CN117689059A - 一种覆冰类型识别与预测的微气象数据驱动方法及系统 - Google Patents
一种覆冰类型识别与预测的微气象数据驱动方法及系统 Download PDFInfo
- Publication number
- CN117689059A CN117689059A CN202311583910.2A CN202311583910A CN117689059A CN 117689059 A CN117689059 A CN 117689059A CN 202311583910 A CN202311583910 A CN 202311583910A CN 117689059 A CN117689059 A CN 117689059A
- Authority
- CN
- China
- Prior art keywords
- ice
- prediction
- data
- confidence interval
- icing
- 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
- 238000000034 method Methods 0.000 title claims abstract description 47
- 239000011248 coating agent Substances 0.000 claims abstract description 53
- 238000000576 coating method Methods 0.000 claims abstract description 53
- 230000005540 biological transmission Effects 0.000 claims abstract description 52
- 238000005516 engineering process Methods 0.000 claims abstract description 14
- 238000007781 pre-processing Methods 0.000 claims abstract description 14
- 238000010586 diagram Methods 0.000 claims abstract description 5
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 230000000007 visual effect Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims description 33
- 230000002708 enhancing effect Effects 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 9
- 238000007689 inspection Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000000546 chi-square test Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000011156 evaluation Methods 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 238000002360 preparation method Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 5
- 238000013480 data collection Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 230000000694 effects Effects 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000010438 heat treatment Methods 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 238000011179 visual inspection Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 2
