一种基于小波神经网络的配网线路气象预测方法
文献发布时间：2023-06-19 16:08:01
技术领域
本发明属于配电分析技术领域，尤其是一种基于小波神经网络的配网线路气象预测方法。
背景技术
近年来，
不同气象要素之间并不是毫无关系的，任何单一要素的分析都不能充分挖掘数据隐藏的信息，从而无法实现气象条件的准确预测。只有充分考虑不同要素之间的相关性，对任意气象条件进行预测时均将其他气象条件的影响加入其中，才能达到比较好的预测效果。
发明内容
本发明的目的在于克服现有技术的不足，提出一种基于小波神经网络的配网线路气象预测方法，能够维持电网稳定运行，能够快速，准确给出最优的负荷转供方案，极大的提升调度员的工作效率，保障电网的安全稳定运行。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于小波神经网络的配网线路气象预测方法，包括以下步骤：
步骤1、获取线路终端气象采集装置采集的数据，并对数据进行预处理；
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构；
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数；
步骤4、对小波神经网络参数进行初始化；
步骤5、利用粒子群算法对小波神经网络参数进行寻优，得到参数寻优的小波神经网络；
步骤6、使用步骤1预处理后的数据作为步骤5参数寻优的小波神经网络的输入，参数寻优的小波神经网络的输出为气象预测结果。
而且，所述步骤1包括以下步骤：
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围，将数据中超出范围的值标记为缺损值，
步骤1.2、判断数据是否有破损与缺损，若存在破损与缺损，则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3，否则直接进行步骤1.3；
步骤1.3、对数据进行归一化处理。
而且，所述步骤1.3的具体实现方法为：
其中，
而且，所述步骤2构建的小波神经网络拓扑结构包括：输入层、隐含层和输出层，其数学模型为：
其中，
而且，所述步骤3中选取的小波函数
其中，
而且，所述步骤4的具体实现方法为：取区间[-1,1]的随机数作为连接权值
其中，
本发明的优点和积极效果是：
本发明通过根据气象采集装置的数据构建小波神经网络的拓扑结构，同时获取终端气象采集装置采集的数据，并对数据进行预处理，将预处理后的数据作为小波神经网络的输入，小波神经网络的输出即为气象预测结果。本发明充分考虑了风向、风速、温度和湿度四种要素之间的耦合关系，通过对历史数据的分析，实现对四种气象要素的逐小时短期预测。为10kV配网架空线路舞动在线监测预警的实现提供了技术参考，有助于提高配网线路抵御风险的能力，具有实际意义与理论价值。同时本发明通过粒子群算法对传统小波神经网络进行优化，提高了小波神经网络的性能，提高了模型的预测精度。
附图说明
图1为本发明的流程图；
图2为本发明小波神经网络拓扑图；
图3为风速实际值与预测值的变化情况图；
图4为风向实际值与预测值的变化情况图；
图5为温度实际值与预测值的变化情况图；
图6为湿度实际值与预测值的变化情况图。
具体实施方式
以下结合附图对本发明做进一步详述。
一种基于小波神经网络的配网线路气象预测方法，如图1所示，包括以下步骤：
步骤1、获取线路终端气象采集装置采集的数据，并对数据进行预处理。
其中，线路终端气象采集装置采集的数据包括风向、风速、温度和湿度。
步骤1.1、根据线路终端气象采集装置的采集精度和采集范围，将数据中超出范围的值标记为缺损值，
步骤1.2、判断数据是否有破损与缺损，若存在破损与缺损，则使用均值填补法填补数据中的破损与缺损部分并进行步骤1.3，否则直接进行步骤1.3；
其中，破损部分是传感器在特殊情况下采集到的不正常的数据，缺损部分是在数据传输等过程中导致数据的丢失，与具体的值没有关系。
步骤1.3、对数据进行归一化处理。
其中，
步骤2、根据预处理的数据维数构建小波神经网络的拓扑结构。如图2所示，采用三层结构的小波神经网络，即输入层、隐含层和输出层，其一般形式的拓扑结构如图1所示。图中，
构建小波神经网络的数学模型为：
其中，
根据步骤1中预处理后的数据特性构建小波神经网络输入数列，选择时间尺度为1小时，要求对某天
其中，
步骤3、选取步骤2中小波神经网络的拓扑结构中的小波函数。
其中，
步骤4、对小波神经网络参数进行初始化。小波神经网络的参数包括神经网络参数（连接权值）和小波参数（伸缩因子和平滑因子）。参数进行初始化为：取区间[-1,1]的随机数作为连接权值
其中，
步骤5、利用粒子群算法对小波神经网络参数进行寻优，得到参数最优的小波神经网络。
步骤6、使用步骤1预处理后的数据作为步骤5参数最优的小波神经网络的输入，参数最优的小波神经网络的输出为气象预测结果。、
通过上述一种基于小波神经网络的配网线路气象预测方法，对4月27日和28日共48个样本点的风速、风向、温度和湿度进行预测，以验证本发明的效果。
如图3、图4、图5、图6所示，分别为风速、风向、温度和湿度实际值与预测值的变化情况，可以发现，均能实现对风速、风向、温度和湿度变化趋势的正确预测，但个别样本的预测会出现很大的偏差。相比来说风速的预测误差较大，其余因素的预测效果较好，验证了小波神经网络气象预测模型的可行性。
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。