一种基于组合分类器的雷击输电线路故障概率分析方法技术

本发明专利技术提供了一种基于组合分类器的雷击输电线路故障概率分析方法，首先对含雷区等级、海拔高度、地面倾角、高程差和局部高程差的雷击运行数据进行离散化和标准化处理；利用这些雷击运行数据建立了支持向量机训练所需的数据集；接着利用支持向量机算法对这些雷击运行记录的子集进行了学习，并根据每个子集所得到的训练模型的分类结果分别计算分类准确率(Accuracy)、查全率(Recall)和查准率(Precision)，从中选取综合性能最好的模型对整个样本集进行分类预测；最后，建立基于多支持向量机组合分类器的输电线路雷击风险评估模型，综合多个支持向量机分类器的输出结果对输电线路杆塔的雷击故障概率进行分析。

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

【技术实现步骤摘要】
一种基于组合分类器的雷击输电线路故障概率分析方法
本专利技术涉及输电线路雷击风险评估领域，特别是涉及一种基于多支持向量机组合分类器的雷击输电线路故障概率分析方法。
技术介绍
近年来，随着电网的快速发展和强对流天气的增加，雷害故障频繁发生。由于有效的侵入波和直击雷防护装置，变电站的雷击风险大大降低。目前，电网中雷击损害的风险主要集中在输电线路上，雷击导致传输线的两相闪络，同一塔的双回线路同时闪络，并且诸如同一传输信道上的多条线路的连续跳闸之类的严重故障显着增加。高电压，长距离，大容量输电线路的防雷工作面临新的挑战。运行统计数据表明，雷击已经成为造成输电线路跳闸的主要原因。尽管目前已经采取了各种各样的防雷措施，但是雷击跳闸率仍然居高不下。线路避雷器等防雷措施的使用能够有效地降低雷击跳闸率，但是由于造价十分昂贵，不可能在输电线路上大规模使用。现有研究表明，不同地区、不同雷区等级、不同杆塔结构输电线路的防雷性能是存在差异的，因此如何更加有效地对输电线路杆塔雷击风险进行评估，从而针对风险等级最高的杆塔安装有效防雷措施将会极大降低输电线路的雷击跳闸率，同时也具有最好的经济性。然而现有的防雷评估技术在实际的推广应用中还有以下问题尚需研究：一是线路杆塔雷击风险受到雷电活动、地形、杆塔结构的众多因素的影响，且各个因素之间也存在着相互联系，因此雷击机理非常复杂，需要进一步研究输电线路杆塔在不同运行环境条件下的雷击风险，完善输电线路杆塔雷击风险评估方法；二是传统防雷改造措施研究较少涉及防雷措施的有效性及其适用范围的研究。实际运行中，由于缺乏有效方法对防雷措施的有效性进行定量分析评价，造成不同防雷措施的有效性评估主观差异性较大，不同运行单位、不同运维人员针对同一种防雷措施可能给出完全相悖的有效性评价结果，不利于防雷改造措施的选择与防治效果的后评估，因此需要研究不同防雷措施的有效性定量评价方法及其适用范围，使得防雷措施的选择更加科学有效；三是传统输电线路防雷性能评估技术所需参数较多，步骤复杂，且主要依靠人工录入和计算，对运维人员的专业水平和工作时间要求较高，不利于差异化防雷技术的推广应用，因此需要研究集合杆塔信息录入、雷电参数统计、雷击跳闸率计算和防治措施生成等功能于一体的专业防雷分析系统，具有操作简单，易用性强，便于线路运维人员掌握，开展输电线路差异化防雷评估与治理工作。因此，可针对差异化防雷技术推广应用过程中存在的不足，研究雷击运行经验的量化分析方法，并深入挖掘历史雷击故障与杆塔运行环境特征参数的关联关系，从而建立基于历史雷击故障特征的输电线路雷击风险评估技术，考虑输电线路杆塔运行环境特征对雷击跳闸风险的影响，用以指导输电线路防雷改造具有十分重要的意义。
技术实现思路
为了解决
技术介绍
中的技术问题，本专利技术的目的是提供一种输电线路雷击故障的概率分析方法。建立了一种基于多支持向量机组合分类器的雷击故障特征分类模型，从雷击运行经验角度出发，研究杆塔雷击故障与所处地区落雷密度、海拔、坡度、高程差和相对高程差之间的关联关系；针对支持向量机参数寻优的问题，提出了一种自适应的遗传算法，有效地改善了常规遗传算法由于得到的惩罚参数C值过大而导致模型分类准确率较低的问题。为了达到上述目的，本专利技术采用以下技术方案实现：一种基于组合分类器的雷击输电线路故障概率分析方法，包括步骤：步骤1：导入测试数据集(包括数据的特征属性和分类类别)，随机生成模型的训练数据集和验证数据集；对训练的数据进行预处理，包括离散化处理和归一化处理等，归一化处理如式x→x'＝(x-xmin)/(xmax-xmin)，其中，xmax,xmin分别表示此列特征属性中的最大值和最小值，x'表示归一化后的特征属性；步骤2：针对样本的不平衡分布进行处理。在分类问题中，训练数据不平衡指的是不同类别下的样本数量相差太大，实际上，训练数据不平衡在分类问题中是十分常见且合理的情况，当数据样本分布不平衡时，容易导致训练得到的模型的泛化能力较差。步骤3：采用kmeans聚类分析划分训练子集数，优化各个子支持向量机的参数，分别对各个子训练模型的惩罚参数C和核函数参数g进行寻优，本步骤进一步包括子步骤：3.1设置网格搜索法中C和g的搜索范围和搜索步距。其中，C的初始范围设为[2-5,25]，g的初始范围设为[2-10,210]，搜索步长设为2，相较传统网格搜索法中将搜索步距设为0.1的做法，大大节省了算法搜索的时间；3.2利用步骤3.1中网格搜索法搜索出参数组(C,g)的初步最佳值，即(bestC,bestg)，将该组参数值作为后续遗传算法的基准值；3.3设定遗传算法中参数寻优的范围。其中，C的范围设为(0.5bestC,2bestC)，g的范围设定为(0.5bestg,2bestg)；步骤4:对各个子模型的分类结果采用如下的评价指标进行比较；步骤5：建立雷击故障概率预测模型，通过选取分类性能靠前的支持向量机分类器构建多支持向量机的组合分类器，综合不同参数训练下的支持向量机的输出，得到输电线路杆塔的雷击故障概率。与现有技术相比，本专利技术的有益效果是：本专利技术建立了一种基于多支持向量机组合分类器的雷击故障特征分类模型，从雷击运行经验角度出发，研究杆塔雷击故障与所处地区落雷密度、海拔、坡度、高程差和相对高程差之间的关联关系；针对支持向量机参数寻优的问题，提出了一种自适应的遗传算法，有效地改善了常规遗传算法由于得到的惩罚参数C值过大而导致模型分类准确率较低的问题。附图说明图1是自适应遗传算法流程图；图2是多支持向量机组合分类器的建立示意图；图3是多支持向量机组合分类器的建立流程图。具体实施方式以下结合附图对本专利技术提供的具体实施方式进行详细说明。如图1-3所示，本专利技术输电线路雷击故障概率分析方法的具体步骤如下：步骤1：在收集到模型训练需要的数据特征集合时，先对数据进行提取、过滤，去掉不真实或者不需要的数据，并根据训练算法的需要对数据进行预处理，如数据的归一化处理、连续特征属性的离散化处理等。对于输电线路杆塔雷击运行数据的特征属性，选取落雷密度、杆塔海拔、坡度、高程差和相对高程差这些特征。设特征为Xi的所有样本数据的标准差为σ，均值为μ，则原始样本数据xij(特征为Xi的第j个样本)经过标准差标准化后得到的新数据为步骤2：对数据样本的不平衡分布进行处理。采用数据集划分的方式设计相应的大样本类别(称为MA类别)和小样本类别(称为MI类别)的比例，假设原始数据集中各类别的样本比例为MA:MI＝p:q(p＞＞q)，样本总数为m，则MA类别的样本数为mp/(p+q)，MI类别的样本数为mq/(p+q)，假若希望子集中的MA类别样本数和MI类别样本数的比为s:t，则mp/(p+q)个MA类样本应该被划分为pt/qs个子集，该划分的子集数即为kmeans聚类分析的聚类群数k；步骤3：进行训本文档来自技高网...

【技术保护点】
1.一种基于组合分类器的雷击输电线路故障概率分析方法，其特征在于，包括如下步骤：/n步骤1：导入测试数据集：包括数据的特征属性和分类类别，随机生成模型的训练数据集和验证数据集；对训练的数据进行预处理，包括离散化处理和归一化处理等，归一化处理如式x→x'＝(x-x

【技术特征摘要】
1.一种基于组合分类器的雷击输电线路故障概率分析方法，其特征在于，包括如下步骤：
步骤1：导入测试数据集：包括数据的特征属性和分类类别，随机生成模型的训练数据集和验证数据集；对训练的数据进行预处理，包括离散化处理和归一化处理等，归一化处理如式x→x'＝(x-xmin)/(xmax-xmin)，其中，xmax,xmin分别表示此列特征属性中的最大值和最小值，x'表示归一化后的特征属性；
步骤2：针对样本的不平衡分布进行处理；在分类问题中，训练数据不平衡指的是不同类别下的样本数量相差太大，实际上，训练数据不平衡在分类问题中是十分常见且合理的情况，当数据样本分布不平衡时，容易导致训练得到的模型的泛化能力较差；
步骤3：采用kmeans聚类分析划分训练子集数，优化各个子支持向量机的参数，分别对各个子训练模型的惩罚参数C和核函数参数g进行寻优，本步骤进一步包括子步骤：
3.1设置网格搜索法中C和g的搜索范围和搜索步距；其中，C的初始范围设为[2-5,25]，g的初始范围设为[2-10,21...

【专利技术属性】
技术研发人员：杜荣宇，徐箭，徐静，王俊，王力，曹文斌，刘朝阳，曹志鹏，张卫军，张智博，隋俊鹏，崔照鑫，常旭东，姚良忠，黎雄，廖思阳，张明一，
申请(专利权)人：国网辽宁省电力有限公司朝阳供电公司，武汉大学，国家电网有限公司，
类型：发明
国别省市：辽宁;21