CN117932914A - 一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法 - Google Patents

一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法 Download PDF

Info

Publication number
CN117932914A
CN117932914A CN202410072588.5A CN202410072588A CN117932914A CN 117932914 A CN117932914 A CN 117932914A CN 202410072588 A CN202410072588 A CN 202410072588A CN 117932914 A CN117932914 A CN 117932914A
Authority
CN
China
Prior art keywords
icing
data
time
transmission line
matching
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.)
Granted
Application number
CN202410072588.5A
Other languages
English (en)
Other versions
CN117932914B (zh
Inventor
杨国林
蒋兴良
张志劲
胡建林
胡琴
李雨泰
郑华龙
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.)
Chongqing University
Original Assignee
Chongqing University
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 Chongqing University filed Critical Chongqing University
Priority to CN202410072588.5A priority Critical patent/CN117932914B/zh
Publication of CN117932914A publication Critical patent/CN117932914A/zh
Application granted granted Critical
Publication of CN117932914B publication Critical patent/CN117932914B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2111/00—Details relating to CAD techniques
    • G06F2111/10—Numerical modelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Algebra (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)

Abstract

本公开实施例提供了一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法，涉及电网安全控制技术领域，该方法包括获取目标输电线路导体所处的实时覆冰环境参数；将获取的实时覆冰环境参数代入输电线路导体覆冰数值仿真分析模型，得到目标输电线路导体的覆冰情况；按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵；从预设数据匹配池内，按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵；基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，对未来覆冰情况进行预测。可以实现对输电线路导体覆冰厚度的高效准确预测，解决了当前技术方案难以高效准确预测输电线路导体覆冰情况的问题。

Description

一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法
技术领域
本公开涉及电网安全控制技术领域，尤其涉及一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法。
背景技术
输电线路导体覆冰对电网安全稳定运行造成严重威胁，轻则引起闪络跳闸，重则造成断线倒塔引发大面积长时间停电，影响人们正常生产生活。
现有的覆冰情况预测有的是通过一线员工到现场观测输电线路导体覆冰情况，根据当前导线覆冰结合覆冰环境与人工经验，预测导线覆冰程度，但是该方法的实际应用场景野外环境艰苦，一线人员通过肉眼或仪器设备观测导线覆冰难度大，观测数据不准确，并且难以覆盖成千上万条输电线路，预测导线覆冰时需要依靠人工经验；有的是通过布置在输电线路上的各类监测设备采集当前导线覆冰信息，根据当前覆冰信息结合人工经验预测导线覆冰增长趋势，但是现有仪器设备经常因为低温高湿和冰雪包裹覆盖而失效，无法提供一线监测信息，并且预测导线覆冰时仍旧需要依靠人工经验；还有是采用数值模拟，仿真分析导线覆冰，但是现有的数值仿真模型未考虑导线覆冰扭转，不够精准，而且模型输入参数的预测也较为复杂。
因此，当前技术方案难以高效准确预测输电线路导体的覆冰情况。
公开内容
本公开提出一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法、装置、设备，通过根据实时监测的输电线路导体覆冰厚度，与预设数据匹配池内的数据动态匹配，挑选与当前导线覆冰厚度最为符合的输电线路导体覆冰发展数据，基于该数据实现对输电线路导体覆冰厚度的高效准确预测，解决了当前技术方案难以高效准确预测输电线路导体覆冰情况的问题。
为解决上述技术问题，本公开采取的技术方案如下：
根据本公开的第一方面，提供了一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法，该方法包括：
获取目标输电线路导体所处的实时覆冰环境参数；
将获取的实时覆冰环境参数代入输电线路导体覆冰数值仿真分析模型，得到目标输电线路导体的覆冰情况；
以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，其中，该目标输电线路导体的直径为D；
从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵；
基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据；
基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据。
在第一方面的一些实现方式中，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，包括：
以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中直径为D的目标输电线路导体实时覆冰厚度监测数据组(x△t,y△t)、(x2△t,y2△t)、(x3△t,y3△t)……(xt,yt),其中，x表示覆冰时间，y表示目标输电线路导体覆冰厚度；
基于目标输电线路导体实时覆冰厚度监测数据组，得到当前覆冰时间t内目标输电线路导体覆冰厚度监测矩阵y：
y＝|y△t y2△t y3△t … yt| (1)
公式(1)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值。
在第一方面的一些实现方式中，预设数据匹配池是从覆冰厚度数据库中，选择的直径为D的覆冰数据，预设数据匹配池内数据组数记为N，每一个数据组的数据代表不同覆冰环境下和覆冰时间下直径为D的输电线路导体覆冰情况，每一个数据的覆冰时间为tj(j＝1,2,3…n)；
从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵，包括：
在预设数据匹配池内，以目标起始时间为起点，当前覆冰时间t为界限，选择tj＞t的数据组，以时间步长△t提取n(n≤N)个导线覆冰厚度数据，建立覆冰厚度匹配矩阵Y：
公式(2)中，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值。
在第一方面的一些实现方式中，基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据，包括：
基于覆冰厚度监测矩阵中每个时间点的数据与覆冰厚度匹配矩阵中对应时间点的不同数据做差，并取绝对值；
基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵；
根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵；
根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据。
在第一方面的一些实现方式中，基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵，满足公式(3)
在公式(3)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值；
确定的匹配度矩阵，满足公式(4)
在第一方面的一些实现方式中，根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵，包括：
将匹配度矩阵中整列元素值均小于等于预设阈值的数据筛选出来，得到筛选后的矩阵τj，其中，j为矩阵A的列号。
在第一方面的一些实现方式中，根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据，包括：
根据筛选后的矩阵τj在预设数据匹配池中对应ξ组覆冰厚度数据；
基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据，包括：
以ξ组数据中的最长覆冰时间tmax为界，以时间步长△t计算覆冰时间xi(i＝△t,2△t,3△t,…tmax)下，目标输电线路导体覆冰厚度yxi，满足公式(5)
公式(5)中yξi(i＝△t,2△t,3△t,…tmax；j＝1,2,3…ξ),表示第j个数据中，时间为xi时目标输电线路导体覆冰厚度。
在第一方面的一些实现方式中，覆冰厚度数据库为不同类型输电线路导体在野外自然覆冰环境中各个覆冰期间，覆冰厚度随时间发展的曲线图数据。
根据本公开的第二方面，提供了一种基于覆冰厚度动态匹配的输电线路导体覆冰预测装置，该装置包括：
获取模块，用于获取目标输电线路导体所处的实时覆冰环境参数；
处理模块，用于将获取的实时覆冰环境参数代入输电线路导体覆冰数值仿真分析模型，得到目标输电线路导体的覆冰情况；
处理模块，还用于以目标起始时间为起点，当前覆冰时间为界限，向前按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，其中，该目标输电线路导体的直径为D；
处理模块，还用于从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，向前按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵；
匹配模块，用于基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据；
