CN113570133A - 一种应对强降雨的输配电线路风险预测方法及系统 - Google Patents
一种应对强降雨的输配电线路风险预测方法及系统 Download PDFInfo
- Publication number
- CN113570133A CN113570133A CN202110841578.XA CN202110841578A CN113570133A CN 113570133 A CN113570133 A CN 113570133A CN 202110841578 A CN202110841578 A CN 202110841578A CN 113570133 A CN113570133 A CN 113570133A
- Authority
- CN
- China
- Prior art keywords
- power transmission
- distribution line
- disaster
- early warning
- information
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 268
- 230000005540 biological transmission Effects 0.000 title claims abstract description 265
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 53
- 230000001066 destructive effect Effects 0.000 claims abstract description 15
- 230000004044 response Effects 0.000 claims abstract description 8
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000011144 upstream manufacturing Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 5
- 238000006424 Flood reaction Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000010755 BS 2869 Class G Substances 0.000 description 1
- 101100458658 Homo sapiens MUC13 gene Proteins 0.000 description 1
- 102100023124 Mucin-13 Human genes 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 210000003733 optic disk Anatomy 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 238000003860 storage 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
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- 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
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Educational Administration (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Alarm Systems (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Molecular Biology (AREA)
Abstract
本申请实施例公开了一种应对强降雨的输配电线路风险预测方法及系统,其中方法包括:服务器获取灾害预报信息和输配电线路信息;服务器根据灾害预报信息和输配电线路信息确定目标输配电线路;服务器根据灾害预报信息计算第一预警系数和第二预警系数,第一预警系数为灾害缓急程度,第二预警系数为灾害破坏力程度;服务器将第一预警系数、第二预警系数和目标输配电线路输入第一预设神经网络获取目标输配电线路的风险等级。使用服务器将第一预警系数、第二预警系数和在灾害影响区域内的输配电线路(目标输配电线路)输入第一预设神经网络获取输配电线路的风险等级,使得降低预测结果受主观因素的影响,提高输配电线路的风险等级预测精确度。
Description
技术领域
本申请实施例涉及电力防灾应急技术领域,特别涉及一种应对强降雨的输配电线路风险预测方法及系统。
背景技术
西太平洋副热带高压、低压槽、强降雨、西南涡等是影响地区的主要灾害性天气系统,其造成的区域性强降雨往往是导致山洪和中小河流洪水灾害、泥石流、山体滑坡等灾害的直接性因素;而这些直接性因素又是造成输配电线路等设备损坏的主要因素。
强降雨是造成配电设施损坏的主要因素,甚至演化为大面积停电。2014年,暴雨造成爱尔兰配电设施损坏和西南部大量客户停电。2019年,台风“利奇马”强降雨导致浙江超303万用户停电。2020年,暴雨导致日本熊本大量客户停电。由于强降雨过程中淹没输配电线路走廊的时空分布关系比较复杂,在现有技术中,是依靠专家经验来预测输配电线路面临风险,而该方式会受到较多的主观因素的影响,使得风险预测结果精确度较低。
