基于XGBoost-LSTM的架空输电线路覆冰风险预测OA

当前,极端寒潮天气下输电线路缺乏有效的风险推理预测模型,文章从输电线路力学角度出发,提出基于线路拉力数据多模型学习的寒潮天气下架空线风险预测模型。首先,基于导线状态方程式,建立覆冰状态下各电压等级线路拉力阈值计算模型,用于寒潮天气下线路拉力风险阈值推理。然后,使用含梯度惩罚的生成对抗网络(wasserstein generative adversarial network with gradient penalty,WGAN-GP),生成匹配预测模型的增广数据集。最后,基于寒潮天气环境变化剧烈的特点,使用极端梯度提升树(extreme gradient boosting,XGBoost)算法和长短时记忆网络(long short-term memory,LSTM)算法研究覆冰天气下线路拉力与气象数据间的映射关系,构建组合预测模型。算例使用浙江地区2024年初寒潮事件的752组监测数据进行训练与预测分析,证明了WGAN-GP算法能够通过样本增广提升预测性能。所提XGBoost-LSTM组合预测模型在平均绝对百分误差(mean absolute percentage error,MAPE)指标上较LSTM、GRU和XGBoost 3种传统预测模型分别降低了60.2%、67.0%和64.3%。