CN112598883B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN112598883B
CN112598883B CN202110167996.5A CN202110167996A CN112598883B CN 112598883 B CN112598883 B CN 112598883B CN 202110167996 A CN202110167996 A CN 202110167996A CN 112598883 B CN112598883 B CN 112598883B
Authority
CN
China
Prior art keywords
lightning
early warning
power transmission
probability
transmission line
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
CN202110167996.5A
Other languages
English (en)
Other versions
CN112598883A (zh
Inventor
童充
蔡云峰
王俊
徐箭
徐洋
廖思阳
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.)
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Suzhou Power Supply Co of State Grid Jiangsu 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 Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202110167996.5A priority Critical patent/CN112598883B/zh
Publication of CN112598883A publication Critical patent/CN112598883A/zh
Application granted granted Critical
Publication of CN112598883B publication Critical patent/CN112598883B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/10—Alarms for ensuring the safety of persons responsive to calamitous events, e.g. tornados or earthquakes
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • G08B21/182—Level alarms, e.g. alarms responsive to variables exceeding a threshold
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B31/00—Predictive alarm systems characterised by extrapolation or other computation using updated historic data

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Emergency Management (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • General Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • Geology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Environmental & Geological Engineering (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Alarm Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

一种基于贝叶斯网络的输电线路落雷概率预警方法及系统，该方法结合实时微气象信息和落雷信息，通过挖掘气象因素与落雷要素之间的关联关系，建立刻画气温、降水、气压、风向、风速、湿度等的气象信息和落雷信息间的关联模型，为重要输电通道是否将遭受雷击提供预警概率值。本发明针对重要输电通道的落雷概率预警可用于输电通道的防雷保护，预警概率的大小可为输电通道在遭受雷击故障前是否采取相应的事前主动防护措施提供参考。

Description

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
技术领域
本发明属于电力系统防雷技术领域，涉及输电线路落雷概率预警领域，具体涉及一种输电线路落雷概率预警方法及预警系统。
背景技术
近年来全球气候变化明显，极端天气增多，雷电活动更加频繁剧烈。根据麻省理工在2016年国际防雷大会上发布的研究，在可预见的未来10-20年，全球雷暴活动还将大幅增加，雷电一直是危害电网安全的重大因素。
同时，随着雷电探测技术的发展，动态雷电防护开始走入人们的视野，即通过雷电探测系统预测未来一段时间内本区域产生雷击的概率，并提前调整电网的运行方式，将雷击位置附近电力线路上的重要负荷进行转移。这样，即便线路因雷击而跳闸，由于其所带的负荷已被转移，跳闸所造成的经济社会损失就可以大幅降低。
目前国内外针对输电线路遭受雷击的概率研究主要集中在雷电活动探测研究方面。国外有学者Moriah Kohn提出采用基于地面甚低频闪电信号侦测网的ZEUS系统，并结合基于数据外推的预警决策综合信息支持系统进行雷云预测；国内如中国气象科学研究院开发了一套雷电临近预报系统，可以预测未来1小时内的闪电活动。但这些研究更多地还是侧重对雷电发生机理的研究，较少涉及数据层面的挖掘分析。
实际上，在雷电活动的探测过程中，电力部门积累了大量的关于雷电活动的运行数据，这些数据既包括如气温、降水、气压、风向、风速和湿度等的气象数据，也有雷电定位系统探测到的诸如落雷经纬度、雷电流幅值、回击次数等的雷电信息。这些数据为雷电活动探测提供了一种新的辅助手段，从这些落雷的历史数据中挖掘气象因素与落雷信息之间的相关性，可以回避目前对雷电活动机理掌握不够的困难，从而建立用于雷电活动预报的非线性外推模型。
目前针对输电线路落雷概率的研究主要集中在对雷电活动的探测方面，由于雷电探测系统采用基于云地闪的电磁辐射原理，因而易受电磁信号的干扰；同时，由于电磁信号的传输需要建立单独的通信通道，因而需要对通信通道进行单独的维护；而且雷电探测系统只能定位到有云地闪发生时刻雷云的位置，无法对输电线路上空雷云的落雷概率进行有效预警。
发明内容
针对现有的雷云定位系统存在的易受电磁信号干扰、无法对雷云覆盖区域落雷概率进行有效预警等问题，本发明充分挖掘利用在雷电活动的探测过程中，电力部门积累的大量关于雷电活动的运行数据，基于贝叶斯网络建立了刻画气温、降水、气压、风向、风速、湿度等的气象信息和落雷信息间的关联模型，为重要输电通道是否将遭受雷击提供预警概率值，从而可根据预警概率值的大小确定是否采取相应的事前雷击主动防护措施。
为解决上述技术问题，本发明具体采用以下技术方案。
一种基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于，所述输电线路落雷概率预警方法包括以下步骤：
步骤1：采集待预警输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，统计与气象六要素对应的同一区域落雷数据；
步骤2：对步骤1所采集的气温、降水、气压、风向、风速、湿度气象六要素数据进行插值处理和数据异常值处理；
步骤3：根据步骤1采集的落雷数据进行落雷预警等级划分；
步骤4：基于步骤2异常值处理后的气象六要素历史数据和气象六要素历史数据对应的落雷预警等级，对气象六要素历史数据进行离散化处理；
步骤5：基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；
步骤6：根据下一时刻气象六要素的预测值，通过步骤5得到的贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。
本发明进一步包括以下优选方案。
在步骤1中，所述待预警输电线路沿线区域是指以待预警输电线路为中心向两侧扩展设定距离的区域范围。
所述待预警输电线路沿线区域是指以待预警输电线路为中心向左右两侧各扩展两公里区域范围。
在步骤1中，所述气温、降水、气压、风向、风速和湿度气象六要素的采集时间间隔为3小时；
所述落雷数据的采样时间间隔为1微秒级别。
对气象六要素的历史数据进行插值处理，插值后数据的时间尺度为1s；
统计以待预警输电线路沿线区域范围内在1s内发生的绕击雷次数。
在步骤2中，对步骤1所采集的气象六要素历史数据的数据异常值处理包括以下内容：
针对气象六要素历史数据中的每一类样本数据，确定上四分位数U和下四分位数L，计算四分数间距IQL；
IQR＝U-L
按照下式定义样本数据的上界Upperlimit和下界Lowerlimit
Lower limit＝L-1.5×IQR
Upper limit＝U+1.5×IQR
当样本数据在上下界范围内的为正常值；
当样本数据在上下界之外即大于等于上界或者小于等于下界，则判断为异常值，然后则选用边界值进行代替；
其中，上四分位数U表示数据样本中有1/4的样本数据大于U；下四分位数L表示数据样本中有1/4的样本数据小于L。
在步骤3中，依据历史数据中统计的同一地区同一时间落雷次数的不同，划分不同的落雷预警等级。
将所述落雷预警等级划分为四级，其中：
当1s内的落雷次数Ng≤5时，定义为I级落雷预警；
当1s内的落雷次数5<Ng≤9时，定义为II级落雷预警；
当1s内的落雷次数9<Ng≤12时，定义为III级落雷预警；
当1s内的落雷次数Ng＞12时，定义为IV级落雷预警。
在步骤4中，对异常值处理后的气象六要素历史数据通过定义列联系数指标刻画气象六要素与落雷预警等级之间的相关性强度，从而对随机变量数据进行离散化处理。
按照下式分别计算气象六要素与落雷预警等级之间的列联系数即相关性强度，
Figure GDA0003374981110000041
式中，k＝1,2,…,6分别对应气象六要素中的气温、降水、气压、风向、风速和湿度；
Figure GDA0003374981110000042
m表示总的样本数；S表示落雷预警等级类别数；n表示气象六要素中第k个要素离散后区间数；qir,k表示气象六要素中第k个要素值属于区间(dr-1,dr]且落雷预警等级类别为i的样本数量；Mi+,k表示气象六要素中第k个要素落雷预警等级类别为i的样本数量；M+r,k表示气象六要素中第k个要素值属于区间(dr-1,dr]的样本数量。
在步骤5中，建立贝叶斯网络结构模型包括以下内容：
步骤5.1定义如下的关联矩阵I∈Rn×n和祖先矩阵A∈Rn×n用于描述贝叶斯网络的结构特性；其中，n＝7表示网络顶点数，包括气象六要素和落雷预警等级；
Figure GDA0003374981110000043
式中，E为所有边的集合；当存在顶点vj至顶点vi的直接有向路径时，相应的关联矩阵元素设为1，否则为0；
Figure GDA0003374981110000044
式中，只要存在顶点vj至顶点vi的有向路径，即令祖先矩阵的相应元素为1，否则为0；
步骤5.2构建合法的马尔科夫链状态转移操作，所述合法的马尔科夫链状态转移操作即指在状态转移的过程中不能在网络结构中引入有向环，在每一步状态转移过程中，首先判断该状态转移操作是否合法，当马尔科夫链接收合法操作时，即更新关联矩阵I和祖先矩阵A的相应元素；
步骤5.3基于马尔科夫蒙特卡洛MCMC采样，最终得到目标贝叶斯网络结构样本，选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型。
在步骤5.2中，具体包括以下内容：
步骤5.2.1，添加边操作；当A(i,j)＝0时，则添加边vi→vj是合法的，当接受添加边vi→vj的操作时，更新关联矩阵I(j,i)＝1；祖先矩阵A的更新分三步进行：首先，将顶点vi设为顶点vj的祖先节点；其次，更新vj的祖先节点，即将vi的所有祖先节点添加为vj的祖先节点；最后，更新更新vj的子孙节点的祖先节点，即将vj的所有祖先节点添加为vj的子孙节点的祖先节点；
步骤5.2.2，删除边的操作；删除边的操作都是合法的，当接受删除边vi→vj的操作时，更新关联矩阵I(j,i)＝0；祖先矩阵的更新分为两步进行，即更新vj的祖先节点和更新vj的子孙节点的祖先节点；
步骤5.2.3，翻转边的操作；将边vi→vj翻转成vi←vj的操作可分删除边和添加边两步进行，即首先删除边vi→vj，然后添加边vi←vj。
步骤5.3包括如下内容：
步骤5.3.1从任意简单概率分布采样得到网络结构样本的初始状态值model0；
步骤5.3.2令t＝0，当t≤M+N时，从任意选定的马尔科夫链状态转移矩阵Q对应的条件概率分布Q(model|modelt)中采样得到新的网络结构样本model*；
其中，M为采样后得到的有效网络结构样本数；N为前N次采样丢弃的无效网络结构样本数；Q为任意选定的马尔科夫链状态转移矩阵；modelt为第t次采样得到的网络结构样本；
步骤5.3.3从均匀分布采样u～uniform[0,1]，
当
Figure GDA0003374981110000061
时，则接受该次转移采样，令modelt+1＝model*；否则，拒绝该次采样，令modelt+1＝modelt；
其中，π为马尔科夫链状态转移矩阵Q对应的平稳分布；modelt+1为第t+1次采样得到的网络结构样本。
步骤5.3.4，令t＝t+1，重复步骤5.3.2；
步骤5.3.5，最终得到目标贝叶斯网络结构样本：
{modelN+1,modelN+2,…,modelN+M-1,modelN+M}，选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型。
在步骤6中，当得到下一时刻的气象六要素数据时，根据气象六要素各自的离散化区间将该时刻的气象数据划分为所属的区间，从而根据步骤5所构建的贝叶斯网络结构得到该气象状态下对应的各落雷预警等级的概率；
Figure GDA0003374981110000062
其中，s1,…,s7分别表示气温、降水、气压、风向、风速、湿度离散化后所属的区间和落雷预警等级；P(s7,s1,s2,s3,s4,s5,s6)表示气象六要素和落雷预警等级的联合概率分布值；P(s7|s1,s2,s3,s4,s5,s6)表示在给定气象六要素的条件下相应落雷预警等级的条件概率值，取其中概率最大者作为当前气象状态下对应的落雷预警等级。
本申请同时公开了一种利用前述输电线路落雷概率预警方法的输电线路落雷概率预警系统，包括数据采集模块、数据预处理模块、落雷预警等级划分模块、气象历史数据离散化处理模块、贝叶斯网络结构模型模块和落雷预警等级概率计算模块；其特征在于：
所述数据采集模块收集输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，以及与气象六要素对应的同一区域的落雷数据；
所述预处理模块对所采集的气温、降水、气压、风向、风速、湿度数据进行插值处理并对异常值进行替代；
所述落雷预警等级划分模块基于所采集的与气象六要素对应的同一区域的落雷次数划分预定的落雷预警等级；
所述气象历史数据离散化处理模块根据划分的落雷预警等级对预处理后的气象六要素历史数据进行离散化处理；
所述贝叶斯网络结构模型模块基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；
所述落雷预警等级概率计算模块根据下一时刻气象六要素的预测值，通过贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。
相对于现有技术，本发明具有以下有益的技术效果：
1.由于本发明对输电线路区域落雷概率预警原理应用的是基于历史数据离线训练得到的贝叶斯网络模型，不同于传统的基于云地闪电磁辐射高低频信号的雷云定位系统，因而不受电磁信号的干扰；
2.由于本发明数据直接来源于调度部门，因而可根据离线训练得到的模型在线计算输电线路周围区域的落雷概率，不需要建立单独的通信系统，也就不需要对通信系统单独进行维护，成本相对较低；
3.本发明基于MCMC采样算法对贝叶斯网络模型的构建有效地避免了事先定义网络结构中节点顺序从而降低结构学习准确性的问题。
附图说明
图1为本发明基于贝叶斯网络的输电线路落雷概率预警方法的流程示意图；
图2为本发明实施例中基于马尔科夫蒙特卡洛采样的流程图；
图3为本发明实施例中表征气象六要素和落雷预警等级的贝叶斯网络结构图；
图4为本发明基于贝叶斯网络的输电线路落雷概率预警系统的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，本领域普通技术人员在没有作出创造性劳动前提下所获得的有所其它实施例，都属于本发明的保护范围。
如图1所示，本申请公开了一种基于贝叶斯网络的输电线路落雷概率预警方法，包括以下步骤：
步骤1：采集待预警输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，统计与气象六要素对应的同一区域落雷数据；
所述待预警输电线路沿线区域是指以待预警输电线路为中心向左右两侧各扩展两公里区域范围。
在电力气象预报数据中，对气温、降水、气压、风向、风速和湿度气象六要素的采集时间间隔为3小时。雷电定位系统对落雷数据的采样时间间隔为1微秒级别，本发明统计以待预警输电线路沿线区域范围内在1s内发生的绕击雷次数，雷电定位系统在监测到落雷时能够获取落雷的经纬度信息，在本申请实施中将该次落雷的地理位置落在输电线路为中心向左右两侧各扩展两公里区域范围内，均作为区域内的绕击雷进行统计。
步骤2：对步骤1所采集的气温、降水、气压、风向、风速、湿度气象六要素数据进行插值处理和数据异常值处理；
步骤2.1，首先需要对气象六要素数据进行三次样条插值处理，插值处理后数据的时间尺度与落雷数据统计时间尺度相同。在本申请的优选实施例中，气象六要素数据插值后的时间尺度和落雷数据的统计时间尺度相同，均为1s；
步骤1.2，对气象六要素中的异常值数据进行处理。本领域技术人员清楚，对异常采样值的处理方式很多，均能取得预期的技术效果。本发明实施例采用以下具体方式对异常值进行处理。在本申请实施例中个，对气象六要素中的异常值数据进行处理包括以下内容：
针对每一类气象要素数据(包括气温、降水、气压、风向、风速和湿度)，分别通过定义上四分位数U和下四分位数L，其中，上四分位数U表示数据样本中有1/4的样本数据大于U；下四分位数L表示数据样本中有1/4的样本数据小于L；
计算四分数间距
IQR＝U-L
则箱线图的上下界定义为
Lower limit＝L-1.5×IQR
Upper limit＝U+1.5×IQR
在上下界范围内的为正常值；对于在上下界之外的异常值则选用边界值进行代替。
经过对气象六要素数据进行插值处理和数据异常值处理后；收集的数据构成如下的样本矩阵：
X＝[x1,x2,x3,x4,x5,x6,x7]；
其中，x1＝[x11,x12,L,x1m]T表示收集的气温数据；x2＝[x21,x22,L,x2m]T表示收集的降水数据；x3＝[x31,x32,L,x3m]T表示收集的气压数据；x4＝[x41,x42,L,x4m]T表示收集的风向数据；x5＝[x51,x52,L,x5m]T表示收集的风速数据；x6＝[x61,x62,L,x6m]T表示收集的湿度数据；x7＝[x71,x72,L,x7m]T表示收集的落雷次数数据；m表示总样本数。
步骤3，根据采集的落雷数据进行落雷预警等级划分；
落雷预警等级的划分：
在本申请实施例中，依据历史数据中统计的落雷次数的不同，采用如下表1所示的四级差异化预警机制；
表1落雷预警等级分布表
Figure GDA0003374981110000091
表中，x7i为第i个样本的落雷次数(i＝1,2,L,m)；当x7i≤5时，将落雷次数对应的落雷预警等级划分为I级；当5<x7i≤9时，将落雷次数对应的落雷预警等级划分为II级；当9<x7i≤12时，将落雷次数对应的落雷预警等级划分为III级；当x7i＞12时，将落雷次数对应的落雷预警等级划分为IV级。
步骤4，基于步骤2异常值处理后的气象六要素历史数据和气象六要素历史数据对应的落雷预警等级，对气象六要素历史数据进行离散化处理；
通过定义列联系数(Class-Attribute Contingency Coefficient，CACC)指标来刻画气象六要素与落雷预警等级之间的相关性强度，从而对随机变量数据进行离散化处理；
Figure GDA0003374981110000101
式中，k＝1,2,…,6分别对应气象六要素中的气温、降水、气压、风向、风速和湿度；
Figure GDA0003374981110000102
m表示总的样本数；S表示落雷预警等级类别数；n表示气象六要素中第k个属性离散后区间数；qir,k表示气象六要素中第k个要素值属于区间(dr-1,dr]且落雷预警等级类别为i的样本数量；Mi+,k表示气象六要素中第k个要素落雷预警等级类别为i的样本数量；M+r,k表示气象六要素中第k个要素值属于区间(dr-1,dr]的样本数量。通过所定义的CACC指标寻找一种较优的气象六要素数据离散化方案。对于样本矩阵X，其中某列属性xi(i＝1,2,…,6)，1-6分别表示气温、降水、气压、风向、风速、湿度，采用如下方式进行离散化：
首先，将xi中的值按升序进行排列得到[di1,di2,…,dim]T，即满足di1<di2<…<dim，按下式计算相邻点的中值，
Figure GDA0003374981110000103
令B＝{bi1,bi2,…,bi(m-1)}，找到xi中的最大值dim和最小值di1，令初始离散化方案Di＝{di1,dim}和globalcacc＝0；然后对于任意边界点bij∈B且
Figure GDA0003374981110000104
依次将bij(j＝1,2,…,m-1)加入到集合Di中，并分别计算新的cacc值，从中挑选使得cacc值最大的biq加入到离散化方案中形成Di'＝{di1,biq,dim}，在该离散化方案下对应的cacc值记为caccq，若满足caccq＞globalcacc，则令Di'＝Di，继续下一次边界点bij的挑选，直至集合B中的元素全部挑选完毕，从而形成最终的离散化方案。
步骤5，气象六要素信息与落雷预警等级的贝叶斯网络相关性建模；
步骤5.1，贝叶斯网络结构特性的描述，定义如下的关联矩阵I∈Rn×n和祖先矩阵A∈Rn×n(n＝7表示网络顶点数，包括气象六要素和落雷预警等级)用于描述贝叶斯网络的结构特性。
Figure GDA0003374981110000111
式中，E为所有边的集合；当存在顶点vj至顶点vi的直接有向路径时，相应的关联矩阵元素设为1，否则为0。
Figure GDA0003374981110000112
式中，只要存在顶点vj至顶点vi的有向路径，即令祖先矩阵的相应元素为1，否则为0。
步骤5.2，合法的马尔科夫链状态转移操作的构建。所述合法的马尔科夫链状态转移操作即指在状态转移的过程中不能在网络结构中引入有向环。在每一步状态转移过程中，首先判断该状态转移操作是否合法，当马尔科夫链接受该操作时，即更新关联矩阵I和祖先矩阵A的相应元素。
步骤5.2包括如下子步骤：
步骤5.2.1，添加边操作。当A(i,j)＝0时，则添加边vi→vj是合法的。当接受添加边vi→vj的操作时，更新关联矩阵I(j,i)＝1；祖先矩阵A的更新分三步进行：首先，将顶点vi设为顶点vj的祖先节点；其次，更新vj的祖先节点，即将vi的所有祖先节点添加为vj的祖先节点；最后，更新vj的子孙节点的祖先节点，即将vj的所有祖先节点添加为vj的子孙节点的祖先节点。
步骤5.2.2，删除边的操作。删除边的操作是不会在网络结构中引入环的，因此都是合法的。当接受删除边vi→vj的操作时，更新关联矩阵I(j,i)＝0；祖先矩阵的更新也可分为两步进行，即更新vj的祖先节点和更新vj的子孙节点的祖先节点。
步骤5.2.3，翻转边的操作。将边vi→vj翻转成vi←vj的操作可分删除边和添加边两步进行，即首先删除边vi→vj，然后添加边vi←vj。
步骤5.3，基于马尔科夫蒙特卡洛(Markov Chain Monte Carlo,MCMC)的采样。
参见附图2，步骤5.3包括如下子步骤：
步骤5.3.1，从任意简单概率分布采样得到网络结构样本的初始状态值model0；
步骤5.3.2，令t＝0，当t≤M+N时，从任意选定的马尔科夫链状态转移矩阵Q对应的条件概率分布Q(model|modelt)中采样得到model*；
其中，M为采样后得到的有效网络结构样本数；N为前N次采样丢弃的无效网络结构样本数。
步骤5.3.3，从均匀分布采样u～uniform[0,1]，当
Figure GDA0003374981110000121
时，则接受该次转移采样，令modelt+1＝model*；否则，拒绝该次采样，令modelt+1＝modelt。
步骤5.3.4，令t＝t+1，重复步骤5.3.2。
步骤5.3.5，最终得到目标贝叶斯网络结构样本{modelN+1,modelN+2,…,modelN+M-1,modelN+M}，选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型，如下附图3所示。
在图3中，s1,s2,s3,s4,s5,s6分别表示气温、降水、气压、风向、风速、湿度离散化后所属的区间和落雷预警等级。
步骤6，不同落雷预警等级概率的计算。
当得到下一时刻的气象六要素数据时，可根据气象六要素各自的离散化区间将其划分为对应的状态，从而根据构建的贝叶斯网络结构可得到该气象状态下对应的各落雷预警等级的概率；
Figure GDA0003374981110000131
其中，s1,…,s7分别表示气温、降水、气压、风向、风速、湿度离散化后所属的区间和落雷预警等级；
P(s7,s1,s2,s3,s4,s5,s6)＝P(s2)P(s7|s2)P(s5|s7)P(s4|s2,s5)P(s6|s2,s4,s5)P(s3|s2,s4,s6)P(s1|s2,s3,s6)
表示气象六要素和落雷预警等级的联合概率分布值；
Figure GDA0003374981110000132
表示相应气象六要素发生的全概率；
P(s7|s1,s2,s3,s4,s5,s6)
表示在给定气象六要素的条件下相应落雷预警等级的概率值，取其中概率最大者作为当前气象状态下对应的落雷预警等级。
如附图4所示，本申请同时公开了一种利用前述输电线路落雷概率预警方法的输电线路落雷概率预警系统，包括数据采集模块、数据预处理模块、落雷预警等级划分模块、气象历史数据离散化处理模块、贝叶斯网络结构模型模块和落雷预警等级概率计算模块。
所述数据采集模块收集输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，以及与气象六要素对应的同一区域的落雷数据；
所述预处理模块对所采集的气温、降水、气压、风向、风速、湿度数据进行插值处理并对异常值进行替代；
所述落雷预警等级划分模块基于所采集的与气象六要素对应的同一区域的落雷次数划分预定的落雷预警等级；
所述气象历史数据离散化处理模块根据划分的落雷预警等级对预处理后的气象六要素历史数据进行离散化处理；
所述贝叶斯网络结构模型模块基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；
所述落雷预警等级概率计算模块根据下一时刻气象六要素的预测值，通过贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、静态随机存取存储器(SRAM)、便携式压缩盘只读存储器(CD-ROM)、数字多功能盘(DVD)、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波(例如，通过光纤电缆的光脉冲)、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构(ISA)指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列(FPGA)或可编程逻辑阵列(PLA)，该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
这里参照根据本公开实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述了本公开的各个方面。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机可读程序指令实现。
这些计算机可读程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，使得这些指令在通过计算机或其它可编程数据处理装置的处理器执行时，产生了实现流程图和/或框图中的一个或多个方框中规定的功能/动作的装置。也可以把这些计算机可读程序指令存储在计算机可读存储介质中，这些指令使得计算机、可编程数据处理装置和/或其它设备以特定方式工作，从而，存储有指令的计算机可读介质则包括一个制造品，其包括实现流程图和/或框图中的一个或多个方框中规定的功能/动作的各个方面的指令。
也可以把计算机可读程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机、其它可编程数据处理装置、或其它设备上执行的指令实现流程图和/或框图中的一个或多个方框中规定的功能/动作。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (15)

1.一种基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于，所述输电线路落雷概率预警方法包括以下步骤：
步骤1：采集待预警输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，统计与气象六要素对应的同一区域落雷数据；
步骤2：对步骤1所采集的气温、降水、气压、风向、风速、湿度气象六要素数据进行插值处理和数据异常值处理；
步骤3：根据步骤1采集的落雷数据进行落雷预警等级划分；
步骤4：基于步骤2异常值处理后的气象六要素历史数据和气象六要素历史数据对应的落雷预警等级，对气象六要素历史数据进行离散化处理；
步骤5：基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；
步骤6：根据下一时刻气象六要素的预测值，通过步骤5得到的贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。
2.根据权利要求1所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤1中，所述待预警输电线路沿线区域是指以待预警输电线路为中心向两侧扩展设定距离的区域范围。
3.根据权利要求2所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
所述待预警输电线路沿线区域是指以待预警输电线路为中心向左右两侧各扩展两公里区域范围。
4.根据权利要求3所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤1中，所述气温、降水、气压、风向、风速和湿度气象六要素的采集时间间隔为3小时；
所述落雷数据的采样时间间隔为微秒级别。
5.根据权利要求1或4所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
对气象六要素的历史数据进行插值处理，插值后数据的时间尺度为1s；
统计以待预警输电线路沿线区域范围内在1s内发生的绕击雷次数。
6.根据权利要求1所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤2中，对步骤1所采集的气象六要素历史数据的数据异常值处理包括以下内容：
针对气象六要素历史数据中的每一类样本数据，确定上四分位数U和下四分位数L，计算四分数间距IQR；
IQR＝U-L
按照下式定义样本数据的上界Upper limit和下界Lower limit
Lower limit＝L-1.5×IQR
Upper limit＝U+1.5×IQR
当样本数据在上下界范围内的为正常值；
当样本数据在上下界之外即大于等于上界或者小于等于下界，则判断为异常值，然后则选用边界值进行代替；
其中，上四分位数U表示数据样本中有1/4的样本数据大于U；下四分位数L表示数据样本中有1/4的样本数据小于L。
7.根据权利要求6所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤3中，依据历史数据中统计的同一地区同一时间落雷次数的不同，划分不同的落雷预警等级。
8.根据权利要求7所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
将所述落雷预警等级划分为四级，其中：
当1s内的落雷次数Ng≤5时，定义为I级落雷预警；
当1s内的落雷次数5<Ng≤9时，定义为II级落雷预警；
当1s内的落雷次数9<Ng≤12时，定义为III级落雷预警；
当1s内的落雷次数Ng>12时，定义为IV级落雷预警。
9.根据权利要求1或8所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤4中，对异常值处理后的气象六要素历史数据通过定义列联系数指标刻画气象六要素与落雷预警等级之间的相关性强度，从而对随机变量数据进行离散化处理。
10.根据权利要求9所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
按照下式分别计算气象六要素与落雷预警等级之间的列联系数即相关性强度，
Figure FDA0003386181960000031
式中，k＝1,2,…,6分别对应气象六要素中的气温、降水、气压、风向、风速和湿度；
Figure FDA0003386181960000032
m表示总的样本数；S表示落雷预警等级类别数；n表示气象六要素中第k个要素离散后区间数；qir,k表示气象六要素中第k个要素值属于区间(dr-1,dr]且落雷预警等级类别为i的样本数量；Mi+,k表示气象六要素中第k个要素落雷预警等级类别为i的样本数量；M+r,k表示气象六要素中第k个要素值属于区间(dr-1,dr]的样本数量。
11.根据权利要求1或10所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤5中，建立贝叶斯网络结构模型包括以下内容：
步骤5.1定义如下的关联矩阵I∈Rn×n和祖先矩阵A∈Rn×n用于描述贝叶斯网络的结构特性；其中，n＝7表示网络顶点数，包括气象六要素和落雷预警等级；
Figure FDA0003386181960000041
式中，E为所有边的集合；当存在顶点vj至顶点vi的直接有向路径时，相应的关联矩阵元素设为1，否则为0；
Figure FDA0003386181960000042
式中，只要存在顶点vj至顶点vi的有向路径，即令祖先矩阵的相应元素为1，否则为0；
步骤5.2构建合法的马尔科夫链状态转移操作，所述合法的马尔科夫链状态转移操作即指在状态转移的过程中不能在网络结构中引入有向环，在每一步状态转移过程中，首先判断该状态转移操作是否合法，当马尔科夫链接收合法操作时，即更新关联矩阵I和祖先矩阵A的相应元素；
步骤5.3基于马尔科夫蒙特卡洛MCMC采样，最终得到目标贝叶斯网络结构样本，选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型。
12.根据权利要求11所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤5.2中，具体包括以下内容：
步骤5.2.1，添加边操作；当A(i,j)＝0时，则添加边vi→vj是合法的，当接受添加边vi→vj的操作时，更新关联矩阵I(j,i)＝1；祖先矩阵A的更新分三步进行：首先，将顶点vi设为顶点vj的祖先节点；其次，更新vj的祖先节点，即将vi的所有祖先节点添加为vj的祖先节点；最后，更新更新vj的子孙节点的祖先节点，即将vj的所有祖先节点添加为vj的子孙节点的祖先节点；
步骤5.2.2，删除边的操作；删除边的操作都是合法的，当接受删除边vi→vj的操作时，更新关联矩阵I(j,i)＝0；祖先矩阵的更新分为两步进行，即更新vj的祖先节点和更新vj的子孙节点的祖先节点；
步骤5.2.3，翻转边的操作；将边vi→vj翻转成vi←vj的操作可分删除边和添加边两步进行，即首先删除边vi→vj，然后添加边vi←vj。
13.根据权利要求12所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
步骤5.3包括如下内容：
步骤5.3.1从任意简单概率分布采样得到网络结构样本的初始状态值model0；
步骤5.3.2令t＝0，当t≤M+N时，从任意选定的马尔科夫链状态转移矩阵Q对应的条件概率分布Q(model|modelt)中采样得到新的网络结构样本model*；
其中，M为采样后得到的有效网络结构样本数；N为前N次采样丢弃的无效网络结构样本数；Q为任意选定的马尔科夫链状态转移矩阵；modelt为第t次采样得到的网络结构样本；
步骤5.3.3从均匀分布采样u～uniform[0,1]，
当
Figure FDA0003386181960000051
时，则接受该次采样，令modelt+1＝model*；否则，拒绝该次采样，令modelt+1＝modelt；
其中，π为马尔科夫链状态转移矩阵Q对应的平稳分布；modelt+1为第t+1次采样得到的网络结构样本；
步骤5.3.4，令t＝t+1，重复步骤5.3.2；
步骤5.3.5，最终得到目标贝叶斯网络结构样本：
{modelN+1,modelN+2,…,modelN+M-1,modelN+M}，选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型。
14.根据权利要求1或13所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤6中，当得到下一时刻的气象六要素数据时，根据气象六要素各自的离散化区间将该时刻的气象数据划分为所属的区间，从而根据步骤5所构建的贝叶斯网络结构得到该气象状态下对应的各落雷预警等级的概率；
Figure FDA0003386181960000052
其中，s1,…,s7分别表示气温、降水、气压、风向、风速、湿度离散化后所属的区间和落雷预警等级；P(s7,s1,s2,s3,s4,s5,s6)表示气象六要素和落雷预警等级的联合概率分布值；P(s7|s1,s2,s3,s4,s5,s6)表示在给定气象六要素的条件下相应落雷预警等级的条件概率值，取其中概率最大者作为当前气象状态下对应的落雷预警等级。
15.一种利用权利要求1-14任一项权利要求所述的输电线路落雷概率预警方法的输电线路落雷概率预警系统，包括数据采集模块、数据预处理模块、落雷预警等级划分模块、气象历史数据离散化处理模块、贝叶斯网络结构模型模块和落雷预警等级概率计算模块；其特征在于：
所述数据采集模块收集输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，以及与气象六要素对应的同一区域的落雷数据；
所述预处理模块对所采集的气温、降水、气压、风向、风速、湿度数据进行插值处理并对异常值进行替代；
所述落雷预警等级划分模块基于所采集的与气象六要素对应的同一区域的落雷次数划分预定的落雷预警等级；
所述气象历史数据离散化处理模块根据划分的落雷预警等级对预处理后的气象六要素历史数据进行离散化处理；
所述贝叶斯网络结构模型模块基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；
所述落雷预警等级概率计算模块根据下一时刻气象六要素的预测值，通过贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。
CN202110167996.5A 2021-02-07 2021-02-07 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 Active CN112598883B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110167996.5A CN112598883B (zh) 2021-02-07 2021-02-07 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110167996.5A CN112598883B (zh) 2021-02-07 2021-02-07 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

Publications (2)

Publication Number Publication Date
CN112598883A CN112598883A (zh) 2021-04-02
CN112598883B true CN112598883B (zh) 2021-12-31

Family

ID=75207759

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110167996.5A Active CN112598883B (zh) 2021-02-07 2021-02-07 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

Country Status (1)

Country Link
CN (1) CN112598883B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112801428B (zh) * 2021-04-08 2021-07-13 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法
CN114154766B (zh) * 2022-02-07 2022-05-10 国网江苏省电力有限公司苏州供电分公司 雷电动态预测下电网的易损性预警方法及系统
CN114792392B (zh) * 2022-05-18 2023-04-18 西南交通大学 一种基于马尔科夫链的雷电先导发展路径的模拟方法
CN116467667B (zh) * 2023-06-20 2023-08-22 图观(天津)数字科技有限公司 一种基于数据融合的停电监测预警方法及系统

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106779505B (zh) * 2017-02-28 2021-04-02 中国南方电网有限责任公司 一种基于大数据驱动的输电线路故障预警方法及系统
JP2019135626A (ja) * 2018-02-05 2019-08-15 日本電信電話株式会社 雷害予測装置、方法およびプログラム
CN108320810A (zh) * 2018-04-11 2018-07-24 平安科技（深圳）有限公司 疾病异常数据检测方法及装置、计算机装置及存储介质
CN109978222B (zh) * 2019-01-04 2021-04-27 国网山东省电力公司电力科学研究院 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统
CN110264006B (zh) * 2019-06-21 2021-01-15 合肥工业大学 基于混沌萤火虫算法和贝叶斯网络的风电功率概率性预测方法
CN110968061B (zh) * 2019-12-06 2021-02-26 珠海格力电器股份有限公司 设备故障的预警方法、装置、存储介质和计算机设备
CN111259334B (zh) * 2020-01-14 2023-06-23 杭州电子科技大学 一种工业企业大用户用水异常监测预警方法

Also Published As

Publication number Publication date
CN112598883A (zh) 2021-04-02

Similar Documents

Publication Publication Date Title
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
US10288038B2 (en) Reducing curtailment of wind power generation
US10598157B2 (en) Reducing curtailment of wind power generation
CN112070286B (zh) 复杂地形流域的降水预报预警系统
CN112285807B (zh) 一种气象信息预测方法及装置
US11689154B2 (en) Systems and methods for distributed-solar power forecasting using parameter regularization
CN111795681A (zh) 一种山洪灾害预警方法、装置、服务器及存储介质
CN109543870B (zh) 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法
CN112561191A (zh) 预测模型的训练、预测方法、装置、设备、程序和介质
Saxena et al. A review study of weather forecasting using artificial neural network approach
CN111784976B (zh) 一种山洪灾害预警方法、装置、系统及存储介质
CN115220133B (zh) 一种多气象要素降雨预测方法、装置、设备及存储介质
CN104598715B (zh) 一种基于气候态风速预测的区域风电电量预测方法
Tümse et al. Estimation of wind turbine output power using soft computing models
CN103914737B (zh) 一种输变电线路全线路现地气象信息计算方法
CN113962465A (zh) 降水预报方法、设备、装置及存储介质
CN115329667A (zh) 一种风机点位确定方法、装置、设备及存储介质
CN111427101B (zh) 一种雷雨大风分级预警方法、系统、存储介质
KR101336551B1 (ko) 댐 건설 전후 기후 특성 변화 예측 시스템 및 그 방법
CN116151015A (zh) 一种气象预报降尺度算法
CN113821895B (zh) 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
Kabi et al. Leveraging IoT and Machine Learning for Improved Monitoring of Water Resources-A Case Study of the Upper Ewaso Nyiro River
Mandal et al. Prediction of Wind Speed using Machine Learning
Baudhanwala et al. Machine learning approaches for improving precipitation forecasting in the Ambica River basin of Navsari District, Gujarat
Cristani et al. It could rain: weather forecasting as a reasoning process

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