CN113313330A - 电磁环境参数区间预测方法、装置和计算机设备 - Google Patents
电磁环境参数区间预测方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN113313330A CN113313330A CN202110853925.0A CN202110853925A CN113313330A CN 113313330 A CN113313330 A CN 113313330A CN 202110853925 A CN202110853925 A CN 202110853925A CN 113313330 A CN113313330 A CN 113313330A
- Authority
- CN
- China
- Prior art keywords
- electromagnetic environment
- individual
- target electromagnetic
- population
- parameters
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000006870 function Effects 0.000 claims abstract description 78
- 238000011156 evaluation Methods 0.000 claims abstract description 68
- 238000005259 measurement Methods 0.000 claims abstract description 51
- 238000012360 testing method Methods 0.000 claims abstract description 50
- 230000005540 biological transmission Effects 0.000 claims abstract description 39
- 238000012549 training Methods 0.000 claims description 55
- 239000002245 particle Substances 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000001514 detection method Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 description 11
- 239000004020 conductor Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 239000000126 substance Substances 0.000 description 3
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000004907 flux Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000019637 foraging behavior Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 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
- 238000010845 search algorithm Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06F17/15—Correlation function computation including computation of convolution operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02G—INSTALLATION OF ELECTRIC CABLES OR LINES, OR OF COMBINED OPTICAL AND ELECTRIC CABLES OR LINES
- H02G1/00—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines
- H02G1/02—Methods or apparatus specially adapted for installing, maintaining, repairing or dismantling electric cables or lines for overhead lines or cables
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种电磁环境参数区间预测方法、装置、计算机设备和存储介质。通过获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境参数对应的测量目标电磁环境参数,形成测试数据集,并基于测试数据集获取对应的预测目标电磁环境参数以及评价函数的最小值,再基于预测目标电磁环境参数以及最小值,获取待预测的目标电磁环境参数对应的电磁环境参数区间。相较于传统的基于某种特殊气象条件下进行电磁环境参数预测的方式,本方案基于输电线路和目标电磁环境参数对应的测试数据集以及评价函数,确定了需要进行预测的电磁环境参数的范围,从而可以在多种条件下都可以进行预测,提高了电磁环境参数预测的适用性。
Description
技术领域
本申请涉及电力技术领域,特别是涉及一种电磁环境参数区间预测方法、装置、计算机设备和存储介质。
背景技术
在电力线路的设计中,通常需要考虑电磁环境参数对输电线路的影响;输电线路电磁环境(Environment Electromagnetic,EME)即是由线路表面电晕放电引起的。常见的电磁环境参数主要包括可听噪声、无线电干扰、地面合成场强、地面离子流密度和电晕损耗。因此为保证输电线路的稳定,需要对输电线路中的电磁环境参数进行预测。目前,对于电磁环境因素的预测方式通常是基于某种特殊气象条件下的预测,这种预测方式难以应用到多种场景中。
因此,目前的电磁环境参数预测方法存在适用性差的缺陷。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高适用性的电磁环境参数区间预测方法、装置、计算机设备和存储介质。
一种电磁环境参数区间预测方法,所述方法包括:
获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,形成对应的测试数据集;
根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数以及所述目标电磁环境指标对应的评价函数,并获取所述评价函数的最小值;
根据所述第一预测目标电磁环境参数以及所述最小值对所述目标电磁环境指标进行第二预测,基于所述第二预测结果得到所述目标电磁环境指标对应的电磁环境参数区间。
