CN117131783B - 基于多模态学习的输电线路风险预测模型、方法和系统 - Google Patents
基于多模态学习的输电线路风险预测模型、方法和系统 Download PDFInfo
- Publication number
- CN117131783B CN117131783B CN202311360004.6A CN202311360004A CN117131783B CN 117131783 B CN117131783 B CN 117131783B CN 202311360004 A CN202311360004 A CN 202311360004A CN 117131783 B CN117131783 B CN 117131783B
- Authority
- CN
- China
- Prior art keywords
- lightning
- transmission line
- risk
- power transmission
- layer
- 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.)
- Active
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 158
- 238000013058 risk prediction model Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012502 risk assessment Methods 0.000 claims abstract description 69
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 208000025274 Lightning injury Diseases 0.000 claims abstract description 11
- 230000004913 activation Effects 0.000 claims description 68
- 230000006870 function Effects 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 28
- 238000002372 labelling Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 24
- 230000005684 electric field Effects 0.000 claims description 12
- 238000012545 processing Methods 0.000 claims description 11
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000010801 machine learning Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 230000004927 fusion Effects 0.000 abstract description 3
- 238000013473 artificial intelligence Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 210000004243 sweat Anatomy 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- 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
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06N3/048—Activation functions
-
- 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
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Human Resources & Organizations (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Probability & Statistics with Applications (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Geometry (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Public Health (AREA)
Abstract
本发明涉及人工智能和雷电风险预测技术领域,尤其是一种基于多模态学习的输电线路风险预测模型、方法和系统。本发明提出的一种基于多模态学习的输电线路风险预测模型的构建方法,首先分别构建雷电强度分析模块、距离预警模块以及输电线路风险分析模块,雷电强度分析模块对下一个时间点上的雷电强度进行预测,距离预警模块用于对下一个时间点上的雷击距离进行预测,输电线路风险分析模块结合下一个时间点上的雷电强度、距离预警等级和输电线路性能预测输电线路受雷击的风险等级。本发明在风险预测时,实现了多维度多模态数据的融合,提高了雷电风险预测的精度。
Description
技术领域
本发明涉及人工智能和雷电风险预测技术领域,尤其是一种基于多模态学习的输电线路风险预测模型、方法和系统。
背景技术
雷暴天气是自然现象的一种天气现象,近些年来由雷电引发的灾害频繁发生,并呈迅速上升的趋势。雷电对输电线路安全运行危害极大,业内人士多年来也采取了各种方法去预测雷电,进行输电线路的风险预测和评估,但也存在精确度不足的问题。
在过去的方法中有提到了利用气象、卫星、雷达和雷电定位系统和线路基本信息、结构信息的数据利用已知的规程法和 EGM 模型去预测线路受雷击风险等级;也有提出利用线路基本信息、结构信息,在指定时间段采集雷电参数,通过经验公式计算雷电跳闸率,结合评估指标进行输电线路风险与预测;亦有提出一种卫星云图中雷暴云团的识别方法,将神经网络系统应用于气象云图的监测领域中,加强对于雷暴云团的自动辨识,提升对雷暴云团识别的匹配速度;还有提出提取历史雷电流幅值和和雷达回波强度,雷电定位系统的雷云坐标,结合跳闸概率分布模型预测雷电风险等级。
在针对输电线路的雷电风险预测方面,大多采用对多源数据进行简单处理以提取数据特点的方法,再利用经验模型如 EGM 模型等等或者经验公式进行预测预警,也有简单的BP 神经网络结合气象数据和雷达回波进行预测。但这些根据推导出的经验公式、模型预测精度、复杂度不够,预测结果并不理想。
发明内容
为了克服上述现有技术中输电线路受雷击风险等级预测精度低的缺陷,本发明提出了一种基于多模态学习的输电线路风险预测模型,基于现在的计算机技术,可以学习雷电定位、气象数据等的非常复杂的相关性,从而更精确的预测输电线路雷击风险。
本发明提出的一种基于多模态学习的输电线路风险预测模型的构建方法,包括以下步骤:
S1、分别获取雷电强度分析模块、距离预警模块以及输电线路风险分析模块;雷电强度分析模块基于连续M1个时间点上的环境数据预测下一个时间点上的雷电强度;环境数据包括雷电流幅值I、大气电场强度Kv和气象数据;
距离预警模块基于输电线路的地理信息、雷电定位信息和下一个时间点上的雷电强度标注输电线路的距离预警等级;距离预警等级用于描述雷电位置和雷电强度对输电线路的雷击风险;
输电线路风险分析模块基于下一个时间点上的雷电强度、输电线路的距离预警等级和输电线路的性能信息标注输电线路的风险等级;风险等级越高,表示输电线路在下一次雷击中跳闸或者损坏的概率越高;
雷电强度分析模块、距离预警模块以及输电线路风险分析模块通过机器学习获得;
S2、组合雷电强度分析模块、距离预警模块以及输电线路风险分析模块构成输电线路风险预测模型;雷电强度分析模块、距离预警模块以及输电线路风险分析模块的输入均连接输电线路风险预测模型的输入,雷电强度分析模块的输出分别连接距离预警模块的输入和输电线路风险分析模块的输入,输电线路风险分析模块的输入也连接距离预警模块的输出,输电线路风险分析模块的输出即为输电线路风险预测模型的输出。
优选的,气象数据包括对流有效位能v1、K指数v2、SWEAT指数v3、SI指数v4、850百帕斯卡高度层的温度v5、500百帕斯卡高度层的温度v6、500 百帕斯卡高度层和750 百帕斯卡高度层之间的温度差v7、500 百帕斯卡高度层和750 百帕斯卡高度层之间的风速差v8、500百帕斯卡高度层的风速v9、850百帕斯卡高度层和925百帕斯卡高度层之间的风速差v10、500百帕斯卡高度层和750百帕斯卡高度层之间的风速差v11。
优选的,雷电强度分析模块通过构建的第一基础模型对构建的学习样本进行机器学习获得,学习样本包括连续M1个时间点上的环境数据以及第M1+1个时间点上的雷电强度;
第一基础模型针对各学习样本,输出第M1+1个时间点上的雷电强度概率分布p(1),其中最大概率对应的雷电强度为雷电强度预测值;
第一基础模型学习过程中采用的损失函数为:
交叉熵损失= -log2(雷电强度真实值对应的预测概率)。
优选的,第一基础模型包括输入层、残差网络模块、第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层;
残差网络模块包括多个TCN模块,每一个TCN模块包括:第一TCN网络、第二TCN网络、第三激活层、第四激活层、卷积层和输出端;
多个TCN模块顺序连接,第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层顺序连接;第一个TCN模块的输入连接输入层的输出,最后一个TCN模块的输出端连接第一激活函数的输入端;输入层的输入为第一基础模型的输入,输出层的输入还连接输入层的输出;输出层的输出为第一基础模型的输出;
输入层对获取的样本数据线性处理后分别输入到第一TCN网络和第二TCN网络,第一TCN网络处理后的数据通过第三激活层激活后输出,第二TCN网络处理后的数据通过第四激活层激活后输出;卷积层的输入为第三激活层输出的向量与第四激活层输出的向量的乘积;卷积层输出的数据向量结构为(k1-扩张因子)×k2;k1为输入层输入的样本数量,即输入层输入数据的时间点数量;k2为每一个样本的数据维度,即每一个时间点上的样本的数据维度;输入层输入的数据结构为k1×k2;
输出端将卷积层输出的数据向量中各元素与输入层输出的数据向量中对应元素相加后作为特征向量输出;每一个TCN模块的扩张因子为上一个TCN模块的扩张因子的两倍;
最后一个TCN模块输出的特征向量即为残差网络模块的输出,残差网络模块的输出通过第一激活函数激活后再经过第一线性变换层线性处理;第一线性变换层的输出经过第二激活函数激活后再经过第二线性变换层线性处理;输出层基于第二线性变换层的输出生成雷电强度分布概率,雷电强度分布概率即为第一基础模型的输出,雷电强度分布概率用于描述下一个时间点上雷电强度对应各个强度等级的概率,且概率之和为1。
优选的,第一激活函数和第二激活函数相同;第三激活层和第四激活层的激活函数相异。
优选的,距离预警模块基于聚类算法构建,距离预警模块用于对输入的分类样本进行聚类,每一个类别对应一个距离预警等级;距离预警模块采用CF-tree聚类算法;分类样本包括输电线路的经度h(lo)、纬度h(la)、高程差h(ldiff)、海拔h(li)和坡度h(ls),还包括待预测时间点上的雷电强度Lv、待预测时间点往前最近M1个时间点上雷电的经度均值avh(o)以及待预测时间点往前最近M1个时间点上雷电的维度均值avh(a)。
优选的,输电线路风险分析模块的获取包括以下步骤:
SC1、获取多个风险标注样本,各风险标注样本均标注有风险等级;风险标注样本包括雷电强度、雷电预警等级以及输电线路的绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ);
SC2、基于聚类算法构建输电线路风险分析模块,指定聚类算法的簇数量为风险等级数量;
SC3、令聚类算法对风险标注样本进行聚类;
SC4、判断同一个簇中的风险标注样本的风险等级是否一致;否,则对输电线路风险分析模块进行参数迭代,然后返回步骤SC3;是,则固定输电线路风险分析模块,并标注各簇的输电线路风险等级,簇的输电线路风险等级即为簇内各风险标注样本的风险等级。
优选的,风险标注样本的风险等级的标注方式为:构建风险等级因子与风险等级的映射关系,结合各风险标注样本的历史数据计算风险等级因子,然后获取风险等级因子对应的风险等级作为风险标注样本的风险等级;
风险等级因子p=a×线路跳闸率+(1-a)×线路损坏率
其中,a为设定值,0<a<1。
本发明提出的一种构建方法的基于多模态学习的输电线路风险预测方法,包括以下步骤:
St1、获取采集数据并输入输电线路风险预测模型;采集数据包括最近M1个时间点上的雷电定位数据、大气电场数据Kv和气象数据v1-v11,还包括输电线路的地理信息和性能信息;雷电定位数据包括雷电流幅值I、雷电定位经度h(o)和雷电定位纬度h(a);
St2、构建时间序列x1,时间序列x1包括目标区域内最近M1个时间点上的雷电电流I、大气电场Kv和气象数据v1-v11;
St3、雷电强度分析模块基于时间序列x1预测下一个时间点上的雷电强度Lv;
St4、结合雷电强度Lv和采集数据构建距离预警样本x2;距离预警样本x2包括:输电线路的地理信息、雷电强度Lv以及最近M1个时间点上雷电的中心点;所述中心点的经度为最近M1个时间点上雷电定位经度h(o)的均值,所述中心点的纬度为最近M1个时间点上雷电定位经度h(a)的均值;
St5、距离预警样本x2输入距离预警模块,距离预警模块对距离预警样本x2进行归类,获取距离预警样本x2所在簇的距离预警等级Dv;
St6、构建风险评估样本x3,风险评估样本x3包括雷电强度Lv距离预警等级Dv以及输电线路的性能信息;输电线路的性能信息包括绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ);
St7、将风险评估样本x3输入输电线路风险分析模块,输电线路风险分析模块对风险评估样本x3进行归类,获取风险评估样本x3所在簇的风险等级作为输电线路风险评估结果。
本发明提出的一种基于多模态学习的输电线路风险预测系统,包括存储器和处理器,存储器中存储有计算机程序,处理器与存储器连接,处理器用于执行所述计算机程序以实现所述的基于多模态学习的输电线路风险预测方法。
本发明的优点在于:
(1)本发明提出的一种基于多模态学习的输电线路风险预测模型的构建方法,首先分别构建雷电强度分析模块、距离预警模块以及输电线路风险分析模块,雷电强度分析模块对下一个时间点上的雷电强度进行预测,距离预警模块用于对下一个时间点上的雷击距离进行预测,输电线路风险分析模块结合下一个时间点上的雷电强度、距离预警等级和输电线路性能预测输电线路受雷击的风险等级。本发明在风险预测时,实现了多维度多模态数据的融合,且雷电强度分析模块和距离预警模块相互独立,分别对部分采集数据进行处理,避免了数据过渡拟合、干扰,从而实现了多模态数据的有益融合,提高了雷电风险预测的精度。
(2)本发明还给出了一种雷电强度分析模块的网络结构和训练方法,该雷电强度分析模块对输入数据进行多重线性处理,大大提高了雷电强度的预测精度。
(3)本发明中距离预警模块和输电线路风险分析模块均基于聚类算法构建,大大提高了计算速度和效率。
附图说明
图1为基于多模态学习的输电线路风险预测模型的构建方法流程图;
图2为基于多模态学习的输电线路风险预测方法流程图;
图3为实施例中雷电强度分析模块的性能对比;
图4为不同激活函数对雷电强度分析模块的性能对比;
图5为输电线路风险预测模型的性能对比。
具体实施方式
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、完整的描述,显然,所描述的实施例仅仅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。
本实施方式提出的输电线路风险预测模型用于结合最近M1个时间点上的采集数据预测下一个时间点上输电线路的雷击风险;
采集数据包括:
雷电定位数据:雷电流幅值I、雷电定位经度h(o)和雷电定位纬度h(a);
大气场数据:大气电场强度Kv;
气象数据:对流有效位能v1、K指数v2、SWEAT指数v3、SI指数v4、850百帕斯卡高度层的温度v5、500百帕斯卡高度层的温度v6、500 百帕斯卡高度层和750 百帕斯卡高度层之间的温度差v7、500 百帕斯卡高度层和750 百帕斯卡高度层之间的风速差v8、500百帕斯卡高度层的风速v9、850百帕斯卡高度层和925百帕斯卡高度层之间的风速差v10、500百帕斯卡高度层和750百帕斯卡高度层之间的风速差v11;
输电线路的地理信息:输电线路的经度h(lo)、纬度h(la)、高程差h(ldiff)、海拔h(li)、坡度h(ls);
输电线路的性能信息:绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ);
如图1所示,本实施方式提出到的基于多模态学习的输电线路风险预测模型的构建方法,包括步骤S1-S2。
S1、分别获取雷电强度分析模块、距离预警模块以及输电线路风险分析模块;
雷电强度分析模块基于连续M1个时间点上的环境数据预测下一个时间点上的雷电强度;环境数据包括雷电流幅值I、大气电场强度Kv和气象数据;
距离预警模块基于输电线路的地理信息、雷电定位信息和下一个时间点上的雷电强度标注输电线路的距离预警等级;距离预警等级用于描述雷电位置和雷电强度对输电线路的雷击风险;雷电位置距离输电线路越近,雷电强度越大,则距离预警等级越高;
输电线路风险分析模块基于下一个时间点上的雷电强度、输电线路的距离预警等级和输电线路的性能信息标注输电线路的风险等级;风险等级越高,表示输电线路在下一次雷击中跳闸或者损坏的概率越高;输电线路的性能信息包括绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ)。
S2、组合雷电强度分析模块、距离预警模块以及输电线路风险分析模块构成输电线路风险预测模型;雷电强度分析模块、距离预警模块以及输电线路风险分析模块的输入均连接输电线路风险预测模型的输入,雷电强度分析模块的输出分别连接距离预警模块的输入和输电线路风险分析模块的输入,输电线路风险分析模块的输入也连接距离预警模块的输出,输电线路风险分析模块的输出即为输电线路风险预测模型的输出。
雷电强度分析模块的获取包括以下步骤SA1-SA2。
SA1、构建k个学习样本,令1≤r≤k,x(r)表示第r个学习样本;
x(r)={x(r,1),x(r,2),…,x(r,m1),…,x(r,M1);Lv(M1+1)}
x(r,m1)表示x(r)中第m1个时间点上的数据,记作:
x(r,m1)={I,Kv,v1,v2,v3,…,v11}(r,m1)
{I,Kv,v1,v2,v3,…,v11}(r,m1)表示x(r)中第m1个时间点上采集的雷电流幅值I、大气电场强度Kv和气象数据v1-v11;
Lv(M1+1)表示x(r)中第M1+1个时间点上的雷电强度;
SA2、构建第一基础模型,令第一基础模型对k个学习样本进行机器学习,获取收敛后的第一基础模型作为雷电强度分析模块。
第一基础模型为神经网络模型;针对学习样本x(r),第一基础模型的输出为第M1+1个时间点上的雷电强度概率分布p(1),其中最大概率对应的雷电强度为雷电强度预测值;
第一基础模型学习过程中采用的损失函数为:
交叉熵损失= -log2(雷电强度真实值对应的预测概率)
本实施方式中,第一基础模型包括输入层、残差网络模块、第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层。
残差网络模块包括多个TCN模块,每一个TCN模块包括:第一TCN网络、第二TCN网络、第三激活层、第四激活层、卷积层和输出端;
多个TCN模块顺序连接,第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层顺序连接;第一个TCN模块的输入连接输入层的输出,最后一个TCN模块的输出端连接第一激活函数的输入端;输入层的输入为第一基础模型的输入,输出层的输入还连接输入层的输出;输出层的输出为第一基础模型的输出;
输入层对获取的样本数据线性处理后分别输入到第一TCN网络和第二TCN网络,第一TCN网络处理后的数据通过第三激活层激活后输出,第二TCN网络处理后的数据通过第四激活层激活后输出;卷积层的输入为第三激活层输出的向量与第四激活层输出的向量的乘积;卷积层输出的数据向量结构为(k1-扩张因子)×k2;k1为输入层输入的样本数量,即输入层输入数据的时间点数量;k2为每一个样本的数据维度,即每一个时间点上的样本的数据维度;输入层输入的数据结构为k1×k2;
输出端将卷积层输出的数据向量中各元素与输入层输出的数据向量中对应元素相加后作为特征向量输出;每一个TCN模块的扩张因子为上一个TCN模块的扩张因子的两倍;
最后一个TCN模块输出的特征向量即为残差网络模块的输出,残差网络模块的输出通过第一激活函数激活后再经过第一线性变换层线性处理;第一线性变换层的输出经过第二激活函数激活后再经过第二线性变换层线性处理;输出层基于第二线性变换层的输出生成雷电强度分布概率,雷电强度分布概率即为第一基础模型的输出,雷电强度分布概率用于描述下一个时间点上雷电强度对应各个强度等级的概率,且概率之和为1。
本实施方式中,第一激活函数和第二激活函数相同;第三激活层和第四激活层的激活函数相异;具体的,第一激活函数和第二激活函数、第三激活层均采用Relu激活函数,第四激活层采用Sigmoid激活函数。
本实施方式中,输出层均采用最大池化层。
距离预警模块的获取方法包括以下步骤SB1-SB2。
SB1、获取N1个分类样本,令第n1个分类样本记作x(1,n1);1≤n1≤N1;
x(1,n1)={h(lo),h(la),h(ldiff),h(li),h(ls),Lv,avh(o),avh(a)}
经度h(lo)、纬度h(la)、高程差h(ldiff)、海拔h(li)和坡度h(ls)为待预测输电线路的地理信息,Lv为待预测时间点上的雷电强度,avh(o)为待预测时间点往前最近M1个时间点上雷电的经度h(o)均值,avh(a)为待预测时间点往前最近M1个时间点上雷电的维度h(a)均值;
SB2、基于聚类算法构建距离预警模块,指定聚类算法的簇数量,令聚类算法对N1个分类样本进行聚类,当聚类算法收敛后,固定距离预警模块,并标注各簇的距离预警等级。
距离预警模块采用CF-tree聚类算法。
输电线路风险分析模块的获取方法包括以下步骤SC1-SC4。
SC1、获取N2个风险标注样本,各风险标注样本均标注有风险等级;
令第n2个风险标注样本记作x(2,n2);1≤n2≤N2;
