CN116415495A - 面向复杂地形与气象环境的雷击跳闸率获取方法及设备 - Google Patents

面向复杂地形与气象环境的雷击跳闸率获取方法及设备 Download PDF

Info

Publication number
CN116415495A
CN116415495A CN202310335845.5A CN202310335845A CN116415495A CN 116415495 A CN116415495 A CN 116415495A CN 202310335845 A CN202310335845 A CN 202310335845A CN 116415495 A CN116415495 A CN 116415495A
Authority
CN
China
Prior art keywords
lightning
tower
parameters
trip
training
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
Application number
CN202310335845.5A
Other languages
English (en)
Inventor
许保瑜
周仿荣
潘浩
王韬
曹家军
王胜伟
赵毅林
周自更
卜威
张辉
高振宇
陈凯
马御棠
文刚
钱晓明
吴圆波
李欣江
陈庆宁
黄双得
李秉锴
刘一舟
王兴斌
刘津
熊阳献
陈若楠
罗龙
文习山
邓冶强
王羽
吴强
张昊琛
何潇
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.)
Yunnan Power Grid Co Ltd
Original Assignee
Yunnan 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 Yunnan Power Grid Co Ltd filed Critical Yunnan Power Grid Co Ltd
Priority to CN202310335845.5A priority Critical patent/CN116415495A/zh
Publication of CN116415495A publication Critical patent/CN116415495A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Computing Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Strategic Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Geometry (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)

Abstract

本发明提供了一种面向复杂地形与气象环境的雷击跳闸率获取方法及设备。所述方法包括：步骤1至步骤5。本发明以杆塔为单位获取雷电活动参数，气象参数，微地形参数，线路结构参数，使雷击跳闸率计算结果精确至杆塔；采用了经过优化后的BP神经网络来挖掘各个雷害风险参数与历史雷击故障数据间的关系，使雷击跳闸率计算考虑因素更全，模型泛化能力更强。

Description

面向复杂地形与气象环境的雷击跳闸率获取方法及设备
技术领域
本发明实施例涉及输电线路雷害风险评估技术领域，尤其涉及一种面向复杂地形与气象环境的雷击跳闸率获取方法及设备。
背景技术
雷击跳闸率是防雷性能评估的重要指标之一，其精确计算结果对后续采取的防雷配置方法具有重要意义。雷击跳闸率主要受雷电活动规律和线路本身耐雷水平两方面的影响。而雷电活动规律又在地形和气象上得以体现。现有工程应用中计算雷击跳闸率的方法主要是规程法和电气几何模型法，其中规程法是我国基于线路运行经验提出的一套经验计算公式，在低电压等级有较好的效果，但其在考虑地形时仅粗略地将地形划分为几种类型已经难以满足计算要求；电气几何模型法是现在工程实际中计算绕击跳闸率最常用的方法，各种考虑地形因素的改进电气几何模型法在此基础上逐渐发展出来，然而相关技术往往只考虑如地面倾角等一种或几种因素，微地形因素考虑不全且气象因素影响也没有考虑在内，并且往往存在假设或简化条件，无法反映雷击输电线路跳闸这种复杂物理过程。因此，开发一种面向复杂地形与气象环境的雷击跳闸率获取方法及设备，可以有效克服上述相关技术中的缺陷，就成为业界亟待解决的技术问题。
发明内容
针对现有技术存在的上述问题，本发明实施例提供了一种面向复杂地形与气象环境的雷击跳闸率获取方法及设备。
第一方面，本发明的实施例提供了一种面向复杂地形与气象环境的雷击跳闸率获取方法，包括：步骤1、获取输电线路环境的地表高程数据与地表覆盖类型数据来提取杆塔周围的地形参数，以杆塔为单位对其周围的海拔、坡度、坡向、水域密度、地面倾角、地形类型和地表覆盖类型进行提取；步骤2、基于雷电定位系统，采用圆域统计法统计每基杆塔预设公里缓冲半径内的地闪密度值，以及所述预设公里半径内所有雷击的雷电流幅值；步骤3、以杆塔为单位，提取最邻近气象站的气象参数：温度、风速或风向、气压、露点温度和相对湿度；步骤4、依据线路台账，获取每基杆塔的线路结构参数包括电压等级、有无避雷器、杆塔呼高、绝缘子串长、档距，并统计各基杆塔的历史雷害故障信息；步骤5、构建以地形参数、雷电活动参数、气象参数、线路结构参数为输入的输入向量，实际或历史雷击故障数据为输出的数据集，并按预设比例划分为训练集和测试集，将训练集供给Adam算法改进的BP神经网络进行训练，训练完成后用测试集验证其训练结果保证平均预测误差在预设百分比内，完成多源数据融合的输电线路雷击跳闸率计算。
在上述方法实施例内容的基础上，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤1具体包括：地理信息系统中导入输电线路各基杆塔的经纬度信息，利用地理信息软件直接提取各基杆塔的海拔、坡度、地面倾角；对于地形类型的提取，选用的方法为地表流水物理模拟分析法，将地形分为山脊、山谷、垭口、迎风坡和背风坡、平地；对于山脊和山谷的划分，根据地表流水物理规律，计算地表栅格的汇流累积量，山脊作为分水线，其汇流累积量应为零，所以将汇流累积量为零的点相连即得到分水线，将地表高程数据取反，按照同样的方法划分分水线即得到正地形下的汇水线；垭口是分水线和汇水线的交点，迎风坡和背风坡的提取：规定研究区域内除山脊、山谷和垭口地形外的区域为山坡区域；平地的提取：通过地理信息系统读取每个像元处的陡度，即两点高程差与水平距离的百分比，定义陡度在0至2％的区域为平地；水域密度的提取：将水域密度定义为杆塔周围半径为3公里的区域水体面积与总面积的占比，用以分析水体对于杆塔跳闸率的影响；地表覆盖类型数据从公开数据源获取，将地表覆盖类型分为林地、草地、耕地、城镇用地。
在上述方法实施例内容的基础上，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，所述迎风坡和背风坡的提取具体包括：提取每个待识别的山坡单元，循环计算每个山坡单元的坡向，对于每个待分山坡单元，搜索该栅格单元位置最邻近气象站，计算最邻近气象站的多年夏季平均风向，对比坡向和夏季风向，将坡向和风向夹角在90°以内为山坡单元划分为迎风坡，否则为背风坡。
在上述方法实施例内容的基础上，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤2具体包括：采用圆域统计法计算各杆塔附近预定半径内的落雷密度；选取1000米半径作为缓冲区，计算该缓冲区内的地闪密度公式；其中地闪密度为Ng，统计年限为m，R为统计半径，i为自然数，Pi为第i年的地闪次数，年限内总地闪次数为
Figure BDA0004156439390000021
Figure BDA0004156439390000022
计算1公里缓冲半径内所有雷击的雷电流幅值均值；将地闪密度和雷电流幅值均值作为雷电活动参数的特征参量。
在上述方法实施例内容的基础上，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤3具体包括：从全球开源气象数据中获取温度、风速或风向、气压、露点温度和相对湿度。
在上述方法实施例内容的基础上，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤5具体包括：步骤5.1，构造BP神经网络模型，分为输入层、隐藏层、输出层三层；输入参数包括：地形参数：海拔、坡向、坡度、水域密度、地形类型、地表覆盖类型；杆塔参数：电压等级、左侧地面倾角、右侧地面倾角、杆塔呼高、绝缘子串长、有无避雷器、档距；雷电活动参数：地闪密度值，雷电流幅值均值；气象参数：温度、风速或风向、气压、露点温度、相对湿度；输入层神经元个数与输入参数的个数共21个；步骤5.2，选取隐藏层神经元个数，参照的经验公式包括；
Figure BDA0004156439390000031
其中，Nh是隐藏层神经元数量，Ni是输入层神经元个数，No是输出层神经元个数，Ns是训练集的样本数，α是变量，取2至10中的任一数；选取隐藏层神经元个数为23个；步骤5.3，开始训练前，对BP神经网络进行优化。
在上述方法实施例内容的基础上，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤5.3具体包括：步骤5.3.1，输入参数进行归一化，采用0均值归一化的方法，对于每个维度的特征参数，其归一化公式包括；
Figure BDA0004156439390000032
其中，z为归一化后的值，x为每个维度的特征参数，μ和σ分别为每个维度的原始特征参数的均值和方差；在构建数据集时因杆塔雷击跳闸的历史统计值的单位为平均每年的跳闸次数，单位是次/年，所以计算过程中的雷击故障的计算单位为次/年；常用的用来表示输电线路雷击跳闸率的单位为次/百公里/年，所以计算单位与常用单位之间存在折算关系；若要将雷击跳闸次数转换为雷击跳闸率，折算公式包括：
Figure BDA0004156439390000033
其中，S为折算后的雷击跳闸率，S*为雷击跳闸次数的模型计算值，L1和L2则分别为杆塔的大号侧档距和小号侧档距；步骤5.3.2，P神经网络改进方法采用Adam算法对BP神经网络的训练过程进行优化，构建完成的BP神经网络可进行训练，训练的目标函数为均方根误差函数，其计算方式包括；模型以损失函数最小为目的逐步调整网络权重直至训练完成；训练结束后采用测试集验证训练效果，保证训练后的模型计算平均误差在20％以内；
Figure BDA0004156439390000041
其中，MSE为均方根误差，n为计算误差的样本总数，yi为真实值，
Figure BDA0004156439390000042
为预测值。
第二方面，本发明的实施例提供了一种面向复杂地形与气象环境的雷击跳闸率获取装置，包括：第一主模块，用于实现步骤1、获取输电线路环境的地表高程数据与地表覆盖类型数据来提取杆塔周围的地形参数，以杆塔为单位对其周围的海拔、坡度、坡向、水域密度、地面倾角、地形类型和地表覆盖类型进行提取；第二主模块，用于实现步骤2、基于雷电定位系统，采用圆域统计法统计每基杆塔预设公里缓冲半径内的地闪密度值，以及所述预设公里半径内所有雷击的雷电流幅值；第三主模块，用于实现步骤3、以杆塔为单位，提取最邻近气象站的气象参数：温度、风速或风向、气压、露点温度和相对湿度；第四主模块，用于实现步骤4、依据线路台账，获取每基杆塔的线路结构参数包括电压等级、有无避雷器、杆塔呼高、绝缘子串长、档距，并统计各基杆塔的历史雷害故障信息；第五主模块，用于实现步骤5、构建以地形参数、雷电活动参数、气象参数、线路结构参数为输入的输入向量，实际或历史雷击故障数据为输出的数据集，并按预设比例划分为训练集和测试集，将训练集供给Adam算法改进的BP神经网络进行训练，训练完成后用测试集验证其训练结果保证平均预测误差在预设百分比内，完成多源数据融合的输电线路雷击跳闸率计算。
第三方面，本发明的实施例提供了一种电子设备，包括：
至少一个处理器；以及
与处理器通信连接的至少一个存储器，其中：
存储器存储有可被处理器执行的程序指令，处理器调用程序指令能够执行第一方面的各种实现方式中任一种实现方式所提供的面向复杂地形与气象环境的雷击跳闸率获取方法。
第四方面，本发明的实施例提供了一种非暂态计算机可读存储介质，非暂态计算机可读存储介质存储计算机指令，计算机指令使计算机执行第一方面的各种实现方式中任一种实现方式所提供的面向复杂地形与气象环境的雷击跳闸率获取方法。
本发明实施例提供的面向复杂地形与气象环境的雷击跳闸率获取方法及设备，以杆塔为单位获取雷电活动参数，气象参数，微地形参数，线路结构参数，使雷击跳闸率计算结果精确至杆塔；采用了经过优化后的BP神经网络来挖掘各个雷害风险参数与历史雷击故障数据间的关系，使雷击跳闸率计算考虑因素更全，模型泛化能力更强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做一简单的介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的面向复杂地形与气象环境的雷击跳闸率获取方法流程图；
图2为本发明实施例提供的面向复杂地形与气象环境的雷击跳闸率获取装置结构示意图；
图3为本发明实施例提供的电子设备的实体结构示意图；
图4为本发明实施例提供的平均相对误差分布效果示意图；
图5为本发明实施例提供的不同地表覆盖类型平均相对误差分布示意图；
图6为本发明实施例提供的不同地形类型平均相对误差分布示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例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。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
以杆塔为单位，融合地形、气象、线路结构等雷害风险参数，基于改进的BP神经网络算法挖掘雷害风险参数与历史雷击故障数据间的映射关系，使计算结果相较于现有方法更接近于实际值，达到精细化防雷的目的。基于这种思想，本发明实施例提供了一种面向复杂地形与气象环境的雷击跳闸率获取方法，参见图1，该方法包括：步骤1、获取输电线路环境的地表高程数据与地表覆盖类型数据来提取杆塔周围的地形参数，以杆塔为单位对其周围的海拔、坡度、坡向、水域密度、地面倾角、地形类型和地表覆盖类型进行提取；步骤2、基于雷电定位系统，采用圆域统计法统计每基杆塔预设公里缓冲半径内的地闪密度值，以及所述预设公里半径内所有雷击的雷电流幅值；步骤3、以杆塔为单位，提取最邻近气象站的气象参数：温度、风速或风向、气压、露点温度和相对湿度；步骤4、依据线路台账，获取每基杆塔的线路结构参数包括电压等级、有无避雷器、杆塔呼高、绝缘子串长、档距，并统计各基杆塔的历史雷害故障信息；步骤5、构建以地形参数、雷电活动参数、气象参数、线路结构参数为输入的输入向量，实际或历史雷击故障数据为输出的数据集，并按预设比例划分为训练集和测试集，将训练集供给Adam算法改进的BP神经网络进行训练，训练完成后用测试集验证其训练结果保证平均预测误差在预设百分比内，完成多源数据融合的输电线路雷击跳闸率计算。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤1具体包括：地理信息系统中导入输电线路各基杆塔的经纬度信息，利用地理信息软件直接提取各基杆塔的海拔、坡度、地面倾角；对于地形类型的提取，选用的方法为地表流水物理模拟分析法，将地形分为山脊、山谷、垭口、迎风坡和背风坡、平地；对于山脊和山谷的划分，根据地表流水物理规律，计算地表栅格的汇流累积量，山脊作为分水线，其汇流累积量应为零，所以将汇流累积量为零的点相连即得到分水线，将地表高程数据取反，按照同样的方法划分分水线即得到正地形下的汇水线；垭口是分水线和汇水线的交点，迎风坡和背风坡的提取：规定研究区域内除山脊、山谷和垭口地形外的区域为山坡区域；平地的提取：通过地理信息系统读取每个像元处的陡度，即两点高程差与水平距离的百分比，定义陡度在0至2％的区域为平地；水域密度的提取：将水域密度定义为杆塔周围半径为3公里的区域水体面积与总面积的占比，用以分析水体对于杆塔跳闸率的影响；地表覆盖类型数据从公开数据源获取，将地表覆盖类型分为林地、草地、耕地、城镇用地。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，所述迎风坡和背风坡的提取具体包括：提取每个待识别的山坡单元，循环计算每个山坡单元的坡向，对于每个待分山坡单元，搜索该栅格单元位置最邻近气象站，计算最邻近气象站的多年夏季平均风向，对比坡向和夏季风向，将坡向和风向夹角在90°以内为山坡单元划分为迎风坡，否则为背风坡。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤2具体包括：采用圆域统计法计算各杆塔附近预定半径内的落雷密度；选取1000米半径作为缓冲区，计算该缓冲区内的地闪密度公式；其中地闪密度为Ng，统计年限为m，R为统计半径，i为自然数，Pi为第i年的地闪次数，年限内总地闪次数为
Figure BDA0004156439390000071
Figure BDA0004156439390000072
计算1公里缓冲半径内所有雷击的雷电流幅值均值；将地闪密度和雷电流幅值均值作为雷电活动参数的特征参量。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤3具体包括：从全球开源气象数据中获取温度、风速或风向、气压、露点温度和相对湿度。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤5具体包括：步骤5.1，构造BP神经网络模型，分为输入层、隐藏层、输出层三层；输入参数包括：地形参数：海拔、坡向、坡度、水域密度、地形类型、地表覆盖类型；杆塔参数：电压等级、左侧地面倾角、右侧地面倾角、杆塔呼高、绝缘子串长、有无避雷器、档距；雷电活动参数：地闪密度值，雷电流幅值均值；气象参数：温度、风速或风向、气压、露点温度、相对湿度；输入层神经元个数与输入参数的个数共21个；步骤5.2，选取隐藏层神经元个数，参照的经验公式包括；
Figure BDA0004156439390000073
其中，Nh是隐藏层神经元数量，Ni是输入层神经元个数，No是输出层神经元个数，Ns是训练集的样本数，α是变量，取2至10中的任一数；选取隐藏层神经元个数为23个；步骤5.3，开始训练前，对BP神经网络进行优化。
基于上述方法实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取方法，步骤5.3具体包括：步骤5.3.1，输入参数进行归一化，采用0均值归一化的方法，对于每个维度的特征参数，其归一化公式包括；
Figure BDA0004156439390000081
其中，z为归一化后的值，x为每个维度的特征参数，μ和σ分别为每个维度的原始特征参数的均值和方差；在构建数据集时因杆塔雷击跳闸的历史统计值的单位为平均每年的跳闸次数，单位是次/年，所以计算过程中的雷击故障的计算单位为次/年；常用的用来表示输电线路雷击跳闸率的单位为次/百公里/年，所以计算单位与常用单位之间存在折算关系；若要将雷击跳闸次数转换为雷击跳闸率，折算公式包括：
Figure BDA0004156439390000082
其中，S为折算后的雷击跳闸率，S*为雷击跳闸次数的模型计算值，L1和L2则分别为杆塔的大号侧档距和小号侧档距；步骤5.3.2，P神经网络改进方法采用Adam算法对BP神经网络的训练过程进行优化，构建完成的BP神经网络可进行训练，训练的目标函数为均方根误差函数，其计算方式包括；模型以损失函数最小为目的逐步调整网络权重直至训练完成；训练结束后采用测试集验证训练效果，保证训练后的模型计算平均误差在20％以内；
Figure BDA0004156439390000083
其中，MSE为均方根误差，n为计算误差的样本总数，yi为真实值，
Figure BDA0004156439390000084
为预测值。
本发明实施例提供的面向复杂地形与气象环境的雷击跳闸率获取方法，以杆塔为单位获取雷电活动参数，气象参数，微地形参数，线路结构参数，使雷击跳闸率计算结果精确至杆塔；采用了经过优化后的BP神经网络来挖掘各个雷害风险参数与历史雷击故障数据间的关系，使雷击跳闸率计算考虑因素更全，模型泛化能力更强。
