【技术实现步骤摘要】
本专利技术属于电力工业与计算机领域，涉及一种基于粒子群算法优化随机森林(pso-rf)的输电线路山火跳闸概率预测方法。
技术介绍
1、全球平均每年约有3.4％的地球陆地表面积燃烧。2021年美国遭遇了十年来最严峻的山火季，加利福尼亚州的大火以惊人的速度扩散，美国西部的山火覆盖了约5个纽约市的面积，4000平方公里的大片土地被熊熊烈焰吞噬。2020—2023年，我国共统计到森林火灾2478次，火势范围达17507.5公顷，尤其是南方省份，森林火灾频繁发生。
2、为对山火风险进行提前感知，各学者对山火引发线路跳闸预测方面进行研究，并提出了相关防治措施。周志宇等人(山火灾害下电网输电线路跳闸风险评估研究，周志宇，华北电力大学，电气与电子工程学院，2019年6月)通过真型输电线路山火跳闸试验平台，收集并统计山火燃烧现场的试验数据，总结了温度、烟尘浓度及电子和离子浓度等因素影响输电线路山火击穿的机理，为输电线路山火跳闸模型的建立提供了良好的研究基础。根据大量山火历史统计数据，总结出山火发生的空间(地理)规律和时间规律，并以此为基础，提出了基于山火密度定量预测的输电线路走廊山火预警方法，解决了传统研究仅能对山火灾害进行定性预测及粗略经验性分级的难题，可以更直观、有效地指导输电线路山火防治资源的分配和部署，为电网山火灾害的提前预防和应急处理争取宝贵的时间，利用动态阈值辨识技术、多重嵌套精细化的气象预报计算模式检测输电线路周围小范围山火，实现高精度、高及时性的应急防控，有效地减小了线路跳闸可能性；imtiaj khan等人(apro
3、现阶段对山火跳闸概率的研究大多从实验机理层面探究山火对线路绝缘水平的影响，对工程现场实验数据依赖较强。且校正系数大多采用经验值，预测模型粗略。山火影响输电线路跳闸是一个复杂过程，基于机理分析的模型大部分是在理想状况之下或者对某些复杂条件进行简化构建而成，难免存在一定的局限性。如何解决传统研究方法的复杂性与主观性，基于已有数据来源提出更为精确的山火跳闸预测方法是需要解决的问题。
技术实现思路
1、山火灾害易造成架空输电线路跳闸，威胁电网的稳定运行。本专利技术为了克服现有技术存在的缺点与不足，为精准预测山火灾害诱发输电线路跳闸风险概率，本专利技术考虑输电线路历史气象数据与环境植被特征因素对山火跳闸概率的影响，提出一种基于pso-rf的输电线路山火跳闸概率预测方法
2、该方法包括输电线路山火特征数据集的构建、机器学习模型选择(最终选择随机森林作为本专利技术算法)、粒子群算法优化随机森林超参数、模型训练和性能测试。
3、本专利技术至少通过如下技术方案之一实现。
4、一种基于pso-rf的输电线路山火跳闸概率预测方法，包括以下步骤：
5、s1、获取的相关数据信息形成数据集；
6、s2、采用不同机器学习算法对数据集进行训练，分析比较不同机器学习算法对分类预测问题的处理效果；
7、s3、评估基于不同机器学习算法的山火跳闸概率预测模型对于不同预测结果的可信程度或把握程度，引入置信度(confidence)衡量预测结果可信程度；
8、s4、将数据集划分训练集与测试集，对测试集的样本进行跳闸分类预测，展示正确分类样本分别被预测为跳闸与不跳闸的概率。
9、进一步地，机器学习超参数影响模型分类性能，采用粒子群算法对超参数进行寻优，粒子群中每个粒子都代表一个可能的解，粒子的位置表示解的位置，速度表示解的搜索方向和步长；初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，计算每个粒子的适应度值，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，搜索空间中寻找到较优的解。
10、进一步地，初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，选取rbf_svm的3_fold交叉校验平均值为适应度函数，用于评估解的好坏。
11、进一步地，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，通过不断更新粒子的速度和位置，绘制粒子群位置，得到粒子群优化后随机森林超参数选取值，计算比较粒子群优化前后置信度值。
12、进一步地，步骤s1中，所述相关数据信息包括输电线路附近历史山火点记录及对应的气象、地理和杆塔基本信息，将相关数据信息构建原始数据集。
13、进一步地，步骤s2中，机器学习算法包括随机森林、逻辑回归、线性判别、神经网络、梯度提升，对数据集进行训练，并上述5种机器学习算法对原始数据集的分类效果。
14、进一步地，相关数据信息为我国某电网公司2021年到2022年输电线路发生山火记录的历史数据。
15、进一步地，步骤s2中，结果表明随机森林算法性能优越，原因在于随机森林采用多棵决策树的集成方法，在保证单棵决策树泛化能力的情况下，综合决策以提高模型的泛化能力；同时随机森林可以很好地处理高维数据，因为在训练过程中会从这些特征中随机选择一部分特征进行划分，从而降低了特征之间的相关性，并且减少了过拟合风险。
16、进一步地，步骤s3中，如果山火点跳闸分类模型对于某个样本预测为发生跳闸的置信度为k，则理解为模型相信该样本是发生跳闸的概率为k；所述置信度(confidence)衡量预测结果可信程度为：
17、
18、其中，p(break)表示线路被预测为跳闸的概率，p(safe)表示线路被预测为安全运行的概率，n为被评估的样本数量。
19、进一步地，步骤s4中，划分训练集与测试集，以随机森林模型对若干个测试集样本进行跳闸分类预测，计算山火跳闸概率预测模型准确度本文档来自技高网...
【技术保护点】
1.一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，机器学习超参数影响模型分类性能，采用粒子群算法对超参数进行寻优，粒子群中每个粒子都代表一个可能的解，粒子的位置表示解的位置，速度表示解的搜索方向和步长；初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，计算每个粒子的适应度值，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，搜索空间中寻找到较优的解。
3.根据权利要求2所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，选取RBF_SVM的3_fold交叉校验平均值为适应度函数，用于评估解的好坏。
4.根据权利要求2所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，通过不断更新粒子的速度和位置，绘制粒子群位置，得到粒子群优化后随机
5.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S1中，所述相关数据信息包括输电线路附近历史山火点记录及对应的气象、地理和杆塔基本信息，将相关数据信息构建原始数据集。
6.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S2中，机器学习算法包括随机森林、逻辑回归、线性判别、神经网络、梯度提升，对数据集进行训练，并上述5种机器学习算法对原始数据集的分类效果。
7.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，相关数据信息为我国某电网公司2021年到2022年输电线路发生山火记录的历史数据。
8.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S2中，结果表明随机森林算法性能优越，原因在于随机森林采用多棵决策树的集成方法，在保证单棵决策树泛化能力的情况下，综合决策以提高模型的泛化能力；同时随机森林可以很好地处理高维数据，因为在训练过程中会从这些特征中随机选择一部分特征进行划分，从而降低了特征之间的相关性，并且减少了过拟合风险。
9.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S3中，如果山火点跳闸分类模型对于某个样本预测为发生跳闸的置信度为K，则理解为模型相信该样本是发生跳闸的概率为K；所述置信度(Confidence)衡量预测结果可信程度为：
10.根据权利要求1～9任一项所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S4中，划分训练集与测试集，以随机森林模型对若干个测试集样本进行跳闸分类预测，计算山火跳闸概率预测模型准确度，绘图展示正确分类样本分别被预测为跳闸、不跳闸的概率。
...【技术特征摘要】
1.一种基于pso-rf的输电线路山火跳闸概率预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于pso-rf的输电线路山火跳闸概率预测方法，其特征在于，机器学习超参数影响模型分类性能，采用粒子群算法对超参数进行寻优，粒子群中每个粒子都代表一个可能的解，粒子的位置表示解的位置，速度表示解的搜索方向和步长；初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，计算每个粒子的适应度值，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，搜索空间中寻找到较优的解。
3.根据权利要求2所述的一种基于pso-rf的输电线路山火跳闸概率预测方法，其特征在于，初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，选取rbf_svm的3_fold交叉校验平均值为适应度函数，用于评估解的好坏。
4.根据权利要求2所述的一种基于pso-rf的输电线路山火跳闸概率预测方法，其特征在于，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，通过不断更新粒子的速度和位置，绘制粒子群位置，得到粒子群优化后随机森林超参数选取值，计算比较粒子群优化前后置信度值。
5.根据权利要求1所述的一种基于pso-rf的输电线路山火跳闸概率预测方法，其特征在于，步骤s1中，所述相关数据信息包括输电线路附近历史山火点记录及对应的气象、地理和杆塔基本信息，将相关数据信息构建原始数据集。
6.根据权利要求1所述的一种基于pso-r...
【专利技术属性】
技术研发人员：李磊，刘一民，周晓静，罗亚洲，张哲，张雷，富梦迪，林柏森，余松，谢从珍，
申请(专利权)人：国家电网有限公司华北分部，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。