CN110598932A - 基于融合天气特征的输电走廊覆冰预警方法 - Google Patents
基于融合天气特征的输电走廊覆冰预警方法 Download PDFInfo
- Publication number
- CN110598932A CN110598932A CN201910868320.1A CN201910868320A CN110598932A CN 110598932 A CN110598932 A CN 110598932A CN 201910868320 A CN201910868320 A CN 201910868320A CN 110598932 A CN110598932 A CN 110598932A
- Authority
- CN
- China
- Prior art keywords
- icing
- weather
- historical
- power transmission
- factors
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/248—Presentation of query results
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24137—Distances to cluster centroïds
- G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明公开了一种基于多源数据的输电走廊覆冰预警方法,对输电走廊进行线路划分,根据需要确定各条线路所在地区产生覆冰的环境因素与天气因素,从历史数据中获取各地区若干历史时刻的环境因素和天气因素数据以及是否存在覆冰的标签,分别对环境因素和天气因素进行量化,得到环境参数向量和天气编码向量并拼接得到覆冰因素向量,结合对应覆冰标签对预设的分类模型进行训练,得到覆冰预测模型,在应用时获取各条线路当前的覆冰因素向量,输入对应覆冰预测模型,即可得到覆冰预测概率,并叠加到输电走廊的电子地图上进行展示。本发明通过对环境因素和天气因素的历史数据进行量化,作为训练样本训练得到覆冰预测模型,使覆冰预测结果更加准确。
Description
技术领域
本发明属于输电走廊覆冰预警技术领域,更为具体地讲,涉及一种基于融合天气特征的输电走廊覆冰预警方法。
背景技术
覆冰是一种自然现象,就电力系统而言,覆冰是自然灾害。架空输电线路和设备覆冰,一直都是威胁电网安全稳定运行的重要因素。架空导线覆冰可引起线路过载、不同期或不均匀脱冰、导线舞动、冰闪等一系列现象,造成大量因覆冰导致的断线、倒塔、绝缘子闪络等多种事故,进而导致电力线路机械和电气性能的急剧下降,造成巨大的经济损失。
针对以上情况,业内通过某一区域内覆冰影响因子研究、覆冰模型研究、输电线路覆冰模型研究,结合电网覆冰监测历史数据,绘制准确的冰区概率分布图,可以有效覆冰事故的发生。
目前,国际上主要是从气象学、流体力学、热力学的角度进行输电线路导线和绝缘子覆冰机理研究。对覆冰预测模型的研究已由Lenhard经验模型、Kuoiwa简单概念模型发展到Makkonen复杂概念模型及雨凇雾凇混合冻结的数值计算模型。但是在针对特定地区时,在验证这些模型的时候发现对于导线覆冰的预测并不准确。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于融合天气特征的输电走廊覆冰预警方法,通过对环境因素和天气因素的历史数据进行量化,并对天气特征进行融合,构建覆冰因素向量作为训练样本训练得到覆冰预测模型,使覆冰预测结果更加准确。
为实现上述发明目的,本发明基于融合天气特征的输电走廊覆冰预警方法包括以下步骤:
S1:对输电走廊进行线路划分,记所得到的线路数量为D;根据需要确定各条线路所在地区产生覆冰的环境因素与天气因素,记环境因素中包含M种环境参数,天气因素中包含N种天气情况;
S2:对于各条线路分别选择若干历史时刻,在历史数据中获取每个历史时刻时Md种环境参数的值和所处的天气情况,以及该历史时刻前K个历史时刻和后K个历史时刻所处的天气情况,K的值根据实际需要确定,并根据该历史时刻时线路是否覆冰设置该历史时刻所对应的覆冰标签;
统计存在覆冰时的天气情况,得到出现覆冰的天气情况的概率分布,对天气情况的概率值进行归一化,将归一化得到的概率值作为该天气情况的特征值;
S3:对于每条线路的每个历史时刻,对其每种环境参数分别进行归一化处理,然后将归一化后的M种环境参数的值构成环境参数向量A=[a1,a2,…,aM],am表示第m种环境参数归一化后的值,m=1,2,…,M;
根据每条线路当前历史时刻、当前历史时刻前K个历史时刻以及后K个历史时刻所处的天气情况,得到对应的融合天气特征值,具体方法为:根据需要设置2K+1个历史时刻的权重Wk,记第k个历史时刻的天气情况的特征值为Fk,其中k=-K,-K+1,…,0,1,…K,k=0表示当前历史时刻,k<0表示当前历史时刻之前的第|k|个历史时刻,k>0表示当前历史时刻之后的第k个历史时刻,计算得到融合天气特征值
