一种架空输电线路局部区域的风速预测方法及系统与流程

1.本发明涉及输电线路技术领域，特别涉及一种架空输电线路局部区域的风速预测方法及系统。


背景技术：

2.在大风天气下，架空输电线路在风力作用下发生摆动，风速过大时会对电网造成前所未有的破坏，主要包括风偏闪络、倒塔、输电线路断裂等，从而造成线路大面积停电。输电线路风偏闪络跳闸是线路故障的主要原因之一，准确的风速预测可以为输电线路预警、调度、运行、检修提供决策支持，有效地减少因风偏闪络导致输电线路故障。
3.一般来说，根据不同时间尺度，风速预测可以分为超短期风速预测、短期风速预测、中期风速预测和长期风速预测四种，其中短期风速预测主要用于电网的合理调度和电能质量的维护。
4.目前，国内外的风速预测模型主要集中在物理预测模型、统计学预测模型、智能预测模型、混合预测模型四个领域内。物理预测模型主要采用数值天气预报法进行大范围、长期的天气预测，不需要大量历史数据，但是短期风速预测的准确率较低。而统计学预测模型需要结合部分历史数据来描述实际值与预测值之间的对应关系，通过一定的科学统计模型来预测未来的风速。自回归差分移动平均模型(auto regressive integrated moving average，arima)为经典的统计学预测模型之一。智能预测模型主要基于机器学习和深度学习进行风速预测，能较好的解决风速序列强非线性、随机性的问题，但是深度学习需要大量的样本数据进行训练，其预测模型主要包括ga优化svr、jaya优化svm、蚁群算法优化lssvm、cs(cuckoo search)算法优化v-svm和长短期记忆网络等，在实验中有较好的预测效果。其中，优化算法主要用于预测模型的参数寻优，以提高预测模型的精度，但是优化算法的最大迭代次数的取值和随机性特征对预测结果会有很大的影响。
5.目前，已经有大量文献利用信号分解算法和组合模型进行短期风速的预测。其中，a.tascikaraoglu综述了风速预测的混合预测模型。jinliang zhang等人提出风速序列分解的子序列包括规则和不规则成分，采用arima模型来预测规则成分，深度信念网络(dbn)则用于不规则成分的预测。hui liu等人提出了基于emd和改进的rarima的混合预测模型，并将其应用于铁路强风预警系统中。为了解决emd算法存在的端点效应与模态重叠的问题，提出了vmd、奇异谱分解等，然后结合组合预测模型进行短期风速预测。
6.现有风速预测领域中的研究主要集中在风电场的风速预测方向，针对输电线路局部区域的风速预测方面的研究较少。
7.因此，如何提供一种针对输电线路局部区域的风速预测方法，是目前亟待解决的问题。


技术实现要素：

8.本发明实施例提供了一种架空输电线路局部区域的风速预测方法及系统，以解决
现有技术中无法针对输电线路局部区域的风速进行预测的问题。为了对披露的实施例的一些方面有一个基本的理解，下面给出了简单的概括。该概括部分不是泛泛评述，也不是要确定关键/重要组成元素或描绘这些实施例的保护范围。其唯一目的是用简单的形式呈现一些概念，以此作为后面的详细说明的序言。
9.根据本发明实施例的第一方面，提供了一种架空输电线路局部区域的风速预测方法。
10.在一个实施例中，所述架空输电线路局部区域的风速预测方法，包括以下步骤：
11.数据预处理；
12.建立基于coa-svm的预测模型；
13.将测试集的各个固有模态分量输入到所述预测模型，获得其预测结果，对各个固有模态分量的预测结果求和得到最终风速预测结果。
14.可选地，所述数据预处理步骤，包括：
15.选取原始风速序列；
16.将原始风速序列划分为训练集和测试集；
17.采用vmd算法将划分后风速序列分解为多个子序列；
18.将分解的子序列进行归一化处理。
19.可选地，所述确定vmd算法中的相关参数值的步骤中，包括：
20.根据emd算法的分解层确定vmd算法的模态分量k的个数。
21.可选地，所述建立基于coa-svm的预测模型的步骤，包括：将svm算法中的惩罚因子与核函数参数作为郊狼个体，经过coa算法的多次迭代后，选取最优的惩罚系数c与核函数参数σ。
22.可选地，所述建立基于coa-svm的预测模型的步骤，具体包括：
23.步骤(s21)，初始化svm算法中惩罚系数c与核函数参数σ的取值，以及coa算法中的郊狼部落个数np和每个部落中的郊狼个数nc；
24.步骤(s22)，设定coa算法的迭代次数为t，令t＝1；
25.步骤(s23)，将训练集数据输入svm算法中，利用当前的惩罚系数c与核函数参数σ输出当前的风速预测值，计算适应度函数的值；
26.步骤(s24)，更新svm算法中惩罚系数c与核函数参数σ，如果满足终止条件，则终止算法并输出惩罚系数c与核函数参数σ的最优参数；否则，令t＝t 1，返回到步骤(s23)再次迭代。
27.可选地，所述适应度函数定义如下：
[0028][0029]
式中，x(i)为风速实际值，为风速预测值，n为训练集的长度。
[0030]
可选地，所述步骤(s24)中，终止条件为适应度函数的值达到最小值。
[0031]
根据本发明实施例的第二方面，提供了一种架空输电线路局部区域的风速预测系统。
[0032]
在一个实施例中，所述架空输电线路局部区域的风速预测系统，包括：
[0033]
数据预处理模块，被配置为：对原始风速序列进行预处理；
[0034]
coa-svm预测模型，被配置为：根据输入的测试集的各个固有模态分量，获得其预测结果，对各个固有模态分量的预测结果求和得到最终风速预测结果。
[0035]
可选地，所述数据预处理模块，具体被配置为：
[0036]
选取原始风速序列；
[0037]
将原始风速序列划分为训练集和测试集；
[0038]
采用vmd算法将划分后风速序列分解为多个子序列；
[0039]
将分解的子序列进行归一化处理。
[0040]
可选地，所述数据预处理模块根据emd算法的分解层确定vmd算法的模态分量的个数。
[0041]
可选地，所述coa-svm预测模型，被配置为：将svm中的惩罚因子与核函数参数作为郊狼个体，经过coa的多次迭代以后，选取最优的惩罚系数与核函数参数。
[0042]
可选地，所述coa-svm预测模型，具体被配置为：
[0043]
步骤(s11)，初始化svm中惩罚系数与核函数参数的取值，以及coa算法中的郊狼部落个数和每个部落中的郊狼个数；
[0044]
步骤(s12)，设定coa算法的迭代次数为t，令t＝1；
[0045]
步骤(s13)，将训练集数据输入svm中，利用当前的惩罚系数与核函数参数输出当前的风速预测值，计算适应度函数的值；
[0046]
步骤(s14)，更新svm中惩罚系数与核函数参数，如果适应度函数的值满足终止条件，则终止算法并输出惩罚系数与核函数参数的最优参数；否则，令t＝t 1，返回到步骤(s13)再次迭代。
[0047]
可选地，所述适应度函数定义如下：
[0048][0049]
式中，x(i)为风速实际值，为风速预测值，n为训练集的长度。
[0050]
可选地，所述步骤(s24)中，终止条件为适应度函数的值达到最小值。
[0051]
根据本发明实施例的第三方面，提供了一种计算机设备。
[0052]
在一些实施例中，所述计算机设备包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0053]
根据本发明实施例的第四方面，提供了一种计算机可读存储介质。
[0054]
在一些实施例中，所述计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法的步骤。
[0055]
本发明实施例提供的技术方案可以包括以下有益效果：
[0056]
采用vmd算法将原始风速序列分解为具有简单频率分量的子序列，且coa算法能更好的优化svm的惩罚因子和核函数参数，以提高预测模型的精度。
[0057]
相比于现有预测模型，本技术所提出的混合预测模型基于实时的风速数据，具有更好的预测效果。
[0058]
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不
能限制本发明。
附图说明
[0059]
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理。
[0060]
图1是根据一示例性实施例示出的架空输电线路局部区域的风速预测方法的流程图；
[0061]
图2a是根据一示例性实施例示出的数据预处理步骤的流程图；
[0062]
图2b是根据一示例性实施例示出的建立coa-svm预测模型的流程图；
[0063]
图3是根据一示例性实施例示出的风速样本数据的曲线图；
[0064]
图4是根据一示例性实施例示出的风速样本数据分为训练集与测试集的曲线图；
[0065]
图5是根据一示例性实施例示出的风速样本数据的分解结果示意图；
[0066]
图6是根据一示例性实施例示出的三种风速预测模型的预测值与实际值对比示意图；
[0067]
图7是图6中部分曲线的局部放大图；
[0068]
图8是根据一示例性实施例示出的计算机设备的结构示意图。
具体实施方式
[0069]
以下描述和附图充分地示出本文的具体实施方案，以使本领域的技术人员能够实践它们。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本文的实施方案的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。本文中，术语“第一”、“第二”等仅被用来将一个元素与另一个元素区分开来，而不要求或者暗示这些元素之间存在任何实际的关系或者顺序。实际上第一元素也能够被称为第二元素，反之亦然。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的结构、装置或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种结构、装置或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括所述要素的结构、装置或者设备中还存在另外的相同要素。本文中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
[0070]
本文中的术语“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本文和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。在本文的描述中，除非另有规定和限定，术语“安装”、“相连”、“连接”应做广义理解，例如，可以是机械连接或电连接，也可以是两个元件内部的连通，可以是直接相连，也可以通过中间媒介间接相连，对于本领域的普通技术人员而言，可以根据具体情况理解上述术语的具体含义。
[0071]
本文中，除非另有说明，术语“多个”表示两个或两个以上。
[0072]
本文中，字符“/”表示前后对象是一种“或”的关系。例如，a/b表示：a或b。
[0073]
本文中，术语“和/或”是一种描述对象的关联关系，表示可以存在三种关系。例如，
a和/或b，表示：a或b，或，a和b这三种关系。
[0074]
图1示出了本发明的架空输电线路局部区域的风速预测方法的一个实施例。
[0075]
在该可选实施例中，所述架空输电线路局部区域的风速预测方法，包括以下步骤：
[0076]
步骤s1，数据预处理；
[0077]
步骤s2，建立基于coa-svm的预测模型；
[0078]
步骤s3，将测试集的各个固有模态分量imf输入到所述预测模型，获得其预测结果，对各个固有模态分量imf的预测结果求和得到最终风速预测结果。
[0079]
可选地，如图2a所示，所述数据预处理步骤，包括：
[0080]
步骤s11，选取原始风速序列；
[0081]
步骤s12，将原始风速序列划分为训练集和测试集；
[0082]
步骤s13，采用vmd算法将风速序列分解为多个子序列im1
……
imfk；
[0083]
步骤s14，将分解的子序列进行归一化处理，例如，将训练集数据归一化到区间[0,1]，然后进行训练和建模。
[0084]
变分模态分解(variational mode decomposition，vmd)算法是一种基于数学原理的自适应、非递归的信号分解方法，将序列信号分解为具有一定带宽和中心频率的固有模态分量(imf)，可以有效的解决emd(empirical mode decomposition，经验模态分解)算法中存在的端点效应和模态混叠问题。
[0085]
可选地，所述vmd算法中，根据emd算法的分解层确定vmd算法的模态分量k的个数。
[0086]
vmd算法中k的取值会影响风速序列的分解效果，如果k取值过大，会导致风速序列过分解；如果k取值过小，会导致风速序列欠分解。emd算法可以自适应的完成信号分解，本技术实施例将emd算法的分解层作为vmd算法的模态分量k的个数。
[0087]
可选地，所述建立基于coa-svm的预测模型的步骤，包括：将svm算法中的惩罚因子c与核函数参数σ作为郊狼个体，经过coa的多次迭代以后，选取最优的惩罚系数c与核函数参数σ。
[0088]
郊狼优化算法(coyote optimization algorithm，coa)是一种启发式全局优化算法，该算法并没有参考狼群的捕食行为，而是注重郊狼种群的社会结构和各个狼群部落之间的学习交流，主要模拟郊狼的出生与死亡的现象。
[0089]
coa算法主要关注郊狼的出生与死亡，且每个部落中郊狼个体数目基本保持为一个稳定的数值。首先，计算部落中某一郊狼个体的环境适应度，然后计算部落中的父代与其出生的子代郊狼的环境适应度，通过子代与父代郊狼的环境适应度进行对比，筛选出适应度最大的郊狼。
[0090]
支持向量机(support vector machine，svm)算法是一种基于统计学原理的机器学习算法，其基本原理就是引入核函数来将非线性样本数据映射至高维特征空间内，在其空间求解出一个最优超平面，将非线性问题转化为高维线性可分问题进行求解。
[0091]
可选地，如图2b所示，所述建立基于coa-svm的预测模型的步骤，具体包括：
[0092]
步骤(s21)，初始化svm算法中惩罚系数c与核函数参数σ的取值，以及coa算法中的郊狼部落个数np和每个部落中的郊狼个数nc；
[0093]
步骤(s22)，设定coa算法的迭代次数为t，令t＝1；
[0094]
步骤(s23)，将训练集数据输入svm中，利用当前惩罚系数c与核函数参数σ的参数
值输出当前的风速预测值，计算适应度函数的值，适应度函数定义如下：
[0095][0096]
式中，x(i)为风速实际值，为风速预测值，n为训练集的长度；
[0097]
步骤(s24)，更新svm算法中c和σ参数值，如果满足终止条件，则终止算法并输出惩罚系数c与核函数参数σ的最优参数；否则，令t＝t 1，返回到步骤(s23)再次迭代。可选地，上述终止条件为：适应度函数的值达到最小值。
[0098]
其中惩罚因子c与核函数参数σ的取值，均会对svm的预测精度产生一定的影响，本技术实施例采用coa算法来优化svm算法中的惩罚因子c与核函数的参数σ的取值，提高svm的预测精度。
[0099]
可选地，上述步骤s3中，基于coa-svm预测模型，将测试集的各个imf输入到预测模型中来得到其预测结果，最后对k个imf的预测结果求和得到最终风速预测结果：
[0100][0101]
式中，为第k个模态分量的预测值，为风速的预测结果。
[0102]
下面给出本技术的风速预测方法的一个具体实施例。
[0103]
该实施例中，风速数据来源于2020年6月2日的山东省烟台市莱阳市高格庄镇境内500kv核神ⅱ线的周围的风速，主要由#166杆塔上的微气象监测装置所采集的风速，数据采样的时间间隔为5min，线路沿线在6月2日出现了雷暴大风天气，且5时15分的瞬时风速达超过了杆塔的设计风速而发生了风偏闪络。
[0104]
采用如图3所示的600组样本数据来验证本技术实施例所提出的vmd-coa-svm的混合预测模型的有效性，将其分为训练集与测试集如图4所示。其中前500组数据作为训练集进行模型训练，后100组数据作为测试集进行风速预测。
[0105]
通过vmd算法对风速序列进行分解，样本风速数据的分解结果如图5所示。由于vmd算法需要提前给出模态分量个数的k值，将emd算法的分解层作为vmd算法的模态分解层。且vmd算法参数的设置如下：模态分量的个数k＝5、二次惩罚因子α＝3000、τ＝0、初始中心频率为1、收敛判据为1e-7。
[0106]
建立svm、coa-svm、vmd-coa-svm三种风速预测模型，对3种风速预测模型的预测效果进行对比分析。其中，svm模型中的核函数均采用rbf核函数，设定coa算法中的郊狼部落个数np＝62以及每个部落中的郊狼个数nc＝40，采用coa算法对svm算法进行参数寻优时，迭代次数达到80代时获得参数最优值。三种风速预测模型的预测值与实际值对比如图6所示，将图6中方框内图形进行局部放大如图7所示。
[0107]
由图6、图7可以看出，本技术实施例所建立的vmd-coa-svm风速预测模型的预测值能较好地拟合实际值，且预测值能较好地预测实际风速的变化趋势。相对于单一的svm预测模型、以及coa-svm预测模型的预测结果更准确。因此，采用本技术实施例的方法对svm预测模型中的惩罚因子c与核函数参数σ进行参数寻优可以提高预测模型的预测精度。
[0108]
通过如图6所示的预测模型的预测值与实际值进行对比，只能定性的分析三种预
测模型的预测效果的优劣。利用mape(平均百分比误差)、mae(绝对平均差)、rmse(根均方差)、r2(绝对系数)四项指标来来定量的分析预测模型的有效性，具体如下:
[0109][0110][0111][0112][0113]
式中，n为样本总数，x
实
(i)为风速的实际值，为风速的预测值，为风速的平均值。
[0114]
表1显示出采用上述图3风速数据集计算出三种风速预测模型的mape、mae、rmse、r2的结果。
[0115]
表1风速预测模型的预测性能指标
[0116][0117]
从表1可以看出，相比较单一的svm预测模型，coa-svm与vmd-coa-svm预测模型的预测效果均有一定程度的改善。其中，mape指标分别提高了9.36％、40.66％，mae指标分别提高了10.82％、50.24％，rmse指标分别提高了8.93％、42.28％。
[0118]
本技术实施例提出的vmd-coa-svm预测模型明显优于coa-svm预测模型，其中的mape、mae、rmse三个指标分别提高了33.27％、41.82％、36.63％。同时，所建立的混合预测模型的r2指标比coa-svm与svm模型更接近于1。其中r2的值越接近1，模型的回归预测性能越好。因此，本技术实施例所建立的风速预测模型的预测精度优于coa-svm与svm模型。
[0119]
根据本发明实施例的第二方面，提供了一种架空输电线路局部区域的风速预测系统。
[0120]
在一个实施例中，所述架空输电线路局部区域的风速预测系统，包括：
[0121]
数据预处理模块，被配置为：对原始风速序列进行预处理；
[0122]
coa-svm预测模型，被配置为：根据输入的测试集的各个固有模态分量，获得其预测结果，对各个固有模态分量的预测结果求和得到最终风速预测结果。
[0123]
可选地，所述数据预处理模块，具体被配置为：
[0124]
选取原始风速序列；
[0125]
将原始风速序列划分为训练集和测试集；
[0126]
采用vmd算法将划分后风速序列分解为多个子序列；
[0127]
将分解的子序列进行归一化处理。
[0128]
可选地，所述数据预处理模块根据emd算法的分解层确定vmd算法的模态分量k的个数。
[0129]
可选地，所述coa-svm预测模型，被配置为：将svm中的惩罚因子与核函数参数作为郊狼个体，经过coa的多次迭代以后，选取最优的惩罚系数c与核函数参数σ。
[0130]
可选地，所述coa-svm预测模型，具体被配置为：
[0131]
步骤(s21)，初始化svm中惩罚系数c与核函数参数σ的取值，以及coa算法中的郊狼部落个数np和每个部落中的郊狼个数nc；
[0132]
步骤(s22)，设定coa算法的迭代次数为t，令t＝1；
[0133]
步骤(s23)，将训练集数据输入svm中，利用当前的c和σ参数值输出当前的风速预测值，计算适应度函数的值，适应度函数定义如下：
[0134][0135]
式中，x(i)为风速的实际值，为风速的预测值，n为训练集的长度；
[0136]
步骤(s24)，更新svm中c和σ参数值，如果适应度函数的值满足终止条件，则终止算法并输出惩罚系数c与核函数参数σ的最优参数；否则，令t＝t 1，返回到步骤(s23)再次迭代。
[0137]
本技术实施例中的风速预测系统的工作原理与上述实施例中的风速预测方法的工作原理相同，这里不再赘述。
[0138]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法实施例中的步骤。
[0139]
本领域技术人员可以理解，图8中示出的结构，仅仅是与本发明方案相关的部分结构的框图，并不构成对本发明方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0140]
在一个实施例中，还提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现上述方法实施例中的步骤。
[0141]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述方法实施例中的步骤。
[0142]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以
通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本发明所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(read-only memory，rom)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(random access memory，ram)或外部高速缓冲存储器。作为说明而非局限，ram可以是多种形式，比如静态随机存取存储器(static random access memory，sram)或动态随机存取存储器(dynamic random access memory，dram)等。
[0143]
本发明并不局限于上面已经描述并在附图中示出的结构，并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。