[发明专利]基于集成学习的输电线路跳闸率预测方法及装置

权利要求书

1.一种基于集成学习的输电线路跳闸率预测方法，其特征在于，所述方法包括：

获取输电线路跳闸信息；

将所述输电线路跳闸信息输入至预先构建好的多个弱预测网络模型中，输出得到对应多个所述弱预测网络模型的第一预测结果，以构建预测结果组合集；

通过Stacking集成策略将所述预测结果组合集输入至元学习器中，以得到最终的预测结果，其中，所述元学习器用以对所述预测结果组合集进行加权运算。

2.根据权利要求1所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，所述获取输电线路跳闸信息，包括：

获取历史输电线路跳闸信息，其中，所述历史输电线路跳闸信息包括历史雷电流数据、历史高度数据和历史线路数据；

将所述历史雷电流数据、所述历史高度数据和所述历史线路数据构建历史数据集，将历史数据集随机划分为训练集和测试集；

通过训练集训练多个所述弱预测网络模型和所述元学习器；

通过测试集测试验证多个所述弱预测网络模型和所述元学习器；

将所述弱预测网络模型和所述元学习器输出的预测结果与所述测试集中的真实值进行比较计算预测误差，评估所述弱预测网络模型和所述元学习器的预测结果。

3.根据权利要求2所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，包括：

利用均方误差、平均绝对值误差和平均绝对误差百分比评价指标对所述预测结果进行评估判定。

4.根据权利要求1所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，所述雷电流数据包括雷电日、地面落雷密度和雷电流幅值；

所述高度参数至少包括杆塔高度、横担高度、避雷线悬挂点高度、避雷线弧垂、导线弧垂、避雷线平均高度、导线平均高度；

所述线路参数至少包括冲击接地电阻、雷击塔顶时的反击耐雷水平、平原/山地击杆率、保护角、线路雷击次数。

5.根据权利要求1所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，包括：

所述将所述输电线路跳闸信息输入至预先构建好的多个弱预测网络模型中，输出得到对应多个所述弱预测网络模型的第一预测结果，以构建预测结果组合集，包括：

获取当前输电线路跳闸信息，其中，所述当前输电线路跳闸信息包括当前雷电流数据、当前高度数据和当前线路数据；

将所述当前雷电流数据、所述当前高度数据和所述当前线路数据分别输入至所述弱预测网络模型中，所述弱预测网络模型包括BP神经网络、支持向量机和随机森林；

得到与所述当前雷电流数据对应的第一预测结果组合集、与所述当前高度数据对应的第二预测结果组合集、与所述当前线路数据对应的的第三预测结果组合集。

6.根据权利要求5所述的基于集成学习的输电线路跳闸率预测方法，其特征在于，所述将所述预测结果组合集输入至元学习器中，得到最终的预测结果，其中，所述元学习器用以对所述预测结果组合集进行加权平均，包括：

通过Stacking集成策略将所述第一预测结果组合集、所述第二预测结果组合集和所述第三预测结果组合集输入至元学习器中，对所述第一预测结果组合集、所述第二预测结果组合集和所述第三预测结果组合集进行组合加权运算，输出得到最终的预测结果。

7.一种基于集成学习的输电线路跳闸率预测装置，其特征在于，所述装置包括：

信息获取模块，被配置为获取输电线路跳闸信息；

第一预测模块，被配置为将所述输电线路跳闸信息输入至预先构建好的多个弱预测网络模型中，输出得到对应多个所述弱预测网络模型的第一预测结果，以构建预测结果组合集；

第二预测模块，被配置为将所述预测结果组合集输入至元学习器中，得到最终的预测结果，其中，所述元学习器用以对所述预测结果组合集进行加权运算。