根据以上数据构建得到当前历史时刻的覆冰因素向量C=[a1,a2,…,aM,B];
S4:设置一个分类模型,将所有线路在各个历史时刻的覆冰因素向量作为输入,对应的覆冰标签作为期望输出,对该分类模型进行训练,训练得到的分类模型即为覆冰预测模型;;
S5:获取当前各条线路所在地的环境因素和天气因素,按照步骤S3中的相同方法获取覆冰因素向量,输入覆冰预测模型,将覆冰预测模型输出的值作为当前该条线路存在覆冰的预测概率;
S6:将步骤S5得到的各条线路的覆冰预测概率叠加到输电走廊的电子地图上,得到输电走廊的覆冰预测概率分布图进行展示。
本发明基于融合天气特征的输电走廊覆冰预警方法,对输电走廊进行线路划分,根据需要确定各条线路所在地区产生覆冰的环境因素与天气因素,从历史数据中获取各地区若干历史时刻的环境因素和天气因素数据以及是否存在覆冰的标签,分别对环境因素和天气因素进行量化,得到环境参数向量和天气编码向量并拼接得到覆冰因素向量,结合对应覆冰标签对预设的分类模型进行训练,得到覆冰预测模型,在应用时获取各条线路当前的覆冰因素向量,输入对应覆冰预测模型,即可得到覆冰预测概率,并叠加到输电走廊的电子地图上进行展示。
本发明具有以下技术效果:
1)本发明通过对线路所在区域的环境因素和天气因素进行数据化处理,可以训练出较好的覆冰预测模型;
2)本发明可以分区域进行覆冰预测,使得得到的覆冰结果更加准确,防灾更加及时与精确。
附图说明
图1是本发明基于多源数据的输电走廊覆冰预警方法的具体实施方式流程图;
图2是本实施例中天气概率分布图;
图3是本实施例中某输电走廊的覆冰预测概率分布图示例图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述,以便本领域的技术人员更好地理解本发明。需要特别提醒注意的是,在以下的描述中,当已知功能和设计的详细描述也许会淡化本发明的主要内容时,这些描述在这里将被忽略。
实施例
图1是本发明基于多源数据的输电走廊覆冰预警方法的具体实施方式流程图。如图1所示,本发明基于融合天气特征的输电走廊覆冰预警方法的具体步骤包括:
S101:确定线路覆冰因素:
对输电走廊进行线路划分,例如可以根据地形、海拔等进行划分,记所得到的线路数量为D。根据需要确定各条线路所在地区产生覆冰的环境因素与天气因素,记环境因素中包含M种环境参数,天气因素中包含N种天气情况。本实施例中各条线路的环境因素均包括4种环境参数:温度、湿度、风速、风向,天气因素均包括11种天气情况:晴、阴、多云、小雨、阵雨、中雨、大雨、雨夹雪、小雪、中雪、大雪。
S102:获取覆冰历史数据:
对于各条线路分别选择若干历史时刻,在历史数据中获取每个历史时刻时M种环境参数的值和所处的天气情况,以及该历史时刻前K个历史时刻和后K个历史时刻所处的天气情况,K的值根据实际需要确定,并根据该历史时刻时线路是否覆冰设置该历史时刻所对应的覆冰标签,例如标签为1表示该历史时刻存在覆冰,标签为0表示该历史时刻不存在覆冰。
统计存在覆冰时的天气情况,得到出现覆冰的天气情况的概率分布,对天气情况的概率值进行归一化,将归一化得到的概率值作为该天气情况的特征值。
归一化的具体公式如下:
其中,f表示天气情况的原始概率值,f*表示归一化后的天气情况的概率值,max、min分别表示N个天气情况原始概率值中的最大值和最小值。
图2是本实施例中天气概率分布图。如图2所示可以得到各种天气情况的概率,例如小雨的概率值为0.4554,由于小雨的概率值是最大值,因此归一化后小雨的权重为1。
S103:覆冰历史数据处理:
由于本发明中覆冰因素包括环境因素和天气因素两类,其数据含义差别较大,因此需要分别进行数据处理。
对于环境因素而言,由于各环境参数的量纲不同,例如本实施例中温度范围-20℃~26℃,湿度范围0~100、风速范围0~20、风向范围0~359°,为了消除量纲影响,对环境参数进行归一化处理。具体方法为:
对于每条线路的每个历史时刻,对其每种环境参数分别进行归一化处理,即令环境参数值位于[0,1]范围内。具体公式如下:
其中,x表示环境参数的原始值,x*表示环境参数归一化后的值,max′、min′分别表示该环境参数的最大值和最小值。
然后将归一化后的M种环境参数的值构成环境参数向量A=[a1,a2,…,aM],am表示第m种环境参数归一化后的值,m=1,2,…,M。
根据每条线路当前历史时刻、当前历史时刻前K个历史时刻以及后K个历史时刻所处的天气情况,得到对应的融合天气特征值,具体方法为:根据需要设置2K+1个历史时刻的权重Wk,记第k个历史时刻的天气情况的特征值为Fk,其中k=-K,-K+1,…,0,1,…K,k=0表示当前历史时刻,k<0表示当前历史时刻之前的第k个历史时刻,k>0表示当前历史时刻之后的第k个历史时刻,计算得到融合天气特征值
根据以上数据构建得到当前历史时刻的覆冰因素向量C=[a1,a2,…,aM,B]。
本实施例中设置K=1,即有3个历史时刻。假设前1个历史时刻的权重为0.3,当前历史时刻的权重为0.5,后1个历史时刻的权重为0.2,假设3个时刻的天气均为小雨,则融合天气特征值为1*0.3+1*0.5+0.2*0.2=1。由于本实施例中环境因素有4种,天气情况有11种,假设K=1,那么最终得到的覆冰因素向量为5维向量。可见,本发明通过计算融合特征值,可以将多个历史时刻的天气情况融合为一个值,可以有效降低最终的覆冰因素向量的维度。
S104:覆冰预测模型训练:
设置一个分类模型,将所有线路在各个历史时刻的覆冰因素向量作为输入,对应的覆冰标签作为期望输出,对该分类模型进行训练,训练得到的分类模型即为覆冰预测模型。
本实施例的分类模型采用基于RBF(径向基核函数)的SVM(支撑向量机)模型,在训练过程中可以采用交叉训练,在采用历史数据训练完成后,还可以对分类模型进行校准,具体方法为:
获取线路所在地区的环境因素和天气因素,按照步骤S103中的相同方法获取覆冰因素向量,输入覆冰预测模型,得到该条线路存在覆冰的预测概率,然后结合线路所在地区的人工观冰反馈结果,对分类模型进行参数调整。
S105:覆冰预测:
获取当前各条线路所在地的环境因素和天气因素,按照步骤S103中的相同方法获取覆冰因素向量,输入覆冰预测模型,将覆冰预测模型输出的值作为当前该条线路存在覆冰的预测概率。
S106:覆冰结果显示:
将步骤S105得到的各条线路的覆冰预测概率叠加到输电走廊的电子地图上,得到输电走廊的覆冰预测概率分布图进行展示。在实际应用时,可以根据覆冰预测概率所在区间采用不同颜色或亮度在电子地图中对所在地区进行标识,一般来说,覆冰预测概率越大,其颜色或亮度越显眼。当某条线路的覆冰预测概率大于预设阈值时,可以发出预警提示。
图3是本实施例中某输电走廊的覆冰预测概率分布图示例图。如图3所示,粗线表示经人工现场观冰确认存在覆冰的线路,所在区域的亮度代表覆冰预测概率的大小,颜色越暗表示覆冰预测概率越大,对比可知覆冰预测概率与人工现场观冰的结果一致,可见采用本发明可以实现较为准确的输电走廊覆冰预警。
尽管上面对本发明说明性的具体实施方式进行了描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
Claims (4)
1.一种基于融合天气特征的输电走廊覆冰预警方法,其特征在于包括以下步骤:
S1:对输电走廊进行线路划分,记所得到的线路数量为D;根据需要确定各条线路所在地区产生覆冰的环境因素与天气因素,记环境因素中包含M种环境参数,天气因素中包含N种天气情况;
S2:对于各条线路分别选择若干历史时刻,在历史数据中获取每个历史时刻时M种环境参数的值和所处的天气情况,以及该历史时刻前K个历史时刻和后K个历史时刻所处的天气情况,K的值根据实际需要确定,并根据该历史时刻时线路是否覆冰设置该历史时刻所对应的覆冰标签;
统计存在覆冰时的天气情况,得到出现覆冰的天气情况的概率分布,对天气情况的概率值进行归一化,将归一化得到的概率值作为该天气情况的特征值;
S3:对于每条线路的每个历史时刻,对其每种环境参数分别进行归一化处理,然后将归一化后的M种环境参数的值构成环境参数向量A=[a1,a2,…,aM],am表示第m种环境参数归一化后的值,m=1,2,…,M;
根据每条线路当前历史时刻、当前历史时刻前K个历史时刻以及后K个历史时刻所处的天气情况,得到对应的融合天气特征值,具体方法为:根据需要设置2K+1个历史时刻的权重Wk,记第k个历史时刻的天气情况的特征值为Fk,其中k=-K,-K+1,…,0,1,…K,k=0表示当前历史时刻,k<0表示当前历史时刻之前的第|k|个历史时刻,k>0表示当前历史时刻之后的第k个历史时刻,计算得到融合天气特征值
根据以上数据构建得到当前历史时刻的覆冰因素向量C=[a1,a2,…,aM,B];
S4:设置一个分类模型,将所有线路在各个历史时刻的覆冰因素向量作为输入,对应的覆冰标签作为期望输出,对该分类模型进行训练,训练得到的分类模型即为覆冰预测模型;;
S5:获取当前各条线路所在地的环境因素和天气因素,按照步骤S3中的相同方法获取覆冰因素向量,输入覆冰预测模型,将覆冰预测模型输出的值作为当前该条线路存在覆冰的预测概率;
S6:将步骤S5得到的各条线路的覆冰预测概率叠加到输电走廊的电子地图上,得到输电走廊的覆冰预测概率分布图进行展示。
2.根据权利要求1所述的输电走廊覆冰预警方法,其特征在于,所述步骤S1中各条线路的环境因素包括4种环境参数:温度、湿度、风速、风向,天气因素包括11种天气情况:晴、阴、多云、小雨、阵雨、中雨、大雨、雨夹雪、小雪、中雪、大雪。
3.根据权利要求1所述的输电走廊覆冰预警方法,其特征在于,所述步骤S4中分类模型采用基于RBF的SVM模型。
4.根据权利要求1所述的输电走廊覆冰预警方法,其特征在于,所述步骤S6中根据覆冰预测概率所在区间采用不同颜色或亮度在电子地图中对所在地区进行标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868320.1A CN110598932B (zh) | 2019-09-11 | 2019-09-11 | 基于融合天气特征的输电走廊覆冰预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910868320.1A CN110598932B (zh) | 2019-09-11 | 2019-09-11 | 基于融合天气特征的输电走廊覆冰预警方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110598932A true CN110598932A (zh) | 2019-12-20 |
CN110598932B CN110598932B (zh) | 2022-04-19 |
Family
ID=68859414
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910868320.1A Active CN110598932B (zh) | 2019-09-11 | 2019-09-11 | 基于融合天气特征的输电走廊覆冰预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110598932B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214860A (zh) * | 2020-10-30 | 2021-01-12 | 国网湖南省电力有限公司 | 输电线路脱冰跳跃故障预测方法、装置、介质和电子设备 |
CN115047543A (zh) * | 2022-08-16 | 2022-09-13 | 成都信息工程大学 | 一种输电走廊降水预警方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104089634A (zh) * | 2014-07-07 | 2014-10-08 | 电子科技大学 | 一种输电线缆舞动和覆冰远程在线监测系统及监测方法 |
CN104361414A (zh) * | 2014-11-24 | 2015-02-18 | 武汉大学 | 一种基于相关向量机的输电线路覆冰预测方法 |
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 |
US20150221221A1 (en) * | 2014-02-03 | 2015-08-06 | Visualogistic Technologies, Inc. | Wireless traffic congestion and hazardous condition detection and warning system |
CN105160599A (zh) * | 2015-09-17 | 2015-12-16 | 上海电力学院 | 基于滤波和支持向量机的电力线路覆冰评估方法 |
CN108627832A (zh) * | 2018-05-11 | 2018-10-09 | 电子科技大学 | 一种基于多时序sar图像提取输电通道地表形变的方法 |
CN109766912A (zh) * | 2018-12-07 | 2019-05-17 | 国电南瑞科技股份有限公司 | 一种基于卡尔曼滤波与支持向量机的输电线路覆冰评估方法和系统 |
-
2019
- 2019-09-11 CN CN201910868320.1A patent/CN110598932B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150221221A1 (en) * | 2014-02-03 | 2015-08-06 | Visualogistic Technologies, Inc. | Wireless traffic congestion and hazardous condition detection and warning system |
CN104089634A (zh) * | 2014-07-07 | 2014-10-08 | 电子科技大学 | 一种输电线缆舞动和覆冰远程在线监测系统及监测方法 |
CN104361414A (zh) * | 2014-11-24 | 2015-02-18 | 武汉大学 | 一种基于相关向量机的输电线路覆冰预测方法 |
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 |
CN105160599A (zh) * | 2015-09-17 | 2015-12-16 | 上海电力学院 | 基于滤波和支持向量机的电力线路覆冰评估方法 |
CN108627832A (zh) * | 2018-05-11 | 2018-10-09 | 电子科技大学 | 一种基于多时序sar图像提取输电通道地表形变的方法 |
CN109766912A (zh) * | 2018-12-07 | 2019-05-17 | 国电南瑞科技股份有限公司 | 一种基于卡尔曼滤波与支持向量机的输电线路覆冰评估方法和系统 |
Non-Patent Citations (5)
Title |
---|
HOU HUILU 等: ""Early warning of ice-coating of transmission lines based on grey prediction method and real-time graphs"", 《ENGINEERING JOURNAL OF WUHAN UNIVERSITY》 * |
YI LUOYI 等: ""Research on power transmission line ice prediction system based on BP Neural Network"", 《PROCEEDINGS OF THE 2012 INTERNATIONAL CONFERENCE ON MEASUREMENT, INFORMATION AND CONTROL》 * |
陈勇 等: ""基于PCA-GA-LSSVM的输电线路覆冰负荷在线预测模型"", 《电力系统保护与控制》 * |
陈彦: ""基于流体力学的输电线路覆冰形态数值模拟研究与试验验证"", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
马天男: ""基于大数据的电网覆冰灾害预测与风险管理研究"", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112214860A (zh) * | 2020-10-30 | 2021-01-12 | 国网湖南省电力有限公司 | 输电线路脱冰跳跃故障预测方法、装置、介质和电子设备 |
CN115047543A (zh) * | 2022-08-16 | 2022-09-13 | 成都信息工程大学 | 一种输电走廊降水预警方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110598932B (zh) | 2022-04-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109958588B (zh) | 结冰预测方法、装置、存储介质、模型生成方法及装置 | |
CN102938021B (zh) | 一种输电线路覆冰负荷定量估计及预测方法 | |
CN110598932B (zh) | 基于融合天气特征的输电走廊覆冰预警方法 | |
CN111160620B (zh) | 一种基于端到端记忆网络的短期风电功率预测方法 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN109948839B (zh) | 架空输电线路舞动风险的预测和预警方法及系统 | |
CN111260126A (zh) | 计及天气与气象因子关联度的短期光伏发电预测方法 | |
CN110705397A (zh) | 一种适用于现场样本量少的YOLOv3剪枝识别绝缘子缺陷方法 | |
CN115240075B (zh) | 电力视觉多粒度预训练大模型的构建与训练方法 | |
CN116310350B (zh) | 基于图卷积和半监督学习网络的城市场景语义分割方法 | |
CN110633851B (zh) | 基于多源数据的输电走廊覆冰预警方法 | |
Li et al. | Multivariable time series prediction for the icing process on overhead power transmission line | |
CN114912355A (zh) | 输电线路短期覆冰预测方法、装置和存储介质 | |
CN110853089A (zh) | 一种基于多因素的模拟导线覆冰厚度算法 | |
CN107316109B (zh) | 架空线路冬季近地面风速预测方法、系统及装置 | |
CN115047544B (zh) | 一种覆冰预警方法及系统 | |
He et al. | A novel deep learning model for transmission line icing thickness prediction | |
CN114692937A (zh) | 一种基于主变负载影响因素预测的主变负载预测方法 | |
CN110782081B (zh) | 一种天地联合覆冰的预测预警系统及预测预警方法 | |
CN114186726A (zh) | 气象数据处理方法、基于气象数据的提示方法及装置 | |
CN112446525A (zh) | 一种输电导线舞动预警方法及装置 | |
CN114202091A (zh) | 印度洋偶极子指数预测方法 | |
Li et al. | SVM-based prediction method for icing process of overhead power lines | |
CN115830813B (zh) | 一种基于ai技术的自然灾害监测预警系统 | |
CN117131783B (zh) | 基于多模态学习的输电线路风险预测模型、方法和系统 |
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 |