CN106651031A - 基于历史信息的雷击闪络预警方法及系统 - Google Patents

Abstract

本发明公开了基于历史信息的雷击闪络预警方法及系统，包括：通过采集雷击的历史信息并将其分为雷击闪络和雷击未闪络两类；然后根据雷击的历史信息构建KD树；当有雷电发生时，通过大气电场仪等的实时监测得到待预警的雷击信息，利用KD树最近邻搜索算法搜索出待预警雷击信息的K个近邻点；最后由K近邻算法确定待预警信息类别，输出预警结果。通过该方法预警的结果更加精确。

Description

基于历史信息的雷击闪络预警方法及系统

技术领域

本发明涉及雷击闪络预警技术领域，尤其涉及基于历史信息的雷击闪络预警方法及系统。

背景技术

电力系统是国民经济和社会发展的重要组成部分。近年来随着中国电网规模迅速扩大，雷击故障产生的危害越来越大。根据运行维护部门的统计，雷击对于输电系统的跳闸和失稳仍然是一个巨大的因素，对电网的安全性和稳定性构成严重威胁。有效的雷电监测和预警系统可以在雷电事故发生前进行预报，并对电力调度部门的线路运行计划提供辅助决策。因此，有效的报警方法对减少雷电事故造成的危害具有重要意义。

许多学者提出了不同的雷电灾害预警方法，主要使用基于大气电场仪，雷电监测网和雷电定位系统的方法。在当前雷电保护设计的基础上，雷电电流幅值，闪电发生位置，杆塔高度被认为是重要参考。中国气象科学研究院学者利用M-LDARS闪电定位系统的观测资料和探空资料实现了对雷电活动的预报，并且利用大气电场仪进行检测和预报。厦门市防雷中心学者通过大气电场仪并且综合电场强度及雷电距离2种预警手段，实现了更准确的雷电短时预警。南京理工大学学者提出通过划分雷电分区来预报未来时段雷电概率在地域上的演变趋势。

针对目前研究方法一般都是对一定区域是否发生雷电而进行预警或预报，无法对输电线路造成的闪络风险进行预警，国家电力科学研究院学者提出了通过监测气象实时信息，建立闪络预警流程图来进行预警的方法。但是现有技术都存在预警结果不够精确的缺点。

发明内容

本发明的目的就是为了解决上述问题，提供基于历史信息的雷击闪络预警方法及系统，它针对如何实现闪络预警，提出基于雷击历史数据，采用K近邻算法来进行预警的方法，介绍了预警流程，并通过实例详细阐述了具体过程，给出了更加精确的预警结果。

为了实现上述目的，本发明采用如下技术方案：

基于历史信息的雷击闪络预警方法，包括以下步骤：

步骤一，收集雷击的历史信息，并以雷击是否导致闪络为依据将雷击分为两类；

步骤二，以雷电特征量为坐标轴建立三维空间直角坐标系，并将雷电历史信息导入三维空间直角坐标系中；

步骤三，利用步骤二的雷电坐标信息作为KD树构建算法的输入来构建KD树；

步骤四，通过大气电场仪，雷电监测网和雷电定位系统的实时监测，得到待预警的雷击信息，将待预警的雷击信息导入三维空间直角坐标系中；

步骤五，根据KD树最近邻搜索算法，搜索得到待预警雷击信息的K个近邻；

步骤六，由K近邻算法最终确定待预警信息所属类别，输出预警结果。

所述步骤一中，收集雷击的历史故障信息，分为雷击闪络和雷击未闪络两类，记雷击闪络集合为A_i，雷击未闪络集合为B_i。

所述步骤二的方法为，以雷击的历史信息的雷电流幅值为x轴，杆塔高度为y轴，雷击距线路的距离为z轴，将雷击闪络集合A_i和雷击未闪络集合B_i导入到三维空间直角坐标系中。

