[发明专利]基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统

说明书

本发明公开了一种基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统，该方法包括：针对输变电设备的雾霾灾害影响因子进行分类，并按照分类结果对输变电设备在历史雾霾灾害事故下的气象特征因素进行统计；根据被预测的输变电设备信息，选择与输变电设备的雾霾灾害影响因子的对应类，并以该类中历史雾霾灾害事故条件下的气象特征因素集合成训练样本集，以Adaboost集成学习算法训练得到分类器；将输变电设备在雾霾灾害事故下的气象特征因素中的预报数据作为分类器的输入，通过分类器得到输变电设备的雾霾灾害预警输出结果及其置信度的值。本发明针对输变电设备主动性更强，智能程度更高，应用范围更广。

技术领域

本发明涉及电网防护领域，尤其涉及一种基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统。

背景技术

近年来，中国中东部频繁出现大范围雾霾天气，覆盖面积超140万公里，且274个PM2.5重点监测城市中近半数遭遇严重污染。雾霾主要由二氧化硫、氮氧化物和可吸入颗粒物三项组成，其造成的天气污染逐渐已成为人们关注的焦点，同时使电网运行中的输变电设备常常出现跳闸现象，给电网的安全高效运行提出了新的挑战。据相关资料统计显示，雾霾天气不仅使电网输变电设备外绝缘表面受潮，产生的相对湿度平均在80％左右，而且在雾霾沉降的过程中，容易造成绝缘表面积污秽度增加及其对绝缘子污闪电压产生影响。因雾霾造成的严重污闪事故包括：2008年500kV汊桥5296线、2010年500kV东三一线、2013年500kV东明开关站等污闪跳闸事故。因此，提前预测预警输变电设备雾霾灾害风险，可以有效降低输变电设备污闪跳闸事故发生的概率，大力支撑电网安全稳定运行。

现阶段的雾霾预测研究主要集中在有时间序列预测、多元线性回归预测和神经网络预测。在时间序列预测方面，建立的模型参数来源于特定区域或地点，且随时间变化缓慢，较难确定影响权值大的观测变量；在多元线性回归预测方面，存在最小均方差估计回归参数误差较大问题；在神经网络预测方面，虽然模型能够在自适应、学习和并行处理方面都能够表现出优异的性能，但存在如下不足：1)由于不能充分的体现已完成学习的网络模型中泛化能力，导致在雾霾预测时输入参数的改变不能成功对神经元个数重新分配；2)神经网络被常停留在误差梯度较小区域，容易引起收敛速度慢；3)数据训练过程中容易陷入局部最优；4)网络隐含层中的神经元节点个数选取人为干涉较多，且不可更改，缺少统一完整的自我学习能力。

与此同时，这些研究均未考虑到电网输变电设备本身的属性信息，且不具备较强的合理性，导致输变电设备雾霾灾害的客观性有所降低，这样会导致输变电设备雾霾灾害预测预警时间不及时，从而效果不理想。

发明内容

本发明提供了一种基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统，用以解决现有雾霾预测研究考虑电网输变电设备主动性弱，智能程度不高的的技术问题。

为解决上述技术问题，本发明提出的技术方案为：

一种基于Adaboost的输变电设备的雾霾灾害风险预测方法，包括以下步骤：

针对输变电设备的雾霾灾害影响因子进行分类，并按照分类结果对输变电设备在历史雾霾灾害事故下的气象特征因素进行统计；

根据被预测的输变电设备信息，选择与输变电设备的雾霾灾害影响因子的对应类，并以该类中历史雾霾灾害事故条件下的气象特征因素集合成训练样本集，以Adaboost集成学习算法训练得到分类器；

将输变电设备在雾霾灾害事故下的气象特征因素中的预报数据作为分类器的输入，通过分类器得到输变电设备的雾霾灾害预警输出结果及其置信度的值。

作为本发明的方法的进一步改进：

优选地，方法还包括以下步骤：

根据的输变电设备的雾霾灾害预测结果的置信度的值，判定得到输变电设备雾霾灾害风险预警等级。