CN109948839A - 架空输电线路舞动风险的预测和预警方法及系统 - Google Patents
架空输电线路舞动风险的预测和预警方法及系统 Download PDFInfo
- Publication number
- CN109948839A CN109948839A CN201910168694.2A CN201910168694A CN109948839A CN 109948839 A CN109948839 A CN 109948839A CN 201910168694 A CN201910168694 A CN 201910168694A CN 109948839 A CN109948839 A CN 109948839A
- Authority
- CN
- China
- Prior art keywords
- sample
- risk
- data
- prediction
- transmission line
- 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
本发明公开了架空输电线路舞动风险的预测和预警方法及系统,该系统可以包括数据采集单元、训练样本筛选单元、预测模型优化单元、舞动风险预测单元、舞动风险预警单元五个功能单元,在收集到输电线路的本体数据和气象数据的基础上,首先,将原始样本数据投入训练样本筛选单元,基于加权灰色关联投影法选取与待预测相似的历史数据样本集;接着,通过相似历史数据样本集来训练舞动风险预测模型,并选取模型最优的决策树数量和分裂特征集的特征个数,完成舞动风险预测模型的建立;然后,在舞动风险预测单元输出舞动风险预测等级;最后,基于舞动风险预测等级在舞动风险预警单元发布对应的舞动风险预警信息。
Description
技术领域
本发明涉及电力系统中架空输电线路故障风险预测及预警的技术领域,尤其涉及架空输电线路舞动风险的预测和预警方法及系统。
背景技术
舞动作为输电线路“六防”之一,其破坏能量巨大,且持续时间长,易对线路造成机械损伤和电气故障,严重威胁输电线路的安全运行。近年来,随着恶劣冰冻天气的频繁出现,输电线路舞动事故的发生频率和危害程度出现明显增加,同时伴随出现舞动区域大面积化、舞动地形多样化。因此,开展输电线路舞动的风险预警研究具重要的理论意义和工程实用价值。
近些年来,国内外研究人员在导线舞动激发机理、仿真模拟、舞动监测及防舞动措施等多方面开展了大量研究。但对于舞动预警而言,由于存在导线与气流之间的流固耦合以及导线的几何非线性运动等问题,使得基于实验或模拟仿真来实现舞动预警存在较大困难且准确性较低,而通过构建关联参量与舞动的神经网络模型是目前实现舞动预警的有效途径。
但是,目前已有的输电线路舞动模型仍存在以下两方面问题:1、训练样本繁杂。输电线路采集的舞动样本涵盖多种地理类型、电压等级、线塔参数结构等。若未对舞动训练样本进行标签分类,易对舞动预测存在较大干扰;2、预测模型性能差异较大。现有的灰色关联模型、Adaboost算法模型、BP神经网络模型在舞动预测时,对样本的噪声、异常值处理不佳,容易出现过拟合现象。
发明内容
为了克服现有技术的不足,本发明的目的在于提供架空输电线路舞动风险的预测和预警方法及系统,旨在解决现有技术的输电线路舞动模型存在训练样本繁杂、预测模型性能差异较大的问题。
本发明的目的采用以下技术方案实现:
一种架空输电线路舞动风险的预测和预警方法,包括:
采集输电线路舞动的关联参量数据,其中所述关联参量数据包括本体数据和气象数据;
根据本体数据和气象数据,筛选出目标历史数据集作为训练样本;
建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化;
基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级。
在上述实施例的基础上,优选的,还包括:
发布与舞动风险等级对应的预警信号。
在上述任意实施例的基础上,优选的,所述根据本体数据和气象数据,筛选出目标历史数据集作为训练样本,具体包括:
根据本体数据和气象数据,基于加权灰色关联投影法,通过层次分析法突出与舞动关联度最高的影响因素,作为舞动的关联因素;
根据舞动的关联因素的历史样本在待预测样本上的投影值,确定历史样本与待预测样本的关联度,获得目标历史数据集作为训练样本。
在上述实施例的基础上,优选的,所述根据本体数据和气象数据,筛选出目标历史数据集作为训练样本,具体包括:
根据本体数据和气象数据,确定舞动的关联因素特征向量;其中第i个样本的特征向量表示为:
Xi=[xi,1 xi,2 … xi,m-1 xi,m]i=1,2,…,n;
式中,n为样本总数;j=1,2,…,m,m为关联因素个数;xi,j为第i个样本的第j个关联因素的输入量;
确定待预测样本的特征向量为:
X0=[x1 x2 … xm-1 xm];
xj为待预测样本中特征向量的第j个关联因素的输入量;
构建灰色关联判断矩阵,以X0为母序列,作为矩阵第1行,Xi为子序列,计算关联系数,获得关联度判断矩阵:
式中,Gij为第i个样本的第j个关联因素对应的灰色关联度值;
采用层次分析法确定各影响因素的权重,得到权向量:
W=[w1 w2 … wm-1 wm];
式中,wj为第j个关联因素的权重值;
利用权向量对灰色关联判断矩阵加权,得到加权灰色关联决策矩阵A:
记矩阵A中第一行的待预测样本的行向量为B0,其余每个历史样本的行向量为Bi,则B0与每个历史样本Bi间的夹角为该样本的灰色投影角,灰色投影角的值Ci为:
根据各个历史样本的灰色投影角的值按大到小排序,选择排序最前的设定数量的样本作为目标历史数据集,以目标历史数据集作为训练样本。
在上述任意实施例的基础上,优选的,所述建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化,具体为:
所述建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化,具体为:
