CN103914740B - 一种基于数据驱动的输电线路覆冰预测与自校正方法 - Google Patents
一种基于数据驱动的输电线路覆冰预测与自校正方法 Download PDFInfo
- Publication number
- CN103914740B CN103914740B CN201410123129.1A CN201410123129A CN103914740B CN 103914740 B CN103914740 B CN 103914740B CN 201410123129 A CN201410123129 A CN 201410123129A CN 103914740 B CN103914740 B CN 103914740B
- Authority
- CN
- China
- Prior art keywords
- icing
- covering
- correcting
- powerline ice
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种基于数据驱动的输电线路覆冰预测与自校正方法,包括输电线路、覆冰监测终端、覆冰监测终端采集数据处理系统、历史信息库、自校正覆冰预测模块、覆冰预测结果库和覆冰预测结果展示IED,其中,自校正覆冰预测模块中包括结果比较子模块、模块校正子模块和输电线路覆冰预测模型,历史信息库包括输电线路周围的温湿度、风速和时效因子等历史数据。采用非线性时间序列分析法和BP神经网络学习法对历史信息库中数据进行分析建模,建立输电线路覆冰预测模型进行预测,在输电线路上安装覆冰监测终端实时采集覆冰参量数据,通过覆冰终端采集数据处理系统计算并触发自校正覆冰预测模块的运行,提高输电线路覆冰预测模型的自适应和准确性。
Description
技术领域
本发明涉及一种基于数据驱动的输电线路覆冰预测与自校正方法,属于电力工程和信息处理技术领域。
背景技术
输电线路覆冰是每年冬季影响输电线路安全稳定运行的主要自然灾害之一,可能导致输电线路发生舞动、覆冰闪络、脱冰跳跃、断线甚至倒塔等多种事故,对电网安全构成严重的危害。提前对输电线路覆冰情况进行预测可以有效预防覆冰灾害的发生,但是由于输电线路覆冰的产生过程具有动态性、不确定性、非线性、突变及间歇等特性,使得输电线路覆冰预测模型复杂且准确度不高。
基于数据驱动的控制方法是近年来出现的一种新的控制算法,该方法不需要系统其他先验知识,无需建立假设条件和精确的数学解析模型,仅需要利用输电系统已存储的离线历史数据便可实现输电线路覆冰的预测,因此基于数据驱动的方法简化了模型的建立,提高了预测的正确性,适合于对输电线路覆冰进行预测。但是数据驱动模型需要重复不断地学习和训练才能保证模型的适应性和准确性,目前该过程都是人工预设一段时间,定期对模型进行训练,有必要提出一种自校正的方法实现模型的自动修正与适应。
发明内容
本发明的目的是为了解决输电线路覆冰预测模型复杂且准确度不高、数据驱动模型需要人工预设一段时间重复不断地学习和训练的问题。
为了实现上述目的,本发明提供如下技术方案:
一种基于数据驱动的输电线路覆冰预测与自校正方法,本发明特征在于,由输电线路通过覆冰监测终端与覆冰监测终端采集数据处理系统连接,覆冰监测终端采集数据处理系统分别与自校正覆冰预测模块连接,自校正覆冰预测模块还分别与历史信息库、覆冰预测结果库、覆冰预测结果展示IED连接;其中,
自校正覆冰预测模块由结果比较子模块、模块校正子模块和输电线路覆冰预测模型依序连接构成;历史信息库、覆冰预测结果库、覆冰预测结果展示IED与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的输电线路覆冰预测模型连接;
覆冰监测终端采集数据处理系统与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的结果比较子模块连接;
采用对历史信息库中海量数据进行分析建模,建立输电线路覆冰预测模型,运用该模型对下一次输电线路覆冰进行预测,将覆冰监测终端安装在输电线路上对温度、湿度、拉力、倾角这些变量进行采集,通过无线通信将采集数据输入覆冰终端采集数据处理系统,该系统对数据进行清理并计算,计算结束触发自校正覆冰预测模块的运行,完成覆冰预测模块的校正,使其更适应于以后的预测。
本发明覆冰监测终端采集数据处理系统接收覆冰监测终端的采集数据作为系统的数据输入,具有滤波去噪和异常值剔除的数据预处理功能、覆冰计算功能和数据入库功能,计算得到覆冰结果则自动触发自校正覆冰预测模块,触发信息中包括本次计算得到的覆冰实测结果和与覆冰实测结果的时间、输电杆塔相对应的覆冰预测结果。
本发明自校正覆冰预测模块等待覆冰监测终端采集数据处理系统的触发,在接收到触发信息后,从触发信息中提取覆冰实测结果与覆冰预测结果相比较,根据比较结果对输电线路覆冰预测模型进行校正。
本发明输电线路覆冰预测模型以历史信息库中温度、湿度、风速、时效因子这些海量数据为基础,采用非线性时间序列分析法和BP神经网络学习法推导出输电线路覆冰预测模型和模型中的映射函数。
本发明基于数据驱动的输电线路覆冰预测与自校正方法以输电线路为对象,在历史信息库中储存输电线路覆冰相关的历史数据,采用非线性时间序列分析法建立输电线路覆冰预测初始模型,用BP神经网络学习法对历史信息库中数据进行学习,从而确定初始模型中的映射函数,实现输电线路覆冰预测模型的建立,将历史数据作为输入,代入模型中的映射函数,得到的输出结果即为覆冰预测结果,将覆冰预测结果输出至覆冰预测结果展示IED进行预警,同时也存入覆冰预测结果库中。在输电线路上安装覆冰监测终端对温度、湿度等覆冰相关参量(每组参量对应于一条输电线路的某一时刻)进行测量,并将测量值通过无线网络传输至覆冰监测终端采集数据处理系统,该系统接收到数据首先采用滤波去噪和异常值剔除方法对采集数据进行预处理,然后根据覆冰计算公式计算覆冰结果,当计算的测量值对应的时间和输电线路与输电线路覆冰预测模型的覆冰预测结果中的时间和输电线路相同时,在得到计算结果的同时触发自校正覆冰预测模块,对输电线路覆冰预测模型进行修正,从而进行下一次覆冰预测,如此循环。
输电线路覆冰预测模型的建立方法为:
首先根据Makkonen模型,推导出输电线路覆冰动态过程的状态方程:
Q(n)=g(Q(n-1),T(n-1),H(n-1),WV(n-1),WD(n-1),A(n-1),S(n-1)) (1)
其中n为大于1的自然数;Q(n)为第n次覆冰结果;g()为Makkonen模型中映射函数;Q(n-1)为第n-1次覆冰结果;T(n-1)为第n-1次覆冰时的温度;H(n-1)为第n-1次覆冰时的湿度;WV(n-1)为第n-1次覆冰时的风速;WD(n-1)为第n-1次覆冰时的风向;A(n-1)为第n-1次覆冰时的气压;S(n-1)为第n-1次覆冰时的日照;
根据混沌时间序列预测的相空间理论和输电线路覆冰动态过程的状态方程,建立输电线路覆冰预测初始模型:
Q(m+k)=φ(Q(m),Q(m-2),Q(m-4),Q(m-6),Q(m-8),
Q(m-10),T(m),H(m),WV(m),WD(m),A(m),S(m)) (2)
其中m为大于10的自然数;k为预测步长,是自然数;Q(m+k)为第m次覆冰后的第k次覆冰预测结果;φ()为输电线路覆冰预测初始模型中映射函数;Q(m)为第m次覆冰结果;Q(m-2)为第m-2次覆冰结果;Q(m-4)为第m-4次覆冰结果;Q(m-6)为第m-6次覆冰结果;Q(m-8)为第m-8次覆冰结果;Q(m-10)为第m-10次覆冰结果;T(m)为第m次覆冰时的温度;H(m)为第m次覆冰时的湿度;WV(m)为第m次覆冰时的风速;WD(m)为第m次覆冰时的风向;A(m)为第m次覆冰时的气压;S(m)为第m次覆冰时的日照;
φ()的最优估计与Q(m+k)的关系为:
其中minJ为模型误差;M为大于10的自然数;m=11,12,…,M;为φ()的最优估计;V(m)=Q(m),Q(m-2),Q(m-4),Q(m-6),Q(m-8),Q(m-10),T(m),H(m),WV(m),WD(m),A(m),S(m);取minJ=0,则可通过BP神经网络学习法计算得到
取代入公式(2)中,即可建立输电线路覆冰预测模型。
自校正覆冰预测模块的实现方案为:在接收到覆冰监测终端采集数据处理系统的触发信息后该模块开始运行,首先分析触发信息,从其中抽取出覆冰预测结果和覆冰实测结果信息进行比较,如果两者相同则表示输电线路覆冰预测模型的预测正确,不需要对输电线路覆冰预测模型模型进行校正,减少了很多无用工作;如果两者不同则表示输电线路覆冰预测模型的预测错误,需要对输电线路覆冰预测模型进行校正,此时触发模型校正子模块,将本次错误的覆冰预测结果作为历史数据,并且结合历史信息库中的其它历史数据进行输电线路覆冰预测模型的学习和训练,获得更优参数(映射函数)完成输电线路覆冰预测模型的校正,采用校正后的新模型取代原有模型进行以后的覆冰预测。
本发明的有益效果是:
1.在不建立假设条件和精确的数学解析模型的情况下实现了覆冰的预测:本发明基于历史信息库中温度、湿度、风速、时效因子等海量数据,采用非线性时间序列分析法和BP神经网络学习法对数据统计学习得到映射函数,将历史数据代入映射函数即可获得覆冰预测值。
2.实现了覆冰预测模型的自校正,减少了人工参与和人为因素的影响:在覆冰监测终端采集数据处理系统中增设触发功能,在计算得到覆冰实测结果时触发其与覆冰预测结果的比较,全部智能化实现,无需人工参与。当两者的比较结果为不相同时才进行输电线路覆冰预测模型的校正,减少了不必要的输电线路覆冰预测模型校正工作,提高了效率。
3.预测准确性高:本发明建立的基于数据驱动的覆冰预测模型未建立假设,且在每次预测后都结合实测结果进行输电线路覆冰预测模型的自校正,提高了覆冰预测的准确性。
附图说明
附图1为本发明的整体结构图。
图中各标号为整个方法的不同步骤过程,其中标号②1和标号②2为并列步骤,分别代表步骤②中的不同小步骤,小步骤之间没有因果逻辑关联,同时并列发生;标号⑦1、标号⑦2和⑦i为并列步骤,分别代表步骤⑦中的不同小步骤,小步骤之间没有因果逻辑关联,同时并列发生。图中各标号依次表示:
标号①表示:从历史信息库中获取所需数据,建立输电线路覆冰预测模型的步骤过程;
标号②1表示:输电线路覆冰预测模型对覆冰进行预测,将覆冰预测结果保存至覆冰预测结果库中;
标号②2表示:输电线路覆冰预测模型对覆冰进行预测,将覆冰预测结果输出至覆冰预测结果展示IED进行覆冰预测结果的展示;
标号③表示:覆冰监测终端采集数据处理系统从覆冰预测结果库中获取预测数据;
标号④表示:覆冰监测终端采集数据处理系统触发自校正覆冰预测模块的运行,并将触发信息传入自校正覆冰预测模块中的结果比较子模块;
标号⑤表示:结果比较子模块将比较结果传入模型校正子模块;
标号⑥表示:用校正后的模型取代原有的输电线路覆冰预测模型;
标号⑦1表示:实时传输覆冰监测终端1的采集数据至覆冰监测终端采集数据处理系统;
标号⑦2表示:实时传输覆冰监测终端2的采集数据至覆冰监测终端采集数据处理系统;
标号⑦i表示:实时传输覆冰监测终端i的采集数据至覆冰监测终端采集数据处理系统。
附图2为本发明自校正模块的流程图。
具体实施方式
一种基于数据驱动的输电线路覆冰预测与自校正方法,本发明由输电线路通过覆冰监测终端与覆冰监测终端采集数据处理系统连接,覆冰监测终端采集数据处理系统分别与自校正覆冰预测模块连接,自校正覆冰预测模块还分别与历史信息库、覆冰预测结果库、覆冰预测结果展示IED连接;其中,
自校正覆冰预测模块由结果比较子模块、模块校正子模块和输电线路覆冰预测模型依序连接构成;历史信息库、覆冰预测结果库、覆冰预测结果展示IED与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的输电线路覆冰预测模型连接;
覆冰监测终端采集数据处理系统与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的结果比较子模块连接;
采用对历史信息库中海量数据进行分析建模,建立输电线路覆冰预测模型,运用该模型对下一次输电线路覆冰进行预测,将覆冰监测终端安装在输电线路上对温度、湿度、拉力、倾角变量进行采集,通过无线通信将采集数据输入覆冰终端采集数据处理系统,该系统对数据进行清理并计算,计算结束触发自校正覆冰预测模块的运行,完成覆冰预测模块的校正,使其更适应于以后的预测。
本发明覆冰监测终端采集数据处理系统接收覆冰监测终端的采集数据作为系统的数据输入,具有滤波去噪和异常值剔除的数据预处理功能、覆冰计算功能和数据入库功能,计算得到覆冰结果则自动触发自校正覆冰预测模块,触发信息中包括本次计算得到的覆冰实测结果和与覆冰实测结果的时间、输电杆塔相对应的覆冰预测结果。
本发明自校正覆冰预测模块等待覆冰监测终端采集数据处理系统的触发,在接收到触发信息后,从触发信息中提取覆冰实测结果与覆冰预测结果相比较,根据比较结果对输电线路覆冰预测模型进行校正。
本发明输电线路覆冰预测模型以历史信息库中温度、湿度、风速、时效因子这些海量数据为基础,采用非线性时间序列分析法和BP神经网络学习法推导出输电线路覆冰预测模型和模型中的映射函数。
输电线路覆冰预测模型的建立方法为:
首先根据Makkonen模型,推导出输电线路覆冰动态过程的状态方程:
Q(n)=g(Q(n-1),T(n-1),H(n-1),WV(n-1),WD(n-1),A(n-1),S(n-1))(1)
其中n为大于1的自然数;Q(n)为第n次覆冰结果;g()为Makkonen模型中映射函数;Q(n-1)为第n-1次覆冰结果;T(n-1)为第n-1次覆冰时的温度;H(n-1)为第n-1次覆冰时的湿度;WV(n-1)为第n-1次覆冰时的风速;WD(n-1)为第n-1次覆冰时的风向;A(n-1)为第n-1次覆冰时的气压;S(n-1)为第n-1次覆冰时的日照;
根据混沌时间序列预测的相空间理论和输电线路覆冰动态过程的状态方程,建立输电线路覆冰预测初始模型:
Q(m+k)=φ(Q(m),Q(m-2),Q(m-4),Q(m-6),Q(m-8),
Q(m-10),T(m),H(m),WV(m),WD(m),A(m),S(m)) (2)
其中m为大于10的自然数;k为预测步长,是自然数;Q(m+k)为第m次覆冰后的第k次覆冰预测结果;φ()为输电线路覆冰预测初始模型中映射函数;Q(m)为第m次覆冰结果;Q(m-2)为第m-2次覆冰结果;Q(m-4)为第m-4次覆冰结果;Q(m-6)为第m-6次覆冰结果;Q(m-8)为第m-8次覆冰结果;Q(m-10)为第m-10次覆冰结果;T(m)为第m次覆冰时的温度;H(m)为第m次覆冰时的湿度;WV(m)为第m次覆冰时的风速;WD(m)为第m次覆冰时的风向;A(m)为第m次覆冰时的气压;S(m)为第m次覆冰时的日照;
φ()的最优估计与Q(m+k)的关系为:
其中minJ为模型误差;M为大于10的自然数;m=11,12,…,M;为φ()的最优估计;V(m)=Q(m),Q(m-2),Q(m-4),Q(m-6),Q(m-8),Q(m-10),T(m),H(m),WV(m),WD(m),A(m),S(m);取minJ=0,则可通过BP神经网络学习法计算得到
取代入公式(2)中,即可建立输电线路覆冰预测模型。
自校正覆冰预测模块的实现方案为:在接收到覆冰监测终端采集数据处理系统的触发信息后该模块开始运行,首先分析触发信息,从其中抽取出覆冰预测结果和覆冰实测结果信息进行比较,如果两者相同则表示输电线路覆冰预测模型的预测正确,不需要对输电线路覆冰预测模型模型进行校正,减少了很多无用工作;如果两者不同则表示输电线路覆冰预测模型的预测错误,需要对输电线路覆冰预测模型进行校正,此时触发模型校正子模块,将本次错误的覆冰预测结果作为历史数据,并且结合历史信息库中的其它历史数据进行输电线路覆冰预测模型的学习和训练,获得更优参数(映射函数)完成输电线路覆冰预测模型的校正,采用校正后的新模型取代原有模型进行以后的覆冰预测。
本发明中覆冰预测与自校正循环流程根据结果比较子模块的比较结果可分为两种情况,第一种情况是结果比较子模块的比较结果为覆冰预测结果和覆冰实测结果不同,需要校正输电线路覆冰预测模型,参见附图1中流程(a);第二种情况是结果比较子模块的比较结果为覆冰预测结果和覆冰实测结果相同,不需要校正输电线路覆冰预测模型,参见附图1中流程(b)。
下面结合附图和实施例对本发明作进一步说明,但实施例不是对本发明的限定,只是一个特例。
以云南省的输电线路覆冰预测为实施例,参见附图1,本发明中的输电线路选取云南省输电线路中的其中三条为例,云南省覆冰相关历史数据积累了很多年,历史信息库中数据量大,选用Oracle数据库实现,覆冰预测结果库选用SQL数据库实现,覆冰预测结果展示IED选用一般台式计算机的显示器,覆冰监测终端采集数据处理系统安装在一台服务器上运行。
