输电线路雷击跳闸预测模型、方法、系统和存储介质

技术领域

本发明涉及输电线路雷击风险预防技术领域，尤其是一种输电线路雷击跳闸预测模型、方法、系统和存储介质。

背景技术

随着高铁供电网建设规模的日益庞大，输电线路跨度，电压等级也相应提高，线路遭受雷击的风险越来越大，雷电灾害造成高铁供电网经济损失和安全隐患更加严重。传统的防雷为被动式防雷，就是对每一段输电线路都安装同样的避雷设备，存在针对性不强、投资成本高等缺点。因此，开展主动式的防雷工作显得至关重要。主动式防雷就是根据一些与雷击跳闸有关的风险因子去预测接下来一段时间的雷击跳闸的概率，对雷击跳闸概率不同的区域划分不同的风险等级，针对不同的风险等级做到有区别性防护工作。

现有的雷击跳闸风险评估方法主要有传统方法和深度学习方法，传统方法通过人工设计雷击跳闸风险因子与雷击跳闸概率的数学模型完成预测而后划分风险等级，有两个缺点：（1）需要数学模型设计者具有数学以及电气相关专业知识；（2）没有充分利用大量的历史雷击跳闸数据。深度学习方法无需使用者具有相关领域专业知识，只要把大量历史雷电数据放入模型中就可以完成端到端的训练，然后进行预测。现有用在雷击跳闸风险评估的深度学习方法为全连接神经网络，有两个问题：（1）无法很好地处理具有时间以及空间特征的雷击跳闸风险因子（比如一段时间内，一定区域的雷电坐标数据）；（2）划分风险等级的依据仅为预测出的雷击跳闸概率，没有考虑到预测结果本身的不确定性，由于全连接网络参数是固定，预测值也是固定值，不能够对预测结果的不确定性进行表征，导致无法把预测结果的不确定性纳入风险等级划分中。

发明内容

为了克服上述现有技术中的雷电风险预测方法专业性强或者可学习特征少，精度低的缺陷，本发明提出了一种输电线路雷击跳闸预测模型，大大提高了输电线路的跳闸预测准确性。

本发明提出的一种输电线路雷击跳闸预测模型的构建方法，首先基于神经网络构建基础模型，结合学习样本对基础模型进行参数更新，获取收敛后的基础模型作为跳闸预测模型；

学习样本记作{P(t0),y(t0)}；P(t0)为时间节点t0上输电线路的时间样本，y(t0)为以t0为起始时间的时段上输电线路的已知跳闸概率标签，y(t0)∈{0,1}；

时间样本P(t0)的构建包括以下步骤；

S11、获取以待预测塔杆为中心的方形的预测区域，将预测区域由内向外划分多级缓冲带，设定每一个缓冲带的权重；预测区域上，由塔杆向外，各缓冲带的权重依次减小；

S12、将预测区域栅格化为N×N的栅格矩阵，统计预测区域上时间节点t0之前最近G个连续时段上的雷电数据，令时段t-g表示时间节点t0往前第g+1个时段，0≤g≤G-1，G≥2；令x(i,j)表示预测区域中第i行第j列栅格区域，r(i,j,t-g)表示时段t-g上栅格区域x(i,j)中雷电发生次数；1≤i≤N，1≤j≤N；令v(i,j)表示栅格区域x(i,j)的高度；

S13、构建时段t0上输电线路的时间样本P(t0)；

P(t0)={q(i,j,t0)×ε(i,j)|1≤i≤N,1≤j≤N}

q(i,j,t0)={r(i,j,t-G+1),r(i,j,t-G+2),…,r(i,j,t-g),…,r(i,j,t);v(i,j)}

ε(i,j)为栅格区域x(i,j)所在缓冲带的权重；q(i,j,t0)为中间参数，r(i,j,t)、r(i,j,t-G+2)、r(i,j,t-G+1)分别表示时间节点t0往前第1个时段、第G-1个时段和第G个时段上的栅格区域x(i,j)的雷电发生次数。

优选的，基础模型的训练包括以下步骤：

S1、结合历史数据构建学习样本{P(t0),y(t0)}；

S2、基于神经网络构建基础模型并初始化模型参数，基础模型的输入为指定的时间节点的时间样本，其输出为以指定的时间节点为起始时间的时段上输电线路的跳闸概率预测值y'，y'∈[0,1]；

S3、将学习样本分割为训练数据集和验证数据集；

S4、从训练数据集中选择多个训练样本，令基础模型对训练样本进行机器学习，学习过程中，从设定的参数分布中选择参数对基础模型的参数进行更新；然后从验证数据集中选择M个测试样本，结合测试样本计算基础模型的损失；

