CN114418194B - 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 - Google Patents

基于数据驱动和模型驱动的杆塔损毁预测方法及装置 Download PDF

Info

Publication number
CN114418194B
CN114418194B CN202111646550.7A CN202111646550A CN114418194B CN 114418194 B CN114418194 B CN 114418194B CN 202111646550 A CN202111646550 A CN 202111646550A CN 114418194 B CN114418194 B CN 114418194B
Authority
CN
China
Prior art keywords
tower
damage
prediction
wind load
power transmission
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.)
Active
Application number
CN202111646550.7A
Other languages
English (en)
Other versions
CN114418194A (zh
Inventor
黄勇
王磊
魏瑞增
郑晓光
周恩泽
何浣
刘淑琴
罗颖婷
朱凌
汪皓
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.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202111646550.7A priority Critical patent/CN114418194B/zh
Publication of CN114418194A publication Critical patent/CN114418194A/zh
Application granted granted Critical
Publication of CN114418194B publication Critical patent/CN114418194B/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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/08—Probabilistic or stochastic CAD
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/14—Force analysis or force optimisation, e.g. static or dynamic forces

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Geometry (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • General Engineering & Computer Science (AREA)
  • Water Supply & Treatment (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Computer Hardware Design (AREA)

Abstract

本发明公开了基于数据驱动和模型驱动的杆塔损毁预测方法及装置。该预测方法通过将预测区域的第一预测数据集输入至由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。本发明技术方案提高了台风灾害发生前，对主网杆塔损毁概率的预测准确度。

