相关论文：
-
-
全球能源互联网
第7卷 第5期 2024年09月；页码：499-509
广东电网遭台风泰利侵袭的输配电设备受损分析及评估
Analysis and Evaluation on Damage to Transmission and Distribution Equipment in Guangdong Power Grid Caused by Typhoon Talim
- 1.武汉理工大学自动化学院，湖北省 武汉市 430070
- 2.广东省电力装备可靠性重点实验室（广东电网有限责任公司电力科学研究院），广东省 广州市 510080
- HOU Hui1*, GAO Fu1, WEI Ruizeng2, WANG Lei2, HE Huan2, LUO Yingting2 (1.School of Automation, Wuhan University of Technology, Wuhan 430070, Hubei Province, China
- 2.Guangdong Key Laboratory of Electric Power Equipment Reliability, Electric Power Research Institute of Guangdong Power Grid Co., Ltd., Guangzhou 510080, Guangdong Province, China
关键词
Keywords
摘 要
Abstract
近年来致灾台风频率呈增加趋势，以2023年影响广东电网约百万用户的第4号台风“泰利”为例，分析广东电网遭台风侵袭受灾情况，建立输配电杆塔受损预测模型，识别关键特征变量与因素，为电网防灾减灾提供支持。首先，分析台风“泰利”气象特征，具有“台前对流活跃，风力强度大，降水范围广”等特点，对输配电设备均产生一定程度破坏。其次，利用随机森林、支持向量机、梯度决策树、神经网络等4种机器学习算法建立输配电杆塔受损预测模型，并对比部分算法针对不平衡样本优化前后模型表现。算例表明，随机森林优化后提升最大，综合考虑时间指标及预测质量指标，梯度决策树为最优算法。最后，基于shapley additive explanations法等对最优模型解释性进行评估，分析表明最大风速、温度、杆塔数量等对预测结果有显著影响。所得结论有助于深入理解台风对广东电网的影响机制，为提升区域电网抵御复杂自然灾害能力提供参考。
In recent years, the frequency of devastating typhoons has been on the rise.Typhoon “Talim” affected the power grid in Guangdong and impacted approximately a million users in 2023.We analyze the damage of Guangdong power grid and establish a prediction model for the destruction of transmission and distribution towers.Key features are identified to support disaster prevention.Firstly, we analyze the typhoon’s characteristics.It has “active convection in front of the typhoon, strong wind strength and wide precipitation range”, causing varying degrees of damage to transmission and distribution equipment.Then, using typhoon “Talim”, prediction models for predicting pole damage in the transmission and distribution network are established by Random Forest, Support Vector Machine, Gradient Boosting Decision Tree, and Neural Networks.The performance comparison is conducted before and after optimizing for imbalanced samples.Case studies indicate that Random Forest exhibits the greatest improvement after optimization, and considering both time and prediction quality indicators, the Gradient Decision Tree is the optimal algorithm.Finally, feature analysis and Shapley Additive Explanations are performed.The findings show that the maximum wind speed,temperature and the number of towers have significant influence on the prediction results.It is helpful to further understand the influence mechanism of typhoon on Guangdong power grid and provide reference for improving the ability of regional power grid to withstand complex natural disasters.
0 引言
