CN115935215A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN115935215A CN115935215A CN202310016398.7A CN202310016398A CN115935215A CN 115935215 A CN115935215 A CN 115935215A CN 202310016398 A CN202310016398 A CN 202310016398A CN 115935215 A CN115935215 A CN 115935215A
- Authority
- CN
- China
- Prior art keywords
- icing
- thickness
- early warning
- time
- line
- 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
Images
Classifications
-
- 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
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于数据预测和预警领域,提供了一种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,本发明考虑环境因素和输电线路的运行工况,并根据输电线路布设区域特征对环境因素进行修正,基于深度学习建立输电线路覆冰预测模型,在覆冰趋势在线评估的基础上,进行覆冰严重度的在线预警,能够提高预测的准确性,更加符合输电线路的实际运行工况。
Description
技术领域
本发明属于预测和预警技术领域,涉及一种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。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
随着全球气候变化加剧,近年来寒潮、冻雨等极端天气频发,线路覆冰问题愈发突出。电力线路覆冰,往往伴随舞动、物理过负载等现象,轻则引起闪络和跳闸,重则造成倒塔、断线等事故,给电力系统的安全稳定运行以及用户的可靠供电带来了挑战。此外,输电线路覆盖区域广阔、分散性大,地理环境、微气象条件复杂,客观上增加了线路覆冰巡检的难度。因此,有必要建立线路覆冰的预警体系,在覆冰问题出现前及时向有关人员发出预警。目前,针对韧性电网的研究引起了较多关注,韧性电网的一个特征是快速感知电网运行态势,对各类扰动做出主动预判与积极预备。覆冰预测预警的准确性,可以为后续的预防控制措施提供重要决策信息,提高电力系统对线路覆冰问题的应对能力。
线路覆冰从微观上,表现为空气中的过冷水滴与线路碰撞附着的过程,通常出现在低温高湿的环境中,伴随雨凇、雾凇等天气。基于微观过程的覆冰生长模型,通过建立物理模型,实现对导线覆冰形状、密度和重量的增长预测。但无论是传统的模型如Makkonen模型、Imai模型、Goodwin模型等,还是当下考虑线路电流热效应的改进模型,都对机理作了一定简化,而较精确的模型涉及较多的微观参数,且部分参数难以获取,限制了基于覆冰生长模型的应用范围。基于宏观因素的覆冰预测模型,考虑输电线路覆冰厚度受众多微气象因素影响,且微气象因素与覆冰厚度之间存在高度的复杂性与非线性,采用支持向量机、神经网络等智能模型构建,但模型的结构只是简单的浅层网络,性能有限。对于样本的处理方法,一种是计及多要素误差累积对预测结果的影响,采用时间序列分析等方法处理样本,但是对于维度较高的样本增加了处理的难度;另一种是采取降维的方式降低建模的难度,常用的方法包括主成分分析、随机森林算法等,但模型对噪声数据的抗干扰能力较弱。
近年来,深度学习在处理多维度、非线性的复杂关系上已经取得瞩目成绩。发明人发现,深度学习方法SDAE在应对输入噪声时可以保持良好的鲁棒性,现有的多数覆冰预测模型认为输电线路的工况恒定,忽略了输电线路不同运行工况下的热效应,此外对于线路脱冰情况也往往忽略,现有模型和方法还可以进一步改进。
发明内容
本发明为了解决上述问题,提出了一种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,本发明考虑环境因素和输电线路的运行工况,并根据输电线路布设区域特征对环境因素进行修正,基于深度学习建立输电线路覆冰预测模型,在覆冰趋势在线评估的基础上,进行覆冰严重度的在线预警,能够提高预测的准确性,更加符合输电线路的实际运行工况。
根据一些实施例,本发明采用如下技术方案:
一种极端天气下基于深度学习的输电线路覆冰预警方法,包括以下步骤:
获取气象、线路电流和覆冰厚度的历史数据,生成样本集,提取气象特征和线路电流特征,构建覆冰厚度的一阶差分序列;
筛选覆冰厚度正增长的样本,根据对应的高度差和地形因素修正样本的气象数据并对样本进行归一化处理,根据线路电流特征对样本分群,实现样本集的预处理;
分别针对分群后的各子样本集,建立基于堆叠降噪自动编码器和前馈神经网络的线路覆冰厚度增长短期预测模型,并对所述预测模型进行离线训练;
基于实时气象数据,并根据目标输电线路所在区域的高度差和地形因素,对所述实时气象进行修正,基于修正后的气象数据,进行输电线路覆冰趋势在线评估,根据评估结果确定预警等级的覆冰厚度阈值;
基于实时线路电流数据,结合实时气象数据,考虑覆冰的时间累积效应,利用离线训练的预测模型进行覆冰厚度预测,并基于确定的覆冰厚度阈值进行覆冰严重度预警。
作为可选择的实施方式,还包括基于实时气象、线路电流和覆冰厚度数据,更新样本集,进行线路覆冰厚度短期增长预测模型的离线自学习,并在一定时间周期后对模型进行再次更新。
作为可选择的实施方式,所述方法中的各个步骤按照周期循环执行。
作为可选择的实施方式,生成样本集的具体过程包括获取输电线路附近的气象数据,所述气象数据包括温度、湿度、风速、风向、降雪密度、压强和光照强度中的若干个,以及线路电流数据、覆冰厚度数据,基于短期预测时间尺度构建覆冰厚度一阶差分序列,并生成样本集。
作为进一步的限定,第
i个样本的覆冰厚度一阶差分表示为:
其中,
D i 和
D i+1分别为第
i时刻和第
i时刻+预测时间尺度后的覆冰厚度,
d i 为预测时间尺度内的覆冰增长厚度。
作为可选择的实施方式,对样本集的预处理过程包括:
对不满足基本覆冰条件且覆冰厚度零增长的样本进行剔除;
考虑脱冰现象,对覆冰厚度负增长的样本进行剔除;
考虑到高度差和地形因素对气象数据的影响,并对其修正;
样本数据采用零-均值归一化,以消除量纲影响;
考虑不同运行工况下电流热效应对覆冰形成的影响不同,基于线路电流特征采用聚类方法对样本分群,将相似工况下的覆冰状态归为一类。
作为可选择的实施方式,建立线路覆冰厚度增长短期预测模型的具体过程包括,建立单层降噪自动编码器模型并将其堆叠,作为前馈神经网络的输入,针对每个子样本集,首先进行堆叠降噪自动编码器模型的分层训练,得到初始连接权重,然后基于前馈神经网络的误差反向传播,对连接权重进行微调,进行离线训练。
作为可选择的方式,基于覆冰趋势评估等级、实际运行经验和线路覆冰厚度设定覆冰严重度预警阈值并依据阈值划分多个预警等级,基于实时气象和电流数据,考虑覆冰的时间累积效应,进行覆冰厚度在线预测,并进行覆冰严重度在线预警;
对于高预警等级的覆冰严重度预警,基于时间累积效应,对前向预警时间点的覆冰厚度预测结果和预警等级进行在线更新。
作为进一步的限定,考虑覆冰的时间累积效应时,认为覆冰短期内均匀增长,
t时刻后的覆冰预测厚度
D t 为:
H 0 为初始覆冰厚度,T为预测时间尺度,Δ
H为时间T内覆冰预测增长厚度。
一种极端天气下基于深度学习的输电线路覆冰预警系统,包括:
样本生成模块,被配置为获取气象、线路电流和覆冰厚度的历史数据,生成样本集,提取气象特征和线路电流特征,构建覆冰厚度的一阶差分序列;
预处理模块,被配置为筛选覆冰厚度正增长的样本,根据对应的高度差和地形因素修正样本的气象数据并对样本进行归一化处理,根据线路电流特征对样本分群,实现样本集的预处理;
模型构建模块,被配置为分别针对分群后的各子样本集,建立基于堆叠降噪自动编码器和前馈神经网络的线路覆冰厚度增长短期预测模型,并对所述预测模型进行离线训练;
趋势评估模块,被配置为基于实时气象数据,并根据目标输电线路所在区域的高度差和地形因素,对所述实时气象进行修正,基于修正后的气象数据,进行输电线路覆冰趋势在线评估,根据评估结果确定预警等级的覆冰厚度阈值;
预警模块,被配置为基于实时线路电流数据,结合实时气象数据,考虑覆冰的时间累积效应,利用离线训练的预测模型进行覆冰厚度预测,并基于确定的覆冰厚度阈值进行覆冰严重度预警。
与现有技术相比,本发明的有益效果为:
(1)本发明的主要创新点在于基于输电线路运行工况对样本进行分群,采用鲁棒性良好的SDAE模型处理输入数据,并基于覆冰趋势评估进行覆冰严重度预警;
(2)本发明考虑线路脱冰现象、微地形因素、输电线路不同运行工况下的电流热效应,进行样本筛选、数据修正和样本分群,提高了样本的可靠性;
(3)本发明考虑复杂微气象数据间的非线性关系,采用基于堆叠降噪自动编码器(SDAE)进行特征提取,降低噪声的干扰,从而提高了模型的鲁棒性;
(4)本发明通过对覆冰增长厚度进行回归,考虑覆冰增长的时间累积效应,预测其他时间点的覆冰厚度,扩展了模型时间尺度上的使用范围;
(5)本发明采用了基于覆冰趋势评估的覆冰严重度预警模式,并在高预警等级下对前向预警时间点的覆冰厚度和预警等级进行更新,提高了预警结果的灵敏性;
(6)本发明结合实时气象数据以及实际覆冰厚度,更新样本集,通过重新训练的方式进行模型自学习,提高了模型预测的精度以及适应度。
为使本发明的上述目的、特征和优点能更明显易懂,下文配合所附附图,作详细说明如下。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1为极端天气下基于深度学习的输电线路覆冰预警方法的原理示意图;
图2(a)为DAE模型训练示意图;
图2(b)为SDAE模型预训练示意图;
图3为前馈神经网络模型示意图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
实施例一:
一种极端天气下基于深度学习的输电线路覆冰预警方法,具体步骤包括:
(1) 获取历史气象、线路电流、覆冰厚度数据并生成样本集,把气象特征和线路电流特征作为样本输入,构建覆冰厚度一阶差分序列作为样本输出;
(2) 基于线路覆冰状况筛选覆冰厚度正增长的样本,根据高度差和地形因素修正样本的气象数据并对样本进行归一化处理,根据线路电流特征对样本分群,实现样本集的预处理;
(3) 分别针对分群后的子样本集,建立基于堆叠降噪自动编码器(SDAE)和前馈神经网络的线路覆冰厚度增长短期预测模型并离线训练;
(4) 获取实时气象数据并根据高度差和地形因素进行修正,基于气象参数进行输电线路覆冰趋势在线评估,根据评估结果确定后续预警等级的阈值设定;
(5) 获取实时线路电流数据并结合实时气象数据,考虑覆冰的时间累积效应进行覆冰厚度在线预测,并基于设定的覆冰厚度阈值进行覆冰严重度在线预警;
(6) 基于实时气象、线路电流和覆冰厚度数据,更新样本集,进行线路覆冰厚度短期增长预测模型的离线自学习,并在一定时间周期后对模型进行更新。
本实施例中,考虑覆冰的时间累积效应较慢,预测时间尺度采用2小时短期预测,预警时间间隔设置为15分钟,模型更新时间周期设置为24小时。
本实施例中,步骤(1)中,确定该预警方法所应用的输电走廊,通过现场监测以及历史数据库获取该区域内的温度、湿度、风速、风向、降雪密度、压强、光照强度等影响线路覆冰的气象数据,以及线路电流、覆冰厚度数据,并构建样本覆冰厚度数据的一阶差分序列。
本实施例中,通过现场监测生成的样本,对应的时间点为2小时前。
本实施例中,通过现场监测获取气象数据时,考虑到气象数据短时间内变化幅度不大,可以在预警时间点前5分钟,每间隔30秒获取一次气象数据,并把其平均值作为样本气象数据,以减小单次测量误差的影响。
本实施例中,构建样本覆冰厚度数据的一阶差分序列,其中对于第
i个样本,可表示为:
其中,
D i 和
D i+1分别为第
i时刻和第
i时刻2小时后的覆冰厚度,
d i 为2小时内的覆冰增长厚度。
所述步骤(2)中,基于线路覆冰状况,对覆冰厚度正增长的样本进行筛选,减少无效样本对后续样本分群以及模型训练的影响。具体流程为:
S1、对于自身不满足基本覆冰条件,且等于0的样本进行剔除处理;
具体地,基本覆冰条件为气温低于0℃,空气湿度在85%以上;
S2、考虑到线路可能出现脱冰现象,对小于0的样本进行剔除处理。
所述步骤(2)中,基于高度差和地形因素,对样本集的气象数据进行修正处理,表征线路处的气象条件,减小气象监测装置和线路的位置差对气象数据的影响。
本实施例中,数据修正主要考虑高度差及地面障碍物对风速的影响,若气象监测装置安装在输电线路上,则无需修正;若为地面监测装置,则进行风速的修正,修正方法如下:
其中,
U、
U S 分别为实际风速和标准高度的平均风速,
h、
h S 分别为输电线路离地高度和标准高度,
α为地面粗糙系数,对于开阔平原、森林街道、城市中心,可分别取值0.167~0.125、0.250、0.333。
所述步骤(2)中,将样本中的数据进行归一化处理,以减小量纲影响。
具体地,采用零-均值归一化,表达式如下式所示:
其中,为归一化的样本数据,为样本数据的实际值,为数据样本均值,为样本标准差。
本实施例中,实时气象数据认为近似和样本集数据同分布,且采用零-均值归一化。
所述步骤(2)中,考虑不同运行工况下电流热效应对覆冰的影响,基于k-means聚类方法将样本集分群,将相似度较高的样本归为一类,从而可以最大程度表征相似工况下的覆冰效果。
具体地,聚类算法的流程为:
S1、根据输电线路检修、正常运行等运行工况下的电流特征,确定聚类中心的数量,并进行随机初始化;
S2、按照距离最小原则将所有样本分配到距离最近的聚类中心;
S3、重新计算每个新的聚类中心;
S4、重复步骤S2和步骤S3,使目标函数达到最小。
特别地,目标函数采用最小方差函数,函数定义如下:
其中,
E表示所有样本的平均误差和,
k表示聚类中心的数量,
p表示每一个样本数据,
c i 表示第
i个类别的样本中心,
n表示样本数量。
所述步骤(3)中,分别针对分群后的子样本集,建立基于堆叠降噪自动编码器(SDAE)以及前馈神经网络的线路覆冰厚度增长短期预测模型,并进行模型的离线训练。
本实施例中,考虑到气象因素之间具有较强的非线性,以及实时气象数据监测存在误差和噪声干扰,采用SDAE特征提取模型,可以提高模型的鲁棒性和稳定性。
本实施例中,模型构建和离线训练的方法为:建立单层DAE模型并将其堆叠作为前馈神经网络的输入,针对每个子样本集,首先进行SDAE模型的分层训练,得到初始连接权重,然后基于前馈神经网络的误差反向传播,对模型的连接权重进行微调。SDAE和前馈神经网络的示意图分别如图2(a)、图2(b)和图3,训练过程如下:
S1、给定样本集(
x i ∈Rm,
i=1,2,…,
n),每个样本的输入为
m维,样本总数共计
n个。对样本进行随机噪声污染,得到样本集。
具体地,这里的样本维度等于气象数据与线路电流数据的维度之和。
S2、建立DAE模型,其中输出神经元数目和输入神经元数目相等,包含一个隐藏层,并选取激活函数和训练的代价函数。
具体地,激活函数选取非线性函数sigmoid函数,表达式为:
具体地,由于输入的数据特征都为实数型,代价函数选择平方误差,并加入L2正则化以防止过拟合,从而提高模型的泛化能力,代价函数的表达式为:
其中,
L d 为DAE训练使用的代价函数,λ为L2正则化项的系数,
ω d 为DAE的权重向量。
S3、将前一个DAE的隐藏层输出作为下一个DAE的输入,逐层对原始输入特征进行变换,堆叠建立SDAE模型,每一层采用贪婪无监督学习算法进行训练,训练目标为代价函数最小,得到初始的连接权重。
S4、构建三层前馈神经网络模型并进行网络初始化,给各连接权值分别赋一个区间(-1,1)的随机数,给定计算精度值和最大学习次数M,激活函数选取sigmoid函数,损失函数选取均方误差MSE。
S5、将SDAE特征提取的最后一层输出作为前馈神经网络的输入,计算隐藏层和输出层各神经元的输入和输出。
S6、误差的反向传播。利用网络期望输出和实际输出,计算均方误差损失函数,并通过链式法则求解其对各神经元连接权重的偏导数,将损失误差从后向前传播,直至SDAE的输入端,并在这一过程中通过梯度下降法对连接权重的取值进行微调。
所述步骤(4)中,基于影响线路覆冰的气象参数,设定覆冰趋势评估的不同等级。特别地,覆冰趋势评估分为四个等级(一级、二级、三级、四级),分别对应无覆冰趋势、一般覆冰趋势、较强覆冰趋势、强覆冰趋势四种状态。
具体地,当气象条件不满足气温小于0℃且湿度高于85%时,为一级,表明该气象条件下出现覆冰的可能性很小,输电线路可以保持安全运行;
当气温小于0℃且湿度高于85%时,为二级,表明可能出现覆冰,需要进行进一步的观察,这也是基本的覆冰条件;
在二级基础上,满足风速大于3m/s时,为三级,表明覆冰容易形成,需要保持密切观察;
在三级基础上,若风向
F>30°或
F<150°时,为四级,表明覆冰极容易形成,需要准备进一步措施。
所述步骤(4)中,获取实时气象数据并根据高度差和地形因素进行修正,然后进行输电线路覆冰趋势在线评估;
本实施例中,通过现场监测装置获取实时气象数据。
本实施例中,基于高度差和地形因素,对气象数据进行修正处理,修正方法在所述步骤(2)中已作说明。
本实施例中,覆冰趋势的评估结果,可以作为后续预警等级阈值设定的依据。
本实施例中,步骤(5)中,以线路设计覆冰厚度或历史最大覆冰厚度为依据,基于覆冰趋势评估等级、实际运行经验以及线路覆冰厚度,设定覆冰严重度预警阈值并划分预警等级。特别地,覆冰严重度预警分为安全、一级、二级和三级四个等级,分别对应无覆冰或微覆冰、轻度覆冰、中度覆冰、重度覆冰四种状态。
具体地,作为可选取的方式,覆冰趋势评估为一级时,预警结果为安全;
与覆冰趋势评估的二级、三级、四级相对应,在线路覆冰预测厚度分别为允许的5%以内、5%以内、5%以内时,预警结果为安全,此时线路处于无覆冰或微覆冰状态,可以保持安全运行;
预测厚度为分别为5%-40%、5%-35%、5%-30%时,预警结果为一级预警,此时线路处于轻度覆冰状态,短期内对线路的威胁不大,可以根据后续预警时间点的预警进行决策;
预测厚度分别为40%-75%、35%-70%、30%-65%时,预警结果为二级预警,此时处于中度覆冰状态,线路的弧垂明显增大,并有可能在横向风的作用下出现舞动现象,可以进行去冰的预备措施,并根据后续预警时间点的预警进行决策;
预测厚度分别为75%以上、70%以上、65%以上时,预警结果为三级预警,此时处于重度覆冰状态,可能会出现断线等事故,引发潮流转移或者连锁故障,应该立刻准备去冰措施,并在相应时刻投入实施。
所述步骤(5)中,对于覆冰趋势评估等级为二级及以上的情况,基于实时气象数据和电流数据,考虑覆冰的时间累积效应,进行线路覆冰厚度在线预测,并进行覆冰严重度预警。
本实施例中,近似认为覆冰短期内均匀增长,考虑时间累积效应的覆冰厚度可表示为:
其中,
D t 为
t时刻后的覆冰预测厚度,
H 0 为初始覆冰厚度,T为预测时间尺度,这里为2小时,Δ
H为时间T内覆冰预测增长厚度。
本实施例中,若覆冰严重度预警结果为二级或三级,则对前向预警时间点的覆冰厚度预测结果和预警等级进行更新。
本实施例中,步骤(6)中,基于实时气象、线路电流和覆冰厚度数据,更新样本集,进行线路覆冰厚度短期增长预测模型的离线自学习,并在一定时间周期后对模型进行更新。
本实施例中,更新气象数据集的原则为所有样本点尽量保持一定的差异性,具体表达如下:
其中,和分别为预处理后的样本数据和待更新样本数据,
p为样本的维度,
ε为样本点差异度的容许值。
具体地,由于短时间内的气象数据具有相似性,为了提高筛选的效率,待更新样本可以先和样本集中最新的样本进行比较,从而简化计算量。
本实施例中,自学习的方式为重新训练。
需要说明的是,在其他实施例中,上述具体参数的取值可以根据具体的预测需求进行调整或更改。
实施例二:
一种极端天气下输电线路覆冰预警系统,包括:
用于获取实时气象数据、线路电流数据和覆冰厚度数据,并进行数据的修正以及预处理的装置;
用于覆冰趋势在线评估,进一步地进行覆冰厚度在线预测以及覆冰严重度在线预警,并输出预警等级的装置;
用于生成、更新和处理训练样本,并对堆叠降噪自动编码器和前馈神经网络离线训练,具有自学习能力的装置。
实施例三:
一种极端天气下基于深度学习的输电线路覆冰预警系统,包括:
样本生成模块,被配置为获取气象、线路电流和覆冰厚度的历史数据,生成样本集,提取气象特征和线路电流特征,构建覆冰厚度的一阶差分序列;
预处理模块,被配置为筛选覆冰厚度正增长的样本,根据对应的高度差和地形因素修正样本的气象数据并对样本进行归一化处理,根据线路电流特征对样本分群,实现样本集的预处理;
模型构建模块,被配置为分别针对分群后的各子样本集,建立基于堆叠降噪自动编码器、和前馈神经网络的线路覆冰厚度增长短期预测模型,并对所述预测模型进行离线训练;
趋势评估模块,被配置为基于实时气象数据,并根据目标输电线路所在区域的高度差和地形因素,对所述实时气象进行修正,基于修正后的气象数据,进行输电线路覆冰趋势在线评估,根据评估结果确定预警等级的覆冰厚度阈值;
预警模块,被配置为基于实时线路电流数据,结合实时气象数据,考虑覆冰的时间累积效应,利用离线训练的预测模型进行覆冰厚度预测,并基于确定的覆冰厚度阈值进行覆冰严重度预警。
上述虽然结合附图对本发明的具体实施方式进行了描述,但并非对本发明保护范围的限制,所属领域技术人员应该明白,在本发明的技术方案的基础上,本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,包括以下步骤:
获取气象、线路电流和覆冰厚度的历史数据,生成样本集,提取气象特征和线路电流特征,构建覆冰厚度的一阶差分序列;
筛选覆冰厚度正增长的样本,根据对应的高度差和地形因素修正样本的气象数据并对样本进行归一化处理,根据线路电流特征对样本分群,实现样本集的预处理;
分别针对分群后的各子样本集,建立基于堆叠降噪自动编码器和前馈神经网络的线路覆冰厚度增长短期预测模型,并对所述预测模型进行离线训练;
基于实时气象数据,并根据目标输电线路所在区域的高度差和地形因素,对所述实时气象进行修正,基于修正后的气象数据,进行输电线路覆冰趋势在线评估,根据评估结果确定预警等级的覆冰厚度阈值;
基于实时线路电流数据,结合实时气象数据,考虑覆冰的时间累积效应,利用离线训练的预测模型进行覆冰厚度预测,并基于确定的覆冰厚度阈值进行覆冰严重度预警。
2.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,还包括基于实时气象、线路电流和覆冰厚度数据,更新样本集,进行线路覆冰厚度短期增长预测模型的离线自学习,并在一定时间周期后对模型进行再次更新。
3.如权利要求2所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,各个步骤按照周期循环执行。
4.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,生成样本集的具体过程包括获取输电线路附近的气象数据,所述气象数据包括温度、湿度、风速、风向、降雪密度、压强和光照强度中的若干个,以及线路电流数据、覆冰厚度数据,基于短期预测时间尺度构建覆冰厚度一阶差分序列,并生成样本集。
5.如权利要求4所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,第i个样本的覆冰厚度一阶差分表示为:
其中,D i 和D i+1分别为第i时刻和第i时刻+预测时间尺度后的覆冰厚度,d i 为预测时间尺度内的覆冰增长厚度。
6.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,对样本集的预处理过程包括:
对不满足基本覆冰条件且覆冰厚度零增长的样本进行剔除;
考虑脱冰现象,对覆冰厚度负增长的样本进行剔除;
考虑到高度差和地形因素对气象数据的影响,并对其修正;
样本数据采用零-均值归一化,以消除量纲的影响;
考虑不同运行工况下电流热效应对覆冰形成的影响不同,基于线路电流特征采用聚类方法对样本分群,将相似工况下的覆冰状态归为一类。
7.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,建立线路覆冰厚度增长短期预测模型的具体过程包括,建立单层降噪自动编码器模型并将其堆叠,作为前馈神经网络的输入,针对每个子样本集,首先进行堆叠降噪自动编码器模型的分层训练,得到初始连接权重,然后基于前馈神经网络的误差反向传播,对连接权重进行微调,进行离线训练。
8.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,基于覆冰趋势评估等级、实际运行经验和线路覆冰厚度设定覆冰严重度预警阈值并依据阈值划分多个预警等级,基于实时气象和电流数据,考虑覆冰的时间累积效应,进行覆冰厚度在线预测,并进行覆冰严重度在线预警;
对于高预警等级的覆冰严重度预警,基于时间累积效应,对前向预警时间点的覆冰厚度预测结果和预警等级进行在线更新。
9.如权利要求8所述的一种极端天气下基于深度学习的输电线路覆冰预警方法,其特征是,考虑覆冰的时间累积效应时,认为覆冰短期内均匀增长,t时刻后的覆冰预测厚度D t 为:
H 0 为初始覆冰厚度,T为预测时间尺度,ΔH为时间T内覆冰预测增长厚度。
10.一种极端天气下基于深度学习的输电线路覆冰预警系统,其特征是,包括:
样本生成模块,被配置为获取气象、线路电流和覆冰厚度的历史数据,生成样本集,提取气象特征和线路电流特征,构建覆冰厚度的一阶差分序列;
预处理模块,被配置为筛选覆冰厚度正增长的样本,根据对应的高度差和地形因素修正样本的气象数据并对样本进行归一化处理,根据线路电流特征对样本分群,实现样本集的预处理;
模型构建模块,被配置为分别针对分群后的各子样本集,建立基于堆叠降噪自动编码器、和前馈神经网络的线路覆冰厚度增长短期预测模型,并对所述预测模型进行离线训练;
趋势评估模块,被配置为基于实时气象数据,并根据目标输电线路所在区域的高度差和地形因素,对所述实时气象进行修正,基于修正后的气象数据,进行输电线路覆冰趋势在线评估,根据评估结果确定预警等级的覆冰厚度阈值;
预警模块,被配置为基于实时线路电流数据,结合实时气象数据,考虑覆冰的时间累积效应,利用离线训练的预测模型进行覆冰厚度预测,并基于确定的覆冰厚度阈值进行覆冰严重度预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016398.7A CN115935215B (zh) | 2023-01-06 | 2023-01-06 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310016398.7A CN115935215B (zh) | 2023-01-06 | 2023-01-06 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115935215A true CN115935215A (zh) | 2023-04-07 |
CN115935215B CN115935215B (zh) | 2023-07-07 |
Family
ID=86554182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310016398.7A Active CN115935215B (zh) | 2023-01-06 | 2023-01-06 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115935215B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485046A (zh) * | 2023-06-21 | 2023-07-25 | 华北电力科学研究院有限责任公司 | 一种光伏出力预测方法及装置 |
CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
CN111582697A (zh) * | 2020-04-29 | 2020-08-25 | 西安交通大学 | 一种配电网故障的评估与调度方法及系统 |
CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
CN113988273A (zh) * | 2021-11-11 | 2022-01-28 | 国网吉林省电力有限公司电力科学研究院 | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 |
WO2022097178A1 (en) * | 2020-11-05 | 2022-05-12 | Laki Power EHF. | Surveillance and weather stations on overhead power lines |
-
2023
- 2023-01-06 CN CN202310016398.7A patent/CN115935215B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764588A (zh) * | 2018-07-11 | 2018-11-06 | 天津工业大学 | 一种基于深度学习的温度影响电力预测方法 |
CN111582697A (zh) * | 2020-04-29 | 2020-08-25 | 西安交通大学 | 一种配电网故障的评估与调度方法及系统 |
CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
WO2022097178A1 (en) * | 2020-11-05 | 2022-05-12 | Laki Power EHF. | Surveillance and weather stations on overhead power lines |
CN113988273A (zh) * | 2021-11-11 | 2022-01-28 | 国网吉林省电力有限公司电力科学研究院 | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 |
Non-Patent Citations (3)
Title |
---|
L YI等: "Research on power transmission line ice prediction system based on BP Neural Network", PROCEEDINGS OF 2012 INTERNATIONAL CONFERENCE ON MEASUREMENT, INFORMATION AND CONTROL, pages 817 - 820 * |
胡亮亮: "基于改进深度降噪自编码网络的电网故障预测方法", 中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑 * |
马天男: "基于大数据的电网覆冰灾害预测与风险管理研究", 中国博士学位论文全文数据库 工程科技Ⅱ辑, pages 4 - 6 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485046A (zh) * | 2023-06-21 | 2023-07-25 | 华北电力科学研究院有限责任公司 | 一种光伏出力预测方法及装置 |
CN117313537A (zh) * | 2023-09-28 | 2023-12-29 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
CN117313537B (zh) * | 2023-09-28 | 2024-03-08 | 国网吉林省电力有限公司松原供电公司 | 数据驱动的覆冰预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115935215B (zh) | 2023-07-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115935215A (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 | |
CN108564192B (zh) | 一种基于气象因子权重相似日的短期光伏功率预测方法 | |
Zhang et al. | Wind power prediction based on PSO-SVR and grey combination model | |
WO2023045278A1 (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
Stefenon et al. | Photovoltaic power forecasting using wavelet neuro-fuzzy for active solar trackers | |
CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
CN107292478B (zh) | 一种灾害对配电网影响态势的获取方法 | |
CN104299044A (zh) | 基于聚类分析的风功率短期预测系统及预测方法 | |
CN107607954B (zh) | 一种基于t-s模型的fnn降水粒子相态识别方法 | |
CN110705760A (zh) | 一种基于深度置信网络的光伏发电功率预测方法 | |
CN110766200A (zh) | 一种基于K-means均值聚类的风电机组发电功率预测方法 | |
CN104978611A (zh) | 一种基于灰色关联分析的神经网络光伏发电出力预测方法 | |
CN112101669A (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN106405352A (zh) | 一种电力绝缘子表面积污物的等值盐密预测及预警系统 | |
CN115630101B (zh) | 水文参数智能化监控与水资源大数据管理系统 | |
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN115081592B (zh) | 基于遗传算法和前馈神经网络的公路低能见度预估方法 | |
CN114118596A (zh) | 一种光伏发电量预测方法和装置 | |
Chen et al. | Research on wind power prediction method based on convolutional neural network and genetic algorithm | |
CN114399081A (zh) | 一种基于天气分类的光伏发电功率预测方法 | |
CN112819189A (zh) | 一种基于历史预测值的风力出力预测方法 | |
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 | |
CN114548601A (zh) | 基于bp神经网络的配电网极端灾害下停电预测方法及系统 | |
CN116992305A (zh) | 一种基于大数据的气象预报方法及系统 | |
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 |
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 |