CN113240156A - 一种架空输电线路舞动状态在线预测方法及系统 - Google Patents
一种架空输电线路舞动状态在线预测方法及系统 Download PDFInfo
- Publication number
- CN113240156A CN113240156A CN202110413484.2A CN202110413484A CN113240156A CN 113240156 A CN113240156 A CN 113240156A CN 202110413484 A CN202110413484 A CN 202110413484A CN 113240156 A CN113240156 A CN 113240156A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- power transmission
- data
- historical
- galloping
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 187
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 22
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012360 testing method Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000004870 electrical engineering Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种架空输电线路舞动状态在线预测方法及系统,包括:获取待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;将待测时刻输电线路周围的气象数据及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在待测时刻的状态信息;输电线路舞动在线预测模型是基于最近邻居算法,根据输电线路周围历史的气象数据以及输电线路的历史覆冰厚度、方向角度、风向角度、振动幅度、状态信息作为初始邻居构建的,并利用预先设定的滑动窗口获取与输入数据时间最近的历史数据进行更新训练的。实现了预测样本的更新,提高了舞动状态预测的准确度。
Description
技术领域
本发明涉及电气工程技术领域,具体涉及一种架空输电线路舞动状态在线预测方法及系统。
背景技术
架空的输电线路在寒冷结冰、风力较大的环境中可能会发生大幅度振动的现象,通常称为舞动。线路舞动可能会导致脱扣、螺栓松动,甚至输电塔楼倒塌等。一旦倒塌引起短路现象,会造成整个电网的大面积停电。在极端天气下,停电会引发供水供暖等问题。目前对舞动的预警研究主要分为线路舞动物理机制分析和数据驱动舞动检测这两个方面。最经典的舞动物理模型可以追溯到1932年Den Hartog提出的垂直激发机理和1980年代Nigol提出的扭转振动机制。随着机器学习和人工智能技术的发展,越来越多基于数据的方法被提出来用于检测舞动的发生。现有技术中,大多数数据驱动的线路舞动状态预测或预警算法都是使用离线数据进行预训练、再部署到线上环境进行预测的。例如:Yang设计的基于径向基函数(Radical Basis Function)的神经网络和Wang设计的利用支持向量机(SupportVector Machine)配合特征提取的方法。现有方法通常是基于离线训练算法,通过对大量数据的预先训练得到预测模型,再进行实际情况的预测。然而,这容易受到样本数据不均衡的影响,很难精准预测灾难的发生。
发明内容
针对现有技术中存在的用于架空输电线路舞动状态预测容易受到样本数据不均衡的影响,难以精准预测舞动情况的发生的问题,本发明提供一种架空输电线路舞动状态在线预测方法,包括:
获取待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;
将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的状态信息;
其中,所述输电线路舞动在线预测模型是基于最近邻居算法,根据输电线路周围历史的气象数据以及输电线路的历史覆冰厚度、方向角度、风向角度、振动幅度、舞动状态信息作为初始邻居构建的,并利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练的。
优选的,所述利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练,包括:
利用所述设定的滑动窗口捕捉与上一时刻的输入数据对应的输电线路实际舞动状态信息;
将捕捉到的上一时刻的输入数据对应的输电线路实际舞动状态信息滑动窗口中时间最早的用于预测的邻居,并将更新后的所有邻居用于下一相邻时刻的预测。
优选的,所述将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的舞动状态信息,包括:
基于所述设定的滑动窗口,利用所述更新后的所有邻居作为所述输电线路在线预测模型中用于预测待测时刻数据的全部邻居,利用最近邻居算法计算待测时刻数据与所述全部邻居之间的距离;
基于所述输入数据与所述全部邻居之间的距离,按照预先设定的最近邻居的数量选取与所述的输入数据距离最近的邻居;
基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息。
优选的,所述输电线路舞动在线预测模型的构建,包括:
获取输电线路周围的历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度及对应的输电线路实际舞动状态信息构建样本集;
利用多个设定数量的最近邻居和多个设定容量的滑动窗口进行排列组合,得到不同数量的最近邻居和不同容量的滑动窗口的所有组合;
基于所述样本集中的每条历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度作为预测数据,利用所述所有组合中每种组合下滑动窗口的容量选择位于所述测试集中待测时刻之前的且时间上相邻的历史数据作为待测时刻数据的邻居,并基于该组合下最近邻居的数量,从所述待测时刻数据的邻居中选取与所述待测时刻数据空间距离最近的邻居,依据选取的最近邻居对应的状态预测所述待测时刻的状态信息,并计算预测精准度;
以预测精准度最高的组合对应的滑动窗口容量和最近邻居数量作为所述输电线路舞动在线预测模型的滑动窗口容量和最近邻居数量。
优选的,所述基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息,包括:
基于输电线路的舞动状态信息,以数量最多的状态作为所述待测时刻数据的状态。
优选的,所述输电线路周围的实时气象数据,包括:输电线路周围的温度、湿度、风速、风向、降水量。
基于同一发明构思,本发明还提供一种架空输电线路舞动状态在线预测系统,包括:
数据获取模块,用于获取待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;
状态预测模块,用于将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的状态信息;
其中,所述输电线路舞动在线预测模型是基于最近邻居算法,根据输电线路周围历史的气象数据以及输电线路的历史覆冰厚度、方向角度、风向角度、振动幅度、舞动状态信息作为初始邻居构建的,并利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练的。
优选的,所述状态预测模块,包括:
距离计算子模块,用于基于所述设定的滑动窗口,利用所述更新后的所有邻居作为所述输电线路在线预测模型中用于预测待测时刻数据的全部邻居,利用最近邻居算法计算待测时刻数据与所述全部邻居之间的距离;
最近邻居选取子模块,用于基于所述输入数据与所述全部邻居之间的距离,按照预先设定的最近邻居的数量选取与所述的输入数据距离最近的邻居;
预测子模块,用于基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息。
优选的,所述预测子模块,包括:
状态确定单元,用于基于选取的与所述输入数据距离最近的邻居所属舞动状态,以数量最多的状态作为所述待测时刻数据的状态。
优选的,所述输电线路舞动在线预测模型的构建,包括:
获取输电线路周围的历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度及对应的输电线路实际舞动状态信息构建样本集;
利用多个设定数量的最近邻居和多个设定容量的滑动窗口进行排列组合,得到不同数量的最近邻居和不同容量的滑动窗口的所有组合;
基于所述样本集中的每条历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度作为预测数据,利用所述所有组合中每种组合下滑动窗口的容量选择位于所述测试集中待测时刻之前的且时间上相邻的历史数据作为待测时刻数据的邻居,并基于该组合下最近邻居的数量,从所述待测时刻数据的邻居中选取与所述待测时刻数据空间距离最近的邻居,依据选取的最近邻居对应的状态预测所述待测时刻的状态信息,并计算预测精准度;
以预测精准度最高的组合对应的滑动窗口容量和最近邻居数量作为所述输电线路舞动在线预测模型的滑动窗口容量和最近邻居数量。
与现有技术相比,本发明的有益效果为:
本发明提供一种架空输电线路舞动状态在线预测方法及系统,包括:获取输电线路周围的待测时刻的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路的在所述待测时刻的舞动状态信息;其中,所述输电线路舞动在线预测模型是基于最近邻居算法,利用预先设定的滑动窗口获取历史输入数据及与所述历史输入数据对应的输电线路的实际舞动状态信息进行训练得到的。本发明基于最近邻居算法,利用滑动窗口实现在线预测模型中用于预测的邻居的实时更新,改善了预测样本数据不均衡的问题,提高了架空输电线路舞动状态预测的准确度。