近年来致灾台风频率呈增加趋势，提升电网抵御复杂自然灾害能力具有重要意义。2023年7月17日，第4号台风“泰利”以台风级（12级，33 m/s）登陆湛江南三岛，成为2023年首个登陆中国的台风。台风共造成广东电网线路设备受损4处，35 kV～500 kV线路主动停运及跳闸41条，10 kV线路故障跳闸406条次，10 kV断杆21基、倒/斜杆128基、导线受损20.23 km，受影响低压用户98.8万户。由此可见，在台风灾害影响下，电力系统故障频发，对人民生产生活产生极为严重的影响[1]。
精确的电网受损预测可为电网安全运行及精细化防灾减灾提供基础[2]。目前针对台风灾害下输配电设备损失预测的研究主要分为2类：物理模型驱动与数据模型驱动。
物理模型驱动的研究主要通过对比输配电设备的设计风荷载与实际风荷载，采用概率分布函数拟合或蒙特卡洛法计算设备受损概率。在现有研究中，正态分布[3]、Weibull分布[4]函数等常用于概率拟合。文献[5]使用正态分布函数拟合输电线路设计风荷载概率密度函数，基于应力干涉模型对输电线路受损概率进行评估，并差异化选取预警时间间隔，使得预测结果更为合理。文献[6]使用风速概率密度函数与风向频度相乘得到联合概率密度分布函数，用于计算输电线路各风向有效最优概率分布类型及参数，实现在线路气象数据不足时风灾下倒塔断线的高精度预测。文献[7]考虑微地形，模拟建立良态风环境与涡旋气流环境等条件下输电杆塔失效概率函数，并使用串联系统可靠性评估公式评估风灾下电力系统运行状态。使用蒙特卡洛法通过模拟随机抽样来逼近解，适用于高维、复杂的风灾场景下输配电设备受损预测。文献[8]提出时序蒙特卡洛法的恢复力评估流程，建立灾后负荷恢复模型。文献[9]使用极值I型概率分布与蒙特卡洛法实现对随机风场的模拟。文献[10]使用蒙特卡洛法场景生成与同步回代场景缩减相结合的方法生成灾后配电网故障场景。文献[11]使用蒙特卡洛法模拟台风风场，结合刚体直杆法及模糊数学法建立输电线路风偏跳闸概率计算模型。物理模型驱动通过分析输配电设备受损机理，建立有效的预测模型，但存在考虑因素不全面、计算效率低等问题。
数据模型驱动相比物理模型驱动能更全面地考虑多种导致输配电设备受损因素，在实际场景中有更好的表现。随着电力企业精细化管理程度的提升，已积累大量相关电气数据[12]，为数据模型驱动（即机器学习算法）等提供了可能性，使用特定的机器学习算法能够得到较为精确的预测结果。通过建立高效、准确的受损预测模型，能够在台风灾害来临前，提前采取有效预防措施，保障电力系统稳定运行。文献[13-15]基于随机森林（random forest，RF）算法建立台风灾害下输电线路受损概率与配电停电用户预测模型。文献[16]基于支持向量机（support vector machine，SVM）建立强台风环境下配电网设备受损概率模型，实现较为准确的预测。将不同的机器学习算法加权融合或分层构建，可以得到集成不同学习机制与算法优点的最终模型[17]。文献[18]基于多源异构数据，即数据具有来源多样性与结构差异性，使用6种机器学习算法建立配网杆塔受损预测模型，通过相应指标选取最优模型。文献[19-20]基于多种机器学习算法构建Stacking模型，对台风灾害下配网停电用户与网损实现预测。将历史相关数据作为机器学习算法输入（如气象、电气及地理数据等），能够得到较为精确的灾损预测结果。相较于物理模型驱动，数据模型驱动具有考虑因素全面、运算速率快等优势[21]，成为未来建立输配电杆塔受损预测模型的发展趋势。
本文旨在分析台风“泰利”对广东电网的影响，针对台风过境区域建立输配电杆塔受损预测模型，为防灾减灾工作提供支持。首先对台风“泰利”侵袭后广东电网受损情况进行统计分析。其次使用RF、SVM、梯度决策树（gradient boosting decision tree，GBDT）、神经网络（neural network，NN）等4种机器学习算法建立输配电杆塔受损预测模型，对比部分算法针对不平衡样本问题优化前后模型表现，选取最优预测算法。最后利用shapley additive explanations（SHAP）法等对模型进行解释性评估，识别关键特征变量与因素，有助于深入理解台风对广东电网的影响机制，为电力系统运维提供具体、实用的参考指标，使电网管理者能够更加有针对性地进行预防维护与调度优化。
1 广东电网受灾情况统计分析
台风“泰利”具有“台前对流活跃，风力强度大，降水范围广”等气象特点，对广东电网产生较为严重的破坏，依据电网受损电压等级将受损划分为输电与配电设备。其中，输电设备受损包括输电线路受损（如输电导线受损与绝缘子受损等），以及线路跳闸（如主动停运与被动跳闸等）；配电设备受损包括配电线路断杆倒塔、配电导线受损等。依据其受损原因可分为风灾与二次灾害等。
1.1 气象特征
2023年7月14日下午，菲律宾吕宋岛附近的热带低压进入南海东部海面，15日上午8时，加强为热带风暴级（8级），成为2023年第4号台风“泰利”，16日上午2时加强为强热带风暴级（10级），17日7时，由强热带风暴级加强为台风级（12级），17日22点20分前后，以台风级（12级）登陆湛江南三岛，之后向西偏北方向移动，强度逐渐减弱，台风“泰利”路径如图1所示[22]。
图1 台风“泰利”路径
Fig.1 Typhoon “Talim” path
根据本次台风“泰利”期间收集到广东地区国家气象站及自动站的实测资料计算得到标准空气密度下10 m高10 min时距平均最大风速，并结合本次台风的风圈分布特点，得到南方电网5省地区最大3 s阵风风速、平均最大风速、台风期间累计降雨量值。台风“泰利”期间，10 min平均风速最大值达41.3 m/s，3 s阵风风速最大值达53.3 m/s，最大累积雨量达479.1 mm。风力强度大幅超出输配电设备设计标准，各种材料利用率超出限定值，易出现受损情况。同时强降雨导致出现积水或内涝[23]，输配电设备基础土壤受到严重浸泡冲刷而流失，失去应有的稳固性而使设备受损。
1.2 输电设备受损
台风“泰利”期间，广东电网输电设备受损45处，输电线路受损4处，其中导线受损3处、绝缘子掉串1处，输电线路受损原因如表1所示。
表1 广东电网公司输电线路受损原因
Table 1 Guangdong power grid company transmission line damage causes
供电局 电压等级受损情况受损原因茂名110 kV塔下相导线断裂大型钢构架铁皮屋顶被台风吹到导线上，造成110 kV菠莲甲线导线断裂受损茂名110 kV塔下相导线断线大型钢构架屋顶被台风吹到导线上，造成110 kV菠莲乙线导线断线并挂接到菠莲甲线上茂名110 kV塔相导线损伤4股导线上有放电痕迹，导线损伤4股。判断为台风吹来的飘挂物引起的跳闸导致导线受损湛江110 kV塔上相小号侧玻璃绝缘子掉串玻璃绝缘子金具脱落掉串
