一种基于强对流天气指数的电网停电影响评估方法与流程

本发明涉及电网气象灾害影响评估，具体为一种基于强对流天气指数的电网停电影响评估方法。

背景技术：

1、强对流天气具有突发性强、影响范围变化快和多种灾害因素并发等特点，暴雨、大风、雷电、冰雹等灾害可能在短时间内引起线路跳闸、配变停运、台区停电及用户停电。对强对流天气造成的电网停电影响进行评估，是开展电网运行风险研判和应急处置的重要基础。

2、现有电网强对流影响研判主要依据气象预警等级、单一气象阈值或人工经验判断，通过气象要素是否达到预设条件确定风险程度。该类方法能够反映强对流天气的气象强度，但气象预警等级和气象要素数值不能直接对应实际停电用户数，同一预警等级在不同区域可能形成不同的停电用户规模。

3、此外，现有方法对暴雨、大风、雷电和冰雹之间的叠加作用考虑不足，难以反映多灾种共同出现时的复合灾害影响；对区县面积、县用户总数和用户密度等区域暴露度因素缺少综合考虑；评估结果通常采用预警等级或风险等级表示，缺少能够表征预测停电用户规模并支持历史比较的统一电网停电影响指数，难以对不同时间、不同区域和不同强对流过程的电网停电影响进行量化比较。

技术实现思路

1、本发明提供一种基于强对流天气指数的电网停电影响评估方法，融合强对流天气实况、气象预警信号、区域暴露度及历史停电数据，量化评估电网停电影响程度。

2、为实现上述目的，本发明提供了如下的技术方案：

3、本发明一种基于强对流天气指数的电网停电影响评估方法，包括：

4、s100：获取历史强对流过程对应的强对流天气实况数据、气象预警信号数据、区域暴露度数据和实际停电用户数数据，以及待评估强对流过程对应的强对流天气实况数据、气象预警信号数据和区域暴露度数据，对获取的数据进行预处理；

5、s200：按照时间和区域对预处理后的数据进行关联，构建历史样本集和待评估样本；

6、s300：从所述历史样本集和所述待评估样本中提取基础灾害特征、综合预警特征和区域暴露度特征，根据所述基础灾害特征中不同灾害类型对应特征之间的组合关系构建复合灾害交互特征，将所述基础灾害特征、所述综合预警特征、所述区域暴露度特征和所述复合灾害交互特征组合，形成强对流天气影响特征集合；

7、s400：将所述历史样本集对应的强对流天气影响特征集合作为模型输入，将所述历史样本集对应的实际停电用户数进行对数变换后作为训练目标，训练机器学习回归模型；

8、s500：将所述历史样本集和所述待评估样本对应的强对流天气影响特征集合输入训练后的机器学习回归模型，对所得预测结果进行反变换，得到预测停电用户数，并将所述预测停电用户数确定为强对流天气指数；

9、s600：根据所述历史样本集对应的强对流天气指数构建历史强对流天气指数集合，计算所述待评估样本对应的强对流天气指数在所述历史强对流天气指数集合中的百分位，将所述百分位确定为电网停电影响指数。

10、作为本发明的一种优选技术方案，在s100中，所述预处理的具体步骤包括：

11、删除全空记录，统一时间字段格式、行政区名称和数据字段名称；

12、将以百分比形式记录的数据字段转换为数值，将气象预警信号数据中的缺失预警次数补为零；

13、将其余数值字段中的无穷值替换为缺失值，并采用对应数值字段的中位数补齐缺失值。

14、作为本发明的一种优选技术方案，在s200中，所述构建历史样本集和待评估样本的具体步骤包括：

15、将时间、轮次、地市和区县的组合作为样本主键；

16、按照所述样本主键关联强对流天气实况数据、气象预警信号数据、区域暴露度数据和实际停电用户数数据，形成历史样本，并汇集所述历史样本形成历史样本集；

17、按照所述样本主键关联待评估强对流过程对应的强对流天气实况数据、气象预警信号数据和区域暴露度数据，形成待评估样本。

18、作为本发明的一种优选技术方案，在s300中，所述基础灾害特征、所述综合预警特征和所述区域暴露度特征包括：

19、所述基础灾害特征包括最大1小时雨强、过程累计雨量最大值、暴雨覆盖率、8级以上极大风站点覆盖率、8级以上极大风唯一站数、极大风速最值、雷电记录数、过程地闪密度、最大1小时雷击频次、雷电持续时间和冰雹不同等级预警次数；

