CN104766143A - 基于支持向量分类的输电线路覆冰等级长期预测方法 - Google Patents
基于支持向量分类的输电线路覆冰等级长期预测方法 Download PDFInfo
- Publication number
- CN104766143A CN104766143A CN201510193562.7A CN201510193562A CN104766143A CN 104766143 A CN104766143 A CN 104766143A CN 201510193562 A CN201510193562 A CN 201510193562A CN 104766143 A CN104766143 A CN 104766143A
- Authority
- CN
- China
- Prior art keywords
- icing
- grade
- days
- electrical network
- power grid
- 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.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于支持向量分类的输电线路覆冰等级长期预测方法,包括电网覆冰等级划分、覆冰等级预测因子提取、电网覆冰等级预测因子数据归一化、建立基于多分类支持向量分类模型和电网覆冰等级长期预测的步骤。该预测方法可有效提高电网覆冰等级长期预测精度,为电网抗冰提供可靠的数据支撑,对提前部署电网抗冰措施和保障电网运行可靠性有重要作用,且其思路清晰,操作方便,实用性强,可有效处理电网覆冰预测因子与电网覆冰等级间的非线性映射关系,并且对于小样本数据具有良好的训练学习性能。
Description
技术领域
本发明涉及电气工程技术领域,具体涉及一种基于支持向量分类的输电线路覆冰等级长期预测方法。
背景技术
受冬季强冷空气影响,我国南方地区电网易遭受覆冰灾害,造成大面积倒塔断线事故,严重威胁电网安全稳定运行,特别是随着我国特高压电网建设和运行逐步延伸至覆冰灾害严重区域,电网覆冰灾害防治显得尤为迫切。电网覆冰等级长期预测可为电网抗冰提供较长的预见期,为提前针对不同覆冰等级部署相应的抗冰措施争取了宝贵的时间,可显著提高电网冰灾处置的效率和效果。然而,电网覆冰长期观测的数据样本往往系列长度较短,且电网覆冰影响因素众多,传统的预测方法难以处理多种要素的非线性关系且对于小样本数据的学习能力有限,预测精度有待进一步提高。支持向量分类是一种新型高效的学习分类方法,能够将低维空间的数据通过数学变换映射到高维空间中,使得在低维空间的非线性关系在高维空间中呈现线性关系,有效提高非线性关系处理能力,同时该方法对于小样本数据学习性能优越。目前,基于支持向量分类的电网覆冰等级预测方法方面的研究尚未见诸报道。
发明内容
本发明要解决的技术问题是克服现有技术存在的不足,提供一种基于支持向量分类的输电线路覆冰等级长期预测方法,可有效提高电网覆冰等级长期预测精度,为电网抗冰提供可靠的数据支撑,对提前部署电网抗冰措施和保障电网运行可靠性有重要作用。
为解决上述技术问题,本发明采用以下技术方案:
一种基于支持向量分类的输电线路覆冰等级长期预测方法,包括以下步骤:
(1)根据电网覆冰年平均日数历史统计数据以及现有融冰措施的抗冰能力,将电网覆冰划分为若干个等级;
(2)采用相关系数分析方法,计算出历史统计数据中各气象气候因子与电网覆冰年平均日数的相关系数,选取相关系数最大的前若干个气象气候因子作为覆冰等级预测因子;
(3)采用归一化计算公式将相关系数最大的前若干个覆冰等级预测因子的数据归一化到[0,1]范围,归一化计算公式如下:
式中,Mi为第i个覆冰等级预测因子的值;max{}为取最大值;min{}为取最小值;n为覆冰等级预测因子的个数;Si为第i个覆冰等级预测因子的值归一化后的值;
(4)以覆冰等级预测因子归一化后的值作为支持向量分类模型的输入样本,以相对应的电网覆冰等级作为模型的输出结果,基于支持向量分类模型的训练学习方法,建立基于多分类支持向量分类模型;
(5)选定需要进行电网覆冰预测的年份,获取该年份的覆冰等级预测因子的值,并将其归一化后作为支持向量分类模型的输入,得到该年份的电网覆冰等级预测结果。
上述的预测方法,优选的,所述步骤(2)中,选取相关系数最大的前17个气象气候因子作为覆冰等级预测因子,所述17个气象气候因子分别为:太阳黑子、海温异常、大气环流、副热带高压、副热带高压强度季节变换、副热带高压面积与脊线、副热带高压与相似年比较、东亚环流、旱涝、二月最高气温、九月中旬平均气温、九月下半月高温天数、十月最高气温、四五月气温距平、九月降水量、北极涛动、严重和特别严重覆冰年后。
上述的预测方法,优选的,所述步骤(1)中,电网覆冰等级的划分具体为:
轻度覆冰为1级,年平均覆冰日数<3天;
中等程度覆冰为2级,3天≤年平均覆冰日数<5天;
严重程度覆冰为3级,5天≤年平均覆冰日数<11天;
特别严重程度覆冰为4级,年平均覆冰日数≥11天。
与现有技术相比,本发明的优点在于:本发明基于支持向量分类的输电线路覆冰等级长期预测方法,将支持向量分类方法引入电网覆冰长期预测中,可有效提高电网覆冰等级长期预测精度,为电网抗冰提供可靠的数据支撑,对提前部署电网抗冰措施和保障电网运行可靠性有重要作用。该方法思路清晰,操作方便,实用性强,可有效处理电网覆冰预测因子与电网覆冰等级间的非线性映射关系,并且对于小样本数据具有良好的训练学习性能。
具体实施方式
以下结合具体实施例对本发明作进一步详细说明。
一种基于支持向量分类的输电线路覆冰等级长期预测方法,包括以下步骤:
(1)电网覆冰等级划分
根据电网覆冰年平均日数历史统计数据以及现有融冰措施的抗冰能力,将电网覆冰划分为若干个等级。以湖南省电网为例,电网年平均覆冰日数3天以内为轻度覆冰、3至5天(含3天)为中等程度覆冰、5至11天(含5天)为严重程度覆冰、11天及以上为特别严重程度覆冰,其中轻度覆冰定义为1级、中等程度覆冰定义为2级、严重程度覆冰定义为3级、特别严重程度覆冰定义为4级。
(2)覆冰等级预测因子提取
采用相关系数分析方法,计算出历史统计数据中各气象气候因子与电网覆冰年平均日数的相关系数,相关系数计算公式如下:
式中,x和y为两组因子序列;r为两序列的相关系数;n为序列的长度;为序列x的平均值;为序列y的平均值。
选取相关系数最大的前若干个因子作为覆冰等级预测因子。以湖南省电网为例,通过统计分析,选取了与电网覆冰密切相关的17个气象气候因子作为覆冰等级预测因子,17个气象气候因子具体包括:太阳黑子、海温异常、大气环流、副热带高压、副热带高压强度季节变换、副热带高压面积与脊线、副热带高压与相似年比较、东亚环流、旱涝、二月最高气温、九月中旬平均气温、九月下半月高温天数、十月最高气温、四五月气温距平、九月降水量、北极涛动、严重和特别严重覆冰年后;上述覆冰等级预测因子从1950年~2012年的湖南电网覆冰程度数据及与之相关的气象气候因子的历史统计数据中选取。
(3)电网覆冰等级预测因子数据归一化
采用归一化计算公式(最大最小值法)将相关系数最大的前若干个覆冰等级预测因子的数据归一化到[0,1]范围,归一化计算公式如下:
式中,Mi为第i个覆冰等级预测因子的值;max{}为取最大值;min{}为取最小值;n为覆冰等级预测因子的个数;Si为第i个覆冰等级预测因子的值归一化后的值。
(4)建立基于多分类支持向量分类模型
以电网覆冰预测因子归一化后的值作为支持向量分类模型的输入样本,以相对应的电网覆冰等级作为模型的输出结果,基于支持向量分类模型的训练学习方法,建立基于多分类支持向量分类模型;该基于多分类支持向量分类模型的建立为现有技术,在此不再赘述。
(5)电网覆冰等级长期预测
选定需要进行电网覆冰预测的年份,获取该年份的覆冰等级预测因子的值,并将其归一化后作为支持向量分类模型的输入,得到该年份的电网覆冰等级预测结果。
采用上述基于多分类支持向量分类模型对2013年湖南省电网覆冰程度进行了预测,先获取得到2013年湖南省覆冰密切相关的17个气象气候因子的值,将该17个气象气候因子的值归一化后输入至步骤4的基于多分类支持向量分类的覆冰预测模型,计算得到2013年湖南电网覆冰等级为2级,预测结果准确。
Claims (3)
1.一种基于支持向量分类的输电线路覆冰等级长期预测方法,其特征在于:包括以下步骤:
(1)根据电网覆冰年平均日数历史统计数据以及现有融冰措施的抗冰能力,将电网覆冰划分为若干个等级;
(2)采用相关系数分析方法,计算出历史统计数据中各气象气候因子与电网覆冰年平均日数的相关系数,选取相关系数最大的前若干个气象气候因子作为覆冰等级预测因子;
(3)采用归一化计算公式将相关系数最大的前若干个覆冰等级预测因子的数据归一化到[0,1]范围,归一化计算公式如下:
式中,Mi为第i个覆冰等级预测因子的值;max{}为取最大值;min{}为取最小值;n为覆冰等级预测因子的个数;Si为第i个覆冰等级预测因子的值归一化后的值;
(4)以覆冰等级预测因子归一化后的值作为支持向量分类模型的输入样本,以相对应的电网覆冰等级作为模型的输出结果,基于支持向量分类模型的训练学习方法,建立基于多分类支持向量分类模型;
(5)选定需要进行电网覆冰预测的年份,获取该年份的覆冰等级预测因子的值,并将其归一化后作为支持向量分类模型的输入,得到该年份的电网覆冰等级预测结果。
2.根据权利要求1所述的基于支持向量分类的输电线路覆冰等级长期预测方法,其特征在于:所述步骤(2)中,选取相关系数最大的前17个气象气候因子作为覆冰等级预测因子,所述17个气象气候因子分别为:太阳黑子、海温异常、大气环流、副热带高压、副热带高压强度季节变换、副热带高压面积与脊线、副热带高压与相似年比较、东亚环流、旱涝、二月最高气温、九月中旬平均气温、九月下半月高温天数、十月最高气温、四五月气温距平、九月降水量、北极涛动、严重和特别严重覆冰年后。
3.根据权利要求1所述的基于支持向量分类的输电线路覆冰等级长期预测方法,其特征在于:所述步骤(1)中,电网覆冰等级的划分具体为:
轻度覆冰为1级,年平均覆冰日数<3天;
中等程度覆冰为2级,3天≤年平均覆冰日数<5天;
严重程度覆冰为3级,5天≤年平均覆冰日数<11天;
特别严重程度覆冰为4级,年平均覆冰日数≥11天。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510193562.7A CN104766143B (zh) | 2015-04-22 | 2015-04-22 | 基于支持向量分类的输电线路覆冰等级长期预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510193562.7A CN104766143B (zh) | 2015-04-22 | 2015-04-22 | 基于支持向量分类的输电线路覆冰等级长期预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104766143A true CN104766143A (zh) | 2015-07-08 |
CN104766143B CN104766143B (zh) | 2016-03-09 |
Family
ID=53647957
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510193562.7A Active CN104766143B (zh) | 2015-04-22 | 2015-04-22 | 基于支持向量分类的输电线路覆冰等级长期预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104766143B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092982A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 一种电网覆冰预报方法及装置 |
CN109460923A (zh) * | 2018-11-13 | 2019-03-12 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
CN109800905A (zh) * | 2018-12-19 | 2019-05-24 | 国网重庆市电力公司检修分公司 | 山地环境微地形微气象影响的输电线路覆冰分析方法 |
CN110598932A (zh) * | 2019-09-11 | 2019-12-20 | 电子科技大学 | 基于融合天气特征的输电走廊覆冰预警方法 |
CN110633851A (zh) * | 2019-09-11 | 2019-12-31 | 电子科技大学 | 基于多源数据的输电走廊覆冰预警方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721986A (zh) * | 2012-06-01 | 2012-10-10 | 湖南省电力公司科学研究院 | 基于副热带高压因子的电网覆冰长期预报方法 |
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 |
-
2015
- 2015-04-22 CN CN201510193562.7A patent/CN104766143B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102721986A (zh) * | 2012-06-01 | 2012-10-10 | 湖南省电力公司科学研究院 | 基于副热带高压因子的电网覆冰长期预报方法 |
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 |
---|
宋尖,陆佳政,李波,张红先,徐勋建: "基于模糊识别和神经网络的电网覆冰长期预测方法", 《湖南电力》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107092982A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 一种电网覆冰预报方法及装置 |
CN109460923A (zh) * | 2018-11-13 | 2019-03-12 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
CN109460923B (zh) * | 2018-11-13 | 2021-11-23 | 国网冀北电力有限公司电力科学研究院 | 一种输电线覆冰概率预测方法 |
CN109800905A (zh) * | 2018-12-19 | 2019-05-24 | 国网重庆市电力公司检修分公司 | 山地环境微地形微气象影响的输电线路覆冰分析方法 |
CN110598932A (zh) * | 2019-09-11 | 2019-12-20 | 电子科技大学 | 基于融合天气特征的输电走廊覆冰预警方法 |
CN110633851A (zh) * | 2019-09-11 | 2019-12-31 | 电子科技大学 | 基于多源数据的输电走廊覆冰预警方法 |
CN110598932B (zh) * | 2019-09-11 | 2022-04-19 | 电子科技大学 | 基于融合天气特征的输电走廊覆冰预警方法 |
CN110633851B (zh) * | 2019-09-11 | 2022-04-19 | 电子科技大学 | 基于多源数据的输电走廊覆冰预警方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104766143B (zh) | 2016-03-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104766143B (zh) | 基于支持向量分类的输电线路覆冰等级长期预测方法 | |
De Koning et al. | Metal supply constraints for a low-carbon economy? | |
CN105095668B (zh) | 基于亚洲极涡因子的电网覆冰长期预报方法 | |
CN102722759B (zh) | 基于bp神经网络的电网供电可靠性预测方法 | |
CN102749664B (zh) | 电网覆冰程度预测方法 | |
CN105068149B (zh) | 一种基于多信息综合的输变电设备雷电监测和预报方法 | |
CN102721986B (zh) | 基于副热带高压因子的电网覆冰长期预报方法 | |
CN102789447A (zh) | 基于灰多元线性回归的覆冰与气象关系的分析方法 | |
CN104462837A (zh) | 由综合故障率和经济性评估确定输电线路加强方案的方法 | |
CN104849776A (zh) | 一种结合动态修正的电网高低温精细化预警方法 | |
CN104376371A (zh) | 一种基于拓扑的配网分层负荷预测方法 | |
CN103257000B (zh) | 一种桥梁结构日照作用分析的极值温度预测方法 | |
CN105912857A (zh) | 一种配电设备状态监测传感器的选配方法 | |
CN106570594A (zh) | 一种基于tmbp的相似日光伏发电短期预测方法 | |
CN104156775A (zh) | 基于多元线性回归算法的气象灾害预测方法 | |
CN105654189B (zh) | 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 | |
CN102818975A (zh) | 一种电缆绝缘老化的预测方法 | |
CN104298706A (zh) | 一种基于数据挖掘的输电杆塔塔材实际强度计算方法 | |
CN103164619A (zh) | 基于最佳鉴别准则的变电站接地网腐蚀率模式识别方法 | |
CN112836897A (zh) | 一种基于机器学习的电网地质沉降隐患风险预测方法 | |
CN104680010A (zh) | 一种汽轮机组稳态运行数据筛选方法 | |
CN105184384A (zh) | 一种影响雾日的环流特征量因子分析及雾日预测模型 | |
CN103473461B (zh) | 基于数据特征提取的风功率预测误差估计方法 | |
CN103279646A (zh) | 一种预测覆冰输电导线张力的计算方法 | |
Lu et al. | Long-term forecast method for ice disasters on power grids |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |