CN109299208A - 一种台风灾害下输电杆塔智能可视化风险评估方法 - Google Patents

Abstract

本发明涉及一种台风灾害下杆塔损毁智能可视化风险评估方法，包括：建立数据层，利用台风信息、杆塔信息和地理信息建立空间多元异构数据库，并进行信息数据预处理，并分别按模型侧和目标侧提取数据；建立知识提取层，利用超参数优化和拟合优度法建立输电杆塔损毁概率预测智能模型；在建立可视化处理层，利用ArcGIS对预测结果进行可视化处理。本发明综合考虑台风信息、杆塔信息、地理信息等因素，利用参数优化算法，避免了参数选取的主观性，保证了模型的预测精度与适用性；利用机器学习算法，提高了计算效率，尤其适用于大规模预测；提出了基于不等权拟合优度法的组合模型，能综合多种算法的优点，提高杆塔损毁概率的预测精度。

Description

一种台风灾害下输电杆塔智能可视化风险评估方法

技术领域

本发明涉及一种输变电设备风险评估方法，尤其涉及一种台风灾害下输电杆塔智能可视化风险评估方法，属于电力系统风险评估领域。

背景技术

台风作为极端天气之一，对电力系统的影响巨大，不仅会造成电力设备损毁，还会造成大面积停电，使人民生产生活受到严重影响，因而十分有必要对台风灾害下电力系统安全风险进行研究。台风灾害下电力系统的风险评估及可视化研究，对电力系统防灾减灾具有重要的科学意义和工程应用价值。而相关研究指出，台风天气下绝大部分故障是杆塔故障造成的，因而应当重点关注杆塔的状况。

以往台风灾害下电力系统风险评估的有些方法，仅仅考虑设备运行信息、气象信息等的影响，对于地理信息未及考虑，导致评估结果不够准确；有些方法通过采用经验函数进行量化、简化，但是这个过程具有一定的主观性；有些方法通过建立物理模型、受力分析、函数映射等求解损毁概率，虽然物理意义明确，但是所需参数往往较多，计算复杂，不适合做大规模仿真，并且时常要根据经验进行参数取值，导致模型应用受限。

可见，以往这些方法在风险评估方法上存在考虑因素不够全面、主观性较强、计算较复杂等问题。因此，迫切需要研究一种考虑全面、客观合理、计算迅速的评估方法。

发明内容

本发明主要是解决现有台风灾害下电力系统风险评估方法存在的考虑因素不够全面、主观性较强、计算较复杂等问题，提出一种台风灾害下输电杆塔智能可视化风险评估方法，综合考虑气象信息、设备运行信息、地理信息等因素，利用参数优化及机器学习算法建立杆塔损毁概率预测智能模型，并在此基础上提出基于不等权拟合优度法的组合模型。

本发明技术方案提供一种台风灾害下输电杆塔智能可视化风险评估方法，包括以下步骤：

步骤1，建立数据层，利用台风信息、杆塔信息和地理信息建立空间多元异构数据库，并进行信息数据预处理，并分别按模型侧和目标侧提取数据；

步骤2，在步骤1的基础上建立知识提取层，利用超参数优化和拟合优度法建立输电杆塔损毁概率预测智能模型；

步骤3，在步骤2基础上建立可视化处理层，利用ArcGIS对预测结果进行可视化处理。

而且，步骤1中，台风信息包括最大阵风V，杆塔信息包括设计风速V'和运行时间T，地理信息包括海拔H、坡向A、坡度S、坡位P、下垫面类型U和地表粗糙度R。

而且，步骤1中，信息数据预处理包括缺省值填充、基准换算和标准化。

而且，步骤1中，在模型侧提取数据时，由于损毁数据量远远少于未损毁数据量，一方面将损毁数据进行复制，另一方面随机抽取等量的未损毁数据，以1:1的比例构建训练数据集，类别标签设定为二分变量，y＝0代表杆塔未损毁，y＝1代表杆塔损毁。

而且，步骤1中，在目标侧提取数据时，利用ArcGIS对目标地区进行网格划分和数据提取，包括以下步骤，

(1)对目标地区进行地理网格划分；

(2)利用某次台风下各监测站10m高最大阵风，用反距离权重插值法生成阵风分布图，提取网格内10m高最大阵风V_i,10，其中i(i＝1,2,...,n)代表网格序号；

(3)提取网格i内的杆塔总数N_i、设计风速V’_i,10和运行时间T_i；

(4)提取网格i内地理信息，包括网格i内海拔H_i、坡向A_i、坡度S_i、坡位P_i、下垫面类型U_i和地表粗糙度R_i。

而且，步骤2中，利用机器学习算法结合参数优化建立杆塔损毁概率预测智能模型时，包括对每种智能模型分别进行原始模型评估、超参数优化、相对最优模型选择、全数据拟合和实际预测。

而且，所述相对最优模型选择，包括通过均方误差MSE、平均绝对误差MAE和R²指标的对比，按照MSE与MAE越小、R²越大，则模型越优的原则，选择相对最优模型。

而且，所述实际预测，包括在目标侧，将目标地区的空间多源异构信息输入模型，得到杆塔损毁概率，根据风险评估理论，利用下式计算网格i的风险值

r_i＝P_iN_i

式中，r_i为网格i的风险值，P_i为网格i的损毁概率；N_i为网格i内的杆塔数量。

而且，采用不等权组合中的拟合优度法对多种智能模型进行组合，提出相应的组合模型。

而且，步骤3中，利用ArcGIS的z得分渲染法对预测损毁概率及风险值进行可视化处理，并采用相等间隔10级标注，z得分为：

式中x是原始数据，是损毁概率或者风险值；μ是全部数据的均值；σ为标准差；损毁概率采用等间隔0.1对区间(0,1)进行10级标注；风险值根据最大值进行等间隔10级标注。

本发明具有如下优点：

1.综合考虑台风信息、杆塔信息、地理信息等，考虑因素较为全面；

2.利用参数优化方法确定模型参数，避免了主观性，在提高模型精度的同时兼顾模型适用性；

3.基于机器学习算法的模型计算效率高，尤其适用于大规模预测；

4.提出的基于不等权拟合优度法的组合模型能综合多种算法的优点，提高模型的预测精度。

5.基于不等权拟合优度法的组合模型综合了多种机器学习算法的优点，比单个模型精度更高、适用性更好。

附图说明

图1为本发明的方法流程图。

图2为本发明利用机器学习算法结合参数优化建立杆塔损毁概率预测智能模型的流程图。

具体实施方式

下面通过具体实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

实施例提供的一种台风灾害下输电杆塔智能可视化风险评估方法，包括以下步骤：

步骤1，建立数据层，利用台风信息、杆塔信息、地理信息等建立空间多元异构数据库，并对这些信息进行预处理，并分别按模型侧和目标侧提取数据。

步骤1中，台风信息包括最大阵风V(最大阵风)，杆塔信息包括V'(设计风速)、T(运行时间)等，地理信息包括H(海拔)、A(坡向)、S(坡度)、P(坡位)、U(下垫面类型)、R(地表粗糙度)等各变量，见表2；

具体实施时，数据预处理主要有缺省值填充、基准换算、标准化等，首先按照中位数填充方式处理缺省值，其次根据我国现行荷载规范，风速沿高度的变化可采用指数律进行计算，即

其中，V_z(m/s)为高度为z处的风速，z为想要把风速折算到的高度，通常取10m，实施例中取V₁₀；V₁(m/s)为z₁高度处的风速，z₁为监测风速实际所处的高度，一般由风速监测仪器的高度确定；α为地面粗糙度系数，根据有关资料及国内外规范所选数值，可按表1选用。

表1地面粗糙度系数

最后对数据进行标准化处理(normalization)，即

X^*＝(x-x_min)/(x_max-x_min) (2)

式中，X^*为标准化后的变量；x为原始变量的值；x_min和x_max分别为原始变量中的最小及最大值。

经过处理后的变量如表2所示。

表2变量释义表

分别按模型侧和目标侧提取数据。在模型侧，由于损毁数据量远远少于未损毁数据量，因而模型训练面临数据严重不平衡的事实，这会导致预测结果可能倾向于数据量较多的一方，从而降低模型的可信度，可以通过采样方式来解决这一矛盾。采样方式主要有过采样(oversampling)和欠采样(undersampling)两种，过采样是指对小类样本进行复制，欠采样是指对大类样本进行部分抽取。本发明综合两种方式，一方面将损毁数据进行复制，另一方面随机抽取等量的未损毁数据，以1:1的比例构建训练数据集，类别标签设定为二分变量(y＝0代表杆塔未损毁，y＝1代表杆塔损毁)。

在目标侧，利用ArcGIS对目标地区进行网格划分和数据提取：

(1)对目标地区进行地理网格(具体实施时可利用经纬线构建矩形网格，用于地理信息统计，后简称网格)划分；

(2)利用某次台风下各监测站10m高最大阵风，用反距离权重插值法生成阵风分布图，提取网格内10m高最大阵风V_i,10，其中i(i＝1,2,...,n)代表网格序号，n表示网格的数目；

(3)提取网格i内的杆塔总数N_i、设计风速V’_i,10、运行时间T_i等；

(4)提取网格i内地理信息，包括海拔H_i、坡向A_i、坡度S_i、坡位P_i、下垫面类型U_i和地表粗糙度R_i等。

实施例中，按照图1数据层所示的流程建立空间多源异构数据库，变量见表3，模型侧数据来源于台风“威马逊”及“天鸽”的历史损毁数据，用于建立模型，而目标侧历史数据来源于台风“彩虹”的历史监测数据，用于预测台风“彩虹”下的杆塔损毁风险。

表3变量释义表

步骤2，在步骤1的基础上建立知识提取层，利用超参数优化、拟合优度法等建立输电杆塔损毁概率预测智能模型。

所述的步骤2中，在超参数优化方法基础上，利用机器学习算法立杆塔损毁概率预测智能模型，其流程主要包括原始模型评估、超参数优化、相对最优模型选择、全数据拟合、实际预测等。

(1)原始模型评估，主要是对MSE(Mean Squared Error，均方误差)、MAE(MeanAbsolute Error，平均绝对误差)、R²(R Square，R方)等3个指标进行对比，实现原始模型评估，其中3个指标的表达式如式(3)～(5)所示：

式中，j为测试集数据序号，j＝1,2,…,N；N为测试集数据总量；y_j为第j个数据标签的实际值；f(x_j)为第j个数据x_j的预测值；为y_j的均值。

(2)超参数优化，超参数是模型中需要预先设置的参数，而不是通过训练得到的参数数据，以最小化-R²为目标，利用Python的调参工具“hyperopt”对模型的部分超参数进行优化，并评估模型。

(3)相对最优模型选择，按照MSE与MAE越小、R²越大则模型越优的原则，选择相对最优模型，确定相对最优模型；

(4)全数据拟合，用优化后的超参数进行全数据拟合建模，用于目标侧的预测；

(5)实际预测，在目标侧，将目标地区的空间多源异构信息输入模型，得到杆塔损毁概率，根据风险评估理论，利用式(6)计算网格i的风险值

r_i＝P_iN_i (6)

式中，r_i为网格i的风险值，P_i为网格i的损毁概率；N_i为网格i内的杆塔数量。

所述的步骤2中，利用拟合优度法建立输电杆塔损毁概率预测组合模型，组合预测法(combination forecasting)是指对同一个问题采用不同的方法进行预测，基本形式有等权组合和不等权组合：等权组合，即各预测方法的预测值按相同的权数组合成新的预测值；不等权组合，即赋予不同预测方法的预测值的权数是不一样的，实施例采用不等权组合中的拟合优度法对6种智能模型进行组合，本发明实施例所选6种智能模型分别为逻辑回归(logistic regression，LR)、支持向量回归(support vector regression，SVR)、分类回归树(classification and regression tree，CART)、Adaboost迭代算法、渐进梯度回归树(gradient boost regression tree，GBRT)、随机森林(random forest，RF)等，提出相应的组合模型，即针对6种模型分别执行以上步骤(1)～(5)进行优化后，采用以下公式进行组合，

式中，W_k为各模型的权重，满足式(7)的约束；为第k个预测模型的输出；L为模型的总数，实施例中取值为6，k＝1,2,…,L；为最终的组合模型。

根据拟合优度法，权重表达式为：

式中，SE_k是第k个预测模型的标准差(standard error)，表达式为：

式中，j为测试集数据序号；N为测试集数据总量；y_j为第j个数据标签的实际值；f(x_j)为第j个数据标签的预测值；为y_j的均值。

当各种预测结果较分散，该模型能予以预测标准差最小的模型以最大的权重，使预测结果能够保证拟合优度。本发明利用MAE_k代替SE_k，式(9)变为：

式中，MAE_k是第k个预测模型的平均绝对误差。

实施例中，根据图1知识提取层的流程，首先按照图2步骤建立杆塔损毁概率预测模型。图2中，按照4:1的比例划分数据集，其中80％用于建模，40％用于模型的评估；K为循环指示变量，取值为0到99，控制程序循环100次；MSE(Mean Square Error，均方差)，MAE(Mean Absolute Error，平均绝对误差)，R²(R Square，R方)。对于每个K值，按照4:1划分数据集，进行一次建模及模型评估，循环100次，MSE+＝MSE/100，MAE+＝MAE/100，R²+＝R²/100相当于取100次评估MSE、MAE、R²的平均值，作为最终的模型评估指标。

把模型侧历史数据随机划分为4:1的比例，其中80％数据用结合参数优化方法训练模型，20％数据用于模型评估，并对比MSE、MAE、R²等指标选出相对最优模型，6种模型优化前后的评估结果如表4所示：

表4 6种模型优化前后的评估结果

可见，参数优化后的模型指标均得到了提升，并且相对最优模型为RF，根据式(11)确定组合模型中各模型的权重，结果如表5所示。

表5各模型权重

步骤3，在步骤2基础上建立可视化处理层，利用ArcGIS对预测结果进行可视化处理。

所述的步骤3中，利用ArcGIS的z得分渲染法对预测损毁概率及风险值进行可视化处理，并采用相等间隔10级标注，z得分为：

式中x是原始数据，在本发明中是损毁概率或者风险值；μ是全部数据的均值；σ分母为标准差。损毁概率采用等间隔0.1对区间(0,1)进行10级标注；风险值根据最大值进行等间隔10级标注。

实施例中，如图1所示，根据式(7)和式(6)计算每个网格的损毁概率及风险值，并利用ArcGIS对结果进行可视化处理，则对组合模型的的预测损毁概率及风险值进行可视化处理。

具体实施时，可以采用计算机软件技术实现自动运行以上流程。

本文中所描述的具体实施例仅是对本发明方法的举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做修改或补充或采用类似的方式替代，但并不会偏离本发明的方法或者超越所附权利要求书所定义的范围。

Claims (10)

1.一种台风灾害下输电杆塔智能可视化风险评估方法，包括以下步骤：

步骤1，建立数据层，利用台风信息、杆塔信息和地理信息建立空间多元异构数据库，并进行信息数据预处理，并分别按模型侧和目标侧提取数据；

步骤2，在步骤1的基础上建立知识提取层，利用超参数优化和拟合优度法建立输电杆塔损毁概率预测智能模型；

步骤3，在步骤2基础上建立可视化处理层，利用ArcGIS对预测结果进行可视化处理。

2.根据权利要求1所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：步骤1中，台风信息包括最大阵风V，杆塔信息包括设计风速V'和运行时间T，地理信息包括海拔H、坡向A、坡度S、坡位P、下垫面类型U和地表粗糙度R。

3.根据权利要求1所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：步骤1中，信息数据预处理包括缺省值填充、基准换算和标准化。

4.根据权利要求1所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：步骤1中，在模型侧提取数据时，由于损毁数据量远远少于未损毁数据量，一方面将损毁数据进行复制，另一方面随机抽取等量的未损毁数据，以1:1的比例构建训练数据集，类别标签设定为二分变量，y＝0代表杆塔未损毁，y＝1代表杆塔损毁。

5.根据权利要求1所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：步骤1中，在目标侧提取数据时，利用ArcGIS对目标地区进行网格划分和数据提取，包括以下步骤，

(1)对目标地区进行地理网格划分；

(2)利用某次台风下各监测站10m高最大阵风，用反距离权重插值法生成阵风分布图，提取网格内10m高最大阵风V_i,10，其中i(i＝1,2,...,n)代表网格序号；

(3)提取网格i内的杆塔总数N_i、设计风速V′_i,10和运行时间T_i；

(4)提取网格i内地理信息，包括网格i内海拔H_i、坡向A_i、坡度S_i、坡位P_i、下垫面类型U_i和地表粗糙度R_i。

6.根据权利要求1或2或3或4或5所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：步骤2中，利用机器学习算法结合参数优化建立杆塔损毁概率预测智能模型时，包括对每种智能模型分别进行原始模型评估、超参数优化、相对最优模型选择、全数据拟合和实际预测。

7.根据权利要求6所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：所述相对最优模型选择，包括通过均方误差MSE、平均绝对误差MAE和R²指标的对比，按照MSE与MAE越小、R²越大，则模型越优的原则，选择相对最优模型。

8.根据权利要求6所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：所述实际预测，包括在目标侧，将目标地区的空间多源异构信息输入模型，得到杆塔损毁概率，根据风险评估理论，利用下式计算网格i的风险值

r_i＝P_iN_i

式中，r_i为网格i的风险值，P_i为网格i的损毁概率；N_i为网格i内的杆塔数量。

9.根据权利要求6所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：采用不等权组合中的拟合优度法对多种智能模型进行组合，提出相应的组合模型。

10.根据权利要求1或2或3或4或5所述的一种台风灾害下输电杆塔智能可视化风险评估方法，其特征在于：步骤3中，利用ArcGIS的z得分渲染法对预测损毁概率及风险值进行可视化处理，并采用相等间隔10级标注，z得分为：

式中x是原始数据，是损毁概率或者风险值；μ是全部数据的均值；σ为标准差；损毁概率采用等间隔0.1对区间(0,1)进行10级标注；风险值根据最大值进行等间隔10级标注。