CN102938021A - 一种输电线路覆冰负荷定量估计及预测方法 - Google Patents

Abstract

本发明涉及一种输电线路覆冰负荷定量估计及预测方法，属架空输电线路在线监测技术领域。该方法利用监测点的覆冰过程历史数据，基于相空间重构理论，建立输电线覆冰过程混沌时间序列模型；基于SVM的机器学习方法，建立输电线覆冰负荷定量估计及预测模型。本发明依据该模型，对基于力学模型的覆冰在线估计结果进行修正，或是在力学传感装置失效时替换在线估计值；基于提前知晓的微气象信息对输电线覆冰过程进行趋势预测。本发明的优点在于：能对输电线覆冰负荷在线估计结果进行修正；能在力学传感器失效的条件下，具有基于微气象数据估算输电线路覆冰负荷的能力；能够根据提前知晓的监测点微气象信息对输电线路覆冰负荷趋势进行预测。

Description

一种输电线路覆冰负荷定量估计及预测方法

技术领域：

本发明属架空输电线路在线监测技术领域，涉及一种输电线路覆冰负荷定量估计及预测方法，具体涉及基于微气象信息的低纬度高海拔地区输电线路覆冰负荷定量估计及预测方法。

背景技术：

在我国的云贵川的低纬度高海拔地区，由于地形地貌复杂，气候环境多变，架空输电线路经常要历经横山岭河流纵横、海拔高程悬殊的地区。每年冬季，北方寒流与南方暖湿气流在上述地区交汇，并受微地形和微气候的共同影响形成间歇性的覆冰现象。而严重覆冰过程将导致架空输变电系统金具损坏、导线断股、杆塔折损、绝缘子翻转破裂等机械事故，或是造成绝缘子污闪、舞动闪络、脱冰闪络等电气事故，极大的威胁着输电线网络的正常运行。

近年来，国内外学者们在输电线覆冰负荷在线估计、趋势预测模型及装置方面进行了大量的研究。

在线估计模型及装置方面，有放置在输电线附近，间接反映导线覆冰增长趋势和严重程度覆冰增长测量仪；有利用安装在杆塔和绝缘子上的拉力、倾角、风向、风速等传感器，根据导线覆冰的力学模型实时估算监测点处输电线路覆冰的负荷和等效覆冰厚度的在线监测装置和方法；有基于图像处理方法，提取覆冰导线或绝缘子的边界轮廓，从而对输电线路的覆冰状况进行估计的在线监测装置和方法；有通过在给定长度的输电线上传送微波信号，而导线覆冰的厚度不同会引起Gloubau模型中微波相位和幅值的变化，进而定量的确定导线覆冰的厚度和负荷的在线监测装置和方法。

在以上模型中，IRM模型所需监测设备简单，安装方便，但由于是间接类比测量导线覆冰增长情况，因此精度不高；图像模型检测方法简单，但精度不高，且在恶劣气候下或背逆光的时候图像不够清晰，容易误判； Goubau模型及电极电容测量方法的测量精度亦不高，且覆冰所含电解质的不同亦会影响测量精度，因此应用效果不理想。力学模型法对导线的覆冰负荷估计较为精确，且实时性好，该方法已广泛应用于覆冰监测系统中并已取得良好的应用效果，但监测设备的购置和安装费用较高，且力学传感器在恶劣气候下容易出现粗大误差甚至失效。

上述在线估计模型只能实时反映输电线路的覆冰状况，而要实现预警，则必须提前知晓覆冰的发展趋势。即能根据提前获得的监测点气象信息，预测导线的覆冰状况。因此，研究具有趋势预测功能的模型是实现预警的关键所在。