- 230000004044 response Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 229910052739 hydrogen Inorganic materials 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种覆冰类型识别与预测的微气象数据驱动方法及系统,涉及输电线路覆冰智能的技术领域,包括:收集输电线路覆冰类型和覆冰微气象数据,构建覆冰数据集;对覆冰数据集进行预处理,通过SMOTE技术平衡数据;构建KNN预测模型,根据连续三天的微气象数据对第三天的覆冰类型进行预测,计算预测的准确度,将预测结果和真实数值进行对比,并利用散点图对预测结果进行可视化分析。本发明通过高效整合和分析输电线路的微气象数据和覆冰数据,显著提高了覆冰预测的准确性和及时性。其次,采用的数据预处理和平衡技术有效解决了数据不平衡问题,增强了模型对罕见覆冰事件的预测能力,有效降低了覆冰对输电线路安全运行的风险。
Description
技术领域
本发明涉及输电线路覆冰智能的技术领域,具体为一种覆冰类型识别与预测的微气象数据驱动方法及系统。
背景技术
严重覆冰会导致输电线路机械和电气性能急剧下降,引起绝缘子闪络、导线脱冰跳跃、线路跳闸、断线、倒塔和通信中断等事故。输电线路发生冰害事故时,气候恶劣,冰雪封山,交通受阻,通讯中断,抢修困难,常常造成长时间大面积停电,带来巨大的经济损失和严重的社会影响。已有的架空输电线路覆冰监测预警系统多年来累积了大量覆冰监测数据,但仍无法为覆冰状态掌控、覆冰趋势预警、风险应急处置和人工融冰决策提供更可靠的参考。针对覆冰数据利用率低、覆冰系统无法直接监测覆冰类型和自动获取覆冰过程等问题,为实现覆冰类型识别的智能化,向电网融冰决策和冰灾抢险提供依据,本文提出了一种基于连续三天微气象数据的输电线路覆冰类型预测的方法,实现对输电线路覆冰类型的自动识别与预测。
发明内容
鉴于上述存在的问题,提出了本发明。
因此,本发明解决的技术问题是:本发明旨在解决如何准确预测输电线路上的覆冰类型并及时发出预警,以减少覆冰带来的潜在风险和损害。
为解决上述技术问题,本发明提供如下技术方案:一种覆冰类型识别与预测的微气象数据驱动方法,其包括如下步骤,
收集输电线路覆冰类型和覆冰微气象数据,构建覆冰数据集;对覆冰数据集进行预处理,通过SMOTE技术平衡数据;构建KNN预测模型,根据连续三天的微气象数据对第三天的覆冰类型进行预测,计算预测的准确度,将预测结果和真实数值进行对比,并利用散点图对预测结果进行可视化分析。
作为本发明所述的一种覆冰类型识别与预测的微气象数据驱动方法的一种优选方案,其中:所述构建覆冰数据集包括,基于相同的数据采集时间和覆冰终端号,将输电线路同时刻同终端的覆冰类型数据与微气象数据进行关联,构建覆冰类型数据集。
作为本发明所述的一种覆冰类型识别与预测的微气象数据驱动方法的一种优选方案,其中:所述对覆冰数据集进行预处理包括,处理数据集的缺失值和异常值,包括删除缺失温度值的数据、湿度值缺失用湿度最大值进行填充、风速值缺失用风速最小值进行填充、删除连续三天最低温度均大于0的数据、湿度值超过100替换为100,得到预处理后的覆冰类型数据集。
作为本发明所述的一种覆冰类型识别与预测的微气象数据驱动方法的一种优选方案,其中:所述通过SMOTE技术平衡数据包括,识别数据集中的少数类别,从少数类别中随机选择一个样本点,在少数类别的样本中,找到选择的样本点的K个最近邻居,根据每个最近邻居,生成新的样本点,将生成的合成样本添加到原始数据集中,得到平衡后的数据集。
作为本发明所述的一种覆冰类型识别与预测的微气象数据驱动方法的一种优选方案,其中:所述第三天的覆冰类型进行预测包括,根据平衡后的数据集构建K个覆冰类型数据集,将K个覆冰类型数据集划分为80%的训练集和20%的测试集,计算每个训练样本Xi和待测样本Yj的距离Dis(Xi,Yj),表示为,
Xi=(x1,x2,…xn-1,xn),i=1,2,3,…,M
Yj=(y1,y2,…yn-1,yn),j=1,2,3,…,N
其中M表示训练样本数,N表示测试样本数,n表示样本点特征值数。
选取距离最小的训练样本点,确定频率,选择识别效果最好时的值作为最近临近点数,将训练样本点中频率最高的类别作为测试样本的预测类型并输出。
对最近的临近点数进行覆冰类型预测,所述覆冰类型预测包括霜冻事件预测,透明冰事件预测,混合冰事件预测以及软冰事件预测。
所述霜冻事件预测表示为,
所述透明冰事件预测表示为,
C=β1×e-|T-0|+β2×P×T
所述混合冰事件预测表示为,
M=γ1×|T-0|2+γ2×P×W
所述软冰事件预测表示为,
S=δ1×T2+δ2×H
