基于多模型融合Stacking集成学习方式的负荷预测方法

人工智能及机器学习技术的快速发展,为负荷预测问题提供了崭新的解决思路。该文结合人工智能的前沿理论研究,提出一种基于多模型融合Stacking集成学习方式的负荷预测方法。考虑不同算法的数据观测与训练原理差异,充分发挥各个模型优势,构建多个机器学习算法嵌入的Stacking集成学习的负荷预测模型,模型的基学习器包含XGBoost树集成算法和长短记忆网络算法。算例使用ENTSO中瑞士负荷数据对算法有效性进行了验证。预测结果表明,XGBoost、梯度决策树、随机森林模型能够通过自身模型的增益情况对输入数据的特征贡献度进行量化分析;Stacking中各个基学习器的学习能力越强,关联程度越低,模型预测效果越好;与传统单模型预测相比,基于多模型融合的Stacking集成学习方式的负荷预测方法有着较高的预测精度。     

基于Stacking集成学习的有源台区线损率评估方法

人工智能及机器学习的发展,为有源台区线损率的评估提供了崭新的思路。文中提出一种基于Stacking集成学习的有源台区线损率评估方法。首先,从特定系统中提取有源台区数据,采用互信息等方法处理数据中异常值,并建立电气特征指标体系。然后,考虑传统的机器学习与不同思想的集成学习算法之间的差异,综合线性模型与非线性模型,选择线性回归算法、随机森林算法、GBDT算法作为基学习器,构建多算法融合的Stacking集成学习模型。最后,以某省有源台区数据为例,验证了所提方法的准确性和有效性。     

基于SVM SMOTE的电力变压器故障样本均衡化方法

在变压器故障诊断领域,数据集不平衡性带来的极端值、噪声等问题严重影响了分类算法的故障识别能力。为此,提出了一种基于支持向量机(supportvectormachine,SVM)合成少数类过采样(syntheticminority over-samplingtechnique,SMOTE)算法的电力变压器故障样本均衡化方法,并结合机器学习进行故障诊断,以解决不平衡数据集下变压器故障诊断整体精度低的问题。首先,从原理、特点、应用等方面对传统SMOTE算法和SVM SMOTE算法进行了大量研究和分析;然后,以变压器油中溶解气体为样本集,构建了基于故障样本均衡化的变压器故障诊断模型;最后,对所提方法进行了算例仿真。结果显示:相较于传统变压器故障诊断算法,采用SVMSMOTE算法对故障样本进行均衡化后,各评价指标均有大幅提升,其中整体分类准确度αmacro-F1提升了18.9%。研究结果证明所提方法可以有效解决不平衡数据集下变压器故障样本漏判率高的问题,并在其分类上具有更高的精度。     

考虑小波奇异信息与不平衡数据集的输电线路故障识别方法

鉴于输电线路故障识别中数据集的非均衡性问题,提出一种基于小波奇异信息和改进合成少数类过采样(synthetic minority over-sampling technique,SMOTE)算法的输电线路故障识别方法。首先,通过PSCAD/EMTDC仿真构造输电线路故障不平衡数据集,结合平稳小波变换(stationary wavelet transform,SWT)与奇异值分解(singular value decomposition,SVD)技术提取相电流及零序电流的故障分量的小波奇异值作为特征参数,然后采用改进SMOTE算法在少数类的样本中心邻域进行插值再抽样处理,调整数据集的不平衡度,利用优化后的数据集训练支持向量机(support vector machine,SVM)组合分类器,对不同故障工况下的10种输电线路故障类型进行分类识别。仿真结果表明,该文的方法能有效地提高分类算法在样本数据不平衡的情况下对少数类的识别能力和整体的识别准确率,具有较好的泛化性和较强的鲁棒性,并且对多种分类算法同样适用。     

基于朴素贝叶斯网络的输电走廊山火风险评估模型

针对山火风险评估中物理模型构建复杂的问题,提出了一种基于因子选择的朴素贝叶斯网络输电走廊山火风险评估模型.首先,收集和分析了对山火发生产生影响的人为、地表环境和气象3大类共14个影响因子的数据.然后采用Relief算法按照对山火风险影响的重要性对因子进行排序.逐一删减最不重要因子后,基于朴素贝叶斯网络构建最优输电走廊山...     

基于水波算法?因子分析?长短时记忆网络的重要输电通道风险评估预测

重要输电通道风险评估和预测对状态检修和线路运维工作具有指导性意义,而采用传统长短时记忆（long and short-term memory,LSTM）网络对线路风险进行预测时,人为调参困难、预测精度较低,因此,提出了一种基于水波优化-因子分析-长短时记忆（water wave optimization - factor analysis - long and short-term memory,WWO-FA-LSTM）的重要输电通道风险准确评估与快速预测方法。首先,引入Levy分布、高斯–柯西变异算子和线性递减波高对WWO进行改进;其次,获取评估区多维致灾因子,并进行FA降维后作为网络输入,考虑孕灾环境敏感性和承灾体易损性计算出风险指数R_c作为网络输出;通过改进的WWO对LSTM进行不断优化,得到最优化LSTM模型;最后,采用最优化LSTM模型对重要输电通道进行风险预测。结果表明,该模型风险评估准确,模型预测较传统方法降低了误差,适用于输电通道风险评估与预测。     

基于 QPSO-DBN 集成学习的城轨列车定位研究

高精度的定位是实现列车自动驾驶的重要前提。 针对现有机器学习用于列车定位时,存在特征选取理论依据不足、难 以确定恰当的模型结构,从而导致列车定位数据不稳定、不精确等问题,提出了一种基于集成深度置信网络( deep belief network,DBN)的城轨列车定位新方法。 该方法首先对原始数据集进行预处理,其次利用皮尔逊系数对特征进行筛选,然后基于 Stacking 集成模型,利用量子粒子群算法(quantum particle swarm optimization,QPSO)优化集成模型中 DBN 基学习器的结构。 将 所提出的 QPSO-DBN 集成模型与经典机器学习方法、传统算法优化的集成模型相比,进一步提高了列车的定位精度。 最后,通 过仿真实验验证了所提出模型的优越性。     

基于多维关联信息融合的架空输电线路雷害风险评估方法

雷电是危害架空线路运行安全的主要因素,为了能够客观、科学地评价输电线路雷害风险,提出一种基于多维关联信息融合的输电线路雷害风险评估方法。首先采用关联规则量化输电线路所处的环境特征因子和本体特征因子与线路雷击故障的关联关系;其次结合信息熵理论确定各特征因子的熵权,采用灰色关联理论依据关联度和熵权确定不同特征因子的基本信度分配函数;然后通过证据理论融合多个特征因子的基本信度分配函数,确定待评估线路的雷击信度值;最后通过映射关系将雷击信度转换成输电线路雷击跳闸率,并确定风险等级。以南方某市级电网为例,利用该电网2003～2015年35～500kV架空输电线路雷击跳闸信息,构建架空输电线路雷害风险评估模型,评估结果与2016年和2017年实际线路雷击故障相吻合,从而证明了该方法的有效性。     

基于多样性增强集成学习的电池健康状态评估

为了提高多样性、小样本数据条件下电池健康状态的评估精度,基于集成学习理论提出了一种多样性增强的Stacking集成学习回归算法。该算法核心思想是通过基于动态时间规整的K-均值聚类算法构建多样性数据,然后采用Stacking集成学习回归算法学习数据的多样性特征,获得更佳的模型精度,并增强模型对多样性数据的泛化能力。Stacking集成学习回归算法由多个基学习器和一个输出学习器构成,首先通过多个基学习器获得初步结果,然后通过输出学习器对初级结果进行进一步学习获得最终结果。最后采用美国国家宇航局的公开电池数据集验证了算法的有效性。     

输电走廊风险评估一体化平台应用研究

为确保重要输电通道安全运行,提升输电线路抗风险能力,国家电网公司组织开展了重要输电通道风险评估工作。在评估过程当中,山西省电力公司依托风险评估一体化平台,纵向贯通省、市、县(工区)、班组四级单位,合理进行人力调配,实时录入实时分析,简化了工作流程,着力于监督和检查,为后续输电线路通道治理奠定坚实基础。     

基于XGBoost与Stacking模型融合的短期母线负荷预测

母线负荷预测对于电网安全稳定调度具有重要意义,但母线负荷随机波动性较强,其负荷类型因供电区域的差异而不同。为此,提出一种基于极限梯度提升(XGBoost)与Stacking模型融合的短期母线负荷预测方法。基于XGBoost建立多个母线负荷预测元模型,组合构成Stacking模型融合的元模型层,连接一个XGBoost模型对元模型进行融合,整体构成综合预测系统,并采用粒子群优化算法优化系统参数。通过对具有不同负荷属性的220 kV母线进行实例分析,验证了所提方法的有效性与适用性。     

基于GA算法优化Stacking集成学习的金属材料大气腐蚀速率研究

针对大气环境下电网设备中金属材料的腐蚀速率预测问题，提出一种基于遗传算法（genetic algorithm,GA）优化Stacking集成学习算法模型，挖掘大气环境因子与镀锌钢腐蚀速率的关系。该模型为双层结构，融合了多个预测模型的优点。通过GA算法优化第一层各个初级学习器的待调参数，将初级学习器学习到的数据交给第二层次级学习器做进一步拟合。同时，结合K折交叉验证的方式有效降低过拟合现象。结合Spearman相关系数和随机森林特征重要性评估方法，筛选出与镀锌钢腐蚀速率相关性最高的5个环境因子作为输入，由此展开镀锌钢腐蚀速率预测研究。试验结果表明，相较于单一的机器学习模型，该模型能有效提高预测镀锌钢材料腐蚀速率的拟合度，降低预测误差。     