Description

基于数据驱动和模型驱动的杆塔损毁预测方法及装置
技术领域
本发明涉及杆塔损毁预测技术领域，尤其涉及基于数据驱动和模型驱动的杆塔损毁预测方法及装置。
背景技术
数据驱动方法是通过大量数据，运用机器学习算法对电网灾损进行预测，随着电网信息数据化与规范化，使得数据驱动方法的大规模应用成为可能。国内外许多研究开发了基于公开数据的台风停电预测模型，并验证了其有效性，提高了预测准确度。为了更好地给灾后抢修工作提供参考，现有技术还公开了以输电杆塔为预测对象，预测台风灾害下输电杆塔损毁情况，在对预测区域进行网格划分的基础上，对网格区域内的损毁杆塔数量以及停电用户数量进行预测，并进行随机风场构建，利用静态和动态变量提供更为精确的预测。模型驱动方法则是对电网设备进行物理建模，从而进行极端天气下的损毁分析，基于可靠性理论，利用应力干涉模型进行输电线路上的杆塔损毁预测。但是上述现有技术大多未及考虑输电设备自身状态并未将输电线路和输电杆塔作为一个整体来考虑杆塔的风荷载情况，且现有的模型驱动方法需要对每个杆塔进行物理建模，建模复杂度较高，现有的数据驱动方法的预测精度较低。同时，由于配电网设备强度较低，发生损毁的概率较高，已有针对配网用户在台风灾害下的受损情况进行预测的相关技术，但是缺少针对主网杆塔在台风灾害下受损情况进行预测的技术方案。
发明内容
本发明提供基于数据驱动和模型驱动的杆塔损毁预测方法及装置，提高了台风灾害发生前，对主网杆塔损毁概率的预测准确度。
本发明一实施例提供一种基于数据驱动和模型驱动的杆塔损毁预测方法，包括以下步骤：
将预测区域的第一预测数据集输入至由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；所述第一预测数据集包括所述预测区域的第一杆塔设计风速、最大阵风风速、第一杆塔运行年限、海拔、坡向、坡度、坡位、下垫面类型和地表粗糙度；
根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。
进一步的，筛选出损毁杆塔数量大于5基的输电线路及所述输电线路包含的第二杆塔作为第二主网杆塔损毁预测模型的输入，所述损毁杆塔为所述第一损毁概率大于55％的第一杆塔。
进一步的，所述第二主网杆塔损毁预测模型根据塔线整体的风荷载和应力强度计算对应导线的损毁概率，再根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的第二损毁概率；所述塔线整体为所述输电线路包含的第二杆塔与其所连接的导线形成的整体。
进一步的，根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的第二损毁概率，具体为：
根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的三相线路的风荷载；
将所述第二杆塔受到的风荷载进行分解，得到垂直于杆塔导线方向的垂直风荷载；
将所述第二杆塔的三相线路的风荷载叠加至所述第二杆塔的垂直风荷载上，得到所述第二杆塔的实际风荷载；
根据所述第二杆塔的实际风荷载计算所述第二杆塔的第二损毁概率。
进一步的，根据公式
Figure GDA0003805664420000031
计算每条导线的损毁概率，WXS为杆塔的设计风荷载，WX为杆塔导线的风荷载标准值，d为杆塔导线的外径，fR(WXS)为杆塔的设计风荷载的分布函数。
进一步的，根据公式
Figure GDA0003805664420000032
计算所述输电线路包含的第二杆塔的三相线路的风荷载，ps为导线的损毁概率，WX为杆塔导线的风荷载标准值。
进一步的，根据公式W⊥＝μsμzw0sin2θ[βA+6αdLW(1-Ps)]，计算所述第二杆塔的实际风荷载，ps为导线的损毁概率，α为风压不均匀系数，d为杆塔导线的外径，Lw为水平档距，w0为基本风压，θ为风向与杆塔导线的夹角，β为杆塔风荷载调整系数，A为杆塔等效承风面积，μs为风荷载体形系数，μz为风压高度变化系数，。
进一步的，根据所述第二杆塔的实际风荷载计算所述第二杆塔的第二损毁概率，具体为：
根据公式
Figure GDA0003805664420000033
计算所述第二杆塔的第二损毁概率，fR(WXS)为杆塔的设计风荷载的分布函数，d为杆塔导线的外径，WXS为杆塔的设计风荷载，W⊥为第二杆塔的实际风荷载。
进一步地，根据公式
Figure GDA0003805664420000034
将第一预测数据集中的第一杆塔设计风速和最大阵风风速转化为10米基准高度的第一杆塔设计风速和最大阵风风速，Vz表示高度为10米处的风速，V1表示高度为Z1处的风速，a为表面粗糙度系数。
本发明另一实施例提供了一种基于数据驱动和模型驱动的杆塔损毁预测装置，包括第一损毁概率预测模块和第二损毁概率预测模块。
所述第一损毁概率预测模块用于将预测区域的第一预测数据集输入至由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；所述第一预测数据集包括所述预测区域的第一杆塔设计风速、最大阵风风速、第一杆塔运行年限、海拔、坡向、坡度、坡位、下垫面类型和地表粗糙度；
所述第二损毁概率预测模块用于根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。
本发明的实施例，具有如下有益效果：
本发明提供了一种基于数据驱动和模型驱动的杆塔损毁预测方法及装置，该方法通过采用由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；再根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，在此基础上，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。本发明通过采用由数据驱动的第一主网杆塔损毁预测模型得到第一杆塔的第一损毁概率，再对第一杆塔进行筛选，选择其中损毁概率较高的杆塔及杆塔损毁数量较多的输电线路进行二次预测，进行二次预测时采用由模型驱动的第二主网杆塔损毁预测模型，得到第二杆塔的第二损毁概率。因此，本发明经过二次预测后得到第二损毁概率是在第一损毁概率的基础上，进一步提高了预测的精度，同时，本发明综合了数据驱动的第一主网杆塔损毁预测模型和模型驱动的第二主网杆塔损毁预测模型的优点，进一步提高了对杆塔损毁预测的准确度。
附图说明
图1是本发明一实施例提供的基于数据驱动和模型驱动的杆塔损毁预测方法的流程示意图；
图2是本发明一实施例提供的基于数据驱动和模型驱动的杆塔损毁预测装置的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，本发明一实施例提供的一种针对高速电力线载波通信降低PAPR的传输方法，包括：
步骤S101:将预测区域的第一预测数据集输入至由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；所述第一预测数据集包括所述预测区域的第一杆塔设计风速、最大阵风风速、第一杆塔运行年限、海拔、坡向、坡度、坡位、下垫面类型和地表粗糙度。
作为其中一种实施例，所述第一主网杆塔损毁预测模型构建过程包括：
构建多源异构数据库，所述数据库用于为数据驱动的第一主网杆塔损毁预测模型提供数据支撑，由归一化后的特征变量与响应变量(如杆塔是否损毁，损毁视为1，未损毁视为0)组成；以所述预测区域的第一杆塔设计风速V′、最大阵风风速V、第一杆塔运行年限T、海拔H、坡向A、坡度S、坡位P、下垫面类型U和地表粗糙度R作为所述第一主网杆塔损毁预测模型的特征变量。同时，根据公式
Figure GDA0003805664420000051
将第一预测数据集中的第一杆塔设计风速和最大阵风风速转化为10米基准高度的第一杆塔设计风速和最大阵风风速，其中，Vz表示高度为Z处的风速，V1表示高度为Z1处的风速，a表示表面粗糙度系数，根据国家标准GB50545－2010的规定α取0.16。
根据公式N*＝(n-nmin)/(nmax-nmin)对所述第一预测数据集进行归一化处理，N*为归一化后的特征变量值，n为初始特征变量值，nmin和nmax分别为初始特征变量的最小值和最大值。
根据SMOTE算法对所述第一预测数据集进行正负样本平衡处理。由于台风过后杆塔损毁数据样本是不平衡的，正例样本数量要远远大于负例样本数量，而数据的不平衡会影响到模型的预测精度，因此，需要对数据进行二次处理，以平衡数据样本。本实施例采用SMOTE算法对少数类样本进行分析并根据少数类样本合成新样本添加到所述第一预测数据集中；具体地，对于样本中的少数类样本m，以欧氏距离为标准计算其到少数类样本集中所有其他样本的距离，得到其K近邻，即一个范围(表示以m为圆心画出的能包裹K个少数类样本的圆的范围)。在K近邻选取点mn，则生成新样本mnew＝m+rand(0,1)*(mn-m)，重复执行该生成新样本的过程，并将新样本添加到所述第一预测数据集中，直到正例样本与负例样本的比例接近或等于1：1。
根据极端随机树算法构建所述第一主网杆塔损毁预测模型。对于每个杆塔，首先从上述9个特征变量中任意选取若干个特征变量构建所述第一主网杆塔损毁预测模型的回归树；将x作为回归树的输入变量，即随机选择的若干个特征变量；y作为回归树的输出变量，即各个第一主网杆塔的损毁概率，则样本训练数据集D为：
D＝{(x1,y1),(x2,y2),...,(x4923,y4923)}；
则回归树表示为：
Figure GDA0003805664420000061
一个回归树对应着输入空间(表示一个杆塔所在区域的所有解释变量所构成的数据空间)的一种划分以及在划分上的输出值。将输入空间划分为M个输入单元R1,R2,...,Rm，并且在每个输入单元Rm上有一个固定的输出值cm，I为决策变量，当x∈Rm时其值为1。
作为其中一种实施例，在建立回归树的过程中将输入空间划分为2部分，即M＝2。针对选取的若干特征变量，随机选择一个特征变量及其切分点s，分别得到切分变量和切分点，并定义两个区域R1(s)和R2(s)，作为由切分点划分后的输入空间：R1(s)＝{x|x≤s}和R2(s)＝{x|x>s}。
根据公式
Figure GDA0003805664420000071
得到最优切分变量n和最优切分点s，式中xw为第w个样本训练数据中的输入变量，yw为第w个样本训练数据中的输出变量。以此得到最优切分点，并根据所述最优切分点构架决策树。
重复上述随机选择若干特征变量构建回归树的过程，优选地重复500次，并选取500个回归树在第一预测数据集下的平均值作为极端随机树算法的最终输出结果。
作为其中一种实施例，根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔；具体地，筛选出损毁杆塔数量大于5基的输电线路及所述输电线路包含的第二杆塔，所述损毁杆塔为所述第一损毁概率大于55％的第一杆塔。
本实施例使用由数据驱动的第一主网杆塔损毁预测模型对第一杆塔的第一损毁概率进行预测以后，将损毁概率在55％以上的第一杆塔视为损毁，在55％以下的视为未损毁。再将其中杆塔损毁数量超过5基的输电线路视为损毁严重，选取所述线路及其包含的第二杆塔，作为由模型驱动的第二主网杆塔损毁预测模型的输入，进行下一阶段的杆塔损毁概率预测(即预测第二杆塔的第二损毁概率)。
步骤S102:根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。
所述第二主网杆塔损毁预测模型的预测过程为：
所述第二主网杆塔损毁预测模型根据塔线整体的风荷载和应力强度计算对应导线的损毁概率，再根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的第二损毁概率；所述塔线整体为所述输电线路包含的第二杆塔与其所连接的导线形成的整体；
根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的三相线路的风荷载；
将所述第二杆塔受到的风荷载进行分解，得到垂直于杆塔导线方向的垂直风荷载；
将所述第二杆塔的三相线路的风荷载叠加至所述第二杆塔的垂直风荷载上，得到所述第二杆塔的实际风荷载；
根据所述第二杆塔的实际风荷载计算所述第二杆塔的第二损毁概率。
所述第二主网杆塔损毁预测模型将导线与杆塔作为一个整体进行建模，得到所述输电线路的导线的风荷载和杆塔的风荷载：WX＝αμsμz dLww0 sin2θ；w0＝V2/1600；Ws＝βμsμzAw0；式中，WX为导线(或地线)风荷载标准值；α为风压不均匀系数；μs为风荷载体形系数，当d<17mm，μs取1.2；当d>17mm，μs取1.1；覆冰时，μs取1.2；μz为风压高度变化系数，基准高度为10m；d为导线(或地线)的外径(覆冰时，为覆冰后的外径)；Lw为水平档距；w0为基本风压；θ为风向与导线或地线方向之间的夹角；V表示基准高度为10m风速；Ws为杆塔塔身风荷载标准值；β为杆塔风荷载调整系数，优选为按现行国家标准确定；A为杆塔等效承风面积。
所述塔线整体的应力强度服从正态分布：
Figure GDA0003805664420000091
式中，WXS为杆塔或者线路设计风荷载即应力强度，
Figure GDA0003805664420000092
为导线或杆塔应力强度平均值，
Figure GDA0003805664420000093
为导线或杆塔应力强度标准差。
根据公式
Figure GDA0003805664420000094
计算每条导线的损毁概率(即根据导线的应力强度分布曲线计算从实际风荷载到正无穷的积分)，WXS为杆塔或者线路的设计风荷载，WX为杆塔导线的风荷载标准值，d为杆塔导线的外径，fR(WXS)为杆塔或者线路的设计风荷载的分布函数。则输电线路包含的第二杆塔一侧的单条导线风荷载的期望值为：
Figure GDA0003805664420000095
表示单条导线所受风荷载；所述输电线路包含的第二杆塔的三相线路的风荷载为
Figure GDA0003805664420000096
ps为导线的损毁概率(即第二杆塔的第二损毁概率)，WX为杆塔导线的风荷载标准值。
将所述第二杆塔所受到的风荷载分解为平行于导线方向和垂直于导线方向的两个分量，即分解为平行风荷载
Figure GDA0003805664420000097
和垂直风荷载
Figure GDA0003805664420000098
Figure GDA0003805664420000099
Figure GDA00038056644200000910
将所述第二杆塔受到的三相线路的风荷载
Figure GDA00038056644200000911
和第二杆塔所受到的风荷载进行耦合，得到所述第二杆塔在垂直于导线方向的受力W⊥和平行于导线方向的受力W||：
W⊥＝μsμzw0sin2θ[βA+6αdLW(1-Ps)]；
Figure GDA00038056644200000912
式中，ps为导线的损毁概率，α为风压不均匀系数，d为杆塔导线的外径，Lw为水平档距，w0为基本风压，θ为风向与杆塔导线的夹角，β为杆塔风荷载调整系数，宜按现行国家标准有关规定采用，A为杆塔等效承风面积，μs为风荷载体形系数，μz为风压高度变化系数，V表示基准高度为10米的风速。
由于所述第二杆塔在平行于导线方向上受力相互抵消，因此，只以垂直于导线方向上的受力W⊥进行第二杆塔的第二损毁概率的计算，则所述第二杆塔损毁的第二损毁概率
Figure GDA0003805664420000101
式中，fR(WXS)为杆塔或者线路的设计风荷载的分布函数，d为杆塔导线的外径，WXS为杆塔或者线路的设计风荷载，W⊥为第二杆塔的实际风荷载。
本发明实施例先在数据驱动的第一主网杆塔损毁预测模型阶段，根据第一杆塔设计风速、最大阵风风速、第一杆塔运行年限、海拔、坡向、坡度、坡位、下垫面类型和地表粗糙度(即九个特征变量)收集第一预测数据集，再采用极端随机树(ExtraTree)算法进行第一杆塔的损毁预测，并将预测损毁数量超过5基杆塔的输电线路选择出来进行由模型驱动的第二主网杆塔损毁预测模型。由模型驱动的第二主网杆塔损毁预测模型阶段考虑塔线整体(即所述输电线路包含的第二杆塔与其连接导线形成的整体)耦合情况，利用应力强度与风荷载关系计算第二杆塔的损毁概率。本发明实施例结合了数据驱动与模型驱动两种模型预测方法的优点，有较高预测精度，提高了预测效率。
本发明实施例通过结合数据驱动的第一主网杆塔损毁预测模型和模型驱动的第二主网杆塔损毁预测模型的优点，提高了预测计算的精度，减少了建模的复杂度；同时，所述采用极端随机树算法建立的第一主网杆塔损毁预测模型，具有较高的计算效率；所述第二主网杆塔损毁预测模型在预测过程中将导线及其连接的杆塔作为一个整体来计算相应的应力强度，同时，对杆塔所受到的风荷载进行分解，仅取垂直风荷载进行叠加计算，更符合杆塔的实际受力情况，使得所述第二主网杆塔损毁预测模型的预测准确得到极大的提升。
本发明实施例主要应用于主网的杆塔损毁预测。一方面主网与配网的设计标准不同，主网的设计标准要比配网设计标准高，而本发明的相关参数都是根据主网的设计标准取得的。另一方面，主网杆塔损毁造成的危害更大、破坏更强，甚至会造成大面积的停电，所以有比较对主网杆塔的损毁情况进行提前预测。
本发明实施例的输电线路：表示若干杆塔与其所连接的导线形成的一条完整的输电通道。导线：表示连接两座杆塔之间的电力线缆。
如图2所示，本发明另一实施例提供了基于数据驱动和模型驱动的杆塔损毁预测装置，包括第一损毁概率预测模块和第二损毁概率预测模块。
所述第一损毁概率预测模块用于将预测区域的第一预测数据集输入至由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；所述第一预测数据集包括所述预测区域的第一杆塔设计风速、最大阵风风速、第一杆塔运行年限、海拔、坡向、坡度、坡位、下垫面类型和地表粗糙度；
所述第二损毁概率预测模块用于根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。
作为其中一种实施例，筛选出损毁杆塔数量大于5基的输电线路及所述输电线路包含的第二杆塔作为第二主网杆塔损毁预测模型的输入，所述损毁杆塔为所述第一损毁概率大于55％的第一杆塔。
作为其中一种实施例，所述第二主网杆塔损毁预测模型根据塔线整体的风荷载和应力强度计算对应输电线路的损毁概率，再根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的第二损毁概率；所述塔线整体为所述输电线路包含的第二杆塔与其所连接导线形成的整体。
作为其中一种实施例，根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的第二损毁概率，具体为：
根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的三相线路的风荷载；
将所述第二杆塔受到的风荷载进行分解，得到垂直于杆塔导线方向的垂直风荷载；
将所述第二杆塔的三相线路的风荷载叠加至所述第二杆塔的垂直风荷载上，得到所述第二杆塔的实际风荷载。
根据所述第二杆塔的实际风荷载计算所述第二杆塔的第二损毁概率。
作为其中一种实施例，根据公式
Figure GDA0003805664420000121
计算每条导线的损毁概率，WXS为杆塔或者线路的设计风荷载，WX为杆塔导线的风荷载标准值，d为杆塔导线的外径，fR(WXS)为杆塔或者线路的设计风荷载的分布函数。
作为其中一种实施例，根据公式
Figure GDA0003805664420000122
根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的三相线路的风荷载，ps为导线的损毁概率，WX为杆塔导线的风荷载标准值。
作为其中一种实施例，根据公式W⊥＝μsμzw0sin2θ[βA+6αdLW(1-Ps)]，计算所述第二杆塔的实际风荷载，ps为导线的损毁概率，α为风压不均匀系数，d为杆塔导线的外径，Lw为水平档距，w0为基本风压，θ为风向与杆塔导线的夹角，β为杆塔风荷载调整系数，宜按现行国家标准有关规定采用，A为杆塔等效承风面积，μs为风荷载体形系数，μz为风压高度变化系数，V表示基准高度为10米的风速。
作为其中一种实施例，根据所述第二杆塔的实际风荷载计算所述第二杆塔的第二损毁概率，具体为：
根据公式
Figure GDA0003805664420000123
计算所述第二杆塔的第二损毁概率，fR(WXS)为杆塔或者线路的设计风荷载的分布函数，d为杆塔导线的外径，WXS为杆塔或者线路的设计风荷载，W⊥为第二杆塔的实际风荷载。
作为其中一种实施例，根据公式
Figure GDA0003805664420000131
将第一预测数据集中的第一杆塔设计风速和最大阵风风速转化为10米基准高度的第一杆塔设计风速和最大阵风风速，Vz表示高度为10米处的风速，V1表示高度为Z1处的风速，a为表面粗糙度系数。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

Claims (10)

1.一种基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，包括以下步骤：
将预测区域的第一预测数据集输入至由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；所述第一预测数据集包括所述预测区域的第一杆塔设计风速、最大阵风风速、第一杆塔运行年限、海拔、坡向、坡度、坡位、下垫面类型和地表粗糙度；
根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。
2.根据权利要求1所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，筛选出损毁杆塔数量大于5基的输电线路及所述输电线路包含的第二杆塔作为第二主网杆塔损毁预测模型的输入，所述损毁杆塔为所述第一损毁概率大于55％的第一杆塔。
3.根据权利要求2所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，所述第二主网杆塔损毁预测模型根据塔线整体的风荷载和应力强度计算对应导线的损毁概率，再根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的第二损毁概率；所述塔线整体为所述输电线路包含的第二杆塔与其所连接的导线形成的整体。
4.根据权利要求3所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的第二损毁概率，具体为：
根据所述导线的损毁概率计算所述输电线路包含的第二杆塔的三相线路的风荷载；
将所述第二杆塔受到的风荷载进行分解，得到垂直于杆塔导线方向的垂直风荷载；
将所述第二杆塔的三相线路的风荷载叠加至所述第二杆塔的垂直风荷载上，得到所述第二杆塔的实际风荷载；
根据所述第二杆塔的实际风荷载计算所述第二杆塔的第二损毁概率。
5.根据权利要求4所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，根据公式
Figure FDA0003805664410000021
计算每条导线的损毁概率，WXS为杆塔的设计风荷载，WX为杆塔导线的风荷载标准值，d为杆塔导线的外径，fR(WXS)为杆塔的设计风荷载的分布函数。
6.根据权利要求5所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，根据公式
Figure FDA0003805664410000022
计算所述输电线路包含的第二杆塔的三相线路的风荷载，ps为导线的损毁概率，WX为杆塔导线的风荷载标准值。
7.根据权利要求6所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，根据公式W⊥＝μsμzw0sin2θ[βA+6αdLW(1-Ps)]，计算所述第二杆塔的实际风荷载，ps为导线的损毁概率，α为风压不均匀系数，d为杆塔导线的外径，Lw为水平档距，w0为基本风压，θ为风向与杆塔导线的夹角，β为杆塔风荷载调整系数，A为杆塔等效承风面积，μs为风荷载体形系数，μz为风压高度变化系数。
8.根据权利要求7所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，根据所述第二杆塔的实际风荷载计算所述第二杆塔的第二损毁概率，具体为：
根据公式
Figure FDA0003805664410000023
计算所述第二杆塔的第二损毁概率，fR(WXS)为杆塔的设计风荷载的分布函数，d为杆塔导线的外径，WXS为杆塔的设计风荷载，W⊥为第二杆塔的实际风荷载。
9.根据权利要求1至8任一项所述的基于数据驱动和模型驱动的杆塔损毁预测方法，其特征在于，根据公式
Figure FDA0003805664410000031
将第一预测数据集中的第一杆塔设计风速和最大阵风风速转化为10米基准高度的第一杆塔设计风速和最大阵风风速，Vz表示高度为10米处的风速，V1表示高度为Z1处的风速，a为表面粗糙度系数。
10.一种基于数据驱动和模型驱动的杆塔损毁预测装置，其特征在于，包括第一损毁概率预测模块和第二损毁概率预测模块；
所述第一损毁概率预测模块用于将预测区域的第一预测数据集输入至由数据驱动的第一主网杆塔损毁预测模型，预测所述预测区域内各个第一杆塔的第一损毁概率；所述第一预测数据集包括所述预测区域的第一杆塔设计风速、最大阵风风速、第一杆塔运行年限、海拔、坡向、坡度、坡位、下垫面类型和地表粗糙度；
所述第二损毁概率预测模块用于根据预测的所述各个第一杆塔的第一损毁概率，筛选出符合第一预设条件的所有输电线路及所述输电线路包含的第二杆塔，再将所述输电线路及其包含的第二杆塔输入至由模型驱动的第二主网杆塔损毁预测模型，得到所述预测区域内第二杆塔的第二损毁概率。
CN202111646550.7A 2021-12-29 2021-12-29 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 Active CN114418194B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111646550.7A CN114418194B (zh) 2021-12-29 2021-12-29 基于数据驱动和模型驱动的杆塔损毁预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111646550.7A CN114418194B (zh) 2021-12-29 2021-12-29 基于数据驱动和模型驱动的杆塔损毁预测方法及装置

Publications (2)

Publication Number Publication Date
CN114418194A CN114418194A (zh) 2022-04-29
CN114418194B true CN114418194B (zh) 2022-10-11

Family

ID=81270485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111646550.7A Active CN114418194B (zh) 2021-12-29 2021-12-29 基于数据驱动和模型驱动的杆塔损毁预测方法及装置

Country Status (1)

Country Link
CN (1) CN114418194B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097223A (zh) * 2019-04-30 2019-08-06 武汉理工大学 一种台风灾害下输电线路损毁预警方法
CN111222809A (zh) * 2020-03-30 2020-06-02 广东电网有限责任公司佛山供电局 基于模型驱动和数据驱动结合的用户用电可靠性分析方法
CN111582571A (zh) * 2020-04-30 2020-08-25 中国电力科学研究院有限公司 模型驱动和数据驱动融合的电网运行态势感知方法及系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5463257A (en) * 1993-11-23 1995-10-31 Yea; Ton A. Wind power machine
CN107610223B (zh) * 2017-09-20 2020-09-25 广东电网有限责任公司机巡作业中心 基于LiDAR点云的电力塔三维重建方法
CN107832893A (zh) * 2017-11-24 2018-03-23 广东电网有限责任公司电力科学研究院 基于logistic的台风下输变电设备损毁概率预测方法及装置
CN109299208B (zh) * 2018-10-30 2022-02-01 武汉理工大学 一种台风灾害下输电杆塔智能可视化风险评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110097223A (zh) * 2019-04-30 2019-08-06 武汉理工大学 一种台风灾害下输电线路损毁预警方法
CN111222809A (zh) * 2020-03-30 2020-06-02 广东电网有限责任公司佛山供电局 基于模型驱动和数据驱动结合的用户用电可靠性分析方法
CN111582571A (zh) * 2020-04-30 2020-08-25 中国电力科学研究院有限公司 模型驱动和数据驱动融合的电网运行态势感知方法及系统

Also Published As

Publication number Publication date
CN114418194A (zh) 2022-04-29

Similar Documents

Publication Publication Date Title
Ghaderi et al. Deep forecast: Deep learning-based spatio-temporal forecasting
CN112132427B (zh) 一种考虑用户侧多种资源接入的电网多层规划方法
CN112285807B (zh) 一种气象信息预测方法及装置
CN110705727B (zh) 基于随机森林算法的光伏电站阴影遮挡诊断方法及系统
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN109190672A (zh) 电力系统运行工况无监督聚类方法及装置
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
CN115759365A (zh) 光伏发电功率的预测方法及相关设备
Chen et al. Research on wind power prediction method based on convolutional neural network and genetic algorithm
CN110571926A (zh) 一种基于物联网技术的智能配电网及其数据模型构建方法
WO2020228568A1 (zh) 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质
CN117744916A (zh) 储能容量的预测方法、装置、计算机设备及可读存储介质
CN109615142A (zh) 一种基于小波分析的风电场风速组合预测方法
CN112802011A (zh) 一种基于vgg-bls的风机叶片缺陷检测方法
CN114418194B (zh) 基于数据驱动和模型驱动的杆塔损毁预测方法及装置
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN116054129A (zh) 一种基于光伏制氢的多电解槽联合运行功率分配方法
CN110598956B (zh) 一种光伏电站的发电功率预测方法及装置
CN113627655A (zh) 一种配电网灾前故障场景模拟预测方法及装置
CN118381466B (zh) 基于大数据的光伏设备运行监测方法
CN114123970B (zh) 发电量损失的检测方法、装置、设备及计算机存储介质
CN112560898B (zh) 一种基于深度学习的负荷时空预测方法
CN117633456B (zh) 基于自适应焦点损失的海上风电天气事件辨识方法和装置
CN116244618A (zh) 一种分布式光伏集群快速聚类分群方法
CN117010749A (zh) 一种基于模糊综合评价的输电线路状态定量评价方法

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