一种基于过程参数的输电线路覆冰舞动预警方法

技术领域

本发明属于输电线路技术领域，涉及输电线路覆冰舞动预警，尤其是一种基于过程参数的输电线路覆冰舞动预警方法。

背景技术

在冬季雨雪冰冻天气，输电线路易产生覆冰，而覆冰后的输电线路受到风力作用时会产生舞动现象，并且舞动的持续时间有可能超过72小时。长时间、高强度的持续舞动是导致输电线路发生大面积严重受损的主要原因。舞动现象不但会引起线路的跳闸停电，还可能导致断线、倒塔等灾难性的后果，严重威胁电网的可靠性及系统安全稳定运行。

目前，为了实现输电线路舞动的在线监测和预警，研究人员提出了多种方法和装置，其中基于机器学习算法的方法受到了广泛的关注和应用。这种方法利用气象因素，如温度、相对湿度和风速等作为输入变量，训练神经网络、支持向量机等模型，以预测覆冰输电线路的舞动状态和风险等级。然而，这种方法存在如下问题：

首先，在覆冰增长阶段，由于气象因素的变化较小，输入变量的信息量不足以支撑模型的参数估计，导致模型的泛化能力较弱，无法有效地处理一些特殊情况下的数据集。其次，在实际应用中，由于气象因素的测量误差、传感器故障等原因，输入变量的质量可能受到影响，进而影响模型的预测性能。并且针对导线覆冰的不同阶段，比如覆冰增长阶段，覆冰维持阶段和覆冰消融阶段，往往会出现气象因素相同，但覆冰厚度变化趋势相反的情况。因此，这种单一地依靠气象因素预测覆冰程度和覆冰变化趋势的方法难以高效准确地实现输电线路覆冰舞动预警功能。

综上所述，如何将气象因素结合覆冰不同阶段的情况，实现稳定而高效地预测，获得预测准确率更高的输电线路覆冰舞动预警模型是目前迫切需要解决的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于过程参数的输电线路覆冰舞动预警方法，其通过结合气象因素特征量和过程参数对于潜在的输电线路覆冰舞动风险进行预警，获得更为准确的覆冰程度预测结果。

本发明解决现有的技术问题是采取以下技术方案实现的：

一种基于过程参数的输电线路覆冰舞动预警方法，包括以下步骤：

步骤1、根据历史覆冰数据选取易发生导线覆冰舞动的输电线路，提取该线路发生舞动时的气象因素特征量以及对应的等值覆冰厚度量；

步骤2、对于提取的气象因素特征量与等值覆冰厚度量进行灰色关联度计算，得到其中关键气象参数，并对关键气象参数数据进行灰色关联度处理，将赋予灰色关联度值的关键气象参数作为预测模型的输入数据；

步骤3、将赋予灰色关联度值的关键气象参数结合过程参数构建支持向量机预测模型；

步骤4、将输入数据和输出数据分为训练集和预测集，利用训练集对预测模型进行训练，并利用预测集对预测模型进行准确性检验，得到检验后的预测模型；

步骤5、当气象因素符合覆冰条件时，将待预测的数据输入到检验后的预测模型中得到线路的覆冰程度，结合气象因素与预测覆冰程度对导线可能发生覆冰舞动的情况进行预警。

进一步，所述气象因素特征量包括同一时刻的温度x

进一步，所述步骤2采用灰色关联度处理方法用于判断各个气象因素与覆冰厚度之间的相关程度，其具体实现方法为：以覆冰厚度为参考序列，气象因素特征值作为参数序列，首先对上述数据进行归一化处理，然后计算各个参数序列与参考序列之间的关联系数，利用各参数的关联系数求得各气象因素特征值与覆冰厚度之间的关联度，通过比较各个气象因素与覆冰厚度之间的关联度，选择其中关键的气象参数作为预测模型的输入数据。

进一步，所述归一化处理采用如下公式：

式中，x

关联系数由邓氏灰色关联度计算公式得到：

式中，ξ

采用如下公式计算各气象因素特征值与覆冰厚度之间的关联度r

进一步，所述步骤3的过程参数是指在某一段连续采样数据中，上一时刻的覆冰厚度值，该过程参数作为预测模型的一个输入参数，用于预测当前时刻的覆冰厚度。

进一步，所述步骤3构建支持向量机预测模型过程包括：选取步骤2中的关键气象数据以及过程参数作为预测模型的输入数据，覆冰厚度作为预测模型的输出数据；对于选定的数据集进行归一化处理；选择支持向量机的核函数参数为径向基核函数，对于支持向量机内部参数惩罚系数采用优化算法进行选取。

进一步，所述径向基核函数的函数形式K(x

其中x

进一步，所述步骤4中的模型训练过程包括：将输入数据和输出数据中的部分数据提取为训练集，将其输入到构建完成后的支持向量机模型中进行训练，从而得到训练完成的覆冰厚度预测模型，之后将预测集数据输入到训练完成的模型之中，得到预测数据，将预测数据与真实数据进行对比，对支持向量机的表现进行评价。

进一步，所述步骤5的具体实现方法为：采用仿真模拟的方式计算出该型号导线覆冰舞动时的临界条件，包括临界覆冰厚度和临界风速，当导线发生覆冰情况时，结合气象因素和当前覆冰厚度对下一时间段的导线覆冰厚度进行预测，从而判断导线是否会发生覆冰舞动现象。

本发明的优点和积极效果是：

本发明设计合理，其将气象因素参数和覆冰过程参数结合在一起，构建支持向量机预测模型，并将关键气象参数与覆冰过程参数作为预测模型的输入数据，从而得到更为准确的覆冰程度预测结果，并利用覆冰程度预测结果结合气象因素对可能产生的输电线路覆冰舞动危险进行预警，保证了电网系统的安全稳定运行。

附图说明

图1为本发明的输电线路覆冰舞动预警方法流程示意图；

图2为本发明中覆冰程度准确性检验结果图。

具体实施方式

以下结合附图对本发明实施例做进一步详述。

一种基于过程参数的输电线路覆冰舞动预警方法，如图1所示，包括以下步骤：

步骤S101、根据历史覆冰数据选取易发生导线覆冰舞动的输电线路，提取该线路发生舞动时的气象因素特征量以及对应的等值覆冰厚度量。

在本步骤中，需要根据以往覆冰观测站所记录的覆冰舞动数据选择易发生导线覆冰舞动事故区域的输电线路，提取该导线发生舞动时的各项气象因素特征量，如温度x

步骤S102、对于提取的气象因素特征量与等值覆冰厚度量进行灰色关联度计算，得到其中关键气象参数，并对关键气象参数进行灰色关联度处理。

本步骤的灰色关联度处理方法实质上是在对应关键气象数据前赋予对应灰色关联度权值。

在本步骤中，首先，需要通过灰色关联度法对于上一步骤中提取出来的气象因素特征量进行计算，分别计算出各个气象因素与覆冰厚度之间的相关程度，以覆冰厚度为参考序列，气象因素特征值作为参数序列，首先对这些数据进行归一化处理，其归一化公式为：

式中，x

然后，计算各个参数序列与参考序列之间的关联系数，由邓氏灰色关联度计算公式可得：

式中，ξ

通过比较各个气象因素与覆冰厚度之间的关联度，选择其中关键的气象参数作为预测模型的输入量，并且赋予各关键气象参数对应的灰色关联度值。

步骤S103、将赋予灰色关联度值的关键气象参数结合过程参数构建支持向量机预测模型。

在本步骤中，所述过程参量为某一段连续采样数据中上一时刻的覆冰厚度值。该值作为输入数据的一个参数，用于预测当前时刻的覆冰厚度。具体的，在某一组采样数据中，将k-1时刻的等值覆冰厚度值y

在构建支持向量机模型时，需要对支持向量机两个关键参数核函数参数和惩罚系数进行最优化选择。在具体的实施例中，可以采用遗传算法、粒子群算法和麻雀搜索算法等优化算法对于全局最佳核函数参数和惩罚系数进行寻优，以获取最佳预测结果。

步骤S104、将输入数据和输出数据分为训练集和预测集，利用训练集对预测模型进行训练，并利用预测集对预测模型进行准确性检验。

在本步骤中，将拓展后的n+1维数据作为原始数据，其中前90％的样本作为预测模型的训练集，后10％的样本作为预测集检验上述所构建的模型。在一个具体的实施例中，在Matlab环境下，利用Libsvm软件包完成本模型的训练过程，采用SVM中应用最广泛的径向基核函数，其函数形式K(x

其中x

利用将上述训练集输入到构建完成后的覆冰厚度预测模型中完成训练，随后将预测集输入到训练完成的模型中进行准确性检验，检验结果如图2所示。从图中可以看出，利用过程参数的麻雀搜索算法优化支持向量机模型结果更接近真实值，因此证明上述方法准确性更高。

步骤S105、当气象因素符合覆冰条件时，将待预测的数据输入模型中得到线路的覆冰程度，结合气象因素与预测覆冰程度对导线可能发生覆冰舞动的情况进行预警。

在本步骤中，将上述所得的覆冰厚度数据和气象因素中的风速和风向数据与覆冰舞动仿真所得的舞动发生覆冰和气象阈值进行对比判断，确定导线发生舞动的概率。在一个具体的实施例中，通过ANSYS软件对于舞动发生时的风速风向和覆冰厚度进行记录，得到舞动发生时不同风速和风向所对应的覆冰厚度阈值，当获得覆冰程度预测值后，与当前气象因素风速所对应的覆冰厚度阈值进行对比，从而确定输电线路发生覆冰舞动的概率。

需要强调的是，本发明所述的实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述的实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。