附图说明
图1为本发明一种架空输电线路舞动状态在线预测方法的示意图;
图2为本发明实施例中离线预测算法和在线预测算法的预测准确度对比示意图;
图3为本发明一种架空输电线路舞动状态在线预测系统的示意图。
具体实施方式
实施例1
针对现有技术中存在的无法及时的从实际情况中获得知识进行后续的预测导致的用于预测的样本数据不均衡的问题,本发明提供一种架空输电线路舞动状态在线预测方法,如图1所示,包括:
步骤1,获取待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;
步骤2,将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的状态信息;
其中,所述输电线路舞动在线预测模型是基于最近邻居算法,根据输电线路周围历史的气象数据以及输电线路的历史覆冰厚度、方向角度、风向角度、振动幅度、舞动状态信息作为初始邻居构建的,并利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练的。
在所述步骤1中,获取输电线路上通过传感器采集到的待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;所述气象数据包括:待测时刻输电线路周围的温度、湿度、风速、风向、降水量。
在所述步骤2中,将所述步骤1中获取的待测时刻的气象数据和输电线路的覆冰厚度、方向角度、风向角度、振动幅度输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路的实时舞动状态信息。
首先,基于历史数据确定输电线路舞动在线预测模型的滑动窗口和最近邻居的数量,构建输电线路舞动在线预测模型;
获取输电线路周围的历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度及对应的输电线路实际舞动状态信息构建样本集;
利用多个设定数量的最近邻居和多个设定容量的滑动窗口进行排列组合,得到不同数量的最近邻居和不同容量的滑动窗口的所有组合;
基于所述样本集中的每条历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度作为预测数据,利用所述所有组合中每种组合下滑动窗口的容量选择位于所述测试集中待测时刻之前的且时间上相邻的历史数据作为待测时刻数据的邻居,并基于该组合下最近邻居的数量,从所述待测时刻数据的邻居中选取与所述待测时刻数据空间距离最近的邻居,依据选取的最近邻居对应的状态预测所述待测时刻的状态信息,并计算预测精准度;
以预测精准度最高的组合对应的滑动窗口容量和最近邻居数量作为所述输电线路舞动在线预测模型的滑动窗口容量和最近邻居数量。
在本实施例中,最近邻居的数量在具体确定的过程中分别使用3、5、7、9、11、13、15、17、19、21,滑动窗口大小分别用1000、2000、3000、4000、5000、6000、7000、8000、9000、10000;将所述样本集划分为50%用于测试及滑动窗口的容量及最近邻居的搜索(即滑动窗口的初始化),50%用于训练离线模型;然后对每种组合下的最近邻居个数和滑动窗口大小进行网格搜索,共有100种情况,利用F1-score(F1分数)来确定滑动窗口的容量和最近邻居的数量,根据F1-score(F1分数)最大的那一组可以确定:当最佳邻居个数为7,滑动窗口大小为2000时准确度最高,也是最佳的情况;基于所述在线预测模型滑动窗口的容量和最近邻居的数量得到输电线路舞动在线预测模型。
在本实施例中,由于线路舞动这类灾难的发生是极为稀少的,也就是说,分布在特征空间的数据大多数由正常情况的数据组成,这就在数据均衡的时候对输电线路的舞动状态预测产生了较大的影响。因此我们基于滑动窗口的确定了用于预测架空输电线路舞动状态的输电线路舞动状态在线预测模型。
在确定所述输电线路舞动在线预测模型后,基于所述设定的滑动窗口,利用所述更新后的所有邻居作为所述输电线路在线预测模型中用于预测待测时刻数据的全部邻居,利用最近邻居算法计算待测时刻数据与所述全部邻居之间的距离;
基于所述输入数据与所述全部邻居之间的距离,按照预先设定的最近邻居的数量选取与所述的输入数据距离最近的邻居;
基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息。
在本实施例中,根据滑动窗口的容量,使用2000条数据验证在线预测模型;
将2000条数据作为在线预测模型预测用的初始邻居,也就是将滑动窗口的容量设置为2000;
