CN113065253B - 一种基于深度学习的输电线路覆冰类型预测方法 - Google Patents

一种基于深度学习的输电线路覆冰类型预测方法 Download PDF

Info

Publication number
CN113065253B
CN113065253B CN202110355939.XA CN202110355939A CN113065253B CN 113065253 B CN113065253 B CN 113065253B CN 202110355939 A CN202110355939 A CN 202110355939A CN 113065253 B CN113065253 B CN 113065253B
Authority
CN
China
Prior art keywords
temperature
data
power transmission
transmission line
neural network
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
CN202110355939.XA
Other languages
English (en)
Other versions
CN113065253A (zh
Inventor
吴建蓉
文屹
张迅
黄欢
范强
彭赤
杜昊
张伟
吴瑀
卢金科
杨涛
黄军凯
刘华麟
邱实
涂心译
万金金
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202110355939.XA priority Critical patent/CN113065253B/zh
Publication of CN113065253A publication Critical patent/CN113065253A/zh
Application granted granted Critical
Publication of CN113065253B publication Critical patent/CN113065253B/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
    • 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
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度学习的输电线路覆冰类型预测方法，它包括获取历史探空数据；将不同高度的探测数据与探测开始时刻地面温度、湿度、输电线路覆冰类型构成一组数据；得到观测集合C并绘制温度‑气压高度图；并转换为图片与对应的地面温度、湿度和输电线路覆冰类型构成一组数据，最终得到数据集并划分为训练集和测试集；用训练集对CNN神经网络进行训练，用测试集进行检验；设置预测区域范围A，确定预测点处不同气压高度的温度与露点温度和预测点处的温度与湿度的预测值；制作温度‑气压高度图并转换为图片；将图片输入神经网络模型对预测点处未来的输电线路覆冰类型进行预测；解决了现有技术预测差错率比较高等技术问题。

Description

一种基于深度学习的输电线路覆冰类型预测方法
技术领域
本发明属于输电线路覆冰监测领域，尤其涉及一种基于深度学习的输电线路覆冰类型预测方法。
背景技术
近些年以来随着逐渐加快的城市化进程，较多城市供电系统的负荷也呈现较快增长的应用形式，只有加强城市电力输电系统的安全建设才能够保障城市生产生活用电；覆冰是冬季输电线路上较为常见的现象，但是其对电力系统的威胁确实不容小觑；输电线路的覆冰灾害预警也伴随着输电线路建设得到越来越多的关注。
输电线路的覆冰灾害预警主要是通过预测气象数据来判断未来一段时间输电线路上的覆冰情况。但是由于不同类型的覆冰在输电线路上的附着力差距较大，单纯的等值覆冰厚度无法描述各处输电线路线路灾害的严重程度，不利于防冰抗冰工作中安排对灾害的合理应对措施；因此需要对输电线路覆冰类型进行监测预报。
现有的关于覆冰类型预测的方法主要有：基于数值仿真模型分析临界覆冰类型的方法，但是该方法并不能实际应用于覆冰类型的预测；因为该方法对于空气中的水滴直径、液态水含量等要素的计算需求决定了其主要是结合实际的气象条件判断当前覆冰类型，并不是真正意义上的对未来时间段的预测；基于温度垂轮廓线的覆冰类型预测方法，仅利用温度要素无法反映出空气中液态水的状态，并且仅以面积比值作为标准，忽略了温度曲线特征的影响，因此其预测差错率比较高。
发明内容
本发明要解决的技术问题是：提供一种输电线路覆冰类型预测方法，以解决现有技术存在的对覆冰类型预测并不是真正意义上的对未来时间段的预测和预测差错率比较高等技术问题。
本发明的技术方案是：
一种基于深度学习的输电线路覆冰类型预测方法，它包括：
步骤1、获取观测层的最高和最低相对地面的气压高度记录为[H0,H]；站点的历史数据资料初始记录时间S0和结束记录时间Se；
步骤2、在[S0，Se]时间段内的历史数据中以每次探测活动记录下不同高度的探测数据与探测开始时刻地面温度、湿度、输电线路覆冰类型构成一组数据；该时段内的N组数据共同构成观测集合C；所述探测数据包括高空温度和高空露点温度；
步骤3、选取观测集合C中的一组数据绘制温度-气压高度图；
步骤4、将温度-气压高度图转换为像素值112×112的图片与对应的地面温度、湿度和输电线路覆冰类型构成一组数据；
步骤5、重复步骤3、4直至观测集合C中的所有观测数据都转换完成；
步骤6、将步骤4中得到的数据集划分为训练集和测试集；用训练集对CNN神经网络进行训练得到训练好的神经网络模型；
步骤7、将训练好的神经网络模型用测试集进行检验；
步骤8、设置预测区域范围A，确定各预测点处的不同气压高度的温度、露点温度、地面温度和地面相对湿度。
步骤9、按照步骤3制作温度-气压高度图并转换为像素值为112×112的图片；
步骤10、将步骤9处理后的图片输入神经网络模型对预测点处未来的输电线路覆冰类型进行预测。
所述探测数据的获取探测方法为：高空气象观测站一天内施放两次探空气球采集数据；气采集数据中包含此次探空活动不同高度上的温度和露点温度气象信息。
步骤3所述选取观测集合C中的一组数据绘制温度-气压高度图的方法为：选取步骤2中有效观测集合C中的一条观测数据，并将该条观测数据中的高空温度和高空露点温度探测数据绘制在固定的不显示坐标轴刻度与标签的直角坐标系中；该坐标系以温度[T0，T]为横轴，以气压高度[H0，H]为纵轴，以[0℃，H0]为坐标原点。
步骤4所述输电线路覆冰类型独立编码。
步骤6所述对CNN神经网络进行训练的方法为：用训练集对CNN神经网络进行训练；在训练中以稀疏范畴交叉熵为误差函数，采用Adam算法将每次训练数据的标签与训练结果的误差逐层反向作用于神经网络的各个权重，促使神经网络向误差减小的方向发展。
步骤7所述将训练好的神经网络模型用测试集进行检验的方法为：将测试集中的各组数据输入到步骤6所得的神经网络模型中，计算测试集中所有数据的预测准确率；当该神经网络模型在测试集上的表现接近训练集上的预测准确率，两者的正负偏差不超过1%，则认为此次训练成功。
步骤8所述设置预测区域范围A，确定预测点处的不同气压高度的温度、露点温度、地面温度和地面相对湿度的方法为：设置预测区域范围A，将区域A按照气象数值预报数据的网格形式划分成若干个正方形网格，其中纬向有m个网格，经向n个网格，区域范围内的每一个网格点的经纬度纬（ai，bj），其中ai为经度，bj为纬度，i=1…n，j=1…m；确定输电线路覆冰类型预测点的经纬度坐标，记为（fa，fb）；通过距离确定预测点周围四个格点对预测点处气象数据的权重；将四个格点处不同气压高度的温度与露点温度以及地面处的温度与湿度的预测值，分别加权求和得到预测点处的不同气压高度的温度、露点温度、地面温度和地面相对湿度。
步骤10所述对预测点处未来的输电线路覆冰类型进行预测的方法为：当地面预测点处预测温度低于0℃且相对湿度高于90%时，将步骤9处理后的图片输入神经网络模型对预测点处可以对未来的输电线路覆冰类型进行预测。
本发明有益效果：
本发明使得覆冰预警从单一的等值覆冰厚度预警转变为等值覆冰厚度与覆冰类型预测，丰富了输电线路覆冰预警的维度；利用深度神经网络算法解析蕴藏在温度-气压高度图中所包含的信息。通过各个气压高度不同的温度与露点温度反映云高、云中温度等信息，以此来预测覆冰类型；本发明降低了覆冰类型预测的技术难度，丰富了覆冰类型预测手段，降低了对防冰抗冰工作者的经验要求。
本发明所需要的的数据主要是气象数值预报数据，相比于现有技术基于数值仿真模型分析临界覆冰类型的方法，实现了真正意义上的覆冰类型预测，较基于温度 垂轮廓线的覆冰类型预测方法，本发明考虑了露点温度、并采用CNN神经网络对图像信息进行解读，将图像中有限的信息充分利用；提高了覆冰类型预测准确性。
解决了现有技术存在的对覆冰类型预测并不是真正意义上的对未来时间段的预测和预测差错率比较高等技术问题。
附图说明
图1为本发明流程示意图；
图2为本发明具体实施方式中未转换前温度-气压高度图；
图3为处理后的温度-气压高度图示意图。
具体实施方式
如图1所示，本发明的一种基于深度学习的输电线路覆冰类型预测方法包括如下步骤：
步骤1、获取历史探空数据：高空气象观测站一天施放两次探空气球。气球探空数据中包含了此次探空活动不同高度上的温度、露点温度等气象信息。以时间S0未开始和Se为结束时间，获取这一段时间内高空气象观测站的每日探空数据。由于探空气球的上升速度，与最后探测数据时的气压高度不可控，需要将研究的数据限定在一定气压高度区间内，便于数据分析对比。为此设定最高和最低相对地面的气压高度,分别记录为[H0,H]。
步骤2、在[S0,Se]的时间段内的数据中以每次探测活动记录下气压高度区间 [H0,H]内不同气压高度的探测数据（高空温度、高空露点温度）与探测开始时刻地面温度、湿度、输电线路覆冰类型构成一组数据。该时段内的多组数据共同构成观测集合C。
步骤3、绘制温度-气压高度图：选取步骤2中有效观测集合C中的一条观测数据，并将该条观测数据中的高空温度和高空露点温度探测数据绘制在固定的不显示坐标轴刻度与标签的直角坐标系中。该坐标系以温度[T0,T]为横轴，以气压高度[H0,H]为纵轴，以[0℃,H0]为坐标原点。
步骤4、将步骤3中的温度-气压高度图转换为像素值112×112的图片与对应的地面温度、湿度、输电线路覆冰类型（雨凇、雾凇、湿雪）构成一组数据。由于后续神经网络训练需要计算训练误差，对输电线路覆冰类型进行独立编码（如:雨凇的编码为[1,0,0]）。
步骤5、重复步骤3、4直至集合C中的所有观测数据都转换完成。
步骤6、将步骤4中的数据集划分为训练集和测试集。以训练集对CNN神经网络进行训练。在训练中以稀疏范畴交叉熵为误差函数，采用Adam算法将每次训练数据的标签与训练结果的误差逐层反向作用于神经网络的各个权重，促使神经网络向误差减小的方向发展。
步骤7、将测试集中的各组数据输入到步骤6所得的神经网络模型中，计算测试集中所有数据的预测准确率。当该神经网络模型在测试集上的表现接近训练集上的预测准确率，两者的正负偏差不超过1%，则认为此次训练成功。
步骤8、设置预测区域范围A，由于气象数值预报数据都是以网格的形式提供，因此将区域A按照气象数值预报数据的网格划分成若干个正方形网格，其中纬向有m个网格，经向n个网格，区域范围内的每一个网格点的经纬度纬（ai，bj），其中ai为经度，bj为纬度，i=1…n，j=1…m；确定输电线路覆冰类型预测点的经纬度坐标，记为（fa，fb）。通过距离确定预测点周围四个格点对预测点处气象数据的权重。将四个格点处不同气压高度的温度与露点温度以及地面处的温度与湿度的预测值，分别加权求和得到预测点处的不同气压高度的温度、露点温度及地面温度、地面相对湿度。
步骤9、按照步骤3制作温度-气压高度图并转换为像素值为112×112的图片，如图3所示;
步骤10、当地面预测点处预测温度低于0℃且相对湿度高于90%时，输电线路上的易出现覆冰且覆冰不会消融。因为温度-气压高度图中蕴含着云层厚度，云层高度，云中温度等关键的气象信息，这些信息将影响是否降水以及降水的形式，间接决定输电线路覆冰类型。因此，当地面温度和地面湿度满足前述条件时，将步骤9处理后的图片输入神经网络模型对预测点处可以对未来的输电线路覆冰类型进行预测。

Claims (8)

1.一种基于深度学习的输电线路覆冰类型预测方法，它包括：
步骤1、获取观测层的最高和最低相对地面的气压高度记录为[H0,H]；站点的历史数据资料初始记录时间S0和结束记录时间Se；
步骤2、在[S0，Se]时间段内的历史数据中以每次探测活动记录下不同高度的探测数据与探测开始时刻地面温度、湿度、输电线路覆冰类型构成一组数据；该时段内的N组数据共同构成观测集合C；所述探测数据包括高空温度和高空露点温度；
步骤3、选取观测集合C中的一组数据绘制温度-气压高度图；
步骤4、将温度-气压高度图转换为像素值112×112的图片与对应的地面温度、湿度和输电线路覆冰类型构成一组数据；
步骤5、重复步骤3、4直至观测集合C中的所有观测数据都转换完成；
步骤6、将步骤4中得到的数据集划分为训练集和测试集；用训练集对CNN神经网络进行训练得到训练好的神经网络模型；
步骤7、将训练好的神经网络模型用测试集进行检验；
步骤8、设置预测区域范围A，确定各预测点处的不同气压高度的温度、露点温度、地面温度和地面相对湿度；
步骤9、按照步骤3制作温度-气压高度图并转换为像素值为112×112的图片；
步骤10、将步骤9处理后的图片输入神经网络模型对预测点处未来的输电线路覆冰类型进行预测。
2.根据权利要求1所述的一种基于深度学习的输电线路覆冰类型预测方法，其特征在于：所述探测数据的获取探测方法为：高空气象观测站一天内施放两次探空气球采集数据；气采集数据中包含此次探空活动不同高度上的温度和露点温度气象信息。
3.根据权利要求1所述的一种基于深度学习的输电线路覆冰类型预测方法，其特征在于：步骤3所述选取观测集合C中的一组数据绘制温度-气压高度图的方法为：选取步骤2中有效观测集合C中的一条观测数据，并将该条观测数据中的高空温度和高空露点温度探测数据绘制在固定的不显示坐标轴刻度与标签的直角坐标系中；该坐标系以温度[T0，T]为横轴，以气压高度[H0，H]为纵轴，以[0℃，H0]为坐标原点。
4.根据权利要求1所述的一种基于深度学习的输电线路覆冰类型预测方法，其特征在于：步骤4所述输电线路覆冰类型独立编码。
5.根据权利要求1所述的一种基于深度学习的输电线路覆冰类型预测方法，其特征在于：步骤6所述对CNN神经网络进行训练的方法为：用训练集对CNN神经网络进行训练；在训练中以稀疏范畴交叉熵为误差函数，采用Adam算法将每次训练数据的标签与训练结果的误差逐层反向作用于神经网络的各个权重，促使神经网络向误差减小的方向发展。
6.根据权利要求1所述的一种基于深度学习的输电线路覆冰类型预测方法，其特征在于：步骤7所述将训练好的神经网络模型用测试集进行检验的方法为：将测试集中的各组数据输入到步骤6所得的神经网络模型中，计算测试集中所有数据的预测准确率；当该神经网络模型在测试集上的表现接近训练集上的预测准确率，两者的正负偏差不超过1%，则认为此次训练成功。
7.根据权利要求1所述的一种基于深度学习的输电线路覆冰类型预测方法，其特征在于：步骤8所述设置预测区域范围A，确定预测点处的不同气压高度的温度、露点温度、地面温度和地面相对湿度的方法为：设置预测区域范围A，将区域A按照气象数值预报数据的网格形式划分成若干个正方形网格，其中纬向有m个网格，经向n个网格，区域范围内的每一个网格点的经纬度纬（ai，bj），其中ai为经度，bj为纬度，i=1…n，j=1…m；确定输电线路覆冰类型预测点的经纬度坐标，记为（fa，fb）；通过距离确定预测点周围四个格点对预测点处气象数据的权重；将四个格点处不同气压高度的温度与露点温度以及地面处的温度与湿度的预测值，分别加权求和得到预测点处的不同气压高度的温度、露点温度、地面温度和地面相对湿度。
8.根据权利要求1所述的一种基于深度学习的输电线路覆冰类型预测方法，其特征在于：步骤10所述对预测点处未来的输电线路覆冰类型进行预测的方法为：当地面预测点处预测温度低于0℃且相对湿度高于90%时，将步骤9处理后的图片输入神经网络模型对预测点处可以对未来的输电线路覆冰类型进行预测。
CN202110355939.XA 2021-04-01 2021-04-01 一种基于深度学习的输电线路覆冰类型预测方法 Active CN113065253B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110355939.XA CN113065253B (zh) 2021-04-01 2021-04-01 一种基于深度学习的输电线路覆冰类型预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110355939.XA CN113065253B (zh) 2021-04-01 2021-04-01 一种基于深度学习的输电线路覆冰类型预测方法

Publications (2)

Publication Number Publication Date
CN113065253A CN113065253A (zh) 2021-07-02
CN113065253B true CN113065253B (zh) 2023-01-06

Family

ID=76565418

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110355939.XA Active CN113065253B (zh) 2021-04-01 2021-04-01 一种基于深度学习的输电线路覆冰类型预测方法

Country Status (1)

Country Link
CN (1) CN113065253B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113553772A (zh) * 2021-08-09 2021-10-26 贵州电网有限责任公司 一种基于深度混合建模的覆冰拉力预测方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106203715B (zh) * 2016-07-15 2017-11-21 国网湖南省电力公司 基于温度垂直廓线的输电线路覆冰类型预测方法
CN109492823B (zh) * 2018-11-26 2021-04-30 南京大学 一种对输电线路覆冰厚度的预测方法
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

Also Published As

Publication number Publication date
CN113065253A (zh) 2021-07-02

Similar Documents

Publication Publication Date Title
CN109958588B (zh) 结冰预测方法、装置、存储介质、模型生成方法及装置
CN108227041B (zh) 基于站点实测数据和模式结果的水平能见度预报方法
CN102184337B (zh) 一种受气象信息影响的新能源发电能力动态组合分析方法
CN102706389A (zh) 采用滚动预测的飞机表面积冰短时预报系统及预报方法
CN108008252B (zh) 一种输电线路故障类型诊断方法和装置
CN109522599A (zh) 一种台风导致的输电线路突发故障预警方法
CN109472283B (zh) 一种基于多重增量回归树模型的危险天气预测方法和装置
CN105095670B (zh) 基于连续雨凇的输电线路覆冰厚度增长率分布图绘制方法
CN115860268B (zh) 基于cnn-xgboost模型的短时强降水预测方法
CN115345076B (zh) 一种风速订正处理方法及装置
CN113296072B (zh) 一种基于YOLOv3模型的雷暴大风自动识别方法及系统
CN116384733A (zh) 一种强对流天气下基于气象雷达的输电线路风险预警方法
CN113065253B (zh) 一种基于深度学习的输电线路覆冰类型预测方法
CN115691049A (zh) 一种基于深度学习的对流初生预警方法
CN109977569B (zh) 一种融合多因素的mos风暴潮过程灾害模拟方法
CN114548601A (zh) 基于bp神经网络的配电网极端灾害下停电预测方法及系统
CN116698673A (zh) 一种基于环境信息的危险气体泄漏三维扩散动态模拟方法
CN114912355A (zh) 输电线路短期覆冰预测方法、装置和存储介质
CN113240172B (zh) 微地形覆冰数值预测方法及系统
CN107316109B (zh) 架空线路冬季近地面风速预测方法、系统及装置
CN115204712B (zh) 一种海上和沿海风电场选址评估方法
CN115047544B (zh) 一种覆冰预警方法及系统
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
CN115511192A (zh) 一种基于闪电资料同化的降水预报方法及系统
CN112597629B (zh) 导线覆冰有无决策树模型的建立方法及对覆冰有无判定和预测覆冰持续时间的方法

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