x(2,n2)={Lv,Dv,I(o),I(max),I(σ)}
Lv为评估时间点上雷电强度,Dv为评估时间点上雷电预警等级,输电线路的性能信息包括绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ),输电线路的性能信息为已知参数;
风险等级结合风险等级因子进行设定,风险等级因子可结合历史数据进行计算。
风险等级因子p=a×线路跳闸率+(1-a)×线路损坏率,a为设定值,且a=0.5;
线路跳闸率=簇内跳闸的风险标注样本数量/簇内风险样本标注数量
线路损坏率=簇内线路损坏的风险标注样本数量/簇内风险样本标注数量
风险等级因子和风险等级的对应关系如下表所示。
表1:风险等级因子和风险等级的对应关系
SC2、基于聚类算法构建输电线路风险分析模块,指定聚类算法的簇数量为风险等级数量;
SC3、令聚类算法对N2个风险标注样本进行聚类;
SC4、判断输电线路风险分析模块对N2个风险标注样本的聚类结果是否与根据风险等级进行分类的结果一致,即判断同一个簇中的风险标注样本的风险等级是否一致;否,则对输电线路风险分析模块进行参数迭代,然后返回步骤SC3;是,则固定输电线路风险分析模块,并标注各簇的输电线路风险等级,簇的输电线路风险等级即为簇内各风险标注样本的风险等级。
具体的,本实施方式中,聚类算法采用GMM算法(高斯概率密度函数);输电线路风险分析模块包括GMM算法和分类单元;GMM算法的输入即为输电线路风险分析模块的输入,GMM算法用于计算各风险标注样本属于各簇的概率,分类单元的输入与GMM算法的输出连接,分类单元根据各风险标注样本对应的最大概率确定各风险标注样本所归属的簇,从而完成聚类。
本实施方式中,SC4中对输电线路风险分析模块进行参数迭代时,实际上只是对GMM算法进行更新。
本实施方式提出的一种输电线路风险预测方法,包括以下步骤St1-St7。
St1、获取采集数据并输入输电线路风险预测模型;采集数据包括最近M1个时间点上的雷电定位数据、大气电场数据Kv和气象数据v1-v11,还包括输电线路的地理信息和性能信息;
雷电定位数据包括雷电流幅值I、雷电定位经度h(o)和雷电定位纬度h(a);
输电线路的地理信息包括输电线路的经度h(lo)、纬度h(la)、高程差h(ldiff)、海拔h(li)、坡度h(ls);
输电线路的性能信息包括绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ);
St2、构建时间序列x1,时间序列x1包括目标区域内最近M1个时间点上的雷电电流I、大气电场Kv和气象数据v1-v11;
x1={x_1,x_2,…,x_m1,…,x_M1}
x_m1为当前向前第m1个时间点上的雷电电流I、大气电场Kv和气象数据v1-v11构成的数据集合;1≤m1≤M1;
St3、雷电强度分析模块基于时间序列x1预测下一个时间点上的雷电强度Lv;
St4、结合雷电强度Lv和采集数据构建距离预警样本x2;距离预警样本x2包括:输电线路的地理信息、雷电强度分析模块输出的下一个时间点上的雷电强度Lv以及最近M1个时间点上雷电的中心点;所述中心点的经度为最近M1个时间点上雷电定位经度h(o)的均值,所述中心点的纬度为最近M1个时间点上雷电定位经度h(a)的均值;
St5、距离预警样本x2输入距离预警模块,距离预警模块对距离预警样本x2进行归类,获取距离预警样本x2所在簇的距离预警等级Dv;
St6、构建风险评估样本x3,风险评估样本x3包括雷电强度分析模块输出的下一个时间点上的雷电强度Lv、距离预警模块输出的距离预警等级Dv以及输电线路的性能信息;
St7、将风险评估样本x3输入输电线路风险分析模块,输电线路风险分析模块对风险评估样本x3进行归类,获取风险评估样本x3所在簇的风险等级作为输电线路风险评估结果。
以下结合具体实施例,对上述的输电线路风险预测模型进行阐述。
本实施例中,首先对雷电强度分析模块进行预测。
本实施例中,令本实施方式提出的雷电强度分析模块记作模型EL-network;对比模型记作模型BP,其输入为雷达回传图像,输出为雷电强度。
本实施例中,基于相同的历史数据集训练模型EL-network和模型BP+radar echo;两个模型在雷电强度预测准确率上的表现如图3所示,可见模型EL-network预测精度更高,在迭代25 轮之后实现稳步超越。
雷电强度预测准确率=被正确预测雷电强度的样本数量/被预测的样本总数量。
本实施例中,还进一步验证了雷电强度分析模块即模型EL-network中第一激活函数、第二激活函数和第三激活层采用不同激活函数的性能区别。
具体的,模型EL-network中第一激活函数、第二激活函数和第三激活层采用tanh函数时与采用relu函数时,性能对比如图4所示;可见采用relu函数时,模型EL-network具有更好的数据识别率。
本实施例中最终获得的输电线路风险预测模型记作模型GMM+EL,即输电线路风险预测模型的距离预警模块采用CF-tree聚类算法,输电线路风险分析模块采用GMM聚类算法。本实施例中选择传统的BP网络模型作为模型GMM+EL的对比模型,BP网络模型的输入为雷电流幅值、线路绕击耐雷水平I(o)、最大绕击电流I(max)、反击耐雷性能I(σ)、雷电对大地的击距r(g)、雷电对避雷线的击距r(c)和雷电对导线的击距r(s),BP网络模型的输出为线路风险等级。
本实施例中,BP网络模型和模型GMM+EL训练完成后,在相同的历史数据库中构建测试样本,以测试两种模型在各风险等级下的预测成功率。
预测成功率=被预测为该风险等级且确实为该风险等级的测试样本数量/该风险等级下总的测试样本数量。
BP网络模型和模型GMM+EL的预测结果如图5所示,可见模型GMM+EL在各个风险等级下的预测成功率都高于BP网络模型。
当然,对于本领域技术人员而言,本发明不限于上述示范性实施例的细节,而还包括在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现的相同或类似结构。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
本发明未详细描述的技术、形状、构造部分均为公知技术。
Claims (6)
1.一种基于多模态学习的输电线路风险预测模型的构建方法,其特征在于,包括以下步骤:
S1、分别获取雷电强度分析模块、距离预警模块以及输电线路风险分析模块;雷电强度分析模块基于连续M1个时间点上的环境数据预测下一个时间点上的雷电强度;环境数据包括雷电流幅值I、大气电场强度Kv和气象数据;
距离预警模块基于输电线路的地理信息、雷电定位信息和下一个时间点上的雷电强度标注输电线路的距离预警等级;距离预警等级用于描述雷电位置和雷电强度对输电线路的雷击风险;
输电线路风险分析模块基于下一个时间点上的雷电强度、输电线路的距离预警等级和输电线路的性能信息标注输电线路的风险等级;风险等级越高,表示输电线路在下一次雷击中跳闸或者损坏的概率越高;
雷电强度分析模块、距离预警模块以及输电线路风险分析模块通过机器学习获得;
S2、组合雷电强度分析模块、距离预警模块以及输电线路风险分析模块构成输电线路风险预测模型;雷电强度分析模块、距离预警模块以及输电线路风险分析模块的输入均连接输电线路风险预测模型的输入,雷电强度分析模块的输出分别连接距离预警模块的输入和输电线路风险分析模块的输入,输电线路风险分析模块的输入也连接距离预警模块的输出,输电线路风险分析模块的输出即为输电线路风险预测模型的输出;
雷电强度分析模块通过构建的第一基础模型对构建的学习样本进行机器学习获得,学习样本包括连续M1个时间点上的环境数据以及第M1+1个时间点上的雷电强度;
第一基础模型针对各学习样本,输出第M1+1个时间点上的雷电强度概率分布p(1),其中最大概率对应的雷电强度为雷电强度预测值;
第一基础模型学习过程中采用的损失函数为:
交叉熵损失= -log2(雷电强度真实值对应的预测概率);
第一基础模型包括输入层、残差网络模块、第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层;
残差网络模块包括多个TCN模块,每一个TCN模块包括:第一TCN网络、第二TCN网络、第三激活层、第四激活层、卷积层和输出端;
多个TCN模块顺序连接,第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层顺序连接;第一个TCN模块的输入连接输入层的输出,最后一个TCN模块的输出端连接第一激活函数的输入端;输入层的输入为第一基础模型的输入,输出层的输入还连接输入层的输出;输出层的输出为第一基础模型的输出;
输入层对获取的样本数据线性处理后分别输入到第一TCN网络和第二TCN网络,第一TCN网络处理后的数据通过第三激活层激活后输出,第二TCN网络处理后的数据通过第四激活层激活后输出;卷积层的输入为第三激活层输出的向量与第四激活层输出的向量的乘积;卷积层输出的数据向量结构为(k1-扩张因子)×k2;k1为输入层输入的样本数量,即输入层输入数据的时间点数量;k2为每一个样本的数据维度,即每一个时间点上的样本的数据维度;输入层输入的数据结构为k1×k2;
输出端将卷积层输出的数据向量中各元素与输入层输出的数据向量中对应元素相加后作为特征向量输出;每一个TCN模块的扩张因子为上一个TCN模块的扩张因子的两倍;
最后一个TCN模块输出的特征向量即为残差网络模块的输出,残差网络模块的输出通过第一激活函数激活后再经过第一线性变换层线性处理;第一线性变换层的输出经过第二激活函数激活后再经过第二线性变换层线性处理;输出层基于第二线性变换层的输出生成雷电强度分布概率,雷电强度分布概率即为第一基础模型的输出,雷电强度分布概率用于描述下一个时间点上雷电强度对应各个强度等级的概率,且概率之和为1;
距离预警模块基于聚类算法构建,距离预警模块用于对输入的分类样本进行聚类,每一个类别对应一个距离预警等级;距离预警模块采用CF-tree聚类算法;分类样本包括输电线路的经度h(lo)、纬度h(la)、高程差h(ldiff)、海拔h(li)和坡度h(ls),还包括待预测时间点上的雷电强度Lv、待预测时间点往前最近M1个时间点上雷电的经度均值avh(o)以及待预测时间点往前最近M1个时间点上雷电的维度均值avh(a);
输电线路风险分析模块的获取包括以下步骤:
SC1、获取多个风险标注样本,各风险标注样本均标注有风险等级;风险标注样本包括雷电强度、雷电预警等级以及输电线路的绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ);
SC2、基于聚类算法构建输电线路风险分析模块,指定聚类算法的簇数量为风险等级数量;
SC3、令聚类算法对风险标注样本进行聚类;
SC4、判断同一个簇中的风险标注样本的风险等级是否一致;否,则对输电线路风险分析模块进行参数迭代,然后返回步骤SC3;是,则固定输电线路风险分析模块,并标注各簇的输电线路风险等级,簇的输电线路风险等级即为簇内各风险标注样本的风险等级。
2.如权利要求1所述的基于多模态学习的输电线路风险预测模型的构建方法,其特征在于,气象数据包括对流有效位能v1、K指数v2、SWEAT指数v3、SI指数v4、850百帕斯卡高度层的温度v5、500百帕斯卡高度层的温度v6、500 百帕斯卡高度层和750 百帕斯卡高度层之间的温度差v7、500 百帕斯卡高度层和750 百帕斯卡高度层之间的风速差v8、500百帕斯卡高度层的风速v9、850百帕斯卡高度层和925百帕斯卡高度层之间的风速差v10、500百帕斯卡高度层和750百帕斯卡高度层之间的风速差v11。