获取待测时刻的数据作为输入数据输入到模型中进行预测,对于所述输入数据,基于最近邻算法计算得到与所述输入数据距离与滑动窗口中所有邻居之间的距离,然后选择7个距离所述输入数据最近的邻居,最后根据这7个最近的邻居的类别,选择最近的邻居占多数的类别作为这个输入数据对应的类别,即这个新输入数据对应的输电线路的舞动状态信息。
利用所述在线模型预测得到舞动状态信息后,利用所述设定的滑动窗口捕捉与上一时刻的输入数据对应的输电线路实际舞动状态信息;
将捕捉到的上一时刻的输入数据对应的输电线路实际舞动状态信息替换滑动窗口中时间最早的用于预测的邻居,并将更新后的所有邻居用于下一相邻时刻的预测。
在本实施例中,所述滑动窗口获取所述输入数据及对应的实际舞动状态信息作为新的邻居代替所述滑动窗口中时间最早的邻居,保证所述在线预测模型用于预测的邻居都是基于输入数据及对应的实际状态信息进行更新训练后的。
在本实施例中,我们使用具有标签的时序序列,测试了所述在线预测模型和所述离线模型的预测结果,如图2所示。共有50000条数据,前30000条用于离线模型的训练,然后对后20000条数据进行预测。针对所述在线预测模型,使用前30000条数据进行超参数的选择和滑动窗口的初始化,然后不断更新这个窗口中的2000条数据,这样就起到了不断更新模型的作用;
最终比较最后两万条数据的预测结果,结果可见,对于数据分布不均衡的数据集,在线算法的预测结果的精度远远领先于离线算法。
实施例2
基于同一发明构思,本发明还提供一种架空输电线路舞动状态在线预测系统,如图3所示,包括:
数据获取模块,用于获取待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;
状态预测模块,用于将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的状态信息;
其中,所述输电线路舞动在线预测模型是基于最近邻居算法,根据输电线路周围历史的气象数据以及输电线路的历史覆冰厚度、方向角度、风向角度、振动幅度、舞动状态信息作为初始邻居构建的,并利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练的。
所述数据获取模块,用于获取输电线路上通过传感器采集到的待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;所述气象数据包括:待测时刻输电线路周围的温度、湿度、风速、风向、降水量。
所述状态预测模块,用于将所述数据获取模块中获取的待测时刻的气象数据和输电线路的覆冰厚度、方向角度、风向角度、振动幅度输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路的实时舞动状态信息;
所述状态预测模块,包括:距离计算子模块、最近邻居选取子模块及预测子模块。
首先,基于历史数据确定输电线路舞动在线预测模型的滑动窗口和最近邻居的数量,构建输电线路舞动在线预测模型;
获取输电线路周围的历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度及对应的输电线路实际舞动状态信息构建样本集;
利用多个设定数量的最近邻居和多个设定容量的滑动窗口进行排列组合,得到不同数量的最近邻居和不同容量的滑动窗口的所有组合;
基于所述样本集中的每条历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度作为预测数据,利用所述所有组合中每种组合下滑动窗口的容量选择位于所述测试集中待测时刻之前的且时间上相邻的历史数据作为待测时刻数据的邻居,并基于该组合下最近邻居的数量,从所述待测时刻数据的邻居中选取与所述待测时刻数据空间距离最近的邻居,依据选取的最近邻居对应的状态预测所述待测时刻的状态信息,并计算预测精准度;
以预测精准度最高的组合对应的滑动窗口容量和最近邻居数量作为所述输电线路舞动在线预测模型的滑动窗口容量和最近邻居数量。
在本实施例中,最近邻居的数量在具体确定的过程中分别使用3、5、7、9、11、13、15、17、19、21,滑动窗口大小分别用1000、2000、3000、4000、5000、6000、7000、8000、9000、10000;将所述样本集划分为50%用于测试及滑动窗口的容量及最近邻居的搜索(即滑动窗口的初始化),50%用于训练离线模型;然后对每种组合下的最近邻居个数和滑动窗口大小进行网格搜索,共有100种情况,利用F1-score(F1分数)来确定滑动窗口的容量和最近邻居的数量,根据F1-score(F1分数)最大的那一组可以确定:当最佳邻居个数为7,滑动窗口大小为2000时准确度最高,也是最佳的情况;基于所述在线预测模型滑动窗口的容量和最近邻居的数量得到输电线路舞动在线预测模型。
在本实施例中,由于线路舞动这类灾难的发生是极为稀少的,也就是说,分布在特征空间的数据大多数由正常情况的数据组成,这就在数据均衡的时候对输电线路的舞动状态预测产生了较大的影响。因此我们基于滑动窗口的确定了用于预测架空输电线路舞动状态的输电线路舞动状态在线预测模型。
