CN114154766A - 雷电动态预测下电网的易损性预警方法及系统 - Google Patents

雷电动态预测下电网的易损性预警方法及系统 Download PDF

Info

Publication number
CN114154766A
CN114154766A CN202210116075.0A CN202210116075A CN114154766A CN 114154766 A CN114154766 A CN 114154766A CN 202210116075 A CN202210116075 A CN 202210116075A CN 114154766 A CN114154766 A CN 114154766A
Authority
CN
China
Prior art keywords
lightning
data
network
vulnerability
power grid
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
Application number
CN202210116075.0A
Other languages
English (en)
Other versions
CN114154766B (zh
Inventor
冯家欢
华夏
方志浩
洪奕
童充
吴志坚
付柳笛
胡涛
徐洋
苏俊霖
石旭江
项敏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Suzhou Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority to CN202210116075.0A priority Critical patent/CN114154766B/zh
Publication of CN114154766A publication Critical patent/CN114154766A/zh
Application granted granted Critical
Publication of CN114154766B publication Critical patent/CN114154766B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Tourism & Hospitality (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

雷电动态预测下电网的易损性预警方法及系统，首先通过采集气象历史数据与落雷历史数据，构建的深度学习网络预测得到落雷预测概率，然后选择落雷预测概率最大的线路为雷电分区重点线路，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节点对间的二端口输入阻抗，之后建立改进的网供能力模型计算重点线路跳闸后全局网供能力变化量，最后得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标以实现雷电预警。本发明建立的一种在雷电动态预测下的电网易损性预警方法，以直观的形式表达落雷事件的严重度，从而为以后的动态防雷解决方案提供重要的量化参考。