其中,R表示霜冻事件发生得分,C表示透明冰事件发生得分,M表示混合冰事件发生得分,S表示软冰事件发生得分,α1、α2、α3、β1、β2、γ1、γ2、δ1、δ2表示权重,T表示温度、H表示湿度、W表示风速、P表示降雨量。
比较四种覆冰类型的得分,得分最高的覆冰类型为预测的覆冰类型。
对于每个预测,计算置信区间,表明预测值的范围。
作为本发明所述的一种覆冰类型识别与预测的微气象数据驱动方法的一种优选方案,其中:所述计算置信区间,表明预测值的范围包括,根据不同的覆冰类型,计算不同的置信区间,根据不同的覆冰类型设定不同的预警级别。
若预测的覆冰类型为霜冻时,且霜降的置信区间超过一级阈值时,则触发警戒状态,若预测的覆冰类型为霜冻时,且霜降的置信区间超过二级阈值时,则触发警报状态,若预测的覆冰类型为霜冻时,且霜降的置信区间超过三级阈值时,则触发紧急状态。
若预测的覆冰类型为透明冰时,且透明冰的置信区间超过一级阈值时触发注意状态,超过二级阈值则触发警觉状态,超过三级阈值则触发危险状态。
若预测的覆冰类型为混合冰时,且混合冰的置信区间超过一级阈值时触发预备状态,超过二级阈值则触发准备状态,超过三级阈值则触发紧迫状态。
若预测的覆冰类型为软冰时,且软冰的置信区间超过一级阈值时触发轻微警示,若超过二级阈值,则触发显著警示,若超过三级阈值,则触发严重警示。
当霜冻的置信区间超过一级阈值时,则增加输电线路的巡检频率,当霜冻的置信区间超过二级阈值时,则增加对输电线路的巡检频率,对易受影响的输电设备进行预热处理,当霜冻的置信区间超过三级阈值时,则立即启动除冰作业,关闭高风险区域的输电线路,启用备用电源系统。
当透明冰的置信区间超过一级阈值时,则对关键输电线路进行视觉检查,当透明冰的置信区间大于一级阈值小于二级阈值时,则对关键节点部署除冰设备和人员,当透明冰的置信区间大于二级阈值时,则立即启动输电线路和关键设施的除冰作业。
当混合冰的置信区间超过一级阈值时,加强对关键区域的气象监测,当混合冰的置信区间超过二级阈值时,则对所有输电线路进行全面检查,当混合冰的置信区间超过三级阈值时,则立即启动紧急除冰措施,关闭受影响区域的输电线路。
当软冰的置信区间超过一级阈值时,则执行常规巡检,关注潜在的覆冰区域,当软冰的置信区间超过二级阈值时,则在关键输电线路上暗转自动加热系统,当软冰的置信区间超过三级阈值时,则启动全面的除冰作业。
作为本发明所述的一种覆冰类型识别与预测的微气象数据驱动方法的一种优选方案,其中:所述计算预测的准确度包括,根据不同覆冰类型计算精确率P、召回率R和精确率A判断置信区间是否准确。
所述精确率表示为,
所述召回率表示为,
所述准确率表示为,
其中,TP、FP、FN和TN表示预测准确、误预测、预测错误和未预测的样本数。
所述判断置信区间是否准确包括,将实际发生的覆冰时间与预测的置信区域进行对比,若实际时间落在预测的置信区间内,则表示预测准确,记录预测准确的频率,根据卡方检验评估置信区间的准确性。
所述根据卡方检验评估置信区间的准确性包括,计算卡方统计量x2,表示为,
其中,Qi表示预测准确的观测频率,Ei表示预测准确的期望频率。
设置显著性水平阈值,决定置信区间的准确性是否接受。
若卡方统计量小于显著性水平的阈值,则表示置信区间准确,继续使用当前预测模型。
若卡方统计量大于显著性水平的阈值,则进入次级判断。
所述次级判断包括,检查卡方统计量超过显著性水平阈值的程度,若未超过二级阈值,则调整模型参数以及增加训练样本点,若超过二级阈值,则表示置信区间不准确。
当置信区间不准确时,评估收集的气象数据质量,包括是否存在异常值、缺失值以及噪声。
若数据质量低下,则进行数据清洗后重新训练模型,并再次进行置信区间评估。
若数据质量良好,但置信区间仍不准确,则通过深度学习算法对训练样本数进行优化。
所述通过深度学习算法对训练样本数进行优化包括,计算训练样本的信息熵评估对KNN模型的贡献度,计算样本信息熵的平均值,筛选高于信息熵平均值的训练样本,再次对置信区间进行评估。
若对训练样本进行优化后置信区间仍不准确,则将KNN模型与SVM模型集成,包括根据SVM模型选择最靠近SVM的点,用KNN模型对最靠近SVM的点进行微调,清除有重叠部分的样本点,清楚重叠的样本点后,重新对置信区间进行评估。
本发明的另外一个目的是提供一种覆冰类型识别与预测的微气象数据驱动系统,其能通过高效整合和分析输电线路的微气象数据和覆冰数据,利用先进的数据处理和机器学习技术,解决了现有技术中对于覆冰预测准确性不足和响应不及时的问题。
为解决上述技术问题,本发明提供如下技术方案:一种覆冰类型识别与预测的微气象数据驱动系统,包括数据收集与预处理模块、数据平衡与增强模块以及预警与决策支持模块。
