电网故障分析系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
WO2022135265A1 (zh) | 气候变化影响下水库调度规则的失效预警分析方法 | |
Damousis et al. | A fuzzy model for wind speed prediction and power generation in wind parks using spatial correlation | |
CN106650767B (zh) | 基于聚类分析和实时校正的洪水预报方法 | |
US20230136352A1 (en) | Method and system for predicting a day-ahead wind power of wind farms | |
CN110570122B (zh) | 一种计及风速季节特性及集电系统元件故障的海上风电场可靠性评估方法 | |
CN108898251A (zh) | 考虑气象相似性和功率波动的海上风电场功率预测方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
Hou et al. | Review of failure risk and outage prediction in power system under wind hazards✰ | |
Li et al. | Deep spatio-temporal wind power forecasting | |
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 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
CN113052386A (zh) | 基于随机森林算法的分布式光伏日发电量预测方法和装置 | |
CN117578425A (zh) | 一种极端天气情况下的区域功率预测修正方法 | |
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 | |
CN113779892B (zh) | 一种风速和风向的预测方法 | |
KR20230072219A (ko) | 날씨 예측 데이터를 이용한 확률적 시나리오 기법의 최적 입찰량 결정 시스템 | |
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 | |
CN115271242A (zh) | 光伏发电功率预测模型的训练方法、预测方法、装置 | |
CN114330478A (zh) | 针对电网风速预报的风速分类订正方法 | |
Mandal et al. | Prediction of Wind Speed using Machine Learning | |
CN113837486A (zh) | 一种基于rnn-rbm的配网馈线长期负荷预测方法 | |
Zhu et al. | Resilience-Oriented Extreme Weather Conditional Renewable Scenario Generation Based on Diffusion Models and Few-shot Learning |
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 |