3.如权利要求1所述的基于多模态学习的输电线路风险预测模型的构建方法,其特征在于,第一激活函数和第二激活函数相同;第三激活层和第四激活层的激活函数相异。
4.如权利要求1所述的基于多模态学习的输电线路风险预测模型的构建方法,其特征在于,风险标注样本的风险等级的标注方式为:构建风险等级因子与风险等级的映射关系,结合各风险标注样本的历史数据计算风险等级因子,然后获取风险等级因子对应的风险等级作为风险标注样本的风险等级;
风险等级因子p=a×线路跳闸率+(1-a)×线路损坏率
其中,a为设定值,0<a<1。
5.一种采用如权利要求1-4任一项所述的基于多模态学习的输电线路风险预测模型的构建方法的基于多模态学习的输电线路风险预测方法,其特征在于,包括以下步骤:
St1、获取采集数据并输入输电线路风险预测模型;采集数据包括最近M1个时间点上的雷电定位数据、大气电场数据Kv和气象数据v1-v11,还包括输电线路的地理信息和性能信息;雷电定位数据包括雷电流幅值I、雷电定位经度h(o)和雷电定位纬度h(a);
St2、构建时间序列x1,时间序列x1包括目标区域内最近M1个时间点上的雷电电流I、大气电场Kv和气象数据v1-v11;
St3、雷电强度分析模块基于时间序列x1预测下一个时间点上的雷电强度Lv;
St4、结合雷电强度Lv和采集数据构建距离预警样本x2;距离预警样本x2包括:输电线路的地理信息、雷电强度Lv以及最近M1个时间点上雷电的中心点;所述中心点的经度为最近M1个时间点上雷电定位经度h(o)的均值,所述中心点的纬度为最近M1个时间点上雷电定位经度h(a)的均值;
St5、距离预警样本x2输入距离预警模块,距离预警模块对距离预警样本x2进行归类,获取距离预警样本x2所在簇的距离预警等级Dv;
St6、构建风险评估样本x3,风险评估样本x3包括雷电强度Lv距离预警等级Dv以及输电线路的性能信息;输电线路的性能信息包括绕击耐雷水平I(o)、最大绕击电流I(max)和反击耐雷性能I(σ);
St7、将风险评估样本x3输入输电线路风险分析模块,输电线路风险分析模块对风险评估样本x3进行归类,获取风险评估样本x3所在簇的风险等级作为输电线路风险评估结果。
6.一种基于多模态学习的输电线路风险预测系统,其特征在于,包括存储器和处理器,存储器中存储有计算机程序,处理器与存储器连接,处理器用于执行所述计算机程序以实现如权利要求5所述的基于多模态学习的输电线路风险预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360004.6A CN117131783B (zh) | 2023-10-20 | 2023-10-20 | 基于多模态学习的输电线路风险预测模型、方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311360004.6A CN117131783B (zh) | 2023-10-20 | 2023-10-20 | 基于多模态学习的输电线路风险预测模型、方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131783A CN117131783A (zh) | 2023-11-28 |
CN117131783B true CN117131783B (zh) | 2024-01-02 |
Family
ID=88858411
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311360004.6A Active CN117131783B (zh) | 2023-10-20 | 2023-10-20 | 基于多模态学习的输电线路风险预测模型、方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131783B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488815A (zh) * | 2013-08-26 | 2014-01-01 | 国家电网公司 | 一种输电线路雷电绕击风险评估方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
CN113327022A (zh) * | 2021-05-18 | 2021-08-31 | 重庆莱霆防雷技术有限责任公司 | 一种防雷安全风险管理系统及方法 |
WO2022127616A1 (zh) * | 2020-12-18 | 2022-06-23 | 国网浙江省电力有限公司台州供电公司 | 一种输电线路全线雷电绕击跳闸风险多维分析方法 |
WO2023005542A1 (zh) * | 2021-07-26 | 2023-02-02 | 厦门大恒科技有限公司 | 一种雷电预警方法及雷电预警设备 |
CN116109133A (zh) * | 2022-12-13 | 2023-05-12 | 国网浙江省电力有限公司金华供电公司 | 一种雷暴天气输电线路风险预警方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7558771B2 (en) * | 2006-06-07 | 2009-07-07 | Gm Global Technology Operations, Inc. | System and method for selection of prediction tools |
CN105184668A (zh) * | 2015-08-24 | 2015-12-23 | 国家电网公司 | 一种基于聚类分析的输电线路山火风险区域划分方法 |
CN113240180B (zh) * | 2021-05-18 | 2022-08-05 | 国网河南省电力公司电力科学研究院 | 一种基于Bayes-Adaboost改进算法的输电线路舞动预警方法 |
-
2023
- 2023-10-20 CN CN202311360004.6A patent/CN117131783B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103488815A (zh) * | 2013-08-26 | 2014-01-01 | 国家电网公司 | 一种输电线路雷电绕击风险评估方法 |
CN108108877A (zh) * | 2017-11-29 | 2018-06-01 | 海南电网有限责任公司电力科学研究院 | 一种基于bp神经网络的输电线路雷害风险评估方法 |
WO2022127616A1 (zh) * | 2020-12-18 | 2022-06-23 | 国网浙江省电力有限公司台州供电公司 | 一种输电线路全线雷电绕击跳闸风险多维分析方法 |
CN113327022A (zh) * | 2021-05-18 | 2021-08-31 | 重庆莱霆防雷技术有限责任公司 | 一种防雷安全风险管理系统及方法 |
WO2023005542A1 (zh) * | 2021-07-26 | 2023-02-02 | 厦门大恒科技有限公司 | 一种雷电预警方法及雷电预警设备 |
CN116109133A (zh) * | 2022-12-13 | 2023-05-12 | 国网浙江省电力有限公司金华供电公司 | 一种雷暴天气输电线路风险预警方法 |
Non-Patent Citations (4)
Title |
---|
Data-driven lightning-related failure risk prediction of overhead contact lines based on bayesian network with spatiotemporal fragility model;Jian Wang等;ELSEVIER;1-10 * |
基于雷电定位数据驱动的紧密输电通道 连续雷击跳闸预警方法;鲍捷等;电网技术;1194-1205 * |
山区输电线路雷击跳闸预警的融合算法研究;袁涛等;电工技术学报;2528-2540 * |
输电线路绕击故障概率分析及雷电预警方法;方丽华等;广东电力;95-100 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131783A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197218B (zh) | 基于多源卷积神经网络的雷雨大风等级预测分类方法 | |
CN110995475B (zh) | 一种基于迁移学习的电力通信网故障检测方法 | |
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN115994325B (zh) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 | |
CN110910440B (zh) | 一种基于电力影像数据的输电线路长度确定方法和系统 | |
CN113204903B (zh) | 一种预测雷电的方法 | |
CN112507861A (zh) | 一种多层卷积特征融合的行人检测方法 | |
CN112149887A (zh) | 一种基于数据时空特征的pm2.5浓度预测方法 | |
CN116310350B (zh) | 基于图卷积和半监督学习网络的城市场景语义分割方法 | |
CN114355240A (zh) | 配电网接地故障诊断方法及装置 | |
CN113569672A (zh) | 轻量级目标检测与故障识别方法、装置及系统 | |
CN112966853A (zh) | 基于时空残差混合模型的城市路网短时交通流预测方法 | |
CN112861646A (zh) | 复杂环境小目标识别场景下的卸油工安全帽级联检测方法 | |
CN115937659A (zh) | 基于Mask-RCNN的室内复杂环境下多目标检测方法 | |
CN114594532A (zh) | 一种寒潮天气预测方法、装置、电子设备及计算机可读介质 | |
CN114881286A (zh) | 一种基于深度学习的短时降水预测方法 | |
CN114330110A (zh) | 模型训练方法、光伏发电功率预测方法及系统 | |
CN113824575B (zh) | 故障节点识别的方法、装置、计算设备及计算机存储介质 | |
CN112802011A (zh) | 一种基于vgg-bls的风机叶片缺陷检测方法 | |
CN117131783B (zh) | 基于多模态学习的输电线路风险预测模型、方法和系统 | |
CN110826810B (zh) | 一种空间推理与机器学习相结合的区域降雨预测方法 | |
KR101088082B1 (ko) | 주성분 분석에 의한 유사 일기도 검색 시스템 및 그 방법 | |
CN116630975A (zh) | 一种基于特征表示分解和鸟瞰图融合的语义场景补全方法 | |
CN116363469A (zh) | 一种少样本红外目标检测方法、装置和系统 | |
CN112348700B (zh) | 一种结合som聚类与ifou方程的线路容量预测方法 |
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 |