CN110929808A - 舞动温度的多要素智能修正方法及系统 - Google Patents
舞动温度的多要素智能修正方法及系统 Download PDFInfo
- Publication number
- CN110929808A CN110929808A CN201911262968.0A CN201911262968A CN110929808A CN 110929808 A CN110929808 A CN 110929808A CN 201911262968 A CN201911262968 A CN 201911262968A CN 110929808 A CN110929808 A CN 110929808A
- Authority
- CN
- China
- Prior art keywords
- temperature
- galloping
- predicted
- waving
- corrected
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 29
- 230000006870 function Effects 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 2
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000002715 modification method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
-
- 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
-
- 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—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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Entrepreneurship & Innovation (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了舞动温度的多要素智能修正方法及系统,通过构建以待修正的预测舞动温度对应的关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方差最小作为目标函数的神经网络模型;从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练所述神经网络模型,得到训练好的神经网络模型;输入所述待修正的预测舞动温度对应的关键影响因子输入训练好的神经网络模型,得到修正舞动温度。相比起现有技术,能快速的温度预测订正计算,可适用于不同地区的温度预测订正。并为舞动预测模型提供更加准确的温度场预测数据,从而提高架空线路舞动预报的准确率。
Description
技术领域
本发明属于电气工程技术领域,具体涉及舞动温度的多要素智能修正方法及系统。
背景技术
架空线路舞动严重影响冬季电网安全稳定运行,会造成线路频繁跳闸,甚至倒塔断线,大面积舞动还可能引发大范围停电等事故,严重影响了冬季供电安全。开展准确的舞动预测预警工作,可以为提前部署防舞措施,制定电网防舞应急预案提供准确的科学指导。
然而舞动受温度、湿度、风速、降水等多种气象因素影响,同时舞动发生对气温预测的准确率要求非常高,仅在零度附近才可能发生舞动。而目前的常规中尺度气象预测模式的预测尺度偏大,普遍为3km左右,同时数值预报模式受初始场的不确定性影响,以及数值预报模式自身局限性影响,系统误差仍然存在。为满足舞动预报对温度精细化预测的要求,亟需提出舞动温度的修正方法,为冬季舞动预报提供技术保障。
发明内容
本发明提供了舞动温度的多要素智能修正方法及系统,用于解决现有的舞动温度预测误差较大的技术问题。
为解决上述技术问题,本发明提出的技术方案为:
一种舞动温度的多要素智能修正方法,包括以下步骤:
构建以待修正的预测舞动温度对应的关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方差最小作为目标函数的神经网络模型;
从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练所述神经网络模型,得到训练好的神经网络模型;
输入所述待修正的预测舞动温度对应的关键影响因子输入训练好的神经网络模型,得到修正舞动温度。
优选的,获取舞动温度的关键影响因子,具体包括以下步骤:
从历史数据中获取观测温度以及与所述观测舞动温度相关的影响因子,所述影响因子包括高空各层温度、地面及高空各层相对湿度、地面10m风速及高空各层风速、3h变压等温度影响因子。
分别计算各个影响因子与所述观测温度的相关性系数,并根据所述相关性系数从高到底对所述影响因子进行排序,选却排序靠前N的N个影响因子作为关键影响因子。
优选的,所述目标函数为:
其中,RMSE表示观测舞动温度与预测舞动温度的差值均方差,n为从历史数据获取的温度预测记录样本总数,所述Gi为第i条温度预测记录的观测舞动温度,Yi为第i条温度预测记录的预测舞动温度,差值均方差的大小直接决定预报精度。
一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。
本发明具有以下有益效果:
1、本发明通过构建以待修正的预测舞动温度对应的关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方差最小作为目标函数的神经网络模型;从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练所述神经网络模型,得到训练好的神经网络模型;输入所述待修正的预测舞动温度对应的关键影响因子输入训练好的神经网络模型,得到修正舞动温度。相比起现有技术,能快速的温度预测订正计算,可适用于不同地区的温度预测订正。并为舞动预测模型提供更加准确的温度场预测数据,从而提高架空线路舞动预报的准确率。
除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。在附图中:
图1是本发明舞动温度的多要素智能修正方法的流程图;
图2是本发明优选实施例中的舞动温度的多要素智能修正方法的流程图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
实施例一:
如图1所示,本实施中公开了一种舞动温度的多要素智能修正方法,包括以下步骤:
构建以待修正的预测舞动温度对应的关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方差最小作为目标函数的神经网络模型;
从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练所述神经网络模型,得到训练好的神经网络模型;
输入所述待修正的预测舞动温度对应的关键影响因子输入训练好的神经网络模型,得到修正舞动温度。
此外,在本实施例中,还公开了一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述任一所述方法的步骤。