在另一实施例中，针对地区2000基输电杆塔进行多源数据的雷击跳闸率计算，按照步骤1至步骤4获取气象数据、线路结构参数、雷电参数和地形参数，构建出用于计算雷击跳闸率的输入特征向量；将每基杆塔作为一个样本，按照4：1划分BP神经网络的训练集和测试集得到1600个训练集样本和400个测试集样本，基于步骤五对BP神经网络进行训练和测试。
为验证采取的两种优化方式的优化效果，对不同的优化方式进行对比；无参数归一化时的训练损失下降在会发生损失函数的振荡，这将导致训练模型效果不稳定；SGD法在2000次迭代周期以内收敛但下降速度不如RMSProp和Adam优化方法；而AdaGrad方法和AdaDelta方法收敛速度均较慢，8000次迭代周期内仍没有收敛；RMSProp法在1000次迭代周期内收敛，但在末尾仍出现小幅度振荡，而Adam法训练损失曲线下降较快且下降曲线平滑；故采用输入参数归一化并加上Adam优化算法的神经网络损失下降效果最优；由此验证Adam优化方法在输电线路雷击跳闸率修正数据上的优越性。
从平均误差角度分析预测效果；对于测试集，根据雷击跳闸率修正模型的结果，得到雷击跳闸率修正模型测试集的相对误差绝对值的平均值为0.167，方差为0.131，相对误差平均值的分布情况如图4所示，测试集总的修正雷击跳闸率相对误差绝对值分布范围基本在-0.5～0.5之间，且测试集上，修正雷击跳闸率相对误差绝对值分布在-0.2～0.2之间的频率为70.1％，修正雷击跳闸率相对误差绝对值分布在-0.3～0.3之间的频率为82.5％。
在测试集中可按照地表覆盖类型和地形类型将其分别分类，可画出不同地表覆盖类型及地形类型的平均相对误差散点图，如图5和图6所示，观察总的雷击跳闸率修正平均相对误差绝对值以及各地表覆盖类型和地形类型下的平均相对误差绝对值，发现均小于20％。
本发明各个实施例的实现基础是通过具有处理器功能的设备进行程序化的处理实现的。因此在工程实际中，可以将本发明各个实施例的技术方案及其功能封装成各种模块。基于这种现实情况，在上述各实施例的基础上，本发明的实施例提供了一种面向复杂地形与气象环境的雷击跳闸率获取装置，该装置用于执行上述方法实施例中的面向复杂地形与气象环境的雷击跳闸率获取方法。参见图2，该装置包括：第一主模块，用于实现步骤1、获取输电线路环境的地表高程数据与地表覆盖类型数据来提取杆塔周围的地形参数，以杆塔为单位对其周围的海拔、坡度、坡向、水域密度、地面倾角、地形类型和地表覆盖类型进行提取；第二主模块，用于实现步骤2、基于雷电定位系统，采用圆域统计法统计每基杆塔预设公里缓冲半径内的地闪密度值，以及所述预设公里半径内所有雷击的雷电流幅值；第三主模块，用于实现步骤3、以杆塔为单位，提取最邻近气象站的气象参数：温度、风速或风向、气压、露点温度和相对湿度；第四主模块，用于实现步骤4、依据线路台账，获取每基杆塔的线路结构参数包括电压等级、有无避雷器、杆塔呼高、绝缘子串长、档距，并统计各基杆塔的历史雷害故障信息；第五主模块，用于实现步骤5、构建以地形参数、雷电活动参数、气象参数、线路结构参数为输入的输入向量，实际或历史雷击故障数据为输出的数据集，并按预设比例划分为训练集和测试集，将训练集供给Adam算法改进的BP神经网络进行训练，训练完成后用测试集验证其训练结果保证平均预测误差在预设百分比内，完成多源数据融合的输电线路雷击跳闸率计算。
本发明实施例提供的面向复杂地形与气象环境的雷击跳闸率获取装置，采用图2中的若干模块，以杆塔为单位获取雷电活动参数，气象参数，微地形参数，线路结构参数，使雷击跳闸率计算结果精确至杆塔；采用了经过优化后的BP神经网络来挖掘各个雷害风险参数与历史雷击故障数据间的关系，使雷击跳闸率计算考虑因素更全，模型泛化能力更强。
需要说明的是，本发明提供的装置实施例中的装置，除了可以用于实现上述方法实施例中的方法外，还可以用于实现本发明提供的其他方法实施例中的方法，区别仅仅在于设置相应的功能模块，其原理与本发明提供的上述装置实施例的原理基本相同，只要本领域技术人员在上述装置实施例的基础上，参考其他方法实施例中的具体技术方案，通过组合技术特征获得相应的技术手段，以及由这些技术手段构成的技术方案，在保证技术方案具备实用性的前提下，就可以对上述装置实施例中的装置进行改进，从而得到相应的装置类实施例，用于实现其他方法类实施例中的方法。例如：
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取装置，还包括：第一子模块，用于实现步骤1具体包括：地理信息系统中导入输电线路各基杆塔的经纬度信息，利用地理信息软件直接提取各基杆塔的海拔、坡度、地面倾角；对于地形类型的提取，选用的方法为地表流水物理模拟分析法，将地形分为山脊、山谷、垭口、迎风坡和背风坡、平地；对于山脊和山谷的划分，根据地表流水物理规律，计算地表栅格的汇流累积量，山脊作为分水线，其汇流累积量应为零，所以将汇流累积量为零的点相连即得到分水线，将地表高程数据取反，按照同样的方法划分分水线即得到正地形下的汇水线；垭口是分水线和汇水线的交点，迎风坡和背风坡的提取：规定研究区域内除山脊、山谷和垭口地形外的区域为山坡区域；平地的提取：通过地理信息系统读取每个像元处的陡度，即两点高程差与水平距离的百分比，定义陡度在0至2％的区域为平地；水域密度的提取：将水域密度定义为杆塔周围半径为3公里的区域水体面积与总面积的占比，用以分析水体对于杆塔跳闸率的影响；地表覆盖类型数据从公开数据源获取，将地表覆盖类型分为林地、草地、耕地、城镇用地。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取装置，还包括：第二子模块，用于实现所述迎风坡和背风坡的提取具体包括：提取每个待识别的山坡单元，循环计算每个山坡单元的坡向，对于每个待分山坡单元，搜索该栅格单元位置最邻近气象站，计算最邻近气象站的多年夏季平均风向，对比坡向和夏季风向，将坡向和风向夹角在90°以内为山坡单元划分为迎风坡，否则为背风坡。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取装置，还包括：第三子模块，用于实现步骤2具体包括：采用圆域统计法计算各杆塔附近预定半径内的落雷密度；选取1000米半径作为缓冲区，计算该缓冲区内的地闪密度公式；其中地闪密度为Ng，统计年限为m，R为统计半径，i为自然数，Pi为第i年的地闪次数，年限内总地闪次数为
Figure BDA0004156439390000111
Figure BDA0004156439390000112
计算1公里缓冲半径内所有雷击的雷电流幅值均值；将地闪密度和雷电流幅值均值作为雷电活动参数的特征参量。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取装置，还包括：第四子模块，用于实现步骤3具体包括：从全球开源气象数据中获取温度、风速或风向、气压、露点温度和相对湿度。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取装置，还包括：第五子模块，用于实现步骤5具体包括：步骤5.1，构造BP神经网络模型，分为输入层、隐藏层、输出层三层；输入参数包括：地形参数：海拔、坡向、坡度、水域密度、地形类型、地表覆盖类型；杆塔参数：电压等级、左侧地面倾角、右侧地面倾角、杆塔呼高、绝缘子串长、有无避雷器、档距；雷电活动参数：地闪密度值，雷电流幅值均值；气象参数：温度、风速或风向、气压、露点温度、相对湿度；输入层神经元个数与输入参数的个数共21个；步骤5.2，选取隐藏层神经元个数，参照的经验公式包括；
Figure BDA0004156439390000113
其中，Nh是隐藏层神经元数量，Ni是输入层神经元个数，No是输出层神经元个数，Ns是训练集的样本数，α是变量，取2至10中的任一数；选取隐藏层神经元个数为23个；步骤5.3，开始训练前，对BP神经网络进行优化。
基于上述装置实施例的内容，作为一种可选的实施例，本发明实施例中提供的面向复杂地形与气象环境的雷击跳闸率获取装置，还包括：第六子模块，用于实现步骤5.3具体包括：步骤5.3.1，输入参数进行归一化，采用0均值归一化的方法，对于每个维度的特征参数，其归一化公式包括；
Figure BDA0004156439390000121
其中，z为归一化后的值，x为每个维度的特征参数，μ和σ分别为每个维度的原始特征参数的均值和方差；在构建数据集时因杆塔雷击跳闸的历史统计值的单位为平均每年的跳闸次数，单位是次/年，所以计算过程中的雷击故障的计算单位为次/年；常用的用来表示输电线路雷击跳闸率的单位为次/百公里/年，所以计算单位与常用单位之间存在折算关系；若要将雷击跳闸次数转换为雷击跳闸率，折算公式包括：
Figure BDA0004156439390000122
其中，S为折算后的雷击跳闸率，S*为雷击跳闸次数的模型计算值，L1和L2则分别为杆塔的大号侧档距和小号侧档距；步骤5.3.2，P神经网络改进方法采用Adam算法对BP神经网络的训练过程进行优化，构建完成的BP神经网络可进行训练，训练的目标函数为均方根误差函数，其计算方式包括；模型以损失函数最小为目的逐步调整网络权重直至训练完成；训练结束后采用测试集验证训练效果，保证训练后的模型计算平均误差在20％以内；
Figure BDA0004156439390000123
其中，MSE为均方根误差，n为计算误差的样本总数，yi为真实值，
Figure BDA0004156439390000124
为预测值。
本发明实施例的方法是依托电子设备实现的，因此对相关的电子设备有必要做一下介绍。基于此目的，本发明的实施例提供了一种电子设备，如图3所示，该电子设备包括：至少一个处理器(processor)、通信接口(Communications Interface)、至少一个存储器(memory)和通信总线，其中，至少一个处理器，通信接口，至少一个存储器通过通信总线完成相互间的通信。至少一个处理器可以调用至少一个存储器中的逻辑指令，以执行前述各个方法实施例提供的方法的全部或部分步骤。
此外，上述的至少一个存储器中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个方法实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
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。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件实现。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的一些部分所述的方法。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。基于这种认识，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
需要说明的是，术语"包括"、"包含"或者其任何其它变体意在涵盖非排它性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其它要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句"包括……"限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (10)

1.一种面向复杂地形与气象环境的雷击跳闸率获取方法，其特征在于，包括：步骤1、获取输电线路环境的地表高程数据与地表覆盖类型数据来提取杆塔周围的地形参数，以杆塔为单位对其周围的海拔、坡度、坡向、水域密度、地面倾角、地形类型和地表覆盖类型进行提取；步骤2、基于雷电定位系统，采用圆域统计法统计每基杆塔预设公里缓冲半径内的地闪密度值，以及所述预设公里半径内所有雷击的雷电流幅值；步骤3、以杆塔为单位，提取最邻近气象站的气象参数：温度、风速或风向、气压、露点温度和相对湿度；步骤4、依据线路台账，获取每基杆塔的线路结构参数包括电压等级、有无避雷器、杆塔呼高、绝缘子串长、档距，并统计各基杆塔的历史雷害故障信息；步骤5、构建以地形参数、雷电活动参数、气象参数、线路结构参数为输入的输入向量，实际或历史雷击故障数据为输出的数据集，并按预设比例划分为训练集和测试集，将训练集供给Adam算法改进的BP神经网络进行训练，训练完成后用测试集验证其训练结果保证平均预测误差在预设百分比内，完成多源数据融合的输电线路雷击跳闸率计算。
2.根据权利要求1所述的面向复杂地形与气象环境的雷击跳闸率获取方法，其特征在于，步骤1具体包括：地理信息系统中导入输电线路各基杆塔的经纬度信息，利用地理信息软件直接提取各基杆塔的海拔、坡度、地面倾角；对于地形类型的提取，选用的方法为地表流水物理模拟分析法，将地形分为山脊、山谷、垭口、迎风坡和背风坡、平地；对于山脊和山谷的划分，根据地表流水物理规律，计算地表栅格的汇流累积量，山脊作为分水线，其汇流累积量应为零，所以将汇流累积量为零的点相连即得到分水线，将地表高程数据取反，按照同样的方法划分分水线即得到正地形下的汇水线；垭口是分水线和汇水线的交点，迎风坡和背风坡的提取：规定研究区域内除山脊、山谷和垭口地形外的区域为山坡区域；平地的提取：通过地理信息系统读取每个像元处的陡度，即两点高程差与水平距离的百分比，定义陡度在0至2％的区域为平地；水域密度的提取：将水域密度定义为杆塔周围半径为3公里的区域水体面积与总面积的占比，用以分析水体对于杆塔跳闸率的影响；地表覆盖类型数据从公开数据源获取，将地表覆盖类型分为林地、草地、耕地、城镇用地。
3.根据权利要求2所述的面向复杂地形与气象环境的雷击跳闸率获取方法，其特征在于，所述迎风坡和背风坡的提取具体包括：提取每个待识别的山坡单元，循环计算每个山坡单元的坡向，对于每个待分山坡单元，搜索该栅格单元位置最邻近气象站，计算最邻近气象站的多年夏季平均风向，对比坡向和夏季风向，将坡向和风向夹角在90°以内为山坡单元划分为迎风坡，否则为背风坡。
4.根据权利要求3所述的面向复杂地形与气象环境的雷击跳闸率获取方法，其特征在于，步骤2具体包括：采用圆域统计法计算各杆塔附近预定半径内的落雷密度；选取1000米半径作为缓冲区，计算该缓冲区内的地闪密度公式；其中地闪密度为Ng，统计年限为m，R为统计半径，i为自然数，Pi为第i年的地闪次数，年限内总地闪次数为
Figure FDA0004156439370000021
Figure FDA0004156439370000022
计算1公里缓冲半径内所有雷击的雷电流幅值均值；将地闪密度和雷电流幅值均值作为雷电活动参数的特征参量。
5.根据权利要求4所述的面向复杂地形与气象环境的雷击跳闸率获取方法，其特征在于，步骤3具体包括：从全球开源气象数据中获取温度、风速或风向、气压、露点温度和相对湿度。
6.根据权利要求5所述的面向复杂地形与气象环境的雷击跳闸率获取方法，其特征在于，步骤5具体包括：步骤5.1，构造BP神经网络模型，分为输入层、隐藏层、输出层三层；输入参数包括：地形参数：海拔、坡向、坡度、水域密度、地形类型、地表覆盖类型；杆塔参数：电压等级、左侧地面倾角、右侧地面倾角、杆塔呼高、绝缘子串长、有无避雷器、档距；雷电活动参数：地闪密度值，雷电流幅值均值；气象参数：温度、风速或风向、气压、露点温度、相对湿度；输入层神经元个数与输入参数的个数共21个；步骤5.2，选取隐藏层神经元个数，参照的经验公式包括；
Figure FDA0004156439370000023
其中，Nh是隐藏层神经元数量，Ni是输入层神经元个数，No是输出层神经元个数，Ns是训练集的样本数，α是变量，取2至10中的任一数；选取隐藏层神经元个数为23个；步骤5.3，开始训练前，对BP神经网络进行优化。
7.根据权利要求6所述的面向复杂地形与气象环境的雷击跳闸率获取方法，其特征在于，步骤5.3具体包括：步骤5.3.1，输入参数进行归一化，采用0均值归一化的方法，对于每个维度的特征参数，其归一化公式包括；
Figure FDA0004156439370000031
其中，z为归一化后的值，x为每个维度的特征参数，μ和σ分别为每个维度的原始特征参数的均值和方差；在构建数据集时因杆塔雷击跳闸的历史统计值的单位为平均每年的跳闸次数，单位是次/年，所以计算过程中的雷击故障的计算单位为次/年；常用的用来表示输电线路雷击跳闸率的单位为次/百公里/年，所以计算单位与常用单位之间存在折算关系；若要将雷击跳闸次数转换为雷击跳闸率，折算公式包括：
Figure FDA0004156439370000032
其中，S为折算后的雷击跳闸率，S*为雷击跳闸次数的模型计算值，L1和L2则分别为杆塔的大号侧档距和小号侧档距；步骤5.3.2，P神经网络改进方法采用Adam算法对BP神经网络的训练过程进行优化，构建完成的BP神经网络可进行训练，训练的目标函数为均方根误差函数，其计算方式包括；模型以损失函数最小为目的逐步调整网络权重直至训练完成；训练结束后采用测试集验证训练效果，保证训练后的模型计算平均误差在20％以内；
Figure FDA0004156439370000033
其中，MSE为均方根误差，n为计算误差的样本总数，yi为真实值，
Figure FDA0004156439370000034
为预测值。
8.一种面向复杂地形与气象环境的雷击跳闸率获取装置，其特征在于，包括：第一主模块，用于实现步骤1、获取输电线路环境的地表高程数据与地表覆盖类型数据来提取杆塔周围的地形参数，以杆塔为单位对其周围的海拔、坡度、坡向、水域密度、地面倾角、地形类型和地表覆盖类型进行提取；第二主模块，用于实现步骤2、基于雷电定位系统，采用圆域统计法统计每基杆塔预设公里缓冲半径内的地闪密度值，以及所述预设公里半径内所有雷击的雷电流幅值；第三主模块，用于实现步骤3、以杆塔为单位，提取最邻近气象站的气象参数：温度、风速或风向、气压、露点温度和相对湿度；第四主模块，用于实现步骤4、依据线路台账，获取每基杆塔的线路结构参数包括电压等级、有无避雷器、杆塔呼高、绝缘子串长、档距，并统计各基杆塔的历史雷害故障信息；第五主模块，用于实现步骤5、构建以地形参数、雷电活动参数、气象参数、线路结构参数为输入的输入向量，实际或历史雷击故障数据为输出的数据集，并按预设比例划分为训练集和测试集，将训练集供给Adam算法改进的BP神经网络进行训练，训练完成后用测试集验证其训练结果保证平均预测误差在预设百分比内，完成多源数据融合的输电线路雷击跳闸率计算。
9.一种电子设备，其特征在于，包括：
至少一个处理器、至少一个存储器和通信接口；其中，
所述处理器、存储器和通信接口相互间进行通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令，以执行权利要求1至7任一项权利要求所述的方法。
10.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行权利要求1至7中任一项权利要求所述的方法。
CN202310335845.5A 2023-03-31 2023-03-31 面向复杂地形与气象环境的雷击跳闸率获取方法及设备 Pending CN116415495A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310335845.5A CN116415495A (zh) 2023-03-31 2023-03-31 面向复杂地形与气象环境的雷击跳闸率获取方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310335845.5A CN116415495A (zh) 2023-03-31 2023-03-31 面向复杂地形与气象环境的雷击跳闸率获取方法及设备

Publications (1)

Publication Number Publication Date
CN116415495A true CN116415495A (zh) 2023-07-11

Family

ID=87050853

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310335845.5A Pending CN116415495A (zh) 2023-03-31 2023-03-31 面向复杂地形与气象环境的雷击跳闸率获取方法及设备

Country Status (1)

Country Link
CN (1) CN116415495A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117970184A (zh) * 2024-03-29 2024-05-03 国网辽宁省电力有限公司抚顺供电公司 输电线路杆塔雷电泄流通道状态监测系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117970184A (zh) * 2024-03-29 2024-05-03 国网辽宁省电力有限公司抚顺供电公司 输电线路杆塔雷电泄流通道状态监测系统及方法
CN117970184B (zh) * 2024-03-29 2024-06-28 国网辽宁省电力有限公司抚顺供电公司 输电线路杆塔雷电泄流通道状态监测系统及方法

Similar Documents

Publication Publication Date Title
CN111582755B (zh) 一种基于多维度集合信息山洪灾害综合风险动态评估方法
CN102629294B (zh) 台风引发输电线路故障的概率评估方法
CN104463700B (zh) 一种基于数据挖掘技术的输电线路杆塔雷击风险评估方法
CN108831115B (zh) 一种基于Adaboost的输电线路暴雨灾害风险预警方法
CN113408917B (zh) 自然灾害风险评估方法、装置、计算机设备及存储介质
CN110866693B (zh) 一种基于gis模型的架空输电线路覆冰风险评估方法
CN113470333A (zh) 一种线路工程走廊浅层滑坡危险性评估及监测预警系统
CN108663600B (zh) 一种基于输电网的故障诊断方法、装置及存储介质
Afzali-Gorouh et al. Probable maximum precipitation estimation in a humid climate
CN110908014A (zh) 舞动精细化订正预报方法及系统
CN113591256B (zh) 一种山区输电线路杆塔雷击概率结果评估方法
CN110633858A (zh) 一种用于输电线路的暴雨地质灾害的聚类预警方法及系统
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN116415495A (zh) 面向复杂地形与气象环境的雷击跳闸率获取方法及设备
CN111445087A (zh) 基于极限学习机的洪水预测方法
CN113987813A (zh) 一种基于多参数决策和层次分析法的滑坡敏感性制图模型
CN114862278B (zh) 一种基于配网雷击数据的输电线雷击风险评估方法及系统
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
CN107403004B (zh) 一种基于地形数据的遥测雨量站点可疑数值检验方法
CN113821895B (zh) 输电线路覆冰厚度预测模型的构建方法、装置及存储介质
CN103093044A (zh) 输电线路覆冰舞动分布图测绘方法
CN117291418A (zh) 一种基于分布式监测数据的线路雷害风险评估方法及装置
CN115166865B (zh) 一种电力气象多层次监测组网方法、系统及存储介质
CN116523299A (zh) 一种配电线路杆塔雷害特征参数分级评估方法
CN113469518A (zh) 一种基于rbf神经网络的农村住房台风灾害预估方法

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