CN112147718B - 一种架空输电线路的雷击预测方法、装置、存储介质 - Google Patents
一种架空输电线路的雷击预测方法、装置、存储介质 Download PDFInfo
- Publication number
- CN112147718B CN112147718B CN202011008787.8A CN202011008787A CN112147718B CN 112147718 B CN112147718 B CN 112147718B CN 202011008787 A CN202011008787 A CN 202011008787A CN 112147718 B CN112147718 B CN 112147718B
- Authority
- CN
- China
- Prior art keywords
- data
- transmission line
- lightning
- lightning stroke
- tower
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
Landscapes
- Engineering & Computer Science (AREA)
- Environmental & Geological Engineering (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Atmospheric Sciences (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种架空输电线路的雷击预测方法、装置、存储介质，所述方法包括：S1：提取数据源；并将数据源输入ABC‑SVM算法训练得到气象数据集；S2：将待预测区域的预测时段内的每一天的天气预报信息数据输入气象数据集；将天气预报信息数据与训练好的气象数据集内的数据进行对比；当气象数据集中没有与天气预报信息数据相匹配的数据时，这说明待测区域在待测时间内不会发生雷击，当气象数据集中存在与天气预报信息数据相匹配的数据时，说明待测区域在待测时间内会发生雷击，并输出发生雷击的日期信息和塔架编号信息。本发明所述方法可提高雷击预测准确度。
Description
技术领域
本发明涉及电力防雷技术领域，更具体地，涉及一种架空输电线路的雷击预测方法、装置、存储介质。
背景技术
架空输电线路是用绝缘体将输电线路固定在直立于地面的杆塔上用以传输电能的输电线路，它由导线、架空地线、杆塔、绝缘子串、接地装置等部分组成。运行统计数据表明，引起输电线路故障跳闸的原因很多，其中因雷击引起的跳闸次数约占总跳闸次数的60％以上，位居所有跳闸原因之首。输电线路的防雷涉及因素较多，与地形、地貌、地质、气象和系统运行水平等诸因素有关。一般35Vk线路因雷击发生单相接地就会跳闸，因此，如何切实有效地制定及改善高压架空输电线路的防雷措施，从而降低线路雷击跳闸率，是保证电力系统安全稳定运行的必要条件。
输电线路感应雷过电压最大可达到400KV左右，它对35KV及以下线路绝缘威胁很大，但对于110KV及以上线路绝缘威胁很小，110kV及以上输电线路雷击故障多由直击雷引起，并且同接地装置的完好性有直接的关系。直击雷又分为反击和绕击，都严重危害线路安全运行。在采取各种防雷措施之前，应该对雷击性质进行有效分析，准确分析每次线路故障的闪络类型，采用针对性强的防雷措施，才能达到很好的防雷效果。
2020年6月12日公开的中国专利CN111275193A提供了一种国家电网雷击预测方法，涉及机器学习领域，用于对国家电网的电力传输线路、电力塔杆进行雷击风险预测，包括如下步骤：采集历史信息，形成完整的历史数据，完整的历史数据的维度即为数据特征，对数据特征进行选择，训练Catboost模型，采集当前信息，形成完整的当前数据，利用训练好的Catboost模型进行雷击风险预测。虽然其可以实现雷击的预测，但是因为其所采集的历史数据并未学习进化，导致其预测准确有待进一步提升。
发明内容
本发明为克服上述现有技术所述的雷击预测准确度不够高的缺陷，提供一种架空输电线路的雷击预测方法。
所述方法包括：
S1：将待预测区域内的每个塔架的编号、每个塔架因雷击而导致跳闸的次数以及每次跳闸时的气象数据作为数据源；将数据源输入ABC-SVM算法训练得到气象数据集；
S2：将待预测区域的预测时段内的每一天的天气预报信息数据输入气象数据集；将天气预报信息数据与训练好的气象数据集内的数据进行对比；当气象数据集中没有与天气预报信息数据相匹配的数据时，这说明待测区域在待测时间内不会发生雷击，当气象数据集中存在与天气预报信息数据相匹配的数据时，说明待测区域在待测时间内会发生雷击，并输出发生雷击的日期信息和塔架编号信息。
优选地，所述训练好的气象数据集的获取过程为：
S1.1：将待预测区域内的每个塔架的编号、每个塔架因雷击而导致跳闸的次数以及每次跳闸时的气象数据作为数据源；
S1.2：采用ABC算法对数据源进行搜索，将因为雷击而跳闸的塔架的编号与跳闸时的气象数据进行数据采集；
S1.3：对S1.2所采集的数据进行数据筛选；
