CN113642238A - 基于微气象因子的径向基神经网络输电线路覆冰预测方法 - Google Patents
基于微气象因子的径向基神经网络输电线路覆冰预测方法 Download PDFInfo
- Publication number
- CN113642238A CN113642238A CN202110929313.5A CN202110929313A CN113642238A CN 113642238 A CN113642238 A CN 113642238A CN 202110929313 A CN202110929313 A CN 202110929313A CN 113642238 A CN113642238 A CN 113642238A
- Authority
- CN
- China
- Prior art keywords
- sequence
- transmission line
- factor
- power transmission
- data
- 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 44
- 230000005540 biological transmission Effects 0.000 title claims abstract description 40
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 32
- 239000013598 vector Substances 0.000 claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000012937 correction Methods 0.000 claims abstract description 10
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 239000011248 coating agent Substances 0.000 claims description 10
- 238000000576 coating method Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract 1
- 238000011160 research Methods 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 230000004304 visual acuity Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
Abstract
本发明公开了基于微气象因子的径向基神经网络输电线路覆冰预测方法,包括步骤:(1)获取覆冰线路同经纬坐标下对应的气象数据;(2)整理该气象数据,并对异常数据进行数据清洗;(3)对当前气象数据进行灰色关联度分析,取关联程度最大的前5个气象因素作为神经网络输入向量;(4)通过DBSCAN聚类方法求取径向基网络结点参数值;(5)使用径向基网络对覆冰厚度进行预测;(6)取80m、150m、200m作为输电线路与电线杆距离大水域水平垂直距离阈值,计算出水源对输电线路覆冰厚度的影响系数,(7)根据(6)中计算结果,求得输电线路覆冰厚度预测的地理修正值。本发降低了网络结构的复杂度,提高了预测结果的准确率。
Description
技术领域
本发明涉及线路覆冰厚度预测技术领域,具体涉及基于微气象因子的径向基神经网络输电线路覆冰预测方法。
背景技术
目前,对于输电线路覆冰的形成机理、预防监测、监控分析以及灾后应急处理等相关研究已长达半个多世纪,在此期间各国的研究人员都取得了许多研究成果与进展。从对覆冰研究的理论内容出发,可将覆冰研究方向分为基于覆冰机理的物理分析模型以及基于大量输电线路覆冰监控数据的智能统计分析模型,在本发明中用到的径向基网络可归类于智能统计分析模型。
在现有的智能统计分析模型的研究中,覆冰厚度预测主要有以下几类方法:一类是通过构建神经网络对覆冰厚度进行回归预测,另一类是使用多变量模糊控制技术对线路覆冰状态进行评估。文献(McComber P,De Lafontaine J,Druez J,et al.A comparisonof neural network and multiple regression transmission line icing models[C].Eastern Snow Conference,1998.McComber P,De Lafontaine J,Druez J,et al.基于神经网络和多元回归的输电线路结冰模型比较[C]。东部降雪会议,1998年)中率先把以往釆集的气象数据作为神经网络的输入,把相应的覆冰数据作为神经网络的输出,并进行适当的训练和回归,建立了基于气象数据的线路覆冰预测神经网络模型;文献(Krishnasamy S,Kulendran S.Combined wind and ice loads from historical extreme wind and icedata[J].Atmospheric research,1998,46(1-2):123-129.[J]。结合历史极端风和冰数据的风和冰载荷研究。大气科学,1998,16(1):1-5)中对输电线路现场实测数据进行分析,并对覆冰模型以及影响覆冰的各种因素进行精确把握;文献(韩叶良,苏国锋,袁宏永,等.基于粗糙集的电网覆冰事故预警模型[J].清华大学学报(自然科学版),2010,12.)中从影响输电线路覆冰的众多因素入手,接着进行变量筛选,构建了基于粗糙集的输电线路覆冰预测模型;文献(阳林,郝艳捧,李立涅,等.采用多变量模糊控制的输电线路覆冰状态评估[J].高电压技术,2010(12):2996-3001.)中为提高输电线路覆冰状态评估准确率,以输电线路在线监测系统为基础,综合考虑系统的等效覆冰厚度、微气象参数以及覆冰持续时间等,提出了一种采用多变量模糊控制技术的输电线路覆冰状态评估方法,并建立了模糊推理规则,从而实现对覆冰量较为精确的预测。文献(黄新波,孙钦东,张冠军,等.线路覆冰与局部气象因素的关系[J].高压电器,2008,44(4):289-294.)中采用模糊逻辑理论,以架空输电线路在线监测数据为基础,建立了基于模糊逻辑理论的输电线路覆冰厚度预测模型,并确立了模型输入的各个参量的模糊隶属函数。
在使用神经网络进行覆冰厚度预测的方法中,多数算法仅使用神经网络对线路覆冰情况进行预测,未能充分考虑到覆冰的成因,以及各类气象数据与线路覆冰厚度之间的关系,这些方法为了得到较为理想的结果,经常会通过反复的调整网络超参数来提高预测结果的准确率,该过程步骤繁琐,很大程度上依赖个人的经验而非系统本身,同时,面对深层的网络这样一种繁复的调参工作无疑会消耗大量的时间。
发明内容
本发明要解决的技术问题是:提供基于微气象因子的径向基神经网络输电线路覆冰预测方法,以解决现有技术中存在的技术问题。
本发明采取的技术方案为:基于微气象因子的径向基神经网络输电线路覆冰预测方法,该方法包括以下步骤:
(1)获取输电线路杆塔数据,获取杆塔对应经纬度的气象数据;
(2)确定分析所用的参考数列与比较数列,即抽象出该系统中的参考数据和用来对比的各因素数据,这些数据应能够对系统行为特征具有较好的代表性;
(3)去除变量量纲,影响线路覆冰的气象因素(如温度、风速、气压等)的量纲往往不一致,因此需对这些因素进行归一化处理;
(4)利用步骤(3)中经过处理的数据,计算各对比数列曲线与参考数列曲线之间的几何相似程度,该几何相似度视为比较数列与参考数列的关联系数;
(5)关联度排序,计算各个气象因素的关联度,将各个因素的关联度按照由大到小的顺序进行排序,取前五因素作为神经网络输入向量的特征;
(6)针对输入数据求得其k近邻,随后通过分析第k个近邻距离数据曲线以确定DBSCAN聚类算法中的相关参数;
(7)通过步骤(6)计算的结果,对输入向量进行DBSCAN聚类操作;
(8)数据清洗,运用步骤(7)中结果,对聚类结果中的噪声从输入数据中去除;
(9)径向基神经网络搭建,运用步骤(8)中结果,将聚类中心作为网络隐藏层结点对应高斯函数的均值参数,训练网络;
(10)选取80m、150m、200m作为距离阈值,计算大水域水平垂直距离对输电线路覆冰厚度的影响系数;
(11)计算不同水平垂直距离区间段输电线路覆冰厚度预测的地理修正值,修正预测结果。
进一步地,步骤(2)中所述的参考数列与比较数列的具体表示如下:
Y={Y(k)|k=1,2,…,n}
Xi={Xi(k)|k=1,2,…,n},i=1,2,…,m
其中Y代表参考数列,Xi代表第i个比较数列,k代表当前数列中第k个元素。
进一步地,步骤(3)中无量纲化计算公式如下:
其中,Xi代表第i个比较数列,k代表当前数列中第k个元素。
进一步地,步骤(4)中可使用以下公式计算参考数据和比较数据之间的关联系数:
其中,ρ代表的是分辨系数,为非负数,通常将它的取舍范围规定为(0,1)。ρ的物理含义为值越小时,分辨能力越强。当ρ≤0.5463时,分辨效果最佳,一般情况下将ρ的值设置成0.5,此外,Xi(k)代表第i个比较数列中第k个元素,y(k)代表参考数列中第k个元素,ξi(k)代表比较数列i中第k个元素对应关联系数。
进一步地,步骤(5)中所述的关联度计算过程中,因为某因素的关联系数通常是多个,其几何表现形式是比较数列和参考数列在每个时刻对应的关联度值所连接成的曲线,而各时刻的关联度较分散,妨碍了整体性比较。所以有必要定义一个算子,使其计算出来的关联度值能够代表各时刻的关联度值,令该算子为ri,算子的具体计算方法如下:
其中,ξi(k)代表比较数列i中第k个元素对应关联系数,ri代表比较数列i对应关联度,除此之外,在计算气象因素与参考数列的关联度的过程中多个时间往往对应多个关联系数,此处应先算出该因素与参考数列在各个时间点上的关联系数,然后将这些关联系数取平均即可得到。
进一步地,步骤(6)所述的使用k近邻方法求取DBSCAN聚类超参数的具体流程如下:
使用k近邻算法思路,求取其余输入向量至当前向量的L2距离,按距离由近到远排序可得序列dist1,dist2,dist3,dist4,…,distn-1,其中dist4称为4-近邻距离,将所有输入向量4-近邻距离汇总生成一纵轴为4-近邻距离,横轴为距离对应向量数量的曲线图,通过分析该曲线,曲线由陡峭到某一4-近邻距离后突然平缓,易知大于该近邻距离的点往往为噪声,而转折点处的4-近邻距离可作为DBSCAN的参数数值。
