CN107092982A - 一种电网覆冰预报方法及装置 - Google Patents
一种电网覆冰预报方法及装置 Download PDFInfo
- Publication number
- CN107092982A CN107092982A CN201710231454.3A CN201710231454A CN107092982A CN 107092982 A CN107092982 A CN 107092982A CN 201710231454 A CN201710231454 A CN 201710231454A CN 107092982 A CN107092982 A CN 107092982A
- Authority
- CN
- China
- Prior art keywords
- data
- mrow
- icing
- ice
- days
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 239000011248 coating agent Substances 0.000 title claims abstract description 26
- 238000000576 coating method Methods 0.000 title claims abstract description 26
- 238000012512 characterization method Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 24
- 238000010801 machine learning Methods 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000005611 electricity Effects 0.000 claims description 6
- 230000007774 longterm Effects 0.000 abstract description 4
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 8
- 239000012212 insulator Substances 0.000 description 7
- 239000004411 aluminium Substances 0.000 description 4
- 229910052782 aluminium Inorganic materials 0.000 description 4
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001815 facial effect Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000003792 electrolyte Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 1
- 239000010931 gold Substances 0.000 description 1
- 229910052737 gold Inorganic materials 0.000 description 1
- 235000015110 jellies Nutrition 0.000 description 1
- 239000008274 jelly Substances 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种电网覆冰预报方法及装置,所述方法包含:获取电线覆冰日数数据,根据所述电线覆冰日数数据计算获得覆冰程度数据;获取大气环流指数数据,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子;将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合,获得拟合函数模型;将待测数据所对应的大气环流指数数据带入所述拟合函数模型,获得电网覆冰预报信息;以此利用大气环流指数与机器学习方法相结合的方式预测电线覆冰程度的方式,避免了只有少数基本气象因子参与预报的缺点,也为中长期覆冰预报提供有效支持。
Description
技术领域
本发明涉及电网安全领域,尤指一种电网覆冰预报方法及装置。
背景技术
覆冰对电网的危害,按照其引发原因可分五类:(1)线路过荷载。寒冷雨雪天气下,覆冰在导线上不断增长,导致输电导线的质量和体积不断增大,使导线弧垂增大、对地间距减小,积累到一定程度时,就可能发生闪络事故。同时,导线弧垂和体积增大,在风力作用下,有可能造成两导线或导线与地面相碰,发生短路跳闸、烧伤甚至烧断导线的事故。当覆冰质量进一步增大,超过导线、金属、绝缘子以及塔杆的机械强度时,可能使导线从压接管内抽出,或外层铝股断裂、钢芯抽出。而覆冰质量超过杆塔额定负载时,可能导致杆塔塔基下沉、倾斜或者爆裂。杆塔折断甚至倒塌。(2)相邻档不均匀覆冰或不同期脱冰。会产生张力差使导线在线夹内滑动,严重时导线外层铝股在线夹口处全部断裂、钢芯抽动,线夹另一侧的铝股将拥挤在线夹附近。(3)绝缘子串冰闪。冰闪是污闪的一种特殊形式,严重覆冰的情况下,绝缘子大量伞形出现冰凌桥接,使绝缘子绝缘强度降低,泄露距离缩短。融冰过程中,冰体或冰晶体的表面水膜可很快溶解污秽中的电解质,提高融冰水或者冰面水膜的电导率,引起绝缘子串电压分布及单片绝缘子表面电压分布的畸变,从而降低覆冰绝缘子串的闪络电压。(4)输电导线舞动损坏电力设备。风力作用下发生低频(通常0.1~3Hz)大幅度(振幅为导线直径的5~300倍)的震动或舞动。导线舞动时,将损坏杆塔、导线、金具及部件,造成频繁跳闸甚至停电事故。(5)变电站设备覆冰事故。变电站中,许多户外高压隔离开关采用了闸刀式结构,这种结构在高寒冷冰冻条件下,甚至不能正常分和,极大地干扰了电网系统正常运行。