建立预测模型;根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量作为优化后的预测模型的决策树数量;根据分裂特征集中的不同特征个数,建立多个随机森林模型,求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数作为优化后的预测模型的分裂特征集中的特征个数;
或者,
建立预测模型;根据分裂特征集中的不同特征个数,建立多个随机森林模型,求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数作为优化后的预测模型的分裂特征集中的特征个数;根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量作为优化后的预测模型的决策树数量。
在上述任意实施例的基础上,优选的,所述基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级,具体包括:
通过Boostsrap重复抽样从所筛选的历史数据集中抽取子训练样本集,其中不同的子训练样本集作为不同分类树的训练样本;
对于每个分类树,利用Breiman方法从特征空间随机抽取与分类树的训练样本同等数量的特征变量进行训练;
根据分类树的训练结果,采用C4.5算法作为随机森林内决策树的构建方法,C4.5决策树通过计算特征变量的信息增益和增益率,根据计算结果选取分裂节点、构建分支和生成叶节点,基于OOB样本采用后剪枝的方法完成决策树的构建;
根据构建得到的决策树,建立随机森林分类模型,设置若干个舞动风险等级;采用相对多数投票法,随机森林的所有决策树都进行预测并对结果进行投票,按得票最高确定是否发出舞动风险等级的预测结果。
一种架空输电线路舞动风险的预测和预警系统,包括:
数据采集单元,用于采集输电线路舞动的关联参量数据,其中所述关联参量数据包括本体数据和气象数据;
训练样本筛选单元,用于根据本体数据和气象数据,筛选出目标历史数据集作为训练样本;
预测模型优化单元,用于建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化;
舞动风险预测单元,用于基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级。
在上述实施例的基础上,优选的,还包括:
舞动风险预警单元,用于发布与舞动风险等级对应的预警信号。
在上述任意实施例的基础上,优选的,所述训练样本筛选单元用于:
根据本体数据和气象数据,基于加权灰色关联投影法,通过层次分析法突出与舞动关联度最高的影响因素,作为舞动的关联因素;
根据舞动的关联因素的历史样本在待预测样本上的投影值,确定历史样本与待预测样本的关联度,获得目标历史数据集作为训练样本。
在上述实施例的基础上,优选的,所述训练样本筛选单元用于:
根据本体数据和气象数据,确定舞动的关联因素特征向量;其中第i个样本的特征向量表示为:
Xi=[xi,1 xi,2 … xi,m-1 xi,m]i=1,2,…,n;
式中,n为样本总数;j=1,2,…,m,m为关联因素个数;xi,j为第i个样本的第j个关联因素的输入量;
确定待预测样本的特征向量为:
X0=[x1 x2 … xm-1 xm];
xj为待预测样本中特征向量的第j个关联因素的输入量;
构建灰色关联判断矩阵,以X0为母序列,作为矩阵第1行,Xi为子序列,计算关联系数,获得关联度判断矩阵:
式中,Gij为第i个样本的第j个关联因素对应的灰色关联度值;
采用层次分析法确定各影响因素的权重,得到权向量:
W=[w1 w2 … wm-1 wm];
式中,wj为第j个关联因素的权重值;
利用权向量对灰色关联判断矩阵加权,得到加权灰色关联决策矩阵A:
记矩阵A中第一行的待预测样本的行向量为B0,其余每个历史样本的行向量为Bi,则B0与每个历史样本Bi间的夹角为该样本的灰色投影角,灰色投影角的值Ci为:
根据各个历史样本的灰色投影角的值按大到小排序,选择排序最前的若干样本作为历史数据集,以目标历史数据集作为训练样本。
相比现有技术,本发明的有益效果在于:
本发明公开了架空输电线路舞动风险的预测和预警方法及系统,在收集到输电线路的本体数据和气象数据的基础上,首先,将原始样本数据投入训练样本筛选单元,基于加权灰色关联投影法选取与待预测相似的历史数据样本集;接着,通过相似历史数据样本集来训练舞动风险预测模型,并选取模型最优的决策树数量和分裂特征集的特征个数,完成舞动风险预测模型的建立;然后,在舞动风险预测单元输出舞动风险预测等级;最后,基于舞动风险预测等级在舞动风险预警单元发布对应的舞动风险预警信息。
本发明使用加权灰色关联投影法来筛选与待预测舞动样本较为相似的数据集作为训练样本,将多个单一决策树经过一定规则组合成一片森林,预测结果由森林中所有的决策树投票得出,能够针对运行输电线路可能因导线覆冰以及自然风激励而发生线路舞动的风险进行预测和预警,可以提供输电线路舞动风险的预测和发出舞动预警信号的功能。
本发明使用加权灰色关联投影法来筛选训练样本,适用条件广泛,可以应用于各个电压等级的架空输电线路,不受线路结构参数、周围地形、气象等多种关联因素的影响,解决了训练样本繁杂的问题;采用随机森林算法通过组合多棵决策树来做出预测,预测精度高、泛化误差可控、收敛速度快以及调节参数少,适用于各种数据集的运算,可有效避免过拟合现象发生,解决了预测模型性能差异较大的问题。
本发明针对不同电压等级的输电线路舞动进行有效预测;在得到线路结构参数和气象数据等基础上,通过建立基于灰色投影优化的随机森林模型对输电线路舞动风险进行预测和预警,其可以有效预测舞动风险等级,及时发出预警信息为电网运维人员提供决策支撑,同时还可提前做好有针对性的抗风、除融冰等防舞措施,避免防范不足引起事故及过度防范浪费资源,保障输电线路的安全稳定运行。
附图说明
下面结合附图和实施例对本发明进一步说明。
图1示出了本发明实施例提供的一种架空输电线路舞动风险的预测和预警方法的流程示意图;
图2示出了本发明实施例提供的一种随机森林结构图;
图3示出了本发明实施例提供的一种架空输电线路舞动风险的预测和预警系统的结构示意图。
具体实施方式
下面,结合附图以及具体实施方式,对本发明做进一步描述,需要说明的是,在不相冲突的前提下,以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
随机森林算法通过组合多棵决策树来做出预测,该算法具有预测精度高、泛化误差可控、收敛速度快以及调节参数少等优点,可有效避免过拟合现象发生,适用于各种数据集的运算,尤其适用于超高维特征向量空间。因此,可以利用随机森林算法对输电线路舞动风险进行预测。
具体实施例一
如图1所示,本发明实施例提供了一种架空输电线路舞动风险的预测和预警方法,包括:
采集输电线路舞动的关联参量数据,其中所述关联参量数据包括本体数据和气象数据;
根据本体数据和气象数据,筛选出目标历史数据集作为训练样本;
建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化;
基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级。例如,舞动风险等级可以设置成四级,对待预测线路进行预测后,输出A、B、C、D四个舞动风险等级。
本发明实施例还可以包括:发布与舞动风险等级对应的预警信号。具体的,可以人为地预先设置与每个舞动风险等级相应的预警信号等级;这样就可以在舞动风险等级的预测结果为第i等级时,发布与第i等级相应的预警信号等级的预警信号,i为任意一个舞动风险等级。例如,在舞动风险等级设置为四级时,系统根据舞动风险等级的预测结果,设置当舞动风险等级为C时发布I级预警信号,当舞动风险等级为D时发布II级预警信号。
所述本体数据可以包括导线分裂数、导线直径、档距、螺栓紧固程度、相间间隔棒中的一种或多种;所述气象数据可以包括风速、风向与导线夹角、相对湿度、温度、降水方式中的一种或多种。
在收集输电线路舞动历史数据时,可以按照以下两个要求:
(1)考虑到收集输电线路上实时的螺栓紧固程度是不现实的,因此在收集螺栓紧固程度数据时主要借助人工日常巡检获得;
(2)在收集每日气象数据时,必须是待预测线路周围的气象数据,不适宜使用距离待预测线路较远的地方所收集到的气象数据。
其中,导线分裂数、导线直径、档距、相间间隔棒、风向与导线夹角、相对湿度和温度可通过数值直接表示。而螺栓紧固程度、风速、降水方式这三个参量无法直接使用数值表示,故本发明实施例在此根据参量的不同性状采用不同等级的指标来考虑参量的状态变化。
对于螺栓紧固程度而言,可以定义其有螺栓紧固、螺栓松动、螺栓缺失三种程度,其指标取值可以分别用0.1、0.5、0.9来表示。
对于风速而言,考虑到气象部门的风速数据主要采集于地面高度,而与输电线路高度存在较大差异,此外不同电压等级的线路高度又不一致。为降低输入量的误差对输出结果的影响,本发明实施例引入常用的高度与风速关系式来计算不同高度的风速数据:
式中,U和Z分别为任意点的平均风速和离地高度;Us和Zs分别为标准高度(一般定为10m)和标准高度处的平均风速;α为地面的粗糙系数,地面越粗糙,其数值越大。通常,海面α为0.100~0.125,开阔平原α为0.125~0.167,森林街道α为0.250,城市中心α为0.333。
对于降水方式而言,取雨凇、冻雨的指标为1.0,混合淞的指标为0.8,软雾凇的指标为0.6,白霜的指标为0.4,雪的指标为0.2,雾的指标为0.1。
鉴于舞动发生的地理环境、线路结构参数等多种关联因素具有差异性,不同训练样本下的模型存在适用性问题,若未对模型训练样本进行分类优化筛选,极易导致模型的预测误差较大。本发明实施例在训练样本筛选单元中选用加权灰色关联投影法。加权灰色关联投影法是融合灰色系统理论和矢量投影原理的一种综合评价方法。该方法通过引入了加权和投影的概念来克服了灰色关联系数评价的劣势。本发明实施例使用加权灰色关联投影法来筛选与待预测舞动样本较为相似的数据集作为训练样本,能够解决上述差异性、适用性导致模型的预测误差较大的问题。
所述根据本体数据和气象数据,筛选出目标历史数据集作为训练样本,可以具体为:
根据本体数据和气象数据,基于加权灰色关联投影法,通过层次分析法突出与舞动关联度最高的影响因素,作为舞动的关联因素;
根据舞动的关联因素的历史样本在待预测样本上的投影值,确定历史样本与待预测样本的关联度,获得目标历史数据集作为训练样本。
进一步的,所述根据本体数据和气象数据,筛选出目标历史数据集作为训练样本,可以具体包括:
根据本体数据和气象数据,确定舞动的关联因素特征向量;本发明实施例中,关联因素可以有10种,即导线分裂数、导线直径、档距、螺栓紧固程度、相间间隔棒、风速、风向与导线夹角、相对湿度、温度、降水方式。
其中第i个样本的特征向量表示为:
Xi=[xi,1 xi,2 … xi,m-1 xi,m]i=1;
式中,n为样本总数;j=1,2,…,m,m为关联因素个数;xi,j为第i个样本的第j个关联因素的输入量;
确定待预测样本的特征向量为:
X0=[x1 x2 … xm-1 xm];
xj为待预测样本中特征向量的第j个关联因素的输入量;
构建灰色关联判断矩阵,以X0为母序列,作为矩阵第1行,Xi为子序列,计算关联系数,得到关联度判断矩阵:
式中,Gij为第i个样本的第j个关联因素对应的灰色关联度值;
采用层次分析法确定各影响因素的权重,得到权向量:
W=[w1 w2 … wm-1 wm];
式中,wj为第j个关联因素的权重值;
利用权向量对灰色关联判断矩阵加权,得到加权灰色关联决策矩阵A:
记矩阵A中第一行的待预测样本的行向量为B0,其余每个历史样本的行向量为Bi,则B0与每个历史样本Bi间的夹角为该样本的灰色投影角,灰色投影角的值Ci为:
根据各个历史样本的灰色投影角的值按大到小排序,选择排序最前的若干样本作为历史数据集,以目标历史数据集作为训练样本。
在随机森林算法中,决策树数量及分裂特征集中的特征个数对模型的预测性能具有较大影响。为此,本发明实施例对决策树数量和分裂特征集中的特征个数的设置进行优化选取。对于决策树数量的设置,首先根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时模型对应的平均预测准确率,然后选取最优的决策树设置数量。对于分裂特征集中的特征个数的设置,也可以采用相同的方法。
所述建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化,可以具体包括以下两种预测模型的建立方式:
方式一:建立预测模型;