预测模块，用于基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据。
根据本公开的第三方面，提供了一种电子设备，该电子设备包括：
至少一个处理器；
以及与至少一个处理器通信连接的存储器；
其特征在于，存储器存储有可被至少一个处理器执行的指令，指令被至少一个处理器执行，实现本公开第一方面的方法。
本公开提供的一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法、装置、设备的有益效果如下：通过根据实时监测的输电线路导体覆冰厚度，与预设数据匹配池内的数据动态匹配，挑选与当前导线覆冰厚度最为符合的输电线路导体覆冰发展数据，基于该数据实现对输电线路导体覆冰厚度的高效准确预测，解决了当前技术方案难以高效准确预测输电线路导体覆冰情况的问题。
附图说明
为了更清楚地说明本公开实施例的技术方案，下面将对本公开实施例中所需要使用的附图作简单地介绍，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示出了本公开实施例提供的一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法的流程示意图；
图2示出了本公开实施例提供的一种输电线路导体1覆冰厚度预测曲线图；
图3示出了本公开实施例提供的一种基于覆冰厚度动态匹配的输电线路导体覆冰预测装置的框图；
图4示出了能够实施本公开的实施例的示例性电子设备的方框图。
具体实施方式
下面将详细描述本公开的各个方面的特征和示例性实施例，为了使本公开的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本公开进行进一步详细描述。应理解，此处所描述的具体实施例仅被配置为解释本公开，并不被配置为限定本公开。对于本领域技术人员来说，本公开可以在不需要这些具体细节中的一些细节的情况下实施。下面对实施例的描述仅仅是为了通过示出本公开的示例来提供对本公开更好的理解。
需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，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他要素，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。
本公开中，为了解决上述技术问题，本公开基于覆冰厚度动态匹配的输电线路导体覆冰预测方法、装置、设备以及存储介质，通过根据实时监测的输电线路导体覆冰厚度，与预设数据匹配池内的数据动态匹配，挑选与当前导线覆冰厚度最为符合的输电线路导体覆冰发展数据，基于该数据实现对输电线路导体覆冰厚度的高效准确预测，解决了当前技术方案难以高效准确预测输电线路导体覆冰情况的问题。
首先对本公开中的一些词语进行解释。
覆冰：与结冰一词同意，在本公开中特指在导线表面累积冰层；
覆冰厚度：在本公开中特指在导线表面累积冰层的厚度；
动态匹配：在本公开中指的是将实时获取的导线覆冰监测厚度值与覆冰厚度数据库内导线覆冰厚度进行匹配，实时寻值与当前覆冰情况相符合的导线覆冰厚度数据；
覆冰厚度数据库：在本公开中，指的是不同类型输电线路导体在野外自然覆冰环境中各个覆冰期间，覆冰厚度随时间发展的曲线图数据。
下面结合附图对本公开实施例提供的技术方案进行描述。
图1示出了根据本公开实施例提供的一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法的流程示意图。
如图1所示，基于覆冰厚度动态匹配的输电线路导体覆冰预测方法可以包括：
S101，获取目标输电线路导体所处的实时覆冰环境参数；
S102，将获取的实时覆冰环境参数代入输电线路导体覆冰数值仿真分析模型，得到目标输电线路导体的覆冰情况，其中，目标输电线路导体的覆冰情况即为目标输电线路导体覆冰厚度随时间实时变化的曲线图；
S103，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，其中，该目标输电线路导体的直径为D；
S104，从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵；
S105，基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据；
S106，基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据。
具体地，在S101，覆冰环境参数主要可以包括：环境温度T，℃，环境风速U，m/s，空气中液态水含量w，g/m3，过冷却水滴中值直径MVD，μm。
在一些实施例中，S103中以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，具体可以包括：
以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中直径为D的目标输电线路导体实时覆冰厚度监测数据组(x△t,y△t)、(x2△t,y2△t)、(x3△t,y3△t)……(xt,yt),其中，x表示覆冰时间，y表示目标输电线路导体覆冰厚度；
基于目标输电线路导体实时覆冰厚度监测数据组，得到当前覆冰时间t内目标输电线路导体覆冰厚度监测矩阵y：
y＝|y△t y2△t y3△t … yt| (1)
公式(1)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值。
在一些实施例中，S104中的预设数据匹配池是从覆冰厚度数据库中，选择的与目标输电线路导体直径相同的直径为D的覆冰数据，预设数据匹配池内数据组数记为N，每一个数据组的数据代表不同覆冰环境下和覆冰时间下直径为D的输电线路导体覆冰情况，每一个数据的覆冰时间为tj(j＝1,2,3…n)；
从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵，可以包括：
在预设数据匹配池内，以目标起始时间为起点，当前覆冰时间t为界限，选择tj＞t的数据组，以时间步长△t提取n(n≤N)个导线覆冰厚度数据，建立覆冰厚度匹配矩阵Y：
公式(2)中，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值；
其中，该目标起始时间可以是△t，也可以是0，具体可以根据实际情况进行调节。
在一些实施例中，S105中基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据，可以包括：
基于覆冰厚度监测矩阵中每个时间点的数据与覆冰厚度匹配矩阵中对应时间点的不同数据做差，并取绝对值；
基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵；
根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵，其中，该预设阈值可以为10％，也可以根据实际情况进行调节；
根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据。
在一些实施例中，上述基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵，满足公式(3)
在公式(3)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值；
确定的匹配度矩阵，满足公式(4)
在一些实施例中，上述根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵，可以包括：
