CN110909453A - 一种基于eemd的输电线路覆冰等级预测方法 - Google Patents

Abstract

本发明提供一种基于EEMD的输电线路覆冰等级预测方法，包括：S1、对原始覆冰数据进行预处理，剔除掉噪声和不完整的数据；S2、采用EEMD特征提取算法，将预处理后的原始数据中的气象和力学性时间序列数据分解成一系列频率由高到低的IMF；S3、使用分解后IMF矩阵数据替代原始数据，作为预测模型的输入数据；S4、将输入数据分为训练数据以及测试数据，根据训练数据对BP神经网络进行训练，建立输电线路的覆冰等级预测模型，使用测试数据进行模型测试。本发明的有益效果：利用现有数据集建立预测模型，大大降低了实际应用成本；擅长处理多模态性及异质性数据的特点，对于稀疏的代价敏感的高覆冰等级预测，本发明有较高的准确率。

Description

一种基于EEMD的输电线路覆冰等级预测方法

技术领域

本发明涉及电力系统灾害预警技术领域，尤其涉及一种基于EEMD的输电线路覆冰等级预测方法。

背景技术

输电线路作为电力系统不可或缺的一部分，为防止因输电线路覆冰而造成线路倒塌等电网大面积灾害，同时又要降低输电线路时时监控成本，预测输电线路覆冰厚度至关重要。目前，大部分输电线路在线监控系统，收集到的都是一些非线性、多模态性以及异质性的高维高频数据，数据中可能含有大量的噪声。传统的输电线路覆冰等级预测方法对于某一具体日期的输电线路覆冰状况的预测，都是基于原始数据的模型学习或数据处理，难以逃脱数据噪声的影响，特别是对于存在数据噪声的某一具体日期，预测的精确度难以保证。另一方面，传统的输电线路覆冰等级预测方法难以规避多模态性以及异质性的高维数据的影响，特别是对于突发性气候变化引起的输电线路覆冰变化的预测。因此，如何在有效利用多模态性以及异质性的高维数据的同时规避数据噪声对于预测模型精确性的影响，是传统输电线路覆冰等级预测的难点。

发明内容

有鉴于此，本发明提供了一种基于自适应时频域特征提取方法(EnsembleEmpirical Mode Decomposition，EEMD)的输电线路覆冰等级预测方法，对覆冰数据中的气象数据和力学性数据进行自适应分解，利用分解后得到的本征模态函数(IMF)集合代替原始数据，对误差逆传播多层前馈神经网络(BP神经网络)模型进行训练与预测，最终实现输电线路覆冰等级预测模型的构建。

本发明提供一种基于EEMD的输电线路覆冰等级预测方法，包括以下步骤：

S1、数据预处理：获取输电线路覆冰等级的原始数据，对所述原始数据进行预处理，剔除掉噪声和不完整的数据；

S2、EEMD数据分解与特征提取：采用EEMD特征提取算法，将预处理后的原始数据中的气象和力学性时间序列数据X(t)，分解成残余项以及一系列频率由高到低的本征模态函数；具体地：

首先对所述时间序列数据X(t)在其时频空间均匀地添加m次高斯白噪声ω_i(t),i＝1,2,L,m，得到信号序列x_i(t),i＝1,2,L,m，其中x_i(t)＝X(t)+ω_i(t)；接着将序列x_i(t)中的每一个信号均分解成n个本征模态函数h_ij(t)和一个残差r_in(t)相加的形式：

然后将序列x_i(t),i＝1,2,L m中对应位置上的本征模态函数进行平均，得到所述数据X(t)的每一个单独的本征模态函数H_j(t)：

同样地，对残差也进行平均化处理得到残余项数据R(t)：

最后所述数据X(t)分解后得到残余项以及一系列本征模态函数为：

S3、数据合成：将经步骤S2中分解后的残余项R(t)剔除，使用本征模态函数构成的矩阵数据替代原始数据，作为预测模型的输入数据；

S4、预测模型的建立与测试：将输入数据分成训练数据以及测试数据，根据所述训练数据对BP神经网络进行训练，建立输电线路的覆冰等级预测模型，使用所述测试数据进行模型测试；利用测试完成的输电线路覆冰等级预测模型，输入经步骤S1、S2、S3处理后的数据，得到覆冰等级的预测结果。

