CN108108520A - 一种基于神经网络集成的输电线路雷害风险预测模型 - Google Patents

一种基于神经网络集成的输电线路雷害风险预测模型 Download PDF

Info

Publication number
CN108108520A
CN108108520A CN201711229528.6A CN201711229528A CN108108520A CN 108108520 A CN108108520 A CN 108108520A CN 201711229528 A CN201711229528 A CN 201711229528A CN 108108520 A CN108108520 A CN 108108520A
Authority
CN
China
Prior art keywords
neural network
transmission line
crops caused
electricity
electricity damage
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
Application number
CN201711229528.6A
Other languages
English (en)
Other versions
CN108108520B (zh
Inventor
赵海龙
黄松
韩来君
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hainan Power Grid Design Co.,Ltd.
Original Assignee
Electric Power Research Institute of Hainan Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of Hainan Power Grid Co Ltd filed Critical Electric Power Research Institute of Hainan Power Grid Co Ltd
Priority to CN201711229528.6A priority Critical patent/CN108108520B/zh
Publication of CN108108520A publication Critical patent/CN108108520A/zh
Application granted granted Critical
Publication of CN108108520B publication Critical patent/CN108108520B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于神经网络集成的输电线路雷害风险预测模型，其模型建立方法包括以下步骤，收集输电线路雷害风险基础数据；计算输电线路雷击跳闸率并修正；确定输电线路重要程度以及对应的重要程度系数；确定输电线路雷害风险评估值；建立BP神经网络集成模型；建立多个BP神经网络模型进行学习训练；将多个BP神经网络模型输出结果进行集成。本发明能够建立多个不同结构的BP神经网络模型，获得输电线路雷害风险预测模型，从而得到更精确的输电线路雷害风险评估值，其通过多个神经网络集成的方式比单个神经网络效果更好、稳定性更强，雷害风险评估精度更高，结果更加符合实际要求。

Description

一种基于神经网络集成的输电线路雷害风险预测模型
技术领域
本发明属于输电线路防雷的技术领域，更具体的涉及一种基于神经网络集成的输电线路雷害风险预测模型。
背景技术
21世纪以来，随着防雷措施的不断改善，输电线路的雷击事故发生率有所下降。但是，从总体上来说，雷击引起的跳闸依然是电力系统安全运行的重大威胁。所以，对输电线路进行雷击风险评估具有重要的意义。输电线路雷害风险评估的计算量大，所以可以采用神经网络来进行快速的计算。但是雷害事故的样本较少，系统状态量和安全指标之间的非线性较强，导致一般的神经网络的泛化能力和精确度不足，仅采用一般的神经网络难以准确评估输电线路的雷害风险，所以亟待提出一种更能准确反映雷害风险的评估方法。
发明内容
本发明的目的在于提供一种基于BP神经网络的输电线路雷害风险评估模型，以解决上述背景技术中提出的问题。
本发明是通过以下技术方案实现的：
一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，建立模型包括以下步骤：
S1.收集输电线路雷害风险基础数据；
S2.基于输电线路雷害风险的基础数据计算雷击跳闸率，并根据地形地貌和历史雷击跳闸情况对计算的雷击跳闸率进行修正；
S3.确定输电线路重要程度以及对应的重要程度系数；
S4根据输电线路重要程度以及对应的重要程度系数、雷击跳闸率确定输电线路雷害风险评估值；
S5.建立BP神经网络集成模型；
S6.在BP神经网络集成模型下，建立多个BP神经网络模型进行学习训练；
S7.将多个BP神经网络模型输出结果进行集成，得到基于神经网络集成的输电线路雷害风险评估值以及对应的输电线路雷害风险情况。
进一步的，S1步骤中，所述输电线路雷害风险基础数据包括雷电活动参数、输电线路参数和环境参数。
进一步的，S2步骤中，所述计算雷击跳闸率方法为：
通过电气几何模型计算输电线路绕击跳闸率；
通过电磁暂态模型计算输电线路反击跳闸率；
将所述绕击跳闸率与所述反击跳闸率相加得到雷击跳闸率。
进一步的，S2步骤中，根据所述地形地貌和历史雷击跳闸情况可获得地形地貌与历史雷击跳闸情况赋值表，如表1、表2所示：
表1地形地貌赋值表
地形地貌 平地 山坡 山顶
K1 1 1.3 1.5
表2历史雷击跳闸情况赋值表
历史雷击跳闸情况 有跳闸情况 无跳闸情况
K2 1.5 1
进一步的，根据所述地形地貌与历史雷击跳闸情况赋值表，采用下式对S2所述雷击跳闸率进行修正:
N'＝K1×K2×N (1)
式中，N'为修正后的雷击跳闸率，N为修正前的雷击跳闸率，K1为地形地貌赋值，K2为历史雷击跳闸情况赋值。
进一步的，S4步骤中，所述输电线路雷害风险评估值由修正后的雷击跳闸率与线路重要程度系数相乘得出。
进一步的，S5步骤中，所述BP神经网络集成模型包括输入部分、神经网络部分、集成输出部分，所述输入部分、神经网络部分、集成输出部分依次信号相连。
进一步的，所述输入部分的输入因子为输电线路雷害风险基础数据、地形地貌赋值K1、历史跳闸情况赋值K2、输电线路重要程度系数，所述神经网络部分为建立的BP神经网络模型，所述集成输出部分输出结果为最终的输电线路雷害风险评估值及对应的输电线路雷击风害。
进一步的，所述神经网络部分为多个BP神经网络模型，所述BP神经网络模型包括输入层、隐含层、输出层，采用如下公式作为各层之间的传递函数g(x)：
上式中，x为隐含层或输出层的下层的输入变量值。
进一步的，所述多个BP神经网络模型为隐含层神经元数量不同的BP神经网络模型，所述隐含层神经元数量范围为[6,10]。
与现有技术相比，本发明的有益效果是：本发明建立了一种输电线路雷害风险预测模型，通过建立多个BP神经网络模型、多个局部神经网络模型集成输出的方式，从而得到比单个最佳神经网络更好的效果，BP神经网络具有很强的非线性映射的能力，可以用来拟合复杂的函数，本发明所建立输电线路雷害风险预测模型，不但准确率高，而且一旦模型建立好，预测的复杂度较低，可在不同终端上使用。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它附图。
图1为本发明实施例提供的一种基于神经网络集成的输电线路雷害风险预测模型建立流程图。
图2是本发明实施例中BP神经网络集成模型结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
参见图1，一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，建立模型包括以下步骤：
S1.收集输电线路雷害风险基础数据；
S2.基于输电线路雷害风险的基础数据计算雷击跳闸率，并根据地形地貌和历史雷击跳闸情况对计算的雷击跳闸率进行修正；
S3.确定输电线路重要程度以及对应的重要程度系数；
S4根据输电线路重要程度以及对应的重要程度系数、雷击跳闸率确定输电线路雷害风险评估值；
S5.建立BP神经网络集成模型；
S6.在BP神经网络集成模型下，建立多个BP神经网络模型进行学习训练；
S7.将多个BP神经网络模型输出结果进行集成，得到基于神经网络集成的输电线路雷害风险评估值以及对应的输电线路雷害风险情况。
具体的，S1步骤中，所述输电线路雷害风险基础数据包括雷电活动参数、输电线路参数和环境参数，所述输电线路雷害风险基础数据通过接入的雷电定位系统数据与现场采集数据的方式进行收集。
具体的，S2步骤中，所述计算雷击跳闸率方法为：
通过电气几何模型计算输电线路绕击跳闸率；
通过电磁暂态模型计算输电线路反击跳闸率；
将所述绕击跳闸率与所述反击跳闸率相加得到雷击跳闸率。
进一步的，所述电磁暂态模型指通过EMTP数字仿真软件进行模拟计算的电磁暂态模型。
具体的，参照国家防雷标准规范的相关内容和专家经验知识可获得步骤S2所述地形地貌与历史雷击跳闸情况赋值表，如表1、表2所示：
表1地形地貌赋值表
地形地貌 平地 山坡 山顶
K1 1 1.3 1.5
表2历史雷击跳闸情况赋值表
历史雷击跳闸情况 有跳闸情况 无跳闸情况
K2 1.5 1
进一步的，根据所述地形地貌与历史雷击跳闸情况赋值表，采用下式对步骤S2所述雷击跳闸率进行修正:
N'＝K1×K2×N (1)
式中，N'为修正后的雷击跳闸率，N为修正前的雷击跳闸率，K1为地形地貌赋值，K2为历史雷击跳闸情况赋值。
具体的，通过采用专家打分法确定输电线路重要程度及其重要程度系数，所述专家打分法包括如下步骤：
(1)选择评估输电线路的重要程度等级的专家，向专家说明输电线路重要程度的相关影响因素。优选的，输电线路的重要程度与其输送的功率、输送的负载等级和电压等级有关；
(2)列出重要程度等级的范围，在本实施例中，输电线路的重要程度等级为一般、中等重要、重要三个等级；
(3)专家们通过知识和经验，对多条输电线路的重要程度划分等级及重要程度系数；
(4)综合各位专家意见得出最终的输电线路的重要程度等级及重要程度系数。所得到的输电线路的重要程度等级与重要程度系数关系表具体如下：
表3重要程度等级与重要程度系数关系表
重要程度系数 重要 中等重要 一般重要
α 2 1.5 1
进一步的，将步骤S2所述修正后的雷击跳闸率与重要程度系数α相乘，获得输电线路雷害风险评估值。
参见图2，具体的，S5步骤中，所述BP神经网络集成模型包括输入部分、神经网络部分、集成输出部分，所述输入部分、神经网络部分与集成输出部分依次信号相连，所述输入部分的输入因子为输电线路雷害风险基础数据、地形地貌赋值K1、历史跳闸情况赋值K2、输电线路重要程度系数α，所述神经网络部分为建立的BP神经网络模型，所述集成输出部分输出结果为最终输电线路雷害风险评估值及对应的输电线路雷击风害。
进一步的，所述神经网络部分为多个BP神经网络模型，BP神经网络模型包括输入层、隐含层、输出层，在本实施例中，所建立的多个BP神经网络模型为隐含层神经元数量不同的BP神经网络模型，所建立的多个BP神经网络输入层神经元数量根据输入部分的输入因子决定，输出层神经元数量均为1；隐含层神经元数量范围为[6,10]的数值区间。
采用如下公式作为各层之间的传递函数g(x)：
上式中，x为隐含层或输出层的下层的输入变量值。
进一步的，BP神经网络的学习训练过程由信号的正向传播和误差的反向传播两个部分组成。正向传播是指输入样本从输入层输入，经过各隐含层逐层处理传向输出层。若输出层输出结果没有达到期望值，则转到误差的反向传播。误差反向传播是将输出误差过隐含层逐层反传，对各神经元权值和阈值进行调整。权值和阈值不断调整的过程就是网络的学习训练过程，直到误差达到预期范围或者达到设定的学习次数为止。
在正向传播过程中，设输入层输入向量为Zr＝(Z1，Z2，…，Zn)，设隐含层输出向量为Kr＝(K1，K2，…，Kp)，输出层神经元数量为1，所以设输出层输出向量为Yr＝(o1)。输入层到隐含层的权值和阈值分别为Wnp和qnp，隐含层到输出层的权值和阈值分别为Wpm和qpm。
隐含层节点输出如下：
输出层神经元节点输出：
输出误差e表示为：
式中，Yreal为输出层神经元节点输出真实值。
进一步的，在反向传播过程中，使用梯度下降法不断修正权值和阀值，修正后，输入层到隐含层的权值和阈值分别为W'np和q'np，隐含层到输出层的权值和阈值分别为W'pm和q'pm。
在隐含层和输出层之间误差计算公式为：
δy＝(Yreal-Ym)Ym(1-Ym) (6)
修正后的权值与阀值为：
W'np＝Wnp-n1×δy×Kp (7)
q'np＝qnp-n2×δy (8)
在输入层与隐含层之间，误差计算公式为：
W'pm＝Wpm-n1×δk×Zn (10)
q'pm＝qpm-n2×δk (11)
在上式中，n1、n2代表权值与阈值的修正系数。
进一步的，所述集成输出部分采用加权平均法将多个BP神经网络模型的输出结果进行集成，所述集成输出部分输出结果为最终的输电线路雷害风险评估值，并通过输电线路雷害风险评估值获得输电线路雷击风险情况。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，建立模型包括以下步骤：
S1.收集输电线路雷害风险基础数据；
S2.基于输电线路雷害风险的基础数据计算雷击跳闸率，并根据地形地貌和历史雷击跳闸情况对计算的雷击跳闸率进行修正；
S3.确定输电线路重要程度以及对应的重要程度系数；
S4根据输电线路重要程度以及对应的重要程度系数、雷击跳闸率确定输电线路雷害风险评估值；
S5.建立BP神经网络集成模型；
S6.在BP神经网络集成模型下，建立多个BP神经网络模型进行学习训练；
S7.将多个BP神经网络模型输出结果进行集成，得到基于神经网络集成的输电线路雷害风险评估值以及对应的输电线路雷害风险情况。
2.根据权利要求1所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，S1步骤中，所述输电线路雷害风险基础数据包括雷电活动参数、输电线路参数和环境参数。
3.根据权利要求1所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，S2步骤中，所述计算雷击跳闸率方法为：
通过电气几何模型计算输电线路绕击跳闸率；
通过电磁暂态模型计算输电线路反击跳闸率；
将所述绕击跳闸率与所述反击跳闸率相加得到雷击跳闸率。
4.根据权利要求1所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，S2步骤中，根据所述地形地貌和历史雷击跳闸情况可获得地形地貌与历史雷击跳闸情况赋值表，如表1、表2所示：
表1 地形地貌赋值表
地形地貌 平地 山坡 山顶 K1 1 1.3 1.5
表2 历史雷击跳闸情况赋值表
历史雷击跳闸情况 有跳闸情况 无跳闸情况 K2 1.5 1
5.根据权利要求4所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，根据所述地形地貌与历史雷击跳闸情况赋值表，采用下式对雷击跳闸率进行修正:
N'＝K1×K2×N (1)
式中，N'为修正后的雷击跳闸率，N为修正前的雷击跳闸率，K1为地形地貌赋值，K2为历史雷击跳闸情况赋值。
6.根据权利要求1所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，S4步骤中，所述输电线路雷害风险评估值由修正后的雷击跳闸率与线路重要程度系数相乘得出。
7.根据权利要求1所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，S5步骤中，所述BP神经网络集成模型包括输入部分、神经网络部分、集成输出部分，所述输入部分、神经网络部分、集成输出部分依次信号相连。
8.根据权利要求7所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，所述输入部分的输入因子为输电线路雷害风险基础数据、地形地貌赋值K1、历史跳闸情况赋值K2、输电线路重要程度系数，所述神经网络部分为建立的BP神经网络模型，所述集成输出部分输出结果为最终的输电线路雷害风险评估值及对应的输电线路雷害风险。
9.根据权利要求7所述的一种基于神经网络集成的输电线路雷害风险预测模型，其特征在于，所述神经网络部分为多个BP神经网络模型，所述BP神经网络模型包括输入层、隐含层、输出层，采用如下公式作为各层之间的传递函数g(x)：
上式中，x为隐含层或输出层的下层的输入变量值。
10.根据权利要求9所述的一种基于BP神经网络的输电线路雷害风险评估方法，其特征在于，所述多个BP神经网络模型为隐含层神经元数量不同的BP神经网络模型，所述隐含层神经元数量范围为[6,10]。
CN201711229528.6A 2017-11-29 2017-11-29 一种基于神经网络集成的输电线路雷害风险预测方法 Active CN108108520B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711229528.6A CN108108520B (zh) 2017-11-29 2017-11-29 一种基于神经网络集成的输电线路雷害风险预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711229528.6A CN108108520B (zh) 2017-11-29 2017-11-29 一种基于神经网络集成的输电线路雷害风险预测方法

Publications (2)

Publication Number Publication Date
CN108108520A true CN108108520A (zh) 2018-06-01
CN108108520B CN108108520B (zh) 2019-05-03

Family

ID=62208705

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711229528.6A Active CN108108520B (zh) 2017-11-29 2017-11-29 一种基于神经网络集成的输电线路雷害风险预测方法

Country Status (1)

Country Link
CN (1) CN108108520B (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460602A (zh) * 2018-08-03 2019-03-12 山东农业大学 基于大数据和神经网络的架空线路雷击跳闸率计算方法
CN110866672A (zh) * 2019-10-10 2020-03-06 重庆金融资产交易所有限责任公司 数据处理方法、装置、终端及介质
CN110941902A (zh) * 2019-11-26 2020-03-31 云南电网有限责任公司 一种输电线路雷击故障预警方法和系统
CN111189496A (zh) * 2020-01-16 2020-05-22 四川长虹电器股份有限公司 用于中央空调产品的防雷信息在线监测及预警的系统
CN112578232A (zh) * 2019-09-30 2021-03-30 北京金风慧能技术有限公司 风力发电机组的雷电预警方法和雷电预警设备
CN112803344A (zh) * 2021-01-06 2021-05-14 南方电网科学研究院有限责任公司 一种新建配电网的雷电防护配置方法
CN112821339A (zh) * 2021-01-06 2021-05-18 南方电网科学研究院有限责任公司 一种运行配电网的防雷措施改造方法
CN113011099A (zh) * 2021-03-26 2021-06-22 云南电网有限责任公司电力科学研究院 一种对输电线路雷击跳闸率进行计算修正的方法
CN113376711A (zh) * 2020-08-19 2021-09-10 兰州大学 基于卷积神经网络的闪电频数预报方法
CN116363116A (zh) * 2023-04-12 2023-06-30 周晓菲 输电铁塔雷击概率分时判断系统
CN117217546A (zh) * 2023-11-08 2023-12-12 合肥工业大学 输电线路雷击跳闸预测模型、方法、系统和存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3825171B2 (ja) * 1998-04-06 2006-09-20 関西電力株式会社 配電系統制御システム
CN101216864A (zh) * 2008-01-09 2008-07-09 国网武汉高压研究院 大跨越线路的总雷击跳闸率仿真计算方法
CN102156787A (zh) * 2011-04-21 2011-08-17 广东电网公司佛山供电局 区域输电线路雷击闪络风险评估模型与方法
CN103412995A (zh) * 2013-08-08 2013-11-27 深圳供电局有限公司 一种输电线路雷害防护风险自动评估方法
CN103427367A (zh) * 2013-08-14 2013-12-04 广东电网公司清远供电局 一种输电线路检修方法
CN105426685A (zh) * 2015-11-27 2016-03-23 云南电网有限责任公司电力科学研究院 一种电力系统雷击闪络风险评估方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3825171B2 (ja) * 1998-04-06 2006-09-20 関西電力株式会社 配電系統制御システム
CN101216864A (zh) * 2008-01-09 2008-07-09 国网武汉高压研究院 大跨越线路的总雷击跳闸率仿真计算方法
CN102156787A (zh) * 2011-04-21 2011-08-17 广东电网公司佛山供电局 区域输电线路雷击闪络风险评估模型与方法
CN103412995A (zh) * 2013-08-08 2013-11-27 深圳供电局有限公司 一种输电线路雷害防护风险自动评估方法
CN103427367A (zh) * 2013-08-14 2013-12-04 广东电网公司清远供电局 一种输电线路检修方法
CN105426685A (zh) * 2015-11-27 2016-03-23 云南电网有限责任公司电力科学研究院 一种电力系统雷击闪络风险评估方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
刘春翔 等: "基于BP神经网络的输电线路山火风险评估模型", 《电力系统保护与控制》 *
方丽华等: "输电线路绕击故障概率分析及雷电预警方法", 《广东电力》 *
袁文: "基于改进雷击跳闸率计算法的输电线路雷击风险评估方法研究", 《万方数据》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109460602A (zh) * 2018-08-03 2019-03-12 山东农业大学 基于大数据和神经网络的架空线路雷击跳闸率计算方法
CN112578232A (zh) * 2019-09-30 2021-03-30 北京金风慧能技术有限公司 风力发电机组的雷电预警方法和雷电预警设备
CN112578232B (zh) * 2019-09-30 2023-10-27 北京金风慧能技术有限公司 风力发电机组的雷电预警方法和雷电预警设备
CN110866672A (zh) * 2019-10-10 2020-03-06 重庆金融资产交易所有限责任公司 数据处理方法、装置、终端及介质
CN110941902B (zh) * 2019-11-26 2023-09-12 云南电网有限责任公司 一种输电线路雷击故障预警方法和系统
CN110941902A (zh) * 2019-11-26 2020-03-31 云南电网有限责任公司 一种输电线路雷击故障预警方法和系统
CN111189496A (zh) * 2020-01-16 2020-05-22 四川长虹电器股份有限公司 用于中央空调产品的防雷信息在线监测及预警的系统
CN113376711A (zh) * 2020-08-19 2021-09-10 兰州大学 基于卷积神经网络的闪电频数预报方法
CN113376711B (zh) * 2020-08-19 2022-11-04 兰州大学 基于卷积神经网络的闪电频数预报方法
CN112803344A (zh) * 2021-01-06 2021-05-14 南方电网科学研究院有限责任公司 一种新建配电网的雷电防护配置方法
CN112821339A (zh) * 2021-01-06 2021-05-18 南方电网科学研究院有限责任公司 一种运行配电网的防雷措施改造方法
CN113011099A (zh) * 2021-03-26 2021-06-22 云南电网有限责任公司电力科学研究院 一种对输电线路雷击跳闸率进行计算修正的方法
CN116363116A (zh) * 2023-04-12 2023-06-30 周晓菲 输电铁塔雷击概率分时判断系统
CN116363116B (zh) * 2023-04-12 2023-09-01 周晓菲 输电铁塔雷击概率分时判断系统
CN117217546A (zh) * 2023-11-08 2023-12-12 合肥工业大学 输电线路雷击跳闸预测模型、方法、系统和存储介质
CN117217546B (zh) * 2023-11-08 2024-01-12 合肥工业大学 输电线路雷击跳闸预测模型、方法、系统和存储介质

Also Published As

Publication number Publication date
CN108108520B (zh) 2019-05-03

Similar Documents

Publication Publication Date Title
CN108108520B (zh) 一种基于神经网络集成的输电线路雷害风险预测方法
CN105871594A (zh) 一种电力通信网节点重要度计算方法
Kişi Daily pan evaporation modelling using a neuro-fuzzy computing technique
CN103279671B (zh) 基于rbf神经网络-云模型的城市水灾害风险预测方法
CN105633956B (zh) 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法
CN109118098A (zh) 高比例风电并网的连锁故障风险评估方法及系统
CN104820144B (zh) 应用于变电站防雷接地系统的降阻分析和措施系统
CN105023195A (zh) 含分布式光伏配电网可靠性评价方法
CN109753703A (zh) 一种配电线路防雷等级评估方法
CN109389795A (zh) 动态火灾风险评估方法、装置、服务器及存储介质
CN107292497A (zh) 基于层次分析‑熵权组合的输电线路风偏闪络风险评估方法
CN109190943A (zh) 基于机器学习的动态火灾风险评估方法、装置及服务器
CN109118095A (zh) 基于机器学习的动态火灾风险评估方法、装置及服务器
CN108960334A (zh) 一种多传感器数据加权融合方法
CN113591256B (zh) 一种山区输电线路杆塔雷击概率结果评估方法
CN115392141B (zh) 一种自适应的电流互感器误差评估方法
CN106228459A (zh) 基于蒙特卡洛的等值可靠性评估方法
CN109618288A (zh) 基于深度卷积神经网络的无线传感网距离测量系统及方法
CN111445087A (zh) 基于极限学习机的洪水预测方法
CN109857988B (zh) 一种寒地装配式现代木结构建筑的安全监测方法
CN107085646A (zh) 一种输电线路下地面场强测量方法
CN109299830A (zh) 一种基于墒情监测的水文预报系统及方法
CN102087311B (zh) 一种提高电力互感器测量精度的方法
CN105184418A (zh) 基于潮流、灵敏度及约束一致性等值的互联电网最优潮流计算方法
CN106845705A (zh) 地铁供电负荷预测系统的回声状态神经网络负荷预测模型

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
GR01 Patent grant
GR01 Patent grant
TR01 Transfer of patent right

Effective date of registration: 20230725

Address after: 570100 1401, Jintailong Pedestrian Street, No. 17, Haixiu Road, Longhua District, Haikou City, Hainan Province

Patentee after: Hainan Power Grid Design Co.,Ltd.

Address before: 570311 Hai Rui Road, Longhua District, Haikou, Hainan Province, No. 23

Patentee before: ELECTRIC POWER RESEARCH INSTITUTE OF HAINAN POWER GRID Co.,Ltd.

TR01 Transfer of patent right