将匹配度矩阵中整列元素值均小于等于预设阈值的数据筛选出来，得到筛选后的矩阵τj，其中，j为矩阵A的列号。
在一些实施例中，S106中根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据，包括：
根据筛选后的矩阵τj在预设数据匹配池中对应ξ组覆冰厚度数据；
基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据，包括：
以ξ组数据中的最长覆冰时间tmax为界，以时间步长△t计算覆冰时间xi(i＝△t,2△t,3△t,…tmax)下，目标输电线路导体覆冰厚度yxi，满足公式(5)
公式(5)中yξi(i＝△t,2△t,3△t,…tmax；j＝1,2,3…ξ),表示第j个数据中，时间为xi时目标输电线路导体覆冰厚度。
具体地，对式(5)进行计算时，若ξ组数据中的某一组数据对应的覆冰时间小于xi后，则在覆冰时间以步长△t增到tmax期间，将其覆冰厚度值记为零。
由此，可获得一组覆冰时间为tmax的数据组(xi,yxi)(i＝△t,2△t,3△t,…
tmax)，该数据组即为根据当前覆冰时间t内目标输电线路导体的覆冰情况获取的目标输电线路导体的未来覆冰情况，基于该数据组完成tmax时间内目标输电线路导体的覆冰预测。
随着目标输电线路导体的覆冰持续发展，当前覆冰时间t也随之增长，根据时间t的增长，可以以时间步长△t2重复S101-S106，以实时预测目标输电线路导体的覆冰情况，进而实现基于导线覆冰监测厚度的动态匹配过程。
在一些实施例中，覆冰厚度数据库为不同类型输电线路导体在野外自然覆冰环境中各个覆冰期间，覆冰厚度随时间发展的曲线图数据。
在一个具体的示例中，以某覆冰期间，输电线路导体1覆冰为例，对本公开进行进一步说明：
现场获取的输电线路导体1的覆冰发展数据实际可以如表1所示：
表1
根据表1，以覆冰时间150min为当前覆冰时间，预测其后续覆冰情况，并将其与实际数据对比。由本公开，数据库中输电线路导体1覆冰时间超过150min的数据组共计3000个，3000个数据组中在覆冰时刻分别为30min、60min、90min和150min时，导线覆冰厚度与表1所示输电线路导体1各时刻覆冰厚度误差值均未超过10％的数据组共计750个，这750个数据组中，覆冰时间最长的为3360min，以30min为间隔，计算获取150min后直至3360min期间，输电线路导体1覆冰厚度，由此得到结果如图2所示。
根据表1，以覆冰时间150min为当前覆冰时间，预测其后续覆冰情况，并将其与实际数据对比。由本公开图1中所示的方法进行预测处理，数据库中输电线路导体1覆冰时间超过150min的数据组共计3000个，3000个数据组中在覆冰时刻分别为30min、60min、90min和150min时，导线覆冰厚度与表1所示输电线路导体1各时刻覆冰厚度误差值均未超过10％的数据组共计750个，这750个数据组中，覆冰时间最长的为3360min，以30min为间隔，计算获取150min后直至3360min期间，输电线路导体1覆冰厚度，由此得到结果如图2所示：
由图2所示数据，可得在覆冰时间为180min、210min、240min和270min时，输电线路导体1覆冰厚度预测值与实际值的误差分别为7.65％、8.69％、6.12％、7.25％，可满足实际工程应用需求。
在本公开中，通过根据实时监测的输电线路导体覆冰厚度，与预设数据匹配池内的数据动态匹配，挑选与当前导线覆冰厚度最为符合的输电线路导体覆冰发展数据，基于该数据实现对输电线路导体覆冰厚度的高效准确预测，解决了当前技术方案难以高效准确预测输电线路导体覆冰情况的问题，即可以根据输电线路导体覆冰实时监测情况，预测其覆冰发展，解决当前输电线路覆冰难以预测的难题，为一线防除冰工作提供强力支撑，避免电网冰灾发生。
以上是关于方法实施例的介绍，以下通过装置实施例，对本公开方案进行进一步说明。
图3示出了根据本公开的实施例的一种基于覆冰厚度动态匹配的输电线路导体覆冰预测装置的框图。
如图3所示，该装置包括：
获取模块301，用于获取目标输电线路导体所处的实时覆冰环境参数；
处理模块302，用于将获取的实时覆冰环境参数代入输电线路导体覆冰数值仿真分析模型，得到目标输电线路导体的覆冰情况；
处理模块302，还用于以目标起始时间为起点，当前覆冰时间为界限，向前按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，其中，该目标输电线路导体的直径为D；
处理模块302，还用于从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，向前按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵；
匹配模块303，用于基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据；
预测模块304，用于基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据。
在一些实施例中，处理模块302，还用于以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中直径为D的目标输电线路导体实时覆冰厚度监测数据组(x△t,y△t)、(x2△t,y2△t)、(x3△t,y3△t)……(xt,yt),其中，x表示覆冰时间，y表示目标输电线路导体覆冰厚度；
基于目标输电线路导体实时覆冰厚度监测数据组，得到当前覆冰时间t内目标输电线路导体覆冰厚度监测矩阵y：
y＝|y△t y2△t y3△t … yt| (1)
公式(1)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值。
在一些实施例中，预设数据匹配池是从覆冰厚度数据库中，选择的直径为D的覆冰数据，匹配池内数据组数记为N，每一个数据组的数据代表不同覆冰环境下和覆冰时间下直径为D的输电线路导体覆冰情况，每一个数据的覆冰时间为tj(j＝1,2,3…n)；
处理模块302，还用于在预设数据匹配池内，以目标起始时间为起点，当前覆冰时间t为界限，选择tj＞t的数据组，以时间步长△t提取n(n≤N)个导线覆冰厚度数据，建立覆冰厚度匹配矩阵Y：
公式(2)中，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值。
在一些实施例中，匹配模块303，还用于基于覆冰厚度监测矩阵中每个时间点的数据与覆冰厚度匹配矩阵中对应时间点的不同数据做差，并取绝对值；
基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵；
根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵；
根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据。
在一些实施例中，基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵，满足公式(3)
在公式(3)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值；
确定的匹配度矩阵，满足公式(4)
在一些实施例中，根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵，包括：
