CN112329346B - 一种输电线路雷电地闪数据分析优化方法 - Google Patents

一种输电线路雷电地闪数据分析优化方法 Download PDF

Info

Publication number
CN112329346B
CN112329346B CN202011229876.5A CN202011229876A CN112329346B CN 112329346 B CN112329346 B CN 112329346B CN 202011229876 A CN202011229876 A CN 202011229876A CN 112329346 B CN112329346 B CN 112329346B
Authority
CN
China
Prior art keywords
data
lightning
transmission line
power transmission
region
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
Application number
CN202011229876.5A
Other languages
English (en)
Other versions
CN112329346A (zh
Inventor
宋暾昉
代晖
宋楷
武天海
吕攀
罗志贤
许静
罗建文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Sichuan Electric Power Co Ltd
Original Assignee
State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Sichuan Electric Power Co Ltd filed Critical State Grid Sichuan Electric Power Co Ltd
Priority to CN202011229876.5A priority Critical patent/CN112329346B/zh
Publication of CN112329346A publication Critical patent/CN112329346A/zh
Application granted granted Critical
Publication of CN112329346B publication Critical patent/CN112329346B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2113/00—Details relating to the application field
    • G06F2113/04—Power grid distribution networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种输电线路雷电地闪数据分析优化方法，涉及雷电检测优化方法，解决了雷电数据处理能力和分析速度已无法满足运维需要的问题。本发明包括构建优化模型，选择历史数据中匹配待分析地域相近的地域输电线路组作为训练集数据，在LSTM模型中载入的超参数设置选用待分析地域的输电线路属性数据，LSTM模型输出数据对应历史数据中的训练集数据对应的校验集数据，设置评价模块，所述评价模块对差值进行评价计算得到权衡精度与召回率，递归计算得到对待分析地域波及影响状况在地域可接受范围的雷电地闪的强度与范围。本发明递归计算过程中减少训练集的数据组数，提高计算效率，同时还能够精确判断雷电地闪状况。