所述步骤三的方法为，根据导入的雷击历史信息的空间点坐标，依据KD树的构建理论，建立雷击历史信息的空间坐标点的三维KD树。

所述步骤四的方法为，根据大气电场仪，雷电监测网和雷电定位系统的监测，得出待预警的雷击信息，记为C，并将雷击C的坐标信息导入到三维空间直角坐标系中。

所述步骤五的方法为，以欧式距离为度量依据，利用KD树最近邻搜索算法，搜索出距离待预警信息C最近的K个雷击信息点。

欧式距离：

所述步骤六的方法为，将所得到K个雷击信息点进行归类，根据K近邻算法的分类思想，K个雷击信息中所属分类最多的类别即为C所属类别，若最终C属于A_i，则发出闪络预警，若C属于B_i，则不发出闪络预警。

基于历史信息的雷击闪络预警系统，包括：

分类模块：收集雷击的历史信息，并以雷击是否导致闪络为依据将雷击分为两类；

三维空间直角坐标系建立模块，以雷电特征量为坐标轴建立三维空间直角坐标系，并将雷电历史信息导入三维空间直角坐标系中；

KD树构建模块：利用雷电坐标信息作为KD树构建算法的输入来构建KD树；

信息导入模块：通过大气电场仪，雷电监测网和雷电定位系统的实时监测，得到待预警的雷击信息，将待预警的雷击信息导入三维空间直角坐标系中；

搜索模块：根据KD树最近邻搜索算法，搜索得到待预警雷击信息的K个近邻；

分类模块：由K近邻算法最终确定待预警信息所属类别，输出预警结果。

本发明的有益效果：本发明的预警结果更加精确。

本发明在大数据的趋势下，拓展了大数据的研究领域，把大数据态势感知的思想(即基于历史数据的预测)应用到了雷击的闪络预警领域。

附图说明

图1为构建KD树框架图；

图2为预警流程图；

图3为雷击信息分布图；

图4为3D-KD树；

图5为二维KD树；

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

本发明提出了基于雷击历史数据，根据K近邻算法来进行预警的方法。首先采集雷击的历史信息并将其分为雷击闪络和雷击未闪络两类；然后根据雷击的历史信息构建KD树；当有雷电发生时，通过大气电场仪等的实时监测得到待预警的雷击信息，利用KD树最近邻搜索算法搜索出待预警雷击信息的K个近邻点；最后由K近邻算法确定待预警信息类别，输出预警结果。本发明以100次雷击历史信息为算例，详细阐述了预警流程和结果，同时也验证了本方法的正确性。

基于历史信息的雷击闪络预警方法，包括以下步骤：

步骤一，收集雷击的历史信息，并以雷击是否导致闪络为依据将雷击分为两类；

步骤二，以雷电特征量为坐标轴建立三维空间直角坐标系，并将雷电历史信息导入三维空间直角坐标系中；

步骤二具体过程是以雷电的雷电流幅值为x轴，杆塔高度为y轴，雷电距输电线路的距离为z轴建立导入坐标点的，举个例子，比如某次雷电的信息为雷电流幅值200KA，杆塔高度17米，雷电距线路距离为30米，那么导入空间坐标系后就是空间点(200,17,30)，所以通过导入空间坐标系就相当于用空间中点的坐标来代表实际的雷击信息。

注明：本发明是以雷电流幅值，杆塔高度，雷电距输电线路距离三个因素来建立三维空间坐标系进行预警的，只是作为一个例子，当然也可以再选取其它更多的特征量来建立多维的空间直角坐标系，本发明的算法仍然适用。

步骤三，利用步骤二的雷电坐标信息作为KD树构建算法的输入来构建KD树；

KD树的输入就是空间中的好多点的坐标，然后通过KD树的具体构建过程，最终得到一个树的结构，也就是说，只要输入一堆点的坐标，就能构建KD树。把雷击的信息用空间的坐标点来代替，所以就是用这些坐标点来建立KD树，这些点就是代表雷击的具体参数，即雷电流幅值，杆塔高度，雷电距输电线路距离。

步骤四，通过大气电场仪，雷电监测网和雷电定位系统的实时监测，得到待预警的雷击信息，将待预警的雷击信息导入三维空间直角坐标系中；

待预警雷击信息包括雷电流幅值，杆塔高度，雷电距输电线路距离；

大气电场仪主要监测大气电场强度的变化，雷电监测网和雷电定位系统主要实时监测雷电的发展到消失的具体过程，并对雷电进行具体的定位。

步骤五，根据KD树最近邻搜索算法，搜索得到待预警雷击信息的K个近邻；

步骤六，由K近邻算法最终确定待预警信息所属类别，输出预警结果。

上述步骤中已经提及用坐标点来代表雷击信息，并且待预警的信息也导入到了坐标系中，也就是说待预警信息也是一个坐标点，步骤五中利用搜索算法即是搜寻距离这个待预警信息坐标点最近的k个点，k是一个常数，是自定义的，比如本发明中取k＝5。得到这5个点后，因为这5个点里面有的点是代表雷击闪络的点，有的点代表雷击未闪络的点，那么待预警的这个点到底归为哪一类，就涉及到了K近邻算法。

1算法介绍

1.1K近邻算法

K近邻分类算法是数据挖掘分类技术中的方法之一。所谓K近邻算法，即是给定一个训练数据集，对新的输入实例，在训练数据集中找到与该实例最近的K个实例，这K个实例的多数属于某个类，就把该输入实例分类到这个类中。基本算法如下；

输入：训练数据集

T＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)} (1)

其中，为实例的特征向量，y_i∈y＝{c₁,c₂,…,c_k}为实例的类别；i＝1,2,…,N，

实例特征向量x；

输出：实例x所属的类y。

(1)根据给定的距离度量，在训练集T中找出与x最邻近的K个点，涵盖这K个点的x的

邻域记作N_k(x)；

(2)在N_k(x)中根据分类决策树规则(如多数表决)决定x的类别y：

式(1)中，I为指示函数，即当y_i＝c_j时I为1，否则I为0.

KNN方法虽然从原理上也依赖于极限定理，但在类别决策时，只与极少量的相邻样本有关。因此，采用这种方法可以较好地避免样本的不平衡问题。另外，由于KNN方法主要靠周围有限的邻近的样本，而不是靠判别类域的方法来确定所属类别的，因此对于类域的交叉或重叠较多的待分样本集来说，KNN方法较其他方法更为适合。

K近邻算法主要解决三个方面的问题，一是近邻的定义，二是K的取值，三是搜索算法的改善。

1.1.1近邻的定义

K近邻算法的核心在于找到实例点的近邻，在空间中点与点之间的距离最能反应两点之间的相似程度，所以常用距离来度量近邻。常用的距离度量如表1所示。

表1常用距离度量类型

本发明主要采用欧式距离来确定样本的距离。

1.1.2K的取值

近邻的定义解决后，还有一个选择多少近邻，即K值定义为多大的问题。K值的选取对结果有很大的影响：

如果选择较小的K值，就相当于用较小的领域中的训练实例进行预测，“学习”近似误差会减小，只有与输入实例较近或相似的训练实例才会对预测结果起作用，与此同时带来的问题是“学习”的估计误差会增大，换句话说，K值的减小就意味着整体模型变得复杂，容易发生过拟合；

如果选择较大的K值，就相当于用较大领域中的训练实例进行预测，其优点是可以减少学习的估计误差，但缺点是学习的近似误差会增大。这时候，与输入实例较远(不相似的)训练实例也会对预测器作用，使预测发生错误，且K值的增大就意味着整体的模型变得简单。

在实际应用中，K值一般取一个比较小的数值，例如采用交叉验证法(即一部分样本做训练集，一部分做测试集)来选择最优的K值。

1.1.3搜索算法的改进

该方法的不足之处是计算量较大，因为对每一个待分类的文本都要计算它到全体已知样本的距离，才能求得它的K个最近邻点。如何对搜索算法进行改进就十分重要，本发明通过建立KD树，利用KD树最近邻搜索算法搜寻K个最近邻点，使计算量大大降低。

1.2KD树的构建

KD树是K-Dimension Tree的缩写，是在K维空间中对数据集进行分割的一种数据结构，被广泛用于高维空间的数据索引和查询。在KD树种，设K维的超矩形被一个正交于第d维的超平面划分为两个超矩形，则这个超平面记为：

H＝{|x∈R^K；x_d＝h|} (3)

两个超矩形R_l和R_r分别记为：

R_l＝{|x∈R^K；x_d≤h|}，R_r＝{|x∈R^K；x_d＞h|} (4)

如图1所示，构造KD树的过程是循环地使用数据的每一维划分数据集的过程。表2描述了KD树中每个节点的数据机构。Rectangle表示结点中的数据点构成的超矩形。x表示的数据集中的一个数据点。分割超平面是经过数据点x且正交于方向轴split-dim的一个超平面，利用这个分割超平面把超矩形划分为两个超矩形。如果split-dim的值取为d，记x_d为选出来的分割值，即数据点x在分割维上的取值。超矩形Rectangle中的数据点的第d维的取值记为如果小于或等于x_d，则该数据点就被划分到超矩形的左边的超矩形R_l(左孩子结点)中去，反之就被划分到右边的超矩形R_r(右孩子结点)中去。R_l和R_r分别表示由左孩子结点或右孩子结点中数据点构成的KD树。

表2KD树节点的数据结构

从表中可以看出，KD的构建过程是一个递归划分的过程，框架图如图1所示。

1.3KD树最近邻搜索算法

算法步骤如下：

(1)在KD树种找出包含目标点x的叶结点：从根结点出发，递归地向下搜索KD树。若目标点x当前维坐标小于切分点坐标，则移动到左子结点，否则移动到右子结点，直到子结点为叶结点为止。

(2)以此叶结点为“当前最近点”。

(3)递归的向上回溯，在每个结点进行以下操作：

(a)如果该结点保存的实例点比当前最近点距离目标点更近，则更新“当前最近点”，也就是说以该实例点为“当前最近点。

(b)当前最近点一定存在于该结点一个子结点对应的区域，检查子结点的父结点的另一子结点对应的区域是否有更近的点。具体做法是，检查另一子结点对应的区域是否以目标点位球心，以目标点与“当前最近点”间的距离为半径的圆或超球体相交：

如果相交，可能在另一个子结点对应的区域内存在距目标点更近的点，移动到另一个子结点，接着，继续递归地进行最近邻搜索；

如果不相交，向上回溯。

(4)当回退到根结点时，搜索结束，最后的“当前最近点”即为x的最近邻点。

2预警流程

本发明旨在建立一个基于历史数据的雷击闪络预警流程。架空输电线路雷击闪络预警是指对线路遭受雷击后产生闪络故障的危害风险提前预警。由于线路具备一定的绝缘耐受能力，所以当线路附近发生雷电时，只有雷电造成的过电压强度超过线路绝缘耐受能力时，才会造成绝缘闪络。由于雷电在线路上产生的过电压主要与杆塔高度，雷电位置(雷电到线路的距离)和雷电流幅值有关，所以本发明主要选取这三个主要因素作为预警特征量，其预警流程如图2所示。

根据图2，线路输电线路雷击闪络预警流程主要包含以下步骤：

1)收集雷击的历史信息，并以雷击是否导致闪络为依据将雷击分为两类。

2)以雷电特征量为坐标轴建立三维空间直角坐标系，并将雷电历史信息导入坐标系中。

3)利用雷电的坐标信息，构建KD树。

4)通过大气电场仪，雷电监测网和雷电定位系统的实时监测，得到待预警的雷击信息。

5)根据KD树最近邻搜索算法，搜索得到待预警雷击信息的K个近邻。

6)由K近邻算法分类思想最终确定待预警信息所属类别，输出预警结果。

3实例分析

本发明收集了120次实际的雷击数据，其中100次实际数据作为历史数据来构建三维空间坐标系，剩余的20次实际雷击数据作为测试数据，以便于验证本发明所提方法的正确性。