将匹配度矩阵中整列元素值均小于等于预设阈值的数据筛选出来，得到筛选后的矩阵τj，其中，j为矩阵A的列号。
在一些实施例中，根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据，包括：
根据筛选后的矩阵τj在预设数据匹配池中对应ξ组覆冰厚度数据；
基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据，包括：
以ξ组数据中的最长覆冰时间tmax为界，以时间步长△t计算覆冰时间xi(i＝△t,2△t,3△t,…tmax)下，目标输电线路导体覆冰厚度yxi，满足公式(5)
公式(5)中yξi(i＝△t,2△t,3△t,…tmax；j＝1,2,3…ξ),表示第j个数据中，时间为xi时目标输电线路导体覆冰厚度。
在一些实施例中，覆冰厚度数据库为不同类型输电线路导体在野外自然覆冰环境中各个覆冰期间，覆冰厚度随时间发展的曲线图数据。
需要说明的是，对于前述的各方法实施例，为了简单描述，故将其都表述为一系列的动作组合，但是本领域技术人员应该知悉，本公开并不受所描述的动作顺序的限制，因为依据本公开，某些步骤可以采用其他顺序或者同时进行。其次，本领域技术人员也应该知悉，说明书中所描述的实施例均属于可选实施例，所涉及的动作和模块并不一定是本公开所必须的。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，描述的模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
根据本公开的实施例，本公开还提供了一种电子设备、一种可读存储介质和一种计算机程序产品。
图4示出了能够实施本公开的实施例的示例性电子设备的方框图。电子设备旨在表示各种形式的数字计算机，诸如，膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置，诸如，个人数字处理、蜂窝电话、智能电话、可穿戴设备和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例，并且不意在限制本文中描述的和/或者要求的本公开的实现。
设备400包括计算单元401，其可以根据存储在只读存储器(ROM)402中的计算机程序或者从存储单元408加载到随机访问存储器(RAM)403中的计算机程序，来执行各种适当的动作和处理。在RAM 403中，还可存储设备400操作所需的各种程序和数据。计算单元401、ROM 402以及RAM 403通过总线404彼此相连。输入/输出(I/O)接口405也连接至总线404。
设备400中的多个部件连接至I/O接口405，包括：输入单元406，例如键盘、鼠标等；输出单元407，例如各种类型的显示器、扬声器等；存储单元408，例如磁盘、光盘等；以及通信单元409，例如网卡、调制解调器、无线通信收发机等。通信单元409允许设备400通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
计算单元401可以是各种具有处理和计算能力的通用和/或专用处理组件。计算单元401的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的计算单元、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。计算单元401执行上文所描述的各个方法和处理，例如图1中的方法。例如，在一些实施例中，图1中的方法可被实现为计算机软件程序，其被有形地包含于机器可读介质，例如存储单元408。在一些实施例中，计算机程序的部分或者全部可以经由ROM 402和/或通信单元409而被载入和/或安装到设备400上。当计算机程序加载到RAM 403并由计算单元401执行时，可以执行上文描述的图1中的方法的一个或多个步骤。
本文中以上描述的系统和技术的各种实施方式可以在数字电子电路系统、集成电路系统、现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上系统的系统(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括：实施在一个或者多个计算机程序中，该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程系统上执行和/或解释，该可编程处理器可以是专用或者通用可编程处理器，可以从存储系统、至少一个输入装置、和至少一个输出装置接收数据和指令，并且将数据和指令传输至该存储系统、该至少一个输入装置、和该至少一个输出装置。
用于实施本公开的方法的程序代码可以采用一个或多个编程语言的任何组合来编写。这些程序代码可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器或控制器，使得程序代码当由处理器或控制器执行时使流程图和/或框图中所规定的功能/操作被实施。程序代码可以完全在机器上执行、部分地在机器上执行，作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本公开的上下文中，机器可读介质可以是有形的介质，其可以包含或存储以供指令执行系统、装置或设备使用或与指令执行系统、装置或设备结合地使用的程序。机器可读介质可以是机器可读信号介质或机器可读储存介质。机器可读介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体系统、装置或设备，或者上述内容的任何合适组合。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互，可以在计算机上实施此处描述的系统和技术，该计算机具有：用于向用户显示信息的显示装置(例如，CRT(阴极射线管)或者LCD(液晶显示器)监视器)；以及键盘和指向装置(例如，鼠标或者轨迹球)，用户可以通过该键盘和该指向装置来将输入提供给计算机。其它种类的装置还可以用于提供与用户的交互；例如，提供给用户的反馈可以是任何形式的传感反馈(例如，视觉反馈、听觉反馈、或者触觉反馈)；并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的系统和技术实施在包括后台部件的计算系统(例如，作为数据服务器)、或者包括中间件部件的计算系统(例如，应用服务器)、或者包括前端部件的计算系统(例如，具有图形用户界面或者网络浏览器的用户计算机，用户可以通过该图形用户界面或者该网络浏览器来与此处描述的系统和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算系统中。可以通过任何形式或者介质的数字数据通信(例如，通信网络)来将系统的部件相互连接。通信网络的示例包括：局域网(LAN)、广域网(WAN)和互联网。
计算机系统可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器，也可以为分布式系统的服务器，或者是结合了区块链的服务器。
应该理解，可以使用上面所示的各种形式的流程，重新排序、增加或删除步骤。例如，本公开中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行，只要能够实现本公开的技术方案所期望的结果，本文在此不进行限制。
上述具体实施方式，并不构成对本公开保护范围的限制。本领域技术人员应该明白的是，根据设计要求和其他因素，可以进行各种修改、组合、子组合和替代。任何在本公开的精神和原则之内所作的修改、等同替换和改进等，均应包含在本公开保护范围之内。

Claims (10)

1.一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法，其特征在于，所述方法包括：
获取目标输电线路导体所处的实时覆冰环境参数；
将获取的实时覆冰环境参数代入输电线路导体覆冰数值仿真分析模型，得到目标输电线路导体的覆冰情况；
以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，其中，该目标输电线路导体的直径为D；
从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵；
基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据；
基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据。
2.根据权利要求1所述的方法，其特征在于，所述以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，包括：
以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取覆冰情况中直径为D的目标输电线路导体实时覆冰厚度监测数据组(x△t,y△t)、(x2△t,y2△t)、(x3△t,y3△t)……(xt,yt),其中，x表示覆冰时间，y表示目标输电线路导体覆冰厚度；
基于目标输电线路导体实时覆冰厚度监测数据组，得到当前覆冰时间t内目标输电线路导体覆冰厚度监测矩阵y：
y＝|y△t y2△t y3△t...yt| (1)
公式(1)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值。
3.根据权利要求1所述的方法，其特征在于，所述预设数据匹配池是从覆冰厚度数据库中，选择的直径为D的覆冰数据，预设数据匹配池内数据组数记为N，每一个数据组的数据代表不同覆冰环境下和覆冰时间下直径为D的输电线路导体覆冰情况，每一个数据的覆冰时间为tj(j＝1,2,3…n)；
所述从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵，包括：
在预设数据匹配池内，以目标起始时间为起点，当前覆冰时间t为界限，选择tj＞t的数据组，以时间步长△t提取n(n≤N)个导线覆冰厚度数据，建立覆冰厚度匹配矩阵Y：
公式(2)中，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值。
4.根据权利要求1所述的方法，其特征在于，所述基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据，包括：
基于覆冰厚度监测矩阵中每个时间点的数据与覆冰厚度匹配矩阵中对应时间点的不同数据做差，并取绝对值；
基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵；
根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵；
根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据。
5.根据权利要求4所述的方法，其特征在于，所述基于绝对值与覆冰厚度匹配矩阵中对应时间点的不同数据的比值确定匹配度矩阵，满足公式(3)
在公式(3)中，yi(i＝△t,2△t,3△t,…t)表示覆冰时间为xi时输电线路导体覆冰厚度监测值，yilj(i＝△t,2△t,3△t,…t；j＝1,2,3…n)表示覆冰时间为xi时预设数据匹配池内导线第j个数据组内输电线路导体覆冰厚度值；
确定的匹配度矩阵，满足公式(4)
6.根据权利要求4所述的方法，其特征在于，所述根据预设阈值对匹配度矩阵进行筛选，得到筛选后的矩阵，包括：
将匹配度矩阵中整列元素值均小于等于预设阈值的数据筛选出来，得到筛选后的矩阵τj，其中，j为矩阵A的列号。
7.根据权利要求6所述的方法，其特征在于，所述根据筛选后的矩阵，从预设数据匹配池内匹配对应的多组数据，包括：
根据筛选后的矩阵τj在预设数据匹配池中对应ξ组覆冰厚度数据；
所述基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据，包括：
以ξ组数据中的最长覆冰时间tmax为界，以时间步长△t计算覆冰时间xi(i＝△t,2△t,3△t,…tmax)下，目标输电线路导体覆冰厚度yxi，满足公式(5)
公式(5)中yξi(i＝△t,2△t,3△t,…tmax；j＝1,2,3…ξ),表示第j个数据中，时间为xi时目标输电线路导体覆冰厚度。
8.根据权利要求3所述的方法，其特征在于，所述覆冰厚度数据库为不同类型输电线路导体在野外自然覆冰环境中各个覆冰期间，覆冰厚度随时间发展的曲线图数据。
9.一种基于覆冰厚度动态匹配的输电线路导体覆冰预测装置，其特征在于，所述装置包括：
获取模块，用于获取目标输电线路导体所处的实时覆冰环境参数；
处理模块，用于将获取的实时覆冰环境参数代入输电线路导体覆冰数值仿真分析模型，得到目标输电线路导体的覆冰情况；
所述处理模块，还用于以目标起始时间为起点，当前覆冰时间为界限，向前按照时间步长△t提取覆冰情况中的数据，得到目标输电线路导体对应的覆冰厚度监测矩阵，其中，该目标输电线路导体的直径为D；
所述处理模块，还用于从预设数据匹配池内，以目标起始时间为起点，当前覆冰时间为界限，向前按照时间步长△t提取直径为D的n个导线覆冰厚度数据，得到覆冰厚度匹配矩阵；
匹配模块，用于基于覆冰厚度监测矩阵与覆冰厚度匹配矩阵进行匹配，根据匹配结果从预设数据匹配池内匹配多组数据；
预测模块，用于基于匹配的多组数据对目标输电线路导体的未来覆冰情况进行预测，得到预测数据。
10.一种电子设备，其特征在于，包括：
至少一个处理器；
以及与所述至少一个处理器通信连接的存储器；
其特征在于，所述存储器存储有可被所述至少一个处理器执行的指令，所述指令被所述至少一个处理器执行，以使所述至少一个处理器能够执行权利要求1-8中任一项所述的方法。
CN202410072588.5A 2024-01-16 2024-01-16 一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法 Active CN117932914B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410072588.5A CN117932914B (zh) 2024-01-16 2024-01-16 一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410072588.5A CN117932914B (zh) 2024-01-16 2024-01-16 一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法

Publications (2)

Publication Number Publication Date
CN117932914A true CN117932914A (zh) 2024-04-26
CN117932914B CN117932914B (zh) 2024-06-28

Family

ID=90756944

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410072588.5A Active CN117932914B (zh) 2024-01-16 2024-01-16 一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法

Country Status (1)

Country Link
CN (1) CN117932914B (zh)

Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2287883C1 (ru) * 2005-04-15 2006-11-20 Ренат Гизатуллович Минуллин Способ обнаружения появления гололеда на проводах линии электропередачи
RU2309504C1 (ru) * 2006-04-18 2007-10-27 Открытое акционерное общество энергетики и электрификации "Волгоградэнерго" Устройство для определения предельных гололедных нагрузок на проводах линии электропередачи
US20140067271A1 (en) * 2012-08-30 2014-03-06 International Business Machines Corporation Predicting ice coating status on transmission lines
CN107389014A (zh) * 2017-07-20 2017-11-24 云南电网有限责任公司电力科学研究院 一种输电线路覆冰厚度预测方法
CN112070272A (zh) * 2020-08-11 2020-12-11 南瑞集团有限公司 一种输电线路的覆冰厚度预测方法及装置
CN112183897A (zh) * 2020-11-02 2021-01-05 成都卡普数据服务有限责任公司 基于深度学习的架空输电线路覆冰厚度的长时间预测方法
CN114241292A (zh) * 2021-11-05 2022-03-25 南方电网数字电网研究院有限公司 基于智能网关的输电线路覆冰监测方法和装置
CN114861449A (zh) * 2022-05-18 2022-08-05 重庆大学 一种基于多圆柱阵列积冰器的大气覆冰参数寻值计算方法
CN115143916A (zh) * 2022-06-14 2022-10-04 山东信通电子股份有限公司 一种输电线路覆冰状态监测方法、设备及介质
WO2023051519A1 (zh) * 2021-09-28 2023-04-06 国网湖南省电力有限公司 电网微地形覆冰数值预测方法及系统
US11652343B1 (en) * 2021-12-23 2023-05-16 Northeast Electric Power University Device for monitoring icing of power transmission lines and preventing tower from falling down
CN116150574A (zh) * 2023-01-31 2023-05-23 云南电网有限责任公司电力科学研究院 一种输电线路的覆冰分析方法、系统、设备及存储介质
CN116258270A (zh) * 2023-03-20 2023-06-13 云南电网有限责任公司电力科学研究院 输电线路覆冰预测模型的训练方法及相关装置、方法
CN116362389A (zh) * 2023-03-14 2023-06-30 安徽省公共气象服务中心(安徽省突发公共事件预警信息发布中心) 线路覆冰厚度预测方法和装置
CN117114439A (zh) * 2023-08-16 2023-11-24 国网四川省电力公司电力科学研究院 一种覆冰厚度预测方法、装置、存储介质以及电子设备
CN117172087A (zh) * 2023-07-18 2023-12-05 贵州电网有限责任公司 一种基于数字孪生技术的输电线路覆冰厚度预测方法