S5、判断基础模型是否收敛；否，则通过梯度下降优化设定的参数分布，使得损失减小，然后返回步骤S4；是，则令收敛后的基础模型作为跳闸预测模型。

优选的，S2中，基础模型的初始参数从伽马分布中随机选择。

优选的，S4中设定的参数分布选择广义极值分布。

优选的，令伽马分布的控制参数记作α和β，广义极值分布的控制参数记作μ和σ；S5中通过优化控制参数μ和σ对设定的参数分布进行优化；S4中损失的计算公式为：

Loss=∑

其中，H为基础模型中的节点数量，w(h)为基础模型中第h个节点的参数，Gev(w(h)|μ,σ)表示w(h)在参数μ和σ控制下的广义极值分布中的概率，Gev(w(h)|α,β)表示w(h)在参数α和β控制下的伽玛分布中的概率；M为每轮测试所用测试样本数量，y(m)为第m个测试样本中的已知跳闸概率标签，y'(m)为基础模型输出的第m个测试样本的跳闸概率预测值。

本发明提出的一种输电线路雷击跳闸预测方法，大大提高了跳闸预存精度，该跳闸预测方法包括以下步骤：

St1、获得基础模型训练过程中最终优化的广义极值分布作为目标分布；

St2、从目标分布中随机采样以更新基础模型中各节点参数，令更新后的基础模型作为目标模型；将待预测输电线路的待预测时间节点的时间样本P(t0)输入目标模型，目标模型输出跳闸概率预测值y'并添加到设定的预测集合中，y'为输电线路在待预测时段上的跳闸概率，待预测时段即为以待预测时间节点为起始时间的时段；

St3、判断预测集合中预测值y'的数量是否达到N个；否，则返回步骤St2；是，则计算预测集合中预测值y'的平均值作为平均跳闸率y(avg)；并计算预测集合中预测值y'的均方差作为不确定系数y(p)；

St4、结合平均跳闸率y(avg)和不确定系数y(p)计算待预测输电线路在待预测时段上的跳闸风险系数y(r)；y(r)=e

优选的，步骤St4还包括：根据跳闸风险系数和跳闸风险等级的映射关系，获取跳闸风险等级评估结果；跳闸风险等级的数量由人工设定，跳闸风险系数的取值范围划分为与跳闸风险等级一一对应的取值区间。

本发明还提出了一种输电线路雷击跳闸预测系统和存储介质，为上述的输电线路雷击跳闸预测方法提供了载体。

本发明提出的一种输电线路雷击跳闸预测系统，其特征在于，包括：

样本构建模块，用于结合历史数据构建各已知时间节点上的时间样本和输电线路跳闸情况，并结合时间样本和输电线路跳闸情况构建学习样本；

模型训练模块，用于结合学习样本对构建的基础模型进行训练，以获取跳闸预测模型；

风险预测模块，用于获取待预测输电线路在待预测时间节点上的时间样本，并输入跳闸预测模型，跳闸预测模型输出跳闸概率预测值。

优选的，还包括风险系数计算模块和风险评估模块；

风险预测模块从最终的设定参数分布中选择多组模型参数，获取采用各组模型参数的跳闸预测模型针对待预测输电线路在待预测时间节点上的时间样本输出的跳闸概率预测值；

风险系数计算模块获取多个跳闸概率预测值的平均值y(avg)和均方差y(p)代入公式计算跳闸风险系数y(r)；y(r)=e

风险评估模块根据跳闸风险系数和跳闸风险等级的映射关系，获取跳闸风险等级评估结果。

本发明提出的一种存储介质，存储有计算机程序、跳闸预测模型和优化后的广义极值分布，所述计算机程序被执行时，用于实现所述的输电线路雷击跳闸预测方法。

本发明的优点在于：

（1）本发明提出的输电线路雷击跳闸预测模型(简称跳闸预测模型)是基于数据驱动的预测方法，是端到端的方法，只需收集数据完成模型的训练，就可以实现预测效果。本发明需要对雷击塔杆等设备进行建模，操作简单，专业难度较低。

（2）本发明中对雷击跳闸概率的相关特征做了更加细粒化的处理，有利于提升预测的准确度。本发明中选择的雷击跳闸概率的相关特征有塔杆区域内的落雷数据以及塔杆一定区域的地貌数据。区别于传统方法取一年内的平均落雷数据以及把地貌数据简单总结为丘陵，山地等；本发明通过时间切片取各时段的落雷数据，且本发明把地形栅格化并对其填充海拔值以及时段落雷数据，显然本发明对特征更为精细化的处理有利于神经网络捕捉到更多的信息，进而提升其准确度。

