CN110782081A - 一种天地联合覆冰的预测预警系统及预测预警方法 - Google Patents
一种天地联合覆冰的预测预警系统及预测预警方法 Download PDFInfo
- Publication number
- CN110782081A CN110782081A CN201911001604.7A CN201911001604A CN110782081A CN 110782081 A CN110782081 A CN 110782081A CN 201911001604 A CN201911001604 A CN 201911001604A CN 110782081 A CN110782081 A CN 110782081A
- Authority
- CN
- China
- Prior art keywords
- data
- icing
- microclimate
- monitoring
- scale
- 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
- 238000000034 method Methods 0.000 title claims abstract description 56
- 238000012544 monitoring process Methods 0.000 claims abstract description 91
- 238000000576 coating method Methods 0.000 claims abstract description 82
- 239000011248 coating agent Substances 0.000 claims abstract description 81
- 239000013307 optical fiber Substances 0.000 claims abstract description 65
- 230000004927 fusion Effects 0.000 claims abstract description 35
- 230000005540 biological transmission Effects 0.000 claims abstract description 20
- 238000007689 inspection Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000005516 engineering process Methods 0.000 claims abstract description 8
- 238000001228 spectrum Methods 0.000 claims description 17
- 238000013473 artificial intelligence Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 239000004020 conductor Substances 0.000 claims description 7
- 239000000835 fiber Substances 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004088 simulation Methods 0.000 claims description 4
- 230000006872 improvement Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000002131 composite material Substances 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000009833 condensation Methods 0.000 description 4
- 230000005494 condensation Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000001556 precipitation Methods 0.000 description 4
- 239000000725 suspension Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000008054 signal transmission Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000009191 jumping Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000005096 rolling process Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
Images
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Data Mining & Analysis (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明公开了一种天地联合覆冰的预测预警系统及预测预警方法，包括：卫星微气象监测模块，用于基于卫星遥感数据和特征数据监测微气象信息；微气象覆冰预测模块，用于基于微气象信息建立覆冰预测模型；光纤覆冰监测模块，用于基于分布式光纤传感技术，实现对地面输电线路覆冰状态监测；天基地基数据融合模块，用于将卫星遥感数据、特征数据、基于光纤监测的地面覆冰数据、实际巡检观冰数据和历史数据匹配到同一坐标系统并统一到同一尺度下，集成基于天地基多源融合数据集；广域覆冰预测模块，用于基于微气象信息、微气象覆冰预测数据、光纤覆冰监测数据和天地基多源融合数据集，模拟训练应用于大尺度下精确的覆冰预测模型。
Description
技术领域
本发明属于电网防灾减灾技术领域，涉及一种天地联合覆冰的预测预警系统及预测预警方法，具体涉及一种基于多源卫星数据及光纤输电线路监测的天地联合覆冰的预测预警系统及预测预警方法。
背景技术
输电线路的覆冰和积雪威胁着电网的安全运行，随着我国电网系统的不断延伸和发展，这种影响将更为凸显。我国电网覆盖面广，严重覆冰对电力系统安全运行有着灾难性的影响，将导致电力线路机械和电气性能的急剧下降，引起断线、倒塔、绝缘子闪络等多种事故，冰灾将直接导致输电线路受损，次生灾害给经济和社会造成的影响巨大。
传统的覆冰预测预警的方法主要包括：覆冰现象的实地观测；覆冰前、覆冰过程中以及覆冰后期的模拟试验及现场试验；覆冰数学模型的研究；覆冰概率统计地图；除冰防冰技术机理、方法和措施。
传统的覆冰预测预警的方法存在的缺陷为：基于人机巡检工作强度大、成本高、巡检周期长，复杂的地形地况给线路巡检带来了极大困难，耗费大量的人力物力也难以及时、准确地获得输电线路运行状态。
发明内容
针对上述问题中存在的不足之处，本发明提供一种天地联合覆冰的预测预警系统及预测预警方法；以解决传统的大尺度、高风险难以实现的覆冰预测预警工作，提高防灾减灾应急响应能力，大大降低成本，实现及时、高效、精准、低成本地对目标区域进行覆冰预测预警。
本发明公开了一种天地联合覆冰的预测预警系统，包括：
卫星微气象监测模块，用于基于卫星遥感数据和特征数据监测微气象信息；所述卫星遥感数据包括卫星云产品数据、气象卫星云图数据和多源卫星遥感监测获取的温湿度产品数据，所述特征数据包括气象特征数据、导地线特征数据和杆塔位置特征数据；
微气象覆冰预测模块，用于基于所述微气象信息建立覆冰预测模型，基于所述覆冰预测模型得到微气象覆冰预测数据；
光纤覆冰监测模块，用于基于分布式光纤传感技术，实现对地面输电线路覆冰状态监测；
天基地基数据融合模块，用于将所述卫星遥感数据、特征数据、地面监测站点数据、实际巡检观冰数据和历史数据匹配到同一坐标系统，统一到同一尺度下得到天地基多源融合数据集；
广域覆冰预测模块，用于基于所述微气象信息、微气象覆冰预测数据、光纤覆冰监测数据和天地基多源融合数据集，应用人工智能算法，模拟训练应用于大尺度下精确的覆冰预测模型。
作为本发明的进一步改进，所述预测预警系统实现1km*1km区域内的预测预警。
作为本发明的进一步改进，所述微气象覆冰预测模块包括：微气象覆冰增冰条件判断及微气象脱冰条件判断；
所述微气象覆冰增冰条件判断包括：
基于微气象的覆冰增减气象条件判断依据，在t时刻之前某一时间尺度tscale内，导线覆冰增长的气象条件包括：
其中
为t时刻之前某一时间尺度tscale内的平均温度，℃；
为t时刻之前某一时间尺度tscale内的平均湿度，％；
为t时刻之前某一时间尺度tscale内的平均风速，m/s；
为t时刻之前某一时间尺度tscale内的平均风向与该线路走向的夹角，°；
温度和湿度满足式(1)和式(2)为覆冰增长的基本条件，当风速满足式(3)时，有利于覆冰增长；在此基础上，当风向与该线路走向的夹角满足式(4)时，更利于覆冰增长；
所述微气象脱冰条件判断包括：
基于微气象的脱冰气象条件判断依据，主要描述为在t时刻之前某一时间尺度tscale内，导线脱冰的气象条件主要包括：
当温度、湿度和风速中有且仅有一项满足上述条件要求时，对脱冰有一定促进作用；当三项条件同时满足的程度越多，越容易形成脱冰；在三者都满足要求的基础上，风向也满足条件时，最容易发生脱冰跳跃。
作为本发明的进一步改进，所述光纤覆冰监测模块包括：
光纤覆冰监测，布里渊频谱的线性公式表示为：
进行变换后得：
式中：g0表示布里渊增益系数；
表示布里渊频谱谱宽；vB表示布里渊频谱的中心频率；
根据上式建立洛伦兹拟合模型函数：
式中：a1为布里渊散射谱峰值；a2为布里渊频谱中心频率；a3为布里渊频谱谱宽。
作为本发明的进一步改进，所述天基地基数据融合模块包括：
基于加权最小二乘的方法融合，假设为气象覆冰预测数据是光纤覆冰监测真值的线性估计，其中和
分别表示为气象覆冰预测数据和光纤监测数据集，p0实际巡检覆冰数据，p0与之间的误差用ek表示，则：
气矩阵表示为：
假设每个微气象覆冰预测数据集与光纤覆冰监测真值间的误差都是零均值且相互独立，那么微气象覆冰预测数据协方差矩阵为：
式中:
和
表示2种数据的误差、方差，其中最终融合数据表示为：
本发明还公开了一种天地联合覆冰的预测预警方法，包括：
步骤1、基于卫星遥感数据和特征数据监测微气象信息；所述卫星遥感数据包括卫星云产品数据、气象卫星云图数据和多源卫星遥感监测获取的温湿度产品数据，所述特征数据包括气象特征数据、导地线特征数据和杆塔位置特征数据；
步骤2、基于所述微气象信息建立覆冰预测模型，基于所述覆冰预测模型得到微气象覆冰预测数据；
步骤3、基于分布式光纤传感技术，实现对地面输电线路覆冰状态监测；
步骤4、天基地基数据融合模块，用于将所述卫星遥感数据、特征数据、地面覆冰状态数据、实际巡检观冰数据和历史数据匹配到同一坐标系统，得到天地基多源融合数据；
步骤5、基于所述微气象信息、微气象覆冰预测数据、光纤覆冰监测数据和天地基多源融合数据集，应用人工智能算法，模拟训练应用于大尺度下精确的覆冰预测模型。
作为本发明的进一步改进，所述预测预警系统实现1km*1km区域内的预测预警。
作为本发明的进一步改进，所述步骤2包括：微气象覆冰增冰条件判断及微气象脱冰条件判断；
所述微气象覆冰增冰条件判断包括：
基于微气象的覆冰增减气象条件判断依据，在t时刻之前某一时间尺度tscale内，导线覆冰增长的气象条件包括：
其中
为t时刻之前某一时间尺度tscale内的平均温度，℃；
为t时刻之前某一时间尺度tscale内的平均湿度，％；
为t时刻之前某一时间尺度tscale内的平均风速，m/s；
为t时刻之前某一时间尺度tscale内的平均风向与该线路走向的夹角，°；
温度和湿度满足式(1)和式(2)为覆冰增长的基本条件，当风速满足式(3)时，有利于覆冰增长；在此基础上，当风向与该线路走向的夹角满足式(4)时，更利于覆冰增长；
所述微气象脱冰条件判断包括：
基于微气象的脱冰气象条件判断依据，主要描述为在t时刻之前某一时间尺度tscale内，导线脱冰的气象条件主要包括：
当温度、湿度和风速中有且仅有一项满足上述条件要求时，对脱冰有一定促进作用；当三项条件同时满足的程度越多，越容易形成脱冰；在三者都满足要求的基础上，风向也满足条件时，最容易发生脱冰跳跃。
作为本发明的进一步改进，所述步骤3包括：
光纤覆冰监测，布里渊频谱的线性公式表示为：
进行变换后得：
式中：g0表示布里渊增益系数；
表示布里渊频谱谱宽；vB表示布里渊频谱的中心频率；
根据上式建立洛伦兹拟合模型函数：
式中：a1为布里渊散射谱峰值；a2为布里渊频谱中心频率；a3为布里渊频谱谱宽。
作为本发明的进一步改进，所述步骤4包括：
基于加权最小二乘的方法融合，假设为气象覆冰预测数据是光纤覆冰监测真值的线性估计，其中
和
分别表示为气象覆冰预测数据和光纤监测数据集，p0实际巡检覆冰数据，p0与
之间的误差用ek表示，则：
气矩阵表示为：
假设每个微气象覆冰预测数据集与光纤覆冰监测真值间的误差都是零均值且相互独立，那么微气象覆冰预测数据协方差矩阵为：
式中:
和
表示2种数据的误差、方差，其中最终融合数据表示为：
与现有技术相比，本发明的有益效果为：
本发明能实现大尺度下微气象信息的实时精准监测，并输出1km*1km的格网微气象信息数据集；
本发明基于多源卫星数据的天基地基数据集，集成了多种数据的信息，更精确地监测区域内满足覆冰、脱冰条件的各类参数及覆冰因子；
本发明基于人工智能、机器学习结合空间插值、时空动图分析等数据信息挖掘分析方法，构建大尺度下精准的覆冰预测模型，实现大尺度下1km*1km范围内的精准覆冰预测。
附图说明
图1为本发明一种实施例公开的天地联合覆冰的预测预警系统的系统框图；
图2为本发明一种实施例公开的基于微气象监测的覆冰动图过程估计模型原理图；
图3为本发明一种实施例公开的判断满足覆冰增长气象条件程度的逻辑图；
图4为本发明一种实施例公开的判断满足脱冰气象条件程度的逻辑图；
图5为本发明一种实施例公开的基于人工智能的覆冰预测模型的流程图。
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，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，所描述的实施例是本发明的一部分实施例，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做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。