Description

一种输电线路雷电地闪数据分析优化方法
技术领域
本发明涉及雷电检测优化方法，具体涉及一种输电线路雷电地闪数据分析优化方法。
背景技术
随着电网规模、电压等级飞速发展、国民经济水平的提高、各种智能、弱电设备如雨后春笋般的涌现，雷电对全国造成了巨大的经济损失、人畜伤害。
雷电是伴随着强对流过程而发生的一种灾害性天气现象，因其强大的电流、猛烈的冲击波以及强烈的电磁辐射等物理效应，能够在瞬间产生巨大的破坏作用，击坏供配电系统以及通信设备，导致供电瘫痪，计算机信息系统、电话通讯系统中断，危害人民财产和人身安全。有关研究统计，在地球上任一时刻，平均有2000多个雷暴在进行着，平均每秒有100次雷电。每个雷电强度可高达100亿伏，足见其能量之大，产生的危害可想而知。雷电灾害己经被联合国有关部门列为“最严重的十种自然灾害之一”，被中国电工委员会称为“电子时代的一大公害”。我国地处温带和亚热带地区，雷暴活动十分频繁，全国有21个省会城市的年最多雷暴日均在50天以上，最多达到了134天，雷电灾害是我国最严重的自然灾害之一。据不完全统计，在1997-2005年的年间，全国因雷击造成直接经济损失在百万元以上的雷电灾害事故就有200多起，每年因雷击造成人员伤亡上千人。雷电灾害已成为危害程度仅次于暴雨洪涝以及泥石流、山体滑坡等气象地质灾害的一大气象灾害，严重威胁着我国的社会公共安全和人民生命财产安全。
2000年1月1日开始实施的《中华人民共和国气象法》规定了各级气象主管机构应当加强对雷电防御工作的组织管理；因此，做好防雷减灾工作，不仅是安全生产不可缺少的重要环节，也是经济建设、社会发展和人民生命财产安全的重要保障，是维护社会稳定的大事。现有技术中一般是根据大气电场强度的变化频率、雷电定位仪或者气象雷达的检测数据对雷电进行预警的，数据来源单一且各部分数据之间缺少有机的交互和支撑，预测结果也因而容易出现偏差甚至错误。
目前在全国范围内已部署数百套雷电探测站，采集到了大量真实有效的雷电地闪数据，为电网防雷提供了雷电查询、雷电统计、雷电分析、雷电评估等诸多运维服务。
为了减小雷电损失、降低雷击风险，需要的雷电参数越来越多，也越来越细。目前使用雷电数据分析系统进行雷电数据统计分析，绘制区域地闪密度图等，为防雷设计、评估提供了有力的支持，但该系统开发平台已过于老旧，在应对长时间、大跨度的特高压输电通道雷电信息综合分析处理任务时，雷电数据处理能力和分析速度已无法满足运维需要，亟需应用新的数据处理技术，开展新一代雷电信息数据分析系统的研究，为研究重要输电通道和关键电力设施雷电活动规律提供有力的分析工具。
发明内容
本发明所要解决的技术问题是：在应对长时间、大跨度的特高压输电通道雷电信息综合分析处理任务时，雷电数据处理能力和分析速度已无法满足运维需要，亟需应用新的数据处理技术，本发明提供了解决上述问题的一种输电线路雷电地闪数据分析优化方法。
本发明通过下述技术方案实现：
一种输电线路雷电地闪数据分析优化方法，包括以下步骤：
A、载入待分析地域的输电线路属性数据；
B、对输电线路属性数据与历史数据进行处理，将处理后的历史数据搭建历史数据库，构建优化模型，选择历史数据中匹配待分析地域相近的地域输电线路组作为训练集数据，对训练集中的多组数据载入LSTM模型，且在LSTM模型中载入的超参数设置选用待分析地域的输电线路属性数据，LSTM模型输出数据对应历史数据中的训练集数据对应的校验集数据，载入算法模型计算校验集数据与LSTM模型输出数据差值，设置评价模块，所述评价模块对差值进行评价计算得到权衡精度与召回率，待分析地域相近的地域为待分析地域的输电线路的各类属性数据在邻域区间选定的多组相近属性的地域；
校验集数据为历史数据中记录到的输电线路受雷电地闪波及的影响与雷电强度和范围；
所述待分析地域相近的地域为输电线路的属性相近或相同的地域，所述输电线路属性包括输电线路包线材质、漆包线厚度、输电线截面尺寸和输电线路高度；
C、递归LSTM模型输出结果，依据召回率筛除训练集数据，对精简后的训练集数据，提高LSTM模型中的阈值，计算精确提高的权衡精度对应的校验集数据，拟合校验集数据对应的受雷电地闪波及的影响状况与缩小雷电强度和范围，递归计算得到对待分析地域波及影响状况在地域可接受范围的雷电地闪的强度与范围；
D、再依据评价模块计算可接受范围的雷电地闪的强度与范围在待分析地域的历史数据中出现的概率与频次。
进一步地，评价模块基于分类模型对输入数据进行分类。
进一步地，C中，将超出地域可接受范围内的雷电地闪，位于地域可接受范围内的雷电地闪分别采用混淆矩阵进行多类阈值确定，依据确定得到的阈值将评价模块的预输入参数数据分类为阳性数据和阴性数据，阳性数据为位于地域可接受范围内的雷电地闪数据，阴性数据为超出地域可接受范围内的雷电地闪数据。
进一步地，历史数据为所有地域的输电线路属性数据及其受雷电地闪波及的历史影响数据和历史出现的雷电地闪强度和范围。
进一步地，B中LSTM模型的运用包括对历史数据中的雷电类数据进行多信道自适应调整，应用量化门限对雷电地闪强度与范围数据进行概率密度估计，且确定适应的历史序列长度作为自相关分析长度，载入算法模型，验证数据准确度，历史序列长度为时间序列上截取适应待分析地域输电线路属性的一段时间段，在所述时间段上对应的历史数据的各个地域输电线路属性与待分析地域输电线路属性相近。
进一步地，还包括载入待分析地域当地的天气气象系统数据，计算雷暴云中的电场量对应产生的雷场地闪强度与范围，是否在阳性数据范围，如在阴性数据范围，发出预警信息，并联络中控台，调度用电资源至待分析地域电网。
进一步地，模型均搭建在上位机中，上位机还调用电网数据，电网数据包括多区域的输电线路属性数据，上位机还调用输电线路所在地域雷电地闪的历史数据，还连接气象系统，地域对应气象系统，建立关联数据库，上位机有权限读取所有关联数据库，并将得到的多类数据分类录入新的关联数据库。
本发明基于LSTM模型对历史阶段的雷电地闪数据进行统计分析，同时结合待分析地域的输电线路属性，预先筛选出输电线路属性一致或相近的输电线路，还包括载入天气气象数据分析历史数据中出现的影响当前待分析区域的雷电地闪强度与范围，实时监测当前的天气气象数据，确定混淆矩阵分类得到的数据是否生成阴性数据，如是，尽快调度电力资源，预防待分析地域出现断电情况发生。
本发明具有如下的优点和有益效果：
应用LSTM技术实时监控待分析地域的输电线路状况，并预先筛选适配数据作为训练集，还包括递归计算过程中减少训练集的数据组数，提高计算效率，同时还能够精确判断雷电地闪状况。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1为本发明的流程图。
具体实施方式
在下文中，可在本发明的各种实施例中使用的术语“包括”或“可包括”指示所发明的功能、操作或元件的存在，并且不限制一个或更多个功能、操作或元件的增加。此外，如在本发明的各种实施例中所使用，术语“包括”、“具有”及其同源词仅意在表示特定特征、数字、步骤、操作、元件、组件或前述项的组合，并且不应被理解为首先排除一个或更多个其它特征、数字、步骤、操作、元件、组件或前述项的组合的存在或增加一个或更多个特征、数字、步骤、操作、元件、组件或前述项的组合的可能性。
在本发明的各种实施例中，表述“或”或“A或/和B中的至少一个”包括同时列出的文字的任何组合或所有组合。例如，表述“A或B”或“A或/和B中的至少一个”可包括A、可包括B或可包括A和B二者。
在本发明的各种实施例中使用的表述(诸如“第一”、“第二”等)可修饰在各种实施例中的各种组成元件，不过可不限制相应组成元件。例如，以上表述并不限制所述元件的顺序和/或重要性。以上表述仅用于将一个元件与其它元件区别开的目的。例如，第一用户装置和第二用户装置指示不同用户装置，尽管二者都是用户装置。例如，在不脱离本发明的各种实施例的范围的情况下，第一元件可被称为第二元件，同样地，第二元件也可被称为第一元件。
应注意到：如果描述将一个组成元件“连接”到另一组成元件，则可将第一组成元件直接连接到第二组成元件，并且可在第一组成元件和第二组成元件之间“连接”第三组成元件。相反地，当将一个组成元件“直接连接”到另一组成元件时，可理解为在第一组成元件和第二组成元件之间不存在第三组成元件。