进一步地，所述原始数据包括基本信息数据、图像数据、气象和力学性数据，其中，所述基本信息数据包括终端名称、记录时间日期；所述气象数据包括温度、湿度、降雨量、光照强度；所述力学数据包括导线最大最小张力、拉力、风偏角；所述原始数据中每一样本均包括相应的覆冰等级记录，所述等级一共分为6个状态，分别对应状态0-5，其中状态0表示输电线路未覆冰状态，状态1-5依次表示输电线路覆冰等级越来越严重。

进一步地，所述步骤S1中，预处理的具体过程为：对于不完整的数据，采用K近邻算法进行预处理，先根据欧式距离确定距离具有缺失数据的样本最近的K个近邻样本，将这K个近邻样本的数据加权平均来估计所述样本的缺失数据，若所述K个近邻样本中也存在缺失数据的情况，则依次向两边扩展，直到取够K个近邻样本为止；对于噪声，直接将其视为缺失数据，同样使用K近邻算法进行处理。

进一步地，所述步骤S2中对于任一信号x_i(t)，若满足EMD分解条件且分解得到的本征模态函数的数量大于等于9，则分解后的本征模态函数取前9个，n＝9；否则，不对信号x_i(t)进行分解，所述信号x_i(t)的本征模态函数为信号本身。

进一步地，所述步骤S3的具体过程为：将经步骤S2中分解后的残余项R(t)剔除，然后结合原始数据中的图片数据以及分解得到的本征模态函数，组成BP神经网络预测模型的特征数据，原始数据中对应的覆冰等级记录数据作为标签数据，共同构成BP神经网络的输入数据。

进一步地，所述步骤S4中的BP神经网络采用输入层、隐含层、以及输出层三层网络结构，其中输入层的节点数M为步骤S3中得到的输入数据的特征数据的维度，输出层的节点数N为覆冰等级数量，隐含层的节点数为：

式中，round(*)函数表示四舍五入函数，rand(1)函数表示产生在(0,1)之间均匀分布的随机数。

进一步地，所述步骤S4中BP神经网络的训练过程为：

S401、初始化BP神经网络的各层权值，设定迭代目标，并使用归一化函数对所述输入数据进行处理，将所述输入数据归一化到[-1,1]之间；

S402、向所述BP神经网络中输入训练数据的特征数据样本；

S403、计算隐含层、输出层的各单元输出，得到预测数据，计算所述预测数据与所述特征数据对应的标签数据的输出偏量；

S404、判断所述输出偏量是否小于所述迭代目标，若是，则所述BP神经网络的模型训练结束，输出固定的权值以及阈值，完成对输电线路覆冰等级预测模型的构建，否则执行步骤S405；

S405、计算BP神经网络中的神经元的误差及误差梯度，对BP神经网络中的权值进行更新，回到步骤S403。

本发明提供的技术方案带来的有益效果是：

(1)应用非线性、多模态性及异质性的数据进行覆冰预测时，本发明有效地提高了输电线路覆冰等级预测的准确度；

(2)本发明应用于现有监控系统获得的数据集，不需要对监控系统做出任何改动，只需利用现有数据集建立预测模型即可，大大降低了实际应用成本；

(3)实际生活中，高覆冰厚度是小概率事件，但是其危害性最大，而本发明由于其擅长处理多模态性及异质性数据的特点，对于稀疏的代价敏感的高覆冰等级预测，本发明有较高的准确率。

附图说明

图1是本发明实施例提供的基于EEMD的输电线路覆冰等级预测方法的流程图；

图2是本发明实施例提供的利用EEMD算法分解时频域信号的实施过程图；

图3是本发明实施例提供的BP神经网络的结构示意图；

图4是本发明实施例提供的BP神经网络的训练过程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述。

请参考图1，本发明的实施例提供了一种基于EEMD的输电线路覆冰等级预测方法，包括以下步骤：

S1、对原始数据进行预处理，剔除掉噪声和不完整的数据。

所述原始数据来自电网公司在线监测系统终端在前一周内监测到的数据集，所述数据集包括基本信息数据、图像数据、气象和力学性数据，其中，所述基本信息数据包括终端名称、记录时间日期，所述基本信息数据在建模过程中不会被使用；所述气象数据包括温度、湿度、降雨量、光照强度等；所述力学数据包括导线最大最小张力、拉力、风偏角等；所述原始数据中每一样本均包括相应的覆冰等级记录，所述等级一共分为6个状态，分别对应状态0-5，其中状态0表示输电线路未覆冰状态，状态1-5依次表示输电线路覆冰等级越来越严重。本实施例利用上述数据进行训练，构建神经网络预测模型，实现对输电线路覆冰等级的预测。

具体地，对于不完整的数据，采用K近邻算法进行预处理，优选地，K＝7，先根据欧式距离确定距离具有缺失数据的样本最近的7个近邻样本，将这7个近邻样本的数据加权平均来估计所述样本的缺失数据，若所述7个近邻样本中也存在缺失数据的情况，则依次向两边扩展，直到取够7个近邻样本为止；对于噪声，直接将其视为缺失数据，同样使用K近邻算法进行处理。

S2、EEMD数据分解与特征提取：采用EEMD特征提取算法，将预处理后的原始数据中的气象和力学性时间序列数据分解成一系列频率由高到低的本征模态函数(IntrinsicMode Functions，IMF)。

请参考图2，其为利用EEMD算法分解时频域信号的实施过程图，通过在整个时频空间均匀地附加时域均值为零、频域功率谱均匀分布的白噪声来分割信号，对应的信号区段将会被映射到白噪声相关的区域。

步骤S2的具体过程为：

S201、对预处理后的覆冰数据中的气象和力学性时间序列数据X(t)，在其时频空间均匀地添加均值为μ、方差为σ²的高斯白噪声ω(t)，优选地，μ＝0，σ＝0.1。共添加m次，m＝50，得到信号序列x_i(t),i＝1,2,L,m，其数学关系式为：

x_i(t)＝X(t)+ω_i(t)i＝1,2,L m

由此，对数据X(t)进行EEMD分解可以转化为对信号序列x_i(t)进行EMD分解。

S202、请参考图2中的EMD分解过程，将序列x_i(t)中的每一个信号均分解为n个IMFh_ij(t)以及一个残差(residual)r_in(t)相加的形式：

需要说明的是，对于任一信号x_i(t)，若满足EMD分解条件且分解得到的IMF的数量大于等于9，则分解后的IMF取前9个，即n＝9；否则，不对信号x_i(t)进行分解，对应的9个IMF均直接取其原始信号数据。

S203、将信号序列x_i(t),i＝1,2,L m中对应位置上的IMF函数值进行平均，得到数据X(t)的每一个单独的IMF函数H_j(t)：

同样也对残差进行平均化处理得到残余项数据R(t)：

最后得到利用EEMD算法对气象和力学性时间序列数据X(t)进行分解的结果：

所述H_j(t),j＝1,2,L,n即表示对气象和力学性数据进行分解得到的一系列IMF。

S3、数据合成：将经步骤S2分解后的残余项R(t)剔除，使用分解后IMF矩阵数据替代原始数据，作为预测模型的输入数据。

具体地，首先将经步骤S2中分解后的残余项R(t)剔除，对步骤S2中分解得到的IMF分量，按照频率从高到低的顺序进行排列，通常情况下频率越高所拥有的能量越高，而对于残余项R(t)由于能量过低可以将其舍弃；然后结合原始数据中的图片数据以及分解得到的IMF分量数据，组成BP神经网络预测模型的特征数据，原始数据中对应的覆冰等级记录数据作为标签数据，共同构成BP神经网络的输入数据。

S4、预测模型的建立与测试：按照时序关系，本实施例选取输入数据前70％作为训练数据，后30％作为测试数据，根据所述训练数据建立输电线路的覆冰等级预测模型，使用所述测试数据进行模型测试。

请参考图3，在BP神经网络的基础上，结合步骤S3得到的输入数据，建立输电线路覆冰厚度的预测模型。所述BP神经网络采用三层网络结构，即输入层、隐含层、以及输出层，其中输入层的节点数M为步骤S3中得到的输入数据的特征维度，输出层的节点数N为覆冰等级数量，隐含层的节点数为：

式中，round(*)函数表示四舍五入函数，rand(1)函数表示产生在(0,1)之间均匀分布的随机数。

请参考图4，步骤S4中利用所述训练数据建立预测模型的具体过程为：

S401、初始化BP神经网络的各层权值，设定迭代目标，并使用归一化函数对所述输入数据进行处理，将所述输入数据归一化到[-1,1]之间；所述BP神经网络的训练模型的第一层传递激活函数采用对数S型传递函数logsig(*)，第二层采用线性传递函数purelin(*)，学习训练函数采用带动量梯度下降改进型训练函数traingdm(*)，优选地，学习率为0.05，动量因子为0.9，网络最大迭代次数为10000，迭代目标为0.00001；

S402、向所述BP神经网络中输入训练数据的特征数据样本；

S403、计算隐含层、输出层的各单元输出，得到预测数据，计算所述预测数据与所述特征数据对应的标签数据的输出偏量；

S404、判断所述输出偏量是否在容许范围内，即是否小于迭代目标，若是，则所述BP神经网络的模型训练结束，防止构建的预测模型出现过拟合，输出固定的权值以及阈值，完成对输电线路覆冰等级预测模型的构建，否则执行步骤S405；

S405、计算BP神经网络中的神经元的误差及误差梯度，对BP神经网络中的权值进行更新，回到步骤S403。

利用构建的预测模型，输入经步骤S1、S2、S3处理后的数据，得到覆冰等级的预测结果，所述预测结果共6类，取值为0-5，其中0表示输电线路未覆冰状态，1-5表示输电线路覆冰等级越来越严重。

在本文中，所涉及的前、后、上、下等方位词是以附图中零部件位于图中以及零部件相互之间的位置来定义的，只是为了表达技术方案的清楚及方便。应当理解，所述方位词的使用不应限制本申请请求保护的范围。

在不冲突的情况下，本文中上述实施例及实施例中的特征可以相互结合。

以上所述仅为本发明的较佳实施例，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 (7)

1.一种基于EEMD的输电线路覆冰等级预测方法，其特征在于，包括以下步骤：

S1、数据预处理：获取输电线路覆冰等级的原始数据，对所述原始数据进行预处理，剔除掉噪声和不完整的数据；

S2、EEMD数据分解与特征提取：采用EEMD特征提取算法，将预处理后的原始数据中的气象和力学性时间序列数据X(t)，分解成残余项以及一系列频率由高到低的本征模态函数；具体地：

首先对所述时间序列数据X(t)在其时频空间均匀地添加m次高斯白噪声ω_i(t),i＝1,2,L,m，得到信号序列x_i(t),i＝1,2,L,m，其中x_i(t)＝X(t)+ω_i(t)；接着将序列x_i(t)中的每一个信号均分解成n个本征模态函数h_ij(t)和一个残差r_in(t)相加的形式：

然后将序列x_i(t),i＝1,2,L m中对应位置上的本征模态函数进行平均，得到所述数据X(t)的每一个单独的本征模态函数H_j(t)：

同样地，对残差也进行平均化处理得到残余项数据R(t)：

最后所述数据X(t)分解后得到残余项以及一系列本征模态函数为：

S3、数据合成：将经步骤S2中分解后的残余项R(t)剔除，使用本征模态函数构成的矩阵数据替代原始数据，作为预测模型的输入数据；

S4、预测模型的建立与测试：将输入数据分成训练数据以及测试数据，根据所述训练数据对BP神经网络进行训练，建立输电线路覆冰等级预测模型，使用所述测试数据进行模型测试；利用测试完成的输电线路覆冰等级预测模型，输入经步骤S1、S2、S3处理后的数据，得到覆冰等级的预测结果。

2.根据权利要求1所述的基于EEMD的输电线路覆冰等级预测方法，其特征在于，所述原始数据包括基本信息数据、图像数据、气象和力学性数据，其中，所述基本信息数据包括终端名称、记录时间日期；所述气象数据包括温度、湿度、降雨量、光照强度；所述力学数据包括导线最大最小张力、拉力、风偏角；所述原始数据中每一样本均包括相应的覆冰等级记录，所述等级一共分为6个状态，分别对应状态0-5，其中状态0表示输电线路未覆冰状态，状态1-5依次表示输电线路覆冰等级越来越严重。

3.根据权利要求1所述的基于EEMD的输电线路覆冰等级预测方法，其特征在于，所述步骤S1中，预处理的具体过程为：对于不完整的数据，采用K近邻算法进行预处理，先根据欧式距离确定距离具有缺失数据的样本最近的K个近邻样本，将这K个近邻样本的数据加权平均来估计所述样本的缺失数据，若所述K个近邻样本中也存在缺失数据的情况，则依次向两边扩展，直到取够K个近邻样本为止；对于噪声，直接将其视为缺失数据，同样使用K近邻算法进行处理。

4.根据权利要求1所述的基于EEMD的输电线路覆冰等级预测方法，其特征在于，所述步骤S2中对于任一信号x_i(t)，若满足EMD分解条件且分解得到的本征模态函数的数量大于等于9，则分解后的本征模态函数取前9个，n＝9；否则，不对信号x_i(t)进行分解，所述信号x_i(t)的本征模态函数为信号本身。

5.根据权利要求1所述的基于EEMD的输电线路覆冰等级预测方法，其特征在于，所述步骤S3的具体过程为：将经步骤S2中分解后的残余项R(t)剔除，然后结合原始数据中的图片数据以及分解得到的本征模态函数，组成BP神经网络预测模型的特征数据，原始数据中对应的覆冰等级记录数据作为标签数据，共同构成BP神经网络的输入数据。

6.根据权利要求1所述的基于EEMD的输电线路覆冰等级预测方法，其特征在于，所述步骤S4中的BP神经网络采用输入层、隐含层、以及输出层三层网络结构，其中输入层的节点数M为步骤S3中得到的输入数据的特征数据的维度，输出层的节点数N为覆冰等级数量，隐含层的节点数为：

式中，round(*)函数表示四舍五入函数，rand(1)函数表示产生在(0,1)之间均匀分布的随机数。

7.根据权利要求1所述的基于EEMD的输电线路覆冰等级预测方法，其特征在于，所述步骤S4中BP神经网络的训练过程为：

S401、初始化BP神经网络的各层权值，设定迭代目标，并使用归一化函数对所述输入数据进行处理，将所述输入数据归一化到[-1,1]之间；

S402、向所述BP神经网络中输入训练数据的特征数据样本；

S403、计算隐含层、输出层的各单元输出，得到预测数据，计算所述预测数据与所述特征数据对应的标签数据的输出偏量；

S404、判断所述输出偏量是否小于所述迭代目标，若是，则所述BP神经网络的模型训练结束，输出固定的权值以及阈值，完成对输电线路覆冰等级预测模型的构建，否则执行步骤S405；

S405、计算BP神经网络中的神经元的误差及误差梯度，对BP神经网络中的权值进行更新，回到步骤S403。

Images