在其中一个实施例中,所述获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,包括:
获取输电线路中预设位置的导线表面起晕场强,作为所述线路运行参数;
获取所述预设位置的导线对地平均高度、导线极间距、导线分裂间距、子导线半径、所述预设位置与正极导线的第一距离以及所述预设位置与负极导线的第二距离,作为所述线路结构参数;
获取所述预设位置的风速以及相对湿度,作为所述气象参数;
获取所述预设位置对应的历史测量目标电磁环境参数。
在其中一个实施例中,所述根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数,包括:
根据所述风速与所述预设位置的相对湿度的差值,得到所述目标电磁环境指标的气象预测参数;
根据所述导线表面起晕场强、所述导线对地平均高度、所述导线极间距、与所述子导线半径间的差值和所述导线分裂间距的和,得到所述目标电磁环境指标的第一线路结构预测参数;
根据所述第一距离的倒数与所述第二距离的倒数的和,得到所述目标电磁环境指标的第二线路结构预测参数;
根据所述气象预测参数、所述第一线路结构预测参数与所述第二线路预测结构参数的和,得到所述第一预测目标电磁环境参数。
在其中一个实施例中,所述根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数以及所述目标电磁环境指标对应的评价函数,包括:
根据预设时刻测量的历史测量目标电磁环境参数,获取该预设时刻对应的历史测量目标电磁环境参数对应的取值范围;
检测所述预设时刻的历史测量目标电磁环境参数对应的第一预测目标电磁环境参数是否在所述取值范围内,并根据检测结果确定所述目标电磁环境指标对应的覆盖误差值;
根据多个所述覆盖误差值的平均值,得到所述目标电磁环境指标对应的平均覆盖误差值;
根据所述平均覆盖误差值以及预设权重,获取所述目标电磁环境指标对应的评价函数。
在其中一个实施例中,所述获取所述评价函数的最小值,包括:
基于粒子群算法,获取所述评价函数对应的多维种群、所述多维种群中的个体的初始速度、所述多维种群中的个体对应的个体最佳适应度、所述多维种群中的个体对应的个体最佳位置以及所述多维种群对应的群体最佳适应度;所述多维种群中包括所述目标电磁环境指标对应的多个个体;
基于所述多个个体对所述评价函数进行训练,该步骤包括:
获取所述多维种群中多个个体中的一个个体作为本次训练的对象,根据所述评价函数,获取该个体对应的个体适应度;将所述个体适应度与该个体对应的当前个体最佳适应度比较,若所述个体适应度小于所述当前个体最佳适应度,将所述个体适应度作为新的个体最佳适应度,并将该个体在所述多维种群中的位置作为新的个体最佳位置;
获取多个所述个体的个体最佳适应度中的最大值,将所述最大值与当前群体最佳适应度比较,若所述最大值小于所述当前群体最佳适应度,将所述最大值作为新的群体最佳适应度,并将所述最大值对应的个体在所述种群中的位置作为新的群体最佳位置;检测所述新的群体最佳位置与上一次训练对应的群体最佳位置的差值是否小于预设阈值和/或检测所述训练的次数是否大于或等于预设次数阈值;所述上一次训练为针对所述种群中参与本次训练的个体的上一个个体的训练;
若否,根据所述个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、所述个体最佳位置、所述个体在所述种群中的位置以及所述群体最佳位置,从所述种群中获取参与下一次训练的新的个体,并返回所述根据所述评价函数,获取该个体对应的个体适应度的步骤;
若是,结束训练,将所述新的群体最佳位置作为所述评价函数的最小值。
在其中一个实施例中,所述根据所述个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、所述个体最佳位置、所述个体在所述种群中的位置以及所述群体最佳位置,确定所述种群中参与下一次训练的新的个体,包括:
获取所述初始速度与所述预设惯性权重的第一乘积、所述第一权重系数和所述个体最佳位置与所述个体在所述种群中的位置的距离的第二乘积,以及所述第二权重系数与所述群体最佳位置和所述个体在所述种群中的位置的距离的第三乘积;
获取所述第一乘积、所述第二乘积与所述第三乘积的和,作为所述多维种群的更新速度;
获取所述个体在所述种群中的位置与所述更新速度的和,得到所述种群中参与下一次训练的新的个体。
在其中一个实施例中,所述根据所述第一预测目标电磁环境参数以及所述最小值对所述目标电磁环境指标进行第二预测,基于所述第二预测结果得到所述目标电磁环境指标对应的电磁环境参数区间,包括:
根据所述最小值与一的差值与所述第一预测目标电磁环境参数的乘积,确定所述目标电磁环境指标对应的区间下限;
根据所述最小值与一的和与所述第一预测目标电磁环境参数的乘积,确定所述目标电磁环境指标对应的区间上限;
根据所述区间下限以及所述区间上限,获取所述目标电磁环境指标对应的电磁环境参数区间。
一种电磁环境参数区间预测装置,所述装置包括:
第一获取模块,用于获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,形成对应的测试数据集;
第二获取模块,用于根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数以及所述目标电磁环境指标对应的评价函数,并获取所述评价函数的最小值;
预测模块,用于根据所述第一预测目标电磁环境参数以及所述最小值对所述目标电磁环境指标进行第二预测,基于所述第二预测结果得到所述目标电磁环境指标对应的电磁环境参数区间。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述的方法的步骤。
上述电磁环境参数区间预测方法、装置、计算机设备和存储介质,通过获取待预测的输电线路中的线路运行参数、线路结构参数、气象参数以及待预测的目标电磁环境参数对应的测量目标电磁环境参数,形成测试数据集,并基于测试数据集获取对应的预测目标电磁环境参数以及评价函数的最小值,再基于预测目标电磁环境参数以及最小值,获取待预测的目标电磁环境参数对应的电磁环境参数区间。相较于传统的基于某种特殊气象条件下对电磁环境参数进行预测的方式,本方案通过基于输电线路和目标电磁环境参数对应的测试数据集以及评价函数,确定了需要进行预测的电磁环境参数的范围,从而可以在多种条件下都可以进行预测,提高了电磁环境参数预测的适用性。
附图说明
图1为一个实施例中电磁环境参数区间预测方法的应用环境图;
图2为一个实施例中电磁环境参数区间预测方法的流程示意图;
图3为一个实施例中电磁环境参数区间预测结果的界面示意图;
图4为一个实施例中电磁环境参数区间预测装置的结构框图;
