一种用于输电线路的风速预测方法
技术领域
本发明属于机器学习技术领域,尤其涉及一种用于输电线路的风速预测方法。
背景技术
输电线路风灾一直对电网系统的安全产生很大风险。国外出现过许多不同程度的输电线路风灾,电网系统也发生过不少风灾,且随着全球气温逐渐变暖,极端天气的不断增多,这种灾害的发生频率呈现上升趋势。
由于高风速导致的输电线路灾害一般发生在恶劣天气条件下,当强风或飓风作用在导线和绝缘子串风压面上时,导线出现一定程度的偏转和位移,当导线与杆塔构件或周边物体空气间隙小于工频电压击穿距离时,发生空气击穿,形成风偏放电跳闸。风偏引起的导线相间放电是由于阵风作用下各相导线受风时间存在一定差异,造成各相导线摆动周期和相位不同引起的。此外,各相导线的驰度不一致也会引起导线摆动周期不同,形成不同期摆动,造成相间空气间隙不足,导致相间放电。另外,由于风力长期作用,金具产生磨损,严重时甚至会造成线路金具的断裂,导致掉线跳闸。
巨大的经济损失和社会影响警示我们,开展电力系统防灾研究、保障电力系统在风灾时的安全稳定运行是当前刻不容缓的挑战和艰巨的任务。
在输电线路风灾特征识别和预警管理方面,一直缺乏比较系统的研究。目前已有的输电线路风速预测模型主要是对气象数据和风速之间的关系建立函数模型,然后根据建立的模型对风速进行预测,比如利用自回归滑动平均模型(ARMA)进行风速预测。该类模型一般很难拟合气象信息与风速之间时间序列关系,无法准确对风速进行预测。
发明内容
本发明提供了一种用于输电线路的风速预测方法,优点在于利用TCN模型的对长序列的学习能力和Inception模型在探索数据多尺度下特征的优势,并借助天气预报信息提高风速的预测精度。
为达到上述技术目的,本发明采用以下技术方案:
一种用于输电线路的风速预测方法,包括:
步骤1:采集多组输电线路附近的风速、微气象信息和天气预报信息;其中微气象信息和天气预报信息包括的基础数据为地面以上10米高度处风速;
步骤2:将采集到的数据按照时间顺序排列,并将数据分为训练集和测试集;其中,一组数据包括同时间的风速、微气象信息和天气预报信息;
步骤3:使用训练集训练风速预测模型:使用结合Inception模型和时间卷积网络(TCN)模型的Inception-TCN以及全连接神经网络进行训练,将微气象信息和天气预报信息作为风速预测模型的输入序列,风速作为风速预测模型的输出;其中,Inception-TCN模型在模型每一层中用多个不同k值的Residual block模块组合求出输出均值的模块来代替TCN模型中固定k值的Residual block模块;
步骤4:使用测试集测试风速预测模型,根据测试效果调整风速预测模型的超参数,重复步骤3,直至获得理想的风速预测模型;
步骤5:将输电线路附近的微气象信息与天气预报信息输入到风速预测模型中,预测输电线路的风速值。
优选的,所述步骤1中微气象信息包括:地面气压、地面以上2米高度处温度、地面以上2米高度处比湿、地面以上2米高度处相对湿度、地面以上10米高度处风速、地面以上10米高度处风向、地面以上10米高度处经向风、地面以上10米高度处纬向风、地面1小时累计降水量共9种信息;天气预报信息包括与微气象信息同时间的对应以上的9种天气预报信息。
优选的,所述步骤3内容如下:
步骤3-1:使用Inception-TCN模型对训练集中n组微气象信息和天气预报信息序列x1,x2,x3,…,xt,…,xn进行特征提取,特征提取结果为C1,C2,C3,…,Ct,…,Cn,其中Ct表示第t个特征提取结果,n为超参数,取值范围[24,96];
步骤3-2:将C
1,C
2,C
3,…,C
t,…,C
n作为全连接神经网络的输入,输出预测的风速值
步骤3-3:计算预测风速与实际风速的均方误差MSE(Θ);
步骤3-4:反向传播,使用随机梯度下降法对模型参数Θ进行优化;
步骤3-5:读取下一组序列的微气象信息和天气预报信息,跳转步骤3-1,直至将训练集中的数据读取完;
步骤3-6:重复执行步骤3-1至3-5并持续对模型参数Θ进行优化,直至使MSE(Θ)下降到合理的数量级。
进一步优选的,所述步骤3-1包括:
通过c*l(l为超参数)个Residual block(kj,d(i))(kj,d(i)为超参数)模块对微气象信息和天气预报信息的特征进行提取,其中Residual block(k1,d(i)),Residual block(k2,d(i)),…,Residual block(kc,d(i))各l个,输出特征C1,C2,C3,…,Ct,…,Cn,计算公式如(1)(2)(3)所示:
其中,x表示输入的微气象和天气预报信息序列x
1,x
2,x
3,…,x
t,…,x
n组成的向量,
表示第i层隐变量
组成的向量,C表示输出特征C
1,C
2,C
3,…,C
t,…,C
n组成的向量,f
i,j(·)表示Residual block(k
j,d
(i))模块;c,k
1,…,k
c,d,l为超参数。
进一步优选的,所述步骤3-2包括:
使用一个全连接神经网络,以特征向量C作为输入,m个预测值组成的预测向量
作为输出,计算公式如(4)所示:
其中g(·)表示全连接神经网络。
进一步优选的,所述步骤3-3中计算预测风速与实际风速的均方误差MSE(Θ)的公式如下:
其中,y
i代表风速的真实值,
代表风速的预测值,m代表最后全连接神经网络输出的预测风速的个数。
有益效果
本发明是通过结合Inception模型的新型TCN模型Inception-TCN建立包括历史风速的微气象信息和天气预报信息与输电线路附近未来风速值在时序上的关系模型,最终本模型可以对输电线路风速进行预测。
(1)本发明使用TCN模型提取包括风速信息的微气象和天气预报信息与未来风速在时间序列上的关系模型。TCN可以并行处理时序信息,具有灵活的感受野,稳定的梯度,且相比其他方法占据更低的内存,可以对时序关系进行良好的拟合,提高了风速预测的准确性。
(2)本发明在TCN模型上结合了Inception模型,能够探索数据在多尺度下特征,具有灵活的感受野,调高了风速预测的准确性。
(3)本发明在预测风速时结合了历史的微气象信息和天气预报信息,提高了风速预测的准确性。
附图说明
图1是本发明的框架图;
图2是Inception-TCN模型提取微气象信息和天气预报信息序列数据特征的示意图;
其中,x代表微气象信息和天气预报信息拼接成的序列向量;C是提取到的微气象的特征向量;
代表该方法最终预测的输电线路风速组成的向量;Inception-TCN是结合了Inception模型的新型时间卷积网络模型;FC是全连接神经网络模型;RB是Residual Block模块;Average是求所有输入值的均值的模块。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
一种用于输电线路的风速预测方法,包括:
步骤1:采集多组输电线路附近的风速、微气象信息和天气预报信息;其中微气象信息和天气预报信息包括的基础数据为地面以上10米高度处风速;
步骤2:将采集到的数据按照时间顺序排列,并将数据分为训练集和测试集;其中,一组数据包括同时间的风速、微气象信息和天气预报信息;
步骤3:使用训练集训练风速预测模型:使用结合Inception模型和时间卷积网络(TCN)模型的Inception-TCN以及全连接神经网络进行训练,将微气象信息和天气预报信息作为风速预测模型的输入序列,风速作为风速预测模型的输出;其中,Inception-TCN模型在模型每一层中用多个不同k值的Residual block模块组合求出输出均值的模块来代替TCN模型中固定k值的Residual block模块;
步骤4:使用测试集测试风速预测模型,根据测试效果调整风速预测模型的超参数,重复步骤3,直至获得理想的风速预测模型;
步骤5:将输电线路附近的微气象信息与天气预报信息输入到风速预测模型中,预测输电线路的风速值。
为了便于公众理解,下面通过一个优选实施例并结合附图来对本发明的技术方案进行详细说明。
步骤1中,采集输电线路附近的风速,微气象信息,记录输电线路附近与微气象信息同时间的天气预报信息。在风灾(如线路舞动、断线、倒塔等)高发区域的输电线路附近安装微气象信息采集装置。该系统要能够实时获取包括风速在内的输电线路的微气象信息。采集数据的周期和内容如下所示:
数据采集周期:一小时;
数据采集内容:至少包括w10m(表示地面以上10米高度处风速)的微气象信息。尽量包括psur,t2m,q2m,rh2m,w10m,d10m,u10m,v10m,RAIN(分别表示:地面气压、地面以上2米高度处温度、地面以上2米高度处比湿、地面以上2米高度处相对湿度、地面以上10米高度处风速、地面以上10米高度处风向、地面以上10米高度处经向风、地面以上10米高度处纬向风、地面1小时累计降水量)的微气象信息和天气预报信息,共18种信息。
步骤2中,将采集到的微气象和天气预报信息划分为训练数据集和测试数据集。
首先,将采集到的微气象和天气预报信息按照时间建立一一对应关系。
其次,将整理好的微气象和天气预报信息按照时间序列排序。
最后,统计时间序列条目数,按照7:3的比例将数据集划分为训练集和测试集。
步骤3:使用训练集数据拟合风速预测模型。
使用结合了Inception模型的新型TCN模型Inception-TCN和全连接神经网络(FC)将当前n个微气象信息和气象预报信息进行拟合,得到m个未来风速预测作为输出的输电线路风速预测模型。模型的具体训练步骤如下:
步骤3-1,使用Inception-TCN模型对微气象信息和天气预报信息序列数据进行特征提取。
输入:序列化的微气象信息和天气预报信息拼接成的序列:x1,x2,x3,…,xt,…,xn;
处理:Inception-TCN模型对序列化的微气象信息和天气预报信息进行处理;
输出:特征提取结果C1,C2,C3,…,Ct,…,Cn。
对微气象信息和天气预报信息的特征提取过程如图2所示。其中
代表第i层的c个Residual block的输入,
代表第i层的c个Residual block的输出,也是第i+1层的c个Residual block的输入,x代表微气象和天气预报信息拼接成的序列组成的向量(x
1,x
2,x
3,…,x
t,…,x
n),C代表特征提取结果组成的向量(C
1,C
2,C
3,…,C
t,…,C
n),l代表Residualblock的个数,k
1,k
2,…,k
c和d
(i)是第i层的c个Residual block的参数。
各个Residual block输入和输出的关系如公式(1)(2)(3)所示:
其中,f
i,j(·)表示第i个Residual block(k
j,d
(i))模块。n,c,k
1,…,k
c,d,l为超参数,建议n取24到96之间,c取4,k
1、…、k
c取2、3、4、5,d
(i)取2
i-1,l取
步骤3-2,使用全连接神经网络输出预测风速信息。
输入:特征提取结果C1,C2,C3,…,Ct,…,Cn;
处理:全连接神经网络对特征提取结果进行处理;
计算公式如(4)所示:
其中C表示特征向量(C
1,C
2,C
3,…,C
t,…,C
n),
表示m个预测值组成的预测向量
g(·)表示全连接神经网络。m为超参数,根据需要预测的未来风速的个数取值。
步骤3-3,计算预测风速与实际风速的均方误差MSE(Θ),计算过程如公式(5)所示。
步骤3-4,反向传播,使用随机梯度下降法对模型参数Θ进行优化;
步骤3-5,读取下一组序列化的微气象信息和天气预报信息,重复执行步骤3-1至3-4,直至将训练集数据读取完成。
步骤3-6,重复执行步骤3-1至3-5并持续对模型的参数进行优化,直至使MSE(Θ)下降到合理的数量级,建议使MSE(Θ)下降到1以下。
步骤4:使用测试集测试风速预测模型的效果,根据测试效果调整模型的超参数,然后跳转到步骤3,直至获得理想的模型。
将测试集部署在风速测试模型上进行测试,检测模型的效果,并根据模型的效果调整超参数信息,如:学习率lr,输入微气象信息和天气预报信息的序列长度n,要预测的风速的序列长度m,步骤3-1中的c,k1,…,kc,l,d(i)等等。然后跳转到步骤3重新训练,直到模型能在测试集上取得满意的效果,通过本步骤可以得到最终的输电线路风速预测模型。
步骤5:将最近(比如三天内)的微气象信息序列与天气预报信息序列作为模型的输入序列,并将该序列输入到输电线路风速预测模型,实现短期内输电线路风速大小的预测。
如图1所示,其中x代表微气象信息和天气预报信息拼接成的序列向量;C是提取到的微气象的特征向量;
代表该方法最终预测的输电线路风速组成的向量,Inception-TCN是结合Inception模型的新型TCN模型;FC是全连接神经网络模型。具体的预测结果的形式如下:
1月1日0点风速5.6m/s,
1月1日1点风速8.8m/s,
1月1日2点风速7.4m/s,
1月1日3点风速7.3m/s,
1月1日4点风速8.2m/s,
……。
得到该预测结果后,可以由工程维护单位根据风速判断有没有舞动,断线或倒塔等风险。
本发明提供了一种对输电线路风速的预测方法,具体实现该技术方案的方法和途径很多,以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。