本发明基于卫星遥感的覆冰预测预警，借助卫星遥感的大尺度、高频次、及时性、高效安全等突出特点，提供一种天地联合覆冰的预测预警系统及预测预警方法；本发明的预测预警系统及预测预警方法，基于天基多源卫星数据、地基地面覆冰状态监测数据等数据的融合，结合覆冰预测预警模式，实现至少提前24小时精准预测目标区域输电线路覆冰情况，有助于应急管理部门及时准确地获取目标区域的输电线路受影响情况，提前做好防灾、减灾工作，实现精确预测与及时响应相结合。
下面结合附图对本发明做进一步的详细描述：
本发明提供一种天地联合覆冰的预测预警系统，包括：卫星微气象监测模块、微气象覆冰预测模块、光纤覆冰监测模块、天基地基数据融合模块和广域覆冰预测模块；其中：
本发明的卫星微气象监测模块，用于基于卫星遥感数据和特征数据监测微气象信息；
具体为：利用同步轨道多光谱卫星云产品数据、气象卫星云图数据、多源卫星遥感监测获取的温湿度产品数据，同时考虑气象特征(温湿度、风速风向、凝结高度、降水量)、导地线特征(直径、刚度、悬挂高度)、杆塔位置特征(海拔、微地形)三大类影响因素及其他辅助因素建，利用人工智能算法可实现1km*1km区域内微气象信息内实时精准监测。
本发明的微气象覆冰预测模块，用于基于微气象信息建立覆冰预测模型，基于覆冰预测模型得到微气象覆冰预测数据；其中：基于多源卫星获取的微气象信息数据，应用空间插值法、回归分析法、贝叶斯估计法、神经网络分析法、最小二乘法等多种方法关联微气象信息数据，应用人工智能及知识学习方案建立并训练基于微气象信息数据的覆冰预测模型，实现1km*1km区域覆冰精准预测。
具体为：基于空间数据插值法建立关联微地形变化的微气象要素模型，采用逻辑推理运算法获取以微气象要素为主控因素的线路覆冰类型。利用基于卫星遥感监测的微气象实时监测数据实现目标线路局部微气象环境的感知，监测满足覆冰增减的气象参数；对每一采样时刻的数据从多个时间尺度判断是否满足覆冰或脱冰气象条件，且在越大的时间尺度内满足该条件，给定的危险程度判断等级越高，然后综合各个时间尺度下覆冰和脱冰条件辨识，得到覆冰发展程度的估计，并构建多因素联合控制的输电线路覆冰预测模型。
其中，如图2所示，基于微气象覆冰预测主要考虑微气象覆冰增冰条件判断及微气象脱冰条件判断两个方面。
微气象覆冰增冰条件判断包括：
基于微气象的覆冰增减气象条件判断依据，在t时刻之前某一时间尺度tscale内，导线覆冰增长的气象条件包括：
其中
为t时刻之前某一时间尺度tscale内的平均温度，℃；
为t时刻之前某一时间尺度tscale内的平均湿度，％；
为t时刻之前某一时间尺度tscale内的平均风速，m/s；
为t时刻之前某一时间尺度tscale内的平均风向与该线路走向的夹角，°；
温度和湿度满足式(1)和式(2)为覆冰增长的基本条件，当风速满足式(3)时，有利于覆冰增长；在此基础上，当风向与该线路走向的夹角满足式(4)时，更利于覆冰增长；因此，可以根据各气象要素满足条件要求的情况，估计t时刻之前某一时间尺度tscale内满足覆冰增长气象条件的程度
初始值为0，并用较大的数字代表较大的程度估计，因此可以得到如图3所示逻辑图。
微气象脱冰条件判断包括：
基于微气象的脱冰气象条件判断依据，主要描述为在t时刻之前某一时间尺度tscale内，导线脱冰的气象条件主要包括：
当温度、湿度和风速中有且仅有一项满足上述条件要求时，对脱冰有一定促进作用；当三项条件同时满足的程度越多，越容易形成脱冰；在三者都满足要求的基础上，风向也满足条件时，最容易发生脱冰跳跃；因此，可以根据各气象要素满足条件要求的情况，估计t时刻之前某一时间尺度tscale内满足脱冰气象条件的程度
初始值为0，用较大的数字代表较大的程度估计，因此可以得到如图4所示逻辑图。
本发明的光纤覆冰监测模块，用于基于光纤监测地面监测站点数据和光纤覆冰监测数据；其中，主要采用布里渊光时域反射传感系统，并基于分布式光纤传感技术将光纤同时作为信息的感应介质和信号的传输介质，利用输电线路已有的光纤资源如光纤复合架空地线和光纤复合相线中的空闲光纤，不需制作专门的传感器，实现对输电线路的状态监测。
具体为：主要采用布里渊光时域反射传感系统，并基于分布式光纤传感技术将光纤同时作为信息的感应介质和信号的传输介质，利用输电线路已有的光纤资源如光纤复合架空地线和光纤复合相线中的空闲光纤，不需制作专门的传感器，实现对输电线路的状态监测。相比于点式传感器，它可以对测量范围内的光纤任意一点进行测量，获取被测参量的空间分布和随时间的变化规律。
其中，光纤覆冰监测，布里渊频谱的线性公式表示为：
进行变换后得：
式中：g0表示布里渊增益系数；
表示布里渊频谱谱宽；vB表示布里渊频谱的中心频率；
根据上式建立洛伦兹拟合模型函数：
式中：a1为布里渊散射谱峰值；a2为布里渊频谱中心频率；a3为布里渊频谱谱宽；洛伦兹拟合主要运用最小二乘法算法。
本发明的天基地基数据融合模块，用于将卫星遥感数据、特征数据、地面监测站点数据、实际巡检观冰数据和历史数据匹配到同一坐标系统，得到天地基多源融合数据；可实现多源数据优势互补，提高覆冰预测准确率；
具体为：将基于卫星遥感监测的覆冰预测数据、光纤监测的覆冰数据、地面人工巡检的实际覆冰数据匹配在同一坐标系统下，并通过空间插值方法将各数据的分辨率统一在同一尺度下。通过加权最小二乘估计得到基于天地基数据融合的数据集。
