基于隨機風場概率加權的輸電線路破損概率預測混合模型

基于隨機風場概率加權的輸電線路破損概率預測混合模型

0輸電線路損壞預測模型臺風災害頻繁發(fā)生，建設期長，影響范圍廣，具有明顯的連通性。它對沿海地區(qū)的電網(wǎng)造成了巨大的破壞，電網(wǎng)線路的塔架傾斜，塔架和連接線的衰落，以及大面積的能源損失。盡管許多學者已對臺風災害下的電網(wǎng)風險進行了研究關于相關數(shù)據(jù)的收集，文獻關于數(shù)據(jù)的利用，文獻在當前的輸電線路損毀預測建模工作中，文獻綜上所述，未來的研究趨勢是統(tǒng)計分析與因果算法相結合，而當前研究在統(tǒng)計分析方面考慮因素不夠全面，建立的因果算法效率偏低、適用性不夠。因此，本文構建了臺風災害下輸電線路損毀預警框架，在該框架中建立了基于極值Ⅰ型概率分布、蒙特卡洛法及隨機森林法的輸電線路損毀概率預測混合模型，其中極值Ⅰ型概率分布對隨機陣風風值進行模擬，蒙特卡洛法實現(xiàn)了隨機風場的概率生成，隨機森林法預測每個風場下的線路損毀概率。隨后介紹了各功能模塊在中國廣東電網(wǎng)臺風“山竹”預警中的應用，通過與實際災損情況對比，驗證了本文所提方法的科學性與實用性。1基于功能模塊為了防止臺風災害對輸電線路造成的損毀，擬構建臺風災害下輸電線路損毀預警框架，包括信息采集、信息處理、損毀預警等3個功能模塊，如圖1所示。信息采集模塊用于收集各類信息并傳遞到信息處理模塊進行處理，信息經(jīng)過處理后進入損毀預警模塊，建立損毀概率預測混合模型，對預測結果進行可視化展示。2為應對能源線路損壞而設計的框架模塊為2.1利用新能源的地理信息技術信息采集模塊的功能是采集輸電線路風災預警所需信息，主要包括氣象信息、設備運行信息、微地形信息、實時損毀信息等，信息來源主要是氣象部門、電力部門等?？衫玫乩硇畔⒓夹g輔助采集，如利用ArcGIS10.4.1對陣風、微地形特征進行反距離權重插值處理，并將相關數(shù)據(jù)提取到設備所在坐標點。因輸電線路是由輸電桿塔、絕緣子和金具、導地線等組成的結構體系，本文主要考慮輸電線路這一結構體系中的輸電桿塔其中，氣象信息和實時損毀信息可根據(jù)現(xiàn)場情況實時更新，以保證建模能夠使用更新和更全面的數(shù)據(jù)，因此，信息采集模塊具備在線監(jiān)測能力。2.2缺省值填充方法信息處理模塊的功能是信息量化、缺省值處理、基準值換算、標準化處理等。信息量化的作用是將非數(shù)據(jù)格式的信息轉化為數(shù)據(jù)格式；缺省值填充方法的選擇主要與數(shù)據(jù)的缺失程度和原始分布形式有關，本文使用中位數(shù)填充缺失值式中：V氣象臺站在開闊平坦地區(qū)，地面粗糙度一般按B類考慮。本研究的V對數(shù)據(jù)進行標準化處理（normalization），即式中：X2.3破壞報告模塊的建設損毀預警模塊，主要是建立基于極值Ⅰ型概率分布、蒙特卡洛法及隨機森林法的輸電線路損毀概率預測混合模型。2.3.1基于矩估計法的尺度參數(shù)估計極值Ⅰ型概率分布得到的結果更加保守式中：a為分布的尺度參數(shù)；u為分布的位置參數(shù)。并且a>0,u∈(-∞，+∞)。其概率密度分布函數(shù)為：本文利用矩估計法對尺度參數(shù)和位置參數(shù)進行估計。一階矩（數(shù)學期望）為：其中y≈0.57722，二階矩（方差）為：由此得到：由式（3）可知，風速x本文采用柯爾莫哥洛夫-斯米爾諾夫假設檢驗式中：n2.3.2學習器的多樣性隨機森林法因此，隨機森林法中的基學習器的多樣性不僅來自樣本擾動，還來自屬性擾動，這使得最終集成的泛化性能可通過個體學習器之間差異度的增加而提升2.3.3系統(tǒng)風速點風速集合的確定非序貫蒙特卡洛法又稱為狀態(tài)抽樣法本文中，每個風速點相當于系統(tǒng)的一個元件，風速點的集合相當于系統(tǒng)，抽樣風速相當于元件的一種狀態(tài)，且符合極值Ⅰ型概率分布，所有風速點風速的集合即整個風場分布相當于系統(tǒng)的狀態(tài)。2.3.4點和點預測風場為更為精確地計算輸電線路損毀概率，本文提出輸電線路損毀概率預測混合模型，用極值Ⅰ型概率分布和蒙特卡洛法模擬隨機風場，用隨機森林法預測每個風場下的線路損毀概率，實現(xiàn)了基于隨機風場概率加權的輸電線路損毀概率預測。