35 kV～500 kV线路主动停运及跳闸41条，其中500 kV 1条（东莞500 kV水焕甲线），220 kV 1条（湛江220 kV芷赤线），110 kV 24条，35 kV 15条。对线路停运及跳闸原因统计如表2所示。其中飘挂物跳闸18条，树木倾倒1条，导线断线2条，绝缘子掉串1条，雷击跳闸1条，站内设备受损3条，用户设备受损15条。
表2 广东电网公司输电线路跳闸原因统计
Table 2 Guangdong power grid company transmission line tripping causes
电压等级飘挂物跳闸树木倾倒雷击跳闸导线断线绝缘子掉串站内设备受伤用户设备受损合计35 kV20000013 15 110 kV1510213224 220 kV10000001 500 kV00100001±500 kV00000000±800 kV00000000合计181121315 41
110 kV电压等级输电设备受损数量超50%。除湛江输电线路由于台风直接导致绝缘子掉串外，其余受损主要由飘挂物或钢构架铁皮屋顶等吹飞物品间接导致。
1.3 配电设备受损
不同于电压等级为35 kV及以上的输电设备，配电设备由于设计防风等级低、设备种类多、运行情况复杂等原因，其受损数量与影响范围相对较大[24]，配电网线路跳闸原因如图2所示。
图2 配电网线路跳闸原因
Fig.2 Distribution network line trip causes
台风期间广东电网10 kV线路故障跳闸406条次（含主动避险，紧急停运14条次），主要分布在湛江（233条次）、茂名 （58条次）、阳江 （43条次）。受影响低压用户98.8万户，未发生重要用户停电。永久性故障跳闸的主要原因依次为：树障 （253条次，占比62.3%）、用户设备故障出门 （51条次，占比12.6%）、飘挂物（33条次，占比8.1%）。
台风累计造成配电网10 kV断杆21基、倒/斜杆128基、导线受损20.23 km、配变受损41台，配电网设备受损情况见表3。10 kV杆塔受损原因主要为雨水冲刷造成基础不牢（57基，占比38.8%）、土质松软并受雨水浸泡（24基，占比28.2%）、树木倒压（11基，占比12.9%）；配变设备受损主要原因为绝缘击穿。
表3 台风“泰利”造成配电网设备受损情况
Table 3 Damage to distribution equipment caused by Typhoon “Talim”
配电变压器受损/台江门00000茂名28028021阳江2020.090云浮1010.30湛江972111819.83620合计1282114920.22641单位10 kV倾斜/倒杆/基10 kV断杆/基10 kV累计/基10 kV线路损坏/km
2 基于机器学习的输配电杆塔受损分析及评估
本文提出一种台风灾害下基于多种机器学习算法输配电杆塔受损预测模型，主要分为数据收集、数据处理、模型构建、解释性评估等4个部分构成，总体框架如图3所示。
图3 台风灾害下输配电杆塔受损预测模型框架
Fig.3 Predicting transmission and distribution network pole damage during typhoon disasters framework
2.1 数据收集
在台风灾害中气象、地理、电气等因素对于杆塔能否抵御台风有着重要影响[25]，为全面考虑杆塔受损相关因素，本文尽可能多地收集特征变量用于模型构建与相关性分析，详细特征变量如表4所示，其中气象数据由气象站提供，地理、电气数据由电力部门提供。
表4 输配电杆塔受损预测特征变量
Table 4 Characteristic variables of distribution network tower damage prediction
信息类别名称变量符号备注气象因素最大风速X1台风期间最大持续风速阵风风速X2台风期间瞬时最大风速降雨量X3台风期间最大降雨量温度X4台风期间平均温度湿度X5台风期间平均湿度地理因素经度X6网格中心经度纬度X7网格中心纬度海拔高度X8坡向X90～360°（-1为平坦无坡）坡度X100～90°坡位X11上坡为1；中坡为2；下坡为3；其他为0下垫面类型X12地表类型X13地表粗糙度X14
续表
信息类别名称变量符号备注电气因素配电站数量X15网格内配电站数量变压器数量X16网格内变压器数量10 kV杆塔数量X17网格内10 kV杆塔数量110 kV杆塔数量X18网格内110 kV杆塔数量杆塔是否受损Y受损为1，未受损为0（因变量）
2.2 数据处理
电力部门对电网数据统计存在格式差异，加之输配电杆塔数量较大，故将数据划分为1 km×1 km网格。数据中存在缺失值与异常值，使用反距离插值法填补的方式处理连续性变量，众数填补的方式处理分类变量[9]。绘制箱线图的方式检测异常值[26]，将落在箱体之外的样本进行剔除。为减少数据量纲不同可能对算法产生的影响，对其进行归一化处理[27]。计算方法如式（1）所示：
式中：X'为归一化后的数据；X为原始样本数据，Xmin为该特征数据的最小值；Xmax为该特征数据的最大值。
选取独热编码[28]对离散型多分类变量进行转换处理，本文多分类变量包括坡位、下垫面类型、地表类型。以坡位为例，编码方式如表5所示。
表5 坡位编码
Table 5 Slope position encoding
坡位坡位_0坡位_1坡位_2坡位_3上坡1000中坡0100下坡0010其他0001
2.3 输配电杆塔受损分析
RF为集成算法，通过Bagging组合多棵决策树，对于训练过程中过拟合抵抗能力较强[29]；SVM通过最大间隔分类器寻找最优决策边界，在高维空间中表现良好[30]；GBDT迭代训练弱学习器增强模型表现，能够捕捉数据中复杂关系[31]；NN属于深度学习，在大规模数据和复杂模式识别方面具有优势[32]。因此选用上述4种机器学习算法建立输配电杆塔受损预测模型。数据集存在极端不平衡问题，使用机器学习算法难以直接建立有效预测模型，因此从算法层面对RF、SVM、GBDT进行优化。将RF与SVM中class_weight设置为“balanced”，使模型自动调整各类别权重，在训练过程中更关注少数类样本；GBDT调节subsample超参数，控制每棵树训练样本的子采样比例，为少数类分配更高的权重，提高模型对不平衡样本的识别与预测能力。