本发明通过构建以待修正的预测舞动温度对应的关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方差最小作为目标函数的神经网络模型;从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练所述神经网络模型,得到训练好的神经网络模型;输入所述待修正的预测舞动温度对应的关键影响因子输入训练好的神经网络模型,得到修正舞动温度。相比起现有技术,能快速的温度预测订正计算,可适用于不同地区的温度预测订正。并为舞动预测模型提供更加准确的温度场预测数据,从而提高架空线路舞动预报的准确率。
实施例二:
实施例二是实施例一的优选实施例,其与实施例一的不同之处在于,对舞动温度的多要素智能修正方法的具体步骤进行了细化,如图2所示,具体包括:
(1)获取数据集。获取架空线路舞动时期历史的模式输出2m温度及对应时刻的2m温度观测值,以及高空各层温度、地面及高空各层相对湿度、地面10m风速及高空各层风速、3h变压等温度影响因子。
(2)确定误差比较标准。即以预报温度与观测温度的差值均方差作为误差计算方法,即目标函数:
其中,RMSE表示观测舞动温度与预测舞动温度的差值均方差,n为从历史数据获取的温度预测记录样本总数,所述Gi为第i条温度预测记录的观测舞动温度,Yi为第i条温度预测记录的预测舞动温度,差值均方差的大小直接决定预报精度。
(3)形成聚类分析的点集。从历史数据中获取从历史数据获取并用预测舞动温度、对应的观测舞动温度及其相关的影响因子,并构建温度预测记录: i=1,2,...,m,j=1,2,...,n,其中Si为第温度预测记录,n为温度场的影响因子个数,m为历史温度预测和观测数据长度,Gi为第i条温度预测记录的温度观测值,Yi为第i条温度预测记录的温度预测值,为第i条温度预测和观测数据记录的第j个温度影响因素预测值;
(4)关键变量优选。通过对温度预测记录中的观测舞动温度与各影响因子分别进行相关性计算,并根据所述相关性系数从高到底对所述影响因子进行排序,选却排序靠前N的N个影响因子作为关键影响因子,在本实施例中,N取值为10,即取相关系数较大的前十项作为温度预测关键影响因子。
(5)构建并训练RBF(径向基函数)神经网络气温预测模型。以(4)中筛选出的温度关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方差最小作为目标函数,并从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练训练RBF神经网络参数,并对径向基函数扩展速度参数(spread)进行调参,直至RSME达到最小,得到训练好的神经网络模型。
(6)开展舞动温度场多要素智能修正预测计算。采用(5)中训练好的RBF神经网络气温预测模型,采用预测的各关键影响要素对预测因素进行修正,得到修正后的更准确的温度预报。
综上所述,本发明针对目前舞动温度场模式预报结果存在受初始场以及自身局限性影响存在系统性误差,难以满足舞动对温度场预测精度要求高的问题,提供一种舞动温度场多要素智能修正方法。该方法可适用于架空输电线路舞动温度场精细化预报,提高输电线路舞动预测预警的准确率,原理清晰,操作方便,实用性强。即通过构建以待修正的预测舞动温度对应的关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方差最小作为目标函数的神经网络模型;从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练所述神经网络模型,得到训练好的神经网络模型;输入所述待修正的预测舞动温度对应的关键影响因子输入训练好的神经网络模型,得到修正舞动温度。相比起现有技术,能快速的温度预测订正计算,可适用于不同地区的温度预测订正。并为舞动预测模型提供更加准确的温度场预测数据,从而提高架空线路舞动预报的准确率。
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。
Claims (4)
1.一种舞动温度的多要素智能修正方法,其特征在于,包括以下步骤:
构建以待修正的预测舞动温度对应的关键影响因子作为输入变量,以修正舞动温度作为输出变量,以观测舞动温度与预测舞动温度的差值均方根最小作为目标函数的神经网络模型;
从历史数据获取并用预测舞动温度、对应的观测舞动温度及其关键影响因子训练所述神经网络模型,得到训练好的神经网络模型;
输入所述待修正的预测舞动温度对应的关键影响因子输入训练好的神经网络模型,得到修正舞动温度。
2.根据权利要求1所述的舞动温度的多要素智能修正方法,其特征在于,获取舞动温度的关键影响因子,具体包括以下步骤:
从历史数据中获取观测温度以及与所述观测舞动温度相关的影响因子,所述影响因子包括高空各层温度、地面及高空各层相对湿度、地面10m的风速及高空各层风速、3h的变压;
分别计算各个影响因子与所述观测温度的相关性系数,并根据所述相关性系数从高到底对所述影响因子进行排序,选却排序靠前N的N个影响因子作为关键影响因子。
4.一种计算机系统,包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至3任一所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262968.0A CN110929808A (zh) | 2019-12-11 | 2019-12-11 | 舞动温度的多要素智能修正方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911262968.0A CN110929808A (zh) | 2019-12-11 | 2019-12-11 | 舞动温度的多要素智能修正方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110929808A true CN110929808A (zh) | 2020-03-27 |
Family
ID=69859918
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911262968.0A Pending CN110929808A (zh) | 2019-12-11 | 2019-12-11 | 舞动温度的多要素智能修正方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110929808A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132308A (zh) * | 2020-07-27 | 2020-12-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006242747A (ja) * | 2005-03-03 | 2006-09-14 | Toshiba Corp | 気温予測補正装置 |
CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
CN105069212A (zh) * | 2015-07-30 | 2015-11-18 | 南通航运职业技术学院 | 一种基于类神经网络的压载水微生物数量预测方法 |
CN106203839A (zh) * | 2016-07-13 | 2016-12-07 | 国网湖南省电力公司 | 输电线路舞动影响关键因素辨识方法及系统 |
CN106682831A (zh) * | 2016-12-27 | 2017-05-17 | 国网湖南省电力公司 | 电网舞动区域预测预警方法及系统 |
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 |
CN108805331A (zh) * | 2018-05-04 | 2018-11-13 | 北京国电通网络技术有限公司 | 一种用电量预测方法 |
CN109447309A (zh) * | 2018-09-05 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种舞动数据的挖掘方法及系统 |
CN109492756A (zh) * | 2018-11-19 | 2019-03-19 | 中国气象局公共气象服务中心 | 基于深度学习的多要素导线舞动预警方法及相关装置 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
-
2019
- 2019-12-11 CN CN201911262968.0A patent/CN110929808A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2006242747A (ja) * | 2005-03-03 | 2006-09-14 | Toshiba Corp | 気温予測補正装置 |
CN104239706A (zh) * | 2014-09-05 | 2014-12-24 | 中国科学院寒区旱区环境与工程研究所 | 一种地面观测气温时空数据集的制备方法 |
CN105069212A (zh) * | 2015-07-30 | 2015-11-18 | 南通航运职业技术学院 | 一种基于类神经网络的压载水微生物数量预测方法 |
US20190303783A1 (en) * | 2016-06-09 | 2019-10-03 | Hitachi, Ltd. | Data prediction system and data prediction method |
CN106203839A (zh) * | 2016-07-13 | 2016-12-07 | 国网湖南省电力公司 | 输电线路舞动影响关键因素辨识方法及系统 |
CN106682831A (zh) * | 2016-12-27 | 2017-05-17 | 国网湖南省电力公司 | 电网舞动区域预测预警方法及系统 |
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 |
CN108805331A (zh) * | 2018-05-04 | 2018-11-13 | 北京国电通网络技术有限公司 | 一种用电量预测方法 |
CN109447309A (zh) * | 2018-09-05 | 2019-03-08 | 中国电力科学研究院有限公司 | 一种舞动数据的挖掘方法及系统 |
CN109492756A (zh) * | 2018-11-19 | 2019-03-19 | 中国气象局公共气象服务中心 | 基于深度学习的多要素导线舞动预警方法及相关装置 |
Non-Patent Citations (1)
Title |
---|
廖峥: "基于BP神经网络的输电线路舞动预测及电网风险预警方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132308A (zh) * | 2020-07-27 | 2020-12-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
CN112132308B (zh) * | 2020-07-27 | 2023-07-25 | 国网湖南省电力有限公司 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11168667B2 (en) | Method and device for calculating power generation of wind farm | |
CN110908014B (zh) | 舞动精细化订正预报方法及系统 | |
CN110728411B (zh) | 一种基于卷积神经网络的高低空区域联合降雨预测方法 | |
CN110580549B (zh) | 一种考虑天气的区域短期能源功率预测方法及系统 | |
Yang et al. | Day-ahead forecasting of photovoltaic output power with similar cloud space fusion based on incomplete historical data mining | |
CN103218675A (zh) | 一种基于聚类和滑动窗口的短期负荷预测方法 | |
CN108428017A (zh) | 基于核极限学习机分位数回归的风电功率区间预测方法 | |
Adnan et al. | Estimating evapotranspiration using machine learning techniques | |
CN110133755A (zh) | 基于gra-lmbp权重的多天气类型下直散分离建模预测控制方法 | |
CN112182822A (zh) | 输电线路覆冰厚度预测校正预报方法及系统 | |
CN113991711B (zh) | 一种光伏电站储能系统容量配置方法 | |
Yan et al. | A robust probabilistic wind power forecasting method considering wind scenarios | |
CN116069095A (zh) | 一种机房环境调节方法、设备及介质 | |
CN113537648B (zh) | 一种基于集合数据的风速预测方法及装置 | |
CN110929808A (zh) | 舞动温度的多要素智能修正方法及系统 | |
Cabezon et al. | Comparison of methods for power curve modelling | |
CN113095547B (zh) | 一种基于gra-lstm-ice模型的短期风功率预测方法 | |
CN113239946A (zh) | 一种输电线路载流量的校核方法 | |
CN115860248A (zh) | 风速数值同化短临预测方法及系统 | |
CN115912334A (zh) | 风电场出力保证率的预测模型创建方法及预测方法 | |
CN115860190A (zh) | 负荷检测模型的训练、用电负荷的检测方法及相关装置 | |
CN115034159A (zh) | 一种海上风电场的功率预测方法、装置、存储介质及系统 | |
JP2018105893A (ja) | 気象予測補正装置、気象予測補正方法及びプログラム | |
CN114330478A (zh) | 针对电网风速预报的风速分类订正方法 | |
CN115563848A (zh) | 一种基于深度学习的分布式光伏总辐射预测方法及系统 |
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 |