图5为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请提供的电磁环境参数区间预测方法,可以应用于如图1所示的应用环境中。其中,终端102可以利用需要进行预测的输电线路中的测量得到的线路运行参数、线路结构参数、气象参数以及需要进行预测的目标电磁环境参数对应的测量得到的测量目标电磁环境参数形成对应的测试数据集,终端102可以基于该测试数据集,获取通过预测得到的预测目标电磁环境参数以及评价函数,终端102还可以获取评价函数的最小值,并基于上述预测的目标电磁环境参数以及最小值,获取需要预测的目标电磁环境参数对应的电磁环境参数区间。在一些实施例中,还可以包括服务器104。其中,终端102通过网络与服务器104进行通信。终端102可以向服务器104发送数据获取指令,从而服务器104可以向终端102发送上述线路运行参数、线路结构参数、气象参数和测量目标电磁环境参数等数据。其中,终端102可以但不限于是各种个人计算机、笔记本电脑、智能手机和平板电脑,服务器104可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电磁环境参数区间预测方法,以该方法应用于图1中的终端为例进行说明,包括以下步骤:
步骤S202,获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,形成对应的测试数据集。
其中,待预测的输电线路可以是需要进行电磁环境参数的区间预测的输电线路;待预测的目标电磁环境参数可以是上述输电线路中需要进行预测的电磁环境参数,该待预测的目标电磁环境参数可以是一种电磁环境指标,在对输电线路进行电磁环境参数的预测时,可以是在输电线路中的设定的测点进行相关数据的测量以及预测,例如在输电线路中具有结构代表性和气象代表性的地点进行数据的测量和预测;也可以是在输电线路中随机的地点进行数据的测量和预测。终端102在进行电磁环境参数区间的预测时,可以对电磁环境参数的波动区间进行确定,终端102可以利用多个测量数据形成的测试数据集进行上述区间的确定。其中,上述多个测量数据可以是在输电线路中测量得到的数据。例如,在对输电线路中的测点的相关参数进行测量后,终端102可以获取待预测的输电线路中的线路运行参数、线路结构参数以及气象参数,另外,终端102还可以获取需要进行预测的目标电磁环境参数对应的测量目标电磁环境参数,该测量目标电磁环境参数可以是在上述测点测量得到的参数,可以是一种数值;终端102获取上述各个测量参数后,可以形成测试数据集{xi,yi },其中,电磁环境参数可以包括多种参数,例如,可听噪声、无线电干扰、地面合成场强、地面离子流密度和电晕损耗等;上述xi为上述线路运行参数、线路结构参数以及气象参数组成的向量,yi为某种电磁环境参数的实测值,例如需要进行预测的电磁环境参数。
需要说明的是,上述的线路运行参数、线路结构参数、气象参数均可以包括多种。例如,在一个实施例中,获取待预测的输电线路中的线路运行参数、线路结构参数、气象参数以及待预测的目标电磁环境参数对应的测量目标电磁环境参数,包括:获取待预测的输电线路中预设位置的导线表面起晕场强,作为线路运行参数;获取预设位置的导线对地平均高度、导线极间距、导线分裂间距、子导线半径、预设位置与正极导线的第一距离以及预设位置与负极导线的第二距离,作为线路结构参数;获取预设位置的风速以及相对湿度,作为气象参数;获取预设位置对应的测量目标电磁环境参数。本实施例中,终端102可以获取多种线路运行参数、多种线路结构参数以及多种气象参数,结合针对需要进行预测的目标电磁环境参数进行实际测量得到的线路运行参数,形成上述测试数据集{xi,yi }。例如,终端102可以获取上述待预测的输电线路中预设位置的导线表面起晕场强,作为上述线路运行参数。终端102可以获取上述在输电线路的预设位置的导线对地平均高度、导线极间距、导线分裂间距、子导线半径、上述预设位置与正极导线的第一距离以及上述预设位置与负极导线的第二距离,作为上述线路结构参数。终端102还可以获取上述预设位置的风速以及相对湿度,作为上述气象参数。由于电磁环境参数具有多种,对于需要进行预测的目标电磁环境参数,终端102可以按照预设时间间隔,获取在上述输电线路的预设位置测量得到的多个测量目标电磁环境参数。终端102获取上述各个参数后,可以形成对应的测试数据集{xi,yi },其中,向量xi={Vw,gmax,Hav,S,D,r,Dp,DN }, Vw为风速;gmax为导线表面起晕场强,Hav为导线对地平均高度,S为极间距,例如上述导线极间距,D为分裂间距,例如上述导线分裂间距,r为子导线半径,Dp为测点与正极导线的距离,即上述第一距离,DN为测点与负极导线的距离,即上述第二距离,yi为对应电磁环境参数的实测值,例如上述测量目标电磁环境参数,i表示测量时刻,i∈[1,N],测量数据集长度N=106。即终端102可以按照设定的时间间隔,获取多个上述测量得到的线路运行参数、多个线路结构参数、多个气象参数以及多个测量目标电磁环境参数,从而形成上述测试数据集。其中,预设位置可以是输电线路中进行测量的位置,该预设位置可以根据实际情况设定;极间距可以是阴、阳二电极工作面之间的垂直距离。
步骤S204,根据测试数据集中的多项参数,确定目标电磁环境指标对应的第一预测目标电磁环境参数以及目标电磁环境指标对应的评价函数,并获取评价函数的最小值。
其中,测试数据集中可以包括在不同时间进行测量的多个线路运行参数、多个线路结构参数、多个气象参数以及多个测量目标电磁环境参数,终端102可以基于测试数据集,获取需要进行预测的目标电磁环境参数对应的预测目标电磁环境参数,例如,终端102可以利用上述测试数据集中的各个参数对上述预测目标电磁环境参数进行计算和获取;另外,终端102还可以基于上述测试数据集获取目标电磁环境参数对应的评价函数F(ε)。例如,终端102可以利用上述预测得到的预测目标电磁环境参数,以及测试数据集中实际测量得到的测量目标电磁环境参数构成评价函数中的其中一种参数,并基于其他如权重等参数构建上述评价函数。终端102获取上述评价函数后,可以获取上述评价函数的最小值。其中,上述评价函数的最小值可以通过粒子群算法进行获取。其中,粒子群算法是通过模拟鸟群觅食行为而发展起来的一种基于群体协作的随机搜索算法。粒子群算法优化过程中需要初始化为一群随机粒子(随机解),然后通过迭代找到最优解,在每一次迭代中,粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解,这个解叫做个体极值,另一个极值是整个种群找到的最优解,这个极值是全局极值。另外也可以不用整个种群而只是用其中一部分最优粒子的邻居,那么在所有邻居中的极值就是局部极值。
步骤S206,根据第一预测目标电磁环境参数以及最小值对目标电磁环境指标进行第二预测,基于第二预测结果得到目标电磁环境指标对应的电磁环境参数区间。
其中,预测目标电磁环境参数可以是基于上述测试数据集中的各个线路运行参数、线路结构参数和气象参数得到的预测参数。上述最小值可以是目标电磁环境参数对应的评价函数的最小值,该最小值可以通过粒子群算法优化得到。终端102可以通过上述对应方法获取上述预测目标电磁环境参数以及上述评价函数的最小值,并且终端102还可以基于预测目标电磁环境参数以及上述最小值,获取需要进行预测的目标电磁环境参数对应的电磁环境参数区间。其中,该电磁环境参数区间可以表征上述需要进行预测的目标电磁环境参数的数值范围,若需要预测的目标电磁环境参数有多个,例如按照不同时间进行分布,则上述电磁环境参数区间可以形成对应的区间段,即每个需要预测的目标电磁环境参数均可以有相应的电磁环境参数区间。