其中，基于加权最小二乘的方法融合，假设为气象覆冰预测数据是光纤覆冰监测真值的线性估计，其中和
分别表示为气象覆冰预测数据和光纤监测数据集，p0实际巡检覆冰数据，p0与之间的误差用ek表示，则：
气矩阵表示为：
假设每个微气象覆冰预测数据集与光纤覆冰监测真值间的误差都是零均值且相互独立，那么微气象覆冰预测数据协方差矩阵为：
式中:
和表示2种数据的误差、方差，其中最终融合数据表示为：
本发明的广域覆冰预测模块，用于基于微气象信息、微气象覆冰预测数据、光纤覆冰监测数据和天地基多源融合数据，应用人工智能算法，模拟训练应用于大尺度下精确的覆冰预测模型；
具体为：广域精准线路覆冰预测模型综合考虑了气象(温湿度、风速风向、凝结高度、降水量)、导地线特征(直径、刚度、悬挂高度)、杆塔位置特征(海拔、微地形)三大类影响因素，并针对目标区域地形地貌特点，充分利用微气象信息、多源融合数据集并基于人工智能算法初步实现了复杂环境下的大尺度区域架空线路覆冰预测。在作业过程中可以收集每天的线路实际现场观冰数据、融冰信息与覆冰预测结果相互融合比对，指导覆冰预测模型算法的训练和滚动校正。其基本流程如图5所示。
本发明提供一种天地联合覆冰的预测预警方法，包括：
步骤1、基于卫星遥感数据和特征数据监测微气象信息；卫星遥感数据包括卫星云产品数据、气象卫星云图数据和多源卫星遥感监测获取的温湿度产品数据，特征数据包括气象特征数据、导地线特征数据和杆塔位置特征数据；
具体为：利用同步轨道多光谱卫星云产品数据、气象卫星云图数据、多源卫星遥感监测获取的温湿度产品数据，同时考虑气象特征(温湿度、风速风向、凝结高度、降水量)、导地线特征(直径、刚度、悬挂高度)、杆塔位置特征(海拔、微地形)三大类影响因素及其他辅助因素建，利用人工智能算法可实现1km*1km区域内微气象信息内实时精准监测。
步骤2、基于微气象信息建立覆冰预测模型，基于覆冰预测模型得到微气象覆冰预测数据；
具体为：基于空间数据插值法建立关联微地形变化的微气象要素模型，采用逻辑推理运算法获取以微气象要素为主控因素的线路覆冰类型。利用基于卫星遥感监测的微气象实时监测数据实现目标线路局部微气象环境的感知，监测满足覆冰增减的气象参数；对每一采样时刻的数据从多个时间尺度判断是否满足覆冰或脱冰气象条件，且在越大的时间尺度内满足该条件，给定的危险程度判断等级越高，然后综合各个时间尺度下覆冰和脱冰条件辨识，得到覆冰发展程度的估计，并构建多因素联合控制的输电线路覆冰预测模型。
其中，如图2所示，基于微气象覆冰预测主要考虑微气象覆冰增冰条件判断及微气象脱冰条件判断两个方面。
微气象覆冰增冰条件判断包括：
基于微气象的覆冰增减气象条件判断依据，在t时刻之前某一时间尺度tscale内，导线覆冰增长的气象条件包括：
其中
为t时刻之前某一时间尺度tscale内的平均温度，℃；
为t时刻之前某一时间尺度tscale内的平均湿度，％；
为t时刻之前某一时间尺度tscale内的平均风速，m/s；
为t时刻之前某一时间尺度tscale内的平均风向与该线路走向的夹角，°；
温度和湿度满足式(1)和式(2)为覆冰增长的基本条件，当风速满足式(3)时，有利于覆冰增长；在此基础上，当风向与该线路走向的夹角满足式(4)时，更利于覆冰增长；因此，可以根据各气象要素满足条件要求的情况，估计t时刻之前某一时间尺度tscale内满足覆冰增长气象条件的程度
初始值为0，并用较大的数字代表较大的程度估计，因此可以得到如图3所示逻辑图。
微气象脱冰条件判断包括：
基于微气象的脱冰气象条件判断依据，主要描述为在t时刻之前某一时间尺度tscale内，导线脱冰的气象条件主要包括：
当温度、湿度和风速中有且仅有一项满足上述条件要求时，对脱冰有一定促进作用；当三项条件同时满足的程度越多，越容易形成脱冰；在三者都满足要求的基础上，风向也满足条件时，最容易发生脱冰跳跃；因此，可以根据各气象要素满足条件要求的情况，估计t时刻之前某一时间尺度tscale内满足脱冰气象条件的程度
初始值为0，用较大的数字代表较大的程度估计，因此可以得到如图4所示逻辑图。
步骤3、于基于分布式光纤传感技术，实现对地面输电线路覆冰状态监测；
具体为：主要采用布里渊光时域反射传感系统，并基于分布式光纤传感技术将光纤同时作为信息的感应介质和信号的传输介质，利用输电线路已有的光纤资源如光纤复合架空地线和光纤复合相线中的空闲光纤，不需制作专门的传感器，实现对输电线路的状态监测。相比于点式传感器，它可以对测量范围内的光纤任意一点进行测量，获取被测参量的空间分布和随时间的变化规律。
其中，光纤覆冰监测，布里渊频谱的线性公式表示为：
进行变换后得：
式中：g0表示布里渊增益系数；
表示布里渊频谱谱宽；vB表示布里渊频谱的中心频率；
根据上式建立洛伦兹拟合模型函数：
式中：a1为布里渊散射谱峰值；a2为布里渊频谱中心频率；a3为布里渊频谱谱宽；洛伦兹拟合主要运用最小二乘法算法。
步骤4、天基地基数据融合模块，用于将卫星遥感数据、特征数据、地面覆冰状态监测数据、实际巡检观冰数据和历史数据匹配到同一坐标系统，统一到同一尺度下得到天地基多源融合数据集；
具体为：将基于卫星遥感监测的覆冰预测数据、光纤监测的覆冰数据、地面人工巡检的实际覆冰数据匹配在同一坐标系统下，并通过空间插值方法将各数据的分辨率统一在同一尺度下。通过加权最小二乘估计得到基于天地基数据融合的数据集。
其中，基于加权最小二乘的方法融合，假设为气象覆冰预测数据是光纤覆冰监测真值的线性估计，其中和
分别表示为气象覆冰预测数据和光纤监测数据集，p0实际巡检覆冰数据，p0与
之间的误差用ek表示，则：
气矩阵表示为：
假设每个微气象覆冰预测数据集与光纤覆冰监测真值间的误差都是零均值且相互独立，那么微气象覆冰预测数据协方差矩阵为：
式中:
和
表示2种数据的误差、方差，其中最终融合数据表示为：
步骤5、基于微气象信息、微气象覆冰预测数据、光纤覆冰监测数据和天地基多源融合数据，应用人工智能算法，模拟训练应用于大尺度下精确的覆冰预测模型；
具体为：广域精准线路覆冰预测模型综合考虑了气象(温湿度、风速风向、凝结高度、降水量)、导地线特征(直径、刚度、悬挂高度)、杆塔位置特征(海拔、微地形)三大类影响因素，并针对目标区域地形地貌特点，充分利用微气象信息、多源融合数据集并基于人工智能算法初步实现了复杂环境下的大尺度区域架空线路覆冰预测。在作业过程中可以收集每天的线路实际现场观冰数据、融冰信息与覆冰预测结果相互融合比对，指导覆冰预测模型算法的训练和滚动校正。其基本流程如图5所示。
以上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。
Claims (10)
1.一种天地联合覆冰的预测预警系统，其特征在于，包括：
卫星微气象监测模块，用于基于卫星遥感数据和特征数据监测微气象信息；所述卫星遥感数据包括卫星云产品数据、气象卫星云图数据和多源卫星遥感监测获取的温湿度产品数据，所述特征数据包括气象特征数据、导地线特征数据和杆塔位置特征数据；
微气象覆冰预测模块，用于基于所述微气象信息建立覆冰预测模型，基于所述覆冰预测模型得到微气象覆冰预测数据；
光纤覆冰监测模块，用于基于分布式光纤传感技术，实现对地面输电线路覆冰状态监测；
天基地基数据融合模块，用于将所述卫星遥感数据、特征数据、地面监测站点数据、实际巡检观冰数据和历史数据匹配到同一坐标系统，并统一到同一尺度下得到天地基多源融合数据集；
广域覆冰预测模块，用于基于所述微气象信息、微气象覆冰预测数据、光纤覆冰监测数据和天地基多源融合数据集，应用人工智能算法，模拟训练应用于大尺度下精确的覆冰预测模型。
2.如权利要求1所述的预测预警系统，其特征在于，所述预测预警系统实现1km*1km区域内的预测预警。
3.如权利要求1所述的预测预警系统，其特征在于，所述微气象覆冰预测模块包括：微气象覆冰增冰条件判断及微气象脱冰条件判断；
所述微气象覆冰增冰条件判断包括：
基于微气象的覆冰增减气象条件判断依据，在t时刻之前某一时间尺度tscale内，导线覆冰增长的气象条件包括：
其中
为t时刻之前某一时间尺度tscale内的平均温度，℃；为t时刻之前某一时间尺度tscale内的平均湿度，％；
为t时刻之前某一时间尺度tscale内的平均风速，m/s；
为t时刻之前某一时间尺度tscale内的平均风向与该线路走向的夹角，°；
温度和湿度满足式(1)和式(2)为覆冰增长的基本条件，当风速满足式(3)时，有利于覆冰增长；在此基础上，当风向与该线路走向的夹角满足式(4)时，更利于覆冰增长；
所述微气象脱冰条件判断包括：
基于微气象的脱冰气象条件判断依据，主要描述为在t时刻之前某一时间尺度tscale内，导线脱冰的气象条件主要包括：
当温度、湿度和风速中有且仅有一项满足上述条件要求时，对脱冰有一定促进作用；当三项条件同时满足的程度越多，越容易形成脱冰；在三者都满足要求的基础上，风向也满足条件时，最容易发生脱冰跳跃。
4.如权利要求1所述的预测预警系统，其特征在于，所述光纤覆冰监测模块包括：
光纤覆冰监测，布里渊频谱的线性公式表示为：
进行变换后得：
式中：g0表示布里渊增益系数；
表示布里渊频谱谱宽；vB表示布里渊频谱的中心频率；
根据上式建立洛伦兹拟合模型函数：
式中：a1为布里渊散射谱峰值；a2为布里渊频谱中心频率；a3为布里渊频谱谱宽。
5.如权利要求1所述的预测预警系统，其特征在于，所述天基地基数据融合模块包括：
基于加权最小二乘的方法融合，假设为气象覆冰预测数据是光纤覆冰监测真值的线性估计，其中
和
分别表示为气象覆冰预测数据和光纤监测数据集，p0实际巡检覆冰数据，p0与
之间的误差用ek表示，则：
气矩阵表示为：
假设每个微气象覆冰预测数据集与光纤覆冰监测真值间的误差都是零均值且相互独立，那么微气象覆冰预测数据协方差矩阵为：
式中：
和
表示2种数据的误差、方差，其中最终融合数据表示为：
6.一种天地联合覆冰的预测预警方法，其特征在于，包括：
步骤1、基于卫星遥感数据和特征数据监测微气象信息；所述卫星遥感数据包括卫星云产品数据、气象卫星云图数据和多源卫星遥感监测获取的温湿度产品数据，所述特征数据包括气象特征数据、导地线特征数据和杆塔位置特征数据；
步骤2、基于所述微气象信息建立覆冰预测模型，基于所述覆冰预测模型得到微气象覆冰预测数据；
步骤3、基于光纤监测的地面输电线路覆冰状态监测数据；
步骤4、天基地基数据融合模块，用于将所述卫星遥感数据、特征数据、地面覆冰状态数据、实际巡检观冰数据和历史数据匹配到同一坐标系统，得到天地基多源融合数据集；
步骤5、基于所述微气象信息、微气象覆冰预测数据、光纤覆冰监测数据和天地基多源融合数据，应用人工智能算法，模拟训练应用于大尺度下精确的覆冰预测模型。
7.如权利要求6所述的预测预警方法，其特征在于，所述预测预警系统实现1km*1km区域内的预测预警。
8.如权利要求6所述的预测预警方法，其特征在于，所述步骤2包括：微气象覆冰增冰条件判断及微气象脱冰条件判断；
所述微气象覆冰增冰条件判断包括：
基于微气象的覆冰增减气象条件判断依据，在t时刻之前某一时间尺度tscale内，导线覆冰增长的气象条件包括：
其中为t时刻之前某一时间尺度tscale内的平均温度，℃；
为t时刻之前某一时间尺度tscale内的平均湿度，％；
为t时刻之前某一时间尺度tscale内的平均风速，m/s；
为t时刻之前某一时间尺度tscale内的平均风向与该线路走向的夹角，°；
温度和湿度满足式(1)和式(2)为覆冰增长的基本条件，当风速满足式(3)时，有利于覆冰增长；在此基础上，当风向与该线路走向的夹角满足式(4)时，更利于覆冰增长；
所述微气象脱冰条件判断包括：
基于微气象的脱冰气象条件判断依据，主要描述为在t时刻之前某一时间尺度tscale内，导线脱冰的气象条件主要包括：
当温度、湿度和风速中有且仅有一项满足上述条件要求时，对脱冰有一定促进作用；当三项条件同时满足的程度越多，越容易形成脱冰；在三者都满足要求的基础上，风向也满足条件时，最容易发生脱冰跳跃。
9.如权利要求6所述的预测预警方法，其特征在于，所述步骤3包括：
光纤覆冰监测，布里渊频谱的线性公式表示为：
进行变换后得：
式中：g0表示布里渊增益系数；
表示布里渊频谱谱宽；vB表示布里渊频谱的中心频率；
根据上式建立洛伦兹拟合模型函数：
式中：a1为布里渊散射谱峰值；a2为布里渊频谱中心频率；a3为布里渊频谱谱宽。
10.如权利要求6所述的预测预警方法，其特征在于，所述步骤4包括：
基于加权最小二乘的方法融合，假设为气象覆冰预测数据是光纤覆冰监测真值的线性估计，其中
和
分别表示为气象覆冰预测数据和光纤监测数据集，p0实际巡检覆冰数据，p0与之间的误差用ek表示，则：
气矩阵表示为：
假设每个微气象覆冰预测数据集与光纤覆冰监测真值间的误差都是零均值且相互独立，那么微气象覆冰预测数据协方差矩阵为：
式中：
和
表示2种数据的误差、方差，其中最终融合数据表示为：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911001604.7A CN110782081B (zh) | 2019-10-21 | 2019-10-21 | 一种天地联合覆冰的预测预警系统及预测预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911001604.7A CN110782081B (zh) | 2019-10-21 | 2019-10-21 | 一种天地联合覆冰的预测预警系统及预测预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110782081A true CN110782081A (zh) | 2020-02-11 |
| CN110782081B CN110782081B (zh) | 2022-06-24 |
Family
ID=69386191
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911001604.7A Active CN110782081B (zh) | 2019-10-21 | 2019-10-21 | 一种天地联合覆冰的预测预警系统及预测预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110782081B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140067271A1 (en) * | 2012-08-30 | 2014-03-06 | International Business Machines Corporation | Predicting ice coating status on transmission lines |
| CN104778517A (zh) * | 2015-04-30 | 2015-07-15 | 国家电网公司 | 基于微气象与卫星遥感数据的微气象灾害预警方法及系统 |
| CN107480826A (zh) * | 2017-08-18 | 2017-12-15 | 国网四川省电力公司电力科学研究院 | 基于gis的输电线路覆冰预警三维系统的应用 |
| 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 |
-
2019
- 2019-10-21 CN CN201911001604.7A patent/CN110782081B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140067271A1 (en) * | 2012-08-30 | 2014-03-06 | International Business Machines Corporation | Predicting ice coating status on transmission lines |
| CN104778517A (zh) * | 2015-04-30 | 2015-07-15 | 国家电网公司 | 基于微气象与卫星遥感数据的微气象灾害预警方法及系统 |
| CN107480826A (zh) * | 2017-08-18 | 2017-12-15 | 国网四川省电力公司电力科学研究院 | 基于gis的输电线路覆冰预警三维系统的应用 |
| 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 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
| CN117313537B (zh) * | 2023-09-28 | 2024-03-08 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110782081B (zh) | 2022-06-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114005278B (zh) | 一种高速公路基础设施群智能监测与预警系统及方法 | |
| KR101531224B1 (ko) | 이중편파 레이더 기반의 강수 추정 시스템 및 그 방법 | |
| CN113159475B (zh) | 基础设施全生命周期监测平台及方法 | |
| CN109541602B (zh) | 一种多普勒雷达气象矢量化电网精细预警及调控系统 | |
| CN111026150A (zh) | 一种利用无人机进行输电线路地质灾害预警系统及方法 | |
| CN107356926A (zh) | 基于Hu矩的差值云团外推降雨预测算法 | |
| CN112946657B (zh) | 强对流天气中地面风场的识别方法 | |
| CN112488477A (zh) | 高速公路应急管理系统及方法 | |
| Zhang et al. | Power line simulation for safety distance detection using point clouds | |
| CN116428992A (zh) | 基于激光点云输电线覆冰厚度检测与融冰防灾方法及系统 | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN115585731A (zh) | 空天地一体化水电站空间状态智能监控管理系统及其方法 | |
| CN110782081B (zh) | 一种天地联合覆冰的预测预警系统及预测预警方法 | |
| CN116384733A (zh) | 一种强对流天气下基于气象雷达的输电线路风险预警方法 | |
| CN103914737A (zh) | 一种输变电线路全线路现地气象信息计算方法 | |
| CN114445585B (zh) | 站房结构安全监测系统 | |
| CN117313537B (zh) | 数据驱动的覆冰预测方法及系统 | |
| CN211740385U (zh) | 一种基于多种监测指标的危岩体崩塌实时预警系统 | |
| CN117177096A (zh) | 一种基于窄带卫星网络的高压输电线路监测方法及系统 | |
| CN112948352A (zh) | 一种构建大气光学湍流时空特征及概率化数据库的方法 | |
| CN114779370B (zh) | 一种结合卫星云图与数值评估的降水预报方法及系统 | |
| CN115047544B (zh) | 一种覆冰预警方法及系统 | |
| CN114676540B (zh) | 一种基于多信息融合的架空输电线路覆冰舞动预测方法 | |
| CN108510098B (zh) | 基于卫星遥感的输电线路走廊雪深估算与预警方法及系统 | |
| CN116989681A (zh) | 一种输电线路的导线弧垂在线监测方法 |
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 |