用于输电线路环境气象数据预测的方法及系统技术方案

本发明专利技术公开了一种用于输电线路环境气象数据预测的方法及系统，涉及气象模型预测技术领域，解决了传统气象预测方法抗燥能力差、易受数据干扰的技术问题，其技术方案要点是采集输电线路的环境气象数据和对应时间的天气预报数据，再将这些数据划分为训练集和测试集，将训练集投入到结合加权通道的TCN模型进行训练获取气象预测模型，再使用测试集对所述气象预测模型进行测试，从而对气象预测模型的超参数Θ进行调整，然后重复模型训练直至气象预测模型收敛或达到最大迭代次数得到最终预测模型。通过上述方法得到的最终预测模型抗燥能力强，且不易受异常数据干扰，最终得到的预测数据也较现有模型更准确。

【技术实现步骤摘要】
用于输电线路环境气象数据预测的方法及系统
本公开涉及气象预测模型
，尤其涉及一种用于输电线路环境气象数据预测的方法及系统。
技术介绍
随着全球变暖和环流异常，极端天气的出现愈加频繁，近几年我国南方发生的冰灾事故造成电网大面积的倒塔、杆塔损坏、断线、绝缘子脱落等故障，导致大面积长时间停电，严重影响正常生产生活，带来了沉重的电网修复负担。天气预测在电力系统的电力规划、防灾减灾、实时监测等诸多领域都有着非常重要的作用，如光伏发电系统的输出功率很大程度上取决于光伏面板所能接收到的太阳辐射量，太阳辐射量跟多种天气因素直接相关，光伏输出功率的预测则离不开天气的预测。再如含风力发电的电力系统中，风速随机变化引起的风电功率波动直接关系到电力系统的稳定和控制问题。因此，为了能够提早预测此类灾害问题、及时部署预防措施，对未来的气象条件进行及时准确的预测非常必要。气象预测的传统技术主要是通过卫星云图、统计学或动力-统计方法来进行的。近年来随着人工智能技术的飞速发展，出现了许多基于人工智能相关技术进行气象预测的研究，在智能化程度和精准度等方面有了一定提升。但是由于气象预测问题本身的复杂性和困难性，尤其是对于输电线路环境气象预测这种对准确率要求较高，一旦误判就可能影响社会正常生产安全的应用场景，目前相关方法仍存在预测准度低、抗干扰能力差等问题，无法准确的对未来时刻的气象条件进行准确预测。
技术实现思路
本公开提供了一种用于输电线路环境气象数据预测的方法及系统，其技术目的是使气象数据预测方法的抗燥能力强、不易受异常数据干扰。本公开的上述技术目的是通过以下技术方案得以实现的：一种用于输电线路环境气象数据预测的方法，包括：S1：采集输电线路的环境气象数据和对应时间的天气预报数据，形成数据集D；S2：将所述D划分为训练集D1和测试集D2；S3：将所述训练集D1投入到TCN模型进行训练，获取气象预测模型，所述TCN模型为结合加权通道的时域卷积网络；S4：将测试集D2投入到所述气象预测模型进行测试，再根据测试效果对所述气象预测模型的超参数Θ进行调整，重复步骤S3直至所述气象预测模型收敛或达到最大迭代次数，得到最终预测模型；S5：将数据集D输入到所述最终预测模型预测输电线路的气象信息。进一步地，所述数据集D包括：地面以上2米高度处的温度、地面以上2米高度处的相对湿度、地面以上10米高度处的风速和对应的天气预报数据。进一步地，所述步骤S3包括：S31：将所述训练集D1中的数据分为1,2,...,n个组，n为大于1的正整数，每个组包含的数据组的取值范围均为[32,64,128]；S32：对所述训练集D1中的第1组气象数据序列x1＝[x11,x21,...,xn1]进行特征提取，得到特征矩阵F1＝[F11,F21,...,Fn1]；S33：将所述特征矩阵F1输入到所述TCN模型的全连接层L(.)进行训练，输出预测值m为正整数；S34：计算所述与实际气象数据的均方误差MSE(1)；S35：使用小批量梯度下降法MBGD结合所述MSE(1)对所述超参数Θ进行优化；S36：读取第2组数据，将其输入至所述超参数Θ优化后的所述TCN模型重复步骤S31至S36，直至MSE(n)逐渐收敛或达到最大迭代次数。进一步地，特征矩阵其中，xn为所述第n组的气象数据序列[x1n,x2n,...,xnn]，表示第i层隐变量组成的向量，wk表示通道加权参数，k为通道数，Residual(.)为所述TCN模型中的残差块。进一步地，将特征矩阵Fn＝[F1n,F2n,...,Fnn]输入到所述全连接层L(.)，输出为m个预测值组成的预测向量则其中，Yi代表气象数据的真实值，m代表全连接层输出的预测值的个数。一种用于输电线路环境气象数据预测的系统，包括：数据采集模块，采集输电线路的环境气象数据和对应时间的天气预报数据，形成数据集D；随机划分模块，将所述D划分为训练集D1和测试集D2；模型训练模块，将所述训练集D1投入到TCN模型进行训练，获取气象预测模型，所述TCN模型为结合加权通道的时域卷积网络；模型测试模块，将测试集D2投入到所述气象预测模型进行测试，再根据测试效果对所述气象预测模型的超参数Θ进行调整，重复模型训练直至所述气象预测模型收敛或达到最大迭代次数，得到最终预测模型；预测模块，将数据集D输入到所述最终预测模型预测输电线路的气象信息。进一步地，所述数据集D包括：地面以上2米高度处的温度、地面以上2米高度处的相对湿度、地面以上10米高度处的风速和对应的天气预报数据。进一步地，所述模型训练模块包括：分组单元，将所述训练集D1中的数据分为1,2,...,n个组，n为大于1的正整数，每个组包含的数据组的取值范围均为[32,64,128]；特征提取单元，对所述训练集D1中的第1组气象数据序列x1＝[x11,x21,...,xn1]进行特征提取，得到特征矩阵F1＝[F11,F21,...,Fn1]；训练单元，将所述特征矩阵F1输入到所述TCN模型的全连接层L(.)进行训练，输出预测值m为正整数；计算单元，计算所述与实际气象数据的均方误差MSE(1)；优化单元，使用小批量梯度下降法MBGD结合所述MSE(1)对所述超参数Θ进行优化。进一步地，所述特征矩阵其中，xn为所述第n组的气象数据序列[x1n,x2n,...,xnn]，表示第i层隐变量组成的向量，wk表示通道加权参数，k为通道数，Residual(.)为所述TCN模型中的残差块。进一步地，将特征矩阵Fn＝[F1n,F2n,...,Fnn]输入到所述全连接层L(.)，输出为m个预测值组成的预测向量则其中，Yi代表气象数据的真实值，m代表全连接层输出的预测值的个数。本公开的有益效果在于：本公开所述的用于输电线路环境气象数据预测的方法及系统，采集输电线路的环境气象数据和对应时间的天气预报数据，再将这些数据划分为训练集和测试集，将训练集投入到结合加权通道的TCN模型进行训练获取气象预测模型，再使用测试集对所述气象预测模型进行测试，从而对气象预测模型的超参数Θ进行调整，然后重复模型训练直至气象预测模型收敛或达到最大迭代次数得到最终预测模型。通过上述方法得到的最终预测模型抗燥能力强，且不易受异常数据干扰，最终得到的预测数据也较现有模型更准确。附图说明图1为本公开方法流程图；图2为通道加权方法示意图；图3为本公开系统框架图。具体实施方式下面将结合附图对本公开技术方案进行详细说明。在输电线路附近安装传感器采集输电线周围环境的气象数据，并同时根据天气预报数据对实际的气象数据进行记录，保证传感器能实时的采集气象数据。采集数据集D的周期和内容例本文档来自技高网...

【技术保护点】
1.一种用于输电线路环境气象数据预测的方法，其特征在于，包括：/nS1：采集输电线路的环境气象数据和对应时间的天气预报数据，形成数据集D；/nS2：将所述D划分为训练集D1和测试集D2；/nS3：将所述训练集D1投入到TCN模型进行训练，获取气象预测模型，所述TCN模型为结合加权通道的时域卷积网络；/nS4：将测试集D2投入到所述气象预测模型进行测试，再根据测试效果对所述气象预测模型的超参数Θ进行调整，重复步骤S3直至所述气象预测模型收敛或达到最大迭代次数，得到最终预测模型；/nS5：将数据集D输入到所述最终预测模型预测输电线路的气象信息。/n

【技术特征摘要】
1.一种用于输电线路环境气象数据预测的方法，其特征在于，包括：
S1：采集输电线路的环境气象数据和对应时间的天气预报数据，形成数据集D；
S2：将所述D划分为训练集D1和测试集D2；
S3：将所述训练集D1投入到TCN模型进行训练，获取气象预测模型，所述TCN模型为结合加权通道的时域卷积网络；
S4：将测试集D2投入到所述气象预测模型进行测试，再根据测试效果对所述气象预测模型的超参数Θ进行调整，重复步骤S3直至所述气象预测模型收敛或达到最大迭代次数，得到最终预测模型；
S5：将数据集D输入到所述最终预测模型预测输电线路的气象信息。


2.如权利要求1所述的用于输电线路环境气象数据预测的方法，其特征在于，所述数据集D包括：地面以上2米高度处的温度、地面以上2米高度处的相对湿度、地面以上10米高度处的风速和对应的天气预报数据。


3.如权利要求2所述的用于输电线路环境气象数据预测的方法，其特征在于，所述步骤S3包括：
S31：将所述训练集D1中的数据分为1,2,...,n个组，n为大于1的正整数，每个组包含的数据组的取值范围均为[32,64,128]；
S32：对所述训练集D1中的第1组气象数据序列x1＝[x11,x21,...,xn1]进行特征提取，得到特征矩阵F1＝[F11,F21,...,Fn1]；
S33：将所述特征矩阵F1输入到所述TCN模型的全连接层L(.)进行训练，输出预测值m为正整数；
S34：计算所述与实际气象数据的均方误差MSE(1)；
S35：使用小批量梯度下降法MBGD结合所述MSE(1)对所述超参数Θ进行优化；
S36：读取第2组数据，将其输入至所述超参数Θ优化后的所述TCN模型重复步骤S31至S36，直至MSE(n)逐渐收敛或达到最大迭代次数。


4.如权利要求3所述的用于输电线路环境气象数据预测的方法，其特征在于，特征矩阵






其中，xn为所述第n组的气象数据序列[x1n,x2n,...,xnn]，表示第i层隐变量组成的向量，wk表示通道加权参数，k为通道数，Residual(.)为所述TCN模型中的残差块。


5.如权利要求4所述的用于输电线路环境气象数据预测的方法，其特征在于，将特征矩阵Fn＝[F1n,F2n,...,Fnn]输入到所述全连接层L(.)，输出为m个预测值组成的预测向量
则



其中，Yi代表气象数据的真实值，m代...

【专利技术属性】
技术研发人员：路通，岳圣凯，袁明磊，
申请(专利权)人：南京大学，
类型：发明
国别省市：江苏;32