发明内容
本申请实施例提供了一种应对强降雨的输配电线路风险预测方法及系统,由于通过使用服务器将所述第一预警系数、所述第二预警系数和在灾害影响区域内的输配电线路(目标输配电线路)输入第一预设神经网络获取输配电线路的风险等级,使得降低预测结果受主观因素的影响,提高输配电线路的风险等级预测精确度。
本申请实施例第一方面提供了一种应对强降雨的输配电线路风险预测方法,包括:
服务器获取灾害预报信息和输配电线路信息;
所述服务器根据所述灾害预报信息和所述输配电线路信息确定目标输配电线路,所述目标输配电线路为所述灾害预报信息预测灾害影响区域内的输配电线路;
所述服务器根据所述灾害预报信息计算第一预警系数和第二预警系数,所述第一预警系数为灾害缓急程度,所述第二预警系数为灾害破坏力程度;
所述服务器将所述第一预警系数、所述第二预警系数和所述目标输配电线路输入第一预设神经网络获取所述目标输配电线路的风险等级,所述第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
可选的,所述灾害预报信息,包括:洪水预报信息和中小河流洪水气象风险预警等级信息。
可选的,所述服务器根据所述灾害预报信息计算第一预警系数和第二预警系数,包括:
所述服务器将所述洪水预报信息输入第二预设神经网络计算第一预警系数,所述第二预设神经网络用于根据洪水预报信息计算第一预警系数;
所述服务器根据所述中小河流洪水气象风险预警等级信息计算中小河流淹没的水深深度,并根据所述水深深度计算第二预警系数,所述第二预警系数为灾害破坏力程度。
可选的,所述服务器根据所述灾害预报信息和所述输配电线路信息确定目标输配电线路,包括:
所述服务器根据所述灾害预报信息获取所述灾害预报信息预测的灾害影响区域;
所述服务器判断所述输配电线路信息相对应的输配电线路是否在灾害影响区域内;
若是,则所述服务器确定所述输配电线路为目标输配电线路。
可选的,所述服务器判断所述输配电线路信息相对应的输配电线路是否在灾害影响区域内之后,所述方法还包括:
若否,则所述服务器重新获取灾害预报信息和输配电线路信息。
本申请实施例第二方面提供了一种应对强降雨的输配电线路风险预测系统,包括:
第一获取单元,用于获取灾害预报信息和输配电线路信息,所述灾害预报信息包括洪水预报信息和中小河流洪水气象风险预警等级信息;
确定单元,用于根据所述灾害预报信息和所述输配电线路信息确定目标输配电线路,所述目标输配电线路为所述灾害预报信息预测灾害影响区域内的输配电线路;
计算单元,用于根据所述灾害预报信息计算第一预警系数和第二预警系数,所述第一预警系数为灾害缓急程度,所述第二预警系数为灾害破坏力程度;
第二获取单元,用于将所述第一预警系数、所述第二预警系数和所述目标输配电线路输入第一预设神经网络获取所述目标输配电线路的风险等级,所述第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
可选的,所述计算单元,包括:
第一计算模块,用于将所述洪水预报信息输入第二预设神经网络计算第一预警系数,所述第二预设神经网络用于根据洪水预报信息计算第一预警系数;
第二计算模块,用于根据所述中小河流洪水气象风险预警等级信息计算中小河流淹没的水深深度,并根据所述水深深度计算第二预警系数,所述第二预警系数为灾害破坏力程度。
可选的,所述确定单元,包括:
获取模块,用于根据所述灾害预报信息获取所述灾害预报信息预测的灾害影响区域;
判断模块,用于判断所述输配电线路信息相对应的输配电线路是否在灾害影响区域内;
确定模块,用于当所述判断模块确定所述输配电线路信息相对应的输配电线路在灾害影响区域内时,确定所述输配电线路为目标输配电线路。
可选的,所述第一获取单元,还用于当所述判断模块确定所述输配电线路信息相对应的输配电线路不在灾害影响区域内时,重新获取灾害预报信息和输配电线路信息。
从以上技术中:服务器获取灾害预报信息和输配电线路信息;所述服务器根据所述灾害预报信息和所述输配电线路信息确定目标输配电线路,所述目标输配电线路为所述灾害预报信息预测灾害影响区域内的输配电线路;所述服务器根据所述灾害预报信息计算第一预警系数和第二预警系数,所述第一预警系数为灾害缓急程度,所述第二预警系数为灾害破坏力程度;所述服务器将所述第一预警系数、所述第二预警系数和所述目标输配电线路输入第一预设神经网络获取所述目标输配电线路的风险等级,所述第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。通过使用服务器将所述第一预警系数、所述第二预警系数和在灾害影响区域内的输配电线路(目标输配电线路)输入第一预设神经网络获取输配电线路的风险等级,使得降低预测结果受主观因素的影响,提高输配电线路的风险等级预测精确度。
附图说明
图1为本申请实施例中应对强降雨的输配电线路风险预测方法一个实施例流程示意图;
图2为本申请实施例中应对强降雨的输配电线路风险预测方法另一实施例流程示意图;
图3为本申请实施例中应对强降雨的输配电线路风险预测系统的结构示意图;
图4为本申请实施例中服务器的结构示意图;
图5为本申请的第二预设神经网络的组成示意图;
图6为本申请的第一预设神经网络的组成示意图;
图7为本申请的另一应对强降雨的输配电线路风险预测系统的示意图。
具体实施方式
本申请实施例提供了一种应对强降雨的输配电线路风险预测方法及系统,由于通过使用服务器将所述第一预警系数、所述第二预警系数和在灾害影响区域内的输配电线路(目标输配电线路)输入第一预设神经网络获取输配电线路的风险等级,使得降低预测结果受主观因素的影响,提高输配电线路的风险等级预测精确度。
请参阅图1,本申请实施例中应对强降雨的输配电线路风险预测方法一个实施例包括:
101、服务器获取灾害预报信息和输配电线路信息;
在实际应用中,灾害预报信息通常是指各类天气预报、例如泥石流预报信息、洪水预报信息、山体滑坡预报信息、强降雨所致中小河流洪水气象风险预警等级信息等;输配电线路信息中具有输配电线路的位置信息以及输配电线路的临近河道信息。为了使得更快速的确定输配电线路的风险等级,并根据该风险等级做出相对应的防护措施更有意义,所以当灾害预报信息被发布之后,尽可能第一时间获取该灾害预报信息,并将该信息保存下来。继而进一步的获取电网的最新的输配电线路信息。
优选的,所述洪水预报信息包括洪水所在地城市、县区、水文站、河流、警戒水位、到达时间、流量、流速及降雨量信息。中小河流是指流域面积大于或者等于200平方公里,且小于3000平方公里的河流。本发明特指会淹没临近河道输配电线路设施的中小河流。优选的,到达时间是指自洪水泛滥时刻起,上游洪水前锋演进临近河道输配电线路设施的时间。流量是指每秒通过河道断面的水体体积。水位是指河道相对自由水面的基面高程。流速是指水的质点在单位时间内沿流程移动的距离。
优选的,中小河流洪水气象风险预警等级信息划分标准如表1所示:
表1
在本实施例中,为了提高输配电线路的风险等级精确性,所以服务器获取的灾害预报信息为实时灾害预报信息。
102、服务器根据灾害预报信息和输配电线路信息确定目标输配电线路,该目标输配电线路为灾害预报信息预测灾害影响区域内的输配电线路。
当服务器获取灾害预报信息之后,服务器根据该灾害预报信息确定灾害所波及的地区;进一步的根据输配电线路获取所有的输配电线路,具体的:服务器从输配电线路信息中提取第一输配电线路、第二输配电线路、第三输配电线路、……、第N输配电线路,最终将在灾害所波及的地区上的输配电线路均确定为目标输配电线路。
进一步的,灾害所波及的地区上的输配电线路的确定方法为:
通过匹配水文中心预报的河道水情中的文字性描述地址,判断涉及临近河道空间位置内的输配电线路杆塔,判断规则如下:
<临近河道输配电线路杆塔位置>::||<市名><县名><水文站><河名>。
灾害预报信息还包括文水中心预报的河道水情、测站雨情,以及电力地理信息系统的电力地理信息图。电力地理信息图包含输配电网络(含输配电线路杆塔)与山川、河流、地势、城镇、道路的名称、坐标地址、地面高程信息。输配电线路杆塔坐标地址表达符合CH/Z9010《地理信息公共服务平台地理与地理实体与地名地址数据规范》中规定,且电力地理信息系统中亦将杆塔地址数据作为地理位置标识点表达。
在本实施例中,第N输配电线路中的N,可以取值为任一具体自然数,具体此处不做具体限定。
103、服务器根据灾害预报信息计算第一预警系数和第二预警系数,该第一预警系数为灾害缓急程度,该第二预警系数为灾害破坏力程度;
当服务器获取到灾害预报信息之后,服务器根据灾害预报信息确定灾害缓急程度以及灾害破坏力程度,具体的:确定灾害等级的取值范围为[0,10];当灾害的等级越高,则表示灾害越严重。将灾害等级使用一个灾害缓急程度信号表示和一个灾害破坏力程度信息表示;其中根据灾害缓急程度信息计算第一预警系数;灾害破坏力程度作为第二预警系数;当确定第一预警系数和第二预警系数后,服务器将该第一预警系数和该第二预警系数保存,已使得服务器需要使用的时候直接提取。
在本实施例中,灾害等级的取值范围还可以为[0,6],也可以为[-10,10],具体取值范围可以为任意两个自然数的数值区间,具体此处不做具体限定。
在本实施例中,可以当灾害的等级越高,则表示灾害越严重;也可以为当灾害的等级越低,则表示灾害越严重,具体此处不做具体限定。
在本实施例中,步骤102与步骤103执行顺序可做互换,可以为先执行步骤102,再执行步骤103;也可以为先执行步骤103,再执行步骤120;具体此处不做具体限定。
104、服务器将第一预警系数、第二预警系数和目标输配电线路输入第一预设神经网络获取目标输配电线路的风险等级,该第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
在本实施例中,第一预设神经网络如图6所示,由输入层、隐含层和输出层组成;该第一预设神经网络为多输入,多输出的类型网络,服务器往该第一预设神经网络的输入层输入第一预警系数、第二预警系数以及目标输配电线路;其中第一预警系数、第二预警系数以及目标输配电线路经过隐藏层;进入隐藏层进行输配电线路的风险计算,其中经过隐藏层的风险等级计算公式为:
Gi=(A1×0.5)+(A2×0.5)
式中,Gi是指在i时刻时输配电线路的风险,其取值范围是0<A1≤1;A1是第一预警系数,所占总预测风险权重为0.5;A2是第二预警系数,所占总预测风险权重为0.5。
计算出Gi后,根据风险等级G划分表确定风险等级G,最后从第一预设神经网络的输出层输出目标输配电线路i时刻的风险等级。
其中风险等级G划分表如表2所示:
表2
服务器获取灾害预报信息和输配电线路信息;服务器根据灾害预报信息和输配电线路信息确定目标输配电线路,目标输配电线路为灾害预报信息预测灾害影响区域内的输配电线路;服务器根据灾害预报信息计算第一预警系数和第二预警系数,第一预警系数为灾害缓急程度,第二预警系数为灾害破坏力程度;服务器将第一预警系数、第二预警系数和目标输配电线路输入第一预设神经网络获取目标输配电线路的风险等级,第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。通过使用服务器将第一预警系数、第二预警系数和在灾害影响区域内的输配电线路(目标输配电线路)输入第一预设神经网络获取输配电线路的风险等级,使得降低预测结果受主观因素的影响,提高输配电线路的风险等级预测精确度。
请参阅图2,本申请实施例中应对强降雨的输配电线路风险预测方法另一实施例包括:
201、服务器获取灾害预报信息和输配电线路信息,该灾害预报信息包括洪水预报信息和中小河流洪水气象风险预警等级信息;
灾害预报信息为洪水预报信息和中小河流洪水气象风险预警等级信息;服务器首先获取实时的天气预报,继而从该天气预报中提取洪水预报信息和中小河流洪水气象风险预警等级信息。最后服务器获取电网的输配电线路信息;进一步输配电线路信息进行数据解析获取输配电线路的位置信息以及输配电线路的临近河道信息。
在本实施例中,服务器可以直接获取气象台的实时天气预报,也可是直接获取各个公布天气预报平台的实时天气预报,具体此处不做具体限定。
202、服务器根据灾害预报信息获取灾害预报信息预测的灾害影响区域;
在本实施例中,服务器获取洪水预报信息和中小河流洪水气象风险预警等级信息之后,服务器根据该洪水预报信息确定预测发生洪水的预测灾区名称、预测灾区的具体位置、以及预测灾区的面积;最后服务器根据预测灾区名称、预测灾区的具体位置以及预测灾区的面积确定灾害影响区域。
203、服务器判断输配电线路信息相对应的输配电线路是否在灾害影响区域内;若是,执行步骤204;若否,执行步骤201;
若电网中记载的所有输配电线路没有全部在灾害影响区域里时,还将每一个输配电线路都进行一次计算风险等级,就会使得计算量很大,且导致服务器数据过于冗余,为了提高计算速度以及减少服务器的数据负载负担,服务器先确定电网记载的所有输配电线路有多少在灾害影响区域内,即服务器判断输配电线路相对应的输配电线路是否在灾害影响区域内。当服务器确定输配电线路相对应的输配电线路在灾害影响区域内时,则表示该输配电线路受到灾害影响;当服务器判断输配电线路相对应的输配电线路不在灾害影响区域内时,则表示该输配电线路未受到灾害影响,此时执行步骤201,重新获取灾害预报信息和输配电线路信息。
204、服务器确定输配电线路为目标输配电线路;
当服务器确定输配电线路受到灾害影响之后,服务器使用标记信号将该输配电线路进行标记,作为目标输配电线路。
在本实施例中,标记信号可以为true,也可以为1,也可以为YES,甚至还可以是任一预设标记值,具体此处不做具体限定。
205、服务器将洪水预报信息输入第二预设神经网络计算第一预警系数,第二预设神经网络用于根据洪水预报信息计算第一预警系数,该第一预警系数为灾害缓急程度;
服务器根据洪水预报信息确定上游洪水到达目标输配电线路的预测时间T的等级,以及根据洪水预报信息预测该灾害对应的降雨量R的等级;将预测时间T的等级和该降雨量R的等级输入第二预设神经网络中计算第一预警系数,具体的:
第二预设神经网络如图5所示,由输入层、隐藏层以及输出层组成,其中整个神经网络属于多输入-多输出的神经网络。预测时间、预测时间对应的等级、预测时间对应的权重、降雨量、降雨量对应的等级、以及降雨量对应的权重通过第二预设神经网络中的输入层进入隐藏层,隐藏层计算第一预警系数,并通过输出层输出第一预警系数。其中隐藏层计算第一预警系数的计算公式为:
A1=(Ti×0.4)+(Ri×0.6)
式中,A1是指在i时刻的第一预警系数,其取值范围是0<A1≤1;Ti是预测时间,所占总预测风险权重为0.6;Ri是指上游洪水到达区域内的降雨量,所占总预测风险权重为0.4。
上游洪水到达时间T的等级如表3所示:
表3
上游洪水到达区域内降雨量R的等级如表4所示:
表4
206、服务器根据中小河流洪水气象风险预警等级信息计算中小河流淹没的水深深度;并根据水深深度计算第二预警系数,该第二预警系数为灾害破坏力程度;
由于计算目标输配电电流的风险等级需要第一预警系数、第二预警系数和目标输配电线路,所以服务器计算第一预警系数之后,服务器需要计算第二预警系数。其中,服务器先根据中小河流洪水气象风险预警信息计算得出中小河流淹没的水深深度,具体计算公式为:
D=Gw-GL (Gw>GL)
式中,D是指中小河流淹没水深深度;Gw为水面高程,根据水文中心预报的河道水情、测站雨情中水位得知;GL为地面高程,根据电力地理信息系统中输配电线路的设备台账得知。
当中小河流淹没的水深深度确定之后,服务器根据该中小河流淹没的水深深度和预设预警系数表确定第二预警系数;其中预设预警系数表如表5所示:
表5
207、服务器将第一预警系数、第二预警系数和目标输配电线路输入第一预设神经网络获取目标输配电线路的风险等级,该第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
本实施例中的步骤207与前述实施例中步骤104类似,此处不再赘述。
请参阅图3,本申请实施例中应对强降雨的输配电线路风险预测的系统一个实施例包括:
第一获取单元301,用于获取灾害预报信息和输配电线路信息,灾害预报信息包括洪水预报信息和中小河流洪水气象风险预警等级信息;
确定单元302,用于根据灾害预报信息和输配电线路信息确定目标输配电线路,目标输配电线路为灾害预报信息预测灾害影响区域内的输配电线路;
计算单元303,用于根据灾害预报信息计算第一预警系数和第二预警系数,第一预警系数为灾害缓急程度,第二预警系数为灾害破坏力程度;
第二获取单元304,用于将第一预警系数、第二预警系数和目标输配电线路输入第一预设神经网络获取目标输配电线路的风险等级,第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
本实施例中计算单元303可以包括第一计算模块3031和第二计算模块3032。
第一计算模块3031,用于将洪水预报信息输入第二预设神经网络计算第一预警系数,第二预设神经网络用于根据洪水预报信息计算第一预警系数;
第二计算模块3032,用于根据中小河流洪水气象风险预警等级信息计算中小河流淹没的水深深度,并根据水深深度计算第二预警系数,第二预警系数为灾害破坏力程度。
本实施例中确定单元302可以包括获取模块3021,判断模块3022和确定模块3023。
获取模块3021,用于根据灾害预报信息获取灾害预报信息预测的灾害影响区域;
判断模块3022,用于判断输配电线路信息相对应的输配电线路是否在灾害影响区域内;
确定模块3023,用于当判断模块3022确定输配电线路信息相对应的输配电线路在灾害影响区域内时,确定输配电线路为目标输配电线路。
第一获取单元301,还用于当判断模块3022确定输配电线路信息相对应的输配电线路不在灾害影响区域内时,重新获取灾害预报信息和输配电线路信息。
在本实施例中,第一获取单元301获取灾害预报信息和输配电线路信息,灾害预报信息包括洪水预报信息和中小河流洪水气象风险预警等级信息;并将洪水预报信息和中小河流洪水气象风险预警等级信息发送至第一计算模块3031,将灾害预报信息和输配电线路信息发送至获取模块3021,获取模块3021根据灾害预报信息获取灾害预报信息预测的灾害影响区域,且将该灾害影响区域和输配电线路信息发送至判断模块3022,判断模块3022判断输配电线路信息相对应的输配电线路是否在灾害影响区域内;当判断模块3022确定输配电线路信息相对应的输配电线路不在灾害影响区域内时,第一获取单元301重新获取灾害预报信息和输配电线路信息;当判断模块3022确定输配电线路信息相对应的输配电线路在灾害影响区域内时,确定模块3023确定输配电线路为目标输配电线路;在服务器确定目标输配电线路之后,第一计算模块3031将洪水预报信息输入第二预设神经网络计算第一预警系数,第二预设神经网络用于根据洪水预报信息计算第一预警系数,且第二计算模块3032根据中小河流洪水气象风险预警等级信息计算中小河流淹没的水深深度,并根据水深深度计算第二预警系数,第二预警系数为灾害破坏力程度;第一计算模块3031将第一预警系数发送至第二获取单元304;第二计算模块3032将第二预警系数发送至第二获取单元304;第二获取单元304将第一预警系数、第二预警系数和目标输配电线路输入第一预设神经网络获取目标输配电线路的风险等级,第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
下面对本申请实施例中的服务器进行详细描述,请参阅图4,本申请实施例中服务器另一实施例包括:
处理器401、存储器402、输入输出单元403、总线404;
处理器401与存储器402、输入输出单元403以及总线404相连;
处理器401执行如下操作:
获取灾害预报信息和输配电线路信息;
根据灾害预报信息和输配电线路信息确定目标输配电线路,目标输配电线路为灾害预报信息预测灾害影响区域内的输配电线路;
根据灾害预报信息计算第一预警系数和第二预警系数,第一预警系数为灾害缓急程度,第二预警系数为灾害破坏力程度;
将第一预警系数、第二预警系数和目标输配电线路输入第一预设神经网络获取目标输配电线路的风险等级,第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
本实施例中,处理器401的功能与前述图1至图2所示实施例中的步骤,此处不再赘述。
另外,本发明还提供了应对强降雨的输配电线路风险预测系统,如图7所示,用于承载预测输配电线路运行风险预测方法及模型,构建面向强降雨、涵盖省级输配电线路运行风险的预测体系,所述系统的软件质量符合GB/T 16260.1《软件工程产品质量第1部分:质量模型》、GB/T 16260.2《软件工程产品质量第2部分:内部质量》、GB/T 16260.3《软件工程产品质量第3部分:外部质量》、GB/T 16260.4《软件工程产品质量第4部分:使用质量的度量》的规定,系统层级包括数据层、业务逻辑层、展示层:
数据层,包括中间层服务器、关系库服务器、实时库服务器、磁盘阵列四部分,用于存储涉及输配电线路风险预测的相关数据。其中,中间层服务器用于采集所在地省级水文中心预报的河道水情、测站雨情,所述水情、雨情预报信息符合SL 250《水文情报预报规范》的规定;采集电力地理信息系统的电力地理信息图信息,所述电力地理信息图符合DL/T397《电力地理信息系统图形符号分类与代码》的规定;采集资产管理系统中临近河道输配电线路的设备台账。实时库服务器用于存储水文中心预报的24小时内河道水情、测站雨情数据;关系库服务器用于存储电力地理信息图、临近河道输配电线路的设备台账;关系库服务器、实时库服务器将所存储数据均备份至磁盘阵列。此外,资产管理系统、电力地理信息系统的接口规范符合Q/CSG 1204012《通信网络生产应用接口技术规范》的相关规定。
业务逻辑层,用于通过应用服务器部署计算输配电线路预警系数的神经网络模型M1、M2。首先在模型M1输入层预警时刻i下省级水文中心预报的24小时内上游洪水到达时间T及其等级和权重、到达区域内降雨量R及其等级和权重数据;在隐含层加权求解强降雨所致中小河流洪水对输配电线路的预警系数A1,并在输出层输出。其次,求解上游洪水到达后的中小河流淹没水深D,并预测洪涝导致输配电线路受损的预警系数A2。再次,在模型M2输入层预警时刻i下中小河流洪水导致输配电线路受损的预警系数A1、预警系数A2数据、临近河道输配电线路台账;在隐含层针对临近河道空间位置内的输配电线路,加权求解输配电线路面临的风险等级G,并在输出层输出。
