[发明专利]一种基于随机森林模型的台区停电风险等级预测方法

说明书

本发明提供一种基于随机森林模型的台区停电风险等级预测方法，涉及配电网故障停电评估技术领域。该基于随机森林模型的台区停电风险等级预测方法，包括以下步骤：建立线路故障风险等级预测指标体系；使用过采样SMOTE算法扩充数据；采用机器学习算法构建预测模型并得到模型的精度，并对预测模型的精度进行测试；识别潜在故障风险线路，在完成停电风险等级预测模型构建后，整理数据库中的线路信息形成预测所需数据表，将数据表输入该模型，识别出潜在的高故障停电风险线路。通过识别出具有相似特征的线路，给出线路的故障停电风险等级，以辅助于线路巡检，提前排除故障停电风险。

技术领域

本发明涉及配电网故障停电评估技术领域，具体为一种基于随机森林模型的台区停电风险等级预测方法。

背景技术

随机森林指的是利用多棵树对样本进行训练并预测的一种分类器，在机器学习中，随机森林是一个包含多个决策树的分类器，并且其输出的类别是由个别树输出的类别的众数而定，对于很多种资料，它可以产生高准确度的分类器、处理大量的输入变数、在决定类别时评估变数的重要性等优点。

目前对于配电网故障停电率预测的研究主要有解析法、模拟法、人工智能算法和混合法，但是都要依托于网架结构搭建数学模型，受限性大，无法提前预测故障停电风险。

发明内容

(一)解决的技术问题

针对现有技术的不足，本发明提供了一种基于随机森林模型的台区停电风险等级预测方法，解决了无法预测故障停电风险的问题。

(二)技术方案

为实现以上目的，本发明通过以下技术方案予以实现：一种基于随机森林模型的台区停电风险等级预测方法，包括以下步骤：

S1：建立线路故障风险等级预测指标体系，将历史故障线路及历史非故障的线路分别作为正、负类样本，通过数据探索性分析方法找到典型故障特征后，按照线路故障风险等级预测指标体系构建形成训练数据；

S2：使用过采样SMOTE算法扩充数据，通过SMOTE算法对少数类样本进行分析并根据少数类样本人工合成新样本添加到数据集中，平衡正类样本与负类样本的数量差异；

S3：采用机器学习算法构建预测模型并得到模型的精度，并对预测模型的精度进行测试；

S4：如果模型测试后识别精度不满足业务需求，则重新调整模型参数并构建模型，即重复S3直至精度符合要求；

S5：识别潜在故障风险线路，在完成停电风险等级预测模型构建后，整理数据库中的线路信息形成预测所需数据表，并固定周期常态化开展预测，将数据表输入该模型，识别出潜在的高故障停电风险线路，最终整理形成台账。

优选的，所述线路故障风险等级预测指标体系包括自身影响因素、历史故障特征、外部影响因素和运行影响因素。

优选的，所述自身影响因素包括区域类别、设备投运时间和设备状况，所述设备投运时间包括变压器平均投运时长，所述设备状况包括线路类型、基准电压等级、累计售电量、上月线损率、一年内平均线损率、累计线损率和变压器数量。

优选的，所述历史故障特征包括历史故障数量，所述历史故障数量包括一个月内故障次数、两个月内故障次数、一年内故障次数和历史故障总次数。

优选的，所述外部影响因素包括气温和天气，所述气温包括日最高温、日最低温和日平均气温，所述天气包括天气类型。

优选的，所述运行影响因素包括运行负载情况和检修状况。