[go: up one dir, main page]
More Web Proxy on the site http://driver.im/

CN117408367A - 一种基于pso-rf的输电线路山火跳闸概率预测方法 - Google Patents

一种基于pso-rf的输电线路山火跳闸概率预测方法 Download PDF

Info

Publication number
CN117408367A
CN117408367A CN202311124325.6A CN202311124325A CN117408367A CN 117408367 A CN117408367 A CN 117408367A CN 202311124325 A CN202311124325 A CN 202311124325A CN 117408367 A CN117408367 A CN 117408367A
Authority
CN
China
Prior art keywords
particle
mountain fire
transmission line
power transmission
probability
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202311124325.6A
Other languages
English (en)
Inventor
李磊
刘一民
周晓静
罗亚洲
张哲�
张雷
富梦迪
林柏森
余松
谢从珍
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
North China Grid Co Ltd
Original Assignee
South China University of Technology SCUT
North China Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT, North China Grid Co Ltd filed Critical South China University of Technology SCUT
Priority to CN202311124325.6A priority Critical patent/CN117408367A/zh
Publication of CN117408367A publication Critical patent/CN117408367A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Strategic Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于PSO‑RF的输电线路山火跳闸概率预测方法，包括以下步骤：获取满足精度要求的相关数据信息形成数据集；采用不同机器学习算法对数据集进行训练，分析比较不同机器学习算法对分类预测问题的处理效果；评估模型对于不同预测结果的可信程度或把握程度，引入置信度衡量预测结果可信程度；划分训练集与测试集，以随机森林模型对测试集样本进行跳闸分类预测，展示正确分类样本分别被预测为跳闸与不跳闸的概率；初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，计算每个粒子的适应度值，根据每个粒子的适应度值，更新个体最优解和全局最优解，搜索空间中寻找到较优的解。

Description

一种基于PSO-RF的输电线路山火跳闸概率预测方法
技术领域
本发明属于电力工业与计算机领域，涉及一种基于粒子群算法优化随机森林(PSO-RF)的输电线路山火跳闸概率预测方法。
背景技术
全球平均每年约有3.4％的地球陆地表面积燃烧。2021年美国遭遇了十年来最严峻的山火季，加利福尼亚州的大火以惊人的速度扩散，美国西部的山火覆盖了约5个纽约市的面积，4000平方公里的大片土地被熊熊烈焰吞噬。2020—2023年，我国共统计到森林火灾2478次，火势范围达17507.5公顷，尤其是南方省份，森林火灾频繁发生。
为对山火风险进行提前感知，各学者对山火引发线路跳闸预测方面进行研究，并提出了相关防治措施。周志宇等人(山火灾害下电网输电线路跳闸风险评估研究，周志宇，华北电力大学，电气与电子工程学院，2019年6月)通过真型输电线路山火跳闸试验平台，收集并统计山火燃烧现场的试验数据，总结了温度、烟尘浓度及电子和离子浓度等因素影响输电线路山火击穿的机理，为输电线路山火跳闸模型的建立提供了良好的研究基础。根据大量山火历史统计数据，总结出山火发生的空间(地理)规律和时间规律，并以此为基础，提出了基于山火密度定量预测的输电线路走廊山火预警方法，解决了传统研究仅能对山火灾害进行定性预测及粗略经验性分级的难题，可以更直观、有效地指导输电线路山火防治资源的分配和部署，为电网山火灾害的提前预防和应急处理争取宝贵的时间，利用动态阈值辨识技术、多重嵌套精细化的气象预报计算模式检测输电线路周围小范围山火，实现高精度、高及时性的应急防控，有效地减小了线路跳闸可能性；Imtiaj Khan等人(Aprobabilistic approach for analysis of line outage risk caused by wildfiresImtiaj Khan,Mona Ghassemi Bradley Department of Electrical and ComputerEngineering,Virginia Tech,Blacksburg,VA 24061,USA)开发了组合线路中断概率(CLOP)模型，同时考虑老化故障、电压击穿和由于导体额定值变化而导致的线路跳闸等因素，并采用MATLAB对所提出的组合线路停电模型进行了数值模拟；宋嘉靖等人(山火条件下的架空输电线路停运概率模型宋嘉婧，郭创新，张金江，王越，盛鹍，浙江大学电气工程学院，浙江省杭州市310027；湖南省电力公司调度通信局，湖南省长沙市410007)基于山火导致输电线路空气间隙被击穿的原因,以山火地表火行为数理模型为基础，将模型得出的山火状况作为输入量，引入输电线路可靠性计算中。基于山火导致输电线路空气间隙被击穿的原因，建立了相应的停运概率模型，预测相地放电与相间放电2种情况的停运概率。算例计算了某山火发生后将影响到线路运行的时间，并给出了典型的输电线路在不同山火状态下的停运概率，结果表明模型能够正确反映山火对输电线路可靠性的影响。
现阶段对山火跳闸概率的研究大多从实验机理层面探究山火对线路绝缘水平的影响，对工程现场实验数据依赖较强。且校正系数大多采用经验值，预测模型粗略。山火影响输电线路跳闸是一个复杂过程，基于机理分析的模型大部分是在理想状况之下或者对某些复杂条件进行简化构建而成，难免存在一定的局限性。如何解决传统研究方法的复杂性与主观性，基于已有数据来源提出更为精确的山火跳闸预测方法是需要解决的问题。
发明内容
山火灾害易造成架空输电线路跳闸，威胁电网的稳定运行。本发明为了克服现有技术存在的缺点与不足，为精准预测山火灾害诱发输电线路跳闸风险概率，本发明考虑输电线路历史气象数据与环境植被特征因素对山火跳闸概率的影响，提出一种基于PSO-RF的输电线路山火跳闸概率预测方法
该方法包括输电线路山火特征数据集的构建、机器学习模型选择(最终选择随机森林作为本发明算法)、粒子群算法优化随机森林超参数、模型训练和性能测试。
本发明至少通过如下技术方案之一实现。
一种基于PSO-RF的输电线路山火跳闸概率预测方法，包括以下步骤：
S1、获取的相关数据信息形成数据集；
S2、采用不同机器学习算法对数据集进行训练，分析比较不同机器学习算法对分类预测问题的处理效果；
S3、评估基于不同机器学习算法的山火跳闸概率预测模型对于不同预测结果的可信程度或把握程度，引入置信度(Confidence)衡量预测结果可信程度；
S4、将数据集划分训练集与测试集，对测试集的样本进行跳闸分类预测，展示正确分类样本分别被预测为跳闸与不跳闸的概率。
进一步地，机器学习超参数影响模型分类性能，采用粒子群算法对超参数进行寻优，粒子群中每个粒子都代表一个可能的解，粒子的位置表示解的位置，速度表示解的搜索方向和步长；初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，计算每个粒子的适应度值，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，搜索空间中寻找到较优的解。
进一步地，初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，选取RBF_SVM的3_fold交叉校验平均值为适应度函数，用于评估解的好坏。
进一步地，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，通过不断更新粒子的速度和位置，绘制粒子群位置，得到粒子群优化后随机森林超参数选取值，计算比较粒子群优化前后置信度值。
进一步地，步骤S1中，所述相关数据信息包括输电线路附近历史山火点记录及对应的气象、地理和杆塔基本信息，将相关数据信息构建原始数据集。
进一步地，步骤S2中，机器学习算法包括随机森林、逻辑回归、线性判别、神经网络、梯度提升，对数据集进行训练，并上述5种机器学习算法对原始数据集的分类效果。
进一步地，相关数据信息为我国某电网公司2021年到2022年输电线路发生山火记录的历史数据。
进一步地，步骤S2中，结果表明随机森林算法性能优越，原因在于随机森林采用多棵决策树的集成方法，在保证单棵决策树泛化能力的情况下，综合决策以提高模型的泛化能力；同时随机森林可以很好地处理高维数据，因为在训练过程中会从这些特征中随机选择一部分特征进行划分，从而降低了特征之间的相关性，并且减少了过拟合风险。
进一步地，步骤S3中，如果山火点跳闸分类模型对于某个样本预测为发生跳闸的置信度为K，则理解为模型相信该样本是发生跳闸的概率为K；所述置信度(Confidence)衡量预测结果可信程度为：
其中，P(break)表示线路被预测为跳闸的概率，P(safe)表示线路被预测为安全运行的概率，n为被评估的样本数量。
进一步地，步骤S4中，划分训练集与测试集，以随机森林模型对若干个测试集样本进行跳闸分类预测，计算山火跳闸概率预测模型准确度，绘图展示正确分类样本分别被预测为跳闸、不跳闸的概率。
与现有的技术相比，本发明的有益效果为：
本发明提供的输电线路山火跳闸概率预测方法基于气象、植被实时数据，获取方式较传统山火跳闸概率考虑指标更为容易，且预测准确度达97.37％，置信度达88.80％，预测精度高，可为电网防灾减灾提供一定的指导。
附图说明
为了使本技术领域的人员更好地理解本发明方案，以下将结合附图和具体实施方式对本发明作进一步的详细说明。
图1是本发明实施例的输电线路山火跳闸概率预测方法流程图；
图2是本发明实施例的样本点致灾因子相关指标图；
图3是本发明实施例的样本点网格化取值方法示意图；
图4是本发明实施例的粒子群迭代7次位置图；
图5是本发明实施例的预测模型测试集概率预测效果图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，以下将结合附图和具体实施方式对本发明作进一步的详细说明。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本实施例的一种基于PSO-RF的输电线路山火跳闸概率预测方法，包括以下步骤：
S1、为了增加山火灾害下电网预警精确程度，必须获取满足精度要求的相关数据信息。本实施例研究对象为我国某电网公司所辖区域，除灾害发生的时间地点外，相关信息涉及气象、地理以及杆塔基本信息。
作为一种优选的实施例，选取2021-2022年某电网火点与跳闸点时空数据作为某电网历史输电线路山火分布情况的描述，共计189条山火样本，其中93条山火样本后续引发跳闸，数据来源于某电网公司调度控制中心。基于已知的时间、地理信息，在WheatA小麦芽——农业气象大数据系统V1.5.6获取气象与植被信息。采用生成的时刻、经纬度读取WheatA提供的nc文件，获取对应致灾因子信息，相关指标见图2。因为气象、植被信息分辨率为0.25×0.25，即每个点位代表的范围是一个0.25经纬度网格，所以对山火所在地理、时间信息进行网格化处理，以最近的点位指标进行取值(如图3)。因为数据获取存在一定难度，本发明未考虑人为因素，仅对气象、植被指标进行特征分析。由于数据维度较少，不进行特征选择工作；
S2、采用不同机器学习算法对数据集进行训练，分析比较不同机器学习算法对分类预测问题的处理效果；
本实施例通过采用5个机器学习算法，包括随机森林、逻辑回归、线性判别、神经网络、梯度提升，可以有效地训练和预测复杂的情况。其中，决策树和随机森林算法采用随机数种子random_state＝123，并通过其精确度、准确度、召回率、F1值来衡量其效果。表1列出了5种机器学习模型对原始数据集的分类效果。观察到其中随机森林算法性能优越，原因在于随机森林采用多棵决策树的集成方法，在保证单棵决策树泛化能力的情况下，综合决策以提高模型的泛化能力；同时随机森林可以很好地处理高维数据，因为在训练过程中会从这些特征中随机选择一部分特征进行划分，从而降低了特征之间的相关性，并且减少了过拟合风险；
表1机器学习模型对原始数据集的分类效果
Accuracy Precision Recall F1_score
随机森林 0.9737 0.9752 0.9737 0.9738
逻辑回归 0.7105 0.758 0.7105 0.7091
线性判别 0.7105 0.8285 0.7105 0.6993
神经网络 0.7895 0.8094 0.7895 0.7906
梯度提升 0.8947 0.9158 0.8947 0.8953
S3、为评估基于PSO-RF的输电线路山火跳闸概率预测模型对于不同预测结果的可信程度或把握程度，引入置信度(Confidence)衡量预测结果可信程度。
例如，如果分类模型对于某个样本预测为“发生跳闸”的置信度为0.8，那么可以理解为模型相信该样本是发生跳闸的概率为0.8。采用如下方式计算基于PSO-RF的输电线路山火跳闸概率预测模型总体置信度，表示该模型的可信程度；
其中，P(break)表示线路被预测为跳闸的概率，P(safe)表示线路被预测为安全运行的概率，n为被评估的样本数量。
S4、划分训练集与测试集，以随机森林模型对测试集样本进行跳闸分类预测，展示正确分类样本分别被预测为跳闸与不跳闸的概率；
作为一种优选的实施例，以4：1划分训练集与测试集，以随机森林模型对38个测试集样本进行跳闸分类预测，仅有一条样本出现误分类，分类预测模型准确度达到97.37％。下图展示37个正确分类样本分别被预测为“跳闸”“不跳闸”的概率。PSO优化前，基于RF的输电线路山火跳闸概率预测模型置信度为85.43％。
S5、为优化随机森林超参数，采取粒子群算法进行搜索。初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，计算每个粒子的适应度值，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，搜索空间中寻找到较优的解。
作为一种实施例，按表2初始化粒子群每个粒子的位置和速度：
表2机器学习算法对原始数据集的分类效果
Parameters Initial Value Parameters Initial Value
particle_num 100 c1 2
particle_dim 2 c2 2
iter_num 7 max_value 100
w 0.8 min_value 1
更新粒子速度和位置：
vi(t+1)＝w·vi(t)+c1r1·(pbest_i-xi(t))+c2r2·(gbest-xi(t))
xi(t+1)＝xi(t)+vi(t+1)
其中，vi(t+1)为粒子i在时间步t+1的速度，w为惯性权重，c1和c2为加速因子，r1和r2为随机数，pbest_i为粒子i的个体最优解，gbest为全局最优解，xi(t)为粒子i在t时刻的位置。
选取RBF_SVM的3_fold交叉校验平均值为适应度函数，用于评估解的好坏。计算每个粒子的适应度值，即目标函数在该粒子位置的值，用于评估解的好坏。根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest：
pbest_i＝argmin(fitness(xi(t)))
gbest＝argmin(fitness(xi(t))),for i＝1 to N
其中，fitness(xi(t))为粒子i在时间步t的适应度值，N为粒子群中的粒子数量。
通过不断更新粒子的速度和位置，并利用个体最优和全局最优的信息，PSO算法可以在搜索空间中寻找到较优的解。记录全局最优和个体最优，并不断更新粒子速度和位置，重复迭代7次，粒子群位置如图4，粒子群优化后随机森林超参数选取如表3，粒子群优化前，Confidence＝0.8543；粒子群优化后，Confidence＝0.8880。这表明优化后估计值推断结果的不确定性降低，有更大把握相信结果与真实情况的接近程度。测试集概率预测效果如图5。
表3粒子群优化后随机森林超参数
在本实施例中，通过对某电网记录的历史山火点进行机器学习与智能优化算法的处理分析，可以较为准确地对输电线路走廊山火跳闸事件进行预测分析。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节，也不限制该发明仅为所述的具体实施方式。显然，根据本说明书的内容，可作很多的修改和变化。本说明书选取并具体描述这些实施例，是为了更好地解释本发明的原理和实际应用，从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。

Claims (10)

1.一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，包括以下步骤：
S1、获取的相关数据信息形成数据集；
S2、采用不同机器学习算法对数据集进行训练，分析比较不同机器学习算法对分类预测问题的处理效果；
S3、评估基于不同机器学习算法的山火跳闸概率预测模型对于不同预测结果的可信程度或把握程度，引入置信度衡量预测结果可信程度；
S4、将数据集划分训练集与测试集，对测试集的样本进行跳闸分类预测，展示正确分类样本分别被预测为跳闸与不跳闸的概率。
2.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，机器学习超参数影响模型分类性能，采用粒子群算法对超参数进行寻优，粒子群中每个粒子都代表一个可能的解，粒子的位置表示解的位置，速度表示解的搜索方向和步长；初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，计算每个粒子的适应度值，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，搜索空间中寻找到较优的解。
3.根据权利要求2所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，初始化粒子群每个粒子的位置和速度，更新粒子速度和位置，选取RBF_SVM的3_fold交叉校验平均值为适应度函数，用于评估解的好坏。
4.根据权利要求2所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，根据每个粒子的适应度值，更新个体最优解pbest_i和全局最优解gbest，通过不断更新粒子的速度和位置，绘制粒子群位置，得到粒子群优化后随机森林超参数选取值，计算比较粒子群优化前后置信度值。
5.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S1中，所述相关数据信息包括输电线路附近历史山火点记录及对应的气象、地理和杆塔基本信息，将相关数据信息构建原始数据集。
6.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S2中，机器学习算法包括随机森林、逻辑回归、线性判别、神经网络、梯度提升，对数据集进行训练，并上述5种机器学习算法对原始数据集的分类效果。
7.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，相关数据信息为我国某电网公司2021年到2022年输电线路发生山火记录的历史数据。
8.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S2中，结果表明随机森林算法性能优越，原因在于随机森林采用多棵决策树的集成方法，在保证单棵决策树泛化能力的情况下，综合决策以提高模型的泛化能力；同时随机森林可以很好地处理高维数据，因为在训练过程中会从这些特征中随机选择一部分特征进行划分，从而降低了特征之间的相关性，并且减少了过拟合风险。
9.根据权利要求1所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S3中，如果山火点跳闸分类模型对于某个样本预测为发生跳闸的置信度为K，则理解为模型相信该样本是发生跳闸的概率为K；所述置信度(Confidence)衡量预测结果可信程度为：
其中，P(break)表示线路被预测为跳闸的概率，P(safe)表示线路被预测为安全运行的概率，n为被评估的样本数量。
10.根据权利要求1～9任一项所述的一种基于PSO-RF的输电线路山火跳闸概率预测方法，其特征在于，步骤S4中，划分训练集与测试集，以随机森林模型对若干个测试集样本进行跳闸分类预测，计算山火跳闸概率预测模型准确度，绘图展示正确分类样本分别被预测为跳闸、不跳闸的概率。
CN202311124325.6A 2023-09-01 2023-09-01 一种基于pso-rf的输电线路山火跳闸概率预测方法 Pending CN117408367A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311124325.6A CN117408367A (zh) 2023-09-01 2023-09-01 一种基于pso-rf的输电线路山火跳闸概率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311124325.6A CN117408367A (zh) 2023-09-01 2023-09-01 一种基于pso-rf的输电线路山火跳闸概率预测方法

Publications (1)

Publication Number Publication Date
CN117408367A true CN117408367A (zh) 2024-01-16

Family

ID=89489777

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311124325.6A Pending CN117408367A (zh) 2023-09-01 2023-09-01 一种基于pso-rf的输电线路山火跳闸概率预测方法

Country Status (1)

Country Link
CN (1) CN117408367A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118332521A (zh) * 2024-06-17 2024-07-12 山东建筑大学 一种基于粒子群优化随机森林的地壳形变时序模拟方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118332521A (zh) * 2024-06-17 2024-07-12 山东建筑大学 一种基于粒子群优化随机森林的地壳形变时序模拟方法

Similar Documents

Publication Publication Date Title
AU2018101946A4 (en) Geographical multivariate flow data spatio-temporal autocorrelation analysis method based on cellular automaton
CN103744850B (zh) 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法
WO2021077729A1 (zh) 一种雷电预测方法
CN112749904A (zh) 基于深度学习的配电网故障风险预警方法及系统
Khedairia et al. Impact of clustered meteorological parameters on air pollutants concentrations in the region of Annaba, Algeria
CN107067683B (zh) 一种输电线路山火聚类定量预报方法及系统
CN107704992A (zh) 输电线路雷击风险评估的方法及装置
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
CN113327172A (zh) 一种基于孤立森林的粮情数据离群点检测方法
CN106845728B (zh) 一种电力变压器缺陷的预测方法及装置
CN117408367A (zh) 一种基于pso-rf的输电线路山火跳闸概率预测方法
CN111680712B (zh) 基于日内相似时刻的变压器油温预测方法、装置及系统
CN116739742A (zh) 信贷风控模型的监控方法、装置、设备及存储介质
CN112949735A (zh) 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法
Krakovsky et al. Cyberattack intensity forecasting on informatization objects of critical infrastructures
CN113986999A (zh) 雷电预警方法、预警装置、电子设备和计算机存储介质
CN113688506A (zh) 基于微站等多维数据的潜在大气污染源识别方法
Munir et al. Early identification model for dengue haemorrhagic fever (DHF) outbreak areas using rule-based stratification approach
CN116151799A (zh) 一种基于bp神经网络的配电线路多工况故障率快速评估方法
Ahmad et al. Forest Fire Prediction Using Machine Learning Techniques
CN112926664B (zh) 基于进化算法的特征选择与cart森林的短时强降水预报方法
Xiang et al. A spatial assessment of wildfire risk for transmission-line corridor based on a weighted naïve bayes model
CN117723999B (zh) 电池使用寿命预测方法、装置、设备及存储介质
CN117633456B (zh) 基于自适应焦点损失的海上风电天气事件辨识方法和装置
Sharma et al. A fuzzy inference model for rainfall prediction

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination