输电线路覆冰的自适应预测方法、装置、设备及介质与流程
本技术涉及人工智能及电网运行监测预警,尤其涉及一种输电线路覆冰的自适应预测方法、装置、设备及介质
背景技术:
1、输电线路覆冰是严重威胁电网安全稳定运行的自然灾害之一,尤其在极端气候频发、微地形复杂的高海拔山区和峡谷垭口区域,覆冰生长机制受温度、湿度、风速、地形等多重气象因素时空耦合影响,呈现出高度非平稳性和显著的地域差异性。随着全球气候变化加剧,局地微气象规律发生动态偏移,导致覆冰演化过程难以用固定模式准确刻画,预测模型在实际挂网运行中容易面临性能退化甚至失效的风险。如果不能有效应对这种环境变化带来的预测不确定性,将直接影响电网防灾减灾决策的及时性和准确性,可能引发线路断线、倒塔等重大事故,造成大面积停电和巨大经济损失。
2、现有技术中,输电线路覆冰预测主要依赖基于迁移学习的在线微调方案,具体的:首先在涵盖广泛历史气象与覆冰拉力数据的交叉数据集上预训练深层时序网络,以提取适用于通用场景的气象时序演变特征;当部署到新微地形后,通过冻结前端特征提取层,仅保留末端全连接回归层处于可训练状态;随后,利用该特定微地形新采集的少量实时气象流数据,通过反向传播算法对所述全连接层进行周期性的梯度微调,以期使模型逐步拟合当前微环境的特殊气象分布规律,从而缓解因地形或季节变化引发的概念漂移问题。
3、然而,现有技术中的方案在更新模型时易遗忘历史极端冰灾特征,无法实现突发寒潮或极端事件下的"零延迟"响应。
技术实现思路
1、本技术实施例提供输电线路覆冰的自适应预测方法、装置、设备及介质,用以解决现有技术中存在在更新模型时易遗忘历史极端冰灾特征,无法实现突发寒潮或极端事件下的"零延迟"响应的问题。
2、第一方面,本技术实施例提供一种输电线路覆冰的自适应预测方法,包括:
3、获取输电线路当前微气象环境对应的环境特征向量以及微气象时空表征向量;
4、基于所述环境特征向量与历史环境特征向量进行比较,判断当前微气象环境是否发生概念漂移;
5、在检测到当前微气象环境发生概念漂移时,通过自适应算法对超网络中的可学习参数进行更新,并基于更新后的超网络生成主预测网络对应的动态权重参数;
6、将所述动态权重参数加载于所述主预测网络,并将所述微气象时空表征向量输入加载后的主预测网络,得到输电线路预设时间段内的覆冰厚度预测值以及覆冰增长率。
7、在一种可能的实施方式中,所述获取输电线路当前微气象环境对应的环境特征向量以及微气象时空表征向量,包括:
8、获取输电线路各杆塔的微气象时序数据及线路拓扑数据,所述微气象时序数据至少包括温度、湿度、风速、拉力参数;
9、从所述微气象时序数据中提取当前时间窗口内的环境统计特征,生成所述环境特征向量;
10、将输电线路中的各杆塔节点作为图节点,并将各杆塔节点对应的微气象时序数据作为节点特征输入至预先构建的时空图卷积网络进行联合编码,提取包含各节点时序变化特征及相邻节点间空间关联特征的微气象时空表征向量。
11、在一种可能的实施方式中,所述基于所述环境特征向量与历史环境特征向量进行比较,判断当前微气象环境是否发生概念漂移,包括:
12、获取历史时间窗口内多个时刻对应的历史环境特征向量,并基于所述历史环境特征向量构建历史环境特征分布;
13、获取当前时间窗口对应的环境特征向量,并基于所述环境特征向量确定当前环境特征分布;
14、计算所述当前环境特征分布与所述历史环境特征分布之间的分布差异值;
15、当所述分布差异值大于或等于预设漂移阈值时,确定当前微气象环境发生概念漂移。
16、在一种可能的实施方式中,所述在检测到当前微气象环境发生概念漂移时,通过自适应算法对超网络中的可学习参数进行更新,并基于更新后的超网络生成主预测网络对应的动态权重参数,包括:
17、获取当前时间窗口对应的实时微气象时序数据以及历史覆冰记忆库中的历史微气象时序数据,所述历史覆冰记忆库中存储有历史极端覆冰事件对应的历史微气象时序数据;
18、基于所述实时微气象时序数据与所述历史微气象时序数据,构建联合损失函数,所述联合损失函数表示为当前样本预测损失与历史样本预测损失的加权和;
19、基于所述联合损失函数计算梯度,将所述梯度反向传播至所述超网络,以对所述超网络中的可学习参数进行迭代更新;
20、基于更新后的超网络,根据所述环境特征向量重新生成所述主预测网络对应的动态权重参数。
21、在一种可能的实施方式中,所述基于所述实时微气象时序数据与所述历史微气象时序数据,构建联合损失函数,包括:
22、按照预设采样比例分别从所述实时微气象时序数据和所述历史覆冰记忆库中抽取训练样本,组成联合训练样本集;
23、将所述联合训练样本集中的各训练样本输入所述超网络,分别计算各训练样本对应的预测损失值;
24、将所述实时微气象时序数据对应的预测损失值与所述历史微气象时序数据对应的预测损失值按照预设权重系数进行加权求和,得到联合损失函数;
25、其中,所述历史覆冰记忆库中存储有多个历史时刻在极端覆冰状态下采集的历史微气象时序数据及其对应的覆冰厚度标签与增长率标签。
26、在一种可能的实施方式中,所述将所述动态权重参数加载于所述主预测网络,并将所述微气象时空表征向量输入加载后的主预测网络,包括
27、将所述超网络生成的所述动态权重参数加载至所述主预测网络的对应神经元层,以替换所述主预测网络当前的权重参数;
28、将所述微气象时空表征向量作为输入特征,输入至已完成权重加载的所述主预测网络;
29、控制所述主预测网络按照所述动态权重参数进行前向传播计算,逐层对所述微气象时空表征向量进行特征映射与非线性变换,输出输电线路预设时间段内的覆冰厚度预测值以及覆冰增长率。
30、在一种可能的实施方式中,所述方法还包括:
31、当所述分布差异值小于所述预设漂移阈值时,确定当前微气象环境未发生概念漂移;
32、保持所述超网络中的可学习参数不变,基于当前时间窗口的所述环境特征向量,由所述超网络生成所述主预测网络对应的动态权重参数;
33、将所述动态权重参数加载于所述主预测网络,并将所述微气象时空表征向量输入加载后的主预测网络,输出输电线路预设时间段内的覆冰厚度预测值以及覆冰增长率。
34、第二方面,本技术实施例提供一种输电线路覆冰的自适应预测装置,包括:
35、获取模块,用于获取输电线路当前微气象环境对应的环境特征向量以及微气象时空表征向量;
36、判断模块,用于基于所述环境特征向量与历史环境特征向量进行比较,判断当前微气象环境是否发生概念漂移;
37、处理模块,用于在检测到当前微气象环境发生概念漂移时,通过在线漂移适应算法对超网络中的可学习参数进行更新,并基于更新后的超网络生成主预测网络对应的动态权重参数;
38、预测模块,用于将所述动态权重参数加载于所述主预测网络,并将所述微气象时空表征向量输入加载后的主预测网络,得到输电线路预设时间段内的覆冰厚度预测值以及覆冰增长率。
39、在一种可能的实施方式中,所述获取模块,具体用于:
40、获取输电线路各杆塔的微气象时序数据及线路拓扑数据,所述微气象时序数据至少包括温度、湿度、风速、拉力参数;
41、从所述微气象时序数据中提取当前时间窗口内的环境统计特征,生成所述环境特征向量;
42、将输电线路中的各杆塔节点作为图节点,并将各杆塔节点对应的微气象时序数据作为节点特征输入至预先构建的时空图卷积网络进行联合编码,提取包含各节点时序变化特征及相邻节点间空间关联特征的微气象时空表征向量。
43、在一种可能的实施方式中,所述判断模块,具体用于:
44、获取历史时间窗口内多个时刻对应的历史环境特征向量,并基于所述历史环境特征向量构建历史环境特征分布;
45、获取当前时间窗口对应的环境特征向量,并基于所述环境特征向量确定当前环境特征分布;
46、计算所述当前环境特征分布与所述历史环境特征分布之间的分布差异值;
47、当所述分布差异值大于或等于预设漂移阈值时,确定当前微气象环境发生概念漂移。
48、在一种可能的实施方式中,所述处理模块,具体用于:
49、获取当前时间窗口对应的实时微气象时序数据以及历史覆冰记忆库中的历史微气象时序数据,所述历史覆冰记忆库中存储有历史极端覆冰事件对应的历史微气象时序数据;
50、基于所述实时微气象时序数据与所述历史微气象时序数据,构建联合损失函数,所述联合损失函数表示为当前样本预测损失与历史样本预测损失的加权和;
51、基于所述联合损失函数计算梯度,将所述梯度反向传播至所述超网络,以对所述超网络中的可学习参数进行迭代更新;
52、基于更新后的超网络,根据所述环境特征向量重新生成所述主预测网络对应的动态权重参数。
53、在一种可能的实施方式中,所述处理模块,具体用于:
54、按照预设采样比例分别从所述实时微气象时序数据和所述历史覆冰记忆库中抽取训练样本,组成联合训练样本集;
55、将所述联合训练样本集中的各训练样本输入所述超网络,分别计算各训练样本对应的预测损失值;
56、将所述实时微气象时序数据对应的预测损失值与所述历史微气象时序数据对应的预测损失值按照预设权重系数进行加权求和,得到联合损失函数;
57、其中,所述历史覆冰记忆库中存储有多个历史时刻在极端覆冰状态下采集的历史微气象时序数据及其对应的覆冰厚度标签与增长率标签。
58、在一种可能的实施方式中,所述预测模块,具体用于
59、将所述超网络生成的所述动态权重参数加载至所述主预测网络的对应神经元层,以替换所述主预测网络当前的权重参数;
60、将所述微气象时空表征向量作为输入特征,输入至已完成权重加载的所述主预测网络;
61、控制所述主预测网络按照所述动态权重参数进行前向传播计算,逐层对所述微气象时空表征向量进行特征映射与非线性变换,输出输电线路预设时间段内的覆冰厚度预测值以及覆冰增长率。
62、在一种可能的实施方式中,所述处理模块,还用于:
63、当所述分布差异值小于所述预设漂移阈值时,确定当前微气象环境未发生概念漂移;
64、保持所述超网络中的可学习参数不变,基于当前时间窗口的所述环境特征向量,由所述超网络生成所述主预测网络对应的动态权重参数;
65、将所述动态权重参数加载于所述主预测网络,并将所述微气象时空表征向量输入加载后的主预测网络,输出输电线路预设时间段内的覆冰厚度预测值以及覆冰增长率。
66、第三方面,本技术实施例提供一种电子设备,包括:存储器,处理器;
67、所述存储器存储计算机执行指令;
68、所述处理器执行所述存储器存储的计算机执行指令,使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式。
69、第四方面,本技术实施例提供一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机执行指令,所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。
70、第五方面,本技术实施例提供一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现如上第一方面和/或第一方面各种可能的实施方式。
71、本技术实施例提供的输电线路覆冰的自适应预测方法、装置、设备及介质,通过首先获取输电线路当前微气象环境对应的环境特征向量以及微气象时空表征向量;随后,基于当前环境特征向量与历史环境特征向量进行相似性比较,以判断当前微气象环境是否发生概念漂移,即通过建立历史微气象环境特征分布模型,将当前采集得到的环境特征向量与历史正常运行阶段对应的环境特征向量进行距离计算或分布差异分析,当检测到当前环境特征与历史环境特征之间的偏差超过预设阈值时,则认为由于季节变化、区域气候异常或极端天气等因素导致微气象时序数据分布发生变化,即发生概念漂移;通过上述检测方式,可以及时识别传统预测模型因训练数据分布变化而导致预测性能下降的问题,为后续模型自适应调整提供依据。在检测到当前微气象环境发生概念漂移时,利用超网络作为动态参数生成网络,通过获取当前微气象环境变化信息,将概念漂移检测结果作为模型调整触发条件,并基于当前环境数据与预测误差反馈信息对超网络内部的权重参数、偏置参数等可学习参数进行迭代优化,使超网络能够学习新的微气象变化规律;进一步地,将更新后的超网络作为主预测网络的参数生成器,根据当前微气象环境特征动态输出与当前环境状态相匹配的网络权重参数,使主预测网络不再采用固定参数进行覆冰预测,而是能够根据不同气候条件、不同区域环境以及不同时间阶段自动调整模型参数,从而增强预测模型对于复杂环境变化的表征能力。最后,利用经过动态参数调整后的主预测网络对输入的微气象时空特征进行深层映射,通过分析未来时间段内温湿变化趋势、风场变化规律以及热力交换特征,预测输电线路表面冰层累积过程,并进一步根据不同时间节点的覆冰厚度变化量计算覆冰增长率,实现对未来覆冰发展趋势的量化预测。通过上述步骤,本方案通过引入概念漂移检测机制以及超网络动态参数生成机制,使覆冰预测模型能够针对不断变化的微气象环境进行在线自适应调整,避免因历史训练数据与当前运行环境不匹配导致预测精度下降的问题,提高了输电线路覆冰预测的准确性、实时性以及环境适应能力,为输电线路风险预警和运维决策提供更加可靠的数据支撑。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com