展示层,输出输配电线路面临强降雨所致运行风险程度G的预测结果;并用于通过HTTP服务器,面向电网企业内的电网运行管理和技术人员预报输配电线路运行风险程度,以及涉及Ⅰ级预警(红色风险)、Ⅱ级预警(橙色风险)、Ⅲ级预警(黄色风险)、Ⅳ级预警(蓝色风险)的输配电线路名称信息。
优选的,所述中间层服务器、应用服务器、数据库服务器、HTTP服务器部署在生产监控中心的数据中心内。
优选的,所述应用服务器是配置有4颗10核Xeon E7 V4系列CPU 4颗8核Xeon E7V4系列CPU的NF5270M52U机架式服务器。
优选的,所述数据库(中间库、关系库、实时库)服务器、HTTP服务器均是配置有2颗8核Xeon E7 V4系列CPU的NF5180M51U机架式服务器。
优选的,所述磁盘阵列是SS200P-24R型24盘位光纤磁盘阵列,配置有64位6核12线程2.4GHz存储专用处理器,单机容量384太字节、系统缓存64吉字节RECC。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,系统和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统,系统和方法,可以通过其它的方式实现。例如,以上所描述的系统实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,系统或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
Claims (9)
1.一种应对强降雨的输配电线路风险预测方法,其特征在于,包括:
服务器获取灾害预报信息和输配电线路信息;
所述服务器根据所述灾害预报信息和所述输配电线路信息确定目标输配电线路,所述目标输配电线路为所述灾害预报信息预测灾害影响区域内的输配电线路;
所述服务器根据所述灾害预报信息计算第一预警系数和第二预警系数,所述第一预警系数为灾害缓急程度,所述第二预警系数为灾害破坏力程度;
所述服务器将所述第一预警系数、所述第二预警系数和所述目标输配电线路输入第一预设神经网络获取所述目标输配电线路的风险等级,所述第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
2.根据权利要求1所述的输配电线路风险预测方法,其特征在于,所述灾害预报信息,包括:洪水预报信息和中小河流洪水气象风险预警等级信息。
3.根据权利要求2所述的输配电线路风险预测方法,其特征在于,所述服务器根据所述灾害预报信息计算第一预警系数和第二预警系数,包括:
所述服务器将所述洪水预报信息输入第二预设神经网络计算第一预警系数,所述第二预设神经网络用于根据洪水预报信息计算第一预警系数;
所述服务器根据所述中小河流洪水气象风险预警等级信息计算中小河流淹没的水深深度,并根据所述水深深度计算第二预警系数,所述第二预警系数为灾害破坏力程度。
4.根据权利要求1至3中任一项所述的输配电线路风险预测方法,其特征在于,所述服务器根据所述灾害预报信息和所述输配电线路信息确定目标输配电线路,包括:
所述服务器根据所述灾害预报信息获取所述灾害预报信息预测的灾害影响区域;
所述服务器判断所述输配电线路信息相对应的输配电线路是否在灾害影响区域内;
若是,则所述服务器确定所述输配电线路为目标输配电线路。
5.根据权利要求4所述的输配电线路风险预测方法,其特征在于,所述服务器判断所述输配电线路信息相对应的输配电线路是否在灾害影响区域内之后,所述方法还包括:
若否,则所述服务器重新获取灾害预报信息和输配电线路信息。
6.一种应对强降雨的输配电线路风险预测系统,其特征在于,包括:
第一获取单元,用于获取灾害预报信息和输配电线路信息,所述灾害预报信息包括洪水预报信息和中小河流洪水气象风险预警等级信息;
确定单元,用于根据所述灾害预报信息和所述输配电线路信息确定目标输配电线路,所述目标输配电线路为所述灾害预报信息预测灾害影响区域内的输配电线路;
计算单元,用于根据所述灾害预报信息计算第一预警系数和第二预警系数,所述第一预警系数为灾害缓急程度,所述第二预警系数为灾害破坏力程度;
第二获取单元,用于将所述第一预警系数、所述第二预警系数和所述目标输配电线路输入第一预设神经网络获取所述目标输配电线路的风险等级,所述第一预设神经网络用于根据预警系数和输配电线路计算输配电线路的风险等级。
7.根据权利要求1所述的应对强降雨的输配电线路风险预测系统,其特征在于,所述计算单元,包括:
第一计算模块,用于将所述洪水预报信息输入第二预设神经网络计算第一预警系数,所述第二预设神经网络用于根据洪水预报信息计算第一预警系数;
第二计算模块,用于根据所述中小河流洪水气象风险预警等级信息计算中小河流淹没的水深深度,并根据所述水深深度计算第二预警系数,所述第二预警系数为灾害破坏力程度。
8.根据权利要求6或7所述的应对强降雨的输配电线路风险预测系统,其特征在于,所述确定单元,包括:
获取模块,用于根据所述灾害预报信息获取所述灾害预报信息预测的灾害影响区域;
判断模块,用于判断所述输配电线路信息相对应的输配电线路是否在灾害影响区域内;
确定模块,用于当所述判断模块确定所述输配电线路信息相对应的输配电线路在灾害影响区域内时,确定所述输配电线路为目标输配电线路。
9.根据权利要求8所述的应对强降雨的输配电线路风险预测系统,其特征在于,所述第一获取单元,还用于当所述判断模块确定所述输配电线路信息相对应的输配电线路不在灾害影响区域内时,重新获取灾害预报信息和输配电线路信息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841578.XA CN113570133B (zh) | 2021-07-26 | 一种应对强降雨的输配电线路风险预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110841578.XA CN113570133B (zh) | 2021-07-26 | 一种应对强降雨的输配电线路风险预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113570133A true CN113570133A (zh) | 2021-10-29 |
CN113570133B CN113570133B (zh) | 2024-05-24 |
Family
ID=
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840219A (zh) * | 2023-02-22 | 2023-03-24 | 北京国信华源科技有限公司 | 一种泥石流监测方法及泥石流监测设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090016866A (ko) * | 2007-08-13 | 2009-02-18 | 인하대학교 산학협력단 | 지아이에스를 이용한 홍수재해 예측시스템 |
CN102930348A (zh) * | 2012-10-19 | 2013-02-13 | 广东电网公司电力科学研究院 | 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN108831115A (zh) * | 2018-06-22 | 2018-11-16 | 国网湖南省电力有限公司 | 一种基于Adaboost的输电线路暴雨灾害风险预警方法 |
CN108898247A (zh) * | 2018-06-22 | 2018-11-27 | 国网湖南省电力有限公司 | 一种电网暴雨灾害风险预测方法、系统及存储介质 |
CN108960599A (zh) * | 2018-06-22 | 2018-12-07 | 国网湖南省电力有限公司 | 基于反演算法的输电线路暴雨灾害精细化预测方法及系统 |
CN109426906A (zh) * | 2017-08-29 | 2019-03-05 | 北京思湃德信息技术有限公司 | 一种暴雨气象灾害风险评估系统 |
CN110601367A (zh) * | 2019-09-24 | 2019-12-20 | 无锡圣普电力科技有限公司 | 一种新型智能远控测量终端系统 |
CN112257956A (zh) * | 2020-11-10 | 2021-01-22 | 国网湖南省电力有限公司 | 预测输电线路遭受暴雨灾害的方法、装置和设备 |
CN112365100A (zh) * | 2020-12-08 | 2021-02-12 | 国网四川省电力公司内江供电公司 | 基于灾害风险综合评估的电网灾害预警及应对方法 |
CN113011645A (zh) * | 2021-03-15 | 2021-06-22 | 国网河南省电力公司电力科学研究院 | 一种基于深度学习的电网大风灾害预警方法及装置 |
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20090016866A (ko) * | 2007-08-13 | 2009-02-18 | 인하대학교 산학협력단 | 지아이에스를 이용한 홍수재해 예측시스템 |
CN102930348A (zh) * | 2012-10-19 | 2013-02-13 | 广东电网公司电力科学研究院 | 一种区段输电线路杆塔基础边坡暴雨灾害风险的评估方法 |
CN109426906A (zh) * | 2017-08-29 | 2019-03-05 | 北京思湃德信息技术有限公司 | 一种暴雨气象灾害风险评估系统 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN108831115A (zh) * | 2018-06-22 | 2018-11-16 | 国网湖南省电力有限公司 | 一种基于Adaboost的输电线路暴雨灾害风险预警方法 |
CN108898247A (zh) * | 2018-06-22 | 2018-11-27 | 国网湖南省电力有限公司 | 一种电网暴雨灾害风险预测方法、系统及存储介质 |
CN108960599A (zh) * | 2018-06-22 | 2018-12-07 | 国网湖南省电力有限公司 | 基于反演算法的输电线路暴雨灾害精细化预测方法及系统 |
CN110601367A (zh) * | 2019-09-24 | 2019-12-20 | 无锡圣普电力科技有限公司 | 一种新型智能远控测量终端系统 |
CN112257956A (zh) * | 2020-11-10 | 2021-01-22 | 国网湖南省电力有限公司 | 预测输电线路遭受暴雨灾害的方法、装置和设备 |
CN112365100A (zh) * | 2020-12-08 | 2021-02-12 | 国网四川省电力公司内江供电公司 | 基于灾害风险综合评估的电网灾害预警及应对方法 |
CN113011645A (zh) * | 2021-03-15 | 2021-06-22 | 国网河南省电力公司电力科学研究院 | 一种基于深度学习的电网大风灾害预警方法及装置 |
Non-Patent Citations (1)
Title |
---|
叶金印;李致家;刘静;杨祖祥;: "山洪灾害气象风险预警指标确定方法研究", 暴雨灾害, no. 01 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115840219A (zh) * | 2023-02-22 | 2023-03-24 | 北京国信华源科技有限公司 | 一种泥石流监测方法及泥石流监测设备 |
CN115840219B (zh) * | 2023-02-22 | 2023-05-12 | 北京国信华源科技有限公司 | 一种泥石流监测方法及泥石流监测设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP4511560B2 (ja) | 洪水リスクの自動化された位置に依存した認識のための方法及びシステム | |
Ahmad et al. | Hydrological modelling and flood hazard mapping of Nullah Lai | |
CN112506994B (zh) | 一种电力设备洪涝隐患点监测预警方法及相关装置 | |
CN111507375B (zh) | 一种城市内涝风险快速评估方法及系统 | |
CN116911699B (zh) | 城市洪涝灾害应对韧性的精细化动态评估方法和系统 | |
CN113470333A (zh) | 一种线路工程走廊浅层滑坡危险性评估及监测预警系统 | |
CN113409550B (zh) | 基于径流汇流模拟的泥石流灾害预警方法及系统 | |
CN115423272B (zh) | 一种融合历史淹没强度的洪涝风险评估方法和系统 | |
CN115358650B (zh) | 一种洪涝灾害应急避险与物资实时调配方法 | |
CN106408213A (zh) | 级联式山洪灾害风险分析方法及系统 | |
CN109518732B (zh) | 电网通道降水型滑坡灾害的致灾降水阈值划分方法及系统 | |
CN113759374A (zh) | 一种城市基础设施的结构健康问题的监测系统和监测方法 | |
CN109146230A (zh) | 一种输配电线路台风风涝灾害短临预警方法和装置 | |
KR101722989B1 (ko) | 기지국 유동인구 정보를 활용한 재난 관리 장치 및 방법 | |
Pagano | Evaluation of Mekong River commission operational flood forecasts, 2000–2012 | |
Zhang et al. | A robust glacial lake outburst susceptibility assessment approach validated by GLOF event in 2020 in the Nidu Zangbo Basin, Tibetan Plateau | |
CN113570133A (zh) | 一种应对强降雨的输配电线路风险预测方法及系统 | |
CN113570133B (zh) | 一种应对强降雨的输配电线路风险预测方法及系统 | |
Šugareková et al. | Flood risk assessment and flood damage evaluation–The review of the case studies | |
CN116050837A (zh) | 一种面向尾矿库多元灾害的综合监测预警和安全评估方案 | |
CN115330577A (zh) | 保护区的区域划分方法及装置、电子设备 | |
Indrawan et al. | Analysis of flood vulnerability in urban area; a case study in deli watershed | |
Nguyen et al. | Flood inundation assessment of UNESCO World Heritage Sites using remote sensing and spatial metrics in Hoi An City, Vietnam | |
Ghimire | Evaluation of one-dimensional and two-dimensional HEC-RAS models for flood travel time prediction and damage assessment using HAZUS-MH a case study of Grand River, Ohio | |
Fagundes et al. | Addressing the gap: advancements in flow forecasting systems for small mountainous catchments |
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 |