Description

雷电动态预测下电网的易损性预警方法及系统
技术领域
本发明属于电力系统风险与防控领域，具体涉及雷电动态预测下电网的易损性预警方法及系统。
背景技术
我国大部分地区雷电活动频发，并且雷击是引起输电线路跳闸最主要的原因，故而当部分重要输电通道地处雷电活动高发、地形地貌复杂的区域时，雷击引发多回同跳等严重电网事故的风险便客观存在。在雷电天候下完全停运联络线的做法成本过高，但在不停运线路的情况下一旦雷击跳闸事件发生，不仅会造成直接经济损失，同时因重要线路故障，潮流发生转移，可能会造成严重的连锁故障，代价同样高昂。
在雷电预测的结果下，如何针对雷电风险对电网进行易损性预警，同时采用相应的动态防雷方法，是电网防雷的重要研究方向。雷电风险下易损性预警使得电网在雷电事故下网络能保持安全稳定运行而减少负荷损失，在重大雷电事故下可避免大量损失负荷，甚至防止电网解列的能力。在传统电网事故下，电网系统可通过网络重构达到在偶发事故下减少负荷损失的能力，改善系统的易损性；在动态防雷过程中，系统可通过电网动态拓扑调整和关键设施法拉第笼构建保证重要用户不间断供电来达到增强网络抗风险能力，改善电网系统的易损性。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种雷电动态预测下电网的易损性预警方法及系统。
本发明采用如下的技术方案：
雷电动态预测下电网的易损性预警方法，包括以下步骤：
步骤1，采集气象历史数据与落雷历史数据；其中，气象历史数据包括气温、气压、降水、风速、风向与湿度数据；落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数；
步骤2，对步骤1采集的数据进行预处理；
步骤3，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率；
步骤4，选择落雷预测概率最大的线路为雷电分区重点线路；
步骤5，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节点对间的二端口输入阻抗；
步骤6，建立改进的网供能力模型，计算全局网供能力；
步骤7，计算重点线路跳闸后全局网供能力变化量，得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标，实现雷电预警。
步骤2包括以下内容：
步骤201，对采集的数据进行清洗；
步骤202，对清洗好的数据进行标准化处理和离散化处理。
在步骤201中，对采集的数据中的异常值进行替换，再采用拉格朗日插值法补充缺失值；
其中正常值与异常值的划分方式为：
定义间距:
Figure DEST_PATH_IMAGE001
其中，
Figure DEST_PATH_IMAGE002
为间距，
Figure DEST_PATH_IMAGE003
表示间距上限值，气象历史数据与落雷历史数据分别有
Figure DEST_PATH_IMAGE004
的数据大于
Figure 981960DEST_PATH_IMAGE003
，
Figure DEST_PATH_IMAGE005
表示间距下限值，气象历史数据与落雷历史数据分别有
Figure 571205DEST_PATH_IMAGE004
的数据小于
Figure 819784DEST_PATH_IMAGE005
；
根据间距，定义上下界：
Figure DEST_PATH_IMAGE006
Figure DEST_PATH_IMAGE007
为正常数据下界，
Figure DEST_PATH_IMAGE008
为正常数据上界，在上下界范围内的为正常值；在上下界之外的为异常值，对其选用边界值进行代替。
在步骤202中，标准化的方法为：
Figure DEST_PATH_IMAGE009
Figure DEST_PATH_IMAGE010
其中，
Figure DEST_PATH_IMAGE011
表示标准化后数据，
Figure DEST_PATH_IMAGE012
表示标准化前数据，
Figure DEST_PATH_IMAGE013
表示标准化前数据的均值，
Figure DEST_PATH_IMAGE014
表示标准化前的标准差，
Figure DEST_PATH_IMAGE015
表示数据总量；
对数据进行离散化处理的方法为：
Figure DEST_PATH_IMAGE016
，
Figure DEST_PATH_IMAGE017
其中，
Figure DEST_PATH_IMAGE018
表示离散化处理后描述气象历史数据间相关性强度的系数，
Figure DEST_PATH_IMAGE019
表示总的样本数，
Figure DEST_PATH_IMAGE020
表示样本类别数，
Figure DEST_PATH_IMAGE021
表示离散后区间数，
Figure DEST_PATH_IMAGE022
表示属于区间
Figure DEST_PATH_IMAGE023
类别为
Figure DEST_PATH_IMAGE024
的样本数量，
Figure DEST_PATH_IMAGE025
表示类别是
Figure 59002DEST_PATH_IMAGE024
的样本数量，
Figure DEST_PATH_IMAGE026
表示属于区间
Figure 545478DEST_PATH_IMAGE023
的样本数量，区间
Figure 633520DEST_PATH_IMAGE023
代表样本取值范围，
Figure DEST_PATH_IMAGE027
是样本最小值，
Figure DEST_PATH_IMAGE028
是样本最大值；
区间
Figure 290766DEST_PATH_IMAGE023
的求取方法是将所有样本的数据升序排列后，再按照样本类别进行分类得到的区间；
计算排序后相邻样本的中点，将所有中点作为断点放入断点集
Figure 755246DEST_PATH_IMAGE005
；
初始化断点集
Figure DEST_PATH_IMAGE029
，其为包含
Figure DEST_PATH_IMAGE030
与
Figure DEST_PATH_IMAGE031
两个断点的集合，此时
Figure 79917DEST_PATH_IMAGE029
的
Figure 276543DEST_PATH_IMAGE018
值为0；
选取一个不属于
Figure 296451DEST_PATH_IMAGE029
但属于
Figure 502305DEST_PATH_IMAGE005
中的断点加入到
Figure 478220DEST_PATH_IMAGE029
中，计算此时的
Figure 376906DEST_PATH_IMAGE018
值，将该断点从
Figure 884111DEST_PATH_IMAGE029
中拿出；再取一个不属于
Figure 362496DEST_PATH_IMAGE029
但属于
Figure 474809DEST_PATH_IMAGE005
中的其他断点加入到
Figure 75554DEST_PATH_IMAGE029
中，计算此时的
Figure 522585DEST_PATH_IMAGE018
值，再将其拿出；重复该方法，直到所有断点都被加入过
Figure 804662DEST_PATH_IMAGE029
计算过
Figure 568219DEST_PATH_IMAGE018
值后，比较之前计算过的所有
Figure 808707DEST_PATH_IMAGE018
值，选择能使
Figure 962608DEST_PATH_IMAGE018
值最大的断点将其保留在
Figure 110693DEST_PATH_IMAGE029
中；此时
Figure 187145DEST_PATH_IMAGE029
中有三个断点，计算此时的不一致率，方法为：
Figure DEST_PATH_IMAGE032
其中，
Figure DEST_PATH_IMAGE033
是样本数量最多的
Figure DEST_PATH_IMAGE034
对应的类别号；
如果
Figure DEST_PATH_IMAGE035
小于
Figure 254327DEST_PATH_IMAGE035
阈值，则输出此时的
Figure 161103DEST_PATH_IMAGE029
，即离散化数据集
Figure 50562DEST_PATH_IMAGE002
，否则使用上述方法往
Figure 726394DEST_PATH_IMAGE029
加入第四个断点，计算不一致率
Figure 105422DEST_PATH_IMAGE035
比较其与
Figure 748762DEST_PATH_IMAGE035
阈值的大小；一直往
Figure 176332DEST_PATH_IMAGE029
加入断点直至不一致率
Figure 503409DEST_PATH_IMAGE035
小于
Figure 256601DEST_PATH_IMAGE035
阈值，输出此时的
Figure 872390DEST_PATH_IMAGE029
，即离散化数据集
Figure 618498DEST_PATH_IMAGE002
。
步骤3包括以下内容：
步骤301，构建深度学习网络；
步骤302，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，当模型训练的损失值变化连续3次在0.01以内完成训练，得到训练好的落雷概率预测模型；
步骤303，实时采集气象数据，使用步骤2的预处理方法对气象数据进行预处理后，输入至训练好的落雷概率预测模型训练得到落雷预测概率。
在步骤301中，每个深度学习网络至少为一层，每层至少由两个神经元构成，每个神经元包括一个输入门
Figure DEST_PATH_IMAGE036
、一个遗忘门
Figure DEST_PATH_IMAGE037
、一个候选层
Figure DEST_PATH_IMAGE038
以及一个输出门
Figure DEST_PATH_IMAGE039
；每一个神经元接受上一时刻的学习单元状态
Figure DEST_PATH_IMAGE040
、上一时刻的输出
Figure DEST_PATH_IMAGE041
以及本时刻的输入
Figure DEST_PATH_IMAGE042
，计算得到本时刻的学习单元状态
Figure DEST_PATH_IMAGE043
以及本时刻的输出
Figure DEST_PATH_IMAGE044
；
模型训练的损失函数：
Figure DEST_PATH_IMAGE045
其中N为训练样本数量；
Figure DEST_PATH_IMAGE046
为预测值，
Figure DEST_PATH_IMAGE047
为真实值。
输入门满足以下关系式：
Figure DEST_PATH_IMAGE048
其中，
Figure DEST_PATH_IMAGE049
表示激活函数，
Figure DEST_PATH_IMAGE050
表示输入门本时刻输入的权重，
Figure DEST_PATH_IMAGE051
表示输入门本时刻输出的权重，
Figure DEST_PATH_IMAGE052
表示输入门本时刻输出的补偿项；
遗忘门满足以下关系式：
Figure DEST_PATH_IMAGE053
其中，
Figure DEST_PATH_IMAGE054
表示遗忘门本时刻输入的权重，
Figure DEST_PATH_IMAGE055
表示遗忘门本时刻输出的权重，
Figure DEST_PATH_IMAGE056
表示遗忘门本时刻输出的补偿项；
输出门满足以下关系式：
Figure DEST_PATH_IMAGE057
其中，
Figure DEST_PATH_IMAGE058
表示输出门本时刻输入的权重，
Figure DEST_PATH_IMAGE059
表示输出门本时刻输出的权重，
Figure DEST_PATH_IMAGE060
表示输出门本时刻输出的补偿项；
候选层满足以下关系式：
Figure DEST_PATH_IMAGE061
其中，
Figure DEST_PATH_IMAGE062
表示候选层本时刻输入的权重，
Figure DEST_PATH_IMAGE063
表示候选层本时刻输出的权重；
本时刻的学习单元状态
Figure DEST_PATH_IMAGE064
满足以下关系式：
Figure DEST_PATH_IMAGE065
其中，
Figure DEST_PATH_IMAGE066
表示按位乘，
Figure DEST_PATH_IMAGE067
表示按位加；
本时刻的输出
Figure 89494DEST_PATH_IMAGE044
满足以下关系式：
Figure DEST_PATH_IMAGE068
Figure DEST_PATH_IMAGE069
皆为在模型训练过程中不断更新的参数，更新目标是为了使得模型训练的损失函数值最小。
激活函数满足以下关系式：
Figure DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE071
表示激活函数的输入值。
在步骤5中，所述电网网络的加权拓扑模型将所有电厂、变电站和负荷都看作网络中的节点，在合并双回线路并改进参数的情况下，从而定义一个矩阵[aij]，如果i，j之间有线路或者变压器进行电气连接，就让aij为1，若其中没有直接电气连接，则将aij赋值为0；
将电网中的变压器合线路看作边，将每个边的权重值定义为电网中线路的等值电抗值或者该线路输送中的有功功率，同时定义从电源指向负荷的流动方向为边的方向。
在步骤5中，各个电源负荷节点对间的二端口输入阻抗满足以下关系式：
Figure DEST_PATH_IMAGE072
式中，
Figure DEST_PATH_IMAGE073
——节点阻抗矩阵中节点i的自阻抗；
Figure DEST_PATH_IMAGE074
——节点阻抗矩阵中节点j的自阻抗；
Figure DEST_PATH_IMAGE075
——节点阻抗矩阵中节点i，j的互阻抗；
Figure DEST_PATH_IMAGE076
——节点i，j间二端口网络输入阻抗。
在所述步骤6中，网供能力模型满足以下关系式：
网供能力模型可表示为：
Figure DEST_PATH_IMAGE077
其中，
Figure DEST_PATH_IMAGE078
为网供能力指标；
Figure DEST_PATH_IMAGE079
，
Figure DEST_PATH_IMAGE080
——电源节点和负荷节点的数目；
Figure DEST_PATH_IMAGE081
——电源节点所在的集合；
Figure DEST_PATH_IMAGE082
——负荷节点所在的集合；
Figure DEST_PATH_IMAGE083
——电源节点i与节点j之间的加权距离；
Figure 105598DEST_PATH_IMAGE083
的值越小，说明电源点和负荷点的电气距离越小，这两个节点间传输电能的效率也越高。
在步骤6中，全局网供能力满足以下关系式：
Figure DEST_PATH_IMAGE084
其中，
Figure DEST_PATH_IMAGE085
——节点i，j间二端口网络输入阻抗；
Figure DEST_PATH_IMAGE086
——负荷节点j的有功负荷量；
Figure DEST_PATH_IMAGE087
——电源节点i的有功容量；
Figure DEST_PATH_IMAGE088
表示雷击线路跳闸后的改进网供能力指标；
Figure 130055DEST_PATH_IMAGE088
越大，表明网络的供电效率越高。
步骤7包括以下内容：
步骤701，基于易损度对雷电风险的量化定义；
改进的网供能力指标满足以下关系式：
Figure DEST_PATH_IMAGE089
其中，
Figure DEST_PATH_IMAGE090
表示改进的网供能力指标；
Figure DEST_PATH_IMAGE091
表示雷击线路跳闸前的改进网供能力指标；
步骤702，计算全局易损性指标；
雷电风险下的电网系统全局易损性指标满足以下关系式：
Figure DEST_PATH_IMAGE092
当
Figure DEST_PATH_IMAGE093
超过所设定阈值时，对雷电进行预警。
本发明还公开了基于雷电动态预测下电网的易损性预警方法的雷电动态预测下电网的易损性预警系统，包括历史数据采集模块、数据预处理模块、落雷概率预测模块、电网网络加权拓扑模型计算模块、全局网供能力计算模块以及雷电预警模块；
历史数据采集模块采集气象历史数据与落雷历史数据并将所采集的数据输入至数据预处理模块；
数据预处理模块对输入数据进行清洗后进行标准化以及离散化处理，并将预处理后的数据输入至落雷概率预测模块；
落雷概率预测模块构建深度学习网络，之后将接受到的输入数据输入至深度学习网络进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率，选择落雷预测概率最大的线路为雷电分区重点线路，并将选择结果输入至雷电预警模块；
电网网络加权拓扑模型计算模块建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源—负荷节点对间的二端口输入阻抗，并将计算结果输入至全局网供能力计算模块；
全局网供能力计算模块根据输入的结果计算雷电风险下电网的易损度，并将易损度输入至雷电预警模块；
所述雷电预警模块根据易损度计算改进网供能力指标以及全局易损性指标，当全局易损性指标超过所设定阈值时，对雷电进行预警。
本发明的有益效果在于，与现有技术相比，提供一种合理利用好落雷预测和电网拓扑结构，从而给出可靠的雷电风险下的易损性预警，以此给电网动态拓扑调整提供建议。本发明建立了一种在雷电动态预测下的电网易损性预警体系，以直观的形式表达落雷事件的严重度。从而为以后的动态防雷解决方案提供重要的量化参考。
附图说明
图1为本发明雷电动态预测下电网的易损性预警方法的方法流程图；
图2为本发明所构建的深度学习网络中的一个神经元的结构图；
图3为本发明二端网络电路等效图；
图4为本发明变压器等值模型图；
图5为本发明线路集中参数等值模型图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明公开了雷电动态预测下电网的易损性预警方法，具体流程图如图1所示，包括以下步骤：
步骤1，采集气象历史数据与落雷历史数据；其中，气象历史数据包括气温、气压、降水、风速、风向与湿度数据；落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数；
步骤2，对步骤1采集的数据进行预处理；
步骤201，首先对采集的数据进行清洗；
对采集的数据中的异常值进行替换，再采用拉格朗日插值法补充缺失值；
其中正常值与异常值的划分方式为：
定义间距:
Figure 86379DEST_PATH_IMAGE001
其中，
Figure 856888DEST_PATH_IMAGE002
为间距，
Figure 686304DEST_PATH_IMAGE003
表示间距上限值，气象历史数据与落雷历史数据分别有
Figure 276686DEST_PATH_IMAGE004
的数据大于
Figure 364596DEST_PATH_IMAGE003
，
Figure 520771DEST_PATH_IMAGE005
表示间距下限值，气象历史数据与落雷历史数据分别有
Figure 521088DEST_PATH_IMAGE004
的数据小于
Figure 598765DEST_PATH_IMAGE005
；
根据间距，定义上下界：
Figure 37837DEST_PATH_IMAGE006
Figure 517360DEST_PATH_IMAGE007
为正常数据下界，
Figure 943705DEST_PATH_IMAGE008
为正常数据上界，在上下界范围内的为正常值；在上下界之外的为异常值，对其选用边界值进行代替。
步骤202，对清洗好的数据进行标准化处理和离散化处理；
标准化的方法为：
Figure 508679DEST_PATH_IMAGE009
Figure 689124DEST_PATH_IMAGE010
其中，
Figure 819891DEST_PATH_IMAGE011
表示标准化后数据，
Figure 427590DEST_PATH_IMAGE012
表示标准化前数据，
Figure 463548DEST_PATH_IMAGE013
表示标准化前数据的均值，
Figure 978843DEST_PATH_IMAGE014
表示标准化前的标准差，
Figure 432958DEST_PATH_IMAGE015
表示数据总量；
对数据进行离散化处理的方法为：
Figure 211558DEST_PATH_IMAGE016
，
Figure 485545DEST_PATH_IMAGE017
其中，
Figure 257061DEST_PATH_IMAGE018
表示离散化处理后描述气象历史数据间相关性强度的系数，
Figure 362420DEST_PATH_IMAGE019
表示总的样本数，
Figure 46342DEST_PATH_IMAGE014
表示样本类别数，
Figure 807625DEST_PATH_IMAGE021
表示离散后区间数，
Figure 930302DEST_PATH_IMAGE022
表示属于区间
Figure 93430DEST_PATH_IMAGE023
类别为
Figure 197521DEST_PATH_IMAGE024
的样本数量，
Figure 711679DEST_PATH_IMAGE025
表示类别是
Figure 372467DEST_PATH_IMAGE024
的样本数量，
Figure 124523DEST_PATH_IMAGE026
表示属于区间
Figure 681406DEST_PATH_IMAGE023
的样本数量，区间
Figure 214018DEST_PATH_IMAGE023
代表样本取值范围，
Figure 131028DEST_PATH_IMAGE027
是样本最小值，
Figure 737590DEST_PATH_IMAGE028
是样本最大值。
区间
Figure 262112DEST_PATH_IMAGE023
的求取方法是将所有样本的数据升序排列后，再按照样本类别进行分类得到的区间。
计算排序后相邻样本的中点，将所有中点作为断点放入断点集
Figure 485283DEST_PATH_IMAGE005
；
初始化断点集
Figure 425557DEST_PATH_IMAGE029
，其为包含
Figure 667051DEST_PATH_IMAGE030
与
Figure 362475DEST_PATH_IMAGE031
两个断点的集合，此时
Figure 541783DEST_PATH_IMAGE029
的
Figure 551328DEST_PATH_IMAGE018
值为0；
选取一个不属于
Figure 460378DEST_PATH_IMAGE029
但属于
Figure 264386DEST_PATH_IMAGE005
中的断点加入到
Figure 445837DEST_PATH_IMAGE029
中，计算此时的
Figure 790231DEST_PATH_IMAGE018
值，将该断点从
Figure 757050DEST_PATH_IMAGE029
中拿出；再取一个不属于
Figure 466380DEST_PATH_IMAGE029
但属于
Figure 151439DEST_PATH_IMAGE005
中的其他断点加入到
Figure 299524DEST_PATH_IMAGE029
中，计算此时的
Figure 370117DEST_PATH_IMAGE018
值，再将其拿出。重复该方法，直到所有断点都被加入过
Figure 515927DEST_PATH_IMAGE029
计算过
Figure 219441DEST_PATH_IMAGE018
值后，比较之前计算过的所有
Figure 108900DEST_PATH_IMAGE018
值，选择能使
Figure 784732DEST_PATH_IMAGE018
值最大的断点将其保留在
Figure 898181DEST_PATH_IMAGE029
中。此时
Figure 559099DEST_PATH_IMAGE029
中有三个断点，计算此时的不一致率，方法为：
Figure 986670DEST_PATH_IMAGE032
其中，
Figure 782587DEST_PATH_IMAGE033
是样本数量最多的
Figure 332517DEST_PATH_IMAGE034
对应的类别号。
如果
Figure 213886DEST_PATH_IMAGE035
小于
Figure 428835DEST_PATH_IMAGE035
阈值，则输出此时的
Figure 875997DEST_PATH_IMAGE029
，即离散化数据集
Figure 800091DEST_PATH_IMAGE002
，否则使用上述方法往
Figure 168755DEST_PATH_IMAGE029
加入第四个断点，计算不一致率
Figure 938128DEST_PATH_IMAGE035
比较其与
Figure 239796DEST_PATH_IMAGE035
阈值的大小；一直往
Figure 787321DEST_PATH_IMAGE029
加入断点直至不一致率
Figure 440019DEST_PATH_IMAGE035
小于
Figure 13083DEST_PATH_IMAGE035
阈值，输出此时的
Figure 372520DEST_PATH_IMAGE029
，即离散化数据集
Figure 887684DEST_PATH_IMAGE002
。在本实施例中
Figure 762099DEST_PATH_IMAGE035
阈值取0.01。
步骤3，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率；
步骤301，构建深度学习网络；
图2为所构建深度学习网络中一个神经元的结构图，每个深度学习网络至少为一层，每层至少由两个神经元构成，每个神经元包括一个输入门
Figure 404433DEST_PATH_IMAGE036
、一个遗忘门
Figure 618377DEST_PATH_IMAGE037
、一个候选层
Figure 851912DEST_PATH_IMAGE038
以及一个输出门
Figure 416886DEST_PATH_IMAGE039
；每一个神经元接受上一时刻的学习单元状态
Figure 315440DEST_PATH_IMAGE040
、上一时刻的输出
Figure 915049DEST_PATH_IMAGE041
以及本时刻的输入
Figure 319486DEST_PATH_IMAGE042
，计算得到本时刻的学习单元状态
Figure 106176DEST_PATH_IMAGE043
以及本时刻的输出
Figure 824733DEST_PATH_IMAGE044
；
输入门计算公式为：
Figure 75586DEST_PATH_IMAGE048
其中，
Figure 103454DEST_PATH_IMAGE049
表示激活函数，
Figure 377440DEST_PATH_IMAGE050
表示输入门本时刻输入的权重，
Figure 899688DEST_PATH_IMAGE051
表示输入门本时刻输出的权重，
Figure 5048DEST_PATH_IMAGE052
表示输入门本时刻输出的补偿项；
激活函数的计算公式为：
Figure 688970DEST_PATH_IMAGE070
其中，
Figure DEST_PATH_IMAGE094
表示激活函数的输入值，对于输入门计算公式而言，输入至为
Figure DEST_PATH_IMAGE095
；
遗忘门计算公式为：
Figure 433941DEST_PATH_IMAGE053
其中，
Figure 494301DEST_PATH_IMAGE054
表示遗忘门本时刻输入的权重，
Figure 657429DEST_PATH_IMAGE055
表示遗忘门本时刻输出的权重，
Figure 574569DEST_PATH_IMAGE056
表示遗忘门本时刻输出的补偿项；
输出门计算公式为：
Figure 72416DEST_PATH_IMAGE057
其中，
Figure 936466DEST_PATH_IMAGE058
表示输出门本时刻输入的权重，
Figure 750839DEST_PATH_IMAGE059
表示输出门本时刻输出的权重，
Figure 307722DEST_PATH_IMAGE060
表示输出门本时刻输出的补偿项；
候选层计算公式为：
Figure 778018DEST_PATH_IMAGE061
其中，
Figure 976918DEST_PATH_IMAGE062
表示候选层本时刻输入的权重，
Figure 369765DEST_PATH_IMAGE063
表示候选层本时刻输出的权重；
本时刻的学习单元状态
Figure 831970DEST_PATH_IMAGE064
计算方法为：
Figure 789562DEST_PATH_IMAGE065
其中，
Figure 57732DEST_PATH_IMAGE066
表示按位乘，
Figure 784380DEST_PATH_IMAGE067
表示按位加；
本时刻的输出
Figure DEST_PATH_IMAGE096
计算方法为：
Figure 932333DEST_PATH_IMAGE068
在本发明中，
Figure DEST_PATH_IMAGE097
皆为在模型训练过程中不断更新的参数，参数更新的目标是将模型训练的损失函数值变为最小。
构建有效的深度学习模型需要确定网络层数与每层神经元数。确定方法可以用网格化搜索的方法，网格化搜索的方法本质就是利用可变的网格范围循环遍历所有结果，表现最好的参数就是最优结果，
模型训练的损失函数：
Figure DEST_PATH_IMAGE098
其中N为训练样本数量；
Figure DEST_PATH_IMAGE099
为预测值，
Figure DEST_PATH_IMAGE100
为真实值。
步骤302，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，当模型训练的损失值变化连续3次在0.01以内完成训练，得到训练好的落雷概率预测模型；
步骤303，实时采集气象数据，使用步骤2的预处理方法对气象数据进行预处理后，输入至训练好的落雷概率预测模型训练得到落雷预测概率；
步骤4，选择落雷预测概率最大的线路为雷电分区重点线路；
步骤5，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节点对间的二端口输入阻抗；
假设有两个节点分别为为i，j，如果节点i和j之间有直接的连接，那么在我们的网络里面，i和j之间就有1条边，这条边就可以用(i,j)或ij来表示，那么i，j就被叫做这条边的两个端点。在这样的基础下，在一个网络G中，可以将G中所有节点的集合表示成V(G)，将G中所有边的集合表示成E(G)，从而该网络可表示成：
Figure DEST_PATH_IMAGE101
在网络G中节点数为
Figure DEST_PATH_IMAGE102
，边数为
Figure DEST_PATH_IMAGE103
，E(G)中的每条边都会有V(G)中相应的两个节点相对应，从而表示出完整网络。
将电网模型建模为拓扑模型，将所有电厂、变电站和负荷都看作网络中的节点，在合并双回线路并改进参数的情况下，将电网中的变压器合线路看作边。
在变压器等值过程中，为了方便多电压等级网络的参数计算，一般忽略励磁支路的影响采用如图4所示的模型进行简化。
其中，主线路的阻抗为
Figure DEST_PATH_IMAGE104
，主线路左右分支线路的阻抗分别为为
Figure DEST_PATH_IMAGE105
与
Figure DEST_PATH_IMAGE106
，
Figure DEST_PATH_IMAGE107
为折算至一次侧的变压器阻抗，
Figure DEST_PATH_IMAGE108
；
Figure DEST_PATH_IMAGE109
表示变压器阻值实部，
Figure DEST_PATH_IMAGE110
表示变压器阻值虚部，k表示变压器变比，
Figure DEST_PATH_IMAGE111
、
Figure DEST_PATH_IMAGE112
是一次绕组侧的实际电压和电流，
Figure DEST_PATH_IMAGE113
、
Figure DEST_PATH_IMAGE114
是二次绕组侧的实际电压和电流；
在电网模型建模过程中，所使用的线路集中参数等值模型如图5所示，主线路的阻抗为
Figure DEST_PATH_IMAGE115
，左右分支线路上的阻抗都为
Figure DEST_PATH_IMAGE116
，
Figure 954385DEST_PATH_IMAGE115
与
Figure DEST_PATH_IMAGE117
分别满足以下关系式：
Figure DEST_PATH_IMAGE118
其中，
Figure DEST_PATH_IMAGE119
是单位长度线路的电感，
Figure DEST_PATH_IMAGE120
是单位长度线路的电抗，
Figure DEST_PATH_IMAGE121
是单位长度线路的内阻值，
Figure DEST_PATH_IMAGE122
是单位长度线路的长度；
定义一个矩阵[aij]，如果i，j之间有线路或者变压器进行电气连接，就让aij为1，若其中没有直接电气连接，则将aij赋值为0。在电网基础拓扑建模的基础上，将每个边的权重值定义为电网中线路的等值电抗值或者该线路输送中的有功功率，同时定义从电源指向负荷的流动方向为边的方向，构成了一张具有权重和方向的电网结构图，从而对电网进行分析和评估。
因为电力系统中的功率的传输并非仅取决于节点间的最短路径，而是要满足基尔霍夫定律，之前的网供能力指标基于最短传输路径的指标计算明显不符电力网的实际。电力网络中，功率从电源节点流向负荷节点，忽略线路损耗，功率流将取决于节点电压和线路电抗，因此，从电源节点i到负荷节点j的功率传输可近似表示为
Figure DEST_PATH_IMAGE123
式中，
Figure DEST_PATH_IMAGE124
——流经从节点i到节点j线路的有功功率；
Figure DEST_PATH_IMAGE125
——节点i的电压；
Figure DEST_PATH_IMAGE126
——节点j的电压
Figure DEST_PATH_IMAGE127
——节点i与节点j间的相角差；
Figure DEST_PATH_IMAGE128
——从节点i到节点j线路的阻抗。
上式表明，在系统在稳定运行时，电源—负荷节点对间传输的功率与节点对间的等值阻抗呈反比关系。为更好的反映系统实际，本节将用节点间的等值阻抗来反映电源节点与负荷节点的电气距离。
从电路等值理论的角度，二端网络的输入阻抗可作为电源节点和负荷节点间的等值阻抗。根据电路等值理论，网络中任意2个非接地点的等值阻抗即为从该2个节点组成的端口向网络看进去的输入阻抗，其物理意义如图3所示；
为求取该输入阻抗，从一端口向网络注入单位电流，则两端点间的电位差即是此二端网络的输入阻抗，在节点阻抗矩阵中可表示为：
Figure DEST_PATH_IMAGE129
式中，
Figure 931306DEST_PATH_IMAGE073
——节点阻抗矩阵中节点i的自阻抗；
Figure 512460DEST_PATH_IMAGE074
——节点阻抗矩阵中节点j的自阻抗；
Figure 582047DEST_PATH_IMAGE075
——节点阻抗矩阵中节点i，j的互阻抗；
Figure 310969DEST_PATH_IMAGE076
——节点i，j间二端口网络输入阻抗；
步骤6，建立改进的网供能力模型，计算全局网供能力；
将电网表示为一个具有权重和方向的网络，即矩阵
Figure DEST_PATH_IMAGE130
，式中，V为网络中节点的集合，L为线路的集合，W为每条线路上的权重。将节点划分为电源节点和负荷节点，则网供能力模型可表示为：
Figure DEST_PATH_IMAGE131
式中，
Figure 39716DEST_PATH_IMAGE078
为网供能力指标；
Figure 803273DEST_PATH_IMAGE079
，
Figure 512603DEST_PATH_IMAGE080
——电源节点和负荷节点的数目；
Figure 446930DEST_PATH_IMAGE081
——电源节点所在的集合；
Figure 595014DEST_PATH_IMAGE082
——负荷节点所在的集合；
Figure 150760DEST_PATH_IMAGE083
——电源节点i与某个特定的负荷节点j之间的加权距离。
Figure DEST_PATH_IMAGE132
在此处表示系统中某个特定的电源节点i与某个特定的负荷节点j之间的加权距离，
Figure 562150DEST_PATH_IMAGE083
的值越小，说明电源点和负荷点的电气距离越小，这两个节点间传输电能的效率也越高。
网供能力指标E假设电能通过最短路径dij传输，上述分析证明了这种假设远远不符合电力系统实际，从电源节点流向负荷节点的功率大小与网络拓扑结构和网络参数有关。除此之外，之前的网供能力指标也没有考虑网络中电源功率与负荷的大小，这两者也影响电源—负荷节点对间的传输效能的因素。
综上所述，可行的电网易损度指标应该涵盖网络拓扑结构、电源功率，负荷大小和网络参数。基于此，本发明提出了一种改进的网供能力指标来评价雷电风险下电网的易损度如下：
Figure DEST_PATH_IMAGE133
式中，
Figure 921456DEST_PATH_IMAGE085
——节点i，j间二端口网络输入阻抗；i为电源节点，j为负荷节点；
Figure 76494DEST_PATH_IMAGE086
——负荷节点j的有功负荷量；
Figure 549064DEST_PATH_IMAGE087
——电源节点i的有功容量；
Figure 865775DEST_PATH_IMAGE088
表示雷击线路跳闸后的改进网供能力指标；
Figure 259848DEST_PATH_IMAGE088
越大，表明网络的供电效率越高。指标
Figure 749735DEST_PATH_IMAGE088
兼顾了负荷节点本身的负荷量
Figure 794920DEST_PATH_IMAGE086
、电源节点的容量
Figure 282533DEST_PATH_IMAGE087
和电源—负荷节点对间距离对网络传输效率的综合影响：
Figure 695060DEST_PATH_IMAGE088
与负荷节点自身功率成反比，即负荷量越小，该节点对系统的易损性影响越小；
Figure DEST_PATH_IMAGE134
则近似表示电源节点i对负荷节点j的贡献功率，其大小随着两者之间的距离呈指数衰减。
步骤7，计算重点线路跳闸后全局网供能力变化量，得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标，从而实现雷电预警
步骤701，基于易损度对雷电风险的量化定义；
在雷电风险下，不同电力线路受到雷击风险的能力是不同的，同时在电网实际运行中，为满足不同的负荷水平，电力系统的拓扑结构也是变化的。不同电力线路遭受雷击跳闸必然会导致E‘的变化。本发明用改进的网供能力指标来定义评估不同电力线路遭受雷击跳闸后对系统的影响，从而提前制定解决方案，即：
Figure 395163DEST_PATH_IMAGE089
式中，
Figure 842325DEST_PATH_IMAGE091
表示雷击线路跳闸前的改进网供能力指标。
可以看出，
Figure 15686DEST_PATH_IMAGE090
值表明雷击线路跳闸对整个电网系统易损性指标的影响，
Figure 384350DEST_PATH_IMAGE090
的绝对值越大表明雷击线路跳闸对系统的影响越大。
步骤702，计算全局易损性指标；
从上述概率模型即可得到雷电风险下每条重点线路落雷概率向量值为Risk，结合定义的网供能力指标，从而定义雷电风险下的电网系统全局易损性指标：
Figure DEST_PATH_IMAGE135
当
Figure 419302DEST_PATH_IMAGE136
超过所设定阈值时，对雷电进行预警；
本发明还公开了基于雷电动态预测下电网的易损性预警方法的雷电动态预测下电网的易损性预警系统，包括历史数据采集模块、数据预处理模块、落雷概率预测模块、电网网络加权拓扑模型计算模块、全局网供能力计算模块以及雷电预警模块；
历史数据采集模块采集气象历史数据与落雷历史数据并将所采集的数据输入至数据预处理模块；
数据预处理模块对输入数据进行清洗后进行标准化以及离散化处理，并将预处理后的数据输入至落雷概率预测模块；
落雷概率预测模块构建深度学习网络，之后将接受到的输入数据输入至深度学习网络进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率，选择落雷预测概率最大的线路为雷电分区重点线路，并将选择结果输入至雷电预警模块；
电网网络加权拓扑模型计算模块建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源—负荷节点对间的二端口输入阻抗，并将计算结果输入至全局网供能力计算模块；
全局网供能力计算模块根据输入的结果计算雷电风险下电网的易损度，并将易损度输入至雷电预警模块；
雷电预警模块根据易损度计算改进网供能力指标以及全局易损性指标，当全局易损性指标超过所设定阈值时，对雷电进行预警。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (14)