（3）本发明预测未来时段的跳闸率，有助于在雷暴发生时对塔杆做主动防护，比如某塔杆预测会遭受雷击跳闸，可主动切断电闸避免雷击击穿，在预测不会跳闸的时间段重新重合即可。可见，本发明的分时段预测方法，不仅使得预测的时间精度有所提升，也有利于主动防护。

（4）本发明中神经网络的参数从指定的概率分布中取值，有利于捕捉预测结果的不确定性，更加符合现实世界中相同的天气状况和地貌也未必会有相同的跳闸结果的实际情况，从而进一步提高了模型预测点的准确性。

（5）本发明中，结合神经网络的不确定性参数取值方式，进一步将这种不确定性与平均跳闸概率结合，有助于提升模型准确度，考虑到了实际情况下一些扰动因素导致的不确定性，本发明可以捕捉这种不确定性并加以利用，提高模型的准确度。

附图说明

图1为时间样本构建方法流程图；

图2为一种输电线路雷击跳闸预测模型的构建方法流程图；

图3为一种输电线路雷击跳闸预测方法流程图；

图4为预测区域栅格化示意图；

图5为实施例中三种模型性能对比图；

图6为本发明中的跳闸预测模型和跳闸预测方法性能对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

参照图1、图2，本实施方式提出的一种输电线路雷击跳闸预测模型的构建方法，包括以下步骤S1-S5。

S1、结合历史数据构建学习样本；学习样本记作{P(t0),y(t0)}；P(t0)为时间节点t0上输电线路的时间样本，y(t0)为以t0为起始时间的时段上输电线路的已知跳闸概率标签，y(t0)∈{0,1}。时段的长度为设定值，具体可在5分钟到1小时间取值。

时间样本P(t0)的构建包括以下步骤S11-S13。

S11、获取以待预测塔杆为中心的方形的预测区域，将预测区域由内向外划分多级缓冲带，设定每一个缓冲带的权重；预测区域上，由塔杆向外，各缓冲带的权重依次减小。

S12、将预测区域栅格化为N×N的栅格矩阵，统计预测区域上时间节点t0之前最近G个连续时段上的雷电数据，令时段t-g表示时间节点t0往前第g+1个时段，0≤g≤G-1，G≥2；令x(i,j)表示预测区域中第i行第j列栅格区域，r(i,j,t-g)表示时段t-g上栅格区域x(i,j)中雷电发生次数；1≤i≤N，1≤j≤N；令v(i,j)表示栅格区域x(i,j)的高度。

S13、构建时间节点t0上输电线路的时间样本P(t0)；

P(t0)={q(i,j,t0)×ε(i,j)|1≤i≤N,1≤j≤N}

q(i,j,t0)={r(i,j,t-G+1),r(i,j,t-G+2),…,r(i,j,t-g),…,r(i,j,t);v(i,j)}

ε(i,j)为栅格区域x(i,j)所在缓冲带的权重；q(i,j,t0)为中间参数，r(i,j,t)、r(i,j,t-G+2)、r(i,j,t-G+1)分别表示时间节点t0往前第1个时段、第G-1个时段和第G个时段上的栅格区域x(i,j)的雷电发生次数。

具体的，令时段长度为T，指定的时间节点为t0，则时段r(i,j,t)的时间区间为[t0-T,t0]，r(i,j,t-G+2)的时间区间为[t0-(G-1)T,t0-(G-2)T]，r(i,j,t-G+1)的时间区间为[t0-GT,t0-(G-1)T]；以时间节点t0为起始时间的时段的时间区间为[t0,t0+T]。

S2、基于神经网络构建基础模型并初始化模型参数，基础模型的输入为指定的时间节点的时间样本，其输出为以指定的时间节点为起始时间的时段上输电线路的跳闸概率预测值y'，y'∈[0,1]。

本步骤具体实施时，基础模型的参数从伽马分布中随机选择，伽马分布的控制参数为α和β。

S3、将学习样本分割为训练数据集和验证数据集。

S4、从训练数据集中选择多个训练样本，令基础模型对训练样本进行机器学习，学习过程中，从设定的广义极值分布中选择参数对基础模型的参数进行更新；然后从验证数据集中选择M个测试样本，结合测试样本计算基础模型的损失。

S5、判断基础模型是否收敛；否，则通过梯度下降优化广义极值分布的控制参数μ和σ，使得损失减小，然后返回步骤S4；是，则令收敛后的基础模型作为跳闸预测模型。

损失函数为：

Loss=∑

其中,H为基础模型中的节点数量，w(h)为基础模型中第h个节点的参数，Gev(w(h)|μ,σ)表示w(h)在参数μ和σ控制下的广义极值分布中的概率，Gev(w(h)|α,β)表示w(h)在参数α和β控制下的伽玛分布中的概率；M为每轮测试所用测试样本数量，y(m)为第m个测试样本中的已知跳闸概率标签，y'(m)为基础模型预测的第m个测试样本的跳闸概率预测值。

该损失函数中，∑

参照图3，本实施方式提出的一种输电线路雷击跳闸预测方法，包括以下步骤St1-St4。

St1、获得最终的广义极值分布作为目标分布；

St2、从目标分布中随机采样以更新基础模型中各节点参数，令更新后的基础模型作为目标模型；将待预测输电线路的待预测时间节点的时间样本P(t0)输入目标模型，目标模型输出跳闸概率预测值y'并添加到设定的预测集合中，y'为输电线路在待预测时段上的跳闸概率，待预测时段即为以待预测时间节点为起始时间的时段；

St3、判断预测集合中预测值y'的数量是否达到N个；否，则返回步骤St2；是，则计算预测集合中预测值y'的平均值作为平均跳闸率y(avg)；并计算预测集合中预测值y'的均方差作为不确定系数y(p)；

St4、结合平均跳闸率y(avg)和不确定系数y(p)计算待预测输电线路在待预测时段上的跳闸风险系数y(r)，根据跳闸风险系数和跳闸风险等级的映射关系，获取跳闸风险等级评估结果。

y(p)=(1/N)×∑

y(avg)=(1/N)×∑

y(r)=e

y'(j)为预测集合中第j个跳闸概率预测值。

以下结合具体实施例，对上述的跳闸预测模型进行验证。

本实施例中，基于卷积循环贝叶斯神经网络构建基础模型。本实施例中，将预测区域由内向外划分三级缓冲带，具体如图4所示，一级缓冲带为以预测区域中心为中心且边长为L的方形区域，二级缓冲带为以预测区域中心为中心且边长为2L的方形区域除去一级缓冲带后的剩余区域，三级缓冲带为以预测区域中心为中心且边长为3L的方形区域除去二级缓冲带后的剩余区域，3L为预测区域的边长。

本实施例中令N=8，以将预测区域栅格化；对于跨越多个缓冲带的栅格，其权重取所跨缓冲带中的最大权重，即将该栅格赋予其内侧区域所在栅格。本实施例中，令G=3，每一个时段的长度为15分钟。本实施例中，基于2015年-2020年某段高铁供电网所有雷电监测数据以及110kV及以上输电线路的线路明细构建跳闸样本和未跳闸样本，统称为标注样本。其中，跳闸样本选自实际发生雷击跳闸的塔杆引雷区域，特征量数据取跳闸前45min内临近落雷数据及该引雷区域的地貌参数。未跳闸样本取当日有落雷却未发生跳闸的塔杆引雷区域，特征量数据取当日随机时刻不同塔杆前45min内临近落雷数据及该引雷区域的地貌参数。

本实施例中，标注样本划分为训练样本和测试样本，样本分布如表1所示。

表1：标注样本分布

本实施例中，结合训练样本执行上述的输电线路雷击跳闸预测模型的构建方法，以获取本发明给出的跳闸预测模型。此时，首先要将训练样本预处理为学习样本{P(t0),y(t0)}，再结合学习样本采用步骤S1-S5训练获得跳闸预测模型。

本实施例中，还结合训练样本直接训练卷积神经网络和LSTM网络，以获取卷积神经网络模型和LSTM网络模型作为对比模型。

本实施例中，在测试样本上对跳闸预测模型和两种对比模型进行验证，三种模型在MAE指标上的对比结果如图5所示，结合图5可知，跳闸预测模型的精度和稳定性均远远高于两种对比模型。

如图3所示，本实施例中，针对跳闸预测模型，还进一步验证本发明给出的结合跳闸风险系数y(r)的输电线路雷击跳闸预测方法。

本实施例中，跳闸风险系数和跳闸风险等级的映射关系为：

0≤y(r)<0.25，跳闸风险等级为1级；

0.25≤y(r)<0.5，跳闸风险等级为2级；

0.5≤y(r)<0.75，跳闸风险等级为3级；

0.75≤y(r)≤1，跳闸风险等级为4级。

本实施例中，结合跳闸预测模型训练过程中优化的广义极值分布在测试样本上执行上述步骤St1-St4，该预测方法获得跳闸概率的MAE指标与直接通过跳闸预测模型输出的跳闸概率的MAE指标对比如图6所示，可见，本发明中结合跳闸风险系数y(r)计算的跳闸概率值精确度和稳定性均进一步得到了提升。

当然，对于本领域技术人员而言，本发明不限于上述示范性实施例的细节，而还包括在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现的相同或类似结构。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

本发明未详细描述的技术、形状、构造部分均为公知技术。