一种架空输电线路覆冰预测模型和方法技术

本发明专利技术公开了一种架空输电线路覆冰预测模型和方法，所述模型通过如下步骤构建：步骤1，从线路在线监测系统中获取覆冰相关数据，筛选和处理所获取的数据；步骤2，建立和训练时序卷积神经网络模型，该模型用于预测覆冰因素；步骤3，建立和训练支持向量回归模型，该模型用于建立覆冰因素与覆冰厚度的映射，时序卷积神经网络模型和支持向量回归模型共同组成架空输电线路覆冰预测模型。使用建立的模型即能够进行覆冰预测。

A Prediction Model and Method for Ice Coating on Overhead Transmission Lines

【技术实现步骤摘要】
一种架空输电线路覆冰预测模型和方法
本专利技术涉及机器学习和电力系统架空输电线路状态监测
，具体涉及一种架空输电线路覆冰预测模型和方法。
技术介绍
架空高压输电线路是现代社会的大动脉，其安全稳定运行对社会至关重要。冰灾是威胁架空输电线路的主要自然灾害之一。电力线路覆冰轻则引起闪络跳闸事故，重则引发金具损坏、断线、倒塔等严重事故，严重威胁电力系统的安全稳定运行，给社会经济造成巨大的损失。由于我国广阔复杂的地理条件，以及全球气候变暖的影响，输电线路覆冰灾害频发。因此建立一个能及时准确预测覆冰的模型，在灾害发生前及时预警具有重要意义。导线覆冰的机制十分复杂，具有多因素、非线性、突发性、不确定性等特点。气象因素是输电线路覆冰成因的必要条件，主要包括空气中的温度、相对湿度(空气中过冷却水滴或液态水含量)、降水量、风速和风向等。环境因素对导线覆冰的类型和覆冰程度具有一定地影响，通常包括海拔高度、凝结高度、地形地貌等。对导线覆冰有影响的线路因素主要有导线走向、导线直径、导线刚度、导线悬挂高度、负荷电流和电场等几个方面。传统的模型有Imai模型、Lenhard模型、Goodwin模型、Chaine模型、Markkonen模型等。这些模型只考虑有限几个覆冰因素并且作了较强的限定，实际覆冰过程的复杂性导致了这些模型适用范围相当有限。还有基于神经网络的覆冰模型，但模型的结构只是简单的浅层网络，性能有限，而且没有考虑覆冰厚度数据不足的问题。机器学习近几年发展迅速，尤其是深度学习。深度人工神经网络已经在计算机视觉、自然语言处理等领域取得了接近甚至超越人类表现的成绩。深度神经网络之所以能取得如此大的成功，原因之一在于其善于捕捉多维度、非线性、不确定的复杂关系。深度神经网络需要大量的训练数据，虽然线路覆冰在线监测系统在智能电网技术的推动下已有初步发展，但采集到的覆冰厚度数据量还不能满足深度网络的训练需求。
技术实现思路
本专利技术所要解决的技术问题是针对输电线路覆冰过程的多因素、非线性、突发性、不确定性等特性，同时覆冰厚度数据量有限的情况下，结合深度神经网络与支持向量机技术，建立一个输电线路覆冰预测模型。为解决上述技术问题，本专利技术采用的技术方案是：一种架空输电线路覆冰预测模型，所述模型通过如下步骤构建：步骤1，从线路在线监测系统中获取覆冰因素数据和覆冰厚度数据，筛选和处理所获取的数据；步骤2，建立和训练时序卷积神经网络模型，该模型用于预测覆冰因素；步骤3，建立和训练支持向量回归模型，该模型用于建立覆冰因素与覆冰厚度的回归关系，时序卷积神经网络模型和支持向量回归模型共同组成架空输电线路覆冰预测模型。本专利技术中，步骤1包括：步骤1-1，从线路在线监测系统中获取覆冰因素数据，所述覆冰因素数据分为时序覆冰因素数据和非时序覆冰因素数据，时序覆冰因素指随时间变动的覆冰因素，包括气温、湿度、风速、风向、降水、光照，非时序覆冰因素指固定不变的覆冰因素，包括导线走向、导线直径、海拔和地形地貌，非时序覆冰因素数据作为常数序列与时序覆冰因素数据合并作为覆冰因素时序数据；步骤1-2，从线路在线监测系统中获取覆冰厚度数据，覆冰厚度数据的每个样本由覆冰因素向量和覆冰厚度值两项构成，覆冰因素向量为各种覆冰因素的数据值组成，按照