NN属于深度学习的一种，可自动调整类别权重，通过设计多层、多节点的结构自动学习特征，针对不平衡样本建立有效的预测模型。选用5层全连接神经网络，结构如图4所示。
图4 神经网络结构
Fig.4 NN structure
神经网络模型使用PyTorch中Sequential类定义，输入层大小为20，3个隐藏层大小为1024，输出层大小为1。隐藏层选取修正线性单元（rectified linear unit，ReLU）[33]为激活函数，ReLU通过将部分神经元输出变为0，造成网络稀疏，减小参数的相互依存关系，缓解过拟合问题，函数如式 （2） 所示。输出层选取Sigmoid函数为激活函数，Sigmoid适用于二分类问题，其将原始输出映射到一个介于0到1之间的概率值，输出值可被解释为属于某个类别的概率，函数如式 （3） 所示。层间分别进行批量归一化（batch normalization，BN） 与Dropout，有助于加速模型训练、提高鲁棒性[34]。
将算法运行时间作为时间指标，受试者工作特性曲线下面积PAUC、准确度PACC与F值PF作为预测质量指标，计算方法如式 （4） —式 （7） 所示。
式中：NTP为真正例；NTN为真反例；NFP为假正例；NFN为假反例；PRE为召回率；PR为精准率。
2.4 特征变量与模型解释性评估
为探索特征变量间关系，发现其潜在模式与变化趋势，使用皮尔逊相关系数法绘制特征热力图。假设存在变量X和Y，其皮尔逊相关系数[35]计算方法如式（8）所示。
式中：Cov为协方差；Var为方差。若0.7 ≤| rxy |< 1，认为变量为强相关；若0.4 ≤| rxy|≤ 0.7，认为变量为显著相关；若| rxy |< 0.4，认为变量弱相关。
为量化台风灾害下环境因素与杆塔是否受损的复杂关联效应，基于SHAP[36]等对最优预测模型进行解释性评估，探索分析气象、地理、电气因素与响应变量的非线性关系及因素间协同效应。
SHAP值计算是基于博弈论中Shapley值的概念。Shapley值用于衡量合作博弈中各个参与者分配收益贡献度，在机器学习中为每个特征对于模型输出的贡献[37]。通过计算模型在不包含某个变量的特征子集中输出变化，使用权重进行组合计算SHAP值，如式 （9）所示。
式中：φi( f) 为特征i 的SHAP值；S ⊆N{i} 为不包含特征i 的所有特征子集；| S| 为集合S 的元素个数；N 为特征的集合；| N| 为特征集合N 的元素个数；f (S )为模型对于特征组合S 的输出。
3 算例仿真
3.1 杆塔受损预测与最优模型分析
选取台风“泰利”为算例背景，建立输配电杆塔受损预测模型。通过绘制学习曲线与网格寻优相结合的方式选取模型最优超参数组合。模型使用Python 3.9环境开发，处理器为AMD Ryzen 7 7735H with Radeon Graphics 3.20 GHz。使用交叉验证对模型训练集（80%）和测试集（20%）数据进行划分。评价指标为循环100次后的平均值，各算法预测质量评分如图5所示，运行时间如表6所示。
表6 各算法运行时间
Table 6 Runtime of each algorithm
算法RFSVMGBDTNN运行时间/s71012219
图5 各算法预测质量评分
Fig.5 Quality evaluation scores of each algorithm
通过对RF、SVM、GBDT进行优化，模型表现均有一定程度提升。RF提升最大，训练集PF提升52.32%，测试集PAUC、PACC、PF分别提升5.32%、5.84%、22.54%；SVM训练集无提升，测试集PAUC、PACC、PF分别提升17.59%、4.57%、31.27%；GBDT提升较小，仅预测集PF提升4.14%。
如图5所示，GBDT预测结果相对较优；RF及NN模型表现次之。算例为不平衡样本，导致数据存在密度分布差异较大、类别分布混合、重叠程度较大等问题，SVM较难寻找到合适的超平面区分样本，表现较差。如表6所示，GBDT单次运算时间远小于其余3种算法。NN涉及多个神经元节点运算，单次运算时间较长。综合考虑时间指标及预测质量指标，GBDT为最优算法。
3.2 杆塔受损分布可视化
使用地理信息系统将最优预测结果可视化，图6为实际受损杆塔分布，图7为预测受损杆塔分布。使用GBDT模型输出每个杆塔受损概率，按照低中高3个风险等级进行划分，如图8所示。对比实际与预测受损杆塔分布，预测结果与实际结果分布相近，验证了模型的有效性与可行性。
图6 实际受损杆塔分布
Fig.6 Actual damaged tower distribution
图7 预测受损杆塔分布
Fig.7 Predicting damaged tower distribution
图8 杆塔受损概率分布
Fig.8 Predicting damaged tower probability distribution
3.3 特征变量评估
选用特征热力图对特征变量进行评估，如图9所示。坡度_0、下垫面类型_0、地表类型_0等为独热编码后产生，代表原始特征中的一个类别。最大风速与阵风风速、变压器数量与配电站数量等特征变量强相关；湿度与阵风风速、降雨量与经纬度、温湿度等特征变量显著相关，其余大多特征变量弱相关。选取相关性弱的信息能有效避免冗余计算、信息重复等问题。证明算例围绕气象、地理与电气因素进行数据收集具有合理性。
图9 特征热力图
Fig.9 Feature heatmap
为直观展示特征变量与响应变量间关系，对其数据分布与相关性进行可视化。部分特征变量与响应变量散点图如图10所示，相关性分析如图11所示。
图10 部分特征变量与响应变量散点图
Fig.10 Feature scatter plot of characteristic and response variables
图11 特征变量与响应变量相关性图
Fig.11 Feature correlation plot of characteristic and respone variables
如图10所示，杆塔是否受损与各特征变量间无线性联系，难以通过线性回归等统计方法直接建立有效预测模型。如图11所示，杆塔受损与温度呈较强正相关，最大风速呈较强负相关，其余特征变量间相关性较弱。
