原文发表信息：基于网格化多源异构数据的台风灾害下杆塔受损数量预测，2023，49(01)：01-08. DOI: 10.13336/j.1003-6520.hve.20220566

基于网格化多源异构数据的台风灾害下杆塔受损数量预测

侯  慧¹，刘  超¹，陈  希¹，吴细秀¹，魏瑞增²，何  浣²

（1. 武汉理工大学自动化学院，武汉 430070；

2. 广东电网有限责任公司电力科学研究院广东省电力装备可靠性重点实验室，广州 510080）

研究意义：

台风灾害会对电网造成重大破坏，特别是设计标准偏低的配网。然而，当前配电设备风灾损失缺乏定量评估手段，主要依靠灾后人工统计报送，由于点多面广防灾部署容易滞后，因此灾前量化预测尤为重要。鉴于杆塔受损物理模型建模过于复杂，难以进行大范围的量化评估，基于数据驱动的方法为配网杆塔大范围受损评估提供了新的途径。

本文以1 km×1 km网格作为单位提取精细化数据样本，基于气象数据、电网数据、地理数据等多源异构数据，以网格内的杆塔受损数量预测为目标，利用梯度提升决策树算法，从全新的统计学习角度出发，构建台风灾害下配网杆塔受损数量预测模型，实现了台风灾害下精细化网格配网10 kV 杆塔受损数量预测。

重点内容：

(1)台风灾害下区域杆塔受损数量预测框架

基于研究区域网格化提取的样本数据，提出一种台风灾害下区域杆塔受损数量预测模型。

(2)样本数据预处理

原始样本数据的特征较多，若同时作为特征变量，一方面可能造成特征冗余，另一方面，其中某些特征之间可能存在强相关性，具有强相关性的特征变量会在模型训练中占据虚高的地位，对模型预测准确性造成影响。因此需进行特征变量分析，降低强相关性变量在模型训练中对模型预测性能的影响，各特征变量之间的相关性如图1所示。

图1 筛选后的特征之间的相关性热力图

(3)算法介绍与评估指标

相较于其他机器学习算法，梯度提升决策树(gradient boosting decision tree,

GBDT)的优点在于几乎适用于所有回归预测问题，不论是线性回归还是非线性回归，GBDT都具有较好的预测性能，且模型泛化能力较强，选择回归预测中常用的3个误差指标—均方根误差(RMSE)、均方误差(MSE)、平均绝对误差(MAE)来衡量模型在训练过程的性能好。以徐闻县为研究对象，选择历史上曾经在徐闻县登陆的2014年第9号台风“威马逊”、第15号台风“海鸥”的数据作为仿真数据来源，2个台风的发展路径轨迹如图2所示。

图2  徐闻县地理位置及2个台风的轨迹示意图

(4)杆塔受损数量预测展示

以台风“威马逊”的数据作为模型训练与测试的数据样本，利用配网杆塔受损数量预测模型对台风“海鸥”的配网杆塔受损数量进行预测，对比预测的配网杆塔受损数量与实际杆塔受损数量以及各项指标，验证模型的实际应用效果。将本文所提出的杆塔损毁预测模型的预测结果与实际杆塔受损数量利用ArcGIS软件进行可视化如图3及图4所示。

图3 预测杆塔受损数量

图4 实际杆塔受损数量

(5)结论：

1)该模型应用于台风“海鸥”下的配网10 kV杆塔受损数量预测，预测相对偏差15.20%，验证了本文模型在台风灾害下配网10 kV杆塔受损数量预测上的效性，以及相比于其他模型的优越性。

2)构建基于网格化的杆塔受损数量预测模型方便抢修物资调度部门对抢修物资进行预调拨，在电网防灾减灾方面具有重要的工程应用价值。

后续研究内容：

分析不同特征变量对模型预测准确率的影响、利用物理驱动模型与数据驱动模型联合预测杆塔受损情况将是下一步的研究方向。

本文信息：侯慧，刘超，陈希，吴细秀.基于网格化多源异构数据的台风灾害下杆塔受损数量预测[J]. 高电压技术，2022，49（01）：1-8.

论文作者及科研团队介绍：

智慧电力创研团队目前拥有教授1人，副教授4人，研究生百余人，承担国家重点研发计划、国家自然科学基金、中国博士后基金、国家重点实验室开放基金等纵向项目数十项，南网及国网等科技项目40余项。团队长期致力于能源互联网、电力系统风险评估、继电保护、电气设备智能监测等领域的科研攻关、支撑服务及标准制修订，服务国家可持续发展以及碳达峰、碳中和等重大战略需求。