[发明专利]极端天气下基于深度学习的输电线路覆冰预警方法及系统

说明书

本发明属于数据预测和预警领域，提供了一种极端天气下基于深度学习的输电线路覆冰预警方法及系统，本发明考虑环境因素和输电线路的运行工况，并根据输电线路布设区域特征对环境因素进行修正，基于深度学习建立输电线路覆冰预测模型，在覆冰趋势在线评估的基础上，进行覆冰严重度的在线预警，能够提高预测的准确性，更加符合输电线路的实际运行工况。

技术领域

本发明属于预测和预警技术领域，涉及一种极端天气下基于深度学习的输电线路覆冰预警方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着全球气候变化加剧，近年来寒潮、冻雨等极端天气频发，线路覆冰问题愈发突出。电力线路覆冰，往往伴随舞动、物理过负载等现象，轻则引起闪络和跳闸，重则造成倒塔、断线等事故，给电力系统的安全稳定运行以及用户的可靠供电带来了挑战。此外，输电线路覆盖区域广阔、分散性大，地理环境、微气象条件复杂，客观上增加了线路覆冰巡检的难度。因此，有必要建立线路覆冰的预警体系，在覆冰问题出现前及时向有关人员发出预警。目前，针对韧性电网的研究引起了较多关注，韧性电网的一个特征是快速感知电网运行态势，对各类扰动做出主动预判与积极预备。覆冰预测预警的准确性，可以为后续的预防控制措施提供重要决策信息，提高电力系统对线路覆冰问题的应对能力。

线路覆冰从微观上，表现为空气中的过冷水滴与线路碰撞附着的过程，通常出现在低温高湿的环境中，伴随雨凇、雾凇等天气。基于微观过程的覆冰生长模型，通过建立物理模型，实现对导线覆冰形状、密度和重量的增长预测。但无论是传统的模型如Makkonen模型、Imai模型、Goodwin模型等，还是当下考虑线路电流热效应的改进模型，都对机理作了一定简化，而较精确的模型涉及较多的微观参数，且部分参数难以获取，限制了基于覆冰生长模型的应用范围。基于宏观因素的覆冰预测模型，考虑输电线路覆冰厚度受众多微气象因素影响，且微气象因素与覆冰厚度之间存在高度的复杂性与非线性，采用支持向量机、神经网络等智能模型构建，但模型的结构只是简单的浅层网络，性能有限。对于样本的处理方法，一种是计及多要素误差累积对预测结果的影响，采用时间序列分析等方法处理样本，但是对于维度较高的样本增加了处理的难度；另一种是采取降维的方式降低建模的难度，常用的方法包括主成分分析、随机森林算法等，但模型对噪声数据的抗干扰能力较弱。

近年来，深度学习在处理多维度、非线性的复杂关系上已经取得瞩目成绩。发明人发现，深度学习方法SDAE在应对输入噪声时可以保持良好的鲁棒性，现有的多数覆冰预测模型认为输电线路的工况恒定，忽略了输电线路不同运行工况下的热效应，此外对于线路脱冰情况也往往忽略，现有模型和方法还可以进一步改进。

发明内容

本发明为了解决上述问题，提出了一种极端天气下基于深度学习的输电线路覆冰预警方法及系统，本发明考虑环境因素和输电线路的运行工况，并根据输电线路布设区域特征对环境因素进行修正，基于深度学习建立输电线路覆冰预测模型，在覆冰趋势在线评估的基础上，进行覆冰严重度的在线预警，能够提高预测的准确性，更加符合输电线路的实际运行工况。

根据一些实施例，本发明采用如下技术方案：

一种极端天气下基于深度学习的输电线路覆冰预警方法，包括以下步骤：

获取气象、线路电流和覆冰厚度的历史数据，生成样本集，提取气象特征和线路电流特征，构建覆冰厚度的一阶差分序列；

筛选覆冰厚度正增长的样本，根据对应的高度差和地形因素修正样本的气象数据并对样本进行归一化处理，根据线路电流特征对样本分群，实现样本集的预处理；

分别针对分群后的各子样本集，建立基于堆叠降噪自动编码器和前馈神经网络的线路覆冰厚度增长短期预测模型，并对所述预测模型进行离线训练；