S1.4：将经过S1.3筛选的数据输入SVM算法；
S1.5：选择跳闸频率最高的气象数据为标准值，设定标准范围；
S1.6：依据标准范围对气象数据进行筛选，将不在标准范围内的气象数据排除；
S1.7：整理所有在标准范围内的气象数据，得到符合条件的气象数据集。
优选地，S1.5标准值的选择具体为选择被雷击频率最高的四个塔架被雷击数据作为标准值。
优选地，S1.5中所述标准范围具体为以四个标准值中最大的标准值与最小标准值之间的范围作为标准范围。
优选地，S1.2具体为：
以数据源中的部分数据作为ABC算法的蜜源，将气象数据和跳闸的塔架编号进行一一对应；然后对该部分蜜源进行检索，采集雷击而跳闸的塔架的编号与跳闸时的气象数据，检索完之后进一步扩大蜜源的规模，重复上述数据处理过程，不断完善和更新数据。
此处的重复是指，算法的导入数据称为蜜源，第一次导入的蜜源是有限的，所以输出的范围也是局限于输入的蜜源数量，当我们采集到其它塔架被雷击数据后，不断的通过该算法，不断的输出气象集合，不断的更新，当蜜源越多，气象集合越准确。
优选地，蜜源的规模是指的是，在一份塔架的跳匝的记录中，包含着记录以来很多年的天气数据。
优选地，S1.3具体为：对S1.2所采集的数据依据每个塔架发生雷击跳闸频率的高低进行筛选，筛选出跳闸频率高的前若干个气象数据。
优选地，S1.3筛选出跳闸频率高的前至少30个气象数据。
本发明还提供一种架空输电线路的雷击预测装置，所述装置包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现所述架空输电线路的雷击预测方法的步骤。
本发明还提供一种计算机存储介质，用于计算机可读存储，所述计算机存储介质上存储有架空输电线路的雷击预测程序；所述架空输电线路的雷击预测程序被处理器执行时实现所述的架空输电线路的雷击预测方法的步骤。
与现有技术相比，本发明技术方案的有益效果是：
一、本发明采用ABC-SVM算法，即将ABC算法、SVM算法结合，以计算出准确的架空输电线路的雷击预测，减少误差以及人力物力的损耗。
二、算法会使用大量的数据进行训练从而不断的学习进化，从而计算出的模型会越来越接近现实情况。
三、通过算法预测出塔架在某个时间会被雷击时，就可以在发生雷击后的第一安全维修时间进行抢修，可以减少需要进行抢修时候准备工具的时间与人员整顿的时间，极大力度减少了附近区域的停电时间，增加了供电可靠性。
附图说明
图1为实施例1所述架空输电线路的雷击预测方法流程图。
图2为ABC-SVM算法流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1：
本实施例提供一种架空输电线路的雷击预测方法，如图1-2所示，所述方法首先，将要预测的塔架历史中因为雷击而跳匝的次数与每次雷击跳匝时的天气信息作为数据源，然后通过人工蜂群算法(ABC算法)，蜜源为气象、数据量随着时间向前推移，蜜源的规模会扩大。利用ABC算法，首先引入近年的原始数据，即一部分蜜源后，首先将气象数据和跳匝的塔架编号进行一一对应，之后，将因雷击跳匝的塔架编号的数据集中，并根据频率进行记录，排列。将部分蜜源检索完毕之后，进一步扩大蜜源的规模(蜜源的规模是指的是，在一份塔架的跳匝的记录中，包含着记录以来很多年的天气数据。在本文中，扩大蜜源的规模指得是，在检索完近一段时间的数据后，进一步检索更前的数据，比如，将数据检索范围从近一年扩大到近10年，近15年等。
由于训练数据越多，输出的结果越准确。不断的采集数据，不断的更新，可以得到更好的结果，数据扩大包括原始数据，扩大但不丢弃)，并重复上述数据处理过程，不断完善和更新数据。之后，根据频率高低进行筛选，排除频率较低的数据。
在支持向量机(SVM算法)中，首先，将频率较高的数据(本实施例取频率较高的前30个数据)导入。之后，选择频率最高的气象数据设定为标准值，依据标准范围进行筛选，将不符合标准范围的数据排除后，整理所有符合标准范围的气象数据，得到四个符合条件的气象数据模型。
当需要预测某个区域中在后续几天内有哪个塔架会遭遇雷击时，将该区域后续每一天的天气预报信息输入到本算法模型中，在跟算法模型中的数据进行对比，当没有匹配的气象数据时，则没有塔架遭遇雷击。当有匹配数据时，就说明有塔架将在后续几天中的某一天遭遇雷击。相对应的检索出日期信息与塔架编号信息。
当预测到有塔架在某个时间会被雷击时，后台管理中心就可以提前准备抢修工具与抢修人员。在发生雷击后的第一安全维修时间进行抢修，可以减少需要进行抢修时候准备工具的时间与人员整顿的时间，极大力度减少了附近区域的停电时间，增加了供电可靠性。
实施例2：
本实施例提供一种架空输电线路的雷击预测装置，所述装置包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如实施例1所述架空输电线路的雷击预测方法的步骤。
实施例3：
本实施例提供一种计算机存储介质，用于计算机可读存储，所述计算机存储介质上存储有架空输电线路的雷击预测程序；所述架空输电线路的雷击预测程序被处理器执行时实现实施例1所述的架空输电线路的雷击预测方法的步骤。
附图中描述位置关系的用语仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (9)
1.一种架空输电线路的雷击预测方法，其特征在于，所述方法包括：
S1：将待预测区域内的每个塔架的编号、每个塔架因雷击而导致跳闸的次数以及每次跳闸时的气象数据作为数据源；将数据源输入ABC-SVM算法训练得到气象数据集；
所述训练好的气象数据集的获取过程为：
S1.1：将待预测区域内的每个塔架的编号、每个塔架因雷击而导致跳闸的次数以及每次跳闸时的气象数据作为数据源；
S1.2：采用ABC算法对数据源进行搜索，将因为雷击而跳闸的塔架的编号与跳闸时的气象数据进行数据采集；
S1.3：对S1.2所采集的数据进行数据筛选；
S1.4：将经过S1.3筛选的数据输入SVM算法；
S1.5：选择跳闸频率最高的气象数据为标准值，设定标准范围；
S1.6：依据标准范围对气象数据进行筛选，将不在标准范围内的气象数据排除；
S1.7：整理所有在标准范围内的气象数据，得到符合条件的气象数据集；
S2：将待预测区域的预测时段内的每一天的天气预报信息数据输入气象数据集；将天气预报信息数据与训练好的气象数据集内的数据进行对比；当气象数据集中没有与天气预报信息数据相匹配的数据时，这说明待测区域在待测时间内不会发生雷击，当气象数据集中存在与天气预报信息数据相匹配的数据时，说明待测区域在待测时间内会发生雷击，并输出发生雷击的日期信息和塔架编号信息。
2.根据权利要求1所述架空输电线路的雷击预测方法，其特征在于，S1.5标准值的选择具体为选择被雷击频率最高的四个塔架被雷击数据作为标准值。
3.根据权利要求1所述架空输电线路的雷击预测方法，其特征在于，S1.5中所述标准范围具体为以四个标准值中最大的标准值与最小标准值之间的范围作为标准范围。
4.根据权利要求1所述架空输电线路的雷击预测方法，其特征在于，S1.2具体为：
以数据源中的部分数据作为ABC算法的蜜源，将气象数据和跳闸的塔架编号进行一一对应；然后对该部分蜜源进行检索，采集雷击而跳闸的塔架的编号与跳闸时的气象数据，检索完之后进一步扩大蜜源的规模，重复上述数据处理过程，不断完善和更新数据。
5.根据权利要求1所述架空输电线路的雷击预测方法，其特征在于，蜜源的规模是指的是，在一份塔架的跳匝的记录中，包含着记录以来很多年的天气数据。
6.根据权利要求1所述架空输电线路的雷击预测方法，其特征在于，S1.3具体为：对S1.2所采集的数据依据每个塔架发生雷击跳闸频率的高低进行筛选，筛选出跳闸频率高的前若干个气象数据。
7.根据权利要求1所述架空输电线路的雷击预测方法，其特征在于，S1.3筛选出跳闸频率高的前至少30个气象数据。
8.一种架空输电线路的雷击预测装置，其特征在于，所述装置包括存储器、处理器、存储在所述存储器上并可在所述处理器上运行的程序，所述程序被所述处理器执行时实现如权利要求1-7任一项所述架空输电线路的雷击预测方法的步骤。
9.一种计算机存储介质，用于计算机可读存储，其特征在于，所述计算机存储介质上存储有架空输电线路的雷击预测程序；所述架空输电线路的雷击预测程序被处理器执行时实现权利要求1-7任一项所述的架空输电线路的雷击预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011008787.8A CN112147718B (zh) | 2020-09-23 | 2020-09-23 | 一种架空输电线路的雷击预测方法、装置、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011008787.8A CN112147718B (zh) | 2020-09-23 | 2020-09-23 | 一种架空输电线路的雷击预测方法、装置、存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112147718A CN112147718A (zh) | 2020-12-29 |
| CN112147718B true CN112147718B (zh) | 2022-04-19 |
Family
ID=73897682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011008787.8A Active CN112147718B (zh) | 2020-09-23 | 2020-09-23 | 一种架空输电线路的雷击预测方法、装置、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112147718B (zh) |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9557723B2 (en) * | 2006-07-19 | 2017-01-31 | Power Analytics Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
| CN105426671B (zh) * | 2015-11-11 | 2018-02-16 | 重庆大学 | 一种雷暴天气下架空配电线路的可靠性评测方法 |
