CN115099531A - 一种基于支持向量机的输电线路雷击预警方法及系统 - Google Patents

一种基于支持向量机的输电线路雷击预警方法及系统 Download PDF

Info

Publication number
CN115099531A
CN115099531A CN202210996217.7A CN202210996217A CN115099531A CN 115099531 A CN115099531 A CN 115099531A CN 202210996217 A CN202210996217 A CN 202210996217A CN 115099531 A CN115099531 A CN 115099531A
Authority
CN
China
Prior art keywords
data
lightning
transmission line
vector machine
support vector
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
CN202210996217.7A
Other languages
English (en)
Other versions
CN115099531B (zh
Inventor
谢智敏
童充
石一峰
龚烈锋
詹若培
石旭江
吴堃铭
周瑜
冯家欢
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 CN202210996217.7A priority Critical patent/CN115099531B/zh
Publication of CN115099531A publication Critical patent/CN115099531A/zh
Application granted granted Critical
Publication of CN115099531B publication Critical patent/CN115099531B/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
    • G06N3/004—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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Game Theory and Decision Science (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (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)

Abstract

本发明提出了一种基于支持向量机的输电线路雷击预警方法及系统，包括：对输电线路划分区域网格，采集气象历史数据与雷电历史数据；对采集到的气象历史数据和雷电历史数据进行预处理，得到归一化后的样本数据；利用蚁群算法优化支持向量机参数，将归一化后的样本数据输入至支持向量机进行训练，建立全局最优的预测模型；对待预测的输电线路划分区域网格并实时采集气象数据，输入至全局最优的预测模型进行不同区域网格的雷电预测，计算输电线路受雷击后的严重程度并发出预警信息。本发明能够实现网格划分下不同区域的雷电预警，避免输电线路受雷击后的所造成的经济损失，且预测的准确性较高，计算速度较快，可以有效提高电网的主动防雷效率。

Description

一种基于支持向量机的输电线路雷击预警方法及系统
技术领域
本发明属于电力系统防雷技术领域，涉及输电线路雷击预警领域，更具体地，涉及一种基于支持向量机的输电线路雷击预警方法及系统。
背景技术
我国频繁的雷电活动严重威胁着电网的稳定，输电线路雷击是造成其跳闸的重要原因，为了保证输电线路的正常运行，实时监控输电线路雷击概率成为了保障电网安全、稳定运行的重要手段。
传统防雷技术侧重于单独地对每个电网组件进行保护，主要依靠架空地线、提高绝缘水平、线路避雷器、避雷针、浪涌保护器等措施。传统的防雷技术虽然能在一定程度上降低雷击的影响，但考虑到经济合理的原则，输电线路的防雷性能有限，实际上无法完全避免雷击导致的跳闸。
近年来，有国内学者运用统计学方法筛选出雷暴天气的关键气象因子并构建雷电预报方程。国外有学者运用闪电数据结合雨量估计来对地中海的雷暴进行预报。然而，这些雷电预报的准确性有限，无法对输电线路雷击进行准确预警。
现有技术文件1提出了一种配电网雷击预警方法以及配电网雷击预警装置（CN110533265A），该方法包括获取历史数据，并根据所述历史数据，建立第一数据矩阵，其中，所述历史数据包括所述配电网的输电线路杆塔海拔数据、第一微气象数据、杆塔地形数据、地貌数据、杆塔周边地表数据、土壤情况数据和杆塔呼称高数据；对所述第一数据矩阵进行约减，获得第二数据矩阵；利用支持向量机对所述第二数据矩阵进行训练，获得配电网雷击预警模型；实时获取第二微气象数据，并根据实时获取的第二微气象数据，建立第三数据矩阵；将所述第三数据矩阵输入至所述配电网雷击预警模型内，获得雷击预警信息。现有技术文件1的不足之处在于：该方法直接采用支持向量机进行处理，会导致计算收敛速度慢，计算量大，训练时间长，且得到的预测准确性较低。
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，提供一种基于支持向量机的输电线路雷击预警方法，能够提高雷击预警的准确性和处理效率。
本发明采用如下的技术方案。
一种基于支持向量机的输电线路雷击预警方法，所述输电线路雷击预警方法包括以下步骤：
步骤1，对输电线路划分区域网格，采集气象历史数据与雷电历史数据；
步骤2，对采集到的气象历史数据和雷电历史数据进行预处理，得到归一化后的样本数据；
步骤3，利用蚁群算法优化支持向量机参数，将归一化后的样本数据输入至支持向量机进行训练，建立全局最优的预测模型；
步骤4，对待预测的输电线路划分区域网格并实时采集气象数据，输入至全局最优的预测模型进行不同区域网格的雷电预测，计算输电线路受雷击后的严重程度并发出预警信息。
优选地，所述步骤1中，划分区域网格方式为：以5km*5km的区域划分为一个网格。
优选地，所述步骤1中，采集的气象历史数据包括温度、湿度、反射率、高度和云冰数据；雷电历史数据包括雷电极性、雷电经纬度和雷电时间。
优选地，所述步骤2中对采集到的气象历史数据和雷电历史数据进行预处理还包括：
步骤2-1，清除重复的数据；
步骤2-2，通过埃尔米特插值对缺失的数据进行平滑处理；
步骤2-3，对各类别历史数据的对应值进行归一化处理，得到各类别历史数据归一化后的样本数据值。
优选地，所述步骤2-2中，埃尔米特插值公式为：
Figure 581538DEST_PATH_IMAGE001
其中：
Figure DEST_PATH_IMAGE002
Figure 706751DEST_PATH_IMAGE003
式中，H(x)为插值多项式，
Figure DEST_PATH_IMAGE004
和
Figure 491299DEST_PATH_IMAGE005
分别为第一插值中间项和第二插值中间项，n为节点总个数，节点指插值中的数据点，将节点数据作为横坐标，节点数据的对应值作为纵坐标，
Figure DEST_PATH_IMAGE006
为横坐标，
Figure 593116DEST_PATH_IMAGE007
为纵坐标，x i、x j分别表示第i、j个节点数据，y i为第i个节点数据的对应值，i、j的取值范围为[1,n]，
Figure DEST_PATH_IMAGE008
和
Figure 615561DEST_PATH_IMAGE009
分别为
Figure DEST_PATH_IMAGE010
和y i的导数。
优选地，所述步骤2-3中，对各类别历史数据的对应值分别进行归一化处理，得到各类别历史数据对应的归一化后的样本数据值，对数据进行归一化处理的方式为：
Figure 708413DEST_PATH_IMAGE011
其中，y max为样本数据最大值，y min为样本数据最小值，y*为归一化后的样本数据值。
优选地，所述步骤3还包括：
步骤3-1，初始化支持向量机参数惩罚因子c和核函数参数g；
步骤3-2，利用样本数据对支持向量机进行训练；
步骤3-3，设置最大迭代次数，利用蚁群算法对惩罚因子c和核函数参数g进行全局寻优；
步骤3-4，判断是否达到最大迭代次数，若达到最大迭代次数则结束寻优，得到全局最优的预测模型，否则进入步骤3-5；
步骤3-5，返回步骤3-1，继续进行寻优，最终得到最优的惩罚因子c、核函数参数g和目标函数最优值。
优选地，所述步骤3-2还包括：
步骤3-2-1，构建分类决策函数
Figure DEST_PATH_IMAGE012
：
Figure 150896DEST_PATH_IMAGE013
其中，
Figure DEST_PATH_IMAGE014
,i=1,2,…,n，m i 是第i个特征向量，n i 是m i 对应的类标记，
Figure 557868DEST_PATH_IMAGE015
，d i 为拉格朗日乘子，e为截距。
若n i =1，则说明对m i 的分类准确，n i =-1 则说明对m i 的分类错误。
步骤3-2-2，构建的分类决策函数的核函数
Figure DEST_PATH_IMAGE016
；
具体的，核函数
Figure 667776DEST_PATH_IMAGE016
的表达式为：
Figure 72475DEST_PATH_IMAGE017
其中，m c 为核函数的中心。
步骤3-2-3，将步骤2得到的归一化后的样本数据输入构建的支持向量机，优化分类边界，得到预测输出向量z i *。
优选地，所述步骤3-3还包括：
步骤3-3-1，初始化蚁群算法的相关参数；蚁群算法的参数包括初始化蚁群规模M，最大迭代次数C max，信息蒸发系数ρ，启发式因子α和期望启发式因子β；
步骤3-3-2，对惩罚因子c和核函数参数g进行二进制编码，形成二进制字串；
步骤3-3-3，构建二进制有向图C=(V, S)；
步骤3-3-4，初始化信息素浓度；
步骤3-3-5，计算概率
Figure DEST_PATH_IMAGE018
并根据概率
Figure 64570DEST_PATH_IMAGE019
决定下一节点的取值，直至所有蚂蚁完成搜索过程；
步骤3-3-6，计算惩罚因子c*和核函数参数g*的值；
步骤3-3-7，计算支持向量机的预测输出向量
Figure DEST_PATH_IMAGE020
与步骤2中得到的实际输出向量
Figure 478496DEST_PATH_IMAGE021
的总误差的最小值，并以总误差最小为目标函数进行全局寻优；
其中，支持向量机的预测输出向量
Figure 177331DEST_PATH_IMAGE020
与步骤2中得到的实际输出向量
Figure 932756DEST_PATH_IMAGE021
的总误差的最小值min
Figure DEST_PATH_IMAGE022
的计算式为：
Figure 146568DEST_PATH_IMAGE023
步骤3-3-8，判断
Figure DEST_PATH_IMAGE024
是否成立，若成立，则更新最优解所对应路段上的信息素，若不成立，则不更新；
更新后第t+1个搜索节点的信息素浓度
Figure 364185DEST_PATH_IMAGE025
为：
Figure DEST_PATH_IMAGE026
其中，
Figure 714264DEST_PATH_IMAGE027
为信息素挥发系数，
Figure 929607DEST_PATH_IMAGE027
的优选值为
Figure DEST_PATH_IMAGE028
，
Figure 896295DEST_PATH_IMAGE029
为所有蚂蚁在本次循环中在节点i到节点j的信息素变化量。
优选地，所述步骤3-3-3中，节点集合V为：
Figure DEST_PATH_IMAGE030
其中，v S 为起始节点，节点
Figure 917603DEST_PATH_IMAGE031
和
Figure DEST_PATH_IMAGE032
分别表示
Figure 325450DEST_PATH_IMAGE033
取值为0和1的状态；
有向弧集合S的表达式为：
Figure DEST_PATH_IMAGE034
优选地，所述步骤3-3-5中，概率
Figure 836328DEST_PATH_IMAGE035
的计算式为：
Figure DEST_PATH_IMAGE036
其中，
Figure 227995DEST_PATH_IMAGE037
为从节点i到节点j的信息素浓度，
Figure DEST_PATH_IMAGE038
为从节点i到节点j距离的倒数，k为第t个搜索周期节点i对应于候选解x S 的二进制编码的位数。
优选地，所述步骤4中，计算输电线路受雷击后的严重程度D的方式为：
Figure 52994DEST_PATH_IMAGE039
其中m,n为区域的网格编号，
Figure DEST_PATH_IMAGE040
为该网格输电线路受雷击后损失的负荷功率，
Figure 315348DEST_PATH_IMAGE041
为负荷损失时间，
Figure DEST_PATH_IMAGE042
为电价。
本发明还提供了一种基于支持向量机的输电线路雷击预警系统，包括：采集模块、处理模块、训练模块和预测模块；
其中，采集模块用于采集输电线路的相关数据，所采集的数据气象数据和雷电数据；其中气象数据还包括温度、湿度、反射率、高度和云冰数据，雷电数据还包括雷电极性、雷电经纬度和雷电时间；
处理模块用于对采集模块获取到的数据进行处理；
训练模块能够对支持向量机进行参数初始化，并利用处理模块处理后的数据对支持向量机进行训练，得到预测模型；
预测模块能够根据采集模块采集到的实时数据，预测输电线路是否受雷击，以及计算得到输电线路受雷击后的严重程度，并将预测结果作为预警信息发出。
本发明的有益效果在于，与现有技术相比，本发明充分利用历史气象数据与雷电历史数据，通过埃尔米特插值、归一化等方法对历史数据进行预处理，大大提高了雷击预警的准确性，同时构建了利用蚁群算法优化支持向量机参数，其收敛速度快，能得到支持向量机参数的全局最优解，不仅提高了雷击预警的准确性，还减少了计算时间，提高了该方法的处理效率。并且构建了输电线路受雷击后的严重程度来衡量经济损失，对电网的负荷调整和切换提供重要依据。
附图说明
图1是本发明提出的基于支持向量机的输电线路雷击预警方法的整体流程示意图；
图2是本发明中建立全局最优的支持向量机预测模型的流程图；
图3是本发明中二进制有向图；
图4是本发明提出的基于支持向量机的输电线路雷击预警系统的整体结构示意图。
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。
如图1所示，本发明提出了一种基于支持向量机的输电线路雷击预警方法，该方法具体包括以下步骤：
步骤1，对输电线路划分区域网格，采集气象历史数据与雷电历史数据；
其中，划分区域网格方式为以5km*5km的区域为一个网格。
采集的气象历史数据包括温度、湿度、反射率、高度和云冰数据；雷电历史数据包括雷电极性、雷电经纬度和雷电时间。对于所采集的历史数据范围，本发明可以选择采集3年或5年内的数据。
步骤2，对采集到的气象历史数据和雷电历史数据进行预处理，得到样本数据；
具体的，步骤2还包括以下步骤：
步骤2-1，清除重复的数据；
由于需要采集历史数据较多，为了避免重复需要先对采集到的数据进行检查并删除重复部分。
步骤2-2，通过埃尔米特插值对缺失的数据进行平滑处理；
考虑到采集数据中可能会出现部分数据缺失，因此本实施例中通过埃尔米特插值对缺失的数据进行拟合补充，具体的，埃尔米特插值公式为：
Figure 200390DEST_PATH_IMAGE043
其中：
Figure DEST_PATH_IMAGE044
Figure 79353DEST_PATH_IMAGE045
式中，H(x)为插值多项式，
Figure DEST_PATH_IMAGE046
和
Figure 239201DEST_PATH_IMAGE047
分别为第一插值中间项和第二插值中间项，n为节点总个数，节点指插值中的数据点，将节点数据作为横坐标，节点数据的对应值作为纵坐标，
Figure DEST_PATH_IMAGE048
为横坐标，
Figure 887220DEST_PATH_IMAGE049
为纵坐标，x i、x j分别表示第i、j个节点数据，y i为第i个节点数据的对应值，i、j的取值范围为[1,n]，
Figure DEST_PATH_IMAGE050
和
Figure 677584DEST_PATH_IMAGE051
分别为
Figure DEST_PATH_IMAGE052
和y i的导数；
本实施例中节点数据指所采集的历史数据的时间点，如具体日期，节点数据的对应值指该时间点上对应的具体数据，如温度值，节点数据的类别对应步骤1中获取的历史数据类别。
步骤2-3，对各类别历史数据的对应值进行归一化处理，得到各类别历史数据归一化后的样本数据值。
其中，对各类别历史数据的对应值分别进行归一化处理，得到各类别历史数据对应的归一化后的样本数据值，数据进行归一化处理的方式为：
Figure 810887DEST_PATH_IMAGE053
其中，y max为样本数据最大值，y min为样本数据最小值，y*为归一化后的样本数据值。
步骤3，利用蚁群算法优化支持向量机参数，将样本数据输入至支持向量机进行训练，建立全局最优的预测模型；
具体的，本发明通过对支持向量机参数进行优化并训练，并将训练后的支持向量机作为后续使用的预测模型，如图2所示，步骤3还包括以下步骤：
步骤3-1，初始化支持向量机参数惩罚因子c和核函数参数g；
其中，本实施例中支持向量机参数惩罚因子c优选取值范围为：0.1～10，核函数参数g的优选取值范围为 0.01～1；
步骤3-2，利用样本数据对支持向量机进行训练；
具体的，步骤3-2还包括：
步骤3-2-1，构建分类决策函数
Figure DEST_PATH_IMAGE054
：
Figure 272962DEST_PATH_IMAGE055
其中，
Figure DEST_PATH_IMAGE056
,i=1,2,…,n，m i 是第i个特征向量，n i 是m i 对应的类标记，
Figure 542531DEST_PATH_IMAGE057
，d i 为拉格朗日乘子，e为截距。
若n i =1，则说明对m i 的分类准确，n i =-1 则说明对m i 的分类错误。
步骤3-2-2，构建分类决策函数的核函数
Figure DEST_PATH_IMAGE058
；
具体的，核函数
Figure 736752DEST_PATH_IMAGE059
的表达式为：
Figure DEST_PATH_IMAGE060
其中，m c 为核函数的中心。
步骤3-2-3，将步骤2得到的归一化后的样本数据输入基于分类决策函数
Figure 888510DEST_PATH_IMAGE061
和核函数
Figure 764062DEST_PATH_IMAGE059
构建的支持向量机，优化分类边界，得到预测输出向量z i *。
步骤3-3，设置最大迭代次数，利用蚁群算法对惩罚因子c和核函数参数g进行全局寻优；
具体的，步骤3-3还包括以下步骤：
步骤3-3-1，初始化蚁群算法的相关参数；
具体的，蚁群算法的参数包括初始化蚁群规模M，最大迭代次数C max，信息蒸发系数ρ，启发式因子α和期望启发式因子β；
其中，蚁群规模M的优选范围为M=10~100，最大迭代次数C max的优选范围为C max=50～100，信息蒸发系数ρ的优选范围为ρ=0.1～1，启发式因子α的优选范围为α=1～10，期望启发式因子β的优选范围为β=1～10；
步骤3-3-2，对惩罚因子c和核函数参数g进行二进制编码，形成二进制字串；
具体的，按照精度选取字长N，对惩罚因子c和核函数参数g进行二进制编码，形成二进制字串
Figure DEST_PATH_IMAGE062
，N的优选值为N=32，前16位代表c惩罚因子，后16位代表核函数参数g；
步骤3-3-3，构建二进制有向图C=(V, S)；
具体的，如图3所示，节点集合V为：
Figure 888138DEST_PATH_IMAGE063
其中，v S 为起始节点，节点
Figure DEST_PATH_IMAGE064
和
Figure 315577DEST_PATH_IMAGE065
分别表示
Figure DEST_PATH_IMAGE066
取值为0和1的状态。
有向弧集合S的表达式为：
Figure 157894DEST_PATH_IMAGE067
步骤3-3-4，初始化信息素浓度；
具体的，信息素浓度
Figure DEST_PATH_IMAGE068
的表达式为：
Figure 899454DEST_PATH_IMAGE069
其中，
Figure DEST_PATH_IMAGE070
为所有可能搜索的路段总数。
步骤3-3-5，计算概率
Figure 878036DEST_PATH_IMAGE071
并根据概率
Figure DEST_PATH_IMAGE072
决定下一节点的取值，直至所有蚂蚁完成搜索过程；
具体的，概率
Figure 741956DEST_PATH_IMAGE073
的计算式为：
Figure DEST_PATH_IMAGE074
其中，
Figure 805989DEST_PATH_IMAGE075
为从节点i到节点j的信息素浓度，
Figure DEST_PATH_IMAGE076
为从节点i到节点j距离的倒数，k为第t个搜索周期节点i对应于候选解x S 的二进制编码的位数。
步骤3-3-6，计算惩罚因子c*和核函数参数g*的值；
具体的，将所有蚂蚁个体所走节点对应的二进制字串转换为十进制数的候选解x S ，即可得惩罚因子c*和核函数参数g*值；
步骤3-3-7，根据步骤2获取实际输出向量
Figure 85661DEST_PATH_IMAGE077
，计算支持向量机的预测输出向量
Figure DEST_PATH_IMAGE078
与实际输出向量
Figure 817004DEST_PATH_IMAGE077
的总误差的最小值，并以总误差最小为目标函数进行全局寻优；
其中，实际输出向量
Figure 258350DEST_PATH_IMAGE077
为雷电历史数据对应的归一化后的样本数据值，该值可以从步骤2中得到。
支持向量机的预测输出向量
Figure 481783DEST_PATH_IMAGE078
与步骤2中得到的实际输出向量
Figure 565145DEST_PATH_IMAGE077
的总误差的最小值min
Figure 954539DEST_PATH_IMAGE079
的计算式为：
Figure DEST_PATH_IMAGE080
步骤3-3-8，判断
Figure 396146DEST_PATH_IMAGE081
是否成立，若成立，则更新最优解所对应路段上的信息素，若不成立，则不更新。
更新后第t+1个搜索节点的信息素浓度
Figure DEST_PATH_IMAGE082
为：
Figure 933307DEST_PATH_IMAGE083
其中，
Figure DEST_PATH_IMAGE084
为信息素挥发系数，
Figure 321825DEST_PATH_IMAGE085
的优选值为
Figure DEST_PATH_IMAGE086
，
Figure 628042DEST_PATH_IMAGE087
为所有蚂蚁在本次循环中在节点i到节点j的信息素变化量。
步骤3-4，判断是否达到最大迭代次数，若达到最大迭代次数则结束寻优，得到全局最优的预测模型，否则进入步骤3-5；
步骤3-5，返回步骤3-1，继续进行寻优，最终得到最优的惩罚因子c、核函数参数g和目标函数最优值，并基于最优的惩罚因子c、核函数参数g和目标函数最优值构成全局最优的预测模型。
步骤4，对待预测的输电线路划分区域网格并实时采集气象数据，输入至全局最优的预测模型进行不同区域网格的雷电预测，计算输电线路受雷击后的严重程度并发出预警信息。
其中，本发明根据采集到的实时气象数据对输电线路进行雷电预测，采集的气象数据内容与步骤1中数据相同，进行数据采集前，对待预测的输电线路划分区域网格并进行编号，本实施例中按照地理位置，每5km*5km区域划分为一个网格，且分别按照东西向和南北向依次进行编号，东西向编号为m，南北向编号为n。
通过预测模型得到包括所划分的各网格区域中是否会产生雷电，预测模型的输出为1时表示该网格区域中会产生雷电，且该网格区域内的输电线路会受到雷击，输出为0时表示该网格区域中不会产生雷电，结果是各区域网格的预警信息。
当预测结果为输电线路会受到雷击时，进一步计算其受雷击后的严重程度，具体的，计算输电线路受雷击后的严重程度D的方式为：
Figure DEST_PATH_IMAGE088
其中，m、n为区域的网格编号，
Figure 443813DEST_PATH_IMAGE089
为该网格输电线路受雷击后损失的负荷功率，
Figure DEST_PATH_IMAGE090
为负荷损失时间，
Figure 468270DEST_PATH_IMAGE091
为电价。
将得到的严重程度D的值作为预警信息并发出。
如图4所示，本发明还提出了一种基于支持向量机的输电线路雷击预警系统，上述基于支持向量机的输电线路雷击预警方法能够基于该系统实现，具体的，该系统包括：采集模块、处理模块、训练模块和预测模块；
其中，采集模块用于采集输电线路的相关数据，所采集的数据气象数据和雷电数据；其中气象数据还包括温度、湿度、反射率、高度和云冰数据，雷电数据还包括雷电极性、雷电经纬度和雷电时间；
处理模块用于对采集模块获取到的数据进行处理；
训练模块能够对支持向量机进行参数初始化，并利用处理模块处理后的数据对支持向量机进行训练，得到预测模型；
预测模块能够根据采集模块采集到的实时数据，预测输电线路是否受雷击，以及计算得到输电线路受雷击后的严重程度，并将预测结果作为预警信息发出。
本发明的有益效果在于，与现有技术相比，本发明所提出的预警方法能够提高雷击预警的准确性，还能够减少数据处理所需时间，提高了处理效率。并且本发明还构建了输电线路受雷击后的严重程度来衡量经济损失，对电网的负荷调整和切换提供重要依据。
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 (13)

1.一种基于支持向量机的输电线路雷击预警方法，其特征在于，所述输电线路雷击预警方法包括以下步骤：
步骤1，对输电线路划分区域网格，采集气象历史数据与雷电历史数据；
步骤2，对采集到的气象历史数据和雷电历史数据进行预处理，得到归一化后的样本数据；
步骤3，利用蚁群算法优化支持向量机参数，将归一化后的样本数据输入至支持向量机进行训练，建立全局最优的预测模型；
步骤4，对待预测的输电线路划分区域网格并实时采集气象数据，输入至全局最优的预测模型进行不同区域网格的雷电预测，计算输电线路受雷击后的严重程度并发出预警信息。
2.根据权利要求1所述的基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤1中，划分区域网格方式为：以5km*5km的区域划分为一个网格。
3.根据权利要求1或2所述的基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤1中，采集的气象历史数据包括温度、湿度、反射率、高度和云冰数据；雷电历史数据包括雷电极性、雷电经纬度和雷电时间。
4.根据权利要求1所述的基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤2中对采集到的气象历史数据和雷电历史数据进行预处理还包括：
步骤2-1，清除重复的数据；
步骤2-2，通过埃尔米特插值对缺失的数据进行平滑处理；
步骤2-3，对各类别历史数据的对应值进行归一化处理，得到各类别历史数据归一化后的样本数据值。
5.根据权利要求4所述的基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤2-2中，埃尔米特插值公式为：
Figure 739803DEST_PATH_IMAGE001
其中：
Figure 984840DEST_PATH_IMAGE002
Figure 390676DEST_PATH_IMAGE003
式中，H(x)为插值多项式，
Figure 848202DEST_PATH_IMAGE004
和
Figure 990470DEST_PATH_IMAGE005
分别为第一插值中间项和第二插值中间项，n为节点总个数，节点指插值中的数据点，将节点数据作为横坐标，节点数据的对应值作为纵坐标
Figure 376715DEST_PATH_IMAGE006
为横坐标，
Figure 971644DEST_PATH_IMAGE007
为纵坐标，x i、x j分别表示第i、j个节点数据，y i为第i个节点数据的对应值，i、j的取值范围为[1,n]，
Figure 232861DEST_PATH_IMAGE008
和
Figure 465522DEST_PATH_IMAGE009
分别为
Figure 786781DEST_PATH_IMAGE010
和y i的导数。
6.根据权利要求4所述的一种基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤2-3中，对各类别历史数据的对应值分别进行归一化处理，得到各类别历史数据对应的归一化后的样本数据值，对数据进行归一化处理的方式为：
Figure 603428DEST_PATH_IMAGE011
其中，y max为样本数据最大值，y min为样本数据最小值，y*为归一化后的样本数据值。
7.根据权利要求1所述的一种基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤3还包括：
步骤3-1，初始化支持向量机参数惩罚因子c和核函数参数g；
步骤3-2，利用归一化后的样本数据对支持向量机进行训练；
步骤3-3，设置最大迭代次数，利用蚁群算法对惩罚因子c和核函数参数g进行全局寻优；
步骤3-4，判断是否达到最大迭代次数，若达到最大迭代次数则结束寻优，得到全局最优的预测模型，否则进入步骤3-5；
步骤3-5，返回步骤3-1，继续进行寻优，最终得到最优的惩罚因子c、核函数参数g和目标函数最优值构成全局最优的预测模型。
8.根据权利要求7所述的一种基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤3-2还包括：
步骤3-2-1，构建分类决策函数
Figure 668336DEST_PATH_IMAGE012
：
Figure 755503DEST_PATH_IMAGE013
其中，
Figure 513243DEST_PATH_IMAGE014
,i=1,2,…,n，m i 是第i个特征向量，n i 是m i 对应的类标记，
Figure 817185DEST_PATH_IMAGE015
，d i 为拉格朗日乘子，e为截距；
若n i =1，则说明对m i 的分类准确，n i =-1 则说明对m i 的分类错误；
步骤3-2-2，构建的分类决策函数的核函数
Figure 154626DEST_PATH_IMAGE016
；
具体的，核函数
Figure 361879DEST_PATH_IMAGE016
的表达式为：
Figure 759362DEST_PATH_IMAGE017
其中，m c 为核函数的中心；
步骤3-2-3，将步骤2得到的归一化后的样本数据输入构建的支持向量机，优化分类边界，得到预测输出向量z i *。
9.根据权利要求7所述的一种基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤3-3还包括：
步骤3-3-1，初始化蚁群算法的相关参数；蚁群算法的相关参数包括初始化蚁群规模M，最大迭代次数C max，信息蒸发系数ρ，启发式因子α和期望启发式因子β；
步骤3-3-2，对惩罚因子c和核函数参数g进行二进制编码，形成二进制字串；
步骤3-3-3，构建二进制有向图C=(V, S)；
步骤3-3-4，初始化信息素浓度；
步骤3-3-5，计算概率
Figure 816180DEST_PATH_IMAGE018
并根据概率
Figure 724355DEST_PATH_IMAGE019
决定下一节点的取值，直至所有蚂蚁完成搜索过程；
步骤3-3-6，计算惩罚因子c*和核函数参数g*的值；
步骤3-3-7，根据步骤2获取实际输出向量
Figure 550229DEST_PATH_IMAGE020
，计算支持向量机的预测输出向量
Figure 649772DEST_PATH_IMAGE021
与步骤2中得到的实际输出向量
Figure 718788DEST_PATH_IMAGE020
的总误差的最小值，并以总误差最小为目标函数进行全局寻优；
其中，实际输出向量
Figure 663610DEST_PATH_IMAGE020
为雷电历史数据对应的归一化后的样本数据值，支持向量机的预测输出向量
Figure 78411DEST_PATH_IMAGE021
与步骤2中得到的实际输出向量
Figure 348855DEST_PATH_IMAGE020
的总误差的最小值min
Figure 616151DEST_PATH_IMAGE022
的计算式为：
Figure 364664DEST_PATH_IMAGE023
步骤3-3-8，判断
Figure 899550DEST_PATH_IMAGE024
是否成立，若成立，则更新最优解所对应路段上的信息素，若不成立，则不更新；
更新后第t+1个搜索节点的信息素浓度
Figure 576782DEST_PATH_IMAGE025
为：
Figure 564329DEST_PATH_IMAGE026
其中，
Figure 116533DEST_PATH_IMAGE027
为信息素挥发系数，
Figure 240347DEST_PATH_IMAGE028
的优选值为
Figure 88480DEST_PATH_IMAGE029
，
Figure 563323DEST_PATH_IMAGE030
为所有蚂蚁在本次循环中在节点i到节点j的信息素变化量。
10.根据权利要求9所述的一种基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤3-3-3中，节点集合V为：
Figure 919218DEST_PATH_IMAGE031
其中，v S 为起始节点，节点
Figure 428697DEST_PATH_IMAGE032
和
Figure 182152DEST_PATH_IMAGE033
分别表示
Figure 409871DEST_PATH_IMAGE034
取值为0和1的状态；
有向弧集合S的表达式为：
Figure 38298DEST_PATH_IMAGE035
。
11.根据权利要求9所述的一种基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤3-3-5中，概率
Figure 903748DEST_PATH_IMAGE036
的计算式为：
Figure 326639DEST_PATH_IMAGE037
其中，
Figure 41654DEST_PATH_IMAGE038
为从节点i到节点j的信息素浓度，
Figure 473773DEST_PATH_IMAGE039
为从节点i到节点j距离的倒数，k为第t个搜索周期节点i对应于候选解x S 的二进制编码的位数。
12.根据权利要求1所述的一种基于支持向量机的输电线路雷击预警方法，其特征在于：
所述步骤4中，计算输电线路受雷击后的严重程度D的方式为：
Figure 193729DEST_PATH_IMAGE040
其中m,n为区域的网格编号，
Figure 53101DEST_PATH_IMAGE041
为该网格输电线路受雷击后损失的负荷功率，
Figure 724254DEST_PATH_IMAGE042
为负荷损失时间，
Figure 225642DEST_PATH_IMAGE043
为电价。
13.一种根据权利要求1~12任意一项所述的基于支持向量机的输电线路雷击预警方法的基于支持向量机的输电线路雷击预警系统，其特征在于，包括：采集模块、处理模块、训练模块和预测模块；
其中，采集模块用于采集输电线路的相关数据，所采集的数据气象数据和雷电数据；其中气象数据还包括温度、湿度、反射率、高度和云冰数据，雷电数据还包括雷电极性、雷电经纬度和雷电时间；
处理模块用于对采集模块获取到的数据进行处理；
训练模块能够对支持向量机进行参数初始化，并利用处理模块处理后的数据对支持向量机进行训练，得到预测模型；
预测模块能够根据采集模块采集到的实时数据，预测输电线路是否受雷击，以及计算得到输电线路受雷击后的严重程度，并将预测结果作为预警信息发出。
CN202210996217.7A 2022-08-19 2022-08-19 一种基于支持向量机的输电线路雷击预警方法及系统 Active CN115099531B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210996217.7A CN115099531B (zh) 2022-08-19 2022-08-19 一种基于支持向量机的输电线路雷击预警方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210996217.7A CN115099531B (zh) 2022-08-19 2022-08-19 一种基于支持向量机的输电线路雷击预警方法及系统

Publications (2)

Publication Number Publication Date
CN115099531A true CN115099531A (zh) 2022-09-23
CN115099531B CN115099531B (zh) 2023-01-31

Family

ID=83300716

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210996217.7A Active CN115099531B (zh) 2022-08-19 2022-08-19 一种基于支持向量机的输电线路雷击预警方法及系统

Country Status (1)

Country Link
CN (1) CN115099531B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341879A (zh) * 2023-05-26 2023-06-27 杭州度言软件有限公司 一种逾期资产清收智能分案方法与系统
CN116383728A (zh) * 2023-06-05 2023-07-04 四川省气象服务中心(四川省专业气象台 四川省气象影视中心) 基于分区域svm的气象预测方法
CN116739185A (zh) * 2023-08-09 2023-09-12 国网江苏省电力有限公司苏州供电分公司 基于雷电能量的实时雷电区域预测和线路预警方法及系统
CN117375249A (zh) * 2023-12-08 2024-01-09 江苏君耀电气有限公司 配电网防雷事故智能分析及定位系统及方法
CN117590157A (zh) * 2024-01-17 2024-02-23 国网山东省电力公司日照供电公司 一种输电线路雷击检测方法、系统、终端及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN110533265A (zh) * 2019-09-20 2019-12-03 云南电网有限责任公司电力科学研究院 一种配电网雷击预警方法以及配电网雷击预警装置
CN111210075A (zh) * 2020-01-07 2020-05-29 国网辽宁省电力有限公司朝阳供电公司 一种基于组合分类器的雷击输电线路故障概率分析方法
CN114154766A (zh) * 2022-02-07 2022-03-08 国网江苏省电力有限公司苏州供电分公司 雷电动态预测下电网的易损性预警方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110348615A (zh) * 2019-06-27 2019-10-18 西安工程大学 基于蚁群优化支持向量机的电缆线路故障概率预测方法
CN110533265A (zh) * 2019-09-20 2019-12-03 云南电网有限责任公司电力科学研究院 一种配电网雷击预警方法以及配电网雷击预警装置
CN111210075A (zh) * 2020-01-07 2020-05-29 国网辽宁省电力有限公司朝阳供电公司 一种基于组合分类器的雷击输电线路故障概率分析方法
CN114154766A (zh) * 2022-02-07 2022-03-08 国网江苏省电力有限公司苏州供电分公司 雷电动态预测下电网的易损性预警方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
张灵凯: ""基于改进的蚁群算法优化支持向量机参数的边坡变形预测研究"", 《中国优秀硕士学位论文全文数据库信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116341879A (zh) * 2023-05-26 2023-06-27 杭州度言软件有限公司 一种逾期资产清收智能分案方法与系统
CN116341879B (zh) * 2023-05-26 2024-05-31 杭州度言软件有限公司 一种逾期资产清收智能分案方法与系统
CN116383728A (zh) * 2023-06-05 2023-07-04 四川省气象服务中心(四川省专业气象台 四川省气象影视中心) 基于分区域svm的气象预测方法
CN116739185A (zh) * 2023-08-09 2023-09-12 国网江苏省电力有限公司苏州供电分公司 基于雷电能量的实时雷电区域预测和线路预警方法及系统
CN116739185B (zh) * 2023-08-09 2023-12-19 国网江苏省电力有限公司苏州供电分公司 基于雷电能量的实时雷电区域预测和线路预警方法及系统
CN117375249A (zh) * 2023-12-08 2024-01-09 江苏君耀电气有限公司 配电网防雷事故智能分析及定位系统及方法
CN117375249B (zh) * 2023-12-08 2024-03-26 江苏君耀电气有限公司 配电网防雷事故智能分析及定位系统及方法
CN117590157A (zh) * 2024-01-17 2024-02-23 国网山东省电力公司日照供电公司 一种输电线路雷击检测方法、系统、终端及存储介质

Also Published As

Publication number Publication date
CN115099531B (zh) 2023-01-31

Similar Documents

Publication Publication Date Title
CN115099531B (zh) 一种基于支持向量机的输电线路雷击预警方法及系统
CN107045673B (zh) 基于堆模型融合的公共自行车流量变化量预测方法
CN110008982B (zh) 一种基于光伏发电出力聚类的气象监测点选择方法
CN112749904A (zh) 基于深度学习的配电网故障风险预警方法及系统
CN106650784A (zh) 一种基于特征聚类比较的光伏电站功率预测方法及装置
CN106845080B (zh) 基于差异修正的景区旅游气象灾害智能预测方法
CN112149887A (zh) 一种基于数据时空特征的pm2.5浓度预测方法
CN109272139A (zh) 一种基于非线性集成深度学习的短期风速预测方法
CN110263971A (zh) 基于支持向量机的超短期风电功率组合预测方法
CN113361766A (zh) 一种集成机器学习的多模式降水预估方法
CN115219810B (zh) 一种基于雷电定位系统的线路跳闸预测方法
CN114483485A (zh) 一种Nudging风电场观测资料改进风速预测的方法
CN114186723A (zh) 一种基于时空关联的分布式光伏功率网格虚拟预测系统
CN114034980A (zh) 基于粒子群优化bp神经网络的配电线路故障检测方法
CN115544889A (zh) 基于深度学习的数值模式降水偏差校正方法
CN113779113B (zh) 基于雨洪时空过程相似性挖掘的洪水动态预估方法及系统
CN110516825B (zh) 一种覆冰环境下输电线路特巡路径规划方法及系统
CN115115163A (zh) 台风过境下输电线路杆塔故障危险度评估方法及存储介质
Zhan et al. Daily rainfall data construction and application to weather prediction
CN117556312A (zh) 一种极端天气下的电网输电线路故障预测方法及系统
CN117458437A (zh) 一种短期风电功率预测方法、系统、设备及介质
CN114781749B (zh) 一种小水电厂发电流量数据的预测方法及系统
CN116523299A (zh) 一种配电线路杆塔雷害特征参数分级评估方法
CN116663393A (zh) 一种基于随机森林的配电网持续高温下故障风险等级预测方法
Moore Aspects of uncertainty, reliability and risk in flood forecasting systems incorporating weather radar

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