在本发明的各种实施例中使用的术语仅用于描述特定实施例的目的并且并非意在限制本发明的各种实施例。如在此所使用，单数形式意在也包括复数形式，除非上下文清楚地另有指示。除非另有限定，否则在这里使用的所有术语(包括技术术语和科学术语)具有与本发明的各种实施例所属领域普通技术人员通常理解的含义相同的含义。所述术语(诸如在一般使用的词典中限定的术语)将被解释为具有与在相关技术领域中的语境含义相同的含义并且将不被解释为具有理想化的含义或过于正式的含义，除非在本发明的各种实施例中被清楚地限定。
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
一种输电线路雷电地闪数据分析优化方法，如图1所示，包括以下步骤：
A、载入待分析地域的输电线路属性数据；
B、对输电线路属性数据与历史数据进行处理，将处理后的历史数据搭建历史数据库，构建优化模型，选择历史数据中匹配待分析地域相近的地域输电线路组作为训练集数据，对训练集中的多组数据载入LSTM模型，且在LSTM模型中载入的超参数设置选用待分析地域的输电线路属性数据，LSTM模型输出数据对应历史数据中的训练集数据对应的校验集数据，载入算法模型计算校验集数据与LSTM模型输出数据差值，设置评价模块，所述评价模块对差值进行评价计算得到权衡精度与召回率，待分析地域相近的地域为待分析地域的输电线路的各类属性数据在邻域区间选定的多组相近属性的地域；
校验集数据为历史数据中记录到的输电线路受雷电地闪波及的影响与雷电强度和范围；
所述待分析地域相近的地域为输电线路的属性相近或相同的地域，所述输电线路属性包括输电线路包线材质、漆包线厚度、输电线截面尺寸和输电线路高度；
C、递归LSTM模型输出结果，依据召回率筛除训练集数据，对精简后的训练集数据，提高LSTM模型中的阈值，计算精确提高的权衡精度对应的校验集数据，拟合校验集数据对应的受雷电地闪波及的影响状况与缩小雷电强度和范围，递归计算得到对待分析地域波及影响状况在地域可接受范围的雷电地闪的强度与范围；
D、再依据评价模块计算可接受范围的雷电地闪的强度与范围在待分析地域的历史数据中出现的概率与频次。
进一步地，评价模块基于分类模型对输入数据进行分类。
进一步地，C中，将超出地域可接受范围内的雷电地闪，位于地域可接受范围内的雷电地闪分别采用混淆矩阵进行多类阈值确定，依据确定得到的阈值将评价模块的预输入参数数据分类为阳性数据和阴性数据，阳性数据为位于地域可接受范围内的雷电地闪数据，阴性数据为超出地域可接受范围内的雷电地闪数据。
进一步地，历史数据为所有地域的输电线路属性数据及其受雷电地闪波及的历史影响数据和历史出现的雷电地闪强度和范围。
进一步地，B中LSTM模型的运用包括对历史数据中的雷电类数据进行多信道自适应调整，应用量化门限对雷电地闪强度与范围数据进行概率密度估计，且确定适应的历史序列长度作为自相关分析长度，载入算法模型，验证数据准确度，历史序列长度为时间序列上截取适应待分析地域输电线路属性的一段时间段，在所述时间段上对应的历史数据的各个地域输电线路属性与待分析地域输电线路属性相近。
进一步地，还包括载入待分析地域当地的天气气象系统数据，计算雷暴云中的电场量对应产生的雷场地闪强度与范围，是否在阳性数据范围，如在阴性数据范围，发出预警信息，并联络中控台，调度用电资源至待分析地域电网。
进一步地，模型均搭建在上位机中，上位机还调用电网数据，电网数据包括多区域的输电线路属性数据，上位机还调用输电线路所在地域雷电地闪的历史数据，还连接气象系统，地域对应气象系统，建立关联数据库，上位机有权限读取所有关联数据库，并将得到的多类数据分类录入新的关联数据库。
本发明基于LSTM模型对历史阶段的雷电地闪数据进行统计分析，同时结合待分析地域的输电线路属性，预先筛选出输电线路属性一致或相近的输电线路，还包括载入天气气象数据分析历史数据中出现的影响当前待分析区域的雷电地闪强度与范围，实时监测当前的天气气象数据，确定混淆矩阵分类得到的数据是否生成阴性数据，如是，尽快调度电力资源，预防待分析地域出现断电情况发生。
本发明的历史数据中包括地域相关的雷电地闪数据、输电线路受雷电地闪影响状况和与时间相关的天气气象数据。
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种输电线路雷电地闪数据分析优化方法，其特征在于，包括以下步骤：
A、载入待分析地域的输电线路属性数据；
B、对输电线路属性数据与历史数据进行处理，将处理后的历史数据搭建历史数据库，构建优化模型，选择历史数据中匹配待分析地域相近的地域输电线路组作为训练集数据，对训练集中的多组数据载入LSTM模型，且在LSTM模型中载入的超参数设置选用待分析地域的输电线路属性数据，LSTM模型输出数据对应历史数据中的训练集数据对应的校验集数据，载入算法模型计算校验集数据与LSTM模型输出数据差值，设置评价模块，所述评价模块对差值进行评价计算得到权衡精度与召回率，待分析地域相近的地域为待分析地域的输电线路的各类属性数据在邻域区间选定的多组相近属性的地域；
校验集数据为历史数据中记录到的输电线路受雷电地闪波及的影响与雷电强度和范围；
所述待分析地域相近的地域为输电线路的属性相近或相同的地域，所述输电线路属性包括输电线路包线材质、漆包线厚度、输电线截面尺寸和输电线路高度；
C、递归LSTM模型输出结果，依据召回率筛除训练集数据，对精简后的训练集数据，提高LSTM模型中的阈值，计算精确提高的权衡精度对应的校验集数据，拟合校验集数据对应的受雷电地闪波及的影响状况与缩小雷电强度和范围，递归计算得到对待分析地域波及影响状况在地域可接受范围的雷电地闪的强度与范围；
D、再依据评价模块计算可接受范围的雷电地闪的强度与范围在待分析地域的历史数据中出现的概率与频次。
2.根据权利要求1所述的一种输电线路雷电地闪数据分析优化方法，其特征在于，评价模块基于分类模型对输入数据进行分类。
3.根据权利要求1所述的一种输电线路雷电地闪数据分析优化方法，其特征在于，C中，将超出地域可接受范围内的雷电地闪，位于地域可接受范围内的雷电地闪分别采用混淆矩阵进行多类阈值确定，依据确定得到的阈值将评价模块的预输入参数数据分类为阳性数据和阴性数据，阳性数据为位于地域可接受范围内的雷电地闪数据，阴性数据为超出地域可接受范围内的雷电地闪数据。
4.根据权利要求1所述的一种输电线路雷电地闪数据分析优化方法，其特征在于，历史数据为所有地域的输电线路属性数据及其受雷电地闪波及的历史影响数据和历史出现的雷电地闪强度和范围。
5.根据权利要求1所述的一种输电线路雷电地闪数据分析优化方法，其特征在于，B中LSTM模型的运用包括对历史数据中的雷电类数据进行多信道自适应调整，应用量化门限对雷电地闪强度与范围数据进行概率密度估计，且确定适应的历史序列长度作为自相关分析长度，载入算法模型，验证数据准确度，历史序列长度为时间序列上截取适应待分析地域输电线路属性的一段时间段，在所述时间段上对应的历史数据的各个地域输电线路属性与待分析地域输电线路属性相近。
6.根据权利要求3所述的一种输电线路雷电地闪数据分析优化方法，其特征在于，还包括载入待分析地域当地的天气气象系统数据，计算雷暴云中的电场量对应产生的雷场地闪强度与范围，是否在阳性数据范围，如在阴性数据范围，发出预警信息，并联络中控台，调度用电资源至待分析地域电网。
7.根据权利要求3所述的一种输电线路雷电地闪数据分析优化方法，其特征在于，模型均搭建在上位机中，上位机还调用电网数据，电网数据包括多区域的输电线路属性数据，上位机还调用输电线路所在地域雷电地闪的历史数据，还连接气象系统，地域对应气象系统，建立关联数据库，上位机有权限读取所有关联数据库，并将得到的多类数据分类录入新的关联数据库。
CN202011229876.5A 2020-11-06 2020-11-06 一种输电线路雷电地闪数据分析优化方法 Active CN112329346B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011229876.5A CN112329346B (zh) 2020-11-06 2020-11-06 一种输电线路雷电地闪数据分析优化方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011229876.5A CN112329346B (zh) 2020-11-06 2020-11-06 一种输电线路雷电地闪数据分析优化方法

Publications (2)

Publication Number Publication Date
CN112329346A CN112329346A (zh) 2021-02-05
CN112329346B true CN112329346B (zh) 2022-06-14

Family

ID=74316251

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011229876.5A Active CN112329346B (zh) 2020-11-06 2020-11-06 一种输电线路雷电地闪数据分析优化方法

Country Status (1)

Country Link
CN (1) CN112329346B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408803A (zh) * 2021-06-24 2021-09-17 国网浙江省电力有限公司双创中心 一种雷电预测方法、装置、设备及计算机可读存储介质

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427041A (zh) * 2018-03-14 2018-08-21 南京中科九章信息技术有限公司 雷电预警方法、系统、电子设备和存储介质
CN108921370A (zh) * 2018-05-15 2018-11-30 陕西省地方电力（集团）有限公司 一种输电线路区段雷害风险的评估方法及系统
CN109243145A (zh) * 2018-07-23 2019-01-18 中国电力科学研究院有限公司 一种输电线路地质灾害的分区评估预警方法及系统
CN110135645A (zh) * 2019-05-16 2019-08-16 电子科技大学 架空输电线路全光纤动静态监测和趋势预测系统及方法
CN111126489A (zh) * 2019-12-24 2020-05-08 广东电网有限责任公司 一种基于集成学习的输电设备状态评价方法
CN111797572A (zh) * 2020-07-06 2020-10-20 中国矿业大学(北京) 一种城市事故灾害演化模拟及风险预测预警方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108427041A (zh) * 2018-03-14 2018-08-21 南京中科九章信息技术有限公司 雷电预警方法、系统、电子设备和存储介质
CN108921370A (zh) * 2018-05-15 2018-11-30 陕西省地方电力（集团）有限公司 一种输电线路区段雷害风险的评估方法及系统
CN109243145A (zh) * 2018-07-23 2019-01-18 中国电力科学研究院有限公司 一种输电线路地质灾害的分区评估预警方法及系统
CN110135645A (zh) * 2019-05-16 2019-08-16 电子科技大学 架空输电线路全光纤动静态监测和趋势预测系统及方法
CN111126489A (zh) * 2019-12-24 2020-05-08 广东电网有限责任公司 一种基于集成学习的输电设备状态评价方法
CN111797572A (zh) * 2020-07-06 2020-10-20 中国矿业大学(北京) 一种城市事故灾害演化模拟及风险预测预警方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
A Deep Learning Network for Cloud-to-Ground Lightning Nowcasting with Multisource Data;Kanghui Zhou，等;《Journal of Atmospheric and Oceanic Technology》;20200501;第37卷(第5期);第927-942页 *
基于BP神经网络的输电线路雷击故障预测;吴琛，等;《电力工程技术》;20200928;第39卷(第05期);第133-139页 *
输电线路雷电活动时空分布特征的数据挖掘;俞立婷等;《高电压技术》;20080229(第02期);第314-318页 *

Also Published As

Publication number Publication date
CN112329346A (zh) 2021-02-05

Similar Documents

Publication Publication Date Title
Palutikof et al. A review of methods to calculate extreme wind speeds
CN102629294B (zh) 台风引发输电线路故障的概率评估方法
CN106446016A (zh) 一种基于并行关联规则挖掘的配电网运行可靠性预测方法
Stucki et al. A catalog of high-impact windstorms in Switzerland since 1859
CN113408917B (zh) 自然灾害风险评估方法、装置、计算机设备及存储介质
CN102508046B (zh) 一种户外电气设备实时雷击预警方法及装置
CN112329346B (zh) 一种输电线路雷电地闪数据分析优化方法
CN104463692A (zh) 考虑实时气象雷暴信息的高压输电线路故障风险排序方法
CN112886923B (zh) 一种雷电天气的光伏电站运维方法及设备
CN114862278B (zh) 一种基于配网雷击数据的输电线雷击风险评估方法及系统
CN108596514A (zh) 基于模糊遗传算法的电力设备混合威布尔可靠性建模方法
Luu et al. Analysing flood fatalities in Vietnam using national disaster database and tree-based methods
CN115219810A (zh) 一种基于雷电定位系统的线路跳闸预测方法
Tomasella et al. Probabilistic flood forecasting in the Doce Basin in Brazil: Effects of the basin scale and orientation and the spatial distribution of rainfall
Zhu et al. A decision tree model for meteorological disasters grade evaluation of flood
Singhal et al. Potential use of extreme rainfall forecast and socio-economic data for impact-based forecasting at the district level in Northern India
CN115456248A (zh) 基于卷积神经网络的落雷预测模型构建方法
CN103093619A (zh) 基于智能交通系统的交通评价方法及装置
CN111090747A (zh) 一种基于神经网络分类的电力通信故障应急处置方法
CN114414491A (zh) 一种草原生态动态监测与分析系统
CN116523299A (zh) 一种配电线路杆塔雷害特征参数分级评估方法
Javor et al. LINETGIS analysis of lightning flash density in Serbia based on ten years data
CN107832943A (zh) 一种电力系统移动终端安全威胁评估方法
CN114638427A (zh) 基于危险度识别的古建筑防雷击方法
CN112686544A (zh) 一种电网雷害风险预警方法

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