上述电磁环境参数区间预测方法中,通过获取待预测的输电线路中的线路运行参数、线路结构参数、气象参数以及待预测的目标电磁环境参数对应的测量目标电磁环境参数,形成测试数据集,并基于测试数据集获取对应的预测目标电磁环境参数以及评价函数的最小值,再基于预测目标电磁环境参数以及最小值,获取待预测的目标电磁环境参数对应的电磁环境参数区间。相较于传统的基于某种特殊气象条件下对电磁环境参数进行预测的方式,本方案通过基于输电线路和目标电磁环境参数对应的测试数据集以及评价函数,确定了需要进行预测的电磁环境参数的范围,从而可以在多种条件下都可以进行预测,提高了电磁环境参数预测的适用性。
在一个实施例中,根据测试数据集,获取目标电磁环境参数对应的预测目标电磁环境参数,包括:根据风速与预设位置的相对湿度的差值,得到预测目标电磁环境参数的气象预测参数;根据导线表面起晕场强、导线对地平均高度、导线极间距、与子导线半径间的差值和导线分裂间距的和,得到预测目标电磁环境参数的第一线路结构预测参数;根据第一距离的倒数与第二距离的倒数的和,得到预测目标电磁环境参数的第二线路结构预测参数;根据气象预测参数、第一线路结构预测参数与第二线路预测结构参数的和,得到预测目标电磁环境参数。
本实施例中,终端102可以利用上述测试数据集中的各个线路运行参数、线路结构参数和气象参数得到上述预测目标电磁环境参数。例如,以可听噪声作为上述需要进行预测的预测目标电磁环境参数为例,预测可听噪声y'i可通过经验公式或在近似数据集中利用线性混合效应模型拟合得到的预测公式或BP神经网络预测方法计算得到。终端102可以分别针对线路运行参数、线路结构参数和气象参数计算预测可听噪声的求解公式中的对应加项,例如,终端102可以根据上述在预设位置的风速以及在上述预设位置的相对湿度的差值,得到预测目标电磁环境参数的气象预测参数,例如预测可听噪声的气象预测参数;终端102还可以基于上述测试数据集中的导线表面起晕场强、导线对地平均高度、导线极间距和子导线半径的差值,以及该差值与导线分裂间距的和,得到上述预测目标电磁环境参数的第一线路结构预测参数,例如上述预测可听噪声对应的第一线路结构预测参数;终端102还可以基于上述第一距离的倒数,即上述测点与正极导线的距离的倒数,以及上述第二距离的倒数,即DN为测点与负极导线的距离的倒数,获取上述两个倒数的和,得到预测目标电磁环境参数的第二线路结构预测参数,例如上述预测可听噪声的第二线路结构预测参数。终端102获取上述各个预测参数后,可以获取气象预测参数、第一线路结构预测参数与第二线路预测结构参数的和,从而得到上述预测目标电磁环境参数,例如上述预测可听噪声。
具体地,若需要预测的目标电磁环境参数为可听噪声,则预测可听噪声y'i的计算公式可以如下所示:y'i=ANweather+ANlinec+AND。其中,ANweather可以是气象预测参数,ANlinec可以是第一线路结构预测参数,AND可以是第二线路结构预测参数,对于上述各个预测参数,其计算公式可以如下所示:
其中,RH可以是相对湿度,Vw为风速;gmax为导线表面起晕场强,Hav为导线对地平均高度,S为极间距,例如上述导线极间距,D为分裂间距,例如上述导线分裂间距,r为子导线半径,Dp为测点与正极导线的距离,即上述第一距离,DN为测点与负极导线的距离,即上述第二距离,lg(x)是一种以10为底的对数函数,log(x)是一种对数函数,其中x可以是上述测试数据集中的各项参数。则终端102可以基于上述公式得到预测目标电磁环境参数,并且,该预测目标电磁环境参数可以是与时间对应的参数,即终端102可以基于上述测试数据集中不同时间测得的相关参数,得到与测量时间对应的预测目标电磁环境参数。
通过本实施例,终端102可以利用测试数据集对需要进行预测的目标电磁环境参数进行预测,从而可以基于预测的目标电磁环境参数对电磁环境参数区间进行计算和预测,进而提高了电磁环境参数预测的适用性。
在一个实施例中,获取目标电磁环境参数对应的评价函数,包括:根据预设时刻测量的测量目标电磁环境参数,获取该预设时刻对应的测量目标电磁环境参数对应的取值范围;检测预设时刻的测量目标电磁环境参数对应的预测目标电磁环境参数是否在取值范围内,并根据检测结果确定待预测的目标电磁环境参数对应的覆盖误差值;根据多个覆盖误差值的平均值,得到待预测的目标电磁环境参数对应的平均覆盖误差值;根据平均覆盖误差值以及预设权重,获取待预测的目标电磁环境参数对应的评价函数。
本实施例中,终端102可以基于上述测试数据集中的与需要预测的目标电磁环境参数对应的测量目标电磁环境参数以及与目标电磁环境参数对应的预测目标电磁环境参数,构建上述评价函数F(ε),上述测试数据集中可以包括多个时间测量的相关参数,终端102可以确定预测目标电磁环境参数与测量目标电磁环境参数的对应情况,例如,终端102根据测试数据集中在预设时刻测量的测量目标电磁环境参数,以及上述的评价函数中的ε,确定上述预设时刻对应的测量目标电磁环境参数对应的取值范围,从而终端102可以基于该取值范围,检测上述预设时刻的测量目标电磁环境参数对应的预测目标电磁环境参数是否在上述取值范围内,终端102基于检测结果确定需要预测的目标电磁环境参数对应的覆盖误差值kα i。其中,该覆盖误差值可以表征预测的目标电磁环境参数是否在实际测量的测量目标电磁环境参数的预设合理的误差范围内。终端102确定覆盖误差值后,可以分别计算上述测试数据集中不同时间的参数对应的覆盖误差值,并获取多个覆盖误差值的平均值,基于该平均值得到需要预测的目标电磁环境参数对应的平均覆盖误差值。终端102得到上述平均覆盖误差值后,可以基于该平均覆盖误差值以及预设的多个权重,构建上述评价函数。
具体地,上述评价函数F(ε)的公式可以如下所示:F(ε)=γ|Aα |+λε,其中,γ和λ分别为人为指定的两个权重,并且γ⁄λ=0.1~0.05,Aα为平均覆盖误差值。而平均覆盖误差值的获取公式可以如下所示:
上述N可以是上述测试数据集的个数,例如为10~109。ε是待求的波动区间的值,例如需要进行预测的电磁环境参数区间中的值。则终端102可以基于上述覆盖误差值和权重构建评价函数。
通过本实施例,终端102可以基于测量目标电磁环境参数以及预测目标电磁环境参数构建评价函数,从而终端102可以利用评价函数进行电磁环境参数区间的预测,提高了电磁环境参数预测的适用性。
在一个实施例中,获取评价函数的最小值,包括:基于粒子群算法,获取评价函数对应的多维种群、多维种群中的个体的初始速度、多维种群中的个体对应的个体最佳适应度、多维种群中的个体对应的个体最佳位置以及多维种群对应的群体最佳适应度;多维种群中包括待预测的目标电磁环境参数对应的多个个体;基于多个个体对评价函数进行训练,该步骤包括:获取多维种群中多个个体中的一个个体作为本次训练的对象,根据评价函数,获取该个体对应的个体适应度;将个体适应度与该个体对应的当前个体最佳适应度比较,若个体适应度小于当前个体最佳适应度,将个体适应度作为新的个体最佳适应度,并将该个体在多维种群中的位置作为新的个体最佳位置;获取多个个体的个体最佳适应度中的最大值,将最大值与当前群体最佳适应度比较,若最大值小于当前群体最佳适应度,将最大值作为新的群体最佳适应度,并将最大值对应的个体在种群中的位置作为新的群体最佳位置;检测新的群体最佳位置与上一次训练对应的群体最佳位置的差值是否小于预设阈值和/或检测训练的次数是否大于或等于预设次数阈值;上一次训练为针对种群中参与本次训练的个体的上一个个体的训练;若否,根据个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、个体最佳位置、个体在种群中的位置以及群体最佳位置,从种群中获取参与下一次训练的新的个体,并返回根据评价函数,获取该个体对应的个体适应度的步骤;若是,结束训练,将新的群体最佳位置作为评价函数的最小值。