3.4 模型解释性评估
通过绘制多个杆塔受损样本SHAP值图，观察其差距较小，具有相似性。因此随机抽取单个杆塔受损样本进行解释性评估[38]，如图12所示。每个数值条的长度代表对应特征变量SHAP值，其中红色代表对预测有正向影响，即模型输出增加，蓝色代表对预测有负向影响，即模型输出减小。最大风速、温度、杆塔数量、降雨量等对于预测有着较为显著的正向影响。
图12 单样本SHAP值
Fig.12 Single sample SHAP plot
部分全局特征重要性如图13所示，图中横轴表示每个特征变量的平均SHAP值，点的颜色代表该特征变量取值，纵轴表示所有样本SHAP值，并对其进行排序，用于衡量每个特征变量对于整体模型输出的平均影响。地表类型_5、地表类型_3等地表类型对模型有着较为显著的影响，分别代表疏林地与有林地。台风“泰利”灾害下，树障为导致输配电杆塔受损的主要原因之一，后续研究可针对树障等相关数据进行进一步收集，如树木平均高度、种类、密度等，有助于提高模型表现，为减小台风灾害对电网影响提供更精准的预测。
图13 部分全局特征重要性
Fig.13 SHAP summary plot
4 结论
为增强电网抵御极端气象灾害能力，开展台风灾害侵袭下输配电杆塔受损预测研究，减小台风对电网造成的损害提供技术支持。通过分析及评估，得出以下结论。
1） 台风“泰利”期间，广东省中南部市县出现局部特大暴雨，3 s阵风风速最大值达53.3 m/s，具有“台前对流活跃，风力强度大，降水范围广”等特点，导致输配电设备均出现一定程度受损，其中配电设备受损情况最为严重。
2） 基于4种机器学习算法建立输配电杆塔受损预测模型，分析部分算法针对不平衡样本问题优化前后模型表现，RF提升最为明显，GBDT为最优算法，单次运行时间仅需2 s。特征变量与模型解释性评估表明：最大风速、温度、杆塔数量等因素对于杆塔受损有着显著影响。
3） 所提模型、方法拟在中国沿海地区省级生产指挥中心部署。应用后能够有效提升在台风灾害下对电力设备影响评估与勘灾能力，提高灾情应急响应速度与应对效能。为灾害应急指挥、应急抢险部门提供更科学丰富的信息支撑，进一步加强台风灾害下应急减灾智能化水平。
4） 针对不平衡样本问题，本文仅从算法层面进行优化。使用数据层面技术（如随机过采样、对抗生成网络等）以进一步提升模型表现，将是下一步的研究重点。
参考文献
-
[1]
SU K, JIANG L P, LIU J Z.Power source–power grid coordinated typhoon defense strategy based on multiagent dynamic game theory[J].Global Energy Interconnection, 2021,4(3): 285-294. [百度学术]
-
[2]
景锐，韩晖，林剑艺.计及台风极端天气影响的城市能源规划[J].全球能源互联网，2021，4(2)：178-187.JING Rui, HAN Hui, LIN Jianyi.Urban energy planning considering impacts of typhoon extreme weather[J].Journal of Global Energy Interconnection, 2021, 4(2): 178-187 (in Chinese). [百度学术]
-
[3]
JIA M S, SHEN C, WANG Z J.A distributed incremental update scheme for probability distribution of wind power forecast error[J].International Journal of Electrical Power &Energy Systems, 2020, 121: 106151. [百度学术]
-
[4]
DA L, YANG Q S, LIU M, et al.Estimation of extreme wind speed based on upcrossing rate of mean wind speeds with Weibull distribution[J].Journal of Wind Engineering and Industrial Aerodynamics, 2023, 240: 105495. [百度学术]
-
[5]
黄勇，魏瑞增，周恩泽，等.台风灾害下输电线路损毁预警方法[J].电力系统自动化，2018，42(23)：142-147.HUANG Yong, WEI Ruizeng, ZHOU Enze, et al.Early warning method of transmission line damage under typhoon disaster[J].Automation of Electric Power Systems, 2018,42(23): 142-147 (in Chinese). [百度学术]
-
[6]
朱凌，陈涛威，周晨，等.考虑风速风向联合分布的大风灾害下电力断线倒塔概率预测[J].电力系统保护与控制，2019，47(2)：115-122.ZHU Ling, CHEN Taowei, ZHOU Chen, et al.Probability prediction of transmission line breakage and tower topple over under wind disaster considering the joint distribution of wind speed and wind direction[J].Power System Protection and Control, 2019, 47(2): 115-122 (in Chinese). [百度学术]
-
[7]
王泽斌，王松岩，陈莹，等.强台风环境下考虑微地形因素的输电通道结构安全概率评估方法[J].电力自动化设备，2020，40(1)：184-191.WANG Zebin, WANG Songyan, CHEN Ying, et al.Safety probability assessment method considering micro-topography for transmission grid under strong typhoon environment[J].Electric Power Automation Equipment, 2020, 40(1): 184-191(in Chinese). [百度学术]
-
[8]
叶宇鑫，李更丰，别朝红，等.考虑智能软开关的有源配电网恢复力评估与提升[J].全球能源互联网，2022，5(3)：203-212.YE Yuxin, LI Gengfeng, BIE Zhaohong, et al.Resilience assessment and improvement of active distribution networks considering soft open point[J].Journal of Global Energy Interconnection, 2022, 5(3): 203-212 (in Chinese). [百度学术]
-
[9]
HOU H, YU S W, WANG H, et al.A hybrid prediction model for damage warning of power transmission line under typhoon disaster[J].IEEE Access, 2020, 8: 85038-85050. [百度学术]
-
[10]
侯慧，刘超，陈希，等.台风灾害下配网两阶段应急抢修恢复优化策略[J].电力系统保护与控制，2022, 50(23): 169-179.HOU Hui, LIU Chao, CHEN Xi, et al.Optimization strategy for two-stage emergency repair and recovery of a distribution network after a typhoon disaster[J].Power System Protection and Control, 2022, 50(23): 169-179 (in Chinese). [百度学术]
-
[11]
侯慧，俞菊芳，黄勇，等.台风侵袭下输电线路风偏跳闸风险评估[J].高电压技术，2019，45(12)：3907-3915.HOU Hui, YU Jufang, HUANG Yong, et al.Risk assessment of transmission line trip caused by windage yaw under typhoon[J].High Voltage Engineering, 2019, 45(12): 3907-3915 (in Chinese). [百度学术]
-
[12]
沈沉，贾孟硕，陈颖，等.能源互联网数字孪生及其应用[J].全球能源互联网，2020，3(1)：1-13.SHEN Chen, JIA Mengshuo, CHEN Ying, et al.Digital twin of the energy Internet and its application[J].Journal of Global Energy Interconnection, 2020, 3(1): 1-13 (in Chinese). [百度学术]
-
[13]
侯慧，俞菊芳，耿浩，等.台风灾害下配网用户停电数量预测最优数据驱动模型选择[J].电力系统保护与控制，2021，49(13)：114-120.HOU Hui, YU Jufang, GENG Hao, et al.Selection of optimal data-driven model for forecasting outage number of distribution network users under typhoon disaster[J].Power System Protection and Control, 2021, 49(13): 114-120 (in Chinese). [百度学术]
-
[14]
侯慧，耿浩，肖祥，等.台风灾害下用户停电区域预测及评估[J].电网技术，2019，43(6)：1948-1954.HOU Hui, GENG Hao, XIAO Xiang, et al.Research on prediction and evaluation of user power outage area under typhoon disaster[J].Power System Technology, 2019, 43(6):1948-1954 (in Chinese). [百度学术]
-
[15]
YUAN S S, QUIRING S M, ZHU L, et al.Development of a typhoon power outage model in Guangdong, China[J].International Journal of Electrical Power and Energy Systems,2020, 117: 105711. [百度学术]
-
[16]
郑凌铭，舒胜文，陈彬，等.强台风环境下基于格点化和支持向量机的10 kV杆塔受损量预测方法[J].高电压技术，2020，46(1)：42-50.ZHENG Lingming, SHU Shengwen, CHEN Bin, et al.Prediction method for amount of 10 kV damaged poles under severe typhoon environment based on meshing and support vector machine[J].High Voltage Engineering, 2020, 46(1): 42-50 (in Chinese). [百度学术]
-
[17]
TANG L F, XIE H P, WANG Y, et al.Predicting typhooninduced transmission line outages with coordination of static and dynamic data[J].International Journal of Electrical Power &Energy Systems, 2022, 142: 108296. [百度学术]
-
[18]
侯慧，于士文，肖祥，等.基于空间多源异构数据的台风下输电杆塔风险评估[J].电力系统自动化，2020，44(10)：127-134.HOU Hui, YU Shiwen, XIAO Xiang, et al.Risk assessment of transmission tower in typhoon based on spatial multi-source heterogeneous data[J].Automation of Electric Power Systems,2020, 44(10): 127-134 (in Chinese). [百度学术]
-
[19]
邓威，郭钇秀，李勇，等.基于特征选择和Stacking集成学习的配电网网损预测[J].电力系统保护与控制，2020，48(15)：108-115.DENG Wei, GUO Yixiu, LI Yong, et al.Power losses prediction based on feature selection and Stacking integrated learning[J].Power System Protection and Control, 2020,48(15): 108-115 (in Chinese). [百度学术]
-
[20]
侯慧，陈希，李敏，等.一种Stacking集成结构的台风灾害下停电空间预测方法[J].电力系统保护与控制，2022，50(3)：76-84.HOU Hui, CHEN Xi, LI Min, et al.A space prediction method for power outage in a typhoon disaster based on a Stacking integrated structure[J].Power System Protection and Control,2022, 50(3): 76-84 (in Chinese). [百度学术]
-
[21]
侯慧，朱韶华，吴细秀，等.数据与模型驱动在输电杆塔风致灾损预测中的应用对比分析[J].电网技术，2023，47(4)：1721-1727.HOU Hui, ZHU Shaohua, WU Xixiu, et al.Comparative analysis of data-driven method and model-driven method in wind-induced damage prediction of transmission towers[J].Power System Technology, 2023, 47(4): 1721-1727 (in Chinese). [百度学术]
-
[22]
中央气象台.台风“泰利”为今年首个登陆我国的台风，初台登陆时间晚强度强[EB/OL].（2023-07-19）[2024-01-12].http:// www.nmc.cn/publish/typhoon/warning_index.html. [百度学术]
-
[23]
湛江交警.湛江市27个易积水点的通知[EB/OL].（2023-07-17）[2024-01-12].https://zhanjiang.bendibao.com/news/2023717/19646.shtm. [百度学术]
-
[24]
ZHANG W, ZHANG C, LI J Y, et al.Multi-resource collaborative service restoration of a distribution network with decentralized hierarchical droop control[J].Protection and Control of Modern Power Systems, 2024, 9(1): 19-37. [百度学术]
-
[25]
侯慧，俞菊芳，谢宇风，等.数据驱动的台风灾害下配网10 kV杆塔受损空间分布预测[J].电网技术，2021，45(9)：3681-3689.HOU Hui, YU Jufang, XIE Yufeng, et al.Data-driven prediction of spatial distribution of damage to 10 kV towers in distribution network under typhoon disaster[J].Power System Technology, 2021, 45(9): 3681-3689 (in Chinese). [百度学术]
-
[26]
CHEN C C, ZHANG Q, KASHANI M H, et al.Forecast of rainfall distribution based on fixed sliding window long shortterm memory[J].Engineering Applications of Computational Fluid Mechanics, 2022, 16(1): 248-261. [百度学术]
-
[27]
高晓红，李兴奇.多元线性回归模型中无量纲化方法比较[J].统计与决策，2022，38(6)：5-9.GAO Xiaohong, LI Xingqi.Comparison of dimensionless methods in multiple linear regression models[J].Statistics &Decision, 2022, 38(6): 5-9 (in Chinese). [百度学术]
-
[28]
梁杰，陈嘉豪，张雪芹，等.基于独热编码和卷积神经网络的异常检测[J].清华大学学报（自然科学版），2019，59(7)：523-529.LIANG Jie, CHEN Jiahao, ZHANG Xueqin, et al.One-hot encoding and convolutional neural network based anomaly detection[J].Journal of Tsinghua University (Science and Technology), 2019, 59(7): 523-529 (in Chinese). [百度学术]
-
[29]
SUN Z G, WANG G T, LI P F, et al.An improved random forest based on the classification accuracy and correlation measurement of decision trees[J].Expert Systems with Applications, 2024, 237: 121549. [百度学术]
-
[30]
BORGES F, PINTO A, RIBEIRO D, et al.An unsupervised method based on support vector machines and higher-order statistics for mechanical faults detection[J].IEEE Latin America Transactions, 2020, 18(6): 1093-1101. [百度学术]
-
[31]
WEN Z Y, SHI J S, HE B S, et al.Exploiting GPUs for efficient gradient boosting decision tree training[J].IEEE Transactions on Parallel and Distributed Systems, 2019,30(12): 2706-2717. [百度学术]
-
[32]
李凯，胡丽，宋婷婷.基于CNN-Bi-LSTM的锂离子电池健康状态估算[J].山东电力技术，2023，50(10)：66-72.LI Kai, HU Li, SONG Tingting.Health state estimation of lithium-ion batteries based on CNN-Bi-LSTM[J].Shandong Electric Power, 2023, 50(10): 66-72 (in Chinese). [百度学术]
-
[33]
张焕，张庆，于纪言.激活函数的发展综述及其性质分析[J].西华大学学报 （自然科学版），2021，40(4)：1-10.ZHANG Huan, ZHANG Qing, YU Jiyan.Overview of the development of activation function and its nature analysis[J].Journal of Xihua University (Natural Science Edition), 2021,40(4): 1-10 (in Chinese). [百度学术]
-
[34]
冯寅，贾宏涛，杨震强，等.基于CNN-LSTM的输电线路故障诊断方法研究[J].电网与清洁能源，2023，39(11)：59-65.FENG Yin, JIA Hongtao, YANG Zhenqiang, et al.A study on the transmission line fault diagnosis method based on CNN-LSTM[J].Advances of Power System & Hydroelectric Engineering, 2023, 39(11): 59-65(in Chinese). [百度学术]
-
[35]
赵海龙，张丹丹，黄松，等.基于皮尔逊相关系数的海南省地闪密度与雷击故障关系分析[J].高压电器，2019，55(8)：186-192.ZHAO Hailong, ZHANG Dandan, HUANG Song, et al.Analysis on the relation between cloud-to-ground lightning density and lightning trip rate in Hainan Province based on Pearson correlation coefficient[J].High Voltage Apparatus,2019, 55(8): 186-192 (in Chinese). [百度学术]
-
[36]
郑心仕，梁寿愚，苏晓，等.基于贝叶斯方法与可解释机器学习的负荷特性分析与预测[J].电力系统自动化，2023，47(13)：56-68.ZHENG Xinshi, LIANG Shouyu, SU Xiao, et al.Characteristic analysis and load forecasting based on Bayesian method and interpretable machine learning[J].Automation of Electric Power Systems, 2023, 47(13): 56-68 (in Chinese). [百度学术]
-
[37]
蒲天骄，乔骥，赵紫璇，等.面向电力系统智能分析的机器学习可解释性方法研究 （一）：基本概念与框架[J].中国电机工程学报，2023，43(18)：7010-7029.PU Tianjiao, QIAO Ji, ZHAO Zixuan, et al.Research on interpretable methods of machine learning applied in intelligent analysis of power system(part I): basic concept and framework[J].Proceedings of the CSEE, 2023, 43(18): 7010-7029 (in Chinese). [百度学术]
-
[38]
胡润滋，马晓忱，孙博，等.基于特征选择的暂态安全评估方法及其可解释性研究[J].电网技术，2023，47(2)：755-762.HU Runzi, MA Xiaochen, SUN Bo, et al.Transient safety assessment and its interpretability based on feature selection[J].Power System Technology, 2023, 47(2): 755-762 (in Chinese). [百度学术]
基金项目
国家自然科学基金（52177110）；中国南方电网有限责任公司科技项目GDKJXM20210044（036100 KK52210047）。
作者简介
-
侯慧
-
高富