该100次雷击有60次雷击产生闪络，40次雷击未产生闪络，记前60次雷击闪络的节点标号为1～60，雷击未闪络的节点编号为61～100。

首先，我们将100次雷击数据导入到MATLAB程序中，并在三维坐标系中将其表示出来，如图3所示。其中，圆点代表雷击闪络，方块代表雷击未闪络。

根据建造KD树的算法流程，得到雷电历史信息的3D-KD树，结果图4所示。

为了使KD的展现更加直观，将3D-KD树转化为二维的KD数，结果如图5所示。

然后，导入20次测试点，通过KD树近邻搜索算法，搜索出K(本发明中K取5)个近邻点，最后根据K近邻算法确定测试点类型，输出预警结果，如表3所示。

表3预警结果

该算例验证了本发明所提方法的正确性。

4结语

本发明研究了雷击的闪络预警流程，通过收集雷击的历史信息，利用KD树最近邻搜索算法得到K个近邻，最后由K临近算法分类思想输出预警结果。通过实例详细阐述了预警流程，证明了方法的可行性和正确性。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。

Claims (8)

1.基于历史信息的雷击闪络预警方法，其特征是，包括以下步骤：

步骤一，收集雷击的历史信息，并以雷击是否导致闪络为依据将雷击分为两类；

步骤二，以雷电特征量为坐标轴建立三维空间直角坐标系，并将雷电历史信息导入三维空间直角坐标系中；

步骤三，利用步骤二的雷电坐标信息作为KD树构建算法的输入来构建KD树；

步骤四，通过大气电场仪，雷电监测网和雷电定位系统的实时监测，得到待预警的雷击信息，将待预警的雷击信息导入三维空间直角坐标系中；

步骤五，根据KD树最近邻搜索算法，搜索得到待预警雷击信息的K个近邻；

步骤六，由K近邻算法最终确定待预警信息所属类别，输出预警结果。

2.如权利要求1所述的基于历史信息的雷击闪络预警方法，其特征是，所述步骤一中，收集雷击的历史故障信息，分为雷击闪络和雷击未闪络两类，记雷击闪络集合为A_i，雷击未闪络集合为B_i。

3.如权利要求1所述的基于历史信息的雷击闪络预警方法，其特征是，所述步骤二的方法为，以雷击的历史信息的雷电流幅值为x轴，杆塔高度为y轴，雷击距线路的距离为z轴，将雷击闪络集合A_i和雷击未闪络集合B_i导入到三维空间直角坐标系中。

4.如权利要求1所述的基于历史信息的雷击闪络预警方法，其特征是，所述步骤三的方法为，根据导入的雷击历史信息的空间点坐标，依据KD树的构建理论，建立雷击历史信息的空间坐标点的三维KD树。

5.如权利要求1所述的基于历史信息的雷击闪络预警方法，其特征是，所述步骤四的方法为，根据大气电场仪，雷电监测网和雷电定位系统的监测，得出待预警的雷击信息，记为C，并将雷击C的坐标信息导入到三维空间直角坐标系中。

6.如权利要求1所述的基于历史信息的雷击闪络预警方法，其特征是，所述步骤五的方法为，以欧式距离为度量依据，利用KD树最近邻搜索算法，搜索出距离待预警信息C最近的K个雷击信息点。

7.如权利要求1所述的基于历史信息的雷击闪络预警方法，其特征是，所述步骤六的方法为，将所得到K个雷击信息点进行归类，根据K近邻算法的分类思想，K个雷击信息中所属分类最多的类别即为C所属类别，若最终C属于A_i，则发出闪络预警，若C属于B_i，则不发出闪络预警。

8.基于历史信息的雷击闪络预警系统，其特征是，包括：

分类模块：收集雷击的历史信息，并以雷击是否导致闪络为依据将雷击分为两类；

三维空间直角坐标系建立模块，以雷电特征量为坐标轴建立三维空间直角坐标系，并将雷电历史信息导入三维空间直角坐标系中；

KD树构建模块：利用雷电坐标信息作为KD树构建算法的输入来构建KD树；

信息导入模块：通过大气电场仪，雷电监测网和雷电定位系统的实时监测，得到待预警的雷击信息，将待预警的雷击信息导入三维空间直角坐标系中；

搜索模块：根据KD树最近邻搜索算法，搜索得到待预警雷击信息的K个近邻；

分类模块：由K近邻算法最终确定待预警信息所属类别，输出预警结果。