覆冰厚度值将覆冰厚度数据分为不同的组，等概率地随机选一个非空组从中抽出一个样本，重复该操作直至只有覆冰厚度为0的组为非空组，去掉未被抽出的样本，保留所有抽出的样本，如此可使不同程度覆冰厚度的样本之间比例均衡，以防止训练结果陷入局部最优解；步骤1-3，确定时序卷积神经网络模型时间步(即时序数据的时间间隔)的大小，不能小于时序覆冰因素传感器的采样周期，也不能太大，否则降低了时序卷积神经网络模型的精确度，本专利技术神经网络模型时间步设为1小时；步骤1-4，删除故障传感器获取到的异常数据，填补缺失数据，可以用备用传感器数据、相邻杆塔的数据、历史数据、插值；步骤1-5，对所有覆冰因素时序数据进行归一化：其中，是覆冰因素时序数据的原值，min是最小值，max是最大值，是归一化的值。不同的时间变量变化范围差异较大，将变量值归一化后消除了这种差异。min、max的取值应依据历史数据恰当设置，不能过小或过大。小于最小值或大于最大值的数据如果不是异常数据，可以截断为最小值或最大值；步骤1-6，将归一化后的数据进行离散化：其中，表示向下取整运算，K是离散数，表示将数据原始取值空间均匀离散化的份数，是归一化的数据，x是离散化后的覆冰因素时序数据。本专利技术中，步骤2中，通过如下步骤建立和训练时序卷积神经网络模型：步骤2-1，建立空洞因果卷积：对于一个多元时间序列输入和一个卷积核f：空洞因果卷积操作F在时间t上定义为F(t)：其中，表示实数集，T是时间序列的长度，n是时间序列输入变量的维数，即卷积的输入通道数，d是空洞系数，k是卷积核大小，符号"·"表示向量内积运算，f(i)是卷积核的第i个权重向量，xt-di是输入序列的第t-di时间步的输入；空洞相当于在卷积的每两个相邻步之间引入固定步长。当d＝1时，空洞卷积变回普通的1维卷积。所谓因果指时间t的卷积只跟过去和现在的输入xt-di有关，而与未来无关。本专利技术卷积神经网络的卷积核大小k＝2。本专利技术卷积神经网络的空洞系数d随着网络的深度指数地增加，即在网络的第l层级处空洞系数d＝2l，这样可以在网络的高层高效地扩大卷积核的接受域，使网络能够建模更长的时间依赖关系；步骤2-2，建立残差块：残差块包含一个残差映射和一个恒等映射，残差块的输出即为两者(即一个残差映射和一个恒等映射)的和，定义为：y＝F(x,{Wi})+Wsx，x和y分别表示所在层的输入向量和输出向量，F(x,{Wi})就是深度神经网络的网络层要学习的残差映射，Wi是残差映射F的参数，当输入和输出的维数相等时，Ws是一个单位矩阵，Wsx即为恒等映射，当输入和输出的维数不相等时，Ws是一个参数矩阵，恒等映射用一般的线性映射替代。残差映射F的形式是灵活的，在本专利技术中F就是上述空洞因果卷积。步骤2-3，建立深度神经网络：所述深度神经网络由步骤2-2中所述的残差块堆叠而成，深度神经网络的相邻层之间的关系为：y[l]＝F[l](x[l])x[l+1]＝σ[l](y[l])其中，l＝1,2,…,L，l是当前网络层的层数，L表示网络的深度，x[l]是当前层的输入，x[l+1]为下一层的输入，F[l]表示当前层的残差块，y[l]是当前层的输出，σ[l]是当前层的激活函数。深度神经网络的第一层称为输入层，第一层和最后一层之间的网络层称为隐藏层，最后一层称为输出层。增加网络的深度可以提高网络的性能，但更深的网络意味着更难训练。残差块可以有效地缓解这个问题，实际上，残差网络的深度可以达到上百层，在本专利技术中，网络的深度为十层。步骤2-3中，输入层和隐藏层的激活函数使用修正线性单元ReLU，输出层的激活函数使用归一化指数函数Softmax；网络以步骤1准备的覆冰因素时序数据和一个掩码矩阵作为输入数据。掩码矩阵m是一个二值矩阵，其元素与时序数据x的元素一一对应，掩码值1表示对应时序数据的元素有效，而掩码值0表示对应时序数据的元素无效。神经网络的输入层的输入x[1]由覆冰因素时序数据x和掩本文档来自技高网...

【技术保护点】
1.一种架空输电线路覆冰预测模型，其特征在于，所述模型通过如下步骤构建：步骤1，从线路在线监测系统中获取覆冰因素数据和覆冰厚度数据，筛选和处理所获取的数据；步骤2，建立和训练时序卷积神经网络模型，该模型用于预测覆冰因素；步骤3，建立和训练支持向量回归模型，该模型用于建立覆冰因素与覆冰厚度的回归关系，时序卷积神经网络模型和支持向量回归模型共同组成架空输电线路覆冰预测模型。

【技术特征摘要】
1.一种架空输电线路覆冰预测模型，其特征在于，所述模型通过如下步骤构建：步骤1，从线路在线监测系统中获取覆冰因素数据和覆冰厚度数据，筛选和处理所获取的数据；步骤2，建立和训练时序卷积神经网络模型，该模型用于预测覆冰因素；步骤3，建立和训练支持向量回归模型，该模型用于建立覆冰因素与覆冰厚度的回归关系，时序卷积神经网络模型和支持向量回归模型共同组成架空输电线路覆冰预测模型。2.根据权利要求1所述的方法，其特征在于，步骤1包括：步骤1-1，从线路在线监测系统中获取覆冰因素数据，所述覆冰因素数据分为时序覆冰因素数据和非时序覆冰因素数据，非时序覆冰因素数据作为常数序列与时序覆冰因素数据合并作为覆冰因素时序数据；步骤1-2，从线路在线监测系统中获取覆冰厚度数据，覆冰厚度数据的每个样本由覆冰因素向量和覆冰厚度值两项构成，覆冰因素向量为各种覆冰因素的数据值组成，按照覆冰厚度的值将覆冰厚度数据分为不同的组，等概率地随机选一个非空组从中抽出一个样本，重复该操作直至只有覆冰厚度为0的组为非空组，去掉未被抽出的样本，保留所有抽出的样本，使不同程度覆冰厚度的样本之间比例均衡；步骤1-3，确定时序卷积神经网络模型时间步即时序数据的时间间隔的大小；步骤1-4，删除获取到的异常数据，填补缺失数据；步骤1-5，对所有覆冰因素时序数据进行归一化：其中，是覆冰因素时序数据的原值，min是最小值，max是最大值，是归一化的值；步骤1-6，将归一化后的数据进行离散化：其中，表示向下取整运算；K是离散数，表示将数据原始取值空间均匀离散化的份数；是归一化的数据，x是离散化后的覆冰因素时序数据。3.根据权利要求2所述的方法，其特征在于，步骤2中，通过如下步骤建立和训练时序卷积神经网络模型：步骤2-1，建立空洞因果卷积：对于一个多元时间序列输入和一个卷积核f：空洞因果卷积操作F在时间t上定义为F(t)：其中，表示实数集，T是时间序列的长度，n是时间序列输入变量的维数，即卷积的输入通道数，d是空洞系数，k是卷积核大小，符号·表示向量内积运算，f(i)是卷积核的第i个权重向量，xt-di是输入序列的第t-di时间步的输入；步骤2-2，建立残差块：残差块包含一个残差映射和一个恒等映射，残差块的输出即为两者的和，定义为：y＝F(x，{Wi})+Wsx，x和y分别表示所在层的输入向量和输出向量，F(x，{Wi})就是深度神经网络的网络层要学习的残差映射，Wi是残差映射F的参数，当输入和输出的维数相等时，Ws是一个单位矩阵，Wsx即为恒等映射，当输入和输出的维数不相等时，Ws是一个参数矩阵，恒等映射被线性映射替代；残差映射F即为空洞因果卷积；步骤2-3，建立深度神经网络：所述深度神经网络由步骤2-2中所述的残差块堆叠而成，深度神经网络的相邻层之间的关系为：y[l]＝F[l](x[l])x[l+1]＝σ[l](y[...

【专利技术属性】
技术研发人员：张华鲁，路通，廖志军，邓照飞，石杰，邓博雅，袁明磊，
申请(专利权)人：南瑞集团有限公司，南京大学，国网江西省电力有限公司，
类型：发明
国别省市：江苏,32