CN116384733A - 一种强对流天气下基于气象雷达的输电线路风险预警方法 - Google Patents
一种强对流天气下基于气象雷达的输电线路风险预警方法 Download PDFInfo
- Publication number
- CN116384733A CN116384733A CN202310232114.8A CN202310232114A CN116384733A CN 116384733 A CN116384733 A CN 116384733A CN 202310232114 A CN202310232114 A CN 202310232114A CN 116384733 A CN116384733 A CN 116384733A
- Authority
- CN
- China
- Prior art keywords
- weather
- transmission line
- strong convection
- power transmission
- wind
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 79
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 7
- 239000012212 insulator Substances 0.000 claims description 24
- 230000008859 change Effects 0.000 claims description 12
- 238000013213 extrapolation Methods 0.000 claims description 8
- 239000007788 liquid Substances 0.000 claims description 7
- 238000002310 reflectometry Methods 0.000 claims description 7
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 239000004020 conductor Substances 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 6
- 230000033001 locomotion Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000003709 image segmentation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims 1
- 239000000126 substance Substances 0.000 claims 1
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 3
- 238000001556 precipitation Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000013277 forecasting method Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/95—Radar or analogous systems specially adapted for specific applications for meteorological use
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Multimedia (AREA)
- Environmental & Geological Engineering (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Electromagnetism (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Atmospheric Sciences (AREA)
- Development Economics (AREA)
- Biodiversity & Conservation Biology (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Radar Systems Or Details Thereof (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Networks & Wireless Communication (AREA)
- Ecology (AREA)
- Environmental Sciences (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
Abstract
本发明属于电网防灾减灾技术领域,具体涉及一种强对流天气下基于气象雷达的输电线路风险预警方法,包括:获取雷达回波强度数据和气象同化系统预测数据;对气象同化系统预测数据进行网格化和时序化处理,构造数据样本集;构建强对流天气下基于气象雷达的LSTM神经网络预测模型,并对模型进行训练和测试;获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,预测未来时刻强对流天气下的10m风速和降雨量;评估强对流天气下输电线路风险并发布风险预警结果。本发明将天气雷达回波强度数据以及图像与LSTM神经网络预测模型相结合,提高了电力气象关联预警的精细化程度,预测精度高,泛化能力强。
Description
技术领域
本发明属于电网防灾减灾技术领域,具体涉及一种强对流天气下基于气象雷达的输电线路风险预警方法。
背景技术
强对流天气是指伴随雷暴现象的对流性大风(≥17.2m/s)、冰雹、短时强降水。强对流天气的主要根源是对流云块之间发生剧烈运动,属于中小尺度天气系统。在强对流天气下输电线路极易发生风偏,雨闪,甚至断线倒塔等故障,威胁电力系统安全运行。为此,需要研究针对强对流天气下的输电线路风险评估与风险预警方法,对可能发生风偏放电的输电线路进行重点防护。
现有的强对流天气预报主要有强对流天气落区图,涉及的强对流天气监测和预警方法主要有:①强对流天气的发生次数较少且具有突发性、局地性,目前的气象业务工作主要通过人工识别雷达、卫星图像对其进行临近(0~2h)预报;②强对流天气预报依靠风、雨、雷等气象要素的预报,目前通常采用数值预报方法,通过降尺度技术提高时间分辨率和空间分辨率,在一定程度上提高了强对流天气预报的精细化程度。上述方法主要针对于强对流天气监测和预警方法,存在以下不足:①气象部门发布的强对流预警信息主要面向公众,对于电力气象关联预警精细化程度不足;②预报结果较为依赖预报员的经验和判别能力,易受人主观性的影响,具有一定的局限性和滞后性。
新一代天气雷达是对强对流天气预测和预警的主要工具之一,主要通过探测降水系统的回波特征,测量雷达回波强度、降水物沿雷达径向移动速度和移动方向,判断强对流天气系统特征。据气象相关研究表明,天气雷达输出的包括基本反射率、垂直累积液态水含量等雷达回波数据是进行强对流天气预报的重要指标,可以有效识别出大风、强降雨、雷暴等强对流天气特征。目前,关于强对流天气下输电线路风险预警已有一些计算模型,但是现有的输电线路预警模型由于依赖气象条件的输入数据,风险预警模型的预测能力受到限制,同时由于天气雷达、数值预报等不同气象预测系统预报的时空分辨率不同,导致电力气象预警系统在处理时空预测时遇到难题。
发明内容
为解决上述技术问题,本发明提供了一种强对流天气下基于气象雷达的输电线路风险预警方法,将天气雷达回波强度数据以及图像与LSTM神经网络预测模型相结合,提高了强对流天气的预测能力。
为实现上述目的,本发明采用如下技术方案:
一种强对流天气下基于气象雷达的输电线路风险预警方法,包括以下步骤:
S1:获取雷达回波强度数据和气象同化系统预测数据,所述雷达回波强度数据包括基本反射率和垂直累计液态水含量,所述气象同化系统预测数据包括10m风速和降雨量;
S2:对步骤S1所述气象同化系统预测数据进行网格化和时序化处理,获得时空尺度相统一的输入数据集和输出数据集,构造数据样本集;
S3:构建强对流天气下基于气象雷达的LSTM神经网络预测模型,并对模型进行训练和测试;
S4:获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,结合LSTM神经网络预测模型,预测未来时刻强对流天气下的10m风速和降雨量;
S5:根据未来时刻强对流天气下的10m风速和降雨量,评估强对流天气下输电线路风险并发布风险预警结果。
优选地,步骤S2中所述对步骤S1所述输出数据网格化和时序化处理,包括:
输出数据网格化处理包括:采用图像分割法将气象同化系统预测数据划分为网格,网格划分间距选择0.01°×0.01°,并计算网格质心坐标,得到网格数据值;数据时序化处理包括:通过等间隔线性插值的方法确定6min时间间隔的网格数据值。
优选地,步骤S4中所述获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,包括:
采用雷达回波外推技术,拟合质心网格的运动轨迹,预测雷达回波路径,雷达在先前几个时刻和当前时刻观测到的网格数据,拟合数据变化趋势,然后依此外推而预测未来时刻网格内雷达回波强度数据。
优选地,步骤S5中所述根据未来时刻强对流天气下的10m风速和降雨量,评估强对流天气下输电线路风险并发布风险预警结果,包括:
根据未来时刻强对流天气下的10m风速和降雨量,结合输电线路参数与杆塔坐标,计算强风雨荷载下输电线路风偏放电间隙距离,评估强对流天气下输电线路风险并发布风险预警结果。
优选地,所述根据未来时刻强对流天气下的10m风速和降雨量,结合输电线路参数与杆塔坐标,计算强风雨荷载下输电线路风偏放电间隙距离,包括:
步骤1:将10m风速修正至杆塔高度处的瞬时风速值,计算杆塔高度处风速和降雨量作用下杆塔所承受的风荷载和雨荷载;
绝缘子、导线承受的风荷载分别是:
其中,μz为风压高度变化系数,Β为覆冰时的风荷载增大系数,AI为绝缘子串的受风面积(m2);α是随水平档距变化的风压不均匀系数;μsc导线体型系数;βc为500kV和750kV时风荷载调整系数;dc为导线外径,n分裂导线记为n·dc;Lp为线路水平档距;为导线所受风向与导线的夹角,可将其考虑为最恶劣的情形,取值为90°,即风向与导线垂直时对输电线路冲击最大;
绝缘子、导线承受的雨荷载分别是:
其中,dr为雨滴直径,单位m;ARi、ARc分别为绝缘子、导线的受雨面积;nr为单位体积空间内的雨滴个数,与降雨强度有关;μz为风压高度变化系数;v为基准高度10m风速;
步骤2:依据风雨荷载和输电线路自身重力荷载对绝缘子串受力分析,计算绝缘子串风偏角;
其中,Gi为绝缘子自重荷载,Gc为绝缘子末端的导线自重荷载;
步骤3:依据杆塔几何关系,计算绝缘子串风偏角对应的线路与杆塔之间的间隙距离;
假设输电线路与塔头的间隙距离为d1,输电线路与塔身的间隙距离为d2,则线路与杆塔之间的间隙距离为:
d=min{d1,d2}。
优选地,所述评估强对流天气下输电线路风险,包括:
根据不同标称工频电压下带电部分与杆塔构件的允许最小放电间隙dth,判断输电线路是否会发生风偏放电:
优选地,所述发布风险预警结果,包括:
设置风险预警等级及预警条件为:
d<0.9dth,Ⅰ级;
0.9dth≤d<0.95dth,Ⅱ级;
0.95dth≤d<1.0dth,Ⅲ级;
1.0dth≤d<1.05dth,Ⅳ级。
一种强对流天气下基于气象雷达的输电线路风险预警系统,包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述强对流天气下基于气象雷达的输电线路风险预警方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行所述强对流天气下基于气象雷达的输电线路风险预警方法。
本发明的积极有益效果:
1.本发明将天气雷达回波强度数据以及图像与LSTM神经网络预测模型相结合,提取雷达图像的时序特征和空间特征,并采用模型-数据驱动方法构建基于气象雷达的预测模型,将强对流天气输电线路风险预测问题抽象为对应的雷达拼图时空序列预测问题,从而使风险预警更贴近实际情况,泛化能力强,监测准确,预测精度高,有效提升小尺度气象条件的预测能力。
2.本发明通过对气象同化系统预报数据进行网格化和时序化处理,不仅解决了不同气象预报系统时空分辨率不同导致电力气象预警系统在处理时空预测时的难题,也提高了电力气象关联预警的精细化程度,有助于提升恶劣天气下输电线路精细化运维决策水平。
3.雷达回波外推技术是临近预报的有效手段,适用于强对流天气临近预报,本发明通过雷达回波外推技术获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,雷达回波强度数据输入到LSTM神经网络预测模型,通过雷达回波路径预测强对流发生区域,对发生时间迅速、危害强的强对流天气预测效果更好,时效性强,提高输电线路短期风险预测能力。
4.本发明通过比较强对流天气下输电线路允许最小放电间隙距离和预测间隙距离评估该时刻受强对流天气影响的输电线路风险大小,进而根据风险预警等级及预警条件发布相应区域的预警结果,可以协助电力部门及时评估输电线路面临小概率高风险风偏风险,以便采取必要措施减少线路跳闸带来的损失,提升电力系统对小概率高风险的强对流天气的应对能力,从而保障电力系统安全运行。
附图说明
图1为本发明强对流天气下基于气象雷达的输电线路风险预警方法流程图。
图2为本发明数据网格化和时序化匹配算法流程图。
具体实施方式
下面结合一些具体实施例对本发明进一步说明。
实施例1
一种强对流天气下基于气象雷达的输电线路风险预警方法,如图1所示,包括以下步骤:
S1:获取雷达回波强度数据和气象同化系统预测数据,所述雷达回波强度数据包括基本反射率和垂直累计液态水含量,所述气象同化系统预测数据包括10m风速和降雨量;
S2:对步骤S1所述气象同化系统预测数据进行网格化和时序化处理,获得时空尺度相统一的输入数据集和输出数据集,构造数据样本集;
S3:构建强对流天气下基于气象雷达的LSTM神经网络预测模型,并对模型进行训练和测试;
S4:获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,雷达回波强度数据输入到LSTM神经网络预测模型,通过雷达回波路径预测强对流发生区域,进而预测未来时刻强对流天气下的10m风速和降雨量;
S5:根据未来时刻强对流天气下的10m风速和降雨量,评估强对流天气下输电线路风险并发布风险预警结果。
进一步地,获取雷达回波强度数据,包括:
基本反射率是雷达基本观测量,单位为dBZ,用于估算灾害性天气出现的可能性;垂直累积液态水含量表示将反射率因子数据转换成等价的液态水值;
雷达对同一个强对流风暴的体扫间隔为6min,即6min时间分辨率;雷达拼图上每个像素点代表了1km×1°波束体积内云雨目标物的后向散射能量,即0.01°×0.01°空间分辨率。
进一步地,获取气象同化系统预报数据,包括:
中国气象局陆面数据同化系统(CLDAS-V2.0)实时产品数据集中对应时间、经纬度网格内的10m风速和降雨量(0.0625°×0.0625°/1h时空分辨率)。
进一步地,图2给出了输出数据网格化和时序化匹配算法流程图,数据网格化处理过程中,采用图像分割法将气象同化系统的预测数据划分为网格,网格划分间距选择0.01°×0.01°(1km×1km,经纬度每隔0.01°,实际距离相差1km),并计算网格质心坐标,网格数据值即为质心坐标所属网格数据值;网格内数据时序化处理过程中,通过等间隔线性插值的方法来确定6min时间间隔的网格数据值;最终建立每个网格的结构化数据,包括网格质心坐标、基本反射率、垂直累积液态水含量、10m风速、降雨量五类参数。
进一步地,对LSTM神经网络训练和测试过程中,按照步骤S1、S2获取的历史上发生强对流天气时记录的雷达回波强度数据与气象同化系统预报数据,雷达回波强度数据作为输入数据,气象同化系统预测数据作为输出数据,构造数据样本集,将数据样本集划分为训练集和测试集,通过测试集来检验训练集的训练效果,确定最终模型,同时可依据不断更新的强对流天气雷达回波数据和气象同化系统预报数据,对神经网络模型样本数据集不断扩充,使神经网络模型能够根据预测的强对流天气雷达回波强度数据,预测出对应的10m风速和降雨量。
进一步地,获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,包括:
采用雷达回波外推技术,通过拟合雷达回波图像上的质心网格的运动轨迹,预测回波路径,通过雷达在先前几个时刻和当前时刻观测到的网格数据,拟合数据变化趋势,然后依此外推而预测未来时刻网格内雷达回波强度数据。
进一步地,步骤S5中所述根据未来时刻强对流天气下的10m风速和降雨量,评估强对流天气下输电线路风险并发布风险预警结果,包括:
根据未来时刻强对流天气下的10m风速和降雨量,结合输电线路参数与杆塔坐标,计算强风雨荷载下输电线路风偏放电间隙距离,评估强对流天气下输电线路风险并发布风险预警结果。
更进一步地,根据未来时刻强对流天气下的10m风速和降雨量,结合输电线路参数与杆塔坐标,计算强风雨荷载下输电线路风偏放电间隙距离,包括:
步骤1:将10m平均风速修正至杆塔高度处的瞬时风速值,计算杆塔高度处风速和降雨量作用下杆塔所承受的风荷载和雨荷载;
绝缘子、导线承受的风荷载分别是:
其中,μz为风压高度变化系数,Β为覆冰时的风荷载增大系数,AI为绝缘子串的受风面积(m2);α是随水平档距变化的风压不均匀系数;μsc导线体型系数;βc为500kV和750kV时风荷载调整系数;dc为导线外径,n分裂导线记为n·dc;Lp为线路水平档距;为导线所受风向与导线的夹角,可将其考虑为最恶劣的情形,取值为90°,即风向与导线垂直时对输电线路冲击最大;
绝缘子、导线承受的雨荷载分别是:
其中,dr为雨滴直径,单位m;ARi、ARc分别为绝缘子、导线的受雨面积;nr为单位体积空间内的雨滴个数,与降雨强度有关;μz为风压高度变化系数;ν为基准高度10m风速;
步骤2:依据风雨荷载和输电线路自身重力荷载对绝缘子串受力分析,计算绝缘子串风偏角;
其中,Gi为绝缘子自重荷载,Gc为绝缘子末端的导线自重荷载;
步骤3:依据杆塔几何关系,计算绝缘子串风偏角对应的线路与杆塔之间的间隙距离;
假设输电线路与塔头的间隙距离为d1,输电线路与塔身的间隙距离为d2,则线路与杆塔之间的间隙距离为:
d=min{d1,d2}
更进一步地,评估强对流天气下输电线路风险和风险预警,包括:
通过比较强对流天气下输电线路允许最小间隙距离和预测间隙距离即可评估该时刻受强对流天气影响的输电线路风险大小,即根据GB 50545-2010《110-750kV架空输电线路设计规范》规定,不同标称工频电压下带电部分与杆塔构件的允许最小放电间隙dth,判断输电线路是否会发生风偏放电:
进而根据风险预警等级及预警条件(表1)发布相应区域的预警结果;
表1强对流天气下输电线路风险预警等级表
预测间隙距离d | 预警等级 |
d<0.9dth | Ⅰ级(红色) |
0.9dth≤d<0.95dth | Ⅱ级(橙色) |
0.95dth≤d<1.0dth | Ⅲ级(黄色) |
1.0dth≤d<1.05dth | Ⅳ级(蓝色) |
一种强对流天气下基于气象雷达的输电线路风险预警系统,包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现所述强对流天气下基于气象雷达的输电线路风险预警方法。
一种计算机可读存储介质,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行所述强对流天气下基于气象雷达的输电线路风险预警方法。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换,只要不脱离本发明技术方案的精神和范围,均应涵盖在本发明的权利要求范围当中。
Claims (9)
1.一种强对流天气下基于气象雷达的输电线路风险预警方法,其特征在于,包括以下步骤:
S1:获取雷达回波强度数据和气象同化系统预测数据,所述雷达回波强度数据包括基本反射率和垂直累计液态水含量,所述气象同化系统预测数据包括10m风速和降雨量;
S2:对步骤S1所述气象同化系统预测数据进行网格化和时序化处理,获得时空尺度相统一的输入数据集和输出数据集,构造数据样本集;
S3:构建强对流天气下基于气象雷达的LSTM神经网络预测模型,并对模型进行训练和测试;
S4:获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,结合LSTM神经网络预测模型,预测未来时刻强对流天气下的10m风速和降雨量;
S5:根据未来时刻强对流天气下的10m风速和降雨量,评估强对流天气下输电线路风险并发布风险预警结果。
2.根据权利要求1所述的强对流天气下基于气象雷达的输电线路风险预警方法,其特征在于,步骤S2中所述对步骤S1所述输出数据网格化和时序化处理,包括:
输出数据网格化处理包括:采用图像分割法将气象同化系统预测数据划分为网格,网格划分间距选择0.01°×0.01°,并计算网格质心坐标,得到网格数据值;数据时序化处理包括:通过等间隔线性插值的方法确定6min时间间隔的网格数据值。
3.根据权利要求1所述的强对流天气下基于气象雷达的输电线路风险预警方法,其特征在于,步骤S4中所述获取未来时刻强对流发生区域的雷达回波路径和雷达回波强度数据,包括:
采用雷达回波外推技术,拟合质心网格的运动轨迹,预测雷达回波路径,雷达在先前几个时刻和当前时刻观测到的网格数据,拟合数据变化趋势,然后依此外推而预测未来时刻网格内雷达回波强度数据。
4.根据权利要求1所述的强对流天气下基于气象雷达的输电线路风险预警方法,其特征在于,步骤S5中所述根据未来时刻强对流天气下的10m风速和降雨量,评估强对流天气下输电线路风险并发布风险预警结果,包括:
根据未来时刻强对流天气下的10m风速和降雨量,结合输电线路参数与杆塔坐标,计算强风雨荷载下输电线路风偏放电间隙距离,评估强对流天气下输电线路风险并发布风险预警结果。
5.根据权利要求4所述的强对流天气下基于气象雷达的输电线路风险预警方法,其特征在于,所述根据未来时刻强对流天气下的10m风速和降雨量,结合输电线路参数与杆塔坐标,计算强风雨荷载下输电线路风偏放电间隙距离,包括:
步骤1:将10m风速修正至杆塔高度处的瞬时风速值,计算杆塔高度处风速和降雨量作用下杆塔所承受的风荷载和雨荷载;
绝缘子、导线承受的风荷载分别是:
其中,μz为风压高度变化系数,Β为覆冰时的风荷载增大系数,AI为绝缘子串的受风面积(m2);α是随水平档距变化的风压不均匀系数;μsc导线体型系数;βc为500kV和750kV时风荷载调整系数;dc为导线外径,n分裂导线记为n·dc;Lp为线路水平档距;为导线所受风向与导线的夹角,可将其考虑为最恶劣的情形,取值为90°,即风向与导线垂直时对输电线路冲击最大;
绝缘子、导线承受的雨荷载分别是:
其中,dr为雨滴直径,单位m;ARi、ARc分别为绝缘子、导线的受雨面积;nr为单位体积空间内的雨滴个数,与降雨强度有关;μz为风压高度变化系数;v为基准高度10m风速;
步骤2:依据风雨荷载和输电线路自身重力荷载对绝缘子串受力分析,计算绝缘子串风偏角;
其中,Gi为绝缘子自重荷载,Gc为绝缘子末端的导线自重荷载;
步骤3:依据杆塔几何关系,计算绝缘子串风偏角对应的线路与杆塔之间的间隙距离;
假设输电线路与塔头的间隙距离为d1,输电线路与塔身的间隙距离为d2,则线路与杆塔之间的间隙距离为:
d=min{d1,d2}。
7.根据权利要求6所述的强对流天气下基于气象雷达的输电线路风险预警方法,其特征在于,所述发布风险预警结果,包括:
设置风险预警等级及预警条件为:
d<0.9dth,Ⅰ级;
0.9dth≤d<0.95dth,Ⅱ级;
0.95dth≤d<1.0dth,Ⅲ级;
1.0dth≤d<1.05dth,Ⅳ级。
8.一种强对流天气下基于气象雷达的输电线路风险预警系统,其特征在于,包括:
存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现权利要求1-7任一项所述强对流天气下基于气象雷达的输电线路风险预警方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机可执行指令,所述计算机可执行指令用于使计算机执行权利要求1-7任一项所述强对流天气下基于气象雷达的输电线路风险预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232114.8A CN116384733A (zh) | 2023-03-10 | 2023-03-10 | 一种强对流天气下基于气象雷达的输电线路风险预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310232114.8A CN116384733A (zh) | 2023-03-10 | 2023-03-10 | 一种强对流天气下基于气象雷达的输电线路风险预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116384733A true CN116384733A (zh) | 2023-07-04 |
Family
ID=86966589
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310232114.8A Pending CN116384733A (zh) | 2023-03-10 | 2023-03-10 | 一种强对流天气下基于气象雷达的输电线路风险预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116384733A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114428A (zh) * | 2023-10-25 | 2023-11-24 | 国网山西省电力公司电力科学研究院 | 一种电力设备气象灾害分析预警方法 |
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 |
CN117909887A (zh) * | 2024-03-19 | 2024-04-19 | 国网山东省电力公司嘉祥县供电公司 | 一种电网雷电多重预警方法及系统 |
-
2023
- 2023-03-10 CN CN202310232114.8A patent/CN116384733A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117114428A (zh) * | 2023-10-25 | 2023-11-24 | 国网山西省电力公司电力科学研究院 | 一种电力设备气象灾害分析预警方法 |
CN117114428B (zh) * | 2023-10-25 | 2024-01-30 | 国网山西省电力公司电力科学研究院 | 一种电力设备气象灾害分析预警方法 |
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 |
CN117909887A (zh) * | 2024-03-19 | 2024-04-19 | 国网山东省电力公司嘉祥县供电公司 | 一种电网雷电多重预警方法及系统 |
CN117909887B (zh) * | 2024-03-19 | 2024-05-31 | 国网山东省电力公司嘉祥县供电公司 | 一种电网雷电多重预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109958588B (zh) | 结冰预测方法、装置、存储介质、模型生成方法及装置 | |
CN116384733A (zh) | 一种强对流天气下基于气象雷达的输电线路风险预警方法 | |
CN115933008A (zh) | 一种强对流天气预报预警方法 | |
CN110579823B (zh) | 一种强降雨短临预报方法及系统 | |
CN105334551B (zh) | 基于数值天气预报模式的电网气象预测预警系统 | |
CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
Panziera et al. | The relation between airflow and orographic precipitation on the southern side of the Alps as revealed by weather radar | |
CN111523699A (zh) | 一种基于综合状态健康度的架空线路故障概率预测方法 | |
CN111612315A (zh) | 一种新型电网灾害性大风预警方法 | |
Zhu et al. | Predictability and skill of convection-permitting ensemble forecast systems in predicting the record-breaking “21· 7” extreme rainfall event in Henan Province, China | |
CN104849777A (zh) | 基于交叉相关追踪法的电网设备区域对流天气预报方法 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN113298295A (zh) | 一种面向电力生产的气象预报系统 | |
CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
CN113933845A (zh) | 一种基于双线偏振雷达的地面降雹识别和预警方法 | |
CN113238230B (zh) | 一种针对电网生产的夏季强对流引起的大风预警方法 | |
CN117313537B (zh) | 数据驱动的覆冰预测方法及系统 | |
CN113075751A (zh) | 一种观测资料在短临预报中的融合方法和系统 | |
CN113935533A (zh) | 一种黄渤海海区大风推算方法 | |
CN107316109B (zh) | 架空线路冬季近地面风速预测方法、系统及装置 | |
CN113313342A (zh) | 多种自然灾害引发电网设备故障概率分析方法和系统 | |
CN117113680A (zh) | 一种大范围雷暴大风事件的检验分析方法及装置 | |
CN115047544B (zh) | 一种覆冰预警方法及系统 | |
CN113065253B (zh) | 一种基于深度学习的输电线路覆冰类型预测方法 | |
CN110782081A (zh) | 一种天地联合覆冰的预测预警系统及预测预警方法 |
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 |