基于集成学习的输电线路跳闸率预测方法及装置制造方法及图纸

本申请提供了一种基于集成学习的输电线路跳闸率预测方法及装置，所述方法包括：获取输电线路跳闸信息；将输电线路跳闸信息输入至预先构建好的多个弱预测网络模型中，输出得到对应多个弱预测网络模型的第一预测结果，以构建预测结果组合集；将预测结果组合集输入至元学习器中，得到最终的预测结果，其中，元学习器用以对预测结果组合集进行加权运算。本申请所述的基于集成学习的输电线路跳闸率预测方法及装置所采用的集成学习模型相比于单预测模型预测输电线路的反击跳闸率和绕击跳闸率均取得更准确的预测效果，在保证预测精度的同时也提高了计算效率。也提高了计算效率。也提高了计算效率。

【技术实现步骤摘要】
基于集成学习的输电线路跳闸率预测方法及装置


[0001]本申请属于电力供应
，尤其涉及一种基于集成学习的输电线路跳闸率预测方法及装置。

技术介绍

[0002]随着我国对电力的需求越来越大，电网的规模也不断扩大，对于电力供应的需求越来越大。在这种情况下，高压输电线路作为电力运输系统的重要组成部分之一，其稳定性和可靠性就变得尤为重要。因此，对于高压输电线路的防护要求也越来越高，如何通过各种措施减少雷击对输电线路的破坏已经成为设计架空输电线路的研究重点。
[0003]根据输电系统故障统计中，有超过一半的高压输电线路跳闸原因是由雷击引起的，雷击跳闸已经成为高压输电线路跳闸的主要原因。相关资料显示，我国高压输电线路跳闸率较高的地区，有40％
‑
70％的跳闸事故是由雷击造成的。从国外情况来看，日本有50％以上的电力系统故障是由雷电引起的，俄罗斯的高压输电线路的总跳闸次数中有84.2％是由雷击造成的。这些数据表明，雷击对于高压输电线路的安全稳定运行造成了严重的威胁，因此，提高输电线路的防雷性能对于电力供应系统的稳定运行和可靠性本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于集成学习的输电线路跳闸率预测方法，其特征在于，所述方法包括：获取输电线路跳闸信息；将所述输电线路跳闸信息输入至预先构建好的多个弱预测网络模型中，输出得到对应多个所述弱预测网络模型的第一预测结果，以构建预测结果组合集；通过Stacking集成策略将所述预测结果组合集输入至元学习器中，以得到最终的预测结果，其中，所述元学习器用以对所述预测结果组合集进行加权运算。2.根据权利要求1所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，所述获取输电线路跳闸信息，包括：获取历史输电线路跳闸信息，其中，所述历史输电线路跳闸信息包括历史雷电流数据、历史高度数据和历史线路数据；将所述历史雷电流数据、所述历史高度数据和所述历史线路数据构建历史数据集，将历史数据集随机划分为训练集和测试集；通过训练集训练多个所述弱预测网络模型和所述元学习器；通过测试集测试验证多个所述弱预测网络模型和所述元学习器；将所述弱预测网络模型和所述元学习器输出的预测结果与所述测试集中的真实值进行比较计算预测误差，评估所述弱预测网络模型和所述元学习器的预测结果。3.根据权利要求2所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，包括：利用均方误差、平均绝对值误差和平均绝对误差百分比评价指标对所述预测结果进行评估判定。4.根据权利要求1所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，所述雷电流数据包括雷电日、地面落雷密度和雷电流幅值；所述高度参数至少包括杆塔高度、横担高度、避雷线悬挂点高度、避雷线弧垂、导线弧垂、避雷线平均高度、导线平均高度；所述线路参数至少包括冲击接地电阻、雷击塔顶时的反击耐雷水平、平原/山地击杆率、保护角、线路雷击次数。5.根据权利要求1所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，包括：所述将所述输电线路跳闸信息输入至预先构建好的多个弱预测网络模型中，输出得到对应多个所述弱预测网络模型的第一预测结果，以构建预测结果组合集，包括：获取当前输电线路跳闸信息，其中，所述当前输电线路跳闸信息包括当前雷电流数据、当前高度数据和当前线路数据；将所述当前雷电流数据、所述当前高度数据和所述当前线路数据分别输入至所述弱预测网络模型中，所述弱预测网络模型包括BP神经网络、支持向量机和随机森林；得到与所述当前雷电流数据对应的第一预测结果组合集、与所...

【专利技术属性】
技术研发人员：金亮，刘璐，李育增，宋居恒，
申请(专利权)人：河北工业大学，
类型：发明
国别省市：