CN112232591A - 基于气象因素的覆冰厚度智能预警方法 - Google Patents
基于气象因素的覆冰厚度智能预警方法 Download PDFInfo
- Publication number
- CN112232591A CN112232591A CN202011203999.1A CN202011203999A CN112232591A CN 112232591 A CN112232591 A CN 112232591A CN 202011203999 A CN202011203999 A CN 202011203999A CN 112232591 A CN112232591 A CN 112232591A
- Authority
- CN
- China
- Prior art keywords
- icing
- early warning
- intelligent
- meteorological
- monitoring data
- 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
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明涉及电网防灾减灾技术领域,公开一种基于气象因素的覆冰厚度智能预警方法,以提高覆冰厚度智能预警准确性。本发明方法包括:读取线路微气象监测数据;利用平行坐标算法将监测数据点转换成图像,采用平行坐标图将多维覆冰气象监测数据组成的矩阵转换成温度、湿度、最大拉力时的风偏角和最大拉力时的倾角图像;计算所有覆冰样本数据的标签;构建覆冰智能预警卷积神经网络模型;训练覆冰智能预警模型参数,将覆冰智能预警系统输出与理想输出之间的差值向后传播,以调整各层的权重和偏差,计算新的输出并再次更新权重和偏差,循环直至符合训练终止条件;将采集的最新气象数据输入训练好的覆冰智能预警模型中,计算得到相应的预测覆冰厚度水平。
Description
技术领域
本发明涉及电网防灾减灾技术领域,尤其涉及一种基于气象因素的覆冰厚度智能预警方法。
背景技术
输电线路常跨越高寒山区,冬季极易发生严重覆冰,运维人员难以及时到达覆冰现场进行观测,而微地形区域导线覆冰特性差异大、增长速度快,极易造成线路覆冰倒塔断线。及时准确的架空输电线路覆冰厚度信息对于决定输电线路是否应除冰至关重要。
已有文献提出的输电线路覆冰厚度预测模型,可分为物理模型和数据驱动模型。对于物理模型,采用物理过程和数学方程,利用实验数据对覆冰过程进行模拟。然而,输电线路覆冰过程是复杂的,覆冰过程增减是非线性的,很难构造覆冰过程的映射函数。对于数据驱动模型,覆冰厚度由多变量时间序列利用相空间重构、马尔可夫模型和模糊逻辑理论等现代计算机技术进行计算,这需要丰富的专业经验和对相关数据的分析。目前,智能覆冰预报模型以其强大的学习和处理能力得到了广泛的应用。常见的模型有支持向量机,反向传播神经网络和极限学习机等。在智能覆冰预报模型中,选取了温度、湿度、风速、风向和日照作为主要影响因子。然而,上述覆冰智能预报模型中的训练覆冰数据和预报数据必须在同一覆冰过程或同一输电线路上。
本专利提出一种基于气象参数及深度学习的输电线路覆冰厚度预警方法。该方法引入平行坐标图的思路,将多维覆冰气象监测数据组成的矩阵转换成简化的平行坐标图,并将其作为图像输入深度学习模型中。同时对相对应的覆冰厚度信息按等级进行分类,以对应的气象条件为输入参量,分析转换后的简化平行坐标图与实测覆冰厚度之间的关系,构建输电线路覆冰厚度预警模型,可为电网覆冰预警提供新的可靠技术支撑。该方法能有效克服现有方法应用的局限性,提高电网覆冰厚度预警的准确性。
发明内容
本发明主要目的在于公开一种基于气象因素的覆冰厚度智能预警方法,以提高覆冰厚度智能预警准确性。
为达上述目的,本发明公开一种基于气象因素的覆冰厚度智能预警方法,包括:
读取线路微气象监测数据,获取同时刻监测数据的两种以上参数,该参数包括温度、湿度、降雨、风速、风向信息;
利用平行坐标算法将监测数据点转换成图像,包括采用平行坐标图将多维覆冰气象监测数据组成的矩阵转换成温度、湿度、最大拉力时的风偏角和最大拉力时的倾角图像;
计算所有覆冰样本数据的标签,将实测的覆冰厚度范围平均分为至少两个等级,每个多维覆冰监测数据点对应的标签为覆冰厚度等级;
构建覆冰智能预警卷积神经网络模型;
训练覆冰智能预警模型参数,将覆冰智能预警系统输出与理想输出之间的差值向后传播,以调整各层的权重和偏差,计算新的输出并再次更新权重和偏差,循环直至符合设定的训练终止条件;
将采集的最新气象数据输入训练好的覆冰智能预警模型中,计算得到相应的预测覆冰厚度水平。
本发明具有以下有益效果:
输电线路覆冰厚度预测模型可以视为是基于平行坐标系的数据转换系统和基于CNN的数据分析系统的集成,该模型接口可用于各种类型的多维覆冰气象监测数据接入,不受特定线路或特定覆冰过程限制,数据转换系统将输入气象数据映射到简化的平行坐标图上,而数据分析系统加载转换后的图像并训练自己来预测覆冰厚度水平,获得较高的覆冰厚度预警精度。
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为基于气象参数及深度学习覆冰预警示意图。
