CN114792174A - 一种基于小波神经网络的配网线路气象预测方法 - Google Patents
一种基于小波神经网络的配网线路气象预测方法 Download PDFInfo
- Publication number
- CN114792174A CN114792174A CN202210714400.3A CN202210714400A CN114792174A CN 114792174 A CN114792174 A CN 114792174A CN 202210714400 A CN202210714400 A CN 202210714400A CN 114792174 A CN114792174 A CN 114792174A
- Authority
- CN
- China
- Prior art keywords
- neural network
- wavelet neural
- wavelet
- data
- input
- 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.)
- Pending
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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Environmental & Geological Engineering (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Atmospheric Sciences (AREA)
- Biodiversity & Conservation Biology (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种基于小波神经网络的配网线路气象预测方法,通过根据气象采集装置的数据构建小波神经网络的拓扑结构,同时获取终端气象采集装置采集的数据,并对数据进行预处理,将预处理后的数据作为小波神经网络的输入,小波神经网络的输出即为气象预测结果。本发明充分考虑了风向、风速、温度、湿度四种要素之间的耦合关系,通过对历史数据的分析,实现对四种气象要素的逐小时短期预测。为10kV配网架空线路舞动在线监测预警的实现提供了技术参考,有助于提高配网线路抵御风险的能力,具有实际意义与理论价值。同时本发明通过粒子群算法对传统小波神经网络进行优化,提高了小波神经网络的性能,提高了模型的预测精度。
Description
技术领域
本发明属于配电分析技术领域,尤其是一种基于小波神经网络的配网线路气象预测方法。
背景技术
近年来,配网架空线路舞动现象时有发生,引发了配网线路的一系列故障,造成了一定的经济损失,逐渐得到个地方电网公司的关注与重视。由已有的研究资料可知,架空线路舞动的两个至关重要的因素是风和覆冰,而覆冰是在不同气象条件综合作用下产生的结果。因此,配网线路的气象条件是导线舞动的重要因素。随着科技的进步,伴随着大量数据传输的架空线路在线监测已可以非常容易的实现,在线路侧可以很容易的采集到风速、风向以及温湿度等气象信息,并及时传递到处理终端。
不同气象要素之间并不是毫无关系的,任何单一要素的分析都不能充分挖掘数据隐藏的信息,从而无法实现气象条件的准确预测。只有充分考虑不同要素之间的相关性,对任意气象条件进行预测时均将其他气象条件的影响加入其中,才能达到比较好的预测效果。
发明内容
本发明的目的在于克服现有技术的不足,提出一种基于小波神经网络的配网线路气象预测方法,能够维持电网稳定运行,能够快速,准确给出最优的负荷转供方案,极大的提升调度员的工作效率,保障电网的安全稳定运行。
本发明解决其技术问题是采取以下技术方案实现的:
一种基于小波神经网络的配网线路气象预测方法,包括以下步骤:
步骤1、获取线路终端气象采集装置采集的数据,并对数据进行预处理;
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构;
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数;
步骤4、对小波神经网络参数进行初始化;
步骤5、利用粒子群算法对小波神经网络参数进行寻优,得到参数寻优的小波神经网络;
步骤6、使用步骤1预处理后的数据作为步骤5参数寻优的小波神经网络的输入,参数寻优的小波神经网络的输出为气象预测结果。
而且,所述步骤1包括以下步骤:
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围,将数据中超出范围的值标记为缺损值,
步骤1.2、判断数据是否有破损与缺损,若存在破损与缺损,则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3,否则直接进行步骤1.3;
步骤1.3、对数据进行归一化处理。
而且,所述步骤1.3的具体实现方法为:
而且,所述步骤2构建的小波神经网络拓扑结构包括:输入层、隐含层和输出层,其数学模型为:
其中,为隐含层的输出,为小波函数,为输入层和隐含层之间的连接权值,为输入层的输入,为小波函数的平滑因子,为小波函数的伸缩因子,为隐含层与输出层之间的连接权值,为小波神经网络的输出,为小波神经网络隐含层的个数,为小波神经网络输出层的个数,i是输入层的个数,j是隐含层的个数,k是输出层的个数。
本发明的优点和积极效果是:
本发明通过根据气象采集装置的数据构建小波神经网络的拓扑结构,同时获取终端气象采集装置采集的数据,并对数据进行预处理,将预处理后的数据作为小波神经网络的输入,小波神经网络的输出即为气象预测结果。本发明充分考虑了风向、风速、温度和湿度四种要素之间的耦合关系,通过对历史数据的分析,实现对四种气象要素的逐小时短期预测。为10kV配网架空线路舞动在线监测预警的实现提供了技术参考,有助于提高配网线路抵御风险的能力,具有实际意义与理论价值。同时本发明通过粒子群算法对传统小波神经网络进行优化,提高了小波神经网络的性能,提高了模型的预测精度。
附图说明
图1为本发明的流程图;
图2为本发明小波神经网络拓扑图;
图3为风速实际值与预测值的变化情况图;
图4为风向实际值与预测值的变化情况图;
图5为温度实际值与预测值的变化情况图;
图6为湿度实际值与预测值的变化情况图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种基于小波神经网络的配网线路气象预测方法,如图1所示,包括以下步骤:
步骤1、获取线路终端气象采集装置采集的数据,并对数据进行预处理。
其中,线路终端气象采集装置采集的数据包括风向、风速、温度和湿度。
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围,将数据中超出范围的值标记为缺损值,
步骤1.2、判断数据是否有破损与缺损,若存在破损与缺损,则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3,否则直接进行步骤1.3;
其中,破损部分是传感器在特殊情况下采集到的不正常的数据,缺损部分是在数据传输等过程中导致数据的丢失,与具体的值没有关系。
步骤1.3、对数据进行归一化处理。
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构。如图2所示,采用三层结构的小波神经网络,即输入层、隐含层和输出层,其一般形式的拓扑结构如图1所示。图中,,,……,为输入,,,……,为输出,为输入层和隐含层之间的连接权值,为隐含层与输出层之间的连接权值。
构建小波神经网络的数学模型为:
其中,为隐含层的输出,为小波函数,为输入层和隐含层之间的连接权值,为输入层的输入,为小波函数的平滑因子,为小波函数的伸缩因子,为隐含层与输出层之间的连接权值,为小波神经网络的输出,为小波神经网络隐含层的个数,为小波神经网络输出层的个数。
根据步骤1中预处理后的数据特性构建小波神经网络输入数列,选择时间尺度为1小时,要求对某天时的风速、风向、温度和湿度进行预测,则需要知道当天时的风速、风向、温度、湿度,还要知道前一天时的风速、风向、温度、湿度。因此构建的小波神经网络的拓扑结构包括24层输入层,20层隐含层和4层输出层,同时24层输入层构成的24维的数列为:
其中,为预测当天时的风速,为预测当天时的风向,为预测当天时的温度,为预测当天时的湿度,为预测前一天时的风速,为预测前一天时的风向,为预测前一天时的温度,为预测前一天时的湿度,为预测前一天时的风速,为预测前一天时的风向,为预测前一天时的温度,为预测前一天时的湿度,为预测前一天时的风速,为预测前一天时的风向,为预测前一天时的温度,为预测前一天时的湿度,为预测前一天时的风速,为预测前一天时的风向,为预测前一天时的温度,为预测前一天时的湿度,为预测前一天时的风速,为预测前一天时的风向,为预测前一天时的温度,为预测前一天时的湿度。
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数。
步骤4、对小波神经网络参数进行初始化。小波神经网络的参数包括神经网络参数(连接权值)和小波参数(伸缩因子和平滑因子)。参数进行初始化为:取区间[-1,1]的随机数作为连接权值和的初始值;计算伸缩因子和平滑因子:
步骤5、利用粒子群算法对小波神经网络参数进行寻优,得到参数最优的小波神经网络。
步骤6、使用步骤1预处理后的数据作为步骤5参数最优的小波神经网络的输入,参数最优的小波神经网络的输出为气象预测结果。、
通过上述一种基于小波神经网络的配网线路气象预测方法,对4月27日和28日共48个样本点的风速、风向、温度和湿度进行预测,以验证本发明的效果。
如图3、图4、图5、图6所示,分别为风速、风向、温度和湿度实际值与预测值的变化情况,可以发现,均能实现对风速、风向、温度和湿度变化趋势的正确预测,但个别样本的预测会出现很大的偏差。相比来说风速的预测误差较大,其余因素的预测效果较好,验证了小波神经网络气象预测模型的可行性。
需要强调的是,本发明所述的实施例是说明性的,而不是限定性的,因此本发明包括并不限于具体实施方式中所述的实施例,凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式,同样属于本发明保护的范围。
Claims (6)
1.一种基于小波神经网络的配网线路气象预测方法,其特征在于:包括以下步骤:
步骤1、获取线路终端气象采集装置采集的数据,并对数据进行预处理;
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构;
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数;
步骤4、对小波神经网络参数进行初始化;
步骤5、利用粒子群算法对小波神经网络参数进行寻优,得到参数寻优的小波神经网络;
步骤6、使用步骤1预处理后的数据作为步骤5参数寻优的小波神经网络的输入,参数寻优的小波神经网络的输出为气象预测结果。
2.根据权利要求1所述的一种基于小波神经网络的配网线路气象预测方法,其特征在于:所述步骤1包括以下步骤:
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围,将数据中超出范围的值标记为缺损值,
步骤1.2、判断数据是否有破损与缺损,若存在破损与缺损,则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3,否则直接进行步骤1.3;
步骤1.3、对数据进行归一化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714400.3A CN114792174A (zh) | 2022-06-23 | 2022-06-23 | 一种基于小波神经网络的配网线路气象预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210714400.3A CN114792174A (zh) | 2022-06-23 | 2022-06-23 | 一种基于小波神经网络的配网线路气象预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114792174A true CN114792174A (zh) | 2022-07-26 |
Family
ID=82463526
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210714400.3A Pending CN114792174A (zh) | 2022-06-23 | 2022-06-23 | 一种基于小波神经网络的配网线路气象预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792174A (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139274A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 基于量子粒子群与小波神经网络的输电线路覆冰预测方法 |
CN105139264A (zh) * | 2015-06-06 | 2015-12-09 | 安徽工程大学 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
CN111929748A (zh) * | 2020-09-17 | 2020-11-13 | 南京浦蓝大气环境研究院有限公司 | 一种气象要素预报方法和系统 |
CN112925825A (zh) * | 2021-02-25 | 2021-06-08 | 南京大学 | 用于输电线路的多气象因子预测方法 |
-
2022
- 2022-06-23 CN CN202210714400.3A patent/CN114792174A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139264A (zh) * | 2015-06-06 | 2015-12-09 | 安徽工程大学 | 一种基于粒子群算法小波神经网络的光伏发电量的预测方法 |
CN105139274A (zh) * | 2015-08-16 | 2015-12-09 | 东北石油大学 | 基于量子粒子群与小波神经网络的输电线路覆冰预测方法 |
CN111929748A (zh) * | 2020-09-17 | 2020-11-13 | 南京浦蓝大气环境研究院有限公司 | 一种气象要素预报方法和系统 |
CN112925825A (zh) * | 2021-02-25 | 2021-06-08 | 南京大学 | 用于输电线路的多气象因子预测方法 |
Non-Patent Citations (1)
Title |
---|
张子雄等: "小波神经网络在无人机电机控制的应用", 《微特电机》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | When weather matters: IoT-based electrical load forecasting for smart grid | |
CN112749904B (zh) | 基于深度学习的配电网故障风险预警方法及系统 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
CN110909919A (zh) | 融合注意力机制的深度神经网络模型的光伏功率预测方法 | |
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 | |
CN110264002B (zh) | 基于聚类分析的风电场微观选址方案评价方法 | |
CN103473621A (zh) | 风电场短期功率预测方法 | |
CN102982393A (zh) | 一种输电线路动态容量的在线预测方法 | |
CN112149873A (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN114118571A (zh) | 一种基于lstm深度学习的供暖热负荷预测方法 | |
CN103778305A (zh) | 基于k-VNN和LS-SVM的输电线路覆冰建模方法 | |
CN106650977A (zh) | 应用于新建风电场的短期功率预测方法 | |
CN109583645A (zh) | 一种公共楼宇短期负荷预测方法 | |
CN101369322B (zh) | 基于混沌理论的供热负荷区间预报法 | |
CN104298706A (zh) | 一种基于数据挖掘的输电杆塔塔材实际强度计算方法 | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN113610285A (zh) | 一种分散式风电的功率预测方法 | |
CN113640732A (zh) | 一种基于Pareto分布的电能表计量准确性估计系统和方法 | |
Genton et al. | Blowing in the wind | |
CN104732107A (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
CN114792174A (zh) | 一种基于小波神经网络的配网线路气象预测方法 | |
CN110414734A (zh) | 一种计及风资源利用率预测评估的方法 | |
CN104331748A (zh) | 一种预测规划目标年风电场群持续功率曲线的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220726 |