所述数据收集与预处理模块负责收集输电线路的覆冰类型数据和相关微气象数据。
所述数据平衡与增强模块使用SMOTE技术或其他数据增强方法处理不平衡数据,提高模型对少数类别的预测能力。
所述预警与决策支持模块根据预测结果和设定的阈值,触发不同级别的预警。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如上所述一种覆冰类型识别与预测的微气象数据驱动方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如上所述一种覆冰类型识别与预测的微气象数据驱动方法的步骤。
本发明的有益效果:本发明通过高效整合和分析输电线路的微气象数据和覆冰数据,显著提高了覆冰预测的准确性和及时性。其次,采用的数据预处理和平衡技术有效解决了数据不平衡问题,增强了模型对罕见覆冰事件的预测能力。此外,引入的多级预警系统和用户交互界面,不仅提高了预警的实用性和灵活性,还增强了决策支持的有效性。最后,系统的自学习能力确保了随着时间的推移和数据积累,预测模型能够持续优化,从而长期保持高效和准确,有效降低了覆冰对输电线路安全运行的风险。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅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它的附图。
图1为本发明第一个实施例提供的一种覆冰类型识别与预测的微气象数据驱动方法的整体流程图。
图2为本发明第二个实施例提供的一种覆冰类型识别与预测的微气象数据驱动系统的整体框架图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
实施例1
参照图1,为本发明的一个实施例,提供了一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于:
S1:收集输电线路覆冰类型和覆冰微气象数据,构建覆冰数据集。
进一步的,构建覆冰数据集包括,基于相同的数据采集时间和覆冰终端号,将输电线路同时刻同终端的覆冰类型数据与微气象数据进行关联,构建覆冰类型数据集。
S2:对覆冰数据集进行预处理,通过SMOTE技术平衡数据。
对覆冰数据集进行预处理包括,处理数据集的缺失值和异常值,包括删除缺失温度值的数据、湿度值缺失用湿度最大值进行填充、风速值缺失用风速最小值进行填充、删除连续三天最低温度均大于0的数据、湿度值超过100替换为100,得到预处理后的覆冰类型数据集。
通过SMOTE技术平衡数据包括,识别数据集中的少数类别,从少数类别中随机选择一个样本点,在少数类别的样本中,找到选择的样本点的K个最近邻居,根据每个最近邻居,生成新的样本点,将生成的合成样本添加到原始数据集中,得到平衡后的数据集。
S3:构建KNN预测模型,根据连续三天的微气象数据对第三天的覆冰类型进行预测,计算预测的准确度,将预测结果和真实数值进行对比,并利用散点图对预测结果进行可视化分析。
第三天的覆冰类型进行预测包括,根据平衡后的数据集构建K个覆冰类型数据集,将K个覆冰类型数据集划分为80%的训练集和20%的测试集,计算每个训练样本Xi和待测样本Yj的距离Dis(Xi,Yj),表示为,
Xi=(x1,x2,…xn-1,xn),i=1,2,3,…,M
Yj=(y1,y2,…yn-1,yn),j=1,2,3,…,N
其中M表示训练样本数,N表示测试样本数,n表示样本点特征值数。
进一步需要解释的是,覆冰类型数据集中一个样本数据包括9个特征值和1个目标值,9个特征值作为输入,为覆冰类型数据集中连续三天的9个微气象数据,即第一天平均温度、第一天平均湿度、第一天平均风速、第二天平均温度、第二天平均湿度、第二天平均风速、第三天平均温度、第三天平均湿度和第三天平均风速;1个目标值(作为输出)为数据集中的覆冰类型。
选取距离最小的训练样本点,确定频率,选择识别效果最好时的值作为最近临近点数,将训练样本点中频率最高的类别作为测试样本的预测类型并输出。
对最近的临近点数进行覆冰类型预测,所述覆冰类型预测包括霜冻事件预测,透明冰事件预测,混合冰事件预测以及软冰事件预测。
所述霜冻事件预测表示为,
所述透明冰事件预测表示为,
C=β1×e-|T-0|+β2×P×T
所述混合冰事件预测表示为,
M=γ1×|T-0|2+γ2×P×W
所述软冰事件预测表示为,
S=δ1×T2+δ2×H
其中,R表示霜冻事件发生得分,C表示透明冰事件发生得分,M表示混合冰事件发生得分,S表示软冰事件发生得分,α1、α2、α3、β1、β2、γ1、γ2、δ1、δ2表示权重,T表示温度、H表示湿度、W表示风速、P表示降雨量。
比较四种覆冰类型的得分,得分最高的覆冰类型为预测的覆冰类型。
对于每个预测,计算置信区间,表明预测值的范围。
计算置信区间,表明预测值的范围包括,根据不同的覆冰类型,计算不同的置信区间,根据不同的覆冰类型设定不同的预警级别。
若预测的覆冰类型为霜冻时,且霜降的置信区间超过一级阈值时,则触发警戒状态,若预测的覆冰类型为霜冻时,且霜降的置信区间超过二级阈值时,则触发警报状态,若预测的覆冰类型为霜冻时,且霜降的置信区间超过三级阈值时,则触发紧急状态。
若预测的覆冰类型为透明冰时,且透明冰的置信区间超过一级阈值时触发注意状态,超过二级阈值则触发警觉状态,超过三级阈值则触发危险状态。
若预测的覆冰类型为混合冰时,且混合冰的置信区间超过一级阈值时触发预备状态,超过二级阈值则触发准备状态,超过三级阈值则触发紧迫状态。
若预测的覆冰类型为软冰时,且软冰的置信区间超过一级阈值时触发轻微警示,若超过二级阈值,则触发显著警示,若超过三级阈值,则触发严重警示。
当霜冻的置信区间超过一级阈值时,则增加输电线路的巡检频率,当霜冻的置信区间超过二级阈值时,则增加对输电线路的巡检频率,对易受影响的输电设备进行预热处理,当霜冻的置信区间超过三级阈值时,则立即启动除冰作业,关闭高风险区域的输电线路,启用备用电源系统。
当透明冰的置信区间超过一级阈值时,则对关键输电线路进行视觉检查,当透明冰的置信区间大于一级阈值小于二级阈值时,则对关键节点部署除冰设备和人员,当透明冰的置信区间大于二级阈值时,则立即启动输电线路和关键设施的除冰作业。
当混合冰的置信区间超过一级阈值时,加强对关键区域的气象监测,当混合冰的置信区间超过二级阈值时,则对所有输电线路进行全面检查,当混合冰的置信区间超过三级阈值时,则立即启动紧急除冰措施,关闭受影响区域的输电线路。
当软冰的置信区间超过一级阈值时,则执行常规巡检,关注潜在的覆冰区域,当软冰的置信区间超过二级阈值时,则在关键输电线路上暗转自动加热系统,当软冰的置信区间超过三级阈值时,则启动全面的除冰作业。
计算预测的准确度包括,根据不同覆冰类型计算精确率P、召回率R和精确率A判断置信区间是否准确。
精确率表示为,
召回率表示为,
准确率表示为,
其中,TP、FP、FN和TN表示预测准确、误预测、预测错误和未预测的样本数。
所述判断置信区间是否准确包括,将实际发生的覆冰时间与预测的置信区域进行对比,若实际时间落在预测的置信区间内,则表示预测准确,记录预测准确的频率,根据卡方检验评估置信区间的准确性。
所述根据卡方检验评估置信区间的准确性包括,计算卡方统计量x2,表示为,
其中,Qi表示预测准确的观测频率,Ei表示预测准确的期望频率。
设置显著性水平阈值,决定置信区间的准确性是否接受。
若卡方统计量小于显著性水平的阈值,则表示置信区间准确,继续使用当前预测模型。
若卡方统计量大于显著性水平的阈值,则进入次级判断。
所述次级判断包括,检查卡方统计量超过显著性水平阈值的程度,若未超过二级阈值,则调整模型参数以及增加训练样本点,若超过二级阈值,则表示置信区间不准确。
当置信区间不准确时,评估收集的气象数据质量,包括是否存在异常值、缺失值以及噪声。
若数据质量低下,则进行数据清洗后重新训练模型,并再次进行置信区间评估。
若数据质量良好,但置信区间仍不准确,则通过深度学习算法对训练样本数进行优化。
所述通过深度学习算法对训练样本数进行优化包括,计算训练样本的信息熵评估对KNN模型的贡献度,计算样本信息熵的平均值,筛选高于信息熵平均值的训练样本,再次对置信区间进行评估。
若对训练样本进行优化后置信区间仍不准确,则将KNN模型与SVM模型集成,包括根据SVM模型选择最靠近SVM的点,用KNN模型对最靠近SVM的点进行微调,清除有重叠部分的样本点,清楚重叠的样本点后,重新对置信区间进行评估。
实施例2
参照图2,为本发明的一个实施例,提供了一种覆冰类型识别与预测的微气象数据驱动方法的系统,一种覆冰类型识别与预测的微气象数据驱动系统包括数据收集与预处理模块、数据平衡与增强模块以及预警与决策支持模块。
数据收集与预处理模块负责收集输电线路的覆冰类型数据和相关微气象数据。
数据平衡与增强模块使用SMOTE技术或其他数据增强方法处理不平衡数据,提高模型对少数类别的预测能力。
预警与决策支持模块根据预测结果和设定的阈值,触发不同级别的预警。
所述功能如果以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-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
实施例3
本实施例中,为了验证本发明的有益效果,通过经济效益计算和仿真实验进行科学论证。覆冰,作为一种常见的自然现象,对电力输送系统尤其是高压输电线路的安全运行构成了重大威胁。传统的覆冰监测和预测方法往往依赖于历史数据和经验判断,这不仅限制了预测的准确性,而且在响应时间和预警系统的灵活性方面存在不足。鉴于此,本发明提出了一种先进的解决方案,旨在通过整合和分析实时微气象数据,提高覆冰预测的准确性和及时性。本实施例分别对现有传统的方法、本实施例的方法进行了实验,如表1所示。
表1实验效果对比图
综上所述,本发明通过结合实时和历史微气象数据,利用先进的数据处理技术和机器学习算法,显著提高了预测准确率至90%,远超传统方法的二级阈值。这种高准确性的预测能力,结合仅需5分钟的快速响应时间,使得您的系统能够迅速且准确地对潜在的覆冰事件做出反应。此外,采用SMOTE技术处理数据不平衡问题,增强了模型对罕见事件的预测能力。本发明还具备自学习机制,能够随着时间的推移不断优化,保持其预测性能的领先地位。最后,系统的高度可扩展性使其能够适应各种不同的环境和需求,进一步增强了其实用性和灵活性。
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限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于,包括:
收集输电线路覆冰类型和覆冰微气象数据,构建覆冰数据集;
对覆冰数据集进行预处理,通过SMOTE技术平衡数据;
构建KNN预测模型,根据连续三天的微气象数据对第三天的覆冰类型进行预测,计算预测的准确度,将预测结果和真实数值进行对比,并利用散点图对预测结果进行可视化分析。
2.如权利要求1所述的一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于:所述构建覆冰数据集包括,基于相同的数据采集时间和覆冰终端号,将输电线路同时刻同终端的覆冰类型数据与微气象数据进行关联,构建覆冰类型数据集。
3.如权利要求2所述的一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于:所述对覆冰数据集进行预处理包括,处理数据集的缺失值和异常值,包括删除缺失温度值的数据、湿度值缺失用湿度最大值进行填充、风速值缺失用风速最小值进行填充、删除连续三天最低温度均大于0的数据、湿度值超过100替换为100,得到预处理后的覆冰类型数据集。
4.如权利要求3所述的一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于:所述通过SMOTE技术平衡数据包括,识别数据集中的少数类别,从少数类别中随机选择一个样本点,在少数类别的样本中,找到选择的样本点的K个最近邻居,根据每个最近邻居,生成新的样本点,将生成的合成样本添加到原始数据集中,得到平衡后的数据集。
5.如权利要求4所述的一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于:所述第三天的覆冰类型进行预测包括,根据平衡后的数据集构建K个覆冰类型数据集,将K个覆冰类型数据集划分为80%的训练集和20%的测试集,计算每个训练样本Xi和待测样本Yj的距离Dis(Xi,Yj),表示为,
Xi=(x1,x2,…xn-1,xn),i=1,2,3,…,M
Yj=(y1,y2,…yn-1,yn),j=1,2,3,…,N
其中M表示训练样本数,N表示测试样本数,n表示样本点特征值数;
选取距离最小的训练样本点,确定频率,选择识别效果最好时的值作为最近临近点数,将训练样本点中频率最高的类别作为测试样本的预测类型并输出;
对最近的临近点数进行覆冰类型预测,所述覆冰类型预测包括霜冻事件预测,透明冰事件预测,混合冰事件预测以及软冰事件预测;
所述霜冻事件预测表示为,
所述透明冰事件预测表示为,
C=β1×e-|T-0|+β2×P×T
所述混合冰事件预测表示为,
M=γ1×|T-0|2+γ2×P×W
所述软冰事件预测表示为,
S=δ1×T2+δ2×H
其中,R表示霜冻事件发生得分,C表示透明冰事件发生得分,M表示混合冰事件发生得分,S表示软冰事件发生得分,α1、α2、α3、β1、β2、γ1、γ2、δ1、δ2表示权重,T表示温度、H表示湿度、W表示风速、P表示降雨量;
比较四种覆冰类型的得分,得分最高的覆冰类型为预测的覆冰类型;
对于每个预测,计算置信区间,表明预测值的范围。
6.如权利要求5所述的一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于:所述计算置信区间,表明预测值的范围包括,根据不同的覆冰类型,计算不同的置信区间,根据不同的覆冰类型设定不同的预警级别;
若预测的覆冰类型为霜冻时,且霜降的置信区间超过一级阈值时,则触发警戒状态,若预测的覆冰类型为霜冻时,且霜降的置信区间超过二级阈值时,则触发警报状态,若预测的覆冰类型为霜冻时,且霜降的置信区间超过三级阈值时,则触发紧急状态;
若预测的覆冰类型为透明冰时,且透明冰的置信区间超过一级阈值时触发注意状态,超过二级阈值则触发警觉状态,超过三级阈值则触发危险状态;
若预测的覆冰类型为混合冰时,且混合冰的置信区间超过一级阈值时触发预备状态,超过二级阈值则触发准备状态,超过三级阈值则触发紧迫状态;
若预测的覆冰类型为软冰时,且软冰的置信区间超过一级阈值时触发轻微警示,若超过二级阈值,则触发显著警示,若超过三级阈值,则触发严重警示;
当霜冻的置信区间超过一级阈值时,则增加输电线路的巡检频率,当霜冻的置信区间超过二级阈值时,则增加对输电线路的巡检频率,对易受影响的输电设备进行预热处理,当霜冻的置信区间超过三级阈值时,则立即启动除冰作业,关闭高风险区域的输电线路,启用备用电源系统;
当透明冰的置信区间超过一级阈值时,则对关键输电线路进行视觉检查,当透明冰的置信区间大于一级阈值小于二级阈值时,则对关键节点部署除冰设备和人员,当透明冰的置信区间大于二级阈值时,则立即启动输电线路和关键设施的除冰作业;
当混合冰的置信区间超过一级阈值时,加强对关键区域的气象监测,当混合冰的置信区间超过二级阈值时,则对所有输电线路进行全面检查,当混合冰的置信区间超过三级阈值时,则立即启动紧急除冰措施,关闭受影响区域的输电线路;
当软冰的置信区间超过一级阈值时,则执行常规巡检,关注潜在的覆冰区域,当软冰的置信区间超过二级阈值时,则在关键输电线路上暗转自动加热系统,当软冰的置信区间超过三级阈值时,则启动全面的除冰作业。
7.如权利要求6所述的一种覆冰类型识别与预测的微气象数据驱动方法,其特征在于:所述计算预测的准确度包括,根据不同覆冰类型计算精确率P、召回率R和精确率A判断置信区间是否准确;
所述精确率表示为,
所述召回率表示为,
所述准确率表示为,
其中,TP、FP、FN和TN表示预测准确、误预测、预测错误和未预测的样本数;
所述判断置信区间是否准确包括,将实际发生的覆冰时间与预测的置信区域进行对比,若实际时间落在预测的置信区间内,则表示预测准确,记录预测准确的频率,根据卡方检验评估置信区间的准确性;
所述根据卡方检验评估置信区间的准确性包括,计算卡方统计量x2,表示为,
其中,Qi表示预测准确的观测频率,Ei表示预测准确的期望频率;
设置显著性水平阈值,决定置信区间的准确性是否接受;
若卡方统计量小于显著性水平的阈值,则表示置信区间准确,继续使用当前预测模型;
若卡方统计量大于显著性水平的阈值,则进入次级判断;
所述次级判断包括,检查卡方统计量超过显著性水平阈值的程度,若未超过二级阈值,则调整模型参数以及增加训练样本点,若超过二级阈值,则表示置信区间不准确;
当置信区间不准确时,评估收集的气象数据质量,包括是否存在异常值、缺失值以及噪声;
若数据质量低下,则进行数据清洗后重新训练模型,并再次进行置信区间评估;
若数据质量良好,但置信区间仍不准确,则通过深度学习算法对训练样本数进行优化;
所述通过深度学习算法对训练样本数进行优化包括,计算训练样本的信息熵评估对KNN模型的贡献度,计算样本信息熵的平均值,筛选高于信息熵平均值的训练样本,再次对置信区间进行评估;
若对训练样本进行优化后置信区间仍不准确,则将KNN模型与SVM模型集成,包括根据SVM模型选择最靠近SVM的点,用KNN模型对最靠近SVM的点进行微调,清除有重叠部分的样本点,清楚重叠的样本点后,重新对置信区间进行评估。
8.一种采用如权利要求1~7任一所述的一种覆冰类型识别与预测的微气象数据驱动方法的系统,其特征在于:包括数据收集与预处理模块、数据平衡与增强模块以及预警与决策支持模块;
所述数据收集与预处理模块负责收集输电线路的覆冰类型数据和相关微气象数据;
所述数据平衡与增强模块使用SMOTE技术或其他数据增强方法处理不平衡数据,提高模型对少数类别的预测能力;
所述预警与决策支持模块根据预测结果和设定的阈值,触发不同级别的预警。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种覆冰类型识别与预测的微气象数据驱动方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述一种覆冰类型识别与预测的微气象数据驱动方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583910.2A CN117689059A (zh) | 2023-11-24 | 2023-11-24 | 一种覆冰类型识别与预测的微气象数据驱动方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311583910.2A CN117689059A (zh) | 2023-11-24 | 2023-11-24 | 一种覆冰类型识别与预测的微气象数据驱动方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117689059A true CN117689059A (zh) | 2024-03-12 |
Family
ID=90138204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311583910.2A Pending CN117689059A (zh) | 2023-11-24 | 2023-11-24 | 一种覆冰类型识别与预测的微气象数据驱动方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117689059A (zh) |
-
2023
- 2023-11-24 CN CN202311583910.2A patent/CN117689059A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110414155B (zh) | 一种带有单测点的风机部件温度异常检测和报警方法 | |
CN103903408B (zh) | 设备故障侦查预警方法和系统 | |
CN104091070B (zh) | 一种基于时间序列分析的轨道交通故障诊断方法和系统 | |
CN109544399B (zh) | 基于多源异构数据的输电设备状态评价方法及装置 | |
Yang et al. | Failure probability estimation of overhead transmission lines considering the spatial and temporal variation in severe weather | |
CN112561736A (zh) | 智能变电站继电器保护装置故障诊断系统和方法 | |
CN109491339B (zh) | 一种基于大数据的变电站设备运行状态预警系统 | |
CN110472851A (zh) | 一种基于神经网络的配电网风险隐患动态评价模型构建方法 | |
CN116826958A (zh) | 一种数字化输电通道智能安全巡检方法 | |
CN112348699A (zh) | 一种供电系统电力设备生命周期管理方法及系统 | |
CN115794532A (zh) | 多指标智能动态阈值监控方法及系统 | |
CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
CN112016739B (zh) | 故障检测方法、装置、电子设备及存储介质 | |
CN116861797B (zh) | 一种基于机器学习的隧道电缆剩余寿命预测方法及装置 | |
CN113589098A (zh) | 基于大数据驱动的电网故障预测和诊断方法 | |
CN116558574B (zh) | 基于大数据的气站安全监测方法和装置 | |
CN117689059A (zh) | 一种覆冰类型识别与预测的微气象数据驱动方法及系统 | |
CN111934903A (zh) | 一种基于时序演化基因的Docker容器故障智能预测方法 | |
Fu et al. | Trimming outliers using trees: winning solution of the large-scale energy anomaly detection (LEAD) competition | |
CN116714469A (zh) | 充电桩健康监测方法、装置、终端及存储介质 | |
CN110232769A (zh) | 基于大数据统计的分布式零售终端模块化预警方法 | |
CN112861746B (zh) | 考虑环境灾害的密集输电通道关键视频截取方法及装置 | |
CN113392576A (zh) | 一种系留气球主缆绳拉力状态评估预警方法 | |
CN108123436B (zh) | 基于主成分分析和多元回归算法的电压越限预测模型 | |
CN117706663B (zh) | 一种基于多元数据的冰雹降水现象质控方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |