基于随机森林算法的青藏高原东北边坡输电线路覆冰厚度预报模型

doi:10.11755/j.issn.1006-7639-2025-03-0488

摘要/Abstract

摘要： 电线覆冰是危害青藏高原东北边坡地区输电线路安全运行的重要因素之一，研究区域内输电线路覆冰时空变化特征，建立覆冰预报模型，对电力部门融冰除冰及冰害防御有重要意义。基于随机森林算法，利用电力部门提供的2019－2022年青藏高原东北边坡地区输电线路覆冰个例，结合覆冰个例沿线气象实况监测资料，训练出最大等值覆冰厚度与气象要素间相关性的回归模型，并对模型进行评价。结果表明：覆冰线路主要分布在甘南高原、陇中高原、陇东高原及陇南山区地带，冬季覆冰事件频发；通过调整随机森林回归模型决策树的棵数、特征个数及最小叶子数可以有效提高模型预测精度；相对湿度、过去24 h降水量对各地理分区导线覆冰有较大影响；随机森林训练出的分区域输电线路最大等值覆冰厚度模型训练集平均绝对误差均小于2.8 mm，决定系数R²>0.7。随机森林模型能够预测青藏高原东北边坡地区输电线路最大等值覆冰厚度，可实现输电线路覆冰的短期预报。

关键词: 输电线路覆冰, 时空变化, 随机森林, 预报效果评估

Abstract:

Wire icing is one of the important factors endangering the safe operation of power grid in northeastern slope region of Qinghai-Xizang Plateau. It is of great significance to study the temporal and spatial variation characteristics of transmission line icing and establish the icing forecasting model for the power department to remove ice and prevent ice damage. Based on the random forest algorithm, a regression model of the correlation between maximum equivalent ice thickness and meteorological elements was trained by using the cases of transmission line icing in northeastern slope region of Qinghai-Xizang Plateau from 2019 to 2022 provided by the power department, combined with the meteorological monitoring data along the icing cases, and the model was evaluated. The results show that transmission line icing accidents are mainly distributed in Gannan Plateau, Plateau of middle Gansu, Plateau of eastern Gansu, and Longnan mountainous area, and icing accidents occurred frequently in winter. The number of trees and features and the minimum number of leaves in the decision tree of the random forest regression model were adjusted to improve the prediction accuracy of the model. The relative humidity and the precipitation in the past 24 hours have great influence on transmission line icing in each geographical area. The mean absolute errors of the training set of maximum equivalent ice thickness prediction model of transmission line trained by random forest are all less than 2.8 mm, and the coefficient of determination R² is above 0.7. Therefore, the random forest model can predict the maximum equivalent ice thickness of transmission lines in the northeastern slope region of Qinghai-Xizang Plateau and realize short-term forecast, reduce the economic loss caused by transmission line icing in power grid.

Key words: transmission line icing, temporal and spatial change characteristics, random forest, evaluation of prediction result

中图分类号:

吕玫霞, 闫昕旸, 何金梅, 程鹏, 王小勇, 李晓琴. 基于随机森林算法的青藏高原东北边坡输电线路覆冰厚度预报模型[J]. 干旱气象, 2025, 43(3): 488-497.

LYU Meixia, YAN Xinyang, HE Jinmei, CHENG Peng, WANG Xiaoyong, LI Xiaoqin. Wire icing thickness prediction model of transmission line in the northeastern slope region of Qinghai-Xizang Plateau based on random forest algorithm[J]. Journal of Arid Meteorology, 2025, 43(3): 488-497.

图/表 13

图1 覆冰区域及气象站点空间分布

Fig.1 Spatial distribution of transmission line icing region and meteorological stations

表1 研究区域训练集和测试集样本数

Tab.1 The number of training set and test set samples in the study area

样本	Ⅰ区	Ⅱ区	Ⅲ区	Ⅳ区	Ⅴ区
训练集	635	2 923	790	1 883	218
测试集	159	731	198	471	55

图2 随机森林回归算法示意图

Fig.2 Schematic map of the random forest regression algorithm

图3 随机森林回归模型构建流程图

Fig.3 Flow chart of the random forest regression model construction

图4 5个区域OOB误差与Ntree关系（Lmin=5， f=6）

Fig.4 The relationship between OOB errorand Ntree in five zones （Lmin=5 and f=6）

图5

Fig.5 5个区域 O O B ˉ与Lmin关系 The relationship between O O B ˉ and Lmin in five zones

表2 各区域模型参数调优结果

Tab.2 The results of model parameter tuning for each zone

区域	N_tree	f	L_min
I区	70	6	5
II区	80	6	6
III区	90	6	2
IV区	50	6	1
V区	50	6	5

图6 2019－2022年输电线路覆冰个例位置分布及最大等值覆冰厚度（单位：mm）插值

Fig.6 Distribution of transmission line icing cases position and interpolation of maximum equivalent ice thickness （Unit： mm） during 2019-2022

图7 2019—2022年输电线路覆冰区段个数月变化

Fig.7 Monthly variation of number of the transmission line icing section from 2019 to 2022

表3 输电线路最大等值覆冰厚度预报模型评价结果

Tab.3 Evaluation results of maximum equivalent ice cover thickness prediction model for transmission lines

区域	MAE/mm		MBE/mm		R²		RMSE/mm
区域	训练集	测试集	训练集	测试集	训练集	测试集	训练集	测试集
Ⅰ区	1.048	1.387	-0.001	-0.064	0.842	0.695	1.558	2.117
Ⅱ区	1.326	1.962	-0.003	-0.184	0.701	0.409	1.827	2.633
Ⅲ区	1.438	2.765	0.023	0.660	0.945	0.857	2.883	4.833
Ⅳ区	0.379	0.947	0.003	0.014	0.960	0.765	0.707	1.670
Ⅴ区	0.259	0.420	0.009	0.038	0.913	0.841	0.995	1.266

表4 输电线路最大等值覆冰厚度（Y）模型拟合效果评估

Tab.4 Evaluation of model fitting effect of maximum equivalent ice thickness （Y） for transmission lines

区域	样本集	POD			FAR			MAR
区域	样本集	Y≤10 mm	10<Y<20 mm	Y≥20 mm	Y≤10 mm	10<Y<20 mm	Y≥20 mm	Y≤10 mm	10<Y<20 mm	Y≥20 mm
Ⅰ区	训练集	0.794	0.545	/	0.206	0	/	0	0.455	/
Ⅰ区	测试集	0.783	0.600	/	0.217	0	/	0	0.400	/
Ⅱ区	训练集	0.858	0.136	/	0.133	0.319	/	0.012	0.854	/
Ⅱ区	测试集	0.834	0.098	/	0.158	0.350	/	0.012	0.896	/
Ⅲ区	训练集	0.859	0.913	0.883	0.141	0	0.117	0	0.087	0
Ⅲ区	测试集	0.775	0.810	0.797	0.184	0.021	0.203	0.061	0.175	0
Ⅳ区	训练集	0.946	0.791	/	0.001	0.207	/	0.054	0.003	/
Ⅳ区	测试集	0.896	0.611	/	0.019	0.347	/	0.088	0.096	/
Ⅴ区	训练集	0.980	0.818	/	0.015	0.053	/	0.005	0.143	/
Ⅴ区	测试集	0.981	0.667	/	0.019	0	/	0	0.333	/

图8 5个区域输电线路最大等值覆冰厚度（Y）模型预测结果与真实值对比

Fig.8 Comparison between the model prediction results of the maximum equivalent ice cover thickness （Y） and the real value of transmission lines in 5 zones

图9 5个区域气象因子的VIM特征图

Fig.9 The VIM map of meteorological factors in five zones

参考文献 41

[1]	邓芳萍, 康丽莉, 姜瑜君, 等, 2017. 基于常规气象资料的小时标准冰厚模型及验证[J]. 应用气象学报, 28(2): 142-156.
[2]	国家电网有限公司, 2024. 中重冰区架空输电线路设计技术规定:Q/GDW 10182—2024[S]. 北京: 国家电网有限公司.
[3]	胡艳楠, 牛生杰, 吕晶晶, 等, 2017. 湖北电线积冰统计分析及积冰逆温层结研究[J]. 气候与环境研究, 22(1): 35-44.
[4]	黄筱婷, 戴栋, 李昊, 等, 2013. 基于在线监测数据的输电线路覆冰形态研究[J]. 南方电网技术, 7(1): 76-79.
[5]	黄新波, 刘家兵, 蔡伟, 等, 2008. 电力架空线路覆冰雪的国内外研究现状[J]. 电网技术, 32(4):23-28.
[6]	黄新波, 欧阳丽莎, 王娅娜, 等, 2011. 输电线路覆冰关键影响因素分析[J]. 高电压技术, 37(7): 1 677-1 682.
[7]	李晨曦, 2023. 基于WRF和机器学习混合模型的输电线覆冰厚度预测研究[D]. 兰州: 兰州大学.
[8]	李清华, 孟洁, 李劲松, 等, 2022. 山西省不同重现期下电线覆冰厚度空间分布及区划[J]. 干旱气象, 40(1): 156-165. DOI
[9]	林刚, 王波, 彭辉, 等, 2018. 基于强泛化卷积神经网络的输电线路图像覆冰厚度辨识[J]. 中国电机工程学报, 38(11): 3 393-3 401.
[10]	刘春城, 刘佼, 2011. 输电线路导线覆冰机理及雨凇覆冰模型[J]. 高电压技术, 37(1): 241-248.
[11]	刘新伟, 蒋盈沙, 黄武斌, 等, 2021. 基于雷达产品和随机森林算法的冰雹天气分类识别及预报[J]. 高原气象, 40(4): 898-908. DOI
[12]	彭曙蓉, 郝伟伟, 翟云峰, 等, 2016. 电力线路覆冰机理及融冰技术研究综述[J]. 陕西电力, 44(6): 52-58.
[13]	覃武, 罗小莉, 钟利华, 等, 2019. 广西输电线路典型年份的环流特征分析[J]. 沙漠与绿洲气象, 13(1):110-116.
[14]	沈润平, 郭佳, 张婧娴, 等, 2017. 基于随机森林的遥感干旱监测模型的构建[J]. 地球信息科学学报, 19(1): 125-133. DOI
[15]	孙才新, 蒋兴良, 熊启新, 等, 2003. 导线覆冰及其干湿增长临界条件分析[J]. 中国电机工程学报, 23(3): 141-145.
[16]	唐文苑, 周庆亮, 刘鑫华, 等, 2017. 国家级强对流天气分类预报检验分析[J]. 气象, 43(1): 67-76.
[17]	王传辉, 姚叶青, 苗开超, 等, 2019. 安徽省电线覆冰厚度推算初探[J]. 干旱气象, 37(3): 500-507.
[18]	王可心, 包云轩, 朱承瑛, 等, 2021. 随机森林回归法在冬季路面温度预报中的应用[J]. 气象, 47(1): 82-93.
[19]	王奇, 张厚荣, 宗莲, 等, 2021. 2015年广西区北部超高压输电线路一次连续覆冰事件的天气学特征[J]. 热带气象学报, 37(4): 579-589.
[20]	王帅, 李劲松, 原辉, 等, 2024. 基于CALMET-WRF耦合的复杂地形下导线覆冰的精细化数值模拟研究[J]. 大气科学学报, 47(3): 509-520.
[21]	王馨, 卢毅, 张旭, 等, 2020. 冀北地区输电线路覆冰风险预报研究[J]. 干旱气象, 38(1): 164-168.
[22]	王莺, 王劲松, 姚玉璧, 2014. 甘肃省河东地区气象干旱灾害风险评估与区划[J]. 中国沙漠, 34(4): 1 115-1 124.
[23]	吴息, 孙朋杰, 熊海星, 等, 2012. 利用常规气象资料建立的导线覆冰模型[J]. 大气科学学报, 35(3): 335-341.
[24]	温华洋, 田红, 唐为安, 等, 2011. 安徽省电线积冰标准冰厚的气象估算模型[J]. 应用气象学报, 22(6): 747-752.
[25]	杨明悦, 毛献忠, 2022. 基于变量重要性评分—随机森林的溶解氧预测模型:以深圳湾为例[J]. 中国环境科学, 42(8):3876-3 881.
[26]	苑吉河, 蒋兴良, 易辉, 等, 2004. 输电线路导线覆冰的国内外研究现状[J]. 高电压技术, 30(1): 6-9.
[27]	赵多青, 曾杰, 许中平, 等, 2022. 接触网覆冰绝缘子的多物理场分析及伞裙结构优化[J]. 绝缘材料, 55(7): 78-86.
[28]	赵晓萌, 李栋梁, 熊海星, 等, 2011. 西南地区覆冰气象要素的变化特征及综合评估[J]. 自然资源学报, 26(5): 802-813.
[29]	赵一飞, 张勃, 张多勇, 等, 2013. 甘肃河东地区地表湿润特征及其气候影响因子[J]. 地理科学进展, 32(1): 95-104.
[30]	朱永灿, 黄新波, 贾建援, 等, 2015. 输电导线覆冰生长及影响因素数值分析模型[J]. 西安交通大学学报, 49(7): 120-125.
[31]	朱君, 向卫国, 赵夏菁, 2011. 贵州导线覆冰的致灾机理研究[J]. 高原山地气象研究, 31(4):42-50.
[32]	COHEN J, PFEIFFER K, FRANCIS J A, 2018. Warm Arctic episodes linked with increased frequency of extreme winter weather in the United States[J]. Nature Communications, 9(1): 869. DOI: 10.1038/s41467-018-02992-9.
[33]	GROEMPING, 2009. Variable importance assessment in regression: Linear regression versus random forest[J]. The American Statistician, 63(4): 308-319.
[34]	HAO Y P, YAO Z H, WANG J K, et al, 2019. A classification method for transmission line icing process curve based on hierarchical K-means clustering[J]. Energies, 12(24): 4786. DOI: 10.3390/en12244786.
[35]	KRINGLEBOTN NYGAARD B E, ÁGÚSTSSON H, SOMFALVI-TÓTH K, 2013. Modeling wet snow accretion on power lines: Improvements to previous methods using 50 years of observations[J]. Journal of Applied Meteorology and Climatology, 52(10): 2 189-2 203. DOI: 10.1175/JAMC-D-12-0332.1.
[36]	LI P, ZHAO N, ZHOU D H, et al, 2014. Multivariable time series prediction for the icing process on overhead power transmission line[J]. The Scientific World Journal, Article ID: 256815. DOI:10.1155/2014/256815.
[37]	NIU S J, ZHOU Y, JIA R, et al, 2012. The microphysics of ice accretion on wires: Observations and simulations[J]. Science China Earth Sciences, 55(3): 428-437. DOI: 10.1007/s11430-011-4325-8.
[38]	NIU D X, WANG H C, CHEN H Y, et al, 2017. The general regression neural network based on the fruit fly optimization algorithm and the data inconsistency rate for transmission line icing prediction[J]. Energies, 10(12): 2 066. DOI: 10.3390/en10122066.
[39]	RAHMAN M, ZHU J P, CHENG Y T, 2006. Effect of bias and variance on estimation and classification error for prediction[J]. Journal of Data Analysis, 1(3): 113-135.
[40]	SUN W, WANG C F, 2019. Staged icing forecasting of power transmission lines based on icing cycle and improved extreme learning machine[J]. Journal of Cleaner Production, 208: 1 384-1 392. DOI: 10.1016/j.jclepro.2018.10.197.
[41]	ZHAO J, ZHANG H X, ZOU H L, et al, 2022. Probability prediction method of transmission line icing fault based on adaptive relevance vector machine[J]. Energy Reports, 8: 1 568-1 577.