覆冰监测终端采集数据处理系统获取三条输电线路上安装的覆冰监测终端采集的数据进行计算,其中采集数据包括温度、湿度、拉力、倾角、风速、风向等物理参量。历史信息库中包括云南省近3年的覆冰历史数据,有覆冰发生的时间、输电线路、覆冰发生时的温度、湿度等条件信息和覆冰厚度等数据,根据混沌时间序列预测的相空间理论和输电线路覆冰动态过程的状态方程,建立输电线路覆冰预测初始模型,本次实施例中,设置k=1,在模型学习时预测步长为1,设置M=60,从历史信息库中抽取60次的覆冰相关数据进行学习,确定映射函数,从而建立输电线路覆冰预测模型,根据预测模型从历史信息库中提取所需数据实现下一次覆冰的预测,预测结果在覆冰预测结果展示IED进行展示,同时存入覆冰预测结果库。
根据云南省的覆冰预测结果和实测覆冰信息,终端采集数据处理系统触发自校正模块,该模块的流程图参见附图2,根据比较结果分为两种执行情况,当比较结果相同则模型仍可继续用于下一次预测,无需进行模型的校正,当比较结果不同则训练模型得到校正后的新模型,采用新模型进行下一次覆冰预测,依次循环自动实现输电线路的覆冰预测与自校正。
Claims (3)
1.一种基于数据驱动的输电线路覆冰预测与自校正方法,其特征在于,由输电线路通过覆冰监测终端与覆冰监测终端采集数据处理系统连接,覆冰监测终端采集数据处理系统与自校正覆冰预测模块连接,自校正覆冰预测模块还分别与历史信息库、覆冰预测结果库、覆冰预测结果展示IED连接;其中,
自校正覆冰预测模块由结果比较子模块、模块校正子模块和输电线路覆冰预测模型依序连接构成;历史信息库、覆冰预测结果库、覆冰预测结果展示IED与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的输电线路覆冰预测模型连接;
覆冰监测终端采集数据处理系统与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的结果比较子模块连接;
采用对历史信息库中海量数据进行分析建模,建立输电线路覆冰预测模型,运用该模型对下一次输电线路覆冰进行预测,将覆冰监测终端安装在输电线路上对温度、湿度、拉力、倾角变量进行采集,通过无线通信将采集数据输入覆冰监测终端采集数据处理系统,该系统对数据进行清理并计算,计算结束触发自校正覆冰预测模块的运行,完成覆冰预测模块的校正;
输电线路覆冰预测模型以历史信息库中温度、湿度、风速、时效因子变量数据为基础,采用非线性时间序列分析法和BP神经网络学习法推导出输电线路覆冰预测模型和模型中的映射函数;
输电线路覆冰预测模型的建立方法为:
首先根据Makkonen模型,推导出输电线路覆冰动态过程的状态方程:
Q(n)=g(Q(n-1),T(n-1),H(n-1),WV(n-1),WD(n-1),A(n-1),S(n-1)) (1)
其中n为大于1的自然数;Q(n)为第n次覆冰结果;g()为Makkonen模型中映射函数;Q(n-1)为第n-1次覆冰结果;T(n-1)为第n-1次覆冰时的温度;H(n-1)为第n-1次覆冰时的湿度;WV(n-1)为第n-1次覆冰时的风速;WD(n-1)为第n-1次覆冰时的风向;A(n-1)为第n-1次覆冰时的气压;S(n-1)为第n-1次覆冰时的日照;
根据混沌时间序列预测的相空间理论和输电线路覆冰动态过程的状态方程,建立输电线路覆冰预测初始模型:
Q(m+k)=φ(Q(m),Q(m-2),Q(m-4),Q(m-6),Q(m-8),
Q(m-10),T(m),H(m),WV(m),WD(m),A(m),S(m)) (2)
其中m为大于10的自然数;k为预测步长,是自然数;Q(m+k)为第m次覆冰后的第k次覆冰预测结果;φ()为输电线路覆冰预测初始模型中映射函数;Q(m)为第m次覆冰结果;Q(m-2)为第m-2次覆冰结果;Q(m-4)为第m-4次覆冰结果;Q(m-6)为第m-6次覆冰结果;Q(m-8)为第m-8次覆冰结果;Q(m-10)为第m-10次覆冰结果;T(m)为第m次覆冰时的温度;H(m)为第m次覆冰时的湿度;WV(m)为第m次覆冰时的风速;WD(m)为第m次覆冰时的风向;A(m)为第m次覆冰时的气压;S(m)为第m次覆冰时的日照;
φ()的最优估计与Q(m+k)的关系为:
其中minJ为模型误差;M为大于10的自然数;m=11,12,…,M;为φ()的最优估计;V(m)=Q(m),Q(m-2),Q(m-4),Q(m-6),Q(m-8),Q(m-10),T(m),H(m),WV(m),WD(m),A(m),S(m);取minJ=0,则可通过BP神经网络学习法计算得到
取代入公式(2)中,即可建立输电线路覆冰预测模型。
2.根据权利要求1所述的一种基于数据驱动的输电线路覆冰预测与自校正方法,其特征在于,覆冰监测终端采集数据处理系统接收覆冰监测终端的采集数据作为系统的数据输入,具有滤波去噪和异常值剔除的数据预处理功能、覆冰计算功能和数据入库功能,计算得到覆冰结果则自动触发自校正覆冰预测模块,触发信息中包括本次计算得到的覆冰实测结果和与覆冰实测结果的时间、输电杆塔相对应的覆冰预测结果。
3.根据权利要求1所述的一种基于数据驱动的输电线路覆冰预测与自校正方法,其特征在于,自校正覆冰预测模块等待覆冰监测终端采集数据处理系统的触发,在接收到触发信息后,从触发信息中提取覆冰实测结果与覆冰预测结果相比较,根据比较结果对输电线路覆冰预测模型进行校正。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123129.1A CN103914740B (zh) | 2014-03-28 | 2014-03-28 | 一种基于数据驱动的输电线路覆冰预测与自校正方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410123129.1A CN103914740B (zh) | 2014-03-28 | 2014-03-28 | 一种基于数据驱动的输电线路覆冰预测与自校正方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103914740A CN103914740A (zh) | 2014-07-09 |
CN103914740B true CN103914740B (zh) | 2017-07-28 |
Family
ID=51040404
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410123129.1A Active CN103914740B (zh) | 2014-03-28 | 2014-03-28 | 一种基于数据驱动的输电线路覆冰预测与自校正方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103914740B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104361414B (zh) * | 2014-11-24 | 2020-01-07 | 武汉大学 | 一种基于相关向量机的输电线路覆冰预测方法 |
CN105654189B (zh) * | 2015-12-23 | 2020-03-27 | 西安工程大学 | 基于时间序列分析与卡尔曼滤波算法的覆冰短期预测方法 |
CN106708786A (zh) * | 2016-12-25 | 2017-05-24 | 杭州博烁晟斐智能科技有限公司 | 一种基于传感器检测的铁塔问题严重程度计算方法及系统 |
CN108133225A (zh) * | 2017-10-23 | 2018-06-08 | 南京南瑞集团公司 | 一种基于支持向量机的覆冰闪络故障预警方法 |
CN108343566B (zh) * | 2018-03-28 | 2019-07-09 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
CN117313537B (zh) * | 2023-09-28 | 2024-03-08 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672667A (zh) * | 2008-09-10 | 2010-03-17 | 华东电力试验研究院有限公司 | 输电线路导线覆冰预报方法 |
CN202158870U (zh) * | 2011-07-18 | 2012-03-07 | 航天科工深圳(集团)有限公司 | 架空输电线路覆冰状态监测系统 |
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
-
2014
