本发明专利技术涉及一种面向极端气象灾害的配电网杆塔故障预测方法，包括以下步骤：构建包括气象数据库、电网数据库以及地理数据库的综合数据库；分别采集气象数据、电网数据以及地理数据，并对数据进行预处理后分别保存于对应数据库中；基于CNN‑LSTM混合模型构建杆塔故障预测模型，通过综合数据库中的数据对杆塔故障预测模型进行训练，得到训练完成的杆塔故障预测模型；通过训练完成的杆塔故障预测模型进行杆塔故障预测。
【技术实现步骤摘要】
本专利技术涉及一种面向极端气象灾害的配电网杆塔故障预测方法，属于电网故障预测。
技术介绍
1、我国沿海地区频发台风，电网的正常运行与气象条件有着紧密联系，台风灾害不仅自身会造成电力设备的损害，同时带来的降水也会次生出洪涝灾害，危及电力设施安全。因此，气象灾害预警对于电力部门应对气象灾害提前做出工作部署具有重要意义。
2、输电杆塔作为电网高压输电线路的支撑体，其安全性直接关系着电网的安全稳定运行和区域供电可靠性。为了提升配电网规避或抵御自然灾害的能力，杆塔区域灾害的风险评估，灾情识别工作已受到电力部门的重点关注，旨在通过更加可靠、精确的方法评估台风途经区域的灾害风险，指导未来输电线路的科学布设，最大程度地减少气象灾害对电网运行的影响。
3、公开号为“cn108427856b”的专利技术专利公开了一种配电网10千伏杆塔故障概率曲线拟合方法，借助历史台风真实的灾损数据及气象部门提供的气象数据，通过计算故障概率曲线中不同k值所对应的拟合指标fappro得到最优k值，进而拟合出与实际灾损结果相匹配的最优配电网10千伏杆塔的故障概率曲线。本专利技术能简单快速有效拟合出适用于强台风环境下的配电线路故障概率曲线，可应用于强台风环境下配电网中配电杆塔的安全风险评估。
4、但是台风的路径和强度具有很大的不确定性，单一的故障概率曲线可能无法完全反映实际情况，需要结合实时数据进行动态调整，除了台风，杆塔故障还可能受到其他环境因素(如腐蚀、老化等)的影响，这些因素在上述专利技术中可能没有得到充分考虑。
技术实现思路
1、为了解决上述现有技术中存在的问题，本专利技术提出了一种面向极端气象灾害的配电网杆塔故障预测方法。
2、本专利技术的技术方案如下：
3、一方面，本专利技术提供了一种面向极端气象灾害的配电网杆塔故障预测方法，包括以下步骤：
4、构建包括气象数据库、电网数据库以及地理数据库的综合数据库；
5、分别采集气象数据、电网数据以及地理数据，并对数据进行预处理后分别保存于对应数据库中；
6、基于cnn-lstm混合模型构建杆塔故障预测模型，通过综合数据库中的数据对杆塔故障预测模型进行训练，得到训练完成的杆塔故障预测模型；
7、通过训练完成的杆塔故障预测模型进行杆塔故障预测。
8、作为本专利技术的优选实施方式，对采集的气象数据、电网数据以及地理数据进行归一化预处理，具体如下式所示：
9、
10、其中：x表示原始数据序列；x*表示归一化后的数据序列；xmax表示原始数据序列中的最大值；xmin表示原始数据序列中的最小值。
11、作为本专利技术的优选实施方式，所述cnn-lstm混合模型由卷积神经网络以及长短期记忆神经网络构成；
12、所述卷积神经网络包括若干连续的卷积层以及尾部的池化层构成，将综合数据库中的数据输入卷积神经网络提取数据样本的空间特征；
13、所述长短期记忆神经网络由多层连续的长短期记忆神经单元构成，将数据样本的空间特征输入长短期记忆神经网络得到数据样本的空间-时间特征；
14、基于数据样本的空间-时间特征，使用全连接层进行故障预测。
15、作为本专利技术的优选实施方式，所述卷积层用于提取数据样本空间特征，具体如下式所示：
16、
17、其中：表示卷积层l的神经元j提取的数据样本空间特征；mj表示输入空间；表示卷积层l-1的神经元i提取的数据样本空间特征；表示神经元i与神经元j的权重；表示神经元j的偏置；f表示激活函数。
18、作为本专利技术的优选实施方式，所述池化层用于对卷积层提取的数据样本特征进行下采样，具体如下式所示：
19、
20、其中：表示卷积层l+1池化后神经元j输出的样本数据空间特征；fdown表示下采样。
21、作为本专利技术的优选实施方式，所述每个长短期记忆神经单元均包括输入门、遗忘门、输出门以及单元状态，具体如下式所示：
22、it＝δ(uixt+wiht-1+bi)
23、ft＝δ(ufxt+wfht-1+bf)
24、ot＝δ(uoxt+woht-1+bo)
25、
26、ht＝otσ(ct)
27、其中：xt表示第t个长短期记忆神经单元的输入值；ht表示第t个长短期记忆神经单元的输出值；ht-1表示第t-1个长短期记忆神经单元的输出值；it、ft、ot分别表示第t个长短期记忆神经单元的输入门、遗忘门以及输出门的输出值；ct第t个长短期记忆神经单元的单元状态；ct-1表示第t-1个长短期记忆神经单元的单元状态；表示第t个长短期记忆神经单元的暂时单元状态；ui、uf、uo和uc分别为输入门、遗忘门、输出门和细胞状态的权重矩阵；bi、bf和bo为输入门、遗忘门、输出门的偏置；δ表示sigmiod函数；σ表示tanh函数。
28、作为本专利技术的优选实施方式，所述使用全连接层进行故障预测，具体如下式所示：
29、y＝δ(wch+bc)
30、其中：y表示故障概率；wc表示全连接层的权重；bc表示全连接层的偏置；h表示长短期记忆神经网络的输出。
31、另一方面，本专利技术还提供了一种面向极端气象灾害的配电网杆塔故障预测系统，包括数据库模块、数据采集模块、模型训练模块以及故障预测模块；
32、所述数据库模块由包括气象数据库、电网数据库以及地理数据库的综合数据库构成；
33、所述数据采集模块用于采集气象数据、电网数据以及地理数据，并对数据进行预处理后分别保存于对应数据库中；
34、所述模型训练模块用于基于cnn-lstm混合模型构建杆塔故障预测模型，通过综合数据库中的数据对杆塔故障预测模型进行训练，得到训练完成的杆塔故障预测模型；
35、所述故障预测模块用于通过训练完成的杆塔故障预测模型进行杆塔故障预测。
36、再一方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术任一实施例所述的方法。
37、再一方面，本专利技术还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本专利技术任一实施例所述的方法。
38、本专利技术具有如下有益效果：
39、1、本专利技术基于cnn-lstm混合模型的杆塔在极端气象灾害下故障的预测方法，将杆塔历史故障发生时的气象信息、杆塔本体信息，地理信息配网本体参数信息进行匹配，对cnn-lstm混合模型进行训练，得到杆塔故障预测模型，最后根据训练得到的预测模型，可以预测未来发生极端气象灾害时的杆塔故障概率。
本文档来自技高网...
【技术保护点】
1.一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，对采集的气象数据、电网数据以及地理数据进行归一化预处理，具体如下式所示：
3.根据权利要求1所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述CNN-LSTM混合模型由卷积神经网络以及长短期记忆神经网络构成；
4.根据权利要求3所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述卷积层用于提取数据样本空间特征，具体如下式所示：
5.根据权利要求3所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述池化层用于对卷积层提取的数据样本特征进行下采样，具体如下式所示：
6.根据权利要求3所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述每个长短期记忆神经单元均包括输入门、遗忘门、输出门以及单元状态，具体如下式所示：
7.根据权利要求3所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述使用全连接层进行故障预测，具体如下式所示：
8.一种面向极端气象灾害的配电网杆塔故障预测系统，其特征在于，包括数据库模块、数据采集模块、模型训练模块以及故障预测模块；
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述的方法。
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，该程序被处理器执行时实现如权利要求1至7任一项所述的方法。
...
【技术特征摘要】
1.一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，对采集的气象数据、电网数据以及地理数据进行归一化预处理，具体如下式所示：
3.根据权利要求1所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述cnn-lstm混合模型由卷积神经网络以及长短期记忆神经网络构成；
4.根据权利要求3所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述卷积层用于提取数据样本空间特征，具体如下式所示：
5.根据权利要求3所述的一种面向极端气象灾害的配电网杆塔故障预测方法，其特征在于，所述池化层用于对卷积层提取的数据样本特征进行下采样，具体如下式所示：
6.根据...
【专利技术属性】
技术研发人员：赵建伟，张春光，赵晴，姚可筠，李琦，黄仕勇，童忠华，黄锴，林雨场，吴蔚源，陈小龙，
申请(专利权)人：厦门亿力吉奥信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。