Patent Citations (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
RU2287883C1 (ru) * 2005-04-15 2006-11-20 Ренат Гизатуллович Минуллин Способ обнаружения появления гололеда на проводах линии электропередачи
RU2309504C1 (ru) * 2006-04-18 2007-10-27 Открытое акционерное общество энергетики и электрификации "Волгоградэнерго" Устройство для определения предельных гололедных нагрузок на проводах линии электропередачи
US20140067271A1 (en) * 2012-08-30 2014-03-06 International Business Machines Corporation Predicting ice coating status on transmission lines
CN107389014A (zh) * 2017-07-20 2017-11-24 云南电网有限责任公司电力科学研究院 一种输电线路覆冰厚度预测方法
CN112070272A (zh) * 2020-08-11 2020-12-11 南瑞集团有限公司 一种输电线路的覆冰厚度预测方法及装置
CN112183897A (zh) * 2020-11-02 2021-01-05 成都卡普数据服务有限责任公司 基于深度学习的架空输电线路覆冰厚度的长时间预测方法
WO2023051519A1 (zh) * 2021-09-28 2023-04-06 国网湖南省电力有限公司 电网微地形覆冰数值预测方法及系统
CN114241292A (zh) * 2021-11-05 2022-03-25 南方电网数字电网研究院有限公司 基于智能网关的输电线路覆冰监测方法和装置
US11652343B1 (en) * 2021-12-23 2023-05-16 Northeast Electric Power University Device for monitoring icing of power transmission lines and preventing tower from falling down
CN114861449A (zh) * 2022-05-18 2022-08-05 重庆大学 一种基于多圆柱阵列积冰器的大气覆冰参数寻值计算方法
CN115143916A (zh) * 2022-06-14 2022-10-04 山东信通电子股份有限公司 一种输电线路覆冰状态监测方法、设备及介质
CN116150574A (zh) * 2023-01-31 2023-05-23 云南电网有限责任公司电力科学研究院 一种输电线路的覆冰分析方法、系统、设备及存储介质
CN116362389A (zh) * 2023-03-14 2023-06-30 安徽省公共气象服务中心(安徽省突发公共事件预警信息发布中心) 线路覆冰厚度预测方法和装置
CN116258270A (zh) * 2023-03-20 2023-06-13 云南电网有限责任公司电力科学研究院 输电线路覆冰预测模型的训练方法及相关装置、方法
CN117172087A (zh) * 2023-07-18 2023-12-05 贵州电网有限责任公司 一种基于数字孪生技术的输电线路覆冰厚度预测方法
CN117114439A (zh) * 2023-08-16 2023-11-24 国网四川省电力公司电力科学研究院 一种覆冰厚度预测方法、装置、存储介质以及电子设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
侯慧;吕泽焱;董朝阳;何雄开;易泽丰;唐爱红;: "基于实时图像及灰色预测的输电线覆冰灾害预警", 武汉大学学报(工学版), no. 05, 1 October 2015 (2015-10-01) *
王身丽;翁永春;张学锋;付裕;黄力;: "基于神经网络的架空输电线路覆冰增长预测方法研究", 电气时代, no. 03, 10 March 2018 (2018-03-10) *

Also Published As

Publication number Publication date
CN117932914B (zh) 2024-06-28

Similar Documents

Publication Publication Date Title
CN113780662B (zh) 一种流量预测方法、装置、设备和介质
CN114943384A (zh) 一种变电站负荷预测方法、装置、设备及存储介质
CN116021981A (zh) 配电网线路覆冰故障预测方法、装置、设备及存储介质
CN113657467A (zh) 模型预训练方法、装置、电子设备和存储介质
CN117932914B (zh) 一种基于覆冰厚度动态匹配的输电线路导体覆冰预测方法
CN117310387A (zh) 一种配电网故障诊断方法、装置、设备及存储介质
CN116703109A (zh) 一种配电网项目选取方法、装置、设备及存储介质
CN116957539A (zh) 电缆状态评价方法、装置、电子设备及存储介质
CN115952921A (zh) 一种光伏能源功率预测方法、装置、电子设备及存储介质
CN117634437A (zh) 一种设备当前运行状态的描述方法、装置及电子设备
CN115373449B (zh) 一种数据处理方法、装置、设备及存储介质
CN118354347A (zh) 基站退服的预测方法及装置、电子设备和存储介质
WO2024108475A1 (zh) 直流输电线路的风险评估方法、装置、设备和存储介质
CN114841609A (zh) 一种防雷措施选择方法、装置、设备及介质
CN117034208A (zh) 配电网线路故障预测方法、装置、设备和存储介质
CN116860556A (zh) 一种节点监测方法、装置、电子设备及存储介质
CN116029109A (zh) 压力机预警方法、装置、电子设备及存储介质
CN116822740A (zh) 配电网运维方案确定方法、装置、电子设备及存储介质
CN115218958A (zh) 台架变压器状态判断方法、装置、电子设备和介质
CN117667587A (zh) 一种异常检测方法、装置、电子设备及存储介质
CN117744717A (zh) 模型量化方法、装置、电子设备和存储介质
CN118245823A (zh) 一种绝缘子泄漏电流预测方法、装置、设备及存储介质
CN117094452A (zh) 干旱状态预测方法、干旱状态预测模型的训练方法及设备
CN116484719A (zh) 一种内部温升值确定方法、装置、设备和存储介质
CN116467655A (zh) 一种电容器故障预测方法、装置、设备和介质

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