图2为基于平行坐标的多维气象参数数据可视化示意图。
图3为覆冰厚度智能预警卷积神经网络模型示意图。
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1
本实施例公开一种基于气象因素的覆冰厚度智能预警方法,参照图1至图3,包括以下步骤:
步骤1:读取线路微气象监测数据,获取该时刻监测数据的具体参数,包括温度、湿度、降雨、风速、风向信息。
步骤2:利用简化的平行坐标算法将监测数据点转换成图像。采用平行坐标图将多维覆冰气象监测数据组成的矩阵转换成温度、湿度、最大拉力时的风偏角和最大拉力时的倾角等图像。如图2所示,每个图像的背景采用黑色,代表监测数据的折线采用白色,黑像素和白像素可以分别表示为0和1。由于每个图像的大小为28×28像素,因此图像被视为28行28列的矩阵。
步骤3:计算所有覆冰样本数据的标签。将实测的覆冰厚度范围平均分为10个等级。每个多维覆冰监测数据点对应的标签为覆冰厚度等级,即0~9。
步骤4:构建覆冰智能预警卷积神经网络模型。采用典型的LeNet-5卷积神经网络模型。
在该模型中,输入数据通过卷积核的可训练滤波器卷积,卷积处理的输出称为特征映射,特征映射被视为卷积核提取的一组特征。如图3所示,构建的覆冰厚度智能预警模型,在第一个卷积层,将32个5×5的卷积核应用于每个输入图像,生成32个特征映射,这些特征映射可以看作是输入图像的不同通道。此后,在第一子采样层中对这些特征映射进行下采样,该子采样层将其大小减小到14×14像素。在第二个卷积层中,将64个5×5的卷积核应用于前一个子采样层输出的特征映射,生成64个特征映射。最后,在第二子采样层对特征图进行下采样,使其尺寸减小到7×7像素。在第二子采样层生成的特征映射被重塑为一维向量。此外,它被输入到第一完全连接层。第一层和第二层都有1024个节点,输出层有10个节点。在输出层,一个节点的输出值代表相应覆冰厚度等级的概率。因此,以概率最大的厚度等级作为覆冰厚度的预测等级。
步骤5:训练覆冰智能预警模型参数。将覆冰智能预警系统输出与理想输出之间的差值向后传播,以调整各层的权重和偏差,计算新的输出并再次更新权重和偏差。训练程序将持续到指定的训练时间。如图1所示。
步骤6:计算新的覆冰厚度预警数据。将采集到的最新气象数据输入模型,并计算得到相应的预测覆冰厚度水平。
综上,本发明实施例公开的基于气象因素的覆冰厚度智能预警方法,具有以下有益效果:
输电线路覆冰厚度预测模型可以视为是基于平行坐标系的数据转换系统和基于CNN的数据分析系统的集成,该模型接口可用于各种类型的多维覆冰气象监测数据接入,不受特定线路或特定覆冰过程限制,数据转换系统将输入气象数据映射到简化的平行坐标图上,而数据分析系统加载转换后的图像并训练自己来预测覆冰厚度水平,获得较高的覆冰厚度预警精度。
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 (3)
1.一种基于气象因素的覆冰厚度智能预警方法,其特征在于,包括:
读取线路微气象监测数据,获取同时刻监测数据的两种以上参数,该参数包括温度、湿度、降雨、风速、风向信息;
利用平行坐标算法将监测数据点转换成图像,包括采用平行坐标图将多维覆冰气象监测数据组成的矩阵转换成温度、湿度、最大拉力时的风偏角和最大拉力时的倾角图像;
计算所有覆冰样本数据的标签,将实测的覆冰厚度范围平均分为至少两个等级,每个多维覆冰监测数据点对应的标签为覆冰厚度等级;
构建覆冰智能预警卷积神经网络模型;
训练覆冰智能预警模型参数,将覆冰智能预警系统输出与理想输出之间的差值向后传播,以调整各层的权重和偏差,计算新的输出并再次更新权重和偏差,循环直至符合设定的训练终止条件;
将采集的最新气象数据输入训练好的覆冰智能预警模型中,计算得到相应的预测覆冰厚度水平。
2.根据权利要求1所述的基于气象因素的覆冰厚度智能预警方法,其特征在于,所述覆冰智能预警卷积神经网络模型采用典型的LeNet-5卷积神经网络模型。
3.根据权利要求1或2所述的基于气象因素的覆冰厚度智能预警方法,其特征在于,将实测的覆冰厚度范围平均分为10个等级,对应的标签为覆冰厚度等级为0~9。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203999.1A CN112232591A (zh) | 2020-11-02 | 2020-11-02 | 基于气象因素的覆冰厚度智能预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011203999.1A CN112232591A (zh) | 2020-11-02 | 2020-11-02 | 基于气象因素的覆冰厚度智能预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112232591A true CN112232591A (zh) | 2021-01-15 |
Family
ID=74123073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011203999.1A Pending CN112232591A (zh) | 2020-11-02 | 2020-11-02 | 基于气象因素的覆冰厚度智能预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112232591A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949920A (zh) * | 2021-02-26 | 2021-06-11 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种基于观冰代表站数据的区域覆冰预测及预警方法 |
CN113065253A (zh) * | 2021-04-01 | 2021-07-02 | 贵州电网有限责任公司 | 一种基于深度学习的输电线路覆冰类型预测方法 |
CN113642238A (zh) * | 2021-08-13 | 2021-11-12 | 贵州电网有限责任公司 | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 |
CN114978720A (zh) * | 2022-05-26 | 2022-08-30 | 沈阳理工大学 | 一种分布式拒绝服务攻击可视化表征的智能检测方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917500A (en) * | 1998-01-05 | 1999-06-29 | N-Dimensional Visualization, Llc | Intellectual structure for visualization of n-dimensional space utilizing a parallel coordinate system |
CN104750847A (zh) * | 2015-04-10 | 2015-07-01 | 河海大学 | 一种基于动态平行坐标的关联规则可视化系统及方法 |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN108732465A (zh) * | 2018-05-30 | 2018-11-02 | 广东电网有限责任公司 | 一种基于小波变换和cnn的配电网故障定位方法 |
CN110929611A (zh) * | 2019-11-12 | 2020-03-27 | 中国地质大学(武汉) | 一种基于pr-kelm的输电线路覆冰厚度预测模型的建模方法 |
US10853380B1 (en) * | 2016-07-31 | 2020-12-01 | Splunk Inc. | Framework for displaying interactive visualizations of event data |
CN112765256A (zh) * | 2020-12-16 | 2021-05-07 | 山东师范大学 | 一种平行坐标轴数据可视化方法及系统 |
CN112766372A (zh) * | 2021-01-19 | 2021-05-07 | 中国电力科学研究院有限公司 | 基于微气象感知的电力设备状态监测预警方法与系统 |
-
2020
- 2020-11-02 CN CN202011203999.1A patent/CN112232591A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5917500A (en) * | 1998-01-05 | 1999-06-29 | N-Dimensional Visualization, Llc | Intellectual structure for visualization of n-dimensional space utilizing a parallel coordinate system |
CN104750847A (zh) * | 2015-04-10 | 2015-07-01 | 河海大学 | 一种基于动态平行坐标的关联规则可视化系统及方法 |
US10853380B1 (en) * | 2016-07-31 | 2020-12-01 | Splunk Inc. | Framework for displaying interactive visualizations of event data |
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN108732465A (zh) * | 2018-05-30 | 2018-11-02 | 广东电网有限责任公司 | 一种基于小波变换和cnn的配电网故障定位方法 |
CN110929611A (zh) * | 2019-11-12 | 2020-03-27 | 中国地质大学(武汉) | 一种基于pr-kelm的输电线路覆冰厚度预测模型的建模方法 |
CN112765256A (zh) * | 2020-12-16 | 2021-05-07 | 山东师范大学 | 一种平行坐标轴数据可视化方法及系统 |
CN112766372A (zh) * | 2021-01-19 | 2021-05-07 | 中国电力科学研究院有限公司 | 基于微气象感知的电力设备状态监测预警方法与系统 |
Non-Patent Citations (1)
Title |
---|
BAIMING XIE 等, SPRINGER INTERNATIONAL PUBLISHING * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112949920A (zh) * | 2021-02-26 | 2021-06-11 | 中国电力工程顾问集团西南电力设计院有限公司 | 一种基于观冰代表站数据的区域覆冰预测及预警方法 |
CN113065253A (zh) * | 2021-04-01 | 2021-07-02 | 贵州电网有限责任公司 | 一种基于深度学习的输电线路覆冰类型预测方法 |
CN113642238A (zh) * | 2021-08-13 | 2021-11-12 | 贵州电网有限责任公司 | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 |
CN114978720A (zh) * | 2022-05-26 | 2022-08-30 | 沈阳理工大学 | 一种分布式拒绝服务攻击可视化表征的智能检测方法 |
CN114978720B (zh) * | 2022-05-26 | 2023-06-20 | 沈阳理工大学 | 一种分布式拒绝服务攻击可视化表征的智能检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112232591A (zh) | 基于气象因素的覆冰厚度智能预警方法 | |
Ghaderi et al. | Deep forecast: Deep learning-based spatio-temporal forecasting | |
Lei et al. | Mutual information based anomaly detection of monitoring data with attention mechanism and residual learning | |
US20210180571A1 (en) | Method and apparatus for monitoring formation of ice on wind turbine blade | |
CN108629452A (zh) | 一种基于多模式多参数集合预报的气象风险决策方法 | |
CN102411729A (zh) | 基于自适应线性逻辑网络的风电功率预测方法 | |
CN113657662B (zh) | 一种基于数据融合的降尺度风电功率预测方法 | |
CN112180471B (zh) | 天气预报方法、装置、设备及存储介质 | |
CN112070103B (zh) | 通过微波链路网格化自适应可变尺度反演大气能见度的方法 | |
CN117218375B (zh) | 基于先验知识与数据驱动的环境能见度预测方法及设备 | |
CN110826810B (zh) | 一种空间推理与机器学习相结合的区域降雨预测方法 | |
CN117194926A (zh) | 陆上风电基地吊装窗口期预测方法及系统 | |
Manoj et al. | FWS-DL: forecasting wind speed based on deep learning algorithms | |
CN115047544B (zh) | 一种覆冰预警方法及系统 | |
CN115202404B (zh) | 基于无人机的光伏发电组维护巡检方法 | |
CN116324523A (zh) | 湍流预测系统以及湍流预测方法 | |
CN112184007A (zh) | 一种基于数字孪生的车间设备远程诊断方法 | |
CN112200251A (zh) | 一种基于多尺度卷积神经网络的监测系统数据评估方法 | |
CN116960962A (zh) | 一种跨区域数据融合的中长期区域负荷预测方法 | |
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 | |
He et al. | A novel deep learning model for transmission line icing thickness prediction | |
CN114444763A (zh) | 基于afsa-gnn的风电功率预测方法 | |
CN114565004A (zh) | 一种风电机组功率曲线异常散点剔除方法及装置 | |
Adeyemo | Soft Computing techniques for weather and Climate change studies | |
CN114935788B (zh) | 变电站一次设备多点位雷电联合预警方法与系统 |
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 |