[发明专利]一种基于数据驱动的输电线路覆冰预测与自校正方法

摘要

本发明提供了一种基于数据驱动的输电线路覆冰预测与自校正方法，包括输电线路、覆冰监测终端、覆冰监测终端采集数据处理系统、历史信息库、自校正覆冰预测模块、覆冰预测结果库和覆冰预测结果展示IED，其中，自校正覆冰预测模块中包括结果比较子模块、模块校正子模块和输电线路覆冰预测模型，历史信息库包括输电线路周围的温湿度、风速和时效因子等历史数据。采用非线性时间序列分析法和BP神经网络学习法对历史信息库中数据进行分析建模，建立输电线路覆冰预测模型进行预测，在输电线路上安装覆冰监测终端实时采集覆冰参量数据，通过覆冰终端采集数据处理系统计算并触发自校正覆冰预测模块的运行，提高输电线路覆冰预测模型的自适应和准确性。

主权项

一种基于数据驱动的输电线路覆冰预测与自校正方法，其特征在于，由输电线路通过覆冰监测终端与覆冰监测终端采集数据处理系统连接，覆冰监测终端采集数据处理系统与自校正覆冰预测模块连接，自校正覆冰预测模块还分别与历史信息库、覆冰预测结果库、覆冰预测结果展示IED连接；其中，自校正覆冰预测模块由结果比较子模块、模块校正子模块和输电线路覆冰预测模型依序连接构成；历史信息库、覆冰预测结果库、覆冰预测结果展示IED与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的输电线路覆冰预测模型连接；覆冰监测终端采集数据处理系统与自校正覆冰预测模块连接的方式是直接与自校正覆冰预测模块中的结果比较子模块连接；采用对历史信息库中海量数据进行分析建模，建立输电线路覆冰预测模型，运用该模型对下一次输电线路覆冰进行预测，将覆冰监测终端安装在输电线路上对温度、湿度、拉力、倾角变量进行采集，通过无线通信将采集数据输入覆冰监测终端采集数据处理系统，该系统对数据进行清理并计算，计算结束触发自校正覆冰预测模块的运行，完成覆冰预测模块的校正；输电线路覆冰预测模型以历史信息库中温度、湿度、风速、时效因子变量数据为基础，采用非线性时间序列分析法和BP神经网络学习法推导出输电线路覆冰预测模型和模型中的映射函数；输电线路覆冰预测模型的建立方法为：首先根据Makkonen模型，推导出输电线路覆冰动态过程的状态方程：Q(n)＝g(Q(n‑1),T(n‑1),H(n‑1),WV(n‑1),WD(n‑1),A(n‑1),S(n‑1))   (1)其中n为大于1的自然数；Q(n)为第n次覆冰结果；g()为Makkonen模型中映射函数；Q(n‑1)为第n‑1次覆冰结果；T(n‑1)为第n‑1次覆冰时的温度；H(n‑1)为第n‑1次覆冰时的湿度；WV(n‑1)为第n‑1次覆冰时的风速；WD(n‑1)为第n‑1次覆冰时的风向；A(n‑1)为第n‑1次覆冰时的气压；S(n‑1)为第n‑1次覆冰时的日照；根据混沌时间序列预测的相空间理论和输电线路覆冰动态过程的状态方程，建立输电线路覆冰预测初始模型：Q(m+k)＝φ(Q(m),Q(m‑2),Q(m‑4),Q(m‑6),Q(m‑8),Q(m‑10),T(m),H(m),WV(m),WD(m),A(m),S(m))              (2)其中m为大于10的自然数；k为预测步长，是自然数；Q(m+k)为第m次覆冰后的第k次覆冰预测结果；φ()为输电线路覆冰预测初始模型中映射函数；Q(m)为第m次覆冰结果；Q(m‑2)为第m‑2次覆冰结果；Q(m‑4)为第m‑4次覆冰结果；Q(m‑6)为第m‑6次覆冰结果；Q(m‑8)为第m‑8次覆冰结果；Q(m‑10)为第m‑10次覆冰结果；T(m)为第m次覆冰时的温度；H(m)为第m次覆冰时的湿度；WV(m)为第m次覆冰时的风速；WD(m)为第m次覆冰时的风向；A(m)为第m次覆冰时的气压；S(m)为第m次覆冰时的日照；φ()的最优估计与Q(m+k)的关系为：minJ=Σm=11M[Q(m+k)-φ^(V(m))]2---(3)]]>其中minJ为模型误差；M为大于10的自然数；m＝11,12,…,M；为φ()的最优估计；V(m)＝Q(m),Q(m‑2),Q(m‑4),Q(m‑6),Q(m‑8),Q(m‑10),T(m),H(m),WV(m),WD(m),A(m),S(m)；取minJ＝0，则可通过BP神经网络学习法计算得到取代入公式(2)中，即可建立输电线路覆冰预测模型。