20、所述综合预警特征包括风雨雷冰雹预警总数、橙红预警总数和用于表示是否存在红色预警的含红色预警标识；

21、所述区域暴露度特征包括区县面积、县用户总数和用户密度，所述用户密度根据县用户总数与区县面积的比值确定。

22、作为本发明的一种优选技术方案，在s300中，所述综合预警特征还包括暴雨强度、大风强度、雷电强度和冰雹强度，所述暴雨强度、所述大风强度、所述雷电强度和所述冰雹强度的构建步骤包括：

23、分别获取暴雨、大风、雷电和冰雹对应的黄色预警次数、橙色预警次数和红色预警次数；

24、针对每种灾害类型，将对应的黄色预警次数、橙色预警次数的二倍和红色预警次数的三倍之和确定为对应灾害类型的预警强度；

25、将暴雨、大风、雷电和冰雹对应的预警强度分别确定为所述暴雨强度、所述大风强度、所述雷电强度和所述冰雹强度。

26、作为本发明的一种优选技术方案，在s300中，所述复合灾害交互特征包括雨雷交互特征、风雷交互特征和雨风交互特征，所述复合灾害交互特征的构建步骤包括：

27、对过程累计雨量最大值和雷电记录数分别加一后取对数，将所得两个对数值的乘积确定为所述雨雷交互特征；

28、对雷电记录数加一后取对数，将所得对数值与极大风速最值的乘积确定为所述风雷交互特征；

29、对最大1小时雨强加一后取对数，将所得对数值与极大风速最值的乘积确定为所述雨风交互特征。

30、作为本发明的一种优选技术方案，在s400中，所述训练机器学习回归模型的具体步骤包括：

31、将历史样本集对应的强对流天气影响特征集合排列形成模型输入矩阵；

32、将历史样本集对应的实际停电用户数加一后取自然对数，形成训练目标向量；

33、采用随机森林回归模型对所述模型输入矩阵和所述训练目标向量进行拟合，得到训练后的机器学习回归模型。

34、作为本发明的一种优选技术方案，在s500中，所述对所得预测结果进行反变换，得到预测停电用户数，并将所述预测停电用户数确定为强对流天气指数的具体步骤包括：

35、将历史样本集和待评估样本对应的强对流天气影响特征集合分别输入训练后的机器学习回归模型，得到对数尺度下的预测结果；

36、对所述预测结果进行指数运算后减一，得到预测停电用户数，并将小于零的预测停电用户数调整为零；

37、将历史样本集对应的预测停电用户数和待评估样本对应的预测停电用户数分别确定为对应样本的强对流天气指数。

38、作为本发明的一种优选技术方案，在s600中，所述百分位的计算步骤具体包括：

39、将历史样本集对应的强对流天气指数按照数值大小排列，形成历史强对流天气指数集合；

40、确定待评估样本对应的强对流天气指数在所述历史强对流天气指数集合中的排序位置；

41、根据所述排序位置计算取值范围为0至100的百分位，并将所述百分位确定为电网停电影响指数。

42、作为本发明的一种优选技术方案，在s600中，输出所述电网停电影响指数之前的校验步骤包括：

43、计算历史样本集对应的强对流天气指数与实际停电用户数之间的皮尔逊相关系数；

44、将所述皮尔逊相关系数与预设相关性阈值进行比较；

45、当所述皮尔逊相关系数低于所述预设相关性阈值时，停止输出所述电网停电影响指数；当所述皮尔逊相关系数达到所述预设相关性阈值时，输出所述电网停电影响指数。

46、本发明的有益效果是：

47、1.本发明将强对流天气实况数据、气象预警信号数据、区域暴露度数据和实际停电用户数数据按照时间和区域进行关联，使评估结果同时考虑强对流天气条件和区域电网用户暴露程度。

48、2.本发明构建雨雷交互特征、风雷交互特征和雨风交互特征，通过复合灾害交互特征表征不同灾害类型共同出现时的组合关系，避免仅采用单一灾害特征难以反映多灾种叠加影响的问题。

49、3.本发明通过机器学习回归模型建立强对流天气影响特征集合与实际停电用户数之间的映射关系，并将预测停电用户数确定为强对流天气指数，使评估结果具有明确的停电用户规模含义。

50、4.本发明根据强对流天气指数在历史强对流天气指数集合中的百分位确定电网停电影响指数，将不同数量尺度的预测结果转换为统一的历史相对位置，便于对不同时间、不同区域和不同强对流过程进行横向比较。