| CN108052734A (zh) * | 2017-12-12 | 2018-05-18 | 中国电力科学研究院有限公司 | 一种基于气象参数对雷电流幅值进行预测的方法及系统 |
| CN109086940B (zh) * | 2018-08-15 | 2021-09-07 | 西南交通大学 | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 |
| CN111275193A (zh) * | 2020-01-15 | 2020-06-12 | 杭州华网信息技术有限公司 | 一种国家电网雷击预测方法 |
-
2020
- 2020-09-23 CN CN202011008787.8A patent/CN112147718B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN112147718A (zh) | 2020-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US9360352B2 (en) | Method for determining lightning hazard distribution of power network | |
| CN102508046B (zh) | 一种户外电气设备实时雷击预警方法及装置 | |
| CN105224797B (zh) | 一种特高压大跨越线路反击跳闸率计算方法 | |
| CN105426671B (zh) | 一种雷暴天气下架空配电线路的可靠性评测方法 | |
| KR20140029865A (ko) | 배전선로 내뢰설계 성능평가 장치 및 그 방법 | |
| CN112886923B (zh) | 一种雷电天气的光伏电站运维方法及设备 | |
| CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
| CN112598883B (zh) | 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统 | |
| CN114386674A (zh) | 一种输电线路树木倒伏动态风险预警方法和系统 | |
| CN111860940A (zh) | 一种基于逻辑回归算法的煤矿配电网络停电事故预测方法 | |
| CN112785117A (zh) | 一种输电线路全线雷电绕击跳闸风险多维分析方法 | |
| CN111126672A (zh) | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 | |
| CN115994325A (zh) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 | |
| CN111257686A (zh) | 一种基于数据共享分析的智能跳闸分析系统 | |
| Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
| CN112147718B (zh) | 一种架空输电线路的雷击预测方法、装置、存储介质 | |
| CN109035066A (zh) | 基于svm的10千伏配网高掉闸线路成因分析及治理方法 | |
| CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
| CN112578232B (zh) | 风力发电机组的雷电预警方法和雷电预警设备 | |
| Kezunovic et al. | Optimal placement of line surge arresters based on predictive risk framework using spatiotemporally correlated big data | |
| CN112329346B (zh) | 一种输电线路雷电地闪数据分析优化方法 | |
| CN115733139A (zh) | 一种基于线性潮流的动态防雷方法及系统 | |
| Huang et al. | Zoning-Prediction-Response (ZPR) Monitoring and Early Warning Model for Thunderstorms in Power Grid | |
| Zhang et al. | Effectiveness Evaluation System and Evaluation Method For Anti-birds Damage Technical Transformation Projects of Overhead Lines | |
| Xu et al. | Data mining of power transmission line fault based on apriori algorithm |
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 |