CN112949920B - 一种基于观冰代表站数据的区域覆冰预测及预警方法 - Google Patents
一种基于观冰代表站数据的区域覆冰预测及预警方法 Download PDFInfo
- Publication number
- CN112949920B CN112949920B CN202110215618.XA CN202110215618A CN112949920B CN 112949920 B CN112949920 B CN 112949920B CN 202110215618 A CN202110215618 A CN 202110215618A CN 112949920 B CN112949920 B CN 112949920B
- Authority
- CN
- China
- Prior art keywords
- icing
- ice
- early warning
- standard
- representative station
- 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
- 238000000034 method Methods 0.000 title claims abstract description 96
- 230000008569 process Effects 0.000 claims abstract description 72
- 238000000576 coating method Methods 0.000 claims abstract description 48
- 239000011248 coating agent Substances 0.000 claims abstract description 41
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 184
- 239000004020 conductor Substances 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 7
- 230000001419 dependent effect Effects 0.000 claims description 6
- 230000004907 flux Effects 0.000 claims description 6
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000002474 experimental method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000010586 diagram Methods 0.000 claims 3
- 230000009286 beneficial effect Effects 0.000 abstract description 2
- 230000005540 biological transmission Effects 0.000 description 10
- 238000012549 training Methods 0.000 description 7
- 238000010200 validation analysis Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000013179 statistical model Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 241000219094 Vitaceae Species 0.000 description 1
- 238000002679 ablation Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 235000021021 grapes Nutrition 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 230000008018 melting Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 239000013526 supercooled liquid Substances 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 0.000 description 1
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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Optimization (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Analysis (AREA)