2008年初,低温雨雪冰冻天气覆盖我国南方,华中、华东地区,导致贵州、湖南,广东、云南、广西和江西等省输电线路大面积、长时间停运,造成全国范围电网停运电力线路36740条,停运变电站共2018座,110~500kV线路共有8381基杆塔倾倒及损坏。全国共170个县(市)发生供电中断的情况。南方电网供电区域的贵州大部分地区、广西桂北地区、广东粤北地区和云南滇东北地区设施遭受到严重破坏。这次冰灾给国民经济和人民生活造成巨大损失,仅南方电网的直接经济损失就达150多亿元,基于此,如何提供一种准确有效的覆冰预测方法,成为业内亟需解决的一个问题。
现有的覆冰预测方法主要分为物理数值模型和统计分析方法两类,而两种方法都是只考虑了基本气象要素或因子,鲜有加入气候尺度因子以及环流特征场,没有考虑到气候因素和大气环流对覆冰天气预测的指导意义。
发明内容
本发明目的在于由气候背景场的角度出发,利用大气环流指数与机器学习方法相结合的方式预测电线覆冰程度,以此避免了只有少数基本气象因子参与预报的缺点,也为中长期覆冰预报提供有效支持。
为达上述目的,本发明具体提供一种电网覆冰预报方法,所述方法包含:获取电线覆冰日数数据,根据所述电线覆冰日数数据计算获得覆冰程度数据;获取大气环流指数数据,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子;将所述覆冰程度数据与所述特征因子带入SVM机器学习模型即支持向量机中进行拟合,获得拟合函数模型;将待测数据所对应的大气环流指数数据带入所述拟合函数模型,获得电网覆冰预报信息。
在上述电网覆冰预报方法中,优选的,根据所述历史电线覆冰日数数据计算获得覆冰程度数据包含:根据以下公式获得所述覆冰程度数据;
在上述公式中:xi是电线覆冰日数;i是时间段。
在上述电网覆冰预报方法中,优选的,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子包含:根据以下公式获得所述特征因子;
在上述公式中:r为大气环流指数和电线覆冰日数之间的相关系数;i为第i个大气环流指数;j为第j个电线覆冰日数;yj为电线覆冰日数;为大气环流指数;是全时间段的电线覆冰日数的平均值;n为覆冰日数数据的总数;是全时间段的大气环流指数i的平均值。
在上述电网覆冰预报方法中,优选的,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子还包含:根据所述覆冰程度数据与所述大气环流指数数据之间的关系,对所述大气环流指数数据做标准化处理。
在上述电网覆冰预报方法中,优选的,所述对所述大气环流指数数据做标准化处理包含:当所述大气换流指数数据与所述电线覆冰日数数据为正相关时,通过以下公式对所述大气换流指数数据做标准化处理;
在上式中:是标准化后的系数;是第j个时间段里的第I个环流指数;是第i个环流指数在全时间段里的最小值;是第i个环流指数在全时间段里的最大值。
在上述电网覆冰预报方法中,优选的,所述对所述大气环流指数数据做标准化处理包含:当所述大气换流指数数据与所述电线覆冰日数数据为负相关时,通过以下公式对所述大气换流指数数据做标准化处理;
在上式中:是标准化后的系数;是第j个时间段里的第I个环流指数;是第i个环流指数在全时间段里的最小值;是第i个环流指数在全时间段里的最大值。
在上述电网覆冰预报方法中,优选的,将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合包含:通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合。
在上述电网覆冰预报方法中,优选的,通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合包含:根据以下公式对通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合;
在上式中:σ为方差是常数;x为观测数据的向量;xp为支持向量。
本发明还提供一种电网覆冰预报装置,所述装置包含覆冰程度统计模块、特征因子计算模块、学习模块和预测模块;所述含覆冰程度统计模块用于获取电线覆冰日数数据,根据所述电线覆冰日数数据计算获得覆冰程度数据;所述特征因子计算模块用于获取大气环流指数数据,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子;所述学习模块用于将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合,获得拟合函数模型;所述预测模块用于将待测数据所对应的大气环流指数数据带入所述拟合函数模型,获得电网覆冰预报信息。
在上述电网覆冰预报装置中,优选的,所述特征因子计算模块还包含标准化单元,所述标准化单元用于根据所述覆冰程度数据与所述大气环流指数数据之间的关系,对所述大气环流指数数据做标准化处理。
本发明所提供的电网覆冰预报方法及装置通过由气候背景场的角度出发,利用大气环流指数与机器学习方法相结合的方式预测电线覆冰程度的方式,避免了只有少数基本气象因子参与预报的缺点,也为中长期覆冰预报提供有效支持。
附图说明
此处所说明的附图用来提供对本发明的进一步理解,构成本申请的一部分,并不构成对本发明的限定。在附图中:
图1为本发明所提供的电网覆冰预报方法的流程示意图;
图2为本发明所提供的电网覆冰预报装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明做进一步详细说明。在此,本发明的示意性实施例及其说明用于解释本发明,但并不作为对本发明的限定。
请参考图1所示,本发明具体提供一种电网覆冰预报方法,所述方法包含:S101获取电线覆冰日数数据,根据所述电线覆冰日数数据计算获得覆冰程度数据;S102获取大气环流指数数据,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子;S103将所述覆冰程度数据与所述特征因子带入SVM机器学习模型即支持向量机中进行拟合,获得拟合函数模型;S104将待测数据所对应的大气环流指数数据带入所述拟合函数模型,获得电网覆冰预报信息。
根据本发明所提供的上述实施例,在实际工作中首先获得电线覆冰日数数据,根据电线覆冰日数计算电线覆冰程度;其次,获得大气环流指数数据,根据大气环流指数与电线覆冰程度的相关关系找到相关关系最大的大气环流指数类型;然后,将通过找相关关系获得的相关关系最大的大气环流指数类型和电线覆冰程度代入机器学习模型中,进行电线覆冰预测模型训练获得拟合函数模型;再将待测数据所对应的大气环流指数数据带入所述拟合函数模型,以此获得电网覆冰预报信息;当然,为增加该预测的准确性,后期还可利用观测到的电线覆冰程度,和预测的电线覆冰程度作对比,综合选择调整最佳参数系数,以帮助该预测的电线覆冰程度更贴近于实际覆冰程度。此外,为增强预报可读性,也可将最终预报的电线覆冰程度划分等级给予文字描述,帮助工作人员及时了解该预测情况。
为更清楚的说明上述电网覆冰预报方法的详细步骤,以下对该电网覆冰预报方法做进一步说明。
在本发明一优选的实施例中,根据所述历史电线覆冰日数数据计算获得覆冰程度数据包含:从电网微气象观测设备中获得电线覆冰日数,通过以下公式计算覆冰程度;
其中xi是电线覆冰日数,i是时间段,可以是年或月。如果i是年,xi就是给定年的覆冰日数。例如:训练全时间段为1980~2000年共20年,那么i=1,2,3,…...,19,20;x1是1980年的覆冰日数,x2是1981年的覆冰日数,以此类推x20是2000年的覆冰日数。如果i是月,xi就是给定月的覆冰日数。例如:训练全时间段为1980~2000年共240个月,那么i=1,2,3,……,239,240;x1为1980年1月的覆冰日数,x2为1980年2月覆冰日数,以此类推,x239为2000年11月的覆冰日数,x240为2000年12月的覆冰日数。
在本发明的另一优选的实施例中,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子包含:从全球气候交换数据中获取以下大气环流指数数据,如印度副热带高压脊线,亚特兰大副热带高压脊线,北半球副热带高压脊线,印度副热带高压面指数,亚特兰大欧洲环流c型,东太平洋北接线,太平洋极涡面指数,北半球极涡面指数,太平洋区域极涡强度指数,亚洲区环流指数,欧亚区域环流指数等。
从大气环流指数数据中选择特征因子主要通过以下公式获得:
这里r表示大气环流指数和电线覆冰日数之间的相关系数;n为覆冰日数数据的总数;其中i表示第i个大气环流指数,j表示第j个电线覆冰日数(即在全时间段内,电线覆冰日数数据的个数。例如,所要训练的全时间段为2年,时间段为月,那么在这2年里,电线覆冰日数数据有24个,按时间先后排序,那么j=1,2,……,24)。值得说明的是,yj表示电线覆冰日数,表示大气环流指数,是全时间段的电线覆冰日数的平均值,即,此处n为覆冰日数数据的总数。是全时间段的大气环流指数i的平均值,即,此处n为环流指数类型的总数;全时间段是指前文提到的时间段的总和,例如时间段为年,那么全时间段应该有很多年,为年的集合;如果时间段是月,那么全时间段是月的集合,例如时间段为月,全时间段为2000年到2001年的24个月,那么2000年1月为第1个月,2001年1月为第13个月,以此类推,2001年12月为第24个月。
在上述实施例中,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子还包含:根据所述覆冰程度数据与所述大气环流指数数据之间的关系,对所述大气环流指数数据做标准化处理。
其中标准化处理对不同类型有两个方法:当该大气环流指数与电线覆冰日数为正相关时用公式:
当大气环流指数与电线覆冰日数为负相关时用公式:
做大气环流指数的标准化计算;其中:是标准化后的系数,是第j个时间段里的第I个环流指数,是第i个环流指数在全时间段里的最小值,是第i个环流指数在全时间段里的最大值。
将时间段分成若干短时间段,分别计算相关系数ri,得到多组系数ri,将系数ri取平均值并按照降序排列,将ri较小的舍去,重新排列留下的ri所对应的大气环流指数x=1,…,m;再利用公式(2)计算新大气环流指数矩阵中的各项对应的相关系数rrix,如果rr12>r1,那么留下如果rr12<r1,那么去掉在计算和的相关系数,如果rr13>r1,那么留下以此类推,两个因子之间的相关性全部计算并比较完毕以后,再计算三个变量之间的相关性并做比较剔除,直到计算并比较完了全部因子,最后被留下的因子作为特征因子代入机器学习模型中。
在本发明的另一优选的实施例中,将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合包含:通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合;具体包含:根据以下公式对通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合;
在上式中:σ为方差是常数;x为观测数据的向量;xp为支持向量。
将上述实施例中计算得到的电线覆冰程度数据和最后选择的特征因子代入机器学习模型中进行拟合,进行多次试验选取拟合参数,最后得到最适合的拟合函数模型;用该模型进行覆冰预报,输入数据为标准化并进行特征选择以后的大气环流指数数据,输出数据则为预测覆冰程度数据即电网覆冰预报信息;该模型具有自适应与更新的能力,当有新的覆冰观测数据和大气环流指数数据时,该模型可根据新数据重复上述步骤不断进行模型升级优化,增强预报准确度。
在实际工作中为了增强预报可读性,最后将覆冰等级划分,根据最终得到的覆冰程度即电网覆冰预报信息划分覆冰等级;划分方法如下:将电线覆冰日数数据按升序排列,将其对应的电线覆冰程度按从小到大的顺序分为小、中、大三个等级范围,分别对应轻度覆冰,中度覆冰和重度覆冰三个等级。
请参考图2所示,本发明还提供一种电网覆冰预报装置,所述装置包含覆冰程度统计模块201、特征因子计算模块202、学习模块203和预测模块204;所述含覆冰程度统计模块201用于获取电线覆冰日数数据,根据所述电线覆冰日数数据计算获得覆冰程度数据;所述特征因子计算模块202用于获取大气环流指数数据,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子;所述学习模块203用于将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合,获得拟合函数模型;所述预测模块204用于将待测数据所对应的大气环流指数数据带入所述拟合函数模型,获得电网覆冰预报信息。
在上述实施例中,所述特征因子计算模块还包含标准化单元,所述标准化单元用于根据所述覆冰程度数据与所述大气环流指数数据之间的关系,对所述大气环流指数数据做标准化处理。
本发明所提供的电网覆冰预报方法及装置通过由气候背景场的角度出发,利用大气环流指数与机器学习方法相结合的方式预测电线覆冰程度的方式,避免了只有少数基本气象因子参与预报的缺点,也为中长期覆冰预报提供有效支持。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种电网覆冰预报方法,其特征在于,所述方法包含:
获取电线覆冰日数数据,根据所述电线覆冰日数数据计算获得覆冰程度数据;
获取大气环流指数数据,根据所述大气环流指数数据与历史电线覆冰日数数据之间的关系获得特征因子;
将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合,获得拟合函数模型;
将待测数据所对应的大气环流指数数据带入所述拟合函数模型,获得电网覆冰预报信息。
2.根据权利要求1所述的电网覆冰预报方法,其特征在于,根据所述历史电线覆冰日数数据计算获得覆冰程度数据包含:根据以下公式获得所述覆冰程度数据;
<mrow>
<mi>y</mi>
<mo>=</mo>
<msubsup>
<mi>x</mi>
<mi>i</mi>
<mrow>
<mn>2</mn>
<mo>/</mo>
<mn>3</mn>
</mrow>
</msubsup>
<mo>;</mo>
</mrow>
在上述公式中:xi是电线覆冰日数;i是时间段。
3.根据权利要求1所述的电网覆冰预报方法,其特征在于,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子包含:根据以下公式获得所述特征因子;
<mrow>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mfrac>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<mrow>
<mo>(</mo>
<msub>
<mo>&part;</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mo>&part;</mo>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
</mrow>
<msqrt>
<mrow>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mo>&part;</mo>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mover>
<mo>&part;</mo>
<mo>&OverBar;</mo>
</mover>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
<msubsup>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</msubsup>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>-</mo>
<mover>
<mi>y</mi>
<mo>&OverBar;</mo>
</mover>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mfrac>
<mo>;</mo>
</mrow>
在上述公式中:r为大气环流指数和电线覆冰日数之间的相关系数;i为第i个大气环流指数;j为第j个电线覆冰日数;yj为电线覆冰日数;为大气环流指数;是全时间段的电线覆冰日数的平均值;n为覆冰日数数据的总数;是全时间段的大气环流指数i的平均值。
4.根据权利要求1所述的电网覆冰预报方法,其特征在于,根据所述大气环流指数数据与所述历史电线覆冰日数数据之间的关系获得特征因子还包含:根据所述覆冰程度数据与所述大气环流指数数据之间的关系,对所述大气环流指数数据做标准化处理。
5.根据权利要求4所述的电网覆冰预报方法,其特征在于,所述对所述大气环流指数数据做标准化处理包含:当所述大气换流指数数据与所述电线覆冰日数数据为正相关时,通过以下公式对所述大气换流指数数据做标准化处理;
在上式中:是标准化后的系数;是第j个时间段里的第I个环流指数;是第i个环流指数在全时间段里的最小值;是第i个环流指数在全时间段里的最大值。
6.根据权利要求4所述的电网覆冰预报方法,其特征在于,所述对所述大气环流指数数据做标准化处理包含:当所述大气换流指数数据与所述电线覆冰日数数据为负相关时,通过以下公式对所述大气换流指数数据做标准化处理;
在上式中:是标准化后的系数;是第j个时间段里的第I个环流指数;是第i个环流指数在全时间段里的最小值;是第i个环流指数在全时间段里的最大值。
7.根据权利要求1所述的电网覆冰预报方法,其特征在于,将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合包含:通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合。
8.根据权利要求1所述的电网覆冰预报方法,其特征在于,通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合包含:根据以下公式对通过高斯内核函数对所述覆冰程度数据与所述特征因子进行拟合;
<mrow>
<mi>k</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<msup>
<mi>x</mi>
<mi>p</mi>
</msup>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>|</mo>
<mi>x</mi>
<mo>-</mo>
<msup>
<mi>x</mi>
<mi>p</mi>
</msup>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
</mrow>
<mrow>
<mn>2</mn>
<msup>
<mi>&sigma;</mi>
<mn>2</mn>
</msup>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
在上式中:σ为方差是常数;x为观测数据的向量;xp为支持向量。
9.一种电网覆冰预报装置,其特征在于,所述装置包含覆冰程度统计模块、特征因子计算模块、学习模块和预测模块;
所述含覆冰程度统计模块用于获取电线覆冰日数数据,根据所述电线覆冰日数数据计算获得覆冰程度数据;
所述特征因子计算模块用于获取大气环流指数数据,根据所述大气环流指数数据与历史电线覆冰日数数据之间的关系获得特征因子;
所述学习模块用于将所述覆冰程度数据与所述特征因子带入SVM机器学习模型中进行拟合,获得拟合函数模型;
所述预测模块用于将待测数据所对应的大气环流指数数据带入所述拟合函数模型,获得电网覆冰预报信息。
10.根据权利要求9所述的电网覆冰预报装置,其特征在于,所述特征因子计算模块还包含标准化单元,所述标准化单元用于根据所述覆冰程度数据与所述大气环流指数数据之间的关系,对所述大气环流指数数据做标准化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710231454.3A CN107092982A (zh) | 2017-04-11 | 2017-04-11 | 一种电网覆冰预报方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710231454.3A CN107092982A (zh) | 2017-04-11 | 2017-04-11 | 一种电网覆冰预报方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107092982A true CN107092982A (zh) | 2017-08-25 |
Family
ID=59636962
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710231454.3A Pending CN107092982A (zh) | 2017-04-11 | 2017-04-11 | 一种电网覆冰预报方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107092982A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305158A (zh) * | 2017-12-27 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种训练风控模型和风控的方法、装置及设备 |
CN110136023A (zh) * | 2019-03-28 | 2019-08-16 | 清华大学 | 基于自适应增强学习的输电线路覆冰风险预测 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156793A (zh) * | 2011-05-05 | 2011-08-17 | 中国电力工程顾问集团西南电力设计院 | 一种输电线路覆冰等级划分系统 |
CN104361532A (zh) * | 2014-11-20 | 2015-02-18 | 国家电网公司 | 微地形大风区对输电线路安全运行影响的研究方法 |
CN104766143A (zh) * | 2015-04-22 | 2015-07-08 | 国家电网公司 | 基于支持向量分类的输电线路覆冰等级长期预测方法 |
CN105139094A (zh) * | 2015-09-11 | 2015-12-09 | 国家电网公司 | 基于离散粒子群和最小二乘的电网覆冰定量长期预报方法 |
US9290273B1 (en) * | 2013-06-27 | 2016-03-22 | James C. Thompson | Adaptive freeze, snow or ice protection system and method |
-
2017
- 2017-04-11 CN CN201710231454.3A patent/CN107092982A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156793A (zh) * | 2011-05-05 | 2011-08-17 | 中国电力工程顾问集团西南电力设计院 | 一种输电线路覆冰等级划分系统 |
US9290273B1 (en) * | 2013-06-27 | 2016-03-22 | James C. Thompson | Adaptive freeze, snow or ice protection system and method |
CN104361532A (zh) * | 2014-11-20 | 2015-02-18 | 国家电网公司 | 微地形大风区对输电线路安全运行影响的研究方法 |
CN104766143A (zh) * | 2015-04-22 | 2015-07-08 | 国家电网公司 | 基于支持向量分类的输电线路覆冰等级长期预测方法 |
CN105139094A (zh) * | 2015-09-11 | 2015-12-09 | 国家电网公司 | 基于离散粒子群和最小二乘的电网覆冰定量长期预报方法 |
Non-Patent Citations (2)
Title |
---|
中国核学会: "《中国核科学技术进展报告 中国核学会2009年学术年会论文集•第1卷 第1册》", 30 November 2010 * |
宋尖等: "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 (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108305158A (zh) * | 2017-12-27 | 2018-07-20 | 阿里巴巴集团控股有限公司 | 一种训练风控模型和风控的方法、装置及设备 |
CN110136023A (zh) * | 2019-03-28 | 2019-08-16 | 清华大学 | 基于自适应增强学习的输电线路覆冰风险预测 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107092983A (zh) | 输电导线覆冰厚度预测方法及装置 | |
CN104123682B (zh) | 一种基于气象影响因素的配网故障风险评估方法 | |
Fischer et al. | Change-points in climate extremes in the Zhujiang River Basin, South China, 1961–2007 | |
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 | |
CN102156793B (zh) | 一种输电线路覆冰等级划分系统 | |
CN106570780B (zh) | 基于灰色关联理论的输电线路舞动预警方法 | |
CN105095668B (zh) | 基于亚洲极涡因子的电网覆冰长期预报方法 | |
CN102721986B (zh) | 基于副热带高压因子的电网覆冰长期预报方法 | |
CN104318320A (zh) | 基于静态安全分析的电网气象灾害风险评估方法及装置 | |
CN107506856B (zh) | 基于风场预测的输电线路舞动形势判别方法及系统 | |
CN104361532B (zh) | 微地形大风区对输电线路安全运行影响的研究方法 | |
CN107092982A (zh) | 一种电网覆冰预报方法及装置 | |
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 | |
CN108614192A (zh) | 一种配电网雷电监测装置布点决策方法 | |
Zhu et al. | Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China | |
CN114548601A (zh) | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 | |
CN113313289B (zh) | 一种基于多数据源的电网气象预警系统 | |
CN106682776A (zh) | 架空输电线路舞动精细化预测预警方法及系统 | |
Jia et al. | An application of the LTP_DSEF model to heavy precipitation forecasts of landfalling tropical cyclones over China in 2018 | |
Qian et al. | Frontal genesis of moisture atmosphere during the early 2008 persistent freezing-rain event in southern China | |
CN105354756A (zh) | 一种冰冻灾害下高压输电线路脆弱性的综合评估方法 | |
Meng-shu et al. | Intercomparison of CRA-Interim precipitation products with ERA5 and JRA-55 | |
CN105160420A (zh) | 一种架空线路风荷载停运概率的预测方法 | |
Zhu et al. | A regional ensemble forecast system for stratiform precipitation events in northern China. Part I: A case study | |
CN106022622A (zh) | 一种输电线路山火风险评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170825 |
|
RJ01 | Rejection of invention patent application after publication |