一种判定台风对线路影响的方法技术

本发明专利技术公开了一种判定台风对线路影响的方法，包括如下步骤：步骤1：数据探索；步骤2：生成模型训练样本；步骤3：样本采样；步骤4：特征设计；步骤5：模型筛选；步骤6：模型调优。将方法将配电线路跳闸设为线路故障，通过台风经纬度与上海经纬度来判断台风在上海市停留，将该段停留时间与线路进行关联可生成全部样本及相关正样本，通过机器学习算法中随机森林模型对历史台风造成上海配变线路故障数据进行计算，以台风与线路之间相关特征以及天气预报的台风数据、气象数据为特征进行模型训练，以便于对上海线路受台风影响跳闸情况及时掌控，能够有针对性的辅助开展配电网生产运维工作，从而进一步提高配电网线路可靠性。进一步提高配电网线路可靠性。进一步提高配电网线路可靠性。

【技术实现步骤摘要】
一种判定台风对线路影响的方法


[0001]本专利技术涉及配电网线路运行维护
，特别涉及一种判定台风对线路影响的方法。

技术介绍

[0002]电网故障对社会运转的影响随着电网规模的不断扩大，变得越来越大，造成的损失也随之增大，随着上海设备监控大数据系统事故分析应用推进，已初步具备电网事故分析的能力，能够及时的将故障设备、故障时间、跳闸开关、保护动作信息等事故概况提供调控员作为事故处置辅助决策依据。但电网故障详细情况包括故障设备相别、故障测距、故障电流、故障持续时间等信息还需通过人工远程调阅故障录波等系统，事故决策、分析主要采用人工分析和反馈的模式，不能实现信息有序高效归并及智能辅助处置，无法适应当前形势下监控业务智能化、精益化管理的需要。
[0003]近年来台风发生频率及强度呈上升趋势，对电网造成了巨大影响。台风及伴随的强降雨使得电网倒杆(塔)、断线，进而造成大面积停电事故。为提高电网防御台风的能力，对台风灾害下的用户停电区域进行预测及评估意义重大，可辅助相关人员进行应急抢修策略制定，减少跳闸导致的停电损失。
[0004]因此，需要将监控大数据系统与故障录波系统等多源数据进行有效整合，通过对事故情况及后果现象的分类、分析、筛选、汇总，总结出故障判断的规律性，将此过程在监大数据控系统中进行智能处置，将规律性的结论输出来帮助监控员进行分析判断，可有效的缓解值班监控员的工作压力，为智能化调度提供技术支持。

技术实现思路

[0005]本专利技术的目的在于提供一种判定台风对线路影响的方法，以满足受台风影响城市判断出台风对线路是否产生影响，导致配变电路跳闸，达到提前预警功能，解决配电网线路受台风影响跳闸情况难以及时掌控问题。
[0006]为实现上述目的，本专利技术提供如下技术方案：
[0007]一种判定台风对线路影响的方法，包括如下步骤：
[0008]步骤1：数据探索
[0009]统计台风经纬度范围在某一区域的经度和维度范围各增加4个度数，台风中心点经纬度范围为东经116
°
52
′-
126
°
12
′
，北纬26
°
40
′-
35
°
53
′
之间认为对某一区域会造成影响；
[0010]步骤2：生成模型训练样本
[0011]通过经纬度及台风风圈经纬度关联得出台风在某一区域停留具体时间加上线路是否发生跳闸以及台风经纬度与线路起始厂站、终止厂站经纬度关联得到模型训练样本，对于样本中线路发生事故可以标记为正样本，正负样本比例为1：45左右；
[0012]步骤3：样本采样
[0013]由于正负样本不均衡，机器学习模型容易学习到预测模型不发生故障的特征，使得模型的精准率较低，需要对模型正样本进行上采样，首先将样本数据集按7：3比例分别分为训练集和测试集，将训练集中的正样本采用SMOTE上采样，将训练集中正负样本采样比例至1：1左右；
[0014]步骤4：特征设计
[0015]筛选数据中模型需要的训练特征，从台风自身气象数据、气象站收集的天气数据、线路数据、台风与线路之间数据作为模型训练所需特征；
[0016]步骤5：模型筛选
[0017]由于模型目标为预测线路在台风情况下是否发生故障，所以需要训练出一个二分类模型，在机器学习算法中分类模型算法包括决策树、SVM、Xgboost、Catboost、随机森林，通过将数据集依次载入模型中，通过评估模型的精准率、召回率以及F1值指标来筛选模型；
[0018]步骤6：模型调优
[0019]将筛选出的随机森林模型，通过调节其中max_depth、n_estimator、class_weight参数来调节模型，通过不断的提升模型精准率、召回率以及F1值来模型调优。
[0020]进一步地，判定配电线路故障跳闸的方法包括以下步骤：
[0021]S100：将台风发生期间且通过经纬度确定线路处于台风风圈内发生的跳闸设为事故线路；
[0022]S101：通过给定的经纬度、台风的风圈半径以及某一区域中心的经纬度，通过数学上圆与正方形相切原理，确定台风登录上海时间，可以减少分析台风处于海平面或者其它市区的数据分析。
[0023]进一步地，判定配电线路与台风之间地理位置相对关系方法包括以下步骤：
[0024]S200：通过经纬度确定线路起始厂站、终止厂站以及台风中心地理位置，默认线路为直线；
[0025]S201：通过数学海伦公式计算出以线路两端为底边，台风中心为顶点的三角形面积，通过勾股定理以及台风风圈半径来计算出台风风圈中心与线路之间的垂直距离；
[0026]S202：通过台风风圈中心与线路之间的垂直距离与台风风圈半径对比，确认线路与台风风圈的相对位置。
[0027]进一步地，训练预测台风对线路影响模型包括以下步骤：
[0028]S300：数据预处理，由于收集数据存在缺失、奇异等问题，需要对数据进行清洗，包括数据填充、前后均值替换、直接删除样本；
[0029]S301：数据上采样，台风登录的线路发生故障始终为小概率事件，配变线路发生故障与不发生故障样本比例为1：45，需要通过数据上采样，将正样本数据扩充至与负样本数据量相同；
[0030]S302：样本数据集划分，将样本分为7：3，70％样本用来训练，30％样本用来测试，用来评估模型的好坏；
[0031]S303：算法模型选择，通过评估不同模型的好坏去筛选模型，最后评定出机器学习中随机森林模型应用于台风对配变线路事故影响效果最好。
[0032]与现有技术相比，本专利技术的有益效果是：将方法将配电线路跳闸设为线路故障，通过台风经纬度与上海经纬度来判断台风在上海市停留，将该段停留时间与线路进行关联可
生成全部样本及相关正样本，通过机器学习算法中随机森林模型对历史台风造成上海配变线路故障数据进行计算，以台风与线路之间相关特征以及天气预报的台风数据、气象数据为特征进行模型训练，以便于对上海线路受台风影响跳闸情况及时掌控，能够有针对性的辅助开展配电网生产运维工作，从而进一步提高配电网线路可靠性。
附图说明
[0033]图1为本专利技术所述配电线路受台风影响发生跳闸正样本生成流程图；
[0034]图2为本专利技术的本专利技术所述台风预测模型训练流程图；
[0035]图3为本专利技术台风不包含线路情形1的示意图；
[0036]图4为本专利技术台风不包含线路情形2的示意图；
[0037]图5为本专利技术台风完全包含线路的示意图；
[0038]图6为本专利技术台风部分包含线路情形1的示意图；
[0039]图7为本专利技术台风部分包含线路情形2的示意图；
[0040]图8为本专利技术台风部分包含线路情形3的示意图；
[0041]图9为本专利技术台风部分包含线路情形4的示意图；
[0042]图本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种判定台风对线路影响的方法，其特征在于，包括如下步骤：步骤1：数据探索统计台风经纬度范围在某一区域的经度和维度范围各增加4个度数，台风中心点经纬度范围为东经116
°
52
′-
126
°
12
′
，北纬26
°
40
′-
35
°
53
′
之间认为对某一区域会造成影响；步骤2：生成模型训练样本通过经纬度及台风风圈经纬度关联得出台风在某一区域停留具体时间加上线路是否发生跳闸以及台风经纬度与线路起始厂站、终止厂站经纬度关联得到模型训练样本，对于样本中线路发生事故可以标记为正样本，正负样本比例为1：45左右；步骤3：样本采样由于正负样本不均衡，机器学习模型容易学习到预测模型不发生故障的特征，使得模型的精准率较低，需要对模型正样本进行上采样，首先将样本数据集按7：3比例分别分为训练集和测试集，将训练集中的正样本采用SMOTE上采样，将训练集中正负样本采样比例至1：1左右；步骤4：特征设计筛选数据中模型需要的训练特征，从台风自身气象数据、气象站收集的天气数据、线路数据、台风与线路之间数据作为模型训练所需特征；步骤5：模型筛选由于模型目标为预测线路在台风情况下是否发生故障，所以需要训练出一个二分类模型，在机器学习算法中分类模型算法包括决策树、SVM、Xgboost、Catboost、随机森林，通过将数据集依次载入模型中，通过评估模型的精准率、召回率以及F1值指标来筛选模型；步骤6：模型调优将筛选出的随机森林模型，通过调节其中max_depth、n_estimator、class_weight参数来...

【专利技术属性】
技术研发人员：熊福喜，张远来，王梦辉，
申请(专利权)人：泰豪软件股份有限公司，
类型：发明
国别省市：