- Artificial Intelligence (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明提供一种基于观冰代表站数据的区域覆冰预测及预警方法，包括：步骤1，获取观冰代表站导线覆冰观测数据；步骤2，获取数值天气预报模式要素；步骤3，构建覆冰过程标识，并建立覆冰过程预测模型；步骤4，建立覆冰标准冰厚预测模型；步骤5，利用所述覆冰标准冰厚预报模型实时预测观冰代表站的最大覆冰标准冰厚，结合数字化冰区图生成区域覆冰空间分布图和区域覆冰预警分布图。本发明的有益效果是：(1)可以开展覆冰过程预测，预测覆冰起止时间；(2)覆冰预测时效长，和中期天气预报时效一致；(3)覆冰预警覆盖面广，可开展区域覆冰预警；(4)覆冰预警准确度高。
Description
技术领域
本发明涉及导线覆冰观测与预测领域，具体而言，涉及一种基于观冰代表站数据的区域覆冰预测及预警方法。
背景技术
导线覆冰是过冷却液态或固态降水碰撞在导线上并产生冻结的一种天气现象。导线覆冰会导致导线和杆塔荷载的增加，同时覆冰会扩大迎风面积，容易使导线产生不稳定的震荡，常造成跳闸、闪络、扭转、断线、倒杆等事件，从而造成电力事故。在全球气候变化的背景下，近年来极端天气频发，国民经济遭受重大损失。输电线路覆冰灾害作为电力系统最严重的气象灾害之一，对电网的安全稳定运行构成严重威胁。随着我国西电东送工程的持续发展和输电工程建设的不断深入，特别是特高压输电线路的大规模建设，及时、有效地预测导线覆冰厚度，提供区域覆冰预警，能够为输电线路融冰提供有力支撑，是输电线路覆冰防灾减灾的有效手段。
输电线路的覆冰预警建立在覆冰厚度预测的基础上，目前覆冰预测的模型大致可分为两类：物理模型法和统计模型法。物理模型法主要是根据热力学、流体力学、气象学等相关理论建立的覆冰累积模型，早期的经验物理模型有Imai模型(Imai，1953)、Lenhard模型(Lenhard，1995)、Goodwin模型(Goodwin等人，1983)，较为复杂的物理模型有Chaine模型(Chaine和Casfonguay，1974)和Makkonen模型(Makkonen，1998)等。物理模型应用到自然环境中时，由于较难精确测量空气中液滴水含量、液滴半径等参数，限制了模型的工程应用。统计模型法不考虑导线覆冰的物理机理，而是使用统计学方法对实际观测得到的覆冰值与相关气象数据进行数理统计处理，就目前而言，统计模型法更适合应用于导线覆冰预测及预警。国内外已有统计学模型包括多元线性回归模型、时间序列模型、极值模型等。为了提高输电线路覆冰预报的准确度，近年来一些研究者将支持向量机(SVM)、反向传播神经网络(BP神经网络)、径向基函数神经网络、长短期记忆(LSTM)网络、时间序列分析与卡尔曼滤波等技术应用到覆冰统计模型建模中。国内外已有的研究预测覆冰的基本思路是根据实时监测的常规气象要素和覆冰标准冰厚建立统计模型，对覆冰标准冰厚开展超短期预测，这种预报思路有一定缺陷，包括：1)不能开展覆冰过程预测，只能在覆冰已经发生后，根据在线监测系统传输的气象资料和覆冰厚度资料开展实时预测；2)预测时效较短，通常不超过3天，而导线覆冰通常与覆冰时长密切相关，短时效的预测对输电线路融冰决策参考意义有限。3)基于在线监测装置实时采集的数据只能做到局部预测，导致覆冰预警覆盖面不广，准确度不高。
发明内容
本发明旨在提供一种基于观冰代表站数据的区域覆冰预测及预警方法，以解决现有覆冰预测及预警方法不能开展过程预测、覆冰预测时效短，预警覆盖面不广，准确度不高的问题。
本发明提供的一种基于观冰代表站数据的区域覆冰预测及预警方法，包括如下步骤：
步骤1，获取观冰代表站导线覆冰观测数据，包括逐次覆冰过程的覆冰起止时间和最大覆冰标准冰厚；
步骤2，获取并筛选与观冰代表站海拔相近的高度层以及地面层的数值天气预报模式要素；
步骤3，构建覆冰过程标识，并基于覆冰过程标识和数值天气预报模式要素建立覆冰过程预测模型；
步骤4，利用步骤1所述逐次覆冰过程起止时间计算覆冰时长，结合数值天气预报模式要素统计值和最大覆冰标准冰厚建立覆冰标准冰厚预测模型；
步骤5，利用所述覆冰过程预测模型实时预测是否发生覆冰过程，如发生覆冰过程，则利用覆冰标准冰厚预测模型实时预测观冰代表站在覆冰过程中的最大覆冰标准冰厚，然后基于实时预测的观冰代表站的最大覆冰标准冰厚和数字化冰区图生成区域覆冰空间分布图和区域覆冰预警分布图。
进一步的，步骤2包括如下子步骤：
步骤2.1，获取与观冰代表站海拔相近的高度层以及地面层的数值天气预报模式要素，该数值天气预报模式要素与观冰代表站导线覆冰观测数据的时段一致；
步骤2.2，将该数值天气预报模式要素与覆冰标准冰厚进行敏感性实验，采用逐步多元回归的方法，挑选出与覆冰标准冰厚关系显著的数值天气预报模式要素，将挑选出的数值天气预报模式要素用于后续建模。
进一步的，该数值天气预报模式要素包括与观冰代表站海拔相近的高度层的温度、风速u分量、风速v分量、相对湿度、水汽通量以及地面层总降水量。
进一步的，步骤3包括如下子步骤：
步骤3.1，构建覆冰过程标识：将发生导线覆冰的时间标识为1，将不发生导线覆冰的时间标识为0；
步骤3.2，利用BP神经网络分类建立覆冰过程预测模型；该覆冰过程预测模型的自变量为所述与观冰代表站海拔相近的高度层的数值天气预报模式要素，该覆冰过程预测模型的因变量为覆冰过程标识。
进一步的，步骤4包括如下子步骤：
步骤4.1，利用步骤1所述的逐次覆冰过程起止时间，计算逐次过程的覆冰时长；
步骤4.2，对覆冰标准冰厚预报模型的建模要素进行统计分析：覆冰标准冰厚预报模型的自变量包括预测覆冰时长以及所述数值天气预报模式要素，覆冰标准冰厚预报模型的因变量为最大覆冰标准冰厚；
步骤4.3，采用BP神经网络回归法，建立覆冰标准冰厚预测模型。
进一步的，步骤5包括如下子步骤：
步骤5.1，利用所述覆冰过程预测模型实时预测是否发生覆冰过程，如发生覆冰过程，则计算覆冰过程的覆冰时长，并利用覆冰标准冰厚预测模型实时预测观冰代表站在覆冰过程中的最大覆冰标准冰厚；
步骤5.2，根据实时预测的观冰代表站的覆冰过程的最大覆冰标准冰厚，以区域数字冰区分布图为基础，将该数字冰区分布图中所有格点最大覆冰标准冰厚乘以实时预测的观冰代表站的最大覆冰标准冰厚和该观冰代表站所处格点的最大覆冰标准冰厚的比值，得到区域覆冰空间分布图；
步骤5.3，根据最大覆冰标准冰厚设置区域覆冰预警类型；
步骤5.4，将所述覆冰预警类型与所述区域覆冰空间分布图进行归并，得到区域覆冰预警分布图。
进一步的，所述覆冰预警类型分为蓝色预警、黄色预警、橙色预警以及红色预警；蓝色预警对应着最大覆冰标准冰厚在10mm及以下的轻冰区，黄色预警对应着最大覆冰标准冰厚在10mm和15mm之间的中冰区，橙色预警对应着最大覆冰标准冰厚在15mm和25mm之间的重冰区，红色预警对应着最大覆冰标准冰厚在25mm以上的重冰区。
综上所述，由于采用了上述技术方案，本发明的有益效果是：(1)可以开展覆冰过程预测，预测覆冰起止时间；(2)覆冰预测时效长，和中期天气预报时效一致；(3)覆冰预测覆盖面广，可开展区域覆冰预测；(4)覆冰预警准确度高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例的基于观冰代表站数据的区域覆冰预测及预警方法的流程图。
具体实施方式
为使本发明实施例的目的、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，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的步骤可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例
如图1所示，本实施例提出一种基于观冰代表站数据的区域覆冰预测及预警方法，包括如下步骤：
步骤1，获取观冰代表站导线覆冰观测数据，包括逐次覆冰过程的起止时间和最大覆冰标准冰厚。以大凉山区域为例，获取该区域观冰代表站—黄茅埂站的导线覆冰观测数据，包括逐次覆冰过程的起止时间(即发生导线覆冰的时间和不发生导线覆冰的时间)和逐次覆冰过程的最大覆冰标准冰厚。
步骤2，获取并筛选与观冰代表站海拔相近的高度层以及地面层的数值天气预报模式要素；该步骤2包括：
步骤2.1，获取与观冰代表站海拔相近的高度层以及地面层的数值天气预报模式要素，数值天气预报模式要素与观冰代表站导线覆冰观测数据的时段一致。具体的，通过中国气象数据网(http://data.cma.cn)获取GRAPES_MESO中国及周边区域数值预报产品数据，该数据包含多种气象要素。利用matlab工具包nctoolbox解码模式二进制数据，提取出与黄茅埂站最近的格点(103.30°E，28.40°N)多种气象要素数据，即为获取的数值天气预报模式要素。
步骤2.2，将该数值天气预报模式要素与覆冰标准冰厚进行敏感性实验，采用逐步多元回归的方法，挑选出通过检验的数值天气预报模式要素，检验包括：1)T检验，对回归系数的显著性检验；2)F检验，对回归方程的显著性检验；3)拟合优度的R方检验。通过检验的数值天气预报模式要素包括：与黄茅埂观冰站海拔(2835m)相近的高度层(700hPa高度层)的温度(TEM)、风速u分量(WIU)、风速v分量(WIV)、相对湿度(SHU)、水汽通量(MOFU)、地面层总降水量(TPE)，用于后续建模。
步骤3，构建覆冰过程标识，并基于覆冰过程标识和数值天气预报模式要素建立覆冰过程预测模型；该步骤3包括：
步骤3.1，构建覆冰过程标识：将发生导线覆冰的时间(包括导线覆冰发展期、保持期)标识为1，将不发生导线覆冰的时间(包括导线覆冰消融期、无覆冰期)标识为0；
步骤3.2，利用BP神经网络分类建立覆冰过程预测模型；该覆冰过程预测模型的自变量选择非累计变量，即步骤2.2处理后的与观冰代表站海拔相近的高度层的数值天气预报模式要素，包括：温度、风速(风速u分量和风速v分量的合成风)、相对湿度、水汽通量；该覆冰过程预测模型的因变量为覆冰过程标识。
步骤4，利用步骤1所述逐次覆冰过程起止时间计算覆冰时长，结合数值天气预报模式要素统计值和最大覆冰标准冰厚建立覆冰标准冰厚预测模型；该步骤4包括：
步骤4.1，利用步骤1所述逐次覆冰过程起止时间，计算逐次过程的覆冰时长；
步骤4.2，对覆冰标准冰厚预测模型的建模要素进行统计分析：覆冰标准冰厚预报模型的自变量包括步骤2.2处理后的数值天气预报模式要素，即步骤2.2处理后的与观冰代表站海拔相近的高度层温度、风速u分量、风速v分量、相对湿度、水汽通量以及地面层总降水量；为了体现覆冰的累积性质，自变量中加入覆冰时长因子，即所述预测覆冰时长；因变量为覆冰过程最大标准冰厚。建模所采用的变量为覆冰过程期间逐日的00h(对应北京时间8h)、06h(对应北京时间14h)、12h(对应北京时间20h)及20h(对应北京时间次日2h)各要素统计值，温度、相对湿度以及水汽通量统计4个时次的平均值作为日平均值，进而再统计过程平均值；风速u分量和风速v分量先统计合成风，再统计日平均值和过程平均值；降水量为累积值，统计覆冰过程降水量累积值；
步骤4.3，采用BP神经网络回归法，建立覆冰标准冰厚预测模型。为了提高BP神经网络泛化能力，本发明采用早停法创建神经网络，主要原理是将数据划分为三个子集。第一个子集是训练集，用于计算梯度和更新网络权重及偏置。第二个子集是验证集，在训练过程中会监控基于验证集的误差，验证误差通常在训练的初始阶段减小，训练集误差也是如此。当网络开始过拟合数据时，基于验证集的误差通常开始增大。当验证误差在指定次数的迭代中增加时，训练停止，并返回验证误差最小时的权重和偏置。训练期间不使用测试集误差，但测试集误差用于比较不同模型。在训练过程中绘制测试集误差也很有用。如果测试集误差与验证集误差达到最小值所需的迭代次数显著不同，这可能表示数据集的划分不佳。
步骤5，利用所述覆冰过程预测模型实时预测是否发生覆冰过程，如发生覆冰过程，则利用覆冰标准冰厚预测模型实时预测观冰代表站在覆冰过程中的最大覆冰标准冰厚，然后基于实时预测的观冰代表站的最大覆冰标准冰厚和数字化冰区图生成区域覆冰空间分布图和区域覆冰预警分布图。该步骤5包括：
步骤5.1，利用所述覆冰过程预测模型实时预测是否发生覆冰过程，如发生覆冰过程，则计算覆冰过程的覆冰时长，并利用覆冰标准冰厚预测模型实时预测观冰代表站在覆冰过程中的最大覆冰标准冰厚；在实际应用中可采用72h时效的逐日滚动预报，当覆冰过程时长超过72h，将用最新的数值天气预报模式预测要素替换前一天的预测数据；
步骤5.2，根据实时预测的观冰代表站的最大覆冰标准冰厚，以区域数字冰区分布图为基础，利用地理信息系统软件将该数字冰区分布图中所有格点最大覆冰标准冰厚乘以实时预测的观冰代表站的最大覆冰标准冰厚和该观冰代表站所处格点的覆冰标准冰厚的比值，得到区域覆冰空间分布图；
步骤5.3，根据覆冰标准冰厚设置区域覆冰预警类型：覆冰预警类型分为蓝色预警、黄色预警、橙色预警以及红色预警；蓝色预警对应着最大覆冰标准冰厚在10mm及以下的轻冰区，黄色预警对应着最大覆冰标准冰厚在10mm和15mm之间的中冰区，橙色预警对应着最大覆冰标准冰厚在15mm和25mm之间的重冰区，红色预警对应着最大覆冰标准冰厚在25mm以上的重冰区；
步骤5.4，将所述覆冰预警类型与所述区域覆冰空间分布图进行归并，得到区域覆冰预警分布图。
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 (5)
1.一种基于观冰代表站数据的区域覆冰预测及预警方法，其特征在于，包括如下步骤：
步骤1，获取观冰代表站导线覆冰观测数据，包括逐次覆冰过程的起止时间和最大覆冰标准冰厚；
步骤2，获取并筛选与观冰代表站海拔相近的高度层以及地面层的数值天气预报模式要素；
步骤3，构建覆冰过程标识，并基于覆冰过程标识和数值天气预报模式要素建立覆冰过程预测模型；
步骤4，利用步骤1所述逐次覆冰过程起止时间计算覆冰时长，结合数值天气预报模式要素统计值和最大覆冰标准冰厚建立覆冰标准冰厚预测模型；
步骤5，利用步骤3所述覆冰过程预测模型实时预测是否发生覆冰过程，如发生覆冰过程，则利用覆冰标准冰厚预测模型实时预测观冰代表站在覆冰过程中的最大覆冰标准冰厚，然后基于实时预测的观冰代表站的最大覆冰标准冰厚和数字化冰区图生成区域覆冰空间分布图和区域覆冰预警分布图；
步骤2包括如下子步骤：
步骤2.1，获取与观冰代表站海拔相近的高度层以及地面层的数值天气预报模式要素，该数值天气预报模式要素与观冰代表站导线覆冰观测数据的时段一致；
步骤2.2，将该数值天气预报模式要素与最大覆冰标准冰厚进行敏感性实验，采用逐步多元回归的方法，挑选出通过检验的数值天气预报模式要素，将挑选出的数值天气预报模式要素用于后续建模；
该数值天气预报模式要素包括与观冰代表站海拔相近高度层的温度、风速u分量、风速v分量、相对湿度、水汽通量以及地面层总降水量。
2.根据权利要求1所述的基于观冰代表站数据的区域覆冰预测及预警方法，其特征在于，步骤3包括如下子步骤：
步骤3.1，构建覆冰过程标识：将发生导线覆冰的时间标识为1，将不发生导线覆冰的时间标识为0；
步骤3.2，利用BP神经网络分类建立覆冰过程预测模型；该覆冰过程预测模型的自变量为所述与观冰代表站海拔相近高度层的数值天气预报模式要素，该覆冰过程预测模型的因变量为覆冰过程标识。
3.根据权利要求2所述的基于观冰代表站数据的区域覆冰预测及预警方法，其特征在于，步骤4包括如下子步骤：
步骤4.1，利用步骤1所述逐次覆冰过程起止时间，计算逐次过程的覆冰时长；
步骤4.2，对覆冰标准冰厚预测模型的建模要素进行统计分析：覆冰标准冰厚预测模型的自变量包括覆冰时长和所述数值天气预报模式要素，覆冰标准冰厚预测模型的因变量为最大覆冰标准冰厚；
步骤4.3，采用BP神经网络回归法，建立覆冰标准冰厚预测模型。
4.根据权利要求1所述的基于观冰代表站数据的区域覆冰预测及预警方法，其特征在于，步骤5包括如下子步骤：
步骤5.1，利用所述覆冰过程预测模型实时预测是否发生覆冰过程，如发生覆冰过程，则计算覆冰过程的覆冰时长，并利用覆冰标准冰厚预测模型实时预测观冰代表站在覆冰过程中的最大覆冰标准冰厚；
步骤5.2，根据实时预测的观冰代表站的覆冰过程的最大覆冰标准冰厚，以区域数字冰区分布图为基础，将该数字冰区分布图中所有格点最大覆冰标准冰厚乘以实时预测的观冰代表站的最大覆冰标准冰厚和该观冰代表站所处格点的最大覆冰标准冰厚的比值，得到区域覆冰空间分布图；
步骤5.3，根据最大覆冰标准冰厚设置区域覆冰预警类型；
步骤5.4，根据所述覆冰预警类型将所述区域覆冰空间分布图进行数值归并，得到区域覆冰预警分布图。
5.根据权利要求4所述的基于观冰代表站数据的区域覆冰预测及预警方法，其特征在于，所述覆冰预警类型分为蓝色预警、黄色预警、橙色预警以及红色预警；蓝色预警对应着最大覆冰标准冰厚在10mm及以下的轻冰区，黄色预警对应着最大覆冰标准冰厚在10mm和15mm之间的中冰区，橙色预警对应着最大覆冰标准冰厚在15mm和25mm之间的重冰区，红色预警对应着最大覆冰标准冰厚在25mm以上的重冰区。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110215618.XA CN112949920B (zh) | 2021-02-26 | 2021-02-26 | 一种基于观冰代表站数据的区域覆冰预测及预警方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110215618.XA CN112949920B (zh) | 2021-02-26 | 2021-02-26 | 一种基于观冰代表站数据的区域覆冰预测及预警方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112949920A CN112949920A (zh) | 2021-06-11 |
| CN112949920B true CN112949920B (zh) | 2023-04-07 |
Family
ID=76246358
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110215618.XA Active CN112949920B (zh) | 2021-02-26 | 2021-02-26 | 一种基于观冰代表站数据的区域覆冰预测及预警方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112949920B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115826095B (zh) * | 2022-11-01 | 2023-11-28 | 江西省气象台(江西省环境预报中心) | 地面气温预报方法、系统、终端及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854074A (zh) * | 2014-03-25 | 2014-06-11 | 安徽大学 | 基于iowa算子组合预测模型的输电线路覆冰预测方法及系统 |
| CN107092983A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 输电导线覆冰厚度预测方法及装置 |
| CN109146175A (zh) * | 2018-08-21 | 2019-01-04 | 潍坊科技学院 | 一种利用卡尔曼滤波的输电线路覆冰实时估计与预测方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102706304A (zh) * | 2012-06-01 | 2012-10-03 | 湖南省电力公司科学研究院 | 一种输电线路导线覆冰厚度的预测方法 |
| CN103673960B (zh) * | 2012-08-30 | 2016-12-21 | 国际商业机器公司 | 用于预测输电线路上的覆冰状态的方法和装置 |
| CN105160599A (zh) * | 2015-09-17 | 2015-12-16 | 上海电力学院 | 基于滤波和支持向量机的电力线路覆冰评估方法 |
| CN105808819B (zh) * | 2016-02-17 | 2017-12-26 | 南方电网科学研究院有限责任公司 | 一种输电线路覆冰实时分布模型计算方法 |
| CN110188397B (zh) * | 2019-05-06 | 2022-07-19 | 南瑞集团有限公司 | 一种架空输电线路覆冰预测模型和方法 |
| CN112232591A (zh) * | 2020-11-02 | 2021-01-15 | 国网湖南省电力有限公司 | 基于气象因素的覆冰厚度智能预警方法 |
-
2021
- 2021-02-26 CN CN202110215618.XA patent/CN112949920B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103854074A (zh) * | 2014-03-25 | 2014-06-11 | 安徽大学 | 基于iowa算子组合预测模型的输电线路覆冰预测方法及系统 |
| CN107092983A (zh) * | 2017-04-11 | 2017-08-25 | 北京国网富达科技发展有限责任公司 | 输电导线覆冰厚度预测方法及装置 |
| CN109146175A (zh) * | 2018-08-21 | 2019-01-04 | 潍坊科技学院 | 一种利用卡尔曼滤波的输电线路覆冰实时估计与预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| W Sun等."Staged icing forecasting of power transmission lines based on icing cycle and improved extreme learning machine".《Journal of Cleaner Production》.2019,第1384-1392页. * |
| 庄文兵等."电线覆冰预报模型研究综述".《气象科技进展》.2016,第6-13页. * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112949920A (zh) | 2021-06-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Kim et al. | Short-term probabilistic forecasting of wind energy resources using the enhanced ensemble method | |
| CN109958588B (zh) | 结冰预测方法、装置、存储介质、模型生成方法及装置 | |
| CN103337133B (zh) | 基于识别预报技术的电网雷暴灾害预警系统及方法 | |
| US8265798B2 (en) | System and method of curtailing energy production within congestive grid operating environments | |
| CN111444240A (zh) | 输电线路故障预警方法及装置 | |
| Sideratos et al. | Using radial basis neural networks to estimate wind power production | |
| CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
| Yun et al. | Probabilistic estimation model of power curve to enhance power output forecasting of wind generating resources | |
| CN102508046B (zh) | 一种户外电气设备实时雷击预警方法及装置 | |
| US11143793B2 (en) | Storm outage management system | |
| CN110826231A (zh) | 一种气象站点多源数据整合方法 | |
| CN112766372A (zh) | 基于微气象感知的电力设备状态监测预警方法与系统 | |
| CN109784559B (zh) | 一种台风路径预测信息下的输电杆塔累积损伤故障概率计算方法 | |
| CN112949181A (zh) | 一种多源关联数据的预警预测方法、存储介质及电子设备 | |
| CN117477558A (zh) | 一种基于电网负荷的预测方法及其系统 | |
| Tomaszewski et al. | The study of weather conditions favourable to the accretion of icing that pose a threat to transmission power lines | |
| CN112949920B (zh) | 一种基于观冰代表站数据的区域覆冰预测及预警方法 | |
| CN111222662A (zh) | 一种电网台风洪涝灾害预警方法和装置 | |
| CN116050599A (zh) | 一种线路覆冰故障预测方法、系统、存储介质及设备 | |
| CN111209535B (zh) | 一种电力设备相继故障风险识别方法及系统 | |
| CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
| Qiu et al. | Operational risk assessment on power system based on weather regionalization considering power ramp of renewable energy generation | |
| CN106530841A (zh) | 机场延误预测方法及装置 | |
| JP2003090887A (ja) | 落雷による瞬時電圧低下予測システムおよび予測方法 | |
| CN113269509A (zh) | 一种电力气象数据库的构建方法 |
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 |