- 2014-03-28 CN CN201410123129.1A patent/CN103914740B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101672667A (zh) * | 2008-09-10 | 2010-03-17 | 华东电力试验研究院有限公司 | 输电线路导线覆冰预报方法 |
CN202158870U (zh) * | 2011-07-18 | 2012-03-07 | 航天科工深圳(集团)有限公司 | 架空输电线路覆冰状态监测系统 |
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
Non-Patent Citations (1)
Title |
---|
采用模糊逻辑理论的覆冰厚度预测模型;黄新波 等;《高电压技术》;20110531;第37卷(第5期);第1245-1252页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103914740A (zh) | 2014-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103914740B (zh) | 一种基于数据驱动的输电线路覆冰预测与自校正方法 | |
CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
Osório et al. | Short-term wind power forecasting using adaptive neuro-fuzzy inference system combined with evolutionary particle swarm optimization, wavelet transform and mutual information | |
CN109492823B (zh) | 一种对输电线路覆冰厚度的预测方法 | |
CN105868853B (zh) | 一种短期风电功率组合概率预测方法 | |
CN107169598A (zh) | 一种基于深度学习的天气预测方法及系统 | |
CN105184391A (zh) | 基于小波分解和支持向量机的风电场风速与功率预测方法 | |
CN107909206A (zh) | 一种基于深层结构循环神经网络的pm2.5预测方法 | |
CN104217258B (zh) | 一种电力负荷条件密度预测方法 | |
CN104951836A (zh) | 基于神经网络技术的发帖预测系统 | |
CN103559561A (zh) | 一种光伏电站辐照度的超短期预测方法 | |
CN112598180A (zh) | 一种分布式区域风电功率预测方法 | |
CN111458769B (zh) | 用于输电线路环境气象数据预测的方法及系统 | |
CN115223049B (zh) | 面向电力场景边缘计算大模型压缩的知识蒸馏与量化方法 | |
CN113255210B (zh) | 一种风电机组联邦故障诊断方法及系统 | |
CN111582551A (zh) | 风电场短期风速预测方法、系统及电子设备 | |
CN107784395A (zh) | 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法 | |
CN115859816A (zh) | 一种基于cnn-lstm算法的风功率分钟级预测方法及系统 | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN112925825A (zh) | 用于输电线路的多气象因子预测方法 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN115272981A (zh) | 云边共学习输电巡检方法与系统 | |
CN113984198B (zh) | 一种基于卷积神经网络的短波辐射预测方法及系统 | |
CN116307287B (zh) | 一种光伏发电有效时段的预测方法、系统及预测终端 | |
CN116976227A (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |