一种基于组合分类器的雷击输电线路故障概率分析方法

1.一种基于组合分类器的雷击输电线路故障概率分析方法，其特征在于，包括如下步骤：步骤1：导入测试数据集：包括数据的特征属性和分类类别，随机生成模型的训练数据集和验证数据集；对训练的数据进行预处理，包括离散化处理和归一化处理，归一化处理如式x→x'＝(x-x min )/(x max -x min )，其中，x max ,x min 分别表示此列特征属性中的最大值和最小值，x'表示归一化后的特征属性；步骤2：针对样本的不平衡分布进行处理；在分类问题中，训练数据不平衡指的是不同类别下的样本数量相差太大，采用数据集划分的方式设计相应的大样本类别和小样本类别的比例，大样本类别称为MA类别，小样本类别称为MI类别；设原始数据集中各类别的样本比例为MA:MI＝p:q(p＞＞q)，样本总数为m，则MA类别的样本数为mp/(p+q)，MI类别的样本数为mq/(p+q)，若希望子集中的MA类别样本数和MI类别样本数的比为s:t，则mp/(p+q)个MA类样本被划分为pt/qs个子集，该划分的子集数即为kmeans聚类分析的聚类群数k；步骤3：采用kmeans聚类分析划分训练子集数，进行训练子集的划分，先对未曾发生过雷击跳闸故障的输电线路杆塔进行k-means聚类分析得到k个子集，再将发生过雷击跳闸故障的杆塔样本加入到上述k个子集中得到k个训练子集；优化支持向量机的参数，分别对k个训练模型的惩罚参数C和核函数参数g进行寻优，并对各个模型的分类结果进行比较；本步骤进一步包括子步骤：3.1设置网格搜索法中C和g的搜索范围和搜索步距；其中，C的初始范围设为[2-5,25]，g的初始范围设为[2-10,210]，搜索步长设为2；3.2利用步骤3.1中网格搜索法搜索出参数组(C,g)的初步最佳值，即(bestC,bestg)，将该组参数值作为后续遗传算法的基准值；3.3设定遗传算法中参数寻优的范围；其中，C的范围设为(0.5bestC,2bestC)，g的范围设定为(0.5bestg,2bestg)；步骤4：对各个子模型的分类结果采用如下的评价指标进行比较；步骤5：建立雷击故障概率预测模型，通过选取分类性能靠前的支持向量机分类器构建多支持向量机的组合分类器，综合不同参数训练下的支持向量机的输出，得到输电线路杆塔的雷击故障概率；具体包括如下：通过建立多SVM组合分类器对整个样本集进行分类预测，根据每个SVM模型中各个杆塔样本分别到相应分类超平面的距离得到每株杆塔归属类别的概率，建立基于多SVM组合分类器的杆塔的雷击风险评估方法；其中，各个杆塔样本所属类别的概率计算采用如下的方法：式中，g(x)的大小表示待分类的样本到分类超平面的距离，其正负表示该样本与分类超平面的相对位置的方向；P(C 1 |x)和P(C 0 |x)分别表示待分类的样本被分类为1和0的概率，易知P(C 1 |x)+P(C 0 |x)＝1；SVM输出的概率反映了待分类样本属于不同类别的可能性，能够有效地针对待分类样本与最优分类超平面的距离进行归一化处理，从而针对输出结果进行可信度评价：R＝max{P(C 1 |x),P(C 0 |x)}                            (4)对于二分类问题，可信度R在50％—100％之间；x i (i＝1,2,...,N)为输电线路杆塔的特征输入量；y i (i＝1,2,...,M)为利用不同参数进行SVM训练后分别得到的对于输电线路雷击风险的预测值；y i ＝1表示输电线路雷击风险为“1”，y i ＝0表示输电线路雷击风险为“0”，Z表示多SVM分类器的输出结果；即当且仅当多个SVM的输出结果均为1时，多SVM分类器对于输电线路杆塔雷击风险的评估结果才为“1”，此时，需要针对该杆塔安装有效的防雷措施；否则，多SVM分类器的输出结果为0，表示输电线路杆塔的雷击风险为“0”。