1.雷电动态预测下电网的易损性预警方法，其特征在于，所述电网的易损性预警方法包括以下步骤：
步骤1，采集气象历史数据与落雷历史数据；其中，气象历史数据包括气温、气压、降水、风速、风向与湿度数据；落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数；
步骤2，对步骤1采集的数据进行预处理；
步骤3，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率；
步骤4，选择落雷预测概率最大的线路为雷电分区重点线路；
步骤5，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节点对间的二端口输入阻抗；
步骤6，建立改进的网供能力模型，计算全局网供能力；
步骤7，计算重点线路跳闸后全局网供能力变化量，得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标，实现雷电预警。
2.根据权利要求1所述的雷电动态预测下电网的易损性预警方法，其特征在于：
所述步骤2包括以下内容：
步骤201，对采集的数据进行清洗；
步骤202，对清洗好的数据进行标准化处理和离散化处理。
3.根据权利要求2所述的雷电动态预测下电网的易损性预警方法，其特征在于：
在所述步骤201中，对采集的数据中的异常值进行替换，再采用拉格朗日插值法补充缺失值；
其中正常值与异常值的划分方式为：
定义间距:
Figure 672039DEST_PATH_IMAGE001
其中，
Figure 120338DEST_PATH_IMAGE002
为间距，
Figure 572179DEST_PATH_IMAGE003
表示间距上限值，气象历史数据与落雷历史数据分别有
Figure 498547DEST_PATH_IMAGE004
的数据大于
Figure 47340DEST_PATH_IMAGE003
，
Figure 525595DEST_PATH_IMAGE005
表示间距下限值，气象历史数据与落雷历史数据分别有
Figure 589366DEST_PATH_IMAGE004
的数据小于
Figure 522686DEST_PATH_IMAGE005
；
根据间距，定义上下界：
Figure 598090DEST_PATH_IMAGE006
Figure 388191DEST_PATH_IMAGE007
为正常数据下界，
Figure 798313DEST_PATH_IMAGE008
为正常数据上界，在上下界范围内的为正常值；在上下界之外的为异常值，对其选用边界值进行代替。
4.根据权利要求2或3所述的雷电动态预测下电网的易损性预警方法，其特征在于：
在所述步骤202中，标准化的方法为：
Figure 269746DEST_PATH_IMAGE009
Figure 324289DEST_PATH_IMAGE010
其中，
Figure 426237DEST_PATH_IMAGE011
表示标准化后数据，
Figure 199021DEST_PATH_IMAGE012
表示标准化前数据，
Figure 208566DEST_PATH_IMAGE013
表示标准化前数据的均值，
Figure 773408DEST_PATH_IMAGE014
表示标准化前的标准差，
Figure 639733DEST_PATH_IMAGE015
表示数据总量；
对数据进行离散化处理的方法为：
Figure 103075DEST_PATH_IMAGE016
，
Figure 588414DEST_PATH_IMAGE017
其中，
Figure 883130DEST_PATH_IMAGE018
表示离散化处理后描述气象历史数据间相关性强度的系数，
Figure 310569DEST_PATH_IMAGE019
表示总的样本数，
Figure 995628DEST_PATH_IMAGE020
表示样本类别数，
Figure 409292DEST_PATH_IMAGE021
表示离散后区间数，
Figure 433880DEST_PATH_IMAGE022
表示属于区间
Figure 110849DEST_PATH_IMAGE023
类别为
Figure 79942DEST_PATH_IMAGE024
的样本数量，
Figure 427789DEST_PATH_IMAGE025
表示类别是
Figure 431518DEST_PATH_IMAGE024
的样本数量，
Figure 279388DEST_PATH_IMAGE026
表示属于区间
Figure 611143DEST_PATH_IMAGE023
的样本数量，区间
Figure 632189DEST_PATH_IMAGE023
代表样本取值范围，
Figure 428106DEST_PATH_IMAGE027
是样本最小值，
Figure 368250DEST_PATH_IMAGE028
是样本最大值；
区间
Figure 577514DEST_PATH_IMAGE023
的求取方法是将所有样本的数据升序排列后，再按照样本类别进行分类得到的区间；
计算排序后相邻样本的中点，将所有中点作为断点放入断点集
Figure 12038DEST_PATH_IMAGE005
；
初始化断点集
Figure 928041DEST_PATH_IMAGE029
，其为包含
Figure 648872DEST_PATH_IMAGE030
与
Figure 470067DEST_PATH_IMAGE031
两个断点的集合，此时
Figure 567336DEST_PATH_IMAGE029
的
Figure 603425DEST_PATH_IMAGE018
值为0；
选取一个不属于
Figure 636103DEST_PATH_IMAGE029
但属于
Figure 554380DEST_PATH_IMAGE005
中的断点加入到
Figure 658602DEST_PATH_IMAGE029
中，计算此时的
Figure 204990DEST_PATH_IMAGE018
值，将该断点从
Figure 798783DEST_PATH_IMAGE029
中拿出；再取一个不属于
Figure 142039DEST_PATH_IMAGE029
但属于
Figure 722056DEST_PATH_IMAGE005
中的其他断点加入到
Figure 529475DEST_PATH_IMAGE029
中，计算此时的
Figure 231852DEST_PATH_IMAGE018
值，再将其拿出；重复该方法，直到所有断点都被加入过
Figure 983776DEST_PATH_IMAGE029
计算过
Figure 226539DEST_PATH_IMAGE018
值后，比较之前计算过的所有
Figure 763831DEST_PATH_IMAGE018
值，选择能使
Figure 637109DEST_PATH_IMAGE018
值最大的断点将其保留在
Figure 751695DEST_PATH_IMAGE029
中；此时
Figure 922782DEST_PATH_IMAGE029
中有三个断点，计算此时的不一致率，方法为：
Figure 642477DEST_PATH_IMAGE032
其中，
Figure 483394DEST_PATH_IMAGE033
是样本数量最多的
Figure 226222DEST_PATH_IMAGE034
对应的类别号；
如果
Figure 810787DEST_PATH_IMAGE035
小于
Figure 384988DEST_PATH_IMAGE035
阈值，则输出此时的
Figure 521440DEST_PATH_IMAGE029
，即离散化数据集
Figure 610619DEST_PATH_IMAGE002
，否则使用上述方法往
Figure 202137DEST_PATH_IMAGE029
加入第四个断点，计算不一致率
Figure 302948DEST_PATH_IMAGE035
比较其与
Figure 751247DEST_PATH_IMAGE035
阈值的大小；一直往
Figure 452356DEST_PATH_IMAGE029
加入断点直至不一致率
Figure 581986DEST_PATH_IMAGE035
小于
Figure 927516DEST_PATH_IMAGE035
阈值，输出此时的
Figure 422083DEST_PATH_IMAGE029
，即离散化数据集
Figure 423537DEST_PATH_IMAGE002
。
5.根据权利要求1所述的雷电动态预测下电网的易损性预警方法，其特征在于：
所述步骤3包括以下内容：
步骤301，构建深度学习网络；
步骤302，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，当模型训练的损失值变化连续3次在0.01以内完成训练，得到训练好的落雷概率预测模型；
步骤303，实时采集气象数据，使用步骤2的预处理方法对气象数据进行预处理后，输入至训练好的落雷概率预测模型训练得到落雷预测概率。
6.根据权利要求5所述的雷电动态预测下电网的易损性预警方法，其特征在于：
在所述步骤301中，每个深度学习网络至少为一层，每层至少由两个神经元构成，每个神经元包括一个输入门
Figure 153595DEST_PATH_IMAGE036
、一个遗忘门
Figure 495845DEST_PATH_IMAGE037
、一个候选层
Figure 285946DEST_PATH_IMAGE038
以及一个输出门
Figure 774696DEST_PATH_IMAGE039
；每一个神经元接受上一时刻的学习单元状态
Figure 183812DEST_PATH_IMAGE040
、上一时刻的输出
Figure 238356DEST_PATH_IMAGE041
以及本时刻的输入
Figure 402621DEST_PATH_IMAGE042
，计算得到本时刻的学习单元状态
Figure 34459DEST_PATH_IMAGE043
以及本时刻的输出
Figure 371900DEST_PATH_IMAGE044
；
模型训练的损失函数：
Figure 421895DEST_PATH_IMAGE045
其中N为训练样本数量；
Figure 491482DEST_PATH_IMAGE046
为预测值，
Figure 751562DEST_PATH_IMAGE047
为真实值。
7.根据权利要求6所述的雷电动态预测下电网的易损性预警方法，其特征在于：
所述输入门满足以下关系式：
Figure 751748DEST_PATH_IMAGE048
其中，
Figure 780884DEST_PATH_IMAGE049
表示激活函数，
Figure 21373DEST_PATH_IMAGE050
表示输入门本时刻输入的权重，
Figure 909694DEST_PATH_IMAGE051
表示输入门本时刻输出的权重，
Figure 323358DEST_PATH_IMAGE052
表示输入门本时刻输出的补偿项；
遗忘门满足以下关系式：
Figure 410263DEST_PATH_IMAGE053
其中，
Figure 8603DEST_PATH_IMAGE054
表示遗忘门本时刻输入的权重，
Figure 243275DEST_PATH_IMAGE055
表示遗忘门本时刻输出的权重，
Figure 398313DEST_PATH_IMAGE056
表示遗忘门本时刻输出的补偿项；
输出门满足以下关系式：
Figure 277408DEST_PATH_IMAGE057
其中，
Figure 922016DEST_PATH_IMAGE058
表示输出门本时刻输入的权重，
Figure 581667DEST_PATH_IMAGE059
表示输出门本时刻输出的权重，
Figure 461767DEST_PATH_IMAGE060
表示输出门本时刻输出的补偿项；
候选层满足以下关系式：
Figure 585581DEST_PATH_IMAGE061
其中，
Figure 276456DEST_PATH_IMAGE062
表示候选层本时刻输入的权重，
Figure 423404DEST_PATH_IMAGE063
表示候选层本时刻输出的权重；
本时刻的学习单元状态
Figure 716982DEST_PATH_IMAGE064
满足以下关系式：
Figure 819936DEST_PATH_IMAGE065
其中，
Figure 9609DEST_PATH_IMAGE066
表示按位乘，
Figure 440590DEST_PATH_IMAGE067
表示按位加；
本时刻的输出
Figure 678805DEST_PATH_IMAGE044
满足以下关系式：
Figure 246052DEST_PATH_IMAGE068
Figure 606627DEST_PATH_IMAGE069
Figure 915117DEST_PATH_IMAGE063
皆为在模型训练过程中不断更新的参数，更新目标是为了使得模型训练的损失函数值最小。
8.根据权利要求7所述的雷电动态预测下电网的易损性预警方法，其特征在于：
所述激活函数满足以下关系式：
Figure 550498DEST_PATH_IMAGE070
其中，
Figure 441093DEST_PATH_IMAGE071
表示激活函数的输入值。
9.根据权利要求1所述的雷电动态预测下电网的易损性预警方法，其特征在于：
在所述步骤5中，所述电网网络的加权拓扑模型将所有电厂、变电站和负荷都看作网络中的节点，在合并双回线路并改进参数的情况下，从而定义一个矩阵[aij]，如果i，j之间有线路或者变压器进行电气连接，就让aij为1，若其中没有直接电气连接，则将aij赋值为0；
将电网中的变压器合线路看作边，将每个边的权重值定义为电网中线路的等值电抗值或者该线路输送中的有功功率，同时定义从电源指向负荷的流动方向为边的方向。
10.根据权利要求1或9所述的雷电动态预测下电网的易损性预警方法，其特征在于：
在所述步骤5中，各个电源负荷节点对间的二端口输入阻抗满足以下关系式：
Figure 910252DEST_PATH_IMAGE072
式中，
Figure 50246DEST_PATH_IMAGE073
——节点阻抗矩阵中节点i的自阻抗；
Figure 958159DEST_PATH_IMAGE074
——节点阻抗矩阵中节点j的自阻抗；
Figure 624633DEST_PATH_IMAGE075
——节点阻抗矩阵中节点i，j的互阻抗；
Figure 389327DEST_PATH_IMAGE076
——节点i，j间二端口网络输入阻抗。
11.根据权利要求10所述的雷电动态预测下电网的易损性预警方法，其特征在于：
在所述步骤6中，所述网供能力模型满足以下关系式：
网供能力模型可表示为：
Figure 891983DEST_PATH_IMAGE077
其中，
Figure 72429DEST_PATH_IMAGE078
为网供能力指标；
Figure 999934DEST_PATH_IMAGE079
，
Figure 800443DEST_PATH_IMAGE080
——电源节点和负荷节点的数目；
Figure 118291DEST_PATH_IMAGE081
——电源节点所在的集合；
Figure 899166DEST_PATH_IMAGE082
——负荷节点所在的集合；
Figure 556543DEST_PATH_IMAGE083
——电源节点i与节点j之间的加权距离；
Figure 397460DEST_PATH_IMAGE083
的值越小，说明电源点和负荷点的电气距离越小，这两个节点间传输电能的效率也越高。
12.根据权利要求11所述的雷电动态预测下电网的易损性预警方法，其特征在于：
在所述步骤6中，全局网供能力满足以下关系式：
Figure 202605DEST_PATH_IMAGE084
其中，
Figure 177383DEST_PATH_IMAGE085
——节点i，j间二端口网络输入阻抗；
Figure 548322DEST_PATH_IMAGE086
——负荷节点j的有功负荷量；
Figure 763402DEST_PATH_IMAGE087
——电源节点i的有功容量；
Figure 462368DEST_PATH_IMAGE088
表示雷击线路跳闸后的改进网供能力指标；
Figure 116203DEST_PATH_IMAGE088
越大，表明网络的供电效率越高。
13.根据权利要求12所述的雷电动态预测下电网的易损性预警方法，其特征在于：
所述步骤7包括以下内容：
步骤701，基于易损度对雷电风险的量化定义；
改进的网供能力指标满足以下关系式：
Figure 466282DEST_PATH_IMAGE089
其中，
Figure 852264DEST_PATH_IMAGE090
表示改进的网供能力指标；
Figure 694318DEST_PATH_IMAGE091
表示雷击线路跳闸前的改进网供能力指标；
步骤702，计算全局易损性指标；
雷电风险下的电网系统全局易损性指标满足以下关系式：
Figure 823948DEST_PATH_IMAGE092
当
Figure 779266DEST_PATH_IMAGE093
超过所设定阈值时，对雷电进行预警。
14.基于权利要求1-13任一一项所述的雷电动态预测下电网的易损性预警方法的雷电动态预测下电网的易损性预警系统，其特征在于：
所述雷电动态预测下电网的易损性预警系统包括历史数据采集模块、数据预处理模块、落雷概率预测模块、电网网络加权拓扑模型计算模块、全局网供能力计算模块以及雷电预警模块；
所述历史数据采集模块采集气象历史数据与落雷历史数据并将所采集的数据输入至数据预处理模块；
所述数据预处理模块对输入数据进行清洗后进行标准化以及离散化处理，并将预处理后的数据输入至落雷概率预测模块；
所述落雷概率预测模块构建深度学习网络，之后将接受到的输入数据输入至深度学习网络进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率，选择落雷预测概率最大的线路为雷电分区重点线路，并将选择结果输入至雷电预警模块；
所述电网网络加权拓扑模型计算模块建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源—负荷节点对间的二端口输入阻抗，并将计算结果输入至全局网供能力计算模块；
所述全局网供能力计算模块根据输入的结果计算雷电风险下电网的易损度，并将易损度输入至雷电预警模块；
所述雷电预警模块根据易损度计算改进网供能力指标以及全局易损性指标，当全局易损性指标超过所设定阈值时，对雷电进行预警。
CN202210116075.0A 2022-02-07 2022-02-07 雷电动态预测下电网的易损性预警方法及系统 Active CN114154766B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210116075.0A CN114154766B (zh) 2022-02-07 2022-02-07 雷电动态预测下电网的易损性预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210116075.0A CN114154766B (zh) 2022-02-07 2022-02-07 雷电动态预测下电网的易损性预警方法及系统

Publications (2)

Publication Number Publication Date
CN114154766A true CN114154766A (zh) 2022-03-08
CN114154766B CN114154766B (zh) 2022-05-10

Family

ID=80450299

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210116075.0A Active CN114154766B (zh) 2022-02-07 2022-02-07 雷电动态预测下电网的易损性预警方法及系统

Country Status (1)

Country Link
CN (1) CN114154766B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099531A (zh) * 2022-08-19 2022-09-23 国网江苏省电力有限公司苏州供电分公司 一种基于支持向量机的输电线路雷击预警方法及系统
CN116792155A (zh) * 2023-06-26 2023-09-22 华南理工大学 一种基于分布式光纤传感的隧道健康状态监测预警方法
TWI831681B (zh) * 2023-04-27 2024-02-01 台灣電力股份有限公司 落雷預測方法及其運算裝置

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207340A (zh) * 2013-05-02 2013-07-17 深圳供电局有限公司 一种输电线路雷电绕击跳闸在线预警方法
CN103761414A (zh) * 2013-12-18 2014-04-30 国网安徽省电力公司 输电线路的雷击停运概率分析方法
CN106130007A (zh) * 2016-06-27 2016-11-16 华北电力大学 一种基于脆弱性理论的主动配电网储能规划方法
CN112491167A (zh) * 2020-12-08 2021-03-12 中国电力科学研究院有限公司 应用于电网输电线路监测设备的微波无线供电系统及方法
CN112598883A (zh) * 2021-02-07 2021-04-02 国网江苏省电力有限公司苏州供电分公司 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
CN112801428A (zh) * 2021-04-08 2021-05-14 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103207340A (zh) * 2013-05-02 2013-07-17 深圳供电局有限公司 一种输电线路雷电绕击跳闸在线预警方法
CN103761414A (zh) * 2013-12-18 2014-04-30 国网安徽省电力公司 输电线路的雷击停运概率分析方法
CN106130007A (zh) * 2016-06-27 2016-11-16 华北电力大学 一种基于脆弱性理论的主动配电网储能规划方法
CN112491167A (zh) * 2020-12-08 2021-03-12 中国电力科学研究院有限公司 应用于电网输电线路监测设备的微波无线供电系统及方法
CN112598883A (zh) * 2021-02-07 2021-04-02 国网江苏省电力有限公司苏州供电分公司 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
CN112801428A (zh) * 2021-04-08 2021-05-14 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴琛 等: "基于BP神经网络的输电线路雷击故障预测", 《电力工程技术》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115099531A (zh) * 2022-08-19 2022-09-23 国网江苏省电力有限公司苏州供电分公司 一种基于支持向量机的输电线路雷击预警方法及系统
CN115099531B (zh) * 2022-08-19 2023-01-31 国网江苏省电力有限公司苏州供电分公司 一种基于支持向量机的输电线路雷击预警方法及系统
TWI831681B (zh) * 2023-04-27 2024-02-01 台灣電力股份有限公司 落雷預測方法及其運算裝置
CN116792155A (zh) * 2023-06-26 2023-09-22 华南理工大学 一种基于分布式光纤传感的隧道健康状态监测预警方法
CN116792155B (zh) * 2023-06-26 2024-06-07 华南理工大学 一种基于分布式光纤传感的隧道健康状态监测预警方法

Also Published As

Publication number Publication date
CN114154766B (zh) 2022-05-10

Similar Documents

Publication Publication Date Title
CN114154766B (zh) 雷电动态预测下电网的易损性预警方法及系统
Xu et al. A classification approach for power distribution systems fault cause identification
CN102496069B (zh) 基于模糊层次分析法的电缆多状态安全运行评估方法
CN110097297A (zh) 一种多维度窃电态势智能感知方法、系统、设备及介质
CN110705873B (zh) 一种配电网运行状态画像分析方法
CN102289590B (zh) Sf6高压断路器运行状态评估方法及智能系统
CN112749904A (zh) 基于深度学习的配电网故障风险预警方法及系统
CN105022021B (zh) 一种基于多智能体的关口电能计量装置的状态识别方法
CN106997669A (zh) 一种基于特征重要性的判断交通拥堵成因的方法
CN108133225A (zh) 一种基于支持向量机的覆冰闪络故障预警方法
CN109544399B (zh) 基于多源异构数据的输电设备状态评价方法及装置
CN115063020B (zh) 基于风险监测融合的梯级水电站多维安全调度装置及方法
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN110009208B (zh) 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置
CN102098180A (zh) 一种网络安全态势感知方法
CN106530715A (zh) 基于模糊马尔可夫过程的路网交通状态预测方法
An et al. A data-driven method for transient stability margin prediction based on security region
CN112801428B (zh) 一种基于概率预警的落雷损失预防控制方法
CN109033513A (zh) 电力变压器故障诊断方法与电力变压器故障诊断装置
CN110852441B (zh) 一种基于改进朴素贝叶斯算法的火灾预警方法
CN109829627A (zh) 一种基于集成学习方案的电力系统动态安全置信评估方法
CN107247450A (zh) 基于贝叶斯网络的断路器故障诊断方法
Benzerga et al. Low-voltage network topology and impedance identification using smart meter measurements
CN113361776A (zh) 一种基于用户用电行为聚类的电力负荷概率预测方法
CN106529816B (zh) 电力线信道的调整方法和系统

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