一種基于組合分類器的雷擊輸電線路故障概率分析方法技術

本發明專利技術提供了一種基于組合分類器的雷擊輸電線路故障概率分析方法，首先對含雷區等級、海拔高度、地面傾角、高程差和局部高程差的雷擊運行數據進行離散化和標準化處理；利用這些雷擊運行數據建立了支持向量機訓練所需的數據集；接著利用支持向量機算法對這些雷擊運行記錄的子集進行了學習，并根據每個子集所得到的訓練模型的分類結果分別計算分類準確率(Accuracy)、查全率(Recall)和查準率(Precision)，從中選取綜合性能最好的模型對整個樣本集進行分類預測；最后，建立基于多支持向量機組合分類器的輸電線路雷擊風險評估模型，綜合多個支持向量機分類器的輸出結果對輸電線路桿塔的雷擊故障概率進行分析。

A fault probability analysis method of lightning transmission line based on combination classifier

【技術實現步驟摘要】
一種基于組合分類器的雷擊輸電線路故障概率分析方法
本專利技術涉及輸電線路雷擊風險評估領域，特別是涉及一種基于多支持向量機組合分類器的雷擊輸電線路故障概率分析方法。
技術介紹
近年來，隨著電網的快速發展和強對流天氣的增加，雷害故障頻繁發生。由于有效的侵入波和直擊雷防護裝置，變電站的雷擊風險大大降低。目前，電網中雷擊損害的風險主要集中在輸電線路上，雷擊導致傳輸線的兩相閃絡，同一塔的雙回線路同時閃絡，并且諸如同一傳輸信道上的多條線路的連續跳閘之類的嚴重故障顯著增加。高電壓，長距離，大容量輸電線路的防雷工作面臨新的挑戰。運行統計數據表明，雷擊已經成為造成輸電線路跳閘的主要原因。盡管目前已經采取了各種各樣的防雷措施，但是雷擊跳閘率仍然居高不下。線路避雷器等防雷措施的使用能夠有效地降低雷擊跳閘率，但是由于造價十分昂貴，不可能在輸電線路上大規模使用。現有研究表明，不同地區、不同雷區等級、不同桿塔結構輸電線路的防雷性能是存在差異的，因此如何更加有效地對輸電線路桿塔雷擊風險進行評估，從而針對風險等級最高的桿塔安裝有效防雷措施將會極大降低輸電線路的雷擊跳閘率，同時也具有最好的經濟性。然而現有的防雷評估技術在實際的推廣應用中還有以下問題尚需研究：一是線路桿塔雷擊風險受到雷電活動、地形、桿塔結構的眾多因素的影響，且各個因素之間也存在著相互聯系，因此雷擊機理非常復雜，需要進一步研究輸電線路桿塔在不同運行環境條件下的雷擊風險，完善輸電線路桿塔雷擊風險評估方法；二是傳統防雷改造措施研究較少涉及防雷措施的有效性及其適用范圍的研究。實際運行中，由于缺乏有效方法對防雷措施的有效性進行定量分析評價，造成不同防雷措施的有效性評估主觀差異性較大，不同運行單位、不同運維人員針對同一種防雷措施可能給出完全相悖的有效性評價結果，不利于防雷改造措施的選擇與防治效果的后評估，因此需要研究不同防雷措施的有效性定量評價方法及其適用范圍，使得防雷措施的選擇更加科學有效；三是傳統輸電線路防雷性能評估技術所需參數較多，步驟復雜，且主要依靠人工錄入和計算，對運維人員的專業水平和工作時間要求較高，不利于差異化防雷技術的推廣應用，因此需要研究集合桿塔信息錄入、雷電參數統計、雷擊跳閘率計算和防治措施生成等功能于一體的專業防雷分析系統，具有操作簡單，易用性強，便于線路運維人員掌握，開展輸電線路差異化防雷評估與治理工作。因此，可針對差異化防雷技術推廣應用過程中存在的不足，研究雷擊運行經驗的量化分析方法，并深入挖掘歷史雷擊故障與桿塔運行環境特征參數的關聯關系，從而建立基于歷史雷擊故障特征的輸電線路雷擊風險評估技術，考慮輸電線路桿塔運行環境特征對雷擊跳閘風險的影響，用以指導輸電線路防雷改造具有十分重要的意義。
技術實現思路
為了解決
技術介紹
中的技術問題，本專利技術的目的是提供一種輸電線路雷擊故障的概率分析方法。建立了一種基于多支持向量機組合分類器的雷擊故障特征分類模型，從雷擊運行經驗角度出發，研究桿塔雷擊故障與所處地區落雷密度、海拔、坡度、高程差和相對高程差之間的關聯關系；針對支持向量機參數尋優的問題，提出了一種自適應的遺傳算法，有效地改善了常規遺傳算法由于得到的懲罰參數C值過大而導致模型分類準確率較低的問題。為了達到上述目的，本專利技術采用以下技術方案實現：一種基于組合分類器的雷擊輸電線路故障概率分析方法，包括步驟：步驟1：導入測試數據集(包括數據的特征屬性和分類類別)，隨機生成模型的訓練數據集和驗證數據集；對訓練的數據進行預處理，包括離散化處理和歸一化處理等，歸一化處理如式x→x'＝(x-xmin)/(xmax-xmin)，其中，xmax,xmin分別表示此列特征屬性中的最大值和最小值，x'表示歸一化后的特征屬性；步驟2：針對樣本的不平衡分布進行處理。在分類問題中，訓練數據不平衡指的是不同類別下的樣本數量相差太大，實際上，訓練數據不平衡在分類問題中是十分常見且合理的情況，當數據樣本分布不平衡時，容易導致訓練得到的模型的泛化能力較差。步驟3：采用kmeans聚類分析劃分訓練子集數，優化各個子支持向量機的參數，分別對各個子訓練模型的懲罰參數C和核函數參數g進行尋優，本步驟進一步包括子步驟：3.1設置網格搜索法中C和g的搜索范圍和搜索步距。其中，C的初始范圍設為[2-5,25]，g的初始范圍設為[2-10,210]，搜索步長設為2，相較傳統網格搜索法中將搜索步距設為0.1的做法，大大節省了算法搜索的時間；3.2利用步驟3.1中網格搜索法搜索出參數組(C,g)的初步最佳值，即(bestC,bestg)，將該組參數值作為后續遺傳算法的基準值；3.3設定遺傳算法中參數尋優的范圍。其中，C的范圍設為(0.5bestC,2bestC)，g的范圍設定為(0.5bestg,2bestg)；步驟4:對各個子模型的分類結果采用如下的評價指標進行比較；步驟5：建立雷擊故障概率預測模型，通過選取分類性能靠前的支持向量機分類器構建多支持向量機的組合分類器，綜合不同參數訓練下的支持向量機的輸出，得到輸電線路桿塔的雷擊故障概率。與現有技術相比，本專利技術的有益效果是：本專利技術建立了一種基于多支持向量機組合分類器的雷擊故障特征分類模型，從雷擊運行經驗角度出發，研究桿塔雷擊故障與所處地區落雷密度、海拔、坡度、高程差和相對高程差之間的關聯關系；針對支持向量機參數尋優的問題，提出了一種自適應的遺傳算法，有效地改善了常規遺傳算法由于得到的懲罰參數C值過大而導致模型分類準確率較低的問題。附圖說明圖1是自適應遺傳算法流程圖；圖2是多支持向量機組合分類器的建立示意圖；圖3是多支持向量機組合分類器的建立流程圖。具體實施方式以下結合附圖對本專利技術提供的具體實施方式進行詳細說明。如圖1-3所示，本專利技術輸電線路雷擊故障概率分析方法的具體步驟如下：步驟1：在收集到模型訓練需要的數據特征集合時，先對數據進行提取、過濾，去掉不真實或者不需要的數據，并根據訓練算法的需要對數據進行預處理，如數據的歸一化處理、連續特征屬性的離散化處理等。對于輸電線路桿塔雷擊運行數據的特征屬性，選取落雷密度、桿塔海拔、坡度、高程差和相對高程差這些特征。設特征為Xi的所有樣本數據的標準差為σ，均值為μ，則原始樣本數據xij(特征為Xi的第j個樣本)經過標準差標準化后得到的新數據為步驟2：對數據樣本的不平衡分布進行處理。采用數據集劃分的方式設計相應的大樣本類別(稱為MA類別)和小樣本類別(稱為MI類別)的比例，假設原始數據集中各類別的樣本比例為MA:MI＝p:q(p＞＞q)，樣本總數為m，則MA類別的樣本數為mp/(p+q)，MI類別的樣本數為mq/(p+q)，假若希望子集中的MA類別樣本數和MI類別樣本數的比為s:t，則mp/(p+q)個MA類樣本應該被劃分為pt/qs個子集，該劃分的子集數即為kmeans聚類分析的聚類群數k；步驟3：進行訓本文檔來自技高網...

【技術保護點】
1.一種基于組合分類器的雷擊輸電線路故障概率分析方法，其特征在于，包括如下步驟：/n步驟1：導入測試數據集：包括數據的特征屬性和分類類別，隨機生成模型的訓練數據集和驗證數據集；對訓練的數據進行預處理，包括離散化處理和歸一化處理等，歸一化處理如式x→x'＝(x-x

【技術特征摘要】
1.一種基于組合分類器的雷擊輸電線路故障概率分析方法，其特征在于，包括如下步驟：
步驟1：導入測試數據集：包括數據的特征屬性和分類類別，隨機生成模型的訓練數據集和驗證數據集；對訓練的數據進行預處理，包括離散化處理和歸一化處理等，歸一化處理如式x→x'＝(x-xmin)/(xmax-xmin)，其中，xmax,xmin分別表示此列特征屬性中的最大值和最小值，x'表示歸一化后的特征屬性；
步驟2：針對樣本的不平衡分布進行處理；在分類問題中，訓練數據不平衡指的是不同類別下的樣本數量相差太大，實際上，訓練數據不平衡在分類問題中是十分常見且合理的情況，當數據樣本分布不平衡時，容易導致訓練得到的模型的泛化能力較差；
步驟3：采用kmeans聚類分析劃分訓練子集數，優化各個子支持向量機的參數，分別對各個子訓練模型的懲罰參數C和核函數參數g進行尋優，本步驟進一步包括子步驟：
3.1設置網格搜索法中C和g的搜索范圍和搜索步距；其中，C的初始范圍設為[2-5,25]，g的初始范圍設為[2-10,21...

【專利技術屬性】
技術研發人員：杜榮宇，徐箭，徐靜，王俊，王力，曹文斌，劉朝陽，曹志鵬，張衛軍，張智博，隋俊鵬，崔照鑫，常旭東，姚良忠，黎雄，廖思陽，張明一，
申請(專利權)人：國網遼寧省電力有限公司朝陽供電公司，武漢大學，國家電網有限公司，
類型：發明
國別省市：遼寧;21