[發明專利]一種基于組合分類器的雷擊輸電線路故障概率分析方法

有效

• 申請號: 202010011919.6
• 申請日: 2020-01-07
• 公開（公告）號: CN111210075B
• 公開（公告）日: 2023-05-12
• 發明（設計）人: 杜榮宇;徐箭;徐靜;王俊;王力;曹文斌;劉朝陽;曹志鵬;張衛軍;張智博;隋俊鵬;崔照鑫;常旭東;姚良忠;黎雄;廖思陽;張明一
• 申請（專利權）人: 國網遼寧省電力有限公司朝陽供電公司;武漢大學;國家電網有限公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q10/0635;G06Q50/06;G06N3/126;G06F18/23213;G06F18/2411;G06F18/214;G06F18/21
• 代理公司: 鞍山嘉訊科技專利事務所(普通合伙) 21224
• 代理人: 張群

1.一種基于組合分類器的雷擊輸電線路故障概率分析方法，其特征在于，包括如下步驟：

步驟1：導入測試數據集：包括數據的特征屬性和分類類別，隨機生成模型的訓練數據集和驗證數據集；對訓練的數據進行預處理，包括離散化處理和歸一化處理，歸一化處理如式x→x'＝(x-x_min)/(x_max-x_min)，其中，x_max,x_min分別表示此列特征屬性中的最大值和最小值，x'表示歸一化后的特征屬性；

步驟2：針對樣本的不平衡分布進行處理；在分類問題中，訓練數據不平衡指的是不同類別下的樣本數量相差太大，采用數據集劃分的方式設計相應的大樣本類別和小樣本類別的比例，大樣本類別稱為MA類別，小樣本類別稱為MI類別；設原始數據集中各類別的樣本比例為MA:MI＝p:q(p＞＞q)，樣本總數為m，則MA類別的樣本數為mp/(p+q)，MI類別的樣本數為mq/(p+q)，若希望子集中的MA類別樣本數和MI類別樣本數的比為s:t，則mp/(p+q)個MA類樣本被劃分為pt/qs個子集，該劃分的子集數即為kmeans聚類分析的聚類群數k；

步驟3：采用kmeans聚類分析劃分訓練子集數，進行訓練子集的劃分，先對未曾發生過雷擊跳閘故障的輸電線路桿塔進行k-means聚類分析得到k個子集，再將發生過雷擊跳閘故障的桿塔樣本加入到上述k個子集中得到k個訓練子集；優化支持向量機的參數，分別對k個訓練模型的懲罰參數C和核函數參數g進行尋優，并對各個模型的分類結果進行比較；

本步驟進一步包括子步驟：

3.1設置網格搜索法中C和g的搜索范圍和搜索步距；其中，C的初始范圍設為[2-5,25]，g的初始范圍設為[2-10,210]，搜索步長設為2；

3.2利用步驟3.1中網格搜索法搜索出參數組(C,g)的初步最佳值，即(bestC,bestg)，將該組參數值作為后續遺傳算法的基準值；

3.3設定遺傳算法中參數尋優的范圍；其中，C的范圍設為(0.5bestC,2bestC)，g的范圍設定為(0.5bestg,2bestg)；

步驟4：對各個子模型的分類結果采用如下的評價指標進行比較；

步驟5：建立雷擊故障概率預測模型，通過選取分類性能靠前的支持向量機分類器構建多支持向量機的組合分類器，綜合不同參數訓練下的支持向量機的輸出，得到輸電線路桿塔的雷擊故障概率；具體包括如下：

通過建立多SVM組合分類器對整個樣本集進行分類預測，根據每個SVM模型中各個桿塔樣本分別到相應分類超平面的距離得到每株桿塔歸屬類別的概率，建立基于多SVM組合分類器的桿塔的雷擊風險評估方法；

其中，各個桿塔樣本所屬類別的概率計算采用如下的方法：

式中，g(x)的大小表示待分類的樣本到分類超平面的距離，其正負表示該樣本與分類超平面的相對位置的方向；P(C₁|x)和P(C₀|x)分別表示待分類的樣本被分類為1和0的概率，易知P(C₁|x)+P(C₀|x)＝1；

SVM輸出的概率反映了待分類樣本屬于不同類別的可能性，能夠有效地針對待分類樣本與最優分類超平面的距離進行歸一化處理，從而針對輸出結果進行可信度評價：

R＝max{P(C₁|x),P(C₀|x)}????????????????????????????(4)

對于二分類問題，可信度R在50％—100％之間；

x_i(i＝1,2,...,N)為輸電線路桿塔的特征輸入量；y_i(i＝1,2,...,M)為利用不同參數進行SVM訓練后分別得到的對于輸電線路雷擊風險的預測值；y_i＝1表示輸電線路雷擊風險為“1”，y_i＝0表示輸電線路雷擊風險為“0”，Z表示多SVM分類器的輸出結果；

即當且僅當多個SVM的輸出結果均為1時，多SVM分類器對于輸電線路桿塔雷擊風險的評估結果才為“1”，此時，需要針對該桿塔安裝有效的防雷措施；否則，多SVM分類器的輸出結果為0，表示輸電線路桿塔的雷擊風險為“0”。