該模型首先基于極值Ⅰ型概率分布，以風速點為單位模擬預測風場的分布，風速點的精度可達到1km×1km。陣風系數(shù)是平均風折算到瞬時風時乘以的系數(shù)，一般定義為3s瞬時風速與時距10min的平均風速之間的比值其次，基于蒙特卡洛法實現(xiàn)隨機風場的概率生成。由于本文的數(shù)據(jù)是各個風速點的預測風速，因此可以直接用來擬合風場的邊緣概率分布，而無須考慮整個風場的聯(lián)合概率分布。在每個風速點上依據(jù)極值Ⅰ型概率分布隨機生成K次風速w最后，在每次隨機風場下，利用隨機森林法計算桿塔的損毀概率f(x式（12）不僅使用多次生成風速w由于本文建立的損毀概率預測混合模型在預測時需要使用蒙特卡洛法，計算量較大，因此，離線進行數(shù)據(jù)處理、模型訓練、損毀預測，并將預警結果進行可視化。同時，結合在線監(jiān)測技術，實時監(jiān)控損毀信息，更新建模數(shù)據(jù)庫，將離線計算的高效性與在線監(jiān)測的實時性相結合，不斷提升模型預測精度。2.4動態(tài)相似度分析為了對比單一模型與本文所提混合模型的預測結果，定義4個相似度指標。1）分布相似度為了量化預測損毀與實際損毀的相對位置，利用文獻2）量級相似度為了分析不同概率閾值下?lián)p毀預測量級與實際損毀量級的相似關系，定義概率閾值P式中：P3）累積相似度同時定義累積相似度為：式中：l為概率閾值的級數(shù)；S4）綜合相似度最后，綜合分布相似度和累積相似度，定義綜合相似度為二者的算數(shù)平均數(shù)，即式中：C3電力線路“廬山”的破壞和報警3.1廣東“山竹”概況2018年9月16日17時，第22號熱帶氣旋“山竹”（強臺風級）在廣東臺山海宴鎮(zhèn)登陸，登陸時中心附近最大風力14級（風速45m/s，相當于162km/h），中心最低氣壓95.5kPa根據(jù)廣東省氣候中心的統(tǒng)計數(shù)據(jù)，“山竹”是歷史上登陸廣東且造成陸面大風影響范圍最廣、大風影響持續(xù)時間最長、陣風風速最大的臺風。3.2通過配電線路破壞報警結構系統(tǒng)的應用3.2.1信息采集及描述除了氣象部門、電網(wǎng)部門等直接提供的信息，本文根據(jù)2.1節(jié)用ArcGIS10.4.1輔助采集，采集“威馬遜”“彩虹”“海鷗”“天鴿”4次臺風的數(shù)據(jù)進入信息處理模塊進行處理。針對此次臺風“山竹”，采集以下信息。1）臺風登陸前24h逐小時預測最大陣風和1340個監(jiān)測點的實測最大陣風，并根據(jù)2.1節(jié)用ArcGIS10.4.1輔助采集，預測及實測陣風分布分別如附錄A圖A2、圖A3所示。2）廣東沿海11個市主網(wǎng)（35kV及以上線路）設計風速、運行年限等運行信息，其中桿塔歷史加固效應反映在數(shù)據(jù)中是設計風速的變更，線路分布如附錄A圖A4所示。3）廣東省1km×1km地理信息數(shù)據(jù)，包含海拔、坡向、坡度、坡位、下墊面、地表粗糙度等，利用ArcGIS10.4.1輔助采集，各地理信息分布如附錄A圖A5所示。坡位及下墊面釋義分別如附錄A表A1和表A2所示。3.2.2數(shù)填充缺省值隨機森林訓練首先對收集的信息進行量化，本文用1表示桿塔損毀狀態(tài)，0表示桿塔未損毀狀態(tài)；用中位數(shù)填充缺省值，用式（1）和式（2）對數(shù)據(jù)進行處理，最終得到表2所示變量，部分訓練數(shù)據(jù)如附錄A表A3所示。以表2中的變量作為輸入對模型進行隨機森林訓練，用于建立線路損毀預測模型。預測時，表2中除實時損毀信息外的變量作為輸入，模型輸出預測損毀概率。3.2.3損壞概率預測混合模型預測結果及比較首先計算不同置信度水平下的拒絕率，以驗證極值Ⅰ型概率分布模型的擬合精度。如附錄A表A4所示，拒絕率在α=0.2時最高為0.0915，即極值Ⅰ型概率分布模型的擬合精度至少為90.85%，表明了本文使用該模型的科學性。隨后比較各方法的預測效果。1）利用2.3.2節(jié)所述的單一模型隨機森林法分別對預測風場及實測風場情況下的輸電線路損毀情況進行評估，預測陣風情況下的評估結果如附錄A圖A6所示。從圖中可以看出，損毀概率較高的線路集中分布在江門、中山、珠海、惠州、汕尾等沿海地區(qū)且較為貼近海岸線。除肇慶市、深圳市因缺乏相關信息而沒有預測結果外，損毀概率為0.6～1.0的預測損毀線路分布與實際損毀位置較為一致。實測風場情況下，利用單一模型隨機森林法計算得到損毀概率評估結果如附錄A圖A7所示?？梢?，其結果與預測陣風的預測結果相似，說明實際風速下的損毀預測結果較為合理。2）利用本文所提出的損毀概率預測混合模型，按照2.3.4節(jié)所述的方法進行輸電線路損毀預測，預測結果如附錄A圖A8所示。從圖中可以看出，江門、中山、珠海、惠州、汕尾等沿海地區(qū)的損毀概率較高，除肇慶市、深圳市外，損毀概率大于0.6的損毀預測分布與實際損毀位置較為接近，說明損毀概率預測混合模型的預測結果較為合理。通過與附錄A圖A6、圖A7中的預測結果對比可見，損毀概率預測混合模型的預測結果中，損毀概率位于0.6～1.0的高損毀概率線路分布更為集中，除保持與實際損毀位置較為接近的特征外，還減小了湛江東部沿海等風速較小地區(qū)的損毀概率。在配置為Inteli5-4210U,4GB內存的計算機上，完成一次計算所需時間是3333.11s，小于1h。因此，當使用24h預測數(shù)據(jù)時，可以實現(xiàn)臺風登陸前23h發(fā)布預警，從而為應急搶修工作提供更為精確的指導。根據(jù)工程經(jīng)驗，廣東省內各供電局搶修人員和物資可在10h內完成跨區(qū)支援和部署3）相似度分析。分別對3種預測結果與實際損毀情況進行分布相似度計算，得到的結果如附錄A表A5所示?？梢姡瑔我荒Ｐ碗S機森林法在實測陣風下的損毀預測分布與實際損毀情況最為接近，為0.0152，而在預測陣風下僅為0.00985，說明預測風速分布的不確定性對預測結果影響較大。采用損毀概率預測混合模型后，相似度提升到了0.0107，說明采用極值Ⅰ型概率分布與蒙特卡洛法模擬臺風風場具有一定的科學性，能夠計入臺風的不確定性，提升預測結果的精度。假設預測損毀概率大于某個閾值時認為桿塔損毀，統(tǒng)計得到3種預測結果在各級概率閾值下的損毀量級如表3所示，可視化如圖2所示。從圖2中可見，當概率閾值為0.7時，損毀概率預測混合模型量級相似度最高，而單一模型隨機森林法在預測和實測陣風下均是概率閾值為0.9時相似度最高，但遠低于預測混合模型，說明損毀概率預測混合模型量級更加精確。為便于比較，將斷線塔段的相關桿塔計入實際損毀桿塔，得到現(xiàn)有數(shù)據(jù)范圍內桿塔實際損毀數(shù)量為16，則各模型的累積相似度如附錄A表A6所示?？梢?，預測陣風下單一模型隨機森林法的累積相似度為0.0471，盡管在實測陣風下，單一模型隨機森林法的累積相似度也僅為0.0416，而損毀概率預測混合模型的累積相似度最高，為0.347。這說明在量級預測方面，損毀概率預測混合模型更為合理，能夠減小預測誤差。最后，綜合相似度結果如附錄A表A7所示?？梢?，綜合相似度以損毀概率預測混合模型為最優(yōu)，因此本文所提模型具有科學性和合理性，能應用于工程實際。同時，本文為了驗證工程經(jīng)驗的24h預測風速分布最準確的說法，使用登陸前36h、48h和72h風速預測數(shù)據(jù)，計算并比較分布相似度指標，其結果如附錄A表A8所示?？梢?，提前更長時間的分布相似度遠低于24h，這會導致預測損毀與實際損毀地理分布有較大偏差，對人員物資調配不利。因此，應當使用登陸前24h預測風速數(shù)據(jù)，與工程經(jīng)驗相符。損毀概率預測混合模型利用極值Ⅰ型分布與蒙特卡洛法多次模擬風場，在給出風場置信概率的前提下采用隨機森林法計算每個風場下輸電線路的損毀概率，最后計算平均損毀效應。而單一模型隨機森林法則僅利用預測期間的最大陣風風場，會導致有效信息的損失。因此，損毀概率預測混合模型比單一模型實際應用價值更高。4符合未來展望和展望1）本文建立了臺風災害下輸電線路損毀預警框架，在該框架的損毀預警模塊中，提出了基于極值Ⅰ型概率分布、蒙特卡洛法及隨機森林法的輸電線路損毀概率預測混合模型，實現(xiàn)了數(shù)值模擬與統(tǒng)計分析的結合。2）與單一模型隨機森林法相比：一方面，損毀概率預測混合模型能夠提升損毀預測分布的精度；另一方面，又能彌補單一模型損毀量級預測的不足，減