基于山火时空特征的林区输电通道风险评估

穿过林区的供电线路所处地理环境复杂,输电通道山火灾害频发。为研究山火条件下林区输电通道风险评估问题,对四川省凉山州地区某重要负荷的两条输电通道所经过的多个地区的气象数据按时间顺序进行统计。利用森林火险气象等级计算山火发生概率,利用长空气间隙击穿理论计算山火条件下输电线路故障概率,进而建立了具有时空分布特征的山火条件下输电通道风险评估模型,并用算例验证了所提方法的有效性。还对一条输电通道故障,潮流转移至另一条输电通道后的线路运行情况进行了分析,并根据结果提出了相应的降风险措施。     

基于改进云模型和Eclat算法的输电线路极端灾害风险评估

针对当前用于输电线路风险评估的云模型中量化等级依靠人为主观划分的不足,提出一种基于改进云模型和Eclat算法的输电线路极端灾害风险评估方法.首先,基于灾害特征信息选取灾害特征因子和典型极端灾害技术要素;通过FCM算法获取一维数据聚类中心,将聚类中心与传统主观云模型数字特征进行结合得到改进后的组合标准云;考虑灾害造成的停...     

基于运检管控平台多源信息融合的输电线路故障类型诊断方法

输电线路的不同类型故障严重威胁了系统的安全稳定运行,目前的输电线路故障诊断涉及到故障信息非常少,仅侧重于故障录波里的零序电流信息。因此提出了基于运检管控平台的输电线路多源故障信息融合技术,整合形成输电线路不同故障类型下的实际波形数据库及关联信息数据库,采用小波包分析提取不同输电线路故障类型的故障特征值,采用机器学习算法完成多源信息融合的故障诊断。并依据湖南地区历史跳闸线路故障数据进行验证,实际算例验证了所提方法的正确性和有效性。     

基于大数据的输电线路通道智能风险预控技术研究

近年来,输电线路环境变化引起的电网事故越来越多,对电网安全和稳定造成严重影响。考虑到输电线路山火风险的影响因素多而复杂,提出输电线路通道的山火风险评估模型,根据气象数据的统计分析,确定不同火险气象等级下山火发生的概率,结合发生山火时空气间隙被击穿的概率计算模型,建立了具有时空分布特征的山火输电通道风险评估模型。通过算例验证了模型的有效性,实验结果表明,该模型能够有效预测输电通道山火风险,所做研究工作为我国输电通道智能风险管控提供了参考和借鉴。     

特高压输电通道激光-雷达三维可视化系统的建设与研究

介绍了特高压输电通道激光-雷达三维可视化系统建设的目标、结构及其特点,阐述了激光-雷达三维可视化技术在特高压输电通道风险评估中的应用理念,为提升特高压输电通道运检管理水平提出了一种新的技术方法。     

江苏电网启动重要输电通道风险评估

3月18日,国网江苏省电力公司启动重要输电通道风险评估治理工作,以风险评估为手段,以落实治理计划和防范措施为支撑,着力提升重要输电通道的安全防护水平。国网江苏电力将据此制定跨区重要输电线路3～5年的隐患治理实施计划,及重要输电通道特殊区段的运维策略。     

基于多异学习器融合Stacking集成学习的窃电检测

针对窃电检测中用户用电数据类别不平衡、采用投票法作为结合策略的集成学习方法无法充分发挥多个不同学习器优势等问题,提出一种利用Stacking集成学习融合多异学习器的模型应用于窃电检测。首先,从影响电量计量的因素出发,根据常见的5种窃电方法模拟6种窃电行为模式;其次,采用合成少数类过采样技术(SMOTE)对不平衡的用电数据进行处理,并利用K折交叉验证法对平衡后的训练集进行划分以缓解因重复学习造成的过拟合;然后,使用评价指标和多样性度量优选模型的不同初级学习器和元学习器,构建融合不同学习器优势和差异的Stacking集成学习窃电检测模型;最后,算例对比分析结果表明所提窃电检测模型能有效解决用电数据类别不平衡,充分发挥不同学习器的优势,评价指标良好。     

基于高分辨率卫星影像数据高原输电通道巡视技术的研究

近年来,随着西电东输工程的持续推进,位于高原区域的输电线网规模持续扩大,但因受高原气候条件影响,高原区域内的输电通道巡视难度逐步增大。为提升高原输电通道的巡视精度、效率,保障高原输电通道的安全,本文以worldview-3高分卫星影像数据为数据源,采用多尺度分割技术与面向对象分类算法,研究分析高原输电通道关键地物信息的提取方法,研究表明:(1)面向对象算法适用于高分影像数据的信息提取,其地物信息提取精度较高,能够满足输电通道的巡视工作,这表明基于高分卫星影像技术的输电通道巡视可行;(2)基于多尺度分割技术耦合面向对象分类算法提取的大棚信息精度可达95%,可替代人工解译工作,而道路信息精度可相对较低,但仍可替代大部分人工解译工作;(3)与传统野外核查、人工目视解译相比,基于多尺度分割技术耦合面向对象分类算法具有边界精度高、效率高等优势。