在确定所述输电线路舞动在线预测模型后,所述距离计算子模块,用于基于所述设定的滑动窗口,利用所述更新后的所有邻居作为所述输电线路在线预测模型中用于预测待测时刻数据的全部邻居,利用最近邻居算法计算待测时刻数据与所述全部邻居之间的距离;
所述最近邻居选取子模块,用于基于所述输入数据与所述全部邻居之间的距离,按照预先设定的最近邻居的数量选取与所述的输入数据距离最近的邻居;
所述预测子模块,用于基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息;
所述预测子模块,包括:状态确定单元;
所述状态确定单元,用于基于选取的与所述输入数据距离最近的邻居所属舞动状态,以数量最多的状态作为所述待测时刻数据的状态。
在本实施例中,根据滑动窗口的容量,使用2000条数据验证在线预测模型;
将2000条数据作为在线预测模型预测用的初始邻居,也就是将滑动窗口的容量设置为2000;
获取待测时刻的数据作为输入数据输入到模型中进行预测,对于所述输入数据,利用距离计算子模块计算得到与所述输入数据距离与滑动窗口中所有邻居之间的距离,然后利用最近邻居选取子模块选择7个距离所述输入数据最近的邻居,最后利用预测子模块中的状态确定单元根据这7个最近的邻居的类别,选择最近的邻居占多数的类别作为这个输入数据对应的类别,即这个新输入数据对应的输电线路的舞动状态信息。
利用所述在线模型预测得到舞动状态信息后,利用所述设定的滑动窗口捕捉与上一时刻的输入数据对应的输电线路实际舞动状态信息;
将捕捉到的上一时刻的输入数据对应的输电线路实际舞动状态信息替换滑动窗口中时间最早的用于预测的邻居,并将更新后的所有邻居用于下一相邻时刻的预测。
在本实施例中,所述滑动窗口获取所述输入数据及对应的实际舞动状态信息作为新的邻居代替所述滑动窗口中时间最早的邻居,保证所述在线预测模型用于预测的邻居都是基于输入数据及对应的实际状态信息进行更新训练后的。
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。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它实施例,都属于本发明保护的范围。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,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,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.一种架空输电线路舞动状态在线预测方法,其特征在于,包括:
获取待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;
将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的状态信息;
其中,所述输电线路舞动在线预测模型是基于最近邻居算法,根据输电线路周围历史的气象数据以及输电线路的历史覆冰厚度、方向角度、风向角度、振动幅度、舞动状态信息作为初始邻居构建的,并利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练的。
2.根据权利要求1所述方法,其特征在于,所述利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练,包括:
利用所述设定的滑动窗口捕捉与上一时刻的输入数据对应的输电线路实际舞动状态信息;
将捕捉到的上一时刻的输入数据对应的输电线路实际舞动状态信息替换滑动窗口中时间最早的用于预测的邻居,并将更新后的所有邻居用于下一相邻时刻的预测。
3.根据权利要求2所述方法,其特征在于,所述将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的舞动状态信息,包括:
基于所述设定的滑动窗口,利用所述更新后的所有邻居作为所述输电线路在线预测模型中用于预测待测时刻数据的全部邻居,利用最近邻居算法计算待测时刻数据与所述全部邻居之间的距离;
基于所述输入数据与所述全部邻居之间的距离,按照预先设定的最近邻居的数量选取与所述的输入数据距离最近的邻居;
基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息。
4.根据权利要求3所述方法,其特征在于,所述基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息,包括:
基于选取的与所述输入数据距离最近的邻居所属舞动状态,以数量最多的状态作为所述待测时刻数据的状态。
5.根据权利要求1所述方法,其特征在于,所述输电线路舞动在线预测模型的构建,包括:
获取输电线路周围的历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度及对应的输电线路实际舞动状态信息构建样本集;
利用多个设定数量的最近邻居和多个设定容量的滑动窗口进行排列组合,得到不同数量的最近邻居和不同容量的滑动窗口的所有组合;
基于所述样本集中的每条历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度作为预测数据,利用所述所有组合中每种组合下滑动窗口的容量选择位于所述测试集中待测时刻之前的且时间上相邻的历史数据作为待测时刻数据的邻居,并基于该组合下最近邻居的数量,从所述待测时刻数据的邻居中选取与所述待测时刻数据空间距离最近的邻居,依据选取的最近邻居对应的状态预测所述待测时刻的状态信息,并计算预测精准度;
以预测精准度最高的组合对应的滑动窗口容量和最近邻居数量作为所述输电线路舞动在线预测模型的滑动窗口容量和最近邻居数量。
6.根据权利要求1所述方法,其特征在于,所述输电线路周围的实时气象数据,包括:输电线路周围的温度、湿度、风速、风向、降水量。
7.一种架空输电线路舞动状态在线预测系统,其特征在于,包括:
数据获取模块,用于获取待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度;
状态预测模块,用于将所述待测时刻输电线路周围的气象数据以及输电线路的覆冰厚度、方向角度、风向角度、振动幅度作为输入数据输入到预先构建的输电线路舞动在线预测模型中,预测得到输电线路在所述待测时刻的状态信息;
其中,所述输电线路舞动在线预测模型是基于最近邻居算法,根据输电线路周围历史的气象数据以及输电线路的历史覆冰厚度、方向角度、风向角度、振动幅度、舞动状态信息作为初始邻居构建的,并利用预先设定的滑动窗口获取与所述输入数据时间最近的历史数据进行更新训练的。
8.根据权利要求7所述系统,其特征在于,所述状态预测模块,包括:
距离计算子模块,用于基于所述设定的滑动窗口,利用所述更新后的所有邻居作为所述输电线路在线预测模型中用于预测待测时刻数据的全部邻居,利用最近邻居算法计算待测时刻数据与所述全部邻居之间的距离;
最近邻居选取子模块,用于基于所述输入数据与所述全部邻居之间的距离,按照预先设定的最近邻居的数量选取与所述的输入数据距离最近的邻居;
预测子模块,用于基于选取的与所述输入数据距离最近的邻居所属舞动状态,预测输电线路在所述待测时刻的状态信息。
9.根据权利要求8所述系统,其特征在于,所述预测子模块,包括:
状态确定单元,用于基于选取的与所述输入数据距离最近的邻居所属舞动状态,以数量最多的状态作为所述待测时刻数据的状态。
10.根据权利要求7所述系统,其特征在于,所述输电线路舞动在线预测模型的构建,包括:
获取输电线路周围的历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度及对应的输电线路实际舞动状态信息构建样本集;
利用多个设定数量的最近邻居和多个设定容量的滑动窗口进行排列组合,得到不同数量的最近邻居和不同容量的滑动窗口的所有组合;
基于所述样本集中的每条历史气象数据以及输电线路的历史覆冰厚度、历史方向角度、历史风向角度、历史振动幅度作为预测数据,利用所述所有组合中每种组合下滑动窗口的容量选择位于所述测试集中待测时刻之前的且时间上相邻的历史数据作为待测时刻数据的邻居,并基于该组合下最近邻居的数量,从所述待测时刻数据的邻居中选取与所述待测时刻数据空间距离最近的邻居,依据选取的最近邻居对应的状态预测所述待测时刻的状态信息,并计算预测精准度;
以预测精准度最高的组合对应的滑动窗口容量和最近邻居数量作为所述输电线路舞动在线预测模型的滑动窗口容量和最近邻居数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413484.2A CN113240156A (zh) | 2021-04-16 | 2021-04-16 | 一种架空输电线路舞动状态在线预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110413484.2A CN113240156A (zh) | 2021-04-16 | 2021-04-16 | 一种架空输电线路舞动状态在线预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113240156A true CN113240156A (zh) | 2021-08-10 |
Family
ID=77128403
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110413484.2A Pending CN113240156A (zh) | 2021-04-16 | 2021-04-16 | 一种架空输电线路舞动状态在线预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113240156A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595260A (zh) * | 2024-01-19 | 2024-02-23 | 武汉豪迈光电科技有限公司 | 一种基于5g短切片的电力设备远程监控方法及系统 |
-
2021
- 2021-04-16 CN CN202110413484.2A patent/CN113240156A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595260A (zh) * | 2024-01-19 | 2024-02-23 | 武汉豪迈光电科技有限公司 | 一种基于5g短切片的电力设备远程监控方法及系统 |
CN117595260B (zh) * | 2024-01-19 | 2024-03-29 | 武汉豪迈光电科技有限公司 | 一种基于5g短切片的电力设备远程监控方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110046743B (zh) | 基于ga-ann的公共建筑能耗预测方法和系统 | |
CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
US8606418B1 (en) | Wind prediction for wind farms through the use of weather radar | |
EP3422518B1 (en) | A method for recognizing contingencies in a power supply network | |
CN109766583A (zh) | 基于无标签、不均衡、初值不确定数据的航空发动机寿命预测方法 | |
US20190004484A1 (en) | Combined method for detecting anomalies in a water distribution system | |
CN112783940A (zh) | 基于图神经网络的多源时序数据故障诊断方法和介质 | |
CN106951997B (zh) | 预测风机的故障的方法和设备 | |
EP3422517B1 (en) | A method for recognizing contingencies in a power supply network | |
CN105868557A (zh) | 一种两阶段退化情况下的机电设备剩余寿命在线预测方法 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN104899135A (zh) | 软件缺陷预测方法和系统 | |
Suryo et al. | Improved time series prediction using LSTM neural network for smart agriculture application | |
Zheng et al. | Real-time transient stability assessment based on deep recurrent neural network | |
CN115796434A (zh) | 一种用于配电网的管控方法、装置、电子设备及存储介质 | |
US11170456B2 (en) | Methods and systems for an enhanced energy grid system | |
CN113240156A (zh) | 一种架空输电线路舞动状态在线预测方法及系统 | |
US20230281472A1 (en) | Generating training data sets for power output prediction | |
CN114912355A (zh) | 输电线路短期覆冰预测方法、装置和存储介质 | |
CN111539842A (zh) | 基于气象和地理环境的架空输电线路覆冰预测方法 | |
Li et al. | Separate wind power and ramp predictions based on meteorological variables and clustering method | |
CN109886316B (zh) | 基于云系相似度权重分配的变压器状态参量组合预测方法 | |
KR101967524B1 (ko) | 커널 회귀 모델을 통하여 시변 신호를 검증하는 온라인 검증 장치 및 방법 | |
Saha et al. | Fuzzy clustering-based ensemble approach to predicting Indian monsoon | |
KR20220159746A (ko) | 태풍의 경로를 결정하는 방법 및 이를 수행하는 장치 |
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 |