进一步地,步骤(10)中所述的影响系数求取公式如下:
其中k为80m以下,80m至150m,150m至200m,代表三段大水域水平垂直距离区间,,MAD为平均绝对误差,Xi(k)为第i个比较数列中第k个元素,y(k)为参考数列中第k个元素,ξi(k)为比较数列i中第k个元素对应关联系数,ri为比较数列i对应关联度。
进一步地,步骤(11)地理修正值计算方法为每个水平垂直距离分段区间内覆冰厚度预测模型的计算结果所得的均方误差与其相关系数的乘积,具体公式如下:
msei=E(Y-Xi)2
其中,msei为第i个比较数列与预测结果序列间的均方误差,D为地理修正值。
本发明的有益效果:与现有技术相比,本发明的效果如下:
第一、通过灰色关联分析方法减少了神经网络输入参数特征数量,简化了网络结构,降低了网络过拟合风险;
第二、本发明将k近邻,DBSCAN聚类算法,径向基神经网络相结合,通过预先的数据分析,快速确定网络参数,极大程度地减缓了人调整神经网络这一过程的耗时;
第三、在初步获得覆冰预测厚度结果后,对于对线路覆冰厚度有较大影响的气象因素,进行了数据修正,使得本发明在保证网络简洁性的前提下,将线路周边地形因素加入至预测过程中,使得本发明更具适用性,预测结果更接近真实数据。
附图说明
图1为本发明的实现流程图;
图2为4-近邻距离曲线示意图;
图3为本发明所选择的天气因素与覆冰厚度标准化结果曲线图。
具体实施方式
下面结合具体的实施例对本发明进行进一步介绍。
实施例1:如图1-图3所示,基于微气象因子的径向基神经网络输电线路覆冰预测方法包括以下步骤:
(1)获取输电线路杆塔数据,获取杆塔对应经纬度的气象数据;
(2)确定分析所用的参考数列与比较数列,即抽象出该系统中的参考数据和用来对比的各因素数据,这些数据应能够对系统行为特征具有较好的代表性,参考数列与比较数列的具体表示如下:
Y={Y(k)|k=1,2,…,n}
Xi={Xi(k)|k=1,2,…,n},i=1,2,…,m;
(3)去除变量量纲,影响线路覆冰的气象因素(如温度、风速、气压等)的量纲往往不一致,因此需对这些因素进行归一化处理,无量纲化计算公式如下:
(4)计算关联系数,可使用以下公式计算参考数据和比较数据之间的关联系数:
ρ代表的是分辨系数,为非负数,通常将它的取舍范围规定为(0,1)。ρ的物理含义为值越小时,分辨能力越强。当ρ≤0.5463时,分辨效果最佳,一般情况下将ρ的值设置成0.5;
(5)关联度排序,计算各个气象因素的关联度,将各个因素的关联度按照由大到小的顺序进行排序,取前五因素作为神经网络输入向量的特征,关联度计算过程中,因为某因素的关联系数通常是多个,其几何表现形式是比较数列和参考数列在每个时刻对应的关联度值所连接成的曲线,而各时刻的关联度较分散,妨碍了整体性比较。所以有必要定义一个算子,使其计算出来的关联度值能够代表各时刻的关联度值,令该算子为ri,算子的具体计算方法如下:
除此之外,在计算气象因素与参考数列的关联度的过程中多个时间往往对应多个关联系数,此处应先算出该因素与参考数列在各个时间点上的关联系数,然后将这些关联系数取平均即可得到;
(6)针对输入数据求得其k近邻,随后通过分析第k个近邻距离数据曲线以确定DBSCAN聚类算法中的相关参数,求取DBSCAN聚类超参数使用k近邻方法的具体流程如下:使用k近邻算法思路,求取其余输入向量至当前向量的L2距离,按距离由近到远排序可得序列dist1,dist2,dist3,dist4,…,distn-1,其中dist4称为4-近邻距离,将所有输入向量4-近邻距离汇总生成一纵轴为4-近邻距离,横轴为距离对应向量数量的曲线图,通过分析该曲线,曲线由陡峭到某一4-近邻距离后突然平缓,易知大于该近邻距离的点往往为噪声,而转折点处的4-近邻距离可作为DBSCAN的参数数值;
(7)通过步骤(6)计算的结果,对输入向量进行DBSCAN聚类操作;
(8)数据清洗,运用步骤(7)中结果,对聚类结果中的噪声从输入数据中去除;
(9)径向基神经网络搭建,运用步骤(7)中结果,将聚类中心作为网络隐藏层结点对应高斯函数的均值参数,训练网络;
(10)选取80m、150m、200m作为距离阈值,计算大水域水平垂直距离对输电线路覆冰厚度的影响系数,影响系数求取公式如下:
其中k为80m以下,80m至150m,150m至200m,代表三段大水域水平垂直距离区间,MAD为平均绝对误差;
(11)计算不同水平垂直距离区间段输电线路覆冰厚度预测的地理修正值,修正预测结果;地理修正值计算方法为每个水平垂直距离分段区间内覆冰厚度预测模型的计算结果所得的均方误差与其相关系数的乘积,具体公式如下:
msei=E(Y-Xi)2
其中mse为均方误差。
验证例步骤如下:
(1)数据获取:杆塔经纬度对应气象数据从国家气象科学数据中心网站下载;
(2)利用本发明对过往数据进行了覆冰厚度预测,并将预测结果与传统的BP回归神经网络覆冰厚度预测模型进行了对比。本产品相较于传统的BP覆冰预测模型在平均绝对百分误差上减少了0.541395%,在均方误差上减少了0.0529,减少了近47%。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (8)
1.基于微气象因子的径向基神经网络输电线路覆冰预测方法,其特征在于:该方法包括以下步骤:
(1)获取输电线路杆塔数据,获取杆塔对应经纬度的气象数据;
(2)确定分析数列,即抽象出该系统中的参考数据(参考数列)和用来对比的各因素数据(对比数列),这些数据应能够对系统行为特征具有较好的代表性,参考数据为参考数列,对比的各因素数据为对比数列;
(3)去除变量量纲,对线路覆冰的气象因素进行归一化处理;
(4)利用步骤(3)中经过处理的数据,计算各对比数列曲线与参考数列曲线之间的几何相似程度,该几何相似度视为比较数列与参考数列的关联系数;
(5)关联度排序,计算各个气象因素的关联度,将各个因素的关联度按照由大到小的顺序进行排序,取前五因素作为神经网络输入向量的特征;
(6)针对输入数据求得其k近邻,随后通过分析第k个近邻距离数据曲线以确定DBSCAN聚类算法中的相关参数;
(7)通过步骤(6)计算的结果,对输入向量进行DBSCAN聚类操作;
(8)数据清洗,运用步骤(7)中结果,对聚类结果中的噪声从输入数据中去除;
(9)径向基神经网络搭建,运用步骤(8)中结果,将聚类中心作为网络隐藏层结点对应高斯函数的均值参数,训练网络;
(10)选取80m、150m、200m作为距离阈值,计算大水域水平垂直距离对输电线路覆冰厚度的影响系数;
(11)计算不同水平垂直距离区间段输电线路覆冰厚度预测的地理修正值,修正预测结果。
2.根据权利要求1所述的基于微气象因子的径向基神经网络输电线路覆冰预测方法,其特征在于:步骤(2)中所述的参考数列与比较数列表示如下:
Y={Y(k)|k=1,2,…,n}
Xi={Xi(k)|k=1,2,…,n},i=1,2,…,m
其中Y代表参考数列,Xi代表第i个比较数列,k代表当前数列中第k个元素。
6.根据权利要求1所述的基于微气象因子的径向基神经网络输电线路覆冰预测方法,其特征在于:步骤(6)中求取DBSCAN聚类超参数所使用k近邻方法的具体流程如下:使用k近邻算法思路,求取其余输入向量至当前向量的L2距离,按由近到远排序可得序列dist1,dist2,dist3,dist4,…,distn-1,其中dist4成为4-近邻距离,将所有输入向量4-近邻距离汇总生成一纵轴为距离,横轴为距离对应向量数量的曲线图,通过分析该曲线,曲线由陡峭到某一近邻距离后突然平缓,易知大于该近邻距离的点为噪声,而转折点处的4-近邻距离作为DBSCAN的距离参数数值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929313.5A CN113642238B (zh) | 2021-08-13 | 2021-08-13 | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929313.5A CN113642238B (zh) | 2021-08-13 | 2021-08-13 | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113642238A true CN113642238A (zh) | 2021-11-12 |
CN113642238B CN113642238B (zh) | 2023-01-06 |
Family
ID=78421460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110929313.5A Active CN113642238B (zh) | 2021-08-13 | 2021-08-13 | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113642238B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115080909A (zh) * | 2022-07-15 | 2022-09-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 影响物联感知设备数据的分析方法、电子设备及存储介质 |
CN116612434A (zh) * | 2023-07-17 | 2023-08-18 | 广州长川科技有限公司 | 基于视频监控的野外输电线路自动观冰系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854055A (zh) * | 2014-03-31 | 2014-06-11 | 南京工程学院 | 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型 |
CN109447322A (zh) * | 2018-09-28 | 2019-03-08 | 昆明理工大学 | 一种基于相空间重构小波神经网络输电线路覆冰预测的方法 |
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
- 2021-08-13 CN CN202110929313.5A patent/CN113642238B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103854055A (zh) * | 2014-03-31 | 2014-06-11 | 南京工程学院 | 基于神经网络及模糊逻辑算法的输电线路覆冰预测模型 |
CN109447322A (zh) * | 2018-09-28 | 2019-03-08 | 昆明理工大学 | 一种基于相空间重构小波神经网络输电线路覆冰预测的方法 |
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 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115080909A (zh) * | 2022-07-15 | 2022-09-20 | 深圳市城市交通规划设计研究中心股份有限公司 | 影响物联感知设备数据的分析方法、电子设备及存储介质 |
CN115080909B (zh) * | 2022-07-15 | 2022-11-25 | 深圳市城市交通规划设计研究中心股份有限公司 | 影响物联感知设备数据的分析方法、电子设备及存储介质 |
CN116612434A (zh) * | 2023-07-17 | 2023-08-18 | 广州长川科技有限公司 | 基于视频监控的野外输电线路自动观冰系统及方法 |
CN116612434B (zh) * | 2023-07-17 | 2023-09-15 | 广州长川科技有限公司 | 基于视频监控的野外输电线路自动观冰系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113642238B (zh) | 2023-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111222698B (zh) | 面向物联网的基于长短时记忆网络的积水水位预测方法 | |
CN113642238B (zh) | 基于微气象因子的径向基神经网络输电线路覆冰预测方法 | |
CN110685868A (zh) | 一种基于改进梯度提升机的风电机组故障检测方法及装置 | |
WO2019080367A1 (zh) | 一种机械设备健康状态评估方法 | |
CN112330027B (zh) | 一种基于搜索引擎指数的电力负荷预测方法 | |
CN115270965A (zh) | 一种配电网线路故障预测方法和装置 | |
CN115935215B (zh) | 极端天气下基于深度学习的输电线路覆冰预警方法及系统 | |
CN111639823A (zh) | 一种基于特征集构建的建筑冷热负荷预测方法 | |
CN111695290A (zh) | 一种适用于变化环境下的短期径流智能预报混合模型方法 | |
CN116776745B (zh) | 基于边缘计算的污染物浓度和轨迹移动预测的方法与系统 | |
Caillault et al. | Comparative study on univariate forecasting methods for meteorological time series | |
CN116307291B (zh) | 一种基于小波分解的分布式光伏发电预测方法及预测终端 | |
CN111539842B (zh) | 基于气象和地理环境的架空输电线路覆冰预测方法 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN116702959A (zh) | 一种基于分布自适应图注意力网络的洪水预报方法 | |
CN114429238A (zh) | 一种基于时空特征提取的风电机组故障预警方法 | |
Mantri et al. | Weather prediction and classification using neural networks and k-nearest neighbors | |
Zhang | Decision Trees for Objective House Price Prediction | |
CN113536665B (zh) | 基于特征工程和lstm的路表温度短临预测方法及系统 | |
CN113128666A (zh) | 基于Mo-S-LSTMs模型的时间序列多步预测方法 | |
Kaushik et al. | Predicting annual rainfall for the Indian state of Punjab using machine learning techniques | |
CN111667694A (zh) | 一种基于改进dtw-knn的短时交通流预测方法 | |
CN114970745B (zh) | 物联网智能安防与环境大数据系统 | |
CN115796361A (zh) | 一种架空线路工程可研阶段的风速区间预测方法和装置 |
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 |