根据决策树的不同数量,建立多个随机森林模型(将这组随机森林模型记为a组),求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量,作为优化后的预测模型的决策树数量;
根据分裂特征集中的不同特征个数,建立多个随机森林模型(将这组随机森林模型记为b组),求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数,作为优化后的预测模型的分裂特征集中的特征个数;该步骤中,b组随机森林模型可以是和a组随机森林模型不同的一组;
或者,
方式二:建立预测模型;
根据分裂特征集中的不同特征个数,建立多个随机森林模型,求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数作为优化后的预测模型的分裂特征集中的特征个数;
根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量作为优化后的预测模型的决策树数量。
本发明实施例对上述选取决策树数量的步骤和选取分裂特征集中的特征个数的步骤的顺序不做限定,其可以为任意顺序,先选取哪一个都可以。
本发明实施例在舞动风险预测时选用随机森林算法。随机森林是一种有监督的集成学习算法,其相较于传统决策树算法具有更好的泛化能力和分类效果,同时还具有避免过拟合、低泛化误差和少调节参量等优势。该算法的核心思想是将性能较弱的多个决策树分类器经过一定规则组合成一片森林,结果由森林中所有的决策树投票得出,其结构图如图2所示。将k个决策树{h(Xk,θk),k=1,2,3,…,n}聚合而成,基分类器h(Xk,θk)由C4.5决策树算法构成。其中,Xk为训练数据集X中随机抽取的训练样本子集,θk为第k棵决策树具有独立同分布的随机向量集,最后通过多数投票法或算术平均值得到最终预测值。
所述基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级,可以具体包括:
训练数据集抽样步骤:为提升随机森林模型中的各个分类树的多样性,通过Boostsrap可重复抽样从训练样本数据集中抽取子训练样本集,其中不同的子训练样本集作为不同分类树的训练样本;该方法可有效提高不稳定基分类器的泛化能力以及分类准确性;
特征子空间抽样步骤:对于每个分类树,利用Breiman方法从特征空间随机抽取与分类树的训练样本同等数量的特征变量进行训练;该方法为分类树在划分节点时提供更好的划分特征,降低分类树之间的相关性;
建立决策树模型步骤:常见的决策树算法有ID3、C4.5、CART等,而C4.5算法在构建随机森林模型中比ID3和CART算法更有优势,为此,本发明实施例根据分类树的训练结果,采用C4.5算法作为随机森林内决策树的构建方法,C4.5决策树通过计算特征变量的信息增益和增益率,根据计算结果选取分裂节点、构建分支和生成叶节点,最后基于OOB样本采用后剪枝的方法完成决策树的构建;
建立随机森林分类模型步骤:根据构建得到的决策树,建立随机森林分类模型,设置舞动风险分别有A、B、C、D四个等级,采用相对多数投票法,即随机森林的所有决策树都进行预测并对结果进行投票,按得票最高确定是否发出舞动预测结果。
对随机森林的理论误差分析如下:
设X为输入向量,Y为正确的分类类别,则给定边缘函数为:
式中,δk为取平均函数,I(·)为指示函数,j为J种类别中的某一类。边缘函数P(X,Y)量度了决策树将未知数据划分为准确类的平均比例和划分为其他类的平均比例之差。若P(X,Y)>0,则这个数据点表示被准确划分,否则为被错误划分。此外,P(X,Y)越大则分类效果越好,置信度也越好。
定义随机森林的泛化误差为:
E*=FXY(P(X,Y)<0);
式中,FXY为输入向量X的分类错误率函数。当决策树数目较大时,利用大数定律可得到以下定理。
定理1:当决策树数量增大时,所有序列θk,E*几乎处处收敛于:
式中,Pθ为给定序列θ的分类错误率。该定理显示随机森林的泛化误差不会随决策树数目增加而出现过拟合,而会趋于某一上界。
定理2:随机森林泛化误差的上界为:
式中,和s分别为树的平均相关系数和平均强度。
由定理2可知,当决策树的相关性降低、单棵决策树强度的提高,随机森林的泛化误差上界将降低,这可以有效抑制算法的过拟合现象。
本发明实施例使用加权灰色关联投影法来筛选与待预测舞动样本较为相似的数据集作为训练样本,将多个单一决策树经过一定规则组合成一片森林,预测结果由森林中所有的决策树投票得出,能够针对运行输电线路可能因导线覆冰以及自然风激励而发生线路舞动的风险进行预测和预警,可以提供输电线路舞动风险的预测和发出舞动预警信号的功能。
本发明实施例使用加权灰色关联投影法来筛选训练样本,适用条件广泛,可以应用于各个电压等级的架空输电线路,不受线路结构参数、周围地形、气象等多种关联因素的影响,解决了训练样本繁杂的问题;采用随机森林算法通过组合多棵决策树来做出预测,预测精度高、泛化误差可控、收敛速度快以及调节参数少,适用于各种数据集的运算,可有效避免过拟合现象发生,解决了预测模型性能差异较大的问题。
本发明实施例针对不同电压等级的输电线路舞动进行有效预测;在得到线路结构参数和气象数据等基础上,通过建立基于灰色投影优化的随机森林模型对输电线路舞动风险进行预测和预警,其可以有效预测舞动风险等级,及时发出预警信息为电网运维人员提供决策支撑,同时还可提前做好有针对性的抗风、除融冰等防舞措施,避免防范不足引起事故及过度防范浪费资源,保障输电线路的安全稳定运行。
在上述的具体实施例一中,提供了架空输电线路舞动风险的预测和预警方法,与之相对应的,本申请还提供架空输电线路舞动风险的预测和预警系统。由于系统实施例基本相似于方法实施例,所以描述得比较简单,相关之处参见方法实施例的部分说明即可。下述描述的系统实施例仅仅是示意性的。
具体实施例二
如图3所示,本发明实施例提供了一种架空输电线路舞动风险的预测和预警系统,包括:
数据采集单元201,用于采集输电线路舞动的关联参量数据,其中所述关联参量数据包括本体数据和气象数据;
训练样本筛选单元202,用于根据本体数据和气象数据,筛选出目标历史数据集作为训练样本;
预测模型优化单元203,用于建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化;
舞动风险预测单元204,用于基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级。
所述本体数据可以包括导线分裂数、导线直径、档距、螺栓紧固程度、相间间隔棒中的一种或多种;所述气象数据可以包括风速、风向与导线夹角、相对湿度、温度、降水方式中的一种或多种。
在收集输电线路舞动历史数据时,可以按照以下两个要求:
(1)考虑到收集输电线路上实时的螺栓紧固程度是不现实的,因此在收集螺栓紧固程度数据时主要借助人工日常巡检获得;
(2)在收集每日气象数据时,必须是待预测线路周围的气象数据,不适宜使用距离待预测线路较远的地方所收集到的气象数据。
其中,导线分裂数、导线直径、档距、相间间隔棒、风向与导线夹角、相对湿度和温度可通过数值直接表示。而螺栓紧固程度、风速、降水方式这三个参量无法直接使用数值表示,故本发明实施例在此根据参量的不同性状采用不同等级的指标来考虑参量的状态变化。
对于螺栓紧固程度而言,可以定义其有螺栓紧固、螺栓松动、螺栓缺失三种程度,其指标取值可以分别用0.1、0.5、0.9来表示。
对于风速而言,考虑到气象部门的风速数据主要采集于地面高度,而与输电线路高度存在较大差异,此外不同电压等级的线路高度又不一致。为降低输入量的误差对输出结果的影响,本发明实施例引入常用的高度与风速关系式来计算不同高度的风速数据:
式中,U和Z分别为任意点的平均风速和离地高度;Us和Zs分别为标准高度(一般定为10m)和标准高度处的平均风速;α为地面的粗糙系数,地面越粗糙,其数值越大。通常,海面α为0.100~0.125,开阔平原α为0.125~0.167,森林街道α为0.250,城市中心α为0.333。
对于降水方式而言,取雨凇、冻雨的指标为1.0,混合淞的指标为0.8,软雾凇的指标为0.6,白霜的指标为0.4,雪的指标为0.2,雾的指标为0.1。
本发明实施例还可以包括:
舞动风险预警单元205,用于发布与舞动风险等级对应的预警信号。
所述训练样本筛选单元202可以用于:
根据本体数据和气象数据,基于加权灰色关联投影法,通过层次分析法突出与舞动关联度最高的影响因素,作为舞动的关联因素;
根据舞动的关联因素的历史样本在待预测样本上的投影值,确定历史样本与待预测样本的关联度,获得目标历史数据集作为训练样本。
所述训练样本筛选单元202可以用于:
根据本体数据和气象数据,确定舞动的关联因素特征向量;其中第i个样本的特征向量表示为:
Xi=[xi,1 xi,2 … xi,m-1 xi,m]i=1,2,…,n;
式中,n为样本总数;j=1,2,...,m,m为关联因素个数;xi,j为第i个样本的第j个关联因素的输入量;
确定待预测样本的特征向量为:
X0=[x1 x2 … xm-1 xm];
xj为待预测样本中特征向量的第j个关联因素的输入量;
构建灰色关联判断矩阵,以X0为母序列,作为矩阵第1行,Xi为子序列,计算关联系数,获得关联度判断矩阵:
式中,Gij为第i个样本的第j个关联因素对应的灰色关联度值;
采用层次分析法确定各影响因素的权重,得到权向量:
W=[w1 w2 … wm-1 wm];
式中,wj为第j个关联因素的权重值;
利用权向量对灰色关联判断矩阵加权,得到加权灰色关联决策矩阵A:
记矩阵A中第一行的待预测样本的行向量为B0,其余每个历史样本的行向量为Bi,则B0与每个历史样本Bi间的夹角为该样本的灰色投影角,灰色投影角的值Ci为:
根据各个历史样本的灰色投影角的值按大到小排序,选择排序最前的若干样本作为历史数据集,以目标历史数据集作为训练样本。
所述预测模型优化单元203可以用于:
建立预测模型;根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量作为优化后的预测模型的决策树数量;根据分裂特征集中的不同特征个数,建立多个随机森林模型,求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数作为优化后的预测模型的分裂特征集中的特征个数;
或者,
建立预测模型;根据分裂特征集中的不同特征个数,建立多个随机森林模型,求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数作为优化后的预测模型的分裂特征集中的特征个数;根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量作为优化后的预测模型的决策树数量。
所述舞动风险预测单元204可以用于:
通过Boostsrap重复抽样从所筛选的历史数据集中抽取子训练样本集,其中不同的子训练样本集作为不同分类树的训练样本;
对于每个分类树,利用Breiman方法从特征空间随机抽取与分类树的训练样本同等数量的特征变量进行训练;
根据分类树的训练结果,采用C4.5算法作为随机森林内决策树的构建方法,C4.5决策树通过计算特征变量的信息增益和增益率,根据计算结果选取分裂节点、构建分支和生成叶节点,基于OOB样本采用后剪枝的方法完成决策树的构建;
根据构建得到的决策树,建立随机森林分类模型,设置若干个舞动风险等级;采用相对多数投票法,随机森林的所有决策树都进行预测并对结果进行投票,按得票最高确定是否发出舞动风险等级的预测结果。
本发明实施例使用加权灰色关联投影法来筛选与待预测舞动样本较为相似的数据集作为训练样本,将多个单一决策树经过一定规则组合成一片森林,预测结果由森林中所有的决策树投票得出,能够针对运行输电线路可能因导线覆冰以及自然风激励而发生线路舞动的风险进行预测和预警,可以提供输电线路舞动风险的预测和发出舞动预警信号的功能。
本发明实施例使用加权灰色关联投影法来筛选训练样本,适用条件广泛,可以应用于各个电压等级的架空输电线路,不受线路结构参数、周围地形、气象等多种关联因素的影响,解决了训练样本繁杂的问题;采用随机森林算法通过组合多棵决策树来做出预测,预测精度高、泛化误差可控、收敛速度快以及调节参数少,适用于各种数据集的运算,可有效避免过拟合现象发生,解决了预测模型性能差异较大的问题。
本发明实施例针对不同电压等级的输电线路舞动进行有效预测;在得到线路结构参数和气象数据等基础上,通过建立基于灰色投影优化的随机森林模型对输电线路舞动风险进行预测和预警,其可以有效预测舞动风险等级,及时发出预警信息为电网运维人员提供决策支撑,同时还可提前做好有针对性的抗风、除融冰等防舞措施,避免防范不足引起事故及过度防范浪费资源,保障输电线路的安全稳定运行。
在本申请所提供的几个实施例中,应该理解到,所揭露的装置和方法,也可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的,例如,附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
另外,在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分,也可以是各个模块单独存在,也可以两个或两个以上模块集成形成一个独立的部分。
所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。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。
本发明从使用目的上,效能上,进步及新颖性等观点进行阐述,其具有的实用进步性,已符合专利法所强调的功能增进及使用要件,本发明以上的说明及附图,仅为本发明的较佳实施例而已,并非以此局限本发明,因此,凡一切与本发明构造,装置,特征等近似、雷同的,即凡依本发明专利申请范围所作的等同替换或修饰等,皆应属本发明的专利申请保护的范围之内。
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。尽管本发明已进行了一定程度的描述,明显地,在不脱离本发明的精神和范围的条件下,可进行各个条件的适当变化。可以理解,本发明不限于所述实施方案,而归于权利要求的范围,其包括所述每个因素的等同替换。对本领域的技术人员来说,可根据以上描述的技术方案以及构思,做出其它各种相应的改变以及形变,而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (10)
1.一种架空输电线路舞动风险的预测和预警方法,其特征在于,包括:
采集输电线路舞动的关联参量数据,其中所述关联参量数据包括本体数据和气象数据;
根据本体数据和气象数据,筛选出目标历史数据集作为训练样本;
建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化;
基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级。
2.根据权利要求1所述的架空输电线路舞动风险的预测和预警方法,其特征在于,还包括:
发布与舞动风险等级对应的预警信号。
3.根据权利要求1或2所述的架空输电线路舞动风险的预测和预警方法,其特征在于,所述根据本体数据和气象数据,筛选出目标历史数据集作为训练样本,具体包括:
根据本体数据和气象数据,基于加权灰色关联投影法,通过层次分析法突出与舞动关联度最高的影响因素,作为舞动的关联因素;
根据舞动的关联因素的历史样本在待预测样本上的投影值,确定历史样本与待预测样本的关联度,获得目标历史数据集作为训练样本。
4.根据权利要求3所述的架空输电线路舞动风险的预测和预警方法,其特征在于,所述根据本体数据和气象数据,筛选出目标历史数据集作为训练样本,具体包括:
根据本体数据和气象数据,确定舞动的关联因素特征向量;其中第i个样本的特征向量表示为:
Xi=[xi,1 xi,2 … xi,m-1 xi,m]i=1,2,…,n;
式中,n为样本总数;j=1,2,…,m,m为关联因素个数;xi,j为第i个样本的第j个关联因素的输入量;
确定待预测样本的特征向量为:
X0=[x1 x2 … xm-1 xm];
xj为待预测样本中特征向量的第j个关联因素的输入量;
构建灰色关联判断矩阵,以X0为母序列,作为矩阵第1行,Xi为子序列,计算关联系数,获得关联度判断矩阵:
式中,Gij为第i个样本的第j个关联因素对应的灰色关联度值;
采用层次分析法确定各影响因素的权重,得到权向量:
W=[w1 w2 … wm-1 wm];
式中,wj为第j个关联因素的权重值;
利用权向量对灰色关联判断矩阵加权,得到加权灰色关联决策矩阵A:
记矩阵A中第一行的待预测样本的行向量为B0,其余每个历史样本的行向量为Bi,则B0与每个历史样本Bi间的夹角为该样本的灰色投影角,灰色投影角的值Ci为:
根据各个历史样本的灰色投影角的值按大到小排序,选择排序最前的设定数量的样本作为目标历史数据集,以目标历史数据集作为训练样本。
5.根据权利要求1或2所述的架空输电线路舞动风险的预测和预警方法,其特征在于,所述建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化,具体为:
建立预测模型;根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量作为优化后的预测模型的决策树数量;根据分裂特征集中的不同特征个数,建立多个随机森林模型,求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数作为优化后的预测模型的分裂特征集中的特征个数;
或者,
建立预测模型;根据分裂特征集中的不同特征个数,建立多个随机森林模型,求取不同分裂特征集中的特征个数对应的平均预测准确率,选取平均预测准确率最佳的分裂特征集中的特征个数作为优化后的预测模型的分裂特征集中的特征个数;根据决策树的不同数量,建立多个随机森林模型,求取不同决策树数量时对应的平均预测准确率,选取平均预测准确率最佳的决策树数量作为优化后的预测模型的决策树数量。
6.根据权利要求1或2所述的架空输电线路舞动风险的预测和预警方法,其特征在于,所述基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级,具体包括:
通过Boostsrap重复抽样从所筛选的历史数据集中抽取子训练样本集,其中不同的子训练样本集作为不同分类树的训练样本;
对于每个分类树,利用Breiman方法从特征空间随机抽取与分类树的训练样本同等数量的特征变量进行训练;
根据分类树的训练结果,采用C4.5算法作为随机森林内决策树的构建方法,C4.5决策树通过计算特征变量的信息增益和增益率,根据计算结果选取分裂节点、构建分支和生成叶节点,基于OOB样本采用后剪枝的方法完成决策树的构建;
根据构建得到的决策树,建立随机森林分类模型,设置若干个舞动风险等级;采用相对多数投票法,随机森林的所有决策树都进行预测并对结果进行投票,按得票最高确定是否发出舞动风险等级的预测结果。
7.一种架空输电线路舞动风险的预测和预警系统,其特征在于,包括:
数据采集单元,用于采集输电线路舞动的关联参量数据,其中所述关联参量数据包括本体数据和气象数据;
训练样本筛选单元,用于根据本体数据和气象数据,筛选出目标历史数据集作为训练样本;
预测模型优化单元,用于建立预测模型,并对预测模型的决策树数量和分裂特征集中的特征个数设置进行优化;
舞动风险预测单元,用于基于所筛选的目标历史数据集和优化后的预测模型,确定待预测线路的舞动风险等级。
8.根据权利要求7所述的架空输电线路舞动风险的预测和预警系统,其特征在于,还包括:
舞动风险预警单元,用于发布与舞动风险等级对应的预警信号。
9.根据权利要求7或8所述的架空输电线路舞动风险的预测和预警系统,其特征在于,所述训练样本筛选单元用于:
根据本体数据和气象数据,基于加权灰色关联投影法,通过层次分析法突出与舞动关联度最高的影响因素,作为舞动的关联因素;
根据舞动的关联因素的历史样本在待预测样本上的投影值,确定历史样本与待预测样本的关联度,获得目标历史数据集作为训练样本。
10.根据权利要求9所述的架空输电线路舞动风险的预测和预警系统,其特征在于,所述训练样本筛选单元用于:
根据本体数据和气象数据,确定舞动的关联因素特征向量;其中第i个样本的特征向量表示为:
Xi=[xi,1 xi,2 … xi,m-1 xi,m]i=1,2,...,n;
式中,n为样本总数;j=1,2,…,m,m为关联因素个数;xi,j为第i个样本的第j个关联因素的输入量;
确定待预测样本的特征向量为:
X0=[x1 x2 … xm-1 xm];
xj为待预测样本中特征向量的第j个关联因素的输入量;
构建灰色关联判断矩阵,以X0为母序列,作为矩阵第1行,Xi为子序列,计算关联系数,获得关联度判断矩阵:
式中,Gij为第i个样本的第j个关联因素对应的灰色关联度值;
采用层次分析法确定各影响因素的权重,得到权向量:
W=[w1 w2 … wm-1 wm];
式中,wj为第j个关联因素的权重值;
利用权向量对灰色关联判断矩阵加权,得到加权灰色关联决策矩阵A:
记矩阵A中第一行的待预测样本的行向量为B0,其余每个历史样本的行向量为Bi,则B0与每个历史样本Bi间的夹角为该样本的灰色投影角,灰色投影角的值Ci为:
根据各个历史样本的灰色投影角的值按大到小排序,选择排序最前的若干样本作为历史数据集,以目标历史数据集作为训练样本。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168694.2A CN109948839B (zh) | 2019-03-06 | 2019-03-06 | 架空输电线路舞动风险的预测和预警方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168694.2A CN109948839B (zh) | 2019-03-06 | 2019-03-06 | 架空输电线路舞动风险的预测和预警方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109948839A true CN109948839A (zh) | 2019-06-28 |
CN109948839B CN109948839B (zh) | 2023-02-03 |
Family
ID=67009246
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168694.2A Active CN109948839B (zh) | 2019-03-06 | 2019-03-06 | 架空输电线路舞动风险的预测和预警方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109948839B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111292020A (zh) * | 2020-03-13 | 2020-06-16 | 贵州电网有限责任公司 | 一种基于随机森林的电网实时运行风险评估方法及系统 |
CN112290450A (zh) * | 2020-10-19 | 2021-01-29 | 重庆邮电大学 | 一种面向输电线路舞动状态的自驱动传感方法 |
CN112541647A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 炼油动设备风险预警方法及预警系统 |
CN116703455A (zh) * | 2023-08-02 | 2023-09-05 | 北京药云数据科技有限公司 | 基于时间序列的混合模型的医药数据销售预测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN106570780A (zh) * | 2016-11-02 | 2017-04-19 | 金哲 | 基于灰色关联理论的输电线路舞动预警方法 |
CN107436162A (zh) * | 2017-07-31 | 2017-12-05 | 国网湖南省电力公司 | 一种电网线路舞动发生预测方法和系统 |
CN108287184A (zh) * | 2017-12-29 | 2018-07-17 | 东北电力大学 | 基于电子鼻的石蜡嗅味等级评定方法 |
-
2019
- 2019-03-06 CN CN201910168694.2A patent/CN109948839B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
