基于自适应增强学习的输电线路覆冰风险预测的制作方法

本发明涉及输电线路覆冰分析领域，特别是一种基于自适应增强学习的输电线路覆冰风险预测。
背景技术：
：随着电网在线监测技术的发展,输电线路覆冰数据种类越来越越多,各种各样的异构大数据不断增长,传统数据分析方法与模型已不能满足日益增长的覆冰数据需求。因此,采用机器学习方法对大规模异构性覆冰数据进行分析,构建有效地覆冰预测模型与覆冰风险管理方法,对于提前预防区域电网冰冻灾害、保障电网安全稳定运行具有十分重要的科学意义和应用前景。技术实现要素：本发明的目的是为了解决上述问题，设计了一种集成机器学习的输电线路覆冰风险预测。具体设计方案为：一种基于集成机器学习的输电线路覆冰风险预测,包括学习部分，参数确定部分，在参数确定部分中，先进行参数的确定，获得初始训练集，再基于初始训练集进行学习部分，所述参数确定步骤包括，设备台账数据、覆冰在线监测数据、外部气象环境数据、光纤复合架空地线覆冰荷载监测。在所述学习部分中，包括学习步骤、调整步骤、加权步骤、分析步骤，所述学习步骤、调整步骤依次交替往复进行多次，然后依次进行加权步骤、分析步骤。所述学习步骤中，先从初始训练集训练出一个基学习器，获得一次基础训练样本，所述调整步骤中，根据基学习器的表现对一次基础训练样本分布进行调整，使得先前基学习器做错的训练样本在后续得到纠正，获得一次调整训练样本和对应的权重值，替进行的第二次学习步骤中，基于所述一次调整训练样本分布来训练下一个基学习器，获得二次基础样本，交替进行的第二次调整步骤中，根据基学习器的表现对二基础训练样本分布进行调整，使得先前基学习器做错的训练样本在后续得到纠正，获得二次调整训练样本和对应的权重值，依次交替进行学习步骤、调整步骤t次。所述设备台账数据的参数包括线路名称（编号）、电压等级、杆塔类型、导线类型及具体参数，杆塔gis坐标、海拔高度、周边地形地貌。覆冰在线监测数据的参数包括终端类型、生产厂家、位置，覆冰时间、温度、湿度、风向、覆冰重量、覆冰厚度、最大拉力、最大拉力时风偏角、最大拉力时倾斜角，导线负荷、温度。所述外部气象环境数据参数包括对于未安装覆冰监测装置的线路杆塔，采用地方气象部门提供的相关数据，包括温度、湿度、风向、风速、降水。光纤复合架空地线覆冰荷载监测的参数包括内部光纤温度、应变值和应力，覆冰荷载。所述加权步骤中，将这t次基学习器进行加权结合，基于“加性模型”，即基学习器的线性组合来最小化指数损失函数的分析算法。所述分析步骤中，使用所述分析算法对冰层进行分析。通过本发明的上述技术方案得到的集成机器学习的输电线路覆冰风险预测，其有益效果是：利用输电线路覆冰相关的设备台账、在线监测、外部气象环境等历史数据进行模型学习和训练，建立覆冰发生风险和覆冰载荷估算的机器学习模型；对当前时刻输电线路数据（尤其是未安装覆冰在线监测终端或复合架空地线覆冰荷载监测系统的线路）进行相应的预测分析，得出当前线路是否会发生覆冰或者实际覆冰载荷及厚度的预测数据。附图说明图1是本发明实际测试集覆冰情况结果。图2是本发明测试集预测的覆冰情况结果。图3是本发明测试集覆冰厚度增长实际值结果。图4是本发明测试集覆冰厚度增长预测值与实际值比较。具体实施方式下面结合附图对本发明进行具体描述。一种基于集成机器学习的输电线路覆冰风险预测,包括学习部分，参数确定部分，在参数确定部分中，先进行参数的确定，获得初始训练集，再基于初始训练集进行学习部分，所述参数确定步骤包括，设备台账数据、覆冰在线监测数据、外部气象环境数据、光纤复合架空地线覆冰荷载监测。在所述学习部分中，包括学习步骤、调整步骤、加权步骤、分析步骤，所述学习步骤、调整步骤依次交替往复进行多次，然后依次进行加权步骤、分析步骤。所述学习步骤中，先从初始训练集训练出一个基学习器，获得一次基础训练样本，所述调整步骤中，根据基学习器的表现对一次基础训练样本分布进行调整，使得先前基学习器做错的训练样本在后续得到纠正，获得一次调整训练样本和对应的权重值，交替进行的第二次学习步骤中，基于所述一次调整训练样本分布来训练下一个基学习器，获得二次基础样本，交替进行的第二次调整步骤中，根据基学习器的表现对二基础训练样本分布进行调整，使得先前基学习器做错的训练样本在后续得到纠正，获得二次调整训练样本和对应的权重值，依次交替进行学习步骤、调整步骤t次。所述设备台账数据的参数包括线路名称（编号）、电压等级、杆塔类型、导线类型及具体参数，杆塔gis坐标、海拔高度、周边地形地貌。覆冰在线监测数据的参数包括终端类型、生产厂家、位置，覆冰时间、温度、湿度、风向、覆冰重量、覆冰厚度、最大拉力、最大拉力时风偏角、最大拉力时倾斜角，导线负荷、温度。所述外部气象环境数据参数包括对于未安装覆冰监测装置的线路杆塔，采用地方气象部门提供的相关数据，包括温度、湿度、风向、风速、降水。光纤复合架空地线覆冰荷载监测的参数包括内部光纤温度、应变值和应力，覆冰荷载。所述加权步骤中，将这t次基学习器进行加权结合，基于“加性模型”，即基学习器的线性组合来最小化指数损失函数的分析算法。所述分析步骤中，使用所述分析算法对冰层进行分析。实施例1覆冰厚度预测使用自适应增强学习做覆冰增长做预测，选取的特征参数不变，根据这些特征参数给出此时刻至下一时刻覆冰增长量大小的预测。以某110kv线路杆塔为例，使用支持向量回归（svr）的方法预测覆冰增长量。得到了2014年2月6日至2月15日和2015年1月28日至2月7日两个时间段的线路信息，包括时间，温度，湿度，线路覆冰厚度，电压等级，线路容量，导线分裂，导线面积，导线设计电流，降水量，光照强度，风速和实际电流，这些信息包含线路设计时规定的信息以及运行中传感器测量得到的信息。其中，导线设计电流可以由电压等级，线路容量计算得出，光照强度可以由相应传感器测量得到，当该项数据为空时，可以从内置的典型气象参数曲线中读取出来。实际电流由变电站或电流互感器测量，在本仿真中对于2014年的数据假设实际电流为300a，对于2015年的数据假设实际电流为250a。由于考虑到本时刻的覆冰厚度是否增长不止取决于本时刻的线路运行状态和气象条件，也与之前时刻的气象条件有关，因此引入相空间重构的方法，引入之前10，20，40，60，90，120，180，300分钟时刻时的温度作为参数值。同时，认为覆冰厚度的增长与低温度的长时间持续有关，因此引入本时刻之前1小时内的温度积分值作为参数，即认为：同时，由于得到的数据中含有人工干预或自然融冰使得覆冰厚度减小的情况，对于算法的训练而言没有意义，因此预先将覆冰厚度减小的数据去除。训练决策树得到的混淆矩阵如下：predict=0predict=1actual=016764actual=1823941决策树在测试集上整体的准确度为96.6%。图4是本发明训练集和测试集覆冰厚度增长预测值与实际值比较，使用支持向量回归对线路覆冰厚度的增量做预测。输入参数即前文中经过相空间重构给出的参数，输出为本时刻覆冰厚度的增量，训练集和测试集决策树的训练集和测试集相同。支持向量机使用高斯核，使用，取c=0.2。得到的结果使用了2384台支持向量机，训练集误差为0.28%。在训练集和测试集上整体的回归结果和实际结果对比如下图，预测结果与覆冰实际增长情况基本吻合。上述技术方案仅体现了本发明技术方案的优选技术方案，本
技术领域：
的技术人员对其中某些部分所可能做出的一些变动均体现了本发明的原理，属于本发明的保护范围之内。当前第1页12