本实施例中,终端102可以基于粒子群算法对评价函数F(ε)的最小值进行获取,粒子群算法的优化过程包括初始化、个体极值和全局最优解的获取、获取更新速度和更新位置以及设定终止的条件等。例如,对于上述与目标电磁环境参数对应的评价函数,终端102可以首先获取评价函数对应的多维种群、该多维种群中的各个个体的初始速度、该多维种群中的个体对应的个体最佳适应度、该多维种群中的个体对应的个体最佳位置以及多维种群中对应的群体最佳适应度。其中,上述多维种群由目标电磁环境参数对应的多个个体构成,上述初始化过程中的个体最佳适应度、个体最佳位置和群体最佳适应度可以是预先设置的参数。具体地,终端102可以首先初始化种群,包括各项参数的设置,例如,终端102随机初始化种群的N个个体初始速度为v={v}N,初始化种群N个位置参数e={ε}N,εj为N维种群e的第j个个体,εj∈[0,50],j=1,2,3…,N。设置种群N个历史最佳位置eb={εb}N=e,设置历史个体最佳适应度为{Pc }N={0}N,设置群体历史最佳适应度Pg=∞, 设置最大迭代次数为100~200,设置惯性权重w为0.8,权重系数c1=0.5,c2=0.5。
终端102可以对个体最佳适应度进行更新,例如,终端102可以将上述求得的个体适应度与该个体对应的当前个体最佳适应度比较,例如与该个体的历史个体最佳适应度比较,若求得的个体适应度为第一次循环的个体适应度,则比较的是改个体预先设定的个体最佳适应度。若终端102检测到上述求得的个体适应度小于该个体对应的当前个体最佳适应度,则终端102可以将上述新求得的个体适应度作为新的个体最佳适应度,并将该个体在多维种群中的位置作为新的个体最佳位置。例如,终端102可以比较和,如果,则,且种群最佳位置。其中,可以是历史个体最佳适应度,可以是当前个体的新计算的个体适应度。
由于上述种群中有多个个体,则终端102可以获取多个个体对应的个体最佳适应度。而对于群体最佳适应度,终端102可以获取上述多个个体的个体最佳适应度中的最大值,并将该最大值与当前群体最佳适应度比较,其中当前群体最佳适应度可以是历史的群体最佳适应度,若终端102检测到上述最大值小于上述当前群体最佳适应度,则终端102可以将上述的最大值作为新的群体最佳适应度,并将该最大值对应的个体在种群中的位置作为新的群体最佳位置。例如,终端102可以计算群体的最佳适应度P'g=maxj (),如果P'g<Pg,则Pg=P'g,且群体最佳位置更新为εgb=。其中,表示上述新的群体最佳适应度对应的个体在种群中的位置。
终端102可以按照一定速率获取上述种群中的各个个体对应的相关适应度,则终端102可以针对上述多维种群进行多次循环以获取和更新适应度和位置等参数。每次循环中,终端102在得到上述新的群体最佳位置时,可以检测新的群体最佳位置与上一次训练对应的群体最佳位置的差值是否小于预设阈值,例如相同或差距较小,若否,则终端102可以根据当前循环的个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、上述个体最佳位置、该个体在种群终端额位置以及上述群体最佳位置,确定种群中参与下一次训练循环的新的个体。例如,终端102可以利用上述参数确定种群中的更新速度,并基于更新速度计算更新的位置,从而得到下一个训练的个体,并从上述根据评价函数,获取该个体对应的个体适应度的步骤开始下一次循环训练。另外,终端102还可以检测训练的次数是否大于或等于预设次数阈值,若否,则终端102也可以继续上述下一次循环训练。若终端102检测到上述新的群体最佳位置与上一次训练对应的群体最佳位置的差值小于预设阈值,或终端102检测到循环训练的次数达到预设次数阈值,则终端102可以将新的群体最佳位置作为上述评价函数的最小值。
通过本实施例,终端102可以基于粒子群算法对目标电磁环境参数对应的评价函数进行优化计算,从而基于优化得到的结果进行电磁环境参数区间的预测,提高了电磁环境参数预测的适用性。
在一个实施例中,根据个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、个体最佳位置、个体在所述种群中的位置以及群体最佳位置,确定种群中参与下一次训练的新的个体,包括:获取初始速度与预设惯性权重的第一乘积、第一权重系数和个体最佳位置与个体在种群中的位置的距离的第二乘积,以及第二权重系数与群体最佳位置和个体在种群中的位置的距离的第三乘积;获取第一乘积、第二乘积与第三乘积的和,作为多维种群的更新速度;获取个体在种群中的位置与更新速度的和,得到种群中参与下一次训练的新的个体。
本实施例中,终端102可以利用当前循环的个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、上述个体最佳位置、该个体在种群终端额位置以及上述群体最佳位置,确定种群中参与下一次训练循环的新的个体。终端102可以获取上述初始速度与预设惯性权重的第一乘积、第一权重系数和该当前个体的个体最佳位置与该个体在种群中的位置的距离的第二乘积,以及第二权重系数与群体最佳位置和该个体在种群中的位置的距离的第三乘积,并获取第一乘积、第二乘积与第三乘积的和,作为多维种群的更新速度。例如,终端102获取更新速度的公式可以如下所示:v'=v×w+c1R1({εb}N-{ε}N)+c2R2 ({εgb}N-{ε}N)。其中,v'为更新速度,R1和R2是[0,1]之间的随机数,对{εgb}N,=εgb,j=1,2,3…,N。
终端102获取上述更新速度后,可以进而获取参与下一次循环训练的个体的位置,终端102可以获取当前循环中的个体在种群中的位置与上述更新速度的和,得到参与下一次循环训练的新的个体。例如,终端102获取新的个体的位置的公式可以如下所示:{ε'}N={ε}N+v'。其中,{ε'}N为新的个体在种群中的位置。终端102可以依次重复上述的基于粒子群算法的训练,直至相邻两个循环计算得到的εgb相同或两者的差小于设定的阈值为止,或者迭代次数大于等于最大迭代次数时停止。输出计算得到的εgb,例如εgb=0.1。
通过本实施例,终端102可以基于粒子群算法对目标电磁环境参数对应的评价函数进行优化计算,从而基于优化得到的结果进行电磁环境参数区间的预测,提高了电磁环境参数预测的适用性。
在一个实施例中,根据预测目标电磁环境参数以及最小值,获取待预测的目标电磁环境参数对应的电磁环境参数区间,包括:根据最小值与一的差值与预测目标电磁环境参数的乘积,确定待预测的目标电磁环境参数对应的区间下限;根据最小值与一的和与预测目标电磁环境参数的乘积,确定待预测的目标电磁环境参数对应的区间上限;根据区间下限以及区间上限,获取待预测的目标电磁环境参数对应的电磁环境参数区间。
本实施例中,终端102可以基于上述基于粒子群算法优化得到的评价函数的最小值以及上述预测目标电磁环境参数进行对应的目标电磁环境参数的区间预测。终端102可以基于上述最小值与数字1的差值,以及该差值与预测目标电磁环境参数的乘积,确定需要预测的目标电磁环境参数对应的区间下限;终端102还可以基于最小值与数字1的和,以及该和与预测目标电磁环境参数的乘积,确定需要预测的目标电磁环境参数对应的区间上限;终端102确定上述区间下限和区间上限后,可以得到上述目标电磁环境参数对应的电磁环境参数区间。例如,以可听噪声为例,若需要预测的目标电磁环境参数为可听噪声,则终端102可以基于上述预测可听噪声y'i的计算结果,以及上述评价函数的最小值,得到可听噪声的预测区间为[y'i (1-εgb), y'i (1+εgb )]。另外,如图3所示,图3为一个实施例中电磁环境参数区间预测结果的界面示意图。上述测试数据集中可以包括多个不同时间测量得到的参数,则终端102可以针对每个时间进行电磁环境参数区间的预测,从而得到如图3所示的包括预测区间以及实际测量的实测值的示意图,即每个时间的电磁环境参数均可以有对应的电磁环境参数区间。
通过本实施例,终端102可以针对电磁环境测量数据的分散性,利用实际测量的其他参数以及粒子群算法优化评价函数等方式精确预测电磁环境参数的分布区间,提高了电磁环境参数预测的适用性,对于输电线路设计也具有一定的指导作用。
应该理解的是,虽然图2的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图4所示,提供了一种电磁环境参数区间预测装置,包括:第一获取模块500、第二获取模块502和预测模块504,其中:
第一获取模块500,用于获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,形成对应的测试数据集。
第二获取模块502,用于根据测试数据集中的多项参数,确定目标电磁环境指标对应的第一预测目标电磁环境参数以及目标电磁环境指标对应的评价函数,并获取评价函数的最小值。
预测模块504,用于根据第一预测目标电磁环境参数以及最小值对目标电磁环境指标进行第二预测,基于第二预测结果得到目标电磁环境指标对应的电磁环境参数区间。
在一个实施例中,上述第一获取模块500,具体用于获取待预测的输电线路中预设位置的导线表面起晕场强,作为线路运行参数;获取预设位置的导线对地平均高度、导线极间距、导线分裂间距、子导线半径、预设位置与正极导线的第一距离以及预设位置与负极导线的第二距离,作为线路结构参数;获取预设位置的风速以及相对湿度,作为气象参数;获取预设位置对应的多个测量目标电磁环境参数。
在一个实施例中,上述第二获取模块502,具体用于根据风速与预设位置的相对湿度的差值,得到预测目标电磁环境参数的气象预测参数;根据导线表面起晕场强、导线对地平均高度、导线极间距、与子导线半径间的差值和导线分裂间距的和,得到预测目标电磁环境参数的第一线路结构预测参数;根据第一距离的倒数与第二距离的倒数的和,得到预测目标电磁环境参数的第二线路结构预测参数;根据气象预测参数、第一线路结构预测参数与第二线路预测结构参数的和,得到预测目标电磁环境参数。
在一个实施例中,上述第二获取模块502,具体用于根据预设时刻测量的测量目标电磁环境参数,获取该预设时刻对应的测量目标电磁环境参数对应的取值范围;检测预设时刻的测量目标电磁环境参数对应的预测目标电磁环境参数是否在取值范围内,并根据检测结果确定待预测的目标电磁环境参数对应的覆盖误差值;根据多个覆盖误差值的平均值,得到待预测的目标电磁环境参数对应的平均覆盖误差值;根据平均覆盖误差值以及预设权重,获取待预测的目标电磁环境参数对应的评价函数。
在一个实施例中,上述第二获取模块502,具体用于基于粒子群算法,获取评价函数对应的多维种群、多维种群中的个体的初始速度、多维种群中的个体对应的个体最佳适应度、多维种群中的个体对应的个体最佳位置以及多维种群对应的群体最佳适应度;多维种群中包括待预测的目标电磁环境参数对应的多个个体;基于多个个体对评价函数进行训练,该步骤包括:获取多维种群中多个个体中的一个个体作为本次训练的对象,根据评价函数,获取该个体对应的个体适应度;将个体适应度与该个体对应的当前个体最佳适应度比较,若个体适应度小于当前个体最佳适应度,将个体适应度作为新的个体最佳适应度,并将该个体在多维种群中的位置作为新的个体最佳位置;获取多个个体的个体最佳适应度中的最大值,将最大值与当前群体最佳适应度比较,若最大值小于当前群体最佳适应度,将最大值作为新的群体最佳适应度,并将最大值对应的个体在种群中的位置作为新的群体最佳位置;检测新的群体最佳位置与上一次训练对应的群体最佳位置的差值是否小于预设阈值和/或检测训练的次数是否大于或等于预设次数阈值;上一次训练为针对种群中参与本次训练的个体的上一个个体的训练;若否,根据个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、个体最佳位置、个体在种群中的位置以及群体最佳位置,从种群中获取参与下一次训练的新的个体,并返回根据评价函数,获取该个体对应的个体适应度的步骤;若是,结束训练,将新的群体最佳位置作为评价函数的最小值。
在一个实施例中,上述第二获取模块502,具体用于获取初始速度与预设惯性权重的第一乘积、第一权重系数和个体最佳位置与个体在种群中的位置的距离的第二乘积,以及第二权重系数与群体最佳位置和个体在种群中的位置的距离的第三乘积;获取第一乘积、第二乘积与第三乘积的和,作为多维种群的更新速度;获取个体在种群中的位置与更新速度的和,得到种群中参与下一次训练的新的个体。
在一个实施例中,上述预测模块504,具体用于根据最小值与一的差值与预测目标电磁环境参数的乘积,确定待预测的目标电磁环境参数对应的区间下限;根据最小值与一的和与预测目标电磁环境参数的乘积,确定待预测的目标电磁环境参数对应的区间上限;根据区间下限以及区间上限,获取待预测的目标电磁环境参数对应的电磁环境参数区间。
关于电磁环境参数区间预测装置的具体限定可以参见上文中对于电磁环境参数区间预测方法的限定,在此不再赘述。上述电磁环境参数区间预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,其内部结构图可以如图5所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种电磁环境参数区间预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图5中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述的电磁环境参数区间预测方法。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述的电磁环境参数区间预测方法。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种电磁环境参数区间预测方法,其特征在于,所述方法包括:
获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,形成对应的测试数据集;
根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数以及所述目标电磁环境指标对应的评价函数,并获取所述评价函数的最小值;
根据所述第一预测目标电磁环境参数以及所述最小值对所述目标电磁环境指标进行第二预测,基于所述第二预测结果得到所述目标电磁环境指标对应的电磁环境参数区间。
2.根据权利要求1所述的方法,其特征在于,所述获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,包括:
获取输电线路中预设位置的导线表面起晕场强,作为所述线路运行参数;
获取所述预设位置的导线对地平均高度、导线极间距、导线分裂间距、子导线半径、所述预设位置与正极导线的第一距离以及所述预设位置与负极导线的第二距离,作为所述线路结构参数;
获取所述预设位置的风速以及相对湿度,作为所述气象参数;
获取所述预设位置对应的历史测量目标电磁环境参数。
3.根据权利要求2所述的方法,其特征在于,所述根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数,包括:
根据所述风速与所述预设位置的相对湿度的差值,得到所述目标电磁环境指标的气象预测参数;
根据所述导线表面起晕场强、所述导线对地平均高度、所述导线极间距、与所述子导线半径间的差值和所述导线分裂间距的和,得到所述目标电磁环境指标的第一线路结构预测参数;
根据所述第一距离的倒数与所述第二距离的倒数的和,得到所述目标电磁环境指标的第二线路结构预测参数;
根据所述气象预测参数、所述第一线路结构预测参数与所述第二线路预测结构参数的和,得到所述第一预测目标电磁环境参数。
4.根据权利要求2所述的方法,其特征在于,所述根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数以及所述目标电磁环境指标对应的评价函数,包括:
根据预设时刻测量的历史测量目标电磁环境参数,获取该预设时刻对应的历史测量目标电磁环境参数对应的取值范围;
检测所述预设时刻的历史测量目标电磁环境参数对应的第一预测目标电磁环境参数是否在所述取值范围内,并根据检测结果确定所述目标电磁环境指标对应的覆盖误差值;
根据多个所述覆盖误差值的平均值,得到所述目标电磁环境指标对应的平均覆盖误差值;
根据所述平均覆盖误差值以及预设权重,获取所述目标电磁环境指标对应的评价函数。
5.根据权利要求2所述的方法,其特征在于,所述获取所述评价函数的最小值,包括:
基于粒子群算法,获取所述评价函数对应的多维种群、所述多维种群中的个体的初始速度、所述多维种群中的个体对应的个体最佳适应度、所述多维种群中的个体对应的个体最佳位置以及所述多维种群对应的群体最佳适应度;所述多维种群中包括所述目标电磁环境指标对应的多个个体;
基于所述多个个体对所述评价函数进行训练,该步骤包括:
获取所述多维种群中多个个体中的一个个体作为本次训练的对象,根据所述评价函数,获取该个体对应的个体适应度;将所述个体适应度与该个体对应的当前个体最佳适应度比较,若所述个体适应度小于所述当前个体最佳适应度,将所述个体适应度作为新的个体最佳适应度,并将该个体在所述多维种群中的位置作为新的个体最佳位置;
获取多个所述个体的个体最佳适应度中的最大值,将所述最大值与当前群体最佳适应度比较,若所述最大值小于所述当前群体最佳适应度,将所述最大值作为新的群体最佳适应度,并将所述最大值对应的个体在所述种群中的位置作为新的群体最佳位置;检测所述新的群体最佳位置与上一次训练对应的群体最佳位置的差值是否小于预设阈值和/或检测所述训练的次数是否大于或等于预设次数阈值;所述上一次训练为针对所述种群中参与本次训练的个体的上一个个体的训练;
若否,根据所述个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、所述个体最佳位置、所述个体在所述种群中的位置以及所述群体最佳位置,从所述种群中获取参与下一次训练的新的个体,并返回所述根据所述评价函数,获取该个体对应的个体适应度的步骤;
若是,结束训练,将所述新的群体最佳位置作为所述评价函数的最小值。
6.根据权利要求5所述的方法,其特征在于,所述根据所述个体的初始速度、预设惯性权重、第一权重系数、第二权重系数、所述个体最佳位置、所述个体在所述种群中的位置以及所述群体最佳位置,确定所述种群中参与下一次训练的新的个体,包括:
获取所述初始速度与所述预设惯性权重的第一乘积、所述第一权重系数和所述个体最佳位置与所述个体在所述种群中的位置的距离的第二乘积,以及所述第二权重系数与所述群体最佳位置和所述个体在所述种群中的位置的距离的第三乘积;
获取所述第一乘积、所述第二乘积与所述第三乘积的和,作为所述多维种群的更新速度;
获取所述个体在所述种群中的位置与所述更新速度的和,得到所述种群中参与下一次训练的新的个体。
7.根据权利要求1所述的方法,其特征在于,所述根据所述第一预测目标电磁环境参数以及所述最小值对所述目标电磁环境指标进行第二预测,基于所述第二预测结果得到所述目标电磁环境指标对应的电磁环境参数区间,包括:
根据所述最小值与一的差值与所述第一预测目标电磁环境参数的乘积,确定所述目标电磁环境指标对应的区间下限;
根据所述最小值与一的和与所述第一预测目标电磁环境参数的乘积,确定所述目标电磁环境指标对应的区间上限;
根据所述区间下限以及所述区间上限,获取所述目标电磁环境指标对应的电磁环境参数区间。
8.一种电磁环境参数区间预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取输电线路中的线路运行参数、线路结构参数、气象参数以及目标电磁环境指标对应的历史测量目标电磁环境参数,形成对应的测试数据集;
第二获取模块,用于根据所述测试数据集中的多项参数,确定所述目标电磁环境指标对应的第一预测目标电磁环境参数以及所述目标电磁环境指标对应的评价函数,并获取所述评价函数的最小值;
预测模块,用于根据所述第一预测目标电磁环境参数以及所述最小值对所述目标电磁环境指标进行第二预测,基于所述第二预测结果得到所述目标电磁环境指标对应的电磁环境参数区间。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853925.0A CN113313330B (zh) | 2021-07-28 | 2021-07-28 | 电磁环境参数区间预测方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110853925.0A CN113313330B (zh) | 2021-07-28 | 2021-07-28 | 电磁环境参数区间预测方法、装置和计算机设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113313330A true CN113313330A (zh) | 2021-08-27 |
CN113313330B CN113313330B (zh) | 2021-11-16 |
Family
ID=77381582
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110853925.0A Active CN113313330B (zh) | 2021-07-28 | 2021-07-28 | 电磁环境参数区间预测方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113313330B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114034375A (zh) * | 2021-10-26 | 2022-02-11 | 三峡大学 | 一种特高压输电线路噪声测量系统及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
CN105184421A (zh) * | 2015-09-28 | 2015-12-23 | 南方电网科学研究院有限责任公司 | 基于数据分段及模型校准的电磁环境参数预测方法 |
WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
US10726356B1 (en) * | 2016-08-01 | 2020-07-28 | Amazon Technologies, Inc. | Target variable distribution-based acceptance of machine learning test data sets |
CN111523218A (zh) * | 2020-04-16 | 2020-08-11 | 燕山大学 | 一种基于动态多目标进化的多目标参数优化方法 |
-
2021
- 2021-07-28 CN CN202110853925.0A patent/CN113313330B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060230006A1 (en) * | 2003-01-15 | 2006-10-12 | Massimo Buscema | System and method for optimization of a database for the training and testing of prediction algorithms |
WO2017035964A1 (zh) * | 2015-08-31 | 2017-03-09 | 中车大连电力牵引研发中心有限公司 | 一种电力系统的负荷特性确定方法及系统 |
CN105184421A (zh) * | 2015-09-28 | 2015-12-23 | 南方电网科学研究院有限责任公司 | 基于数据分段及模型校准的电磁环境参数预测方法 |
US10726356B1 (en) * | 2016-08-01 | 2020-07-28 | Amazon Technologies, Inc. | Target variable distribution-based acceptance of machine learning test data sets |
CN110648026A (zh) * | 2019-09-27 | 2020-01-03 | 京东方科技集团股份有限公司 | 预测模型构建方法、预测方法、装置、设备及介质 |
CN111523218A (zh) * | 2020-04-16 | 2020-08-11 | 燕山大学 | 一种基于动态多目标进化的多目标参数优化方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114034375A (zh) * | 2021-10-26 | 2022-02-11 | 三峡大学 | 一种特高压输电线路噪声测量系统及方法 |
CN114034375B (zh) * | 2021-10-26 | 2024-06-11 | 三峡大学 | 一种特高压输电线路噪声测量系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113313330B (zh) | 2021-11-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109978228B (zh) | 一种pm2.5浓度预测方法、装置及介质 | |
CN113792453A (zh) | 基于数字孪生的局部放电监测系统、方法和装置 | |
CN110346654B (zh) | 基于普通克里金插值的电磁频谱地图构建方法 | |
CN110445567B (zh) | 一种电磁频谱地图的构建方法 | |
CN108829766B (zh) | 一种兴趣点推荐方法、系统、设备及计算机可读存储介质 | |
CN112150311A (zh) | 能耗异常状态检测方法、装置、计算机设备和存储介质 | |
CN111537884B (zh) | 获取动力电池寿命数据的方法、装置、计算机设备及介质 | |
CN112560981B (zh) | 生成对抗模型的训练方法、装置、设备、程序和存储介质 | |
CN108805174A (zh) | 聚类方法及装置 | |
CN113313330B (zh) | 电磁环境参数区间预测方法、装置和计算机设备 | |
CN113935512A (zh) | 风电功率预测方法、装置、计算机设备和存储介质 | |
CN114462723B (zh) | 基于高空风资源影响的云层迁移分钟级光伏功率预测方法 | |
CN114910756A (zh) | 一种低压母线槽的绝缘性能评估方法及系统 | |
CN112881818A (zh) | 电场强度测量方法、装置、计算机设备和存储介质 | |
CN111856157A (zh) | 闪电位置测量方法、装置、计算机设备和存储介质 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
CN113869444A (zh) | 变电站故障检测方法、装置、计算机设备和存储介质 | |
CN116485049A (zh) | 一种基于人工智能的电能计量误差预测与优化系统 | |
CN115859765A (zh) | 城市扩张的预测方法、装置、设备及存储介质 | |
CN115758717A (zh) | 模拟亮温偏差的估算方法、装置、电子设备及存储介质 | |
CN115577259A (zh) | 高压直流输电系统故障选极方法、装置和计算机设备 | |
CN114646313A (zh) | 一种用户轨迹定位方法、电子设备及计算机存储介质 | |
CN109861222B (zh) | 一种省级电网负荷分区预测方法及系统 | |
CN117557044B (zh) | 一种基于物联网平台的建筑作业环境监控方法及设备 | |
CN117172107A (zh) | 电缆区间定位模型的确定方法、装置和计算机设备 |
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 |