WO2016033883A1 (zh) * | 2014-09-04 | 2016-03-10 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
CN106570780A (zh) * | 2016-11-02 | 2017-04-19 | 金哲 | 基于灰色关联理论的输电线路舞动预警方法 |
CN107436162A (zh) * | 2017-07-31 | 2017-12-05 | 国网湖南省电力公司 | 一种电网线路舞动发生预测方法和系统 |
CN108287184A (zh) * | 2017-12-29 | 2018-07-17 | 东北电力大学 | 基于电子鼻的石蜡嗅味等级评定方法 |
Non-Patent Citations (3)
Title |
---|
LIAO ZHENG ETAL.: "Study on forecasting method of transmission line galloping via BP neural network", 《2018 INTERNATIONAL CONFERENCE ON POWER SYSTEM TECHNOLOGY (POWERCON)》 * |
吴潇雨 等: "基于灰色投影改进随机森林算法的电力系统短期负荷预测", 《电力系统自动化》 * |
李哲等: "基于Adaboost算法的输电线路舞动预警方法", 《重庆大学学报》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112541647A (zh) * | 2019-09-20 | 2021-03-23 | 中国石油化工股份有限公司 | 炼油动设备风险预警方法及预警系统 |
CN111292020A (zh) * | 2020-03-13 | 2020-06-16 | 贵州电网有限责任公司 | 一种基于随机森林的电网实时运行风险评估方法及系统 |
CN112290450A (zh) * | 2020-10-19 | 2021-01-29 | 重庆邮电大学 | 一种面向输电线路舞动状态的自驱动传感方法 |
CN112290450B (zh) * | 2020-10-19 | 2021-11-09 | 重庆邮电大学 | 一种面向输电线路舞动状态的自驱动传感方法 |
CN116703455A (zh) * | 2023-08-02 | 2023-09-05 | 北京药云数据科技有限公司 | 基于时间序列的混合模型的医药数据销售预测方法及系统 |
CN116703455B (zh) * | 2023-08-02 | 2023-11-10 | 北京药云数据科技有限公司 | 基于时间序列的混合模型的医药数据销售预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109948839B (zh) | 2023-02-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109948839A (zh) | 架空输电线路舞动风险的预测和预警方法及系统 | |
Lydia et al. | Linear and non-linear autoregressive models for short-term wind speed forecasting | |
CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
WO2017032210A1 (zh) | 一种基于聚类分析的输电线路山火风险区域划分方法 | |
CN107704953A (zh) | Ewt分位数回归森林的短期风电功率概率密度预测方法 | |
CN109146161A (zh) | 融合栈式自编码和支持向量回归的pm2.5浓度预测方法 | |
CN106897826A (zh) | 一种交通事故风险评估方法及系统 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
Tesfaye et al. | Short-term wind power forecasting using artificial neural networks for resource scheduling in microgrids | |
CN106505631B (zh) | 智能风电风功率预测系统 | |
CN109871976A (zh) | 一种基于聚类及神经网络的含分布式电源配电网电能质量预测方法 | |
CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
CN107516145A (zh) | 一种基于加权欧氏距离模式分类的多通道光伏出力预测方法 | |
CN106022528A (zh) | 一种基于密度峰值层次聚类的光伏电站短期功率预测方法 | |
CN108734342B (zh) | 区域天气预报用于地区电网架空线路热定值概率预测方法 | |
CN107563565A (zh) | 一种考虑气象因素变化的短期光伏分解预测方法 | |
CN104123678A (zh) | 一种基于状态等级评估模型的电力继电保护状态检修方法 | |
CN112285807A (zh) | 一种气象信息预测方法及装置 | |
CN109214581A (zh) | 一种考虑风向和置信区间的铁路沿线风速预测方法 | |
CN102663264A (zh) | 桥梁结构健康监测静态参数的半监督协同评估方法 | |
CN105205495A (zh) | 基于emd-elm的非平稳脉动风速预测方法 | |
CN103400039B (zh) | 一种基于大风气象分类的风功率爬坡预测模型切换方法 | |
CN109376863A (zh) | 基于miv-bp神经网络的光伏功率短期分类预测方法 | |
CN109934395A (zh) | 一种基于分时分区气象数据的多小水电地区短期电力负荷预测方法 | |
CN110070228A (zh) | 一种神经元分支进化的bp神经网络风速预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |