CN117784288A - 一种基于天气预报的覆冰增长的预测方法及系统 - Google Patents
一种基于天气预报的覆冰增长的预测方法及系统 Download PDFInfo
- Publication number
- CN117784288A CN117784288A CN202311723662.7A CN202311723662A CN117784288A CN 117784288 A CN117784288 A CN 117784288A CN 202311723662 A CN202311723662 A CN 202311723662A CN 117784288 A CN117784288 A CN 117784288A
- Authority
- CN
- China
- Prior art keywords
- icing
- data
- prediction
- ice
- growth
- 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 69
- 239000011248 coating agent Substances 0.000 claims abstract description 66
- 238000000576 coating method Methods 0.000 claims abstract description 66
- 230000005540 biological transmission Effects 0.000 claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 16
- 230000008014 freezing Effects 0.000 claims abstract description 9
- 238000007710 freezing Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 51
- 238000001556 precipitation Methods 0.000 claims description 18
- 238000012795 verification Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 8
- 230000008859 change Effects 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000013178 mathematical model Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000013508 migration Methods 0.000 claims description 4
- 230000005012 migration Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 229910052739 hydrogen Inorganic materials 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 230000008018 melting Effects 0.000 claims description 3
- 238000002844 melting Methods 0.000 claims description 3
- 238000000859 sublimation Methods 0.000 claims description 3
- 230000008022 sublimation Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 5
- 230000002265 prevention Effects 0.000 abstract description 2
- 230000009467 reduction Effects 0.000 abstract description 2
- 230000008569 process Effects 0.000 description 9
- 238000004458 analytical method Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000011423 initialization method Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于天气预报的覆冰增长的预测方法及系统,涉及输电线路防灾减灾技术领域,包括收集电网所在地的输电线路分布数据设置覆冰预测点;收集覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据;基于导线雨凇覆冰增长模型获取气象数据的权重系数;根据梯度下降算法进行学习,重新训练网络输出覆冰预测模型;根据判断冻结温度输出可覆冰信号;基于覆冰预测模型中预测覆冰程度数据,输出预覆冰信号。本发明提供的基于天气预报的覆冰增长的预测方法将预测气象数据代入覆冰预测模型中输出预测覆冰程度数据,生成预覆冰信号,提高了覆冰增长预测结果的准确性,本发明在预测结果准确度以及适用性方面都取得更加良好的效果。
Description
技术领域
本发明涉及输电线路防灾减灾技术领域,具体为一种基于天气预报的覆冰增长的预测方法及系统。
背景技术
输电线路导线覆冰严重威胁着电网安全运行,覆冰使得导线负荷增大,导致倒杆、倒塌现象,导线不同期脱冰可导致导线舞动、导线断线、导线相间或对地的短路现象。覆冰形成的首要条件是具有可冻结的气温,即环境温度低于0℃,环境温度对覆冰的影响主要体现在覆冰类型和覆冰速率上。除温度外,输电线路覆冰还需要满足两个基本条件,第一是空气中有可以冻结为覆冰的过冷却水滴,第二是有风力的作用。风的作用有两点,一方面可以向导线表面运送过冷却水滴,另一方面是带走导线覆冰冻结过程中释放出的潜热,加快覆冰增长。
自然环境条件下,风速对导线雾凇覆冰冰形起决定性作用,覆冰主要在导线迎风面(横向迎风侧)累积,而背风侧和纵向覆冰较少。覆冰厚度随时间非线性增长,导线直径越小,覆冰厚度增长越快。导线扭转使得导线背风侧向迎风侧转变,覆冰厚度增长速率加快。雨凇覆冰时,除迎风侧翼型覆冰外,导线下方易冻结形成冰棱,使得冰形结构更为复杂;
导线覆冰过程复杂,影响因素众多,现有对导线覆冰的研究主要集中于数值模型的建立和计算,验证手段主要依赖在人工气候室进行的覆冰试验。但是自然条件下导线覆冰增长特性和人工试验具有较大的差异,包括覆冰速率、形态等,这主要是由于自然环境条件的时变性造成的,因此考虑天气因素对覆冰增长的预测是最具有时效性的。
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:现有的覆冰增长的预测方法存在时效性差,预测准确度低,缺乏实时性和动态预测,以及无法很好地泛化到不同地区或不同类型的输电线路的问题。
为解决上述技术问题,本发明提供如下技术方案:一种基于天气预报的覆冰增长的预测方法,包括收集电网所在地的输电线路分布数据设置覆冰预测点;收集覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据;基于导线雨凇覆冰增长模型获取气象数据的权重系数;根据梯度下降算法进行学习,重新训练网络输出覆冰预测模型;根据判断冻结温度输出可覆冰信号;基于覆冰预测模型中预测覆冰程度数据,输出预覆冰信号。
作为本发明所述的基于天气预报的覆冰增长的预测方法的一种优选方案,其中:所述收集电网所在地的输电线路分布数据设置覆冰预测点包括获取电网所在地的输电线路分布数据,根据输电线路分布数据设置覆冰预测点,标记为N,N为大于1的自然数。
作为本发明所述的基于天气预报的覆冰增长的预测方法的一种优选方案,其中:所述收集覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据包括获取每一覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据;
所述气象数据包括小时平均温度To、相对湿度Bo、降水量Qt、风力数据Ft、风向数据Wt以及风速数据Vt;
将历史覆冰图片和气象数据整合为训练样本。
作为本发明所述的基于天气预报的覆冰增长的预测方法的一种优选方案,其中:所述基于导线雨凇覆冰增长模型获取气象数据的权重系数包括将训练样本按照8:1:1分类为训练集、验证集和测试集,基于导线雨凇覆冰增长模型输出气象数据的权重系数,整合为权重文件加载到卷积神经网络上,用于初始化迁移网络参数;
所述训练集用于网络训练输出覆冰预测模型;
所述验证集用于交叉验证预测结果,避免过拟合;
所述测试集作为未经网络学习数据,用于评估训练后覆冰预测模型的实际准确率。
作为本发明所述的基于天气预报的覆冰增长的预测方法的一种优选方案,其中:所述根据梯度下降算法进行学习,重新训练网络输出覆冰预测模型包括修改网络的最后一个全连接层,保持输入不变,将输出设置为覆冰程度数据,对最后一层进行权重初始化,使用梯度下降算法进行学习,采用固定步长衰减来优化训练参数,重新训练整个网络,输出双条件参数覆冰预测数学模型;
对气象参数集合M=(T,H,Q,V,W),进行处理表示为:
其中,T表示温度,H表示相对湿度,Q表示降水量,V表示风速,W表示风向,M表示气象条件集合,M表示经过处理后的气象参数集合;
对于电网特性集合G=(L,Mt,Lc),进行处理表示为:
其中,L表示输电线路的长度,Mt表示输电线路的材质特性,Lc表示输电线路的地理位置参数,G表示电网特性集合,G′表示经过处理后的电网特性参数集合;
定义交互模型f(M′,G′)表示为:
其中,f(M′,G′)表示气象条件,n表示向量M′和G′中元素的数量,M′i和Gi′为是向量M′和G′的第i个元素,x为积分变量;
双条件参数覆冰预测数学模型表示为:
其中,P表示预测的覆冰概率,arctan(f(M′,G′))表示f(M′,G′)的输出规范化到[0,1]区间。
作为本发明所述的基于天气预报的覆冰增长的预测方法的一种优选方案,其中:所述根据判断冻结温度输出可覆冰信号包括获取覆冰预测点处的实时小时平均温度To、相对湿度Bo、降水量Qt,对平均温度To、相对湿度Bo以及降水量Qt,进行去误差处理输出验证数据;
对验证数据进行归一化处理,输出覆冰影响阈值,表示为:
其中,e为小时平均温度To的相关系数,λ为相对湿度Bo的相关系数,δ为降水量Qt的相关系数;
对覆冰影响阈值α进行判断,若α>α0,生成可覆冰信号,表示覆冰预测点处具备覆冰生成条件;
所述α0为历史资料统计信息中发生覆冰时的α;
若α≦α0,不生成可覆冰信号,表示覆冰预测点处不具备覆冰生成条件。
作为本发明所述的基于天气预报的覆冰增长的预测方法的一种优选方案,其中:所述基于覆冰预测模型中预测覆冰程度数据,输出预覆冰信号包括受可覆冰信号后通过电网所在地的气象台站获取电网所在地气象台的预测气象数据,将预测气象数据代入覆冰预测模型中输出预测覆冰程度数据,根据覆冰程度数据输出覆冰影响系数,生成预覆冰信号;
获取实时气象数据,结合风力数据Ft、风向数据W以及风速数据Vt判断实时气象数据状态,判断覆冰预测点所处的覆冰阶段和覆冰类型;
所述覆冰阶段包括雨凇覆冰增长、雾凇覆冰增长、热力融冰、升华脱冰以及覆冰维持阶段;
根据覆冰阶段和覆冰类型,将覆冰预测点的预测气象数据代入预测模型中,输出预测覆冰程度数据,构建覆冰重量变化量D,覆冰影响系数β表示为:
其中,Do为覆冰重量变化量的无危害阈值,而r为Do的相关系数;
判断覆冰影响系数β,若β>βm,输出预覆冰信号,表示覆冰预测点处阶段具备覆冰条件,生成覆冰;
所述βm表示历史资料统计信息中发生了覆冰时的β;
若β≦βm,不生成预覆冰信号,表示覆冰预测点处阶段具备覆冰条件但不生成覆冰。
本发明的另外一个目的是提供一种基于天气预报的覆冰增长的预测系统,其能通过将预测气象数据代入覆冰预测模型中输出预测覆冰程度数据,解决了目前的覆冰增长的预测方法含有预测结果准确性低的问题。
作为本发明所述的基于天气预报的覆冰增长的预测系统的一种优选方案,其中:包括覆冰预测点设置模块,气象数据整合模块,气象数据权重输出模块,覆冰预测模型输出模块,覆冰影响判断模块,覆冰影响系数判断模块;所述覆冰预测点设置模块用于收集输电线路分布数据,设置覆冰预测点;所述气象数据整合模块用于将历史覆冰图片和气象数据整合为训练样本;所述气象数据权重输出模块用于基于导线雨凇覆冰增长模型输出气象数据权重数据;所述覆冰预测模型输出模块用于通过梯度下降算法和固定步长衰减输出覆冰预测模型;所述覆冰影响判断模块用于判断覆冰生成条件;所述覆冰影响系数判断模块用于判断是否生成覆冰。
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,所述处理器执行所述计算机程序是实现基于天气预报的覆冰增长的预测方法的步骤。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现基于天气预报的覆冰增长的预测方法的步骤。
本发明的有益效果:本发明提供的基于天气预报的覆冰增长的预测方法获取电网所在地的输电线路分布数据,根据输电线路分布数据设置覆冰预测点,进而获取每一覆冰预测点的历史覆冰图片,提高识别输电线路中最易受覆冰影响的区域准确率,使预测更加集中和具体,将历史覆冰图片和气象数据整合为训练样本,通过卷积神经网络进行模型训练得到覆冰预测模型,增强模型的实用性和预测的可靠性,根据实时气象数据判断出电网所在地的达到冻结温度,生成可覆冰信号,进而将预测气象数据代入覆冰预测模型中输出预测覆冰程度数据,生成预覆冰信号,总结了在自然状态下电网覆冰增长特性,改进了导线覆冰数值计算模型,提高了覆冰增长预测结果的准确性,为建立输电线路覆冰预报、预警机制提供了依据,本发明在预测结果准确度以及适用性方面都取得更加良好的效果。
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基于天气预报的覆冰增长的预测方法的整体流程图。
图2为本发明第一个实施例提供的一种基于天气预报的覆冰增长的预测方法的方法流程示意图。
图3为本发明第三个实施例提供的一种基于天气预报的覆冰增长的预测系统的整体流程图。
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-图2,为本发明的一个实施例,提供了一种基于天气预报的覆冰增长的预测方法,包括:
S1:收集电网所在地的输电线路分布数据设置覆冰预测点。
更进一步的,获取电网所在地的输电线路分布数据,根据输电线路分布数据设置覆冰预测点,标记为N,其中N为大于1的自然数。
S2:收集覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据。
更进一步的,获取每一覆冰预测点的历史覆冰图片,并根据时间周期获取覆冰图片对应的气象数据,其中气象数据包括小时平均温度To、相对湿度Bo、降水量Qt、风力数据Ft、风向数据Wt和风速数据Vt,将历史覆冰图片和气象数据整合为训练样本。
应说明的是,所述训练集用于网络训练得出覆冰预测模型,验证集用于交叉验证预测结果以避免过拟合,测试集作为未经网络学习的新数据,用于评估训练后覆冰预测模型的实际准确率。
S3:基于导线雨凇覆冰增长模型获取气象数据的权重系数。
更进一步的,将训练样本按照8:1:1分类为训练集、验证集和测试集,基于导线雨凇覆冰增长模型获取气象数据的权重系数,整合为权重文件加载到卷积神经网络上,用于初始化迁移网络参数。
应说明的是,模型训练过程中,从训练集中随机不重复抽取小批次图片训练,抽完所有训练图片为一个训练周期,迭代到一定周期完成训练,得到覆冰预测模型。
还应说明的是,将训练样本按照8:1:1的比例划分为训练集、验证集和测试集。这种划分方式是机器学习中的一个标准做法,目的是在模型训练过程中有效地评估模型性能,并最终验证模型在未知数据上的泛化能力。训练集用于模型的学习和参数调整,验证集用于调整模型的结构和参数,以避免过拟合,而测试集则用于评估模型在实际应用中的表现。基于导线雨凇覆冰增长模型获取气象数据的权重系数,并将其整合为权重文件加载到CNN上,用于初始化迁移网络参数。这一步骤的关键在于利用领域知识(即导线雨凇覆冰增长模型)来指导网络学习,提高模型训练的效率和准确性。权重系数的获取能够帮助网络更好地理解哪些气象因素对覆冰的影响更为显著,从而使模型训练更加目标导向。模型训练过程中采用小批次(mini-batch)的方法进行,这有助于提高训练的稳定性和效率。通过随机不重复地抽取小批次图片训练,每抽完所有训练图片算作一个训练周期,这样做可以避免过度依赖某些特定的数据样本,减少模型的偏差,同时提高模型对新数据的适应能力。迭代到一定周期后完成训练,可以确保模型在充分学习数据特征的同时,也保持了良好的泛化能力。
S4:根据梯度下降算法进行学习,重新训练网络输出覆冰预测模型。
更进一步的,修改网络的最后一个全连接层,保持输入不变,将输出设置为覆冰程度数据,对最后一层进行权重初始化,使用梯度下降算法进行学习,并采用固定步长衰减来优化训练参数,重新训练整个网络,输出双条件参数覆冰预测数学模型;
对气象参数集合M=(T,H,Q,V,W),进行处理表示为:
其中,T表示温度,H表示相对湿度,Q表示降水量,V表示风速,W表示风向,M表示气象条件集合,M表示经过处理后的气象参数集合;
对于电网特性集合G=(L,Mt,Lc),进行处理表示为:
其中,L表示输电线路的长度,Mt表示输电线路的材质特性,Lc表示输电线路的地理位置参数,G表示电网特性集合,G′表示经过处理后的电网特性参数集合;
定义交互模型f(M′,G′)表示为:
其中,f(M,G′)表示气象条件,n表示向量M和G中元素的数量,Mi和Gi′为是向量M′和G′的第i个元素,x为积分变量;
双条件参数覆冰预测数学模型表示为:
其中,P表示预测的覆冰概率,arctan(f(M′,G′))表示f(M′,G′)的输出规范化到[0,1]区间。
应说明的是,权重初始化是指为网络中的权重参数设定初始值的过程。良好的初始化方法能够帮助加速神经网络的训练过程,同时避免了如梯度消失或爆炸这样的问题。在这个过程中,正确地初始化权重对于模型的收敛和性能至关重要。梯度下降算法是一种优化算法,用于调整神经网络中的参数(例如权重和偏差),以最小化损失函数。这是实现模型训练的基本手段。通过这种方式,模型能够学习到从输入数据到预测输出的映射关系。固定步长衰减在这里被用作优化训练参数的策略。在训练过程中,逐渐减小学习步长有助于模型在接近最优解时进行更精细的调整,避免过大的步长导致模型在最优解附近“震荡”。
S5:根据判断冻结温度输出可覆冰信号。
更进一步的,获取实时小时平均温度To、相对湿度Bo和降水量Qt并判断出电网所在地的达到冻结温度,生成可覆冰信号。
应说明的是,获取覆冰预测点处的实时小时平均温度To、相对湿度Bo和降水量Qt,对平均温度To、相对湿度Bo和降水量Qt进行去误差处理得到验证数据;
对验证数据进行归一化处理,根据以下公式计算覆冰影响阈值α,表示为:
其中,e为小时平均温度To的相关系数,λ为相对湿度Bo的相关系数,δ为降水量Qt的相关系数;
对覆冰影响阈值α进行判断,当α>α0时,生成可覆冰信号,表示此时覆冰预测点处具备覆冰生成条件;
所述α0为历史资料统计信息中发生覆冰时的α;
当α≦α0时,不生成可覆冰信号,表示此时覆冰预测点处不具备覆冰生成条件。
S6:基于覆冰预测模型中预测覆冰程度数据,输出预覆冰信号。
更进一步的,接受可覆冰信号后通过电网所在地的气象台站获取电网所在地气象台的预测气象数据,将预测气象数据代入覆冰预测模型中输出预测覆冰程度数据,根据覆冰程度数据计算覆冰影响系数,生成预覆冰信号。
应说明的是,获取实时气象数据,结合风力数据Ft、风向数据Wt和风速数据Vt判断实时气象数据状态下,判断当前覆冰预测点所处的覆冰阶段和覆冰类型,其覆冰阶段包括雨凇覆冰增长、雾凇覆冰增长、热力融冰、升华脱冰和覆冰维持阶段;
根据覆冰阶段和覆冰类型,将覆冰预测点的预测气象数据代入预测模型中,得到预测覆冰程度数据,计算覆冰重量变化量D;
根据公式计算覆冰影响系数β表示为:
其中,Do为覆冰重量变化量的无危害阈值,而r为Do的相关系数;
判断覆冰影响系数β:当β>βm时,生成预覆冰信号,表示此时覆冰预测点处该阶段具备覆冰条件且即将生成覆冰;
所述βm表示历史资料统计信息中发生了覆冰时的β;
当β≦βm时,不生成预覆冰信号,表示此时覆冰预测点处该阶段具备覆冰条件但不会生成覆冰。
还应说明的是,区间、阈值的大小的设定是为了便于比较,关于阈值的大小,取决于样本数据的多少及本领域技术人员对每一组样本数据设定基数数量;只要不影响参数与量化后数值的比例关系即可。
实施例2
本发明的一个实施例,提供了一种基于天气预报的覆冰增长的预测方法,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。
首先,选择了特定地区的电网输电线路作为试验对象。这个地区的特点是冬季气温低、湿度高,易发生覆冰现象。收集了该地区输电线路分布数据,并根据这些数据设置了5个覆冰预测点。对于这些预测点,分别采用发明方法和现有技术方法进行覆冰预测实验。
接下来,针对这5个预测点,收集了过去五年的历史覆冰图片及其对应的气象数据。这些气象数据包括小时平均温度、相对湿度、降水量、风力、风向和风速。
表1实验参数表
使用本发明方法,首先收集了预测点的历史覆冰图片及相应气象数据(包括温度、湿度、降水量、风速等)。利用导线雨凇覆冰增长模型,分析了气象数据的权重系数。随后,使用卷积神经网络(CNN),将这些数据整合为训练样本,按照8:1:1比例分为训练集、验证集和测试集。通过梯度下降算法对CNN进行多次迭代训练,最终得到了用于覆冰预测的模型。该模型能够根据实时气象数据输出可覆冰信号和预覆冰信号。基于导线雨凇覆冰增长模型,对这些气象数据进行了权重分析,得到了每项气象数据对覆冰的影响权重系数。使用卷积神经网络(CNN)作为覆冰预测的核心模型。将收集到的历史覆冰图片和气象数据整合作为训练样本,按照8:1:1的比例分为训练集、验证集和测试集。采用梯度下降算法对CNN进行训练,优化了网络参数,并进行了多次迭代训练,最终得到了能够准确预测覆冰情况的模型。此外,实验还包括了一个关键环节,即根据判断冻结温度输出可覆冰信号,并基于覆冰预测模型中预测覆冰程度数据,输出预覆冰信号。这一过程涉及实时气象数据的收集和分析,以及模型的实时预测能力。
使用现有方法进行实验,采用了一种基于简单气象阈值判断的传统方法。该方法仅依赖于气象数据(如温度、湿度)的阈值判断,没有利用任何深度学习技术。覆冰的预测完全基于这些阈值是否被超过,而不考虑历史覆冰图片或更复杂的数据分析。
表2实验结果表
通过对比表格中发明方法和现有技术的预测结果与实际覆冰发生情况,可以发现发明方法在准确度上明显优于现有技术。例在预测点3和预测点4上,发明方法的预测概率更接近于实际发生的覆冰情况。这是因为发明方法不仅考虑了气象数据,还结合了历史覆冰图片和深度学习模型,提供了更全面和精确的分析。
现有技术的预测准确度较低,主要是因为它仅依赖于简单的气象阈值分析,没有考虑历史数据和复杂环境因素的影响。这种方法在面对复杂和变化的天气条件时,预测性能受限。
通过这次对比实验,不仅证明了发明方法在预测覆冰方面的准确性,也展现了其在实际应用中的优越性。这种结合历史数据和深度学习的方法能够更有效地适应多变的环境条件,提供更可靠的预测结果。相比之下,现有技术在处理复杂数据和环境变化方面存在明显的局限性,这在电网输电线路的覆冰预测中尤为关键。因此,该发明在技术上展现了显著的创新性和实用价值,能够为电网运营提供更强大的支持,降低因覆冰导致的风险和损失。
实施例3
参照图3,为本发明的一个实施例,提供了一种基于天气预报的覆冰增长的预测系统,包括覆冰预测点设置模块,气象数据整合模块,气象数据权重输出模块,覆冰预测模型输出模块,覆冰影响判断模块,覆冰影响系数判断模块。
其中覆冰预测点设置模块用于收集输电线路分布数据,设置覆冰预测点,气象数据整合模块用于将历史覆冰图片和气象数据整合为训练样本,气象数据权重输出模块用于基于导线雨凇覆冰增长模型输出气象数据权重数据,覆冰预测模型输出模块用于通过梯度下降算法和固定步长衰减输出覆冰预测模型,覆冰影响判断模块用于判断覆冰生成条件,覆冰影响系数判断模块用于判断是否生成覆冰。
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。
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。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。
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)
1.一种基于天气预报的覆冰增长的预测方法,其特征在于,包括:
收集电网所在地的输电线路分布数据设置覆冰预测点;
收集覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据;
基于导线雨凇覆冰增长模型获取气象数据的权重系数;
根据梯度下降算法进行学习,重新训练网络输出覆冰预测模型;
根据判断冻结温度输出可覆冰信号;
基于覆冰预测模型中预测覆冰程度数据,输出预覆冰信号。
2.如权利要求1所述的基于天气预报的覆冰增长的预测方法,其特征在于:所述收集电网所在地的输电线路分布数据设置覆冰预测点包括获取电网所在地的输电线路分布数据,根据输电线路分布数据设置覆冰预测点,标记为N,N为大于1的自然数。
3.如权利要求2所述的基于天气预报的覆冰增长的预测方法,其特征在于:所述收集覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据包括获取每一覆冰预测点的历史覆冰图片,根据时间周期获取覆冰图片的气象数据;
所述气象数据包括小时平均温度To、相对湿度Bo、降水量Qt、风力数据Ft、风向数据Wt以及风速数据Vt;
将历史覆冰图片和气象数据整合为训练样本。
4.如权利要求3所述的基于天气预报的覆冰增长的预测方法,其特征在于:所述基于导线雨凇覆冰增长模型获取气象数据的权重系数包括将训练样本按照8:1:1分类为训练集、验证集和测试集,基于导线雨凇覆冰增长模型输出气象数据的权重系数,整合为权重文件加载到卷积神经网络上,用于初始化迁移网络参数;
所述训练集用于网络训练输出覆冰预测模型;
所述验证集用于交叉验证预测结果,避免过拟合;
所述测试集作为未经网络学习数据,用于评估训练后覆冰预测模型的实际准确率。
5.如权利要求4所述的基于天气预报的覆冰增长的预测方法,其特征在于:所述根据梯度下降算法进行学习,重新训练网络输出覆冰预测模型包括修改网络的最后一个全连接层,保持输入不变,将输出设置为覆冰程度数据,对最后一层进行权重初始化,使用梯度下降算法进行学习,采用固定步长衰减来优化训练参数,重新训练整个网络,输出双条件参数覆冰预测数学模型;
对气象参数集合M=(T,H,Q,V,W),进行处理表示为:
其中,T表示温度,H表示相对湿度,Q表示降水量,V表示风速,W表示风向,M表示气象条件集合,M表示经过处理后的气象参数集合;
对于电网特性集合G=(L,Mt,Lc),进行处理表示为:
其中,L表示输电线路的长度,Mt表示输电线路的材质特性,Lc表示输电线路的地理位置参数,G表示电网特性集合,G′表示经过处理后的电网特性参数集合;
定义交互模型f(M′,G′)表示为:
其中,f(M′,G′)表示气象条件,n表示向量M′和G′中元素的数量,M′i和Gi′为是向量M′和G′的第i个元素,x为积分变量;
双条件参数覆冰预测数学模型表示为:
其中,P表示预测的覆冰概率,arctan(f(M′,G′))表示f(M′,G′)的输出规范化到[0,1]区间。
6.如权利要求5所述的基于天气预报的覆冰增长的预测方法,其特征在于:所述根据判断冻结温度输出可覆冰信号包括获取覆冰预测点处的实时小时平均温度To、相对湿度Bo、降水量Qt,对平均温度To、相对湿度Bo以及降水量Qt,进行去误差处理输出验证数据;
对验证数据进行归一化处理,输出覆冰影响阈值,表示为:
其中,e为小时平均温度To的相关系数,λ为相对湿度Bo的相关系数,δ为降水量Qt的相关系数;
对覆冰影响阈值α进行判断,若α>α0,生成可覆冰信号,表示覆冰预测点处具备覆冰生成条件;
所述α0为历史资料统计信息中发生覆冰时的α;
若α≦α0,不生成可覆冰信号,表示覆冰预测点处不具备覆冰生成条件。
7.如权利要求6所述的基于天气预报的覆冰增长的预测方法,其特征在于:所述基于覆冰预测模型中预测覆冰程度数据,输出预覆冰信号包括受可覆冰信号后通过电网所在地的气象台站获取电网所在地气象台的预测气象数据,将预测气象数据代入覆冰预测模型中输出预测覆冰程度数据,根据覆冰程度数据输出覆冰影响系数,生成预覆冰信号;
获取实时气象数据,结合风力数据Ft、风向数据W以及风速数据Vt判断实时气象数据状态,判断覆冰预测点所处的覆冰阶段和覆冰类型;
所述覆冰阶段包括雨凇覆冰增长、雾凇覆冰增长、热力融冰、升华脱冰以及覆冰维持阶段;
根据覆冰阶段和覆冰类型,将覆冰预测点的预测气象数据代入预测模型中,输出预测覆冰程度数据,构建覆冰重量变化量D,覆冰影响系数β表示为:
其中,Do为覆冰重量变化量的无危害阈值,而r为Do的相关系数;
判断覆冰影响系数β,若β>βm,输出预覆冰信号,表示覆冰预测点处阶段具备覆冰条件,生成覆冰;
所述βm表示历史资料统计信息中发生了覆冰时的β;
若β≦βm,不生成预覆冰信号,表示覆冰预测点处阶段具备覆冰条件但不生成覆冰。
8.一种采用如权利要求1~7任一所述的基于天气预报的覆冰增长的预测方法的系统,其特征在于:包括覆冰预测点设置模块,气象数据整合模块,气象数据权重输出模块,覆冰预测模型输出模块,覆冰影响判断模块,覆冰影响系数判断模块;
所述覆冰预测点设置模块用于收集输电线路分布数据,设置覆冰预测点;
所述气象数据整合模块用于将历史覆冰图片和气象数据整合为训练样本;
所述气象数据权重输出模块用于基于导线雨凇覆冰增长模型输出气象数据权重数据;
所述覆冰预测模型输出模块用于通过梯度下降算法和固定步长衰减输出覆冰预测模型;
所述覆冰影响判断模块用于判断覆冰生成条件;
所述覆冰影响系数判断模块用于判断是否生成覆冰。
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中任一项所述的基于天气预报的覆冰增长的预测方法的步骤。
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中任一项所述的基于天气预报的覆冰增长的预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723662.7A CN117784288A (zh) | 2023-12-14 | 2023-12-14 | 一种基于天气预报的覆冰增长的预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311723662.7A CN117784288A (zh) | 2023-12-14 | 2023-12-14 | 一种基于天气预报的覆冰增长的预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117784288A true CN117784288A (zh) | 2024-03-29 |
Family
ID=90380729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311723662.7A Pending CN117784288A (zh) | 2023-12-14 | 2023-12-14 | 一种基于天气预报的覆冰增长的预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117784288A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051698A (zh) * | 2024-04-15 | 2024-05-17 | 天津市气象服务中心(天津市气象影视中心) | 基于多源实况监测的覆冰厚度估算方法、系统以及电子设备 |
-
2023
- 2023-12-14 CN CN202311723662.7A patent/CN117784288A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118051698A (zh) * | 2024-04-15 | 2024-05-17 | 天津市气象服务中心(天津市气象影视中心) | 基于多源实况监测的覆冰厚度估算方法、系统以及电子设备 |
CN118051698B (zh) * | 2024-04-15 | 2024-08-30 | 天津市气象服务中心(天津市气象影视中心) | 基于多源实况监测的覆冰厚度估算方法、系统以及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214566B (zh) | 基于长短期记忆网络的风电功率短期预测方法 | |
CN111310968A (zh) | 一种基于互信息的lstm神经网络循环水文预报方法 | |
CN112116162B (zh) | 基于ceemdan-qfoa-lstm的输电线覆冰厚度预测方法 | |
CN117784288A (zh) | 一种基于天气预报的覆冰增长的预测方法及系统 | |
CN109948839B (zh) | 架空输电线路舞动风险的预测和预警方法及系统 | |
CN106845080B (zh) | 基于差异修正的景区旅游气象灾害智能预测方法 | |
CN111680454A (zh) | 基于双重注意力机制的风机叶片结冰故障预测方法 | |
CN110210606A (zh) | 一种基于bp神经网络的输电线路泄漏电流预测方法、系统及存储介质 | |
CN113033910B (zh) | 一种光伏发电功率的预测方法、存储介质及终端设备 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN115329930A (zh) | 一种基于混合深度学习模型的洪水过程概率预报方法 | |
CN116029465A (zh) | 转折性天气日前风电功率预测方法、装置、介质及设备 | |
CN116739172A (zh) | 一种基于爬坡识别的海上风电功率超短期预测方法及装置 | |
CN118095570A (zh) | 台区智能负荷预测方法、系统、电子设备、介质及芯片 | |
CN116976227A (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
CN115422782B (zh) | 一种基于水文模型的洪水预报系统 | |
CN115796361A (zh) | 一种架空线路工程可研阶段的风速区间预测方法和装置 | |
CN115983095A (zh) | 一种基于聚类算法、神经网络和遗传算法的光伏发电预测方法 | |
CN113128132A (zh) | 一种基于深度时间序列的粮堆湿度及结露预测方法 | |
Kim et al. | Frost forecasting considering geographical characteristics | |
CN117081064B (zh) | 一种基于误差评估的风电功率组合预测方法和系统 | |
CN116486943B (zh) | 一种考虑地域气温特征的冻融循环试验制度设计方法 | |
CN118153785B (zh) | 极端天气下风光爬坡事件及极值功率预测方法及系统 | |
Sari et al. | Computational based on GUI MATLAB for back propagation method in detecting climate change: case study of mataram city |
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 |