一种电网雷电多重预警方法及系统

技术领域

本发明涉及雷电预警技术领域，特别是涉及一种电网雷电多重预警方法及系统。

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。

雷电是自然界中较为频繁出现的自然现象，对于电网领域中输电系统而言，在预防雷电伤害、防止重大雷电事故灾害的发生且及时采取预防措施等方面均具有重要意义。在输电系统中针对雷电的防护，除了利用一些装置直接或间接的防护以外，利用相关数据对雷电进行预警也是重要手段之一。

在现有的雷电预警技术中，如专利公开号CN103048552A“一种雷电预警装置及雷电预警的实现方法”中，公开了一种由雷电波接收处理单元、电场接收处理单元、计算机控制处理单元、报警输出处理单元、报警处理驱动单元组成的雷电预警装置，采用雷电波探测和电场仪相结合的结构，利用两种传感器实时地采集两组不同的数据参数，通过对两组不同的参数同时进行分析处理，只有当两组数据都满足预设的预警要求时才发出相应的预警信号及作出相对应的控制。上述专利设置的传感器获取数据，仅仅是单一的雷电数据，使得最终的预测结果较为单一。随着神经网络技术的不断发展，本领域技术人员不断将神经网络模型引入雷电预警技术中，但在研究中发现，这类现有技术难以应用至输电系统的输电线路中，如论文《基于 LSTM-RNN 的电网雷电智能预警模型设计》中公开了引入循环神经网络，并利用LSTM模型与Dropout对传统的循环神经网络进行改进，实现电网雷电预警。但是在该论文中获取的是山东多个地区逐月的闪电频次数据，最终的预警适用于对地区进行预警，并不适用于输电线路的预警，现有技术中无法对各个区段的输电线路进行准确预警，以及现有技术中获取单一数据使得预警类型较为单一。

发明内容

为了解决现有技术中的技术问题，本发明提出了一种电网雷电多重预警方法，采集了多种类型数据，基于多任务模型和雷电预警模型，提出了一种适用于输电线路的雷电多重预警方法。

为了实现上述目的，本发明采用如下技术方案：

第一方面，本发明提供一种电网雷电多重预警方法，包括：

将输电线路进行网格化处理得到线路数据，并将线路数据保存至数据库中；

获取线路数据以及雷达数据、天气数据和雷电数据的训练集数据，训练集数据存储至数据库中；并对线路数据进行文本特征表示学习获得其向量表示，对雷达数据、天气数据和雷电数据进行文本特征表示学习获得其特征向量表示；

构建基于线路数据的雷达预警、天气预警和雷电预警的多任务模型，并获取多任务模型中子任务相应的预分类向量；

分别将子任务的预分类向量与线路数据向量表示融合，作为雷电预警模型的输入，输出子任务对应的高层特征表示，基于高层特征表示构建分类器，将高层特征表示输入至对应分类器中，输出对雷达、天气和雷电的多重预警。

进一步的技术方案，所述网格化处理包括从输电线路清单中获取输电线路标号，并将输电线路按照区域以3km×3km的网格进行分区处理，得到线路数据为线路分区数据。

进一步的技术方案，所述将输电线路按照区域以3km×3km的网格进行分区处理，具体包括：在输电线路清单中查询线路的杆塔坐标，对输电线路杆塔进行网格化处理，得到若干个网络的输电线路坐标、网格中心的经纬度、杆塔标号、网格起始杆塔经纬度和网络终端杆塔经纬度。

进一步的技术方案，将雷达预警任务的预分类向量中所指的雷达向量与线路数据向量表示进行特征融合得到线路数据-雷达表示向量；

将天气预警任务的预分类向量中所指的天气向量与线路数据向量表示进行特征融合得到线路数据-天气表示向量；

将雷电预警任务的预分类向量中所指的雷电向量与线路数据向量表示进行特征融合得到线路数据-雷电表示向量。

进一步的技术方案，将所述线路数据-雷达表示向量、线路数据-天气表示向量和线路数据-雷电表示向量作为输入，输入雷电预警模型中获取三个向量的高层特征表示，其中雷电预警模型为双向长短时记忆神经网络模型。

进一步的技术方案，所述获取多任务模型中子任务相应的预分类向量，具体为：将线路数据向量表示输入到一个多任务分类器中，通过训练该多任务分类器实现对雷达、天气和雷电的预分类，进而获得相应的预分类向量。

进一步的技术方案，通过BERT模型，基于线路数据的训练集数据进行预训练，获得语言模型，从而获得线路数据的表示向量；基于BERT模型，针对雷达数据、天气数据和雷电数据采用查字典的方式获取其特征向量表示。

第二方面，本发明提供一种电网雷电多重预警系统，包括：

网格化处理模块，被配置为：将输电线路进行网格化处理得到线路数据，并将线路数据保存至数据库中；

数据获取及特征向量表示模块，被配置为：获取线路数据以及雷达数据、天气数据和雷电数据的训练集数据，训练集数据存储至数据库中；并对线路数据进行文本特征表示学习获得其表示向量，对雷达数据、天气数据和雷电数据进行文本特征表示学习获得其特征向量表示；

预分类向量获取模块，被配置为：构建基于线路数据的雷达预警、天气预警和雷电预警的多任务模型，并获取多任务模型中子任务相应的预分类向量；

向量融合及预警模块，被配置为：分别将子任务的预分类向量与线路数据表示向量融合，作为雷电预警模型的输入，输出子任务对应的高层特征表示，基于高层特征表示构建分类器，将高层特征表示输入至对应分类器中，输出对雷达、天气和雷电的多重预警。

与现有技术相比，本发明的有益效果为：

1、本发明将考虑传统的单一子任务的雷电预警拓展到考虑任务之间序列关系及反向验证关系的多任务学习方法实现多重雷电预警子任务的预警，一方面，采用多任务学习方法，通过利用各个子任务之间的共享信息实现信息的互补；另一方面，通过将各个子任务的先行任务的信息和后续任务的反馈信息的信息作为当前任务的输入，考虑了各子任务之间的序列关系以及反向验证关系，更好的提升了多重雷电预警的精度。

2、本发明将输电线路进行了网格化处理得到了输电线路的分区数据，包括了线路的编号、起始杆塔经纬度、终端杆塔经纬度省份、城市等等信息，并将输电线路的分区数据与雷达数据、天气数据和雷电数据相结合作为雷电预测模型的输入，能够实现对每个区段的输电线路进行多重预警，实现了输电线路预警多样化。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明雷电多重预警流程图；

图2为本发明网格化分区示意图；

图3为本发明多任务模型示意图；

具体实施方式

下面结合附图与实施例对本发明做进一步说明。

应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

实施例一

如图1所示，本实施例提供了一种电网雷电多重预警方法，步骤包括：

S1：将输电线进行网格化处理得到线路数据，并将线路数据保存至数据库中；

S2：获取线路数据以及雷达数据、天气数据和雷电数据的训练集数据，训练集数据存储至数据库中；并对线路数据进行文本特征表示学习获得其表示向量，对雷达数据、天气数据和雷电数据进行文本特征表示学习获得其特征向量表示；

S3：构建基于线路数据的雷达预警、天气预警和雷电预警的多任务模型，并获取多任务模型中子任务相应的预分类向量；其中将S2中将线路数据向量表示输入到一个多任务分类器中，通过训练该多任务分类器实现对雷达、天气和雷电的预分类，进而获得相应的预分类向量；

S4：分别将子任务的预分类向量与线路数据表示向量融合，作为雷电预警模型的输入，输出子任务对应的高层特征表示，基于高层特征表示构建分类器，将高层特征表示输入至对应分类器中，输出对雷达、天气和雷电的多重预警。

在步骤S1中，将输电线进行网格化处理具体包括：从输电线路清单中获取输电线路标号，并将输电线路按照区域以3km×3km的网格进行分区处理，得到线路数据为线路分区数据。其中，输电线路清单中包括的信息分别为：线路标号、省市名称、所属单位、电压等级、线路名称、杆塔号、输电线路长度、维修时间。

将得到的线路数据保存至数据库中，保存后包含内容分别为：输电线路坐标，输电线路标号、网格中心经度、网格中心纬度、杆塔标号序列、网格起始杆塔经度、网格起始杆塔纬度、网格末端杆塔经度、网格末端杆塔纬度、所在城市和所在省份。

分区处理的方式如图2所示，设输电线路的某一经纬度下的杆塔坐标为（a，b），令a和b分别除以0.03后得到的值再四舍五入后再乘以0.03，得到的即为该杆塔的分区网格的中心点，并且分区处理的方式还包括：1、在输电线路清单中查询线路的杆塔坐标；2、对输电线路杆塔进行网格化处理，得到n个网络的输电线路坐标、网格中心经纬度、杆塔标号序列、网格起始杆塔经纬度、网络末端杆塔经纬度信息；3、利用地理信息接口查询区域网格1～n所述的城市和省份。

在步骤S2中，采用基于表示学习的方法得到对线路数据的表示向量

文本特征表示学习具体为：文本的特征表示学习是指通过建模方法将文本的语义、句法等信息表示在低维稠密的向量空间中，然后再进行计算和推理。对于文本特征的表示学习主要是分三个粒度：词向量表示、句子向量表示和文档向量表示。

在本实施例中，利用的是由谷歌发布的BERT模型。BERT的全称是BidirectionalEncoder Representation from Transformers，就是双向Transformer的编码器。BERT模型的主要特点都在预训练的方法上，用了遮盖的语言模型（Masked Language Model）和下一句预测（Next Sentence Prediction）两种方法分别捕捉词语、句子和篇章级别的特征表示。利用BERT模型可以基于线路数据的训练集数据进行预训练，获得语言模型，从而获得线路数据的向量表示

在步骤S3中，如图3所示，构建多任务模型为：多任务学习称为Multitasklearning， MTL，是迁移学习算法中的一种，迁移学习可理解为定义一个源领域和一个目标领域，在源领域学习，并把学习到的知识迁移到目标领域，提升目标领域的学习效果。深度学习中两种多任务学习模式：隐层参数的硬共享与软共享。在本实施例中，以参数的硬共享机制为例，但是不局限于硬共享的方法，参数硬共享方法通常通过在所有任务之间共享隐藏层，同时保留几个特定任务的输出层来实现。

通过对训练数据集中的线路数据及雷达数据、天气数据、雷电数据，采用参数硬共享的多任务学习方法获得每段线路数据的雷达预分类向量

在步骤S4中，将雷达预警任务的预分类向量

在本实施例中，雷电预警模型选择双向长短时记忆神经网络模型。

长短期记忆网络称为LSTM，Long Short-Term Memory，是一种时间循环神经网络，最初设计的目的是解决传统的循环神经网络（RNN）存在的梯度消失问题。LSTM是一种含有LSTM区块（blocks）的一种类神经网络，每个区块中的门（Gate）可以记忆不定时间长度的数值，通常，LSTM包括三个门：遗忘门、输入门和输出门。目前，LSTM主要用于时间序列中编码上下文信息。在本实施例中利用LSTM区块中的门来编码多任务学习中任务之间的序列关系和后续任务对当前任务之间的验证关系。具体的学习步骤如下：

1、选择单位为m的批量线路数据X中的每一个

2、针对每一个

3、针对每一个

4、随机初始化正向LSTM模块的初始状态

5、以细胞状态

6、以细胞状态

7、以细胞状态

8、以细胞状态

9、以细胞状态

10、分别将的正向和反向的输出状态进行拼接得到

11、若迭代次数不到限定次数，则跳转至1。

实施例二

本实施例提供了一种电网雷电多重预警系统，其具体包括如下模块：

网格化处理模块，被配置为：将输电线进行网格化处理得到线路数据，并将线路数据保存至数据库中；

数据获取及特征向量表示模块，被配置为：获取线路数据以及雷达数据、天气数据和雷电数据的训练集数据，训练集数据存储至数据库中；并对线路数据进行文本特征表示学习获得其向量表示，对雷达数据、天气数据和雷电数据进行文本特征表示学习获得其特征向量表示；

预分类向量获取模块，被配置为：构建基于线路数据的雷达预警、天气预警和雷电预警的多任务模型，并获取多任务模型中子任务相应的预分类向量；

向量融合及预警模块，被配置为：分别将子任务的预分类向量与线路数据向量表示融合，作为雷电预警模型的输入，输出子任务对应的高层特征表示，基于高层特征表示构建分类器，将高层特征表示输入至对应分类器中，输出对雷达、天气和雷电的多重预警。

此处需要说明的是，本实施例中的各个模块与实施例一中的方法一一对应，其具体实施过程相同，此处不再累述。

以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以。