在线趋势预测模型及装置方面，有著名的Makkonen模型，根据覆冰形成的气象机理、流体力学以及热力学相关原理，把导线半径、气温、风速、降水率、风吹角度及覆冰时间等作为输入量，用数值计算方法建立覆冰的增长模型，从而对导线覆冰负荷进行估计或预测；有基于风洞试验的覆冰负荷预测模型，通过测量单位时间内通过导线的降雪量、风速、温度以及下雨或下雪的临界温度，以统计学的方法建立预测覆冰负荷模型；有基于多层神经网络的覆冰预测模型，把气象数据作为神经网络的输入进行训练，从而得到历史覆冰监测数据与气象因素之间的映射模型；有基于模糊逻辑理论，通过建立气象要素与覆冰负荷的模糊隶属度函数，提出了覆冰厚度或负荷预测模型。

但是由于云贵高原的低纬度高海拔地区地形地貌复杂、气候异常多变，通常在一个月内多次出现覆冰及融冰、脱冰过程。因此其输电线路覆冰过程是一个高维的、非线性的时间序列过程，具有很强的动态性、不确定性、间歇性及突变等特性。Makkonen模型、风洞试验模型是基于解析表达式的覆冰预测方法要求解析模型的精确化，对于脱冰过程的突变性无法预测。

另一方面无法满足不同监测点的地理和气候特性，其模型的鲁棒性显然存在问题。基于神经网络的智能计算模型泛化能力不强，受数据的约束性较大；基于模糊推理的只能预测模型只能对覆冰过程进行定性估计及预测，而无法做到定量估计及预测，因此对于力学模型的覆冰估计结果中存在的粗大误差无法进行识别和替换。

发明内容：

本发明的目的在于克服上述现有技术之不足，而提供一种输电线路覆冰负荷定量估计及预测方法，具体为基于微气象信息的低纬度高海拔地区输电线路覆冰负荷定量估计及预测方法。

本发明所采用的技术方案是：利用监测点的覆冰过程历史数据，基于Token相空间重构理论，建立输电线覆冰过程混沌时间序列模型；利用已建立的输电线覆冰过程混沌时间序列模型，基于SVM的机器学习方法，建立输电线覆冰负荷定量估计及预测模型；依据该模型，对基于力学模型的覆冰在线估计结果进行异常值分析、剔点及修补，或是在力学传感装置失效的时候对输电线覆冰过程进行在线估计；依据该模型，基于提前知晓的监测点微气象信息对输电线覆冰过程进行趋势预测。具体实现步骤如下：

