AdaBoost^+: Ein Ensemble-Lernansatz zur Schätzung wetterbedingter Ausfälle in Verteilungssystemen

Umweltfaktoren wie Wetter, Bäume und Tiere sind Hauptursachen für Stromausfälle in elektrischen Versorgungsverteilungssystemen. Von diesen Faktoren haben Wind und Blitz die bedeutendsten Auswirkungen. Ziel dieses Papiers ist es, Modelle zur Schätzung von Wind- und Blitzausfällen zu untersuchen. Solche Schätzmodelle haben das Potenzial, die Betriebskosten zu senken und die Ausfallzeiten der Kunden zu reduzieren. In diesem Papier wird ein Ensemble-Lernansatz vorgeschlagen, der auf einem Boosting-Algorithmus, AdaBoost + , basiert, um wetterbedingte Stromausfälle zu schätzen. Die Effektivität des Modells wird anhand tatsächlicher Daten bewertet, die Wetterdaten und aufgezeichnete Ausfälle für vier Städte unterschiedlicher Größe in Kansas umfassen. Das vorgeschlagene Ensemble-Modell wird mit zuvor präsentierten Regressions-, neuronalen Netzwerken und Expertenmix-Modellen verglichen. Die Ergebnisse zeigen eindeutig, dass AdaBoost + Ausfälle mit größerer Genauigkeit schätzt als die anderen Modelle für alle vier Datensätze.