本发明属于电力系统电磁环境防护
技术领域：
，特别涉及一种基于数据挖掘的输电线路电磁环境参数预测方法。
背景技术：
：电磁环境是输电线路设计的主要考虑因素，输电线路的电磁环境的根源是线路的电晕放电。电晕放电一方面会造成电能损耗，增加输电成本；另一方面影响导线周边电磁环境，进一步干扰人们的正常生活。随着经济的不断发展和民众环境意识的增强，电磁环境问题愈加引人关注，输电线路其电磁环境问题已成为其系统设计和运行的主要制约因素。输电线路的电磁环境参数主要包括有可听噪声、无线电干扰、地面合成场强、地面离子流密度和电晕损耗。若能在线路设计阶段合理预测电磁环境参数，则可对导线线型、导线分裂间距、极间距等线路参数进一步优化，实现更为环境友好的电网发展方式；或在保证合理的电磁环境水平下，尽可能减小输电走廊，降低线路征地及建设成本。这对在建及规划中的输变电工程具有重大工程实用价值。电磁环境参数影响因素众多，且具有明显的随机特性。当前电磁环境的模型有两个重要的不足：首先，大多数模型都是通过多元线性回归训练的，线性模型不能描述复杂的非线性模型。其次，这些模型都是针对海平面的电磁环境进行设计的，于是包含了一些潜在设定，比如标准大气压等等。技术实现要素：本发明的目的是为克服已有技术的不足之处，提出一种基于数据挖掘的输电线路电磁环境参数预测方法，本方法不仅可以考虑非线性关系,还能将不同的环境参数作为模型的参量进行考虑,如海拔等，本模型能更加全面地描述电磁辐射，不仅提高其预测精度，还提高该模型的工程实用价值。为此，本发明采用的技术方案为：一种基于数据挖掘的输电线路电磁环境参数预测方法，包括以下步骤：s1：收集数据：所述数据包括线路基本参数、电磁环境参数和空间电场参数以及离子流参数，所述线路基本参数包括分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔，所述电磁环境参数包括电晕放电cl、无线电干扰ri和可听噪声an，空间电场以及离子流参数包括最大标称场强nfs、最大复合电场强度mcefi和最大离子流密度micd。s2：划分数据：将步骤s1收集到的数据划分为自变量和因变量两部分，其中自变量包括所述的线路基本参数，因变量包括电磁环境参数、空间电场参数和离子流参数，系统模型为：在上式中，为自变量，为因变量；s3：分析所述电磁环境参数之间的关系，验证ri分别与an、cl线性相关；s4：分析所述空间电场以及离子流参数之间的关系，验证nfs分别与mcefi、micd线性相关；s5：分析影响电磁环境的主因素；s6：对所述电磁环境参数和空间电场参数进行预测。优选的，所述步骤s3具体为：s31：假设所述无线电干扰ri分别与可听噪声an、电晕放电cl不存在线性相关；s32：假设其中为模型线性回归后的斜率，为自变量的标准差；s33：对进行统计，并将统计阈值设定为95%，得出步骤s31的假设均不成立；s34：得出结论，即ri分别与an、cl线性相关。优选的，所述步骤s4具体为：s41：假设所述最大标称场强nfs分别与最大复合电场强度mcefi、最大离子流密度micd不存在线性相关；s42：假设其中为模型线性回归后的斜率，为自变量的标准差；s43：对进行统计，并将统计阈值设定为95%，得出步骤s41的假设均不成立；s44：得出结论，即nfs分别与mcefi、micd线性相关。优选的，所述步骤s5具体为：s51：定义信息熵的公式为：其中h为信息熵，是系统成为状态的概率；s52：定义信息增益ig的公式为：其中表示一系列的训练样本，而代表样本的其中一个参数；s53：以ri和nfs为因变量，根据步骤s52中的式子分别计算ri和nfs所对应的信息增益，其中t表示一系列的训练样本，每一个训练样本代表一组线路基本参数，a代表训练样本的其中一个参数，具体为分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔中的一个；s54：统计步骤s53的计算结果，归纳总结出影响无线电干扰ri和最大标称场强nfs的主要因素和次要因素。优选的，所述步骤s6中的预测采用决策树回归方法。优选的，所述决策树回归方法具体为：将整个样本数据分为训练集和测试集两组，训练组占总样本的90%，测试组占总样本的10%，将训练集对决策树模型进行训练后，再利用测试集对决策树模型进行计算,得到均方误差。优选的，所述决策树模型中每个方框中的百分比表示样本的比例，剩下的数值是相应的预测结果，在每个分割点上,左侧表示条件满足的情况，右侧则表示条件不满足的情况。本发明的益处在于：（1）运用本发明的预测方法，可在线路设计阶段对导线线型、导线分裂间距、极间距等线路参数进一步优化，实现更为环境友好的电网发展方式；（2）运用本发明的预测方法，可在保证合理的电磁环境水平下，尽可能减小输电走廊，降低线路征地及建设成本，具有重大工程实用价值；（3）本发明的预测方法，不仅可以考虑非线性关系,还能将不同的环境参数作为模型的参量进行考虑，更加全面地描述电磁辐射。从而提高其预测精度以及该模型的工程实用价值。附图说明图1为本发明的流程图。图2为电磁环境参数之间的关系图。图3为空间电场参数和离子流参数之间的关系图。图4为无线电干扰ri的决策树模型图。图5为最大标称场强nfs的决策树模型图。具体实施方式一种基于数据挖掘的输电线路电磁环境参数预测方法，如图1所示，包括以下步骤：s1：收集数据，所述数据包括线路基本参数、电磁环境参数和空间电场参数以及离子流参数。本实施例中，主要收集±800kv直流输电线路的基本参数信息及其所对应的电磁环境参数，空间电场参数以及离子流参数。具体的参数和单位如下所示：线路基本参数：分裂导线数、子导线直径(cm)、分裂导线间距(cm)、极间距(m)、导线平均高度(m)、海拔(m)；电磁环境参数：电晕放电(cl,kw/km)、无线电干扰(ri,db)、可听噪声(an,db)；空间电场以及离子流参数：最大标称场强(nfs,kv/cm)、最大复合电场强度(mcefi,kv/cm)、最大离子流密度(micd,na/)。s2：划分数据：将步骤s1收集到的数据划分为自变量和因变量两部分，其中自变量包括所述的线路基本参数，因变量包括电磁环境参数、空间电场参数和离子流参数，系统模型为在上式中，为自变量，为因变量；s3：分析所述电磁环境参数之间的关系，验证ri分别与an、cl线性相关；由上述分析可知，尽管有电晕放电cl、无线电干扰ri、可听噪声an、最大标称场强nfs、最大复合电场强度mcefi和最大离子流密度micd等6个不同的因变量需要分析，但它们当中有一些是高度线性相关的。为了分析其线性相关特性，本实施例首先绘制了不同因变量之间的关系，如图2和图3所示。图2为电磁环境参数之间的关系图。由图2可知，cl，ri和an都有着明显的线性相关性。为了更加严密地证明这一点，本实施例使用检测来判断这三个参量间的线性相关。即首先提出两个空假设，即ri和an没有线性相关性以及ri和cl也没有线性相关性。通过统计的假设，它的表达式可写为:其中为模型线性回归后的斜率，是自变量的标准差。最后统计后就得到线性相关检验假设的结果，如表1所示：表1因变量自变量值riclriannfsmcefimcefimicd由表1可知，通过设定统计阈值为95%，之前提出的两个空假设都会被否定。因此，可以判断ri与an，ri与cl都存在线性相关。图3为空间电场参数和离子流参数之间的关系图。由图3可知，micd和mcefi是线性相关的，而mcefi和nfs之间的关系不明显。同上所述，可以采用了检测对它们之间的关系进行判断。即假设nfs与mcefi不存在线性相关以及nfs与micd也不存在线性相关。检验的结果可以从表1中得到。因此，两个假设都被否定，即nfs与mcefi、micd都存在线性相关。由于显著线性相关的参量，它们理论上有着相近的模型。因此，本实施例只分析了显著线性相关参量的一部分，即只采用ri和nfs进行分析。s5：分析影响电磁环境的主因素；本发明采用信息增益ig作为不同因变量主因素分析的度量方法。信息增益ig是信息从一个状态到另一个状态后信息熵的变化。而信息熵h则是表示系统紊乱程度的度量,其定义为：其中是系统成为状态的概率。比如，一个拥有两个相等概率状态的系统，其信息熵为1，这是两态系统信息熵的最大值，也就是说，这种系统处于完全的无规律状态。此时，信息增益ig则可以表达为：（1）其中表示一系列的训练样本，而代表训练样本的其中一个参数。更大的信息增益代表因素可以为系统的判断带来更大的信息量，即知道参量之后可以大大减小系统的无序程度。根据上述对信息增益的定义，以ri和nfs为因变量，以线路基本参数值作为训练样本，而以分裂导线数、子导线直径、分裂导线间距、导线平均高度和海拔中的任一个作为这个训练样本的其中一个参数，代入式（1）进行计算统计，其结果如表2所示。表2由表2可知，分裂导线数量是影响无线电干扰ri和最大标称场强nfs的主要因素，而分裂导线间距则是影响无线电干扰ri的次要因素，导线平均高度是影响最大标称场强nfs的次要因素。s6：采用决策树回归方法对电磁环境参数和空间电场参数进行预测。由上述分析可知，ri与an、cl都存在线性相关，而nfs与mcefi、micd也存在线性相关。由于线性相关的参量，它们理论上有着相近的模型。因此，本实施例只采用ri和nfs进行分析。构建决策树模型时，决策树模型的每个方框中的百分比表示样本的比例，剩下的数值是相应的预测结果，在每个分割点上,左侧表示条件满足的情况，右侧则表示条件不满足的情况。将整个样本数据分为训练集和测试集两组，训练组占总样本的90%，测试组占总样本的10%，将训练集对决策树模型进行训练后，再利用测试集对决策树模型进行计算,得到均方误差(mse)，均方误差表示了模型的性能。无线电干扰ri的决策树模型如图4所示。正如信息增益所表明的，分裂导线数量是影响它的主要因素，即分裂导线数量的增加产生更小的无线电干扰。同时，在分裂导线数量相当的范围之内，较小的海拔将导致较少的无线电干扰。通过测试集在模型上的计算可以得出，该模型实现了2.44的均方误差。最大标称场强nfs的决策树模型如图5所示。由图5可知，其导体的平均高度越高,分裂导线数量越多,显示的nfs强度越低，而较少的分裂导线数量意味着更大的场强。与无线电干扰决策树模型的结构相似，在一定条件下，子导线直径越小，nfs强度越高。最大标称场强的决策树模型在测试数据上实现了5.46的均方误差。当前第1页12