步骤1：根据Takens定理，加以延迟和嵌入维数，构造一个混沌时间序列相空间，描述微气象参数与覆冰负荷最大的相关性；

步骤2：基于SVM的机器学习方法，利用历史的微气象数据和对应的覆冰负荷数据，建立微气象参数与覆冰负荷的映射模型；

步骤3：基于已建立的微气象参数与覆冰负荷的映射模型，根据系统采集的实时微气象数据对覆冰负荷进行估计；

步骤4：依据前步覆冰负荷估计值，对力学模型的估计信息进行异常值识别、剔除及修补；

步骤5：基于已建立的微气象参数与覆冰负荷的映射模型，并依据提前知晓的微气象数据对覆冰负荷进行趋势预测。

步骤1应包括以下实现过程：

步骤1.1：确定时间序列的嵌入维数，优选饱和维数关联算法G-P；

步骤1.2：确定延迟时间，优选非线性的自相关的方法。

步骤2应包括以下实现过程：

步骤2.1：对所有待训练的微气象输入数据，如温度、湿度、风向、气压、日照，以及覆冰负荷进行滤波处理；

步骤2.2：所有待训练的输入数据进行归一化；

步骤2.3：选择构建SVM神经网络的核函数，优选Guass核函；

步骤2.4：初始化参数惩罚因子和核函参数；

步骤2.5：模型训练并求最优。

步骤4应包括以下实现过程：

步骤4.1：对力学模型的估计值进行异常值识别，优选莱因达准则法对孤立型野点进行识别，优选残差分析法对连续型野点进行识别；

步骤4.2：对异常值进行踢出并修补，优选插值法对孤立型野点进行修补；利用步骤3的覆冰负荷估计值对连续型野点进行修补。

与现有技术相比，本发明的有益效果是：

1、能对输电线覆冰在线监测装置力学传感器的覆冰负荷估计结果进行修正，剔除并修补力学传感器粗大误差导致的孤立型或连续型异常值。

2、能在力学传感器失效的条件下，具有基于微气象数据定量估算输电线路覆冰负荷的能力。

3、能根据提前知晓的监测点微气象信息对输电线路覆冰负荷趋势进行定量预测。

4、与现有的输电线覆冰负荷定量预测模型相比，本方法通过相空间重构理论，确定了时间序列模型的维数和延迟时间，建模过程根据标准化；基于SVM的机器学习方法泛化能力和稳定性较神经网络强。

由于我国低纬度高海拔地区地形地貌复杂，覆冰在线监测装置力学传感器在恶劣气候下容易失效或出现异常值，而要进行及时的在线装置检修十分困难，因此上述1、2点即为解决此问题的有效技术方法；

由于我国低纬度高海拔地区的输电线覆冰过程具有较强的间歇性，即通常在一个月之内连续出现数次覆冰、脱冰过程，因此必须定量的分析和预测含脱冰阶段的输电线覆冰过程；另一方面，上述地区的覆冰过程受微地形微气象的共同影响，不同监测点的覆冰过程差异较大，因此要求基于机器学习的预测模型具有较好的泛化能力和稳定性。前述3、4点即为解决此问题的有效技术方法。

附图说明：

图1为本发明的覆冰负荷定量估计与预测装置系统硬件结构示意图。

图2 为本发明的覆冰负荷定量估计与预测装置系统数据处理流程图。

图3为本发明的基于SVM的覆冰负荷估计模型建模流程图。

图4为本发明的覆冰负荷修正模型数据处理流程图。

具体实施方式：

下面结合附图对本发明作进一步的详细说明。

本发明所用的预测装置系统硬件均为市场购买。

依据图1所示的覆冰负荷定量估计与预测装置系统，实现对覆冰监测数据的采集、处理、分析与决策。主要功能如下所述：

输电线覆冰状况监测终端为安装在现场的传感器及数据采集、通信装置，主要实现对绝缘子张力、风偏角、倾斜角的力学传感信息的采集，以及对温度、湿度、风速、风向、日照强度、及气压微气象信息的采集；力学信息和微气象信息通过GPRS的无线通信模式传送至数据监督中心。

数据监督中心对力学信息和微气象信息进行存储备份、预处理、建模分析及决策。气象解析服务器用于对微气象数据进行预处理、解析，并通过互联网接收来自气象局的宏观气象信息以及十公里网格的微气象预报数据；工况简版GIS服务器用于对监测点的地理信息进行解析，并与监测终端的力学信息和微气象信息进行空间配准后，在覆冰态势监控图中作为地理定位信息加以显示。

覆冰在线估计与预测服务器是本发明的主要硬件载体，基于覆冰估计的力学模型，能对力学信息进行处理分析，并得出输电线覆冰初步估计值；基于覆冰估计的微气象模型，能对覆冰初步估计值进行修正，并预测未来的覆冰发展趋势。

依据图2所示的覆冰负荷定量估计与预测装置系统数据处理流程图，实现对覆冰在线估计与预测。主要过程如下所述：

依据现有的输电线覆冰负荷力学估计模型以及绝缘子拉力（张力）、风偏角、倾斜角等力学传感信息，对覆冰负荷进行初步估计，其值为X₀；

根据Takens定理，构造监测点的覆冰过程混沌时间序列相空间模型。用x表示覆冰负荷的时间序列，则x(t)为观察到的时间序列，t=1,2,3,…,N；设嵌入的维数为m，固定的时间延迟为嵌入延迟τ；则相空间构建的模型为：

 其中， t=1,…,N_P,N_P=N-(m-1)τ；

本发明优选饱和维数关联算法G-P来确定时间序列的嵌入维数m，其中微气象参数温度的嵌入维数m=1，湿度的嵌入维数m=1，风向的嵌入维数m=1，气压的嵌入维数m=0，日照的嵌入维数m=1，覆冰重量的嵌入维数m=5。

本发明优选非线性的自相关方法来确定来确定延迟时间τ，仿真结果表明，τ取5或者6比较好。

依据上述建立的覆冰过程时间序列模型以及图3所示的示意图，建立基于SVM的覆冰负荷微气象估计模型。主要步骤如下：

对所有的输入数据，如温度、湿度、风向、日照和覆冰负荷进行滤波处理，并统一归一化到[-1, 1]之间；选择构建SVM神经网络的核函数，Guass核函:

；初始化参数惩罚因子C和核函参数σ；对核函参数σ和惩罚因子C进行调节，寻找最优的结构风险最小函数。

依据图4所示的覆冰负荷修正模型数据处理流程图对力学模型的估计信息进行异常值识别、剔除及修补。

依据图2所示的覆冰负荷定量估计与预测装置系统数据处理流程，基于气象部门提供的微气象预告信息对输电线覆冰负荷进行预测。

Claims (4)

1.一种输电线路覆冰负荷定量估计及预测方法，其特征在于：该方法利用监测点的覆冰过程的气象数据及对应的覆冰数据，基于Token相空间重构理论，建立输电线覆冰过程混沌时间序列模型；用已建立的输电线覆冰过程混沌时间序列模型，基于SVM的机器学习方法，建立输电线覆冰负荷定量估计及预测模型；依据该模型，对基于力学模型的覆冰在线估计结果进行异常值分析、剔点及修补，或是在力学传感装置失效的时候对输电线覆冰过程进行在线估计；依据该模型，基于提前知晓的监测点微气象信息对输电线覆冰过程进行趋势预测；具体的特征步骤如下：

步骤1：根据Takens定理，确定延迟和嵌入维数，构造一个混沌时间序列相空间，描述微气象参数与覆冰负荷最大的相关性；

步骤2：基于SVM的机器学习方法，利用历史的微气象数据和对应的覆冰负荷数据，建立微气象参数与覆冰负荷的映射模型；

步骤3：基于已建立的微气象参数与覆冰负荷的映射模型，根据系统采集的实时微气象数据对覆冰负荷进行估计；

步骤4：依据前步覆冰负荷估计值，对力学模型的估计信息进行异常值识别、剔除及修补；

步骤5：基于已建立的微气象参数与覆冰负荷的映射模型，并依据提前知晓的微气象数据对覆冰负荷进行趋势预测。

2.根据权利要求1所述的一种输电线路覆冰负荷定量估计及预测方法，其特征在于，所述步骤1应包括以下实现过程：

步骤1.1：确定时间序列的嵌入维数，优选饱和维数关联算法G-P；

步骤1.2：确定延迟时间，优选非线性的自相关的方法。

3.根据权利要求1所述的一种输电线路覆冰负荷定量估计及预测方法，其特征在于，步骤2应包括以下实现过程：

步骤2.1：对所有待训练的微气象输入数据，如温度、湿度、风向、气压、日照，以及覆冰负荷进行滤波处理；

步骤2.2：所有待训练的输入数据进行归一化；

步骤2.3：选择构建SVM神经网络的核函数，优选Guass核函；

步骤2.4：初始化参数惩罚因子和核函参数；

步骤2.5：模型训练并求最优。

4.根据权利要求1所述的一种输电线路覆冰负荷定量估计及预测方法，其特征在于，步骤4应包括以下实现过程：

步骤4.1：对力学模型的估计值进行异常值识别，优选莱因达准则法对孤立型野点进行识别，优选残差分析法对连续型野点进行识别；

步骤4.2：对异常值进行踢出并修补，优选插值法对孤立型野点进行修补；利用步骤3的覆冰负荷估计值对连续型野点进行修补。

Images