一种基于监督学习的输电线路舞动分级预警方法

1.本发明涉及电力系统的架空输电线路故障预警领域，更具体地，涉及一种基于监督学习的架空输电线路舞动分级预警方法。


背景技术：

2.输电线路架设在自然环境中，其结构安全与稳定易受自然环境的影响。舞动是架空输电线路常见的故障类型之一，导线在一定的攻角和风速作用下容易产生大幅度、低频的自激振动，即为舞动。舞动具有多种危害，较轻的造成闪络、跳闸事故，较重的造成金具和绝缘子损坏，导线断股、断线，甚至倒塔等事故。输电线路舞动事故频发，不仅影响社会用电安全，也给经济建设带来很大损失。因此，开展输电线路舞动预测研究对提前做好灾害应对方法，保证电力系统安全运行具有重要意义。
3.目前的舞动预测研究主要有对导线进行动力学分析进而模拟导线运动轨迹和构建机器学习舞动预测模型两种方法，前者的主要问题是导线舞动受力十分复杂，为几何非线性运动，且与气流之间的耦合方式为流固耦合，而导线运动轨迹模型过于理想化，无法把握真实情形下导线的气动力特性，导致舞动数值分析与实测结果之间存在显著差异；后者的主要问题是预测结果较为宽泛，仅能判断是否发生舞动，无法预估舞动振幅，也无法对预测结果进行分级预警，且训练模型时没有进行样本的数据修正和筛选工作，导致模型存在较大误差，预测性能还具备较大提升空间。
4.为了解决现有技术中存在的问题，急需一种不依赖动力学分析的、预测结果与实际情况吻合程度较高的舞动预测方法，能够把握真实情形下导线的舞动情况，还能提前给出预测振幅及舞动预警等级。该方法不从导线的气动力特性入手，而是将微气象元素与舞动振幅关联分析，构建基于监督学习算法的舞动预测模型进而得到预测结果。


技术实现要素：

5.针对现有技术的不足，本发明提供一种基于监督学习的输电线路舞动分级预警方法，能够对传感器采集到的数据进行修正并完成样本筛选工作，构建的舞动预测模型可以较好地拟合真实情形下导线的舞动状态，实现预估舞动振幅和舞动分级预警的功能，运维人员能够根据预警结果灵活制定巡检策略和防舞措施，保障输电线路安全稳定运行。
6.本发明解决所述技术问题采用的技术方法是，提供一种基于监督学习的输电线路舞动分级预警方法，该方法包括以下步骤：
7.步骤一：确定舞动影响参量。根据对同一区域的数据进行训练时，影响舞动的主导因素为外部条件、线路结构与参数为隐性条件的特点，以微气象元素作为影响参量，即以风向、标准风速、极大风速、十分钟平均风速、温度、湿度作为影响参量。
8.步骤二：利用单边滑动时间窗口对温度、湿度数据进行修正。具体方法如下：
9.以温度为例，设时间温度序列t＝{(t
i-k
,b
i-k
),
…
,(t
i-1
,b
i-1
),(ti,bi),(t
i 1
,b
i 1
),
…
}，单边滑动时间窗口长度为k。ti时刻的预测温度值为bi′
，w
i-k
,
…
,w
i-1
为温度bi-k
,
…
,b
i-1
对应的权重，采用平方加权法赋值权重。相应公式如下：
[0010][0011]
预测温度值bi′
对应的置信区间pci为：
[0012][0013]
sk为时间窗内温度数据标准差，α为t分布上分位点。
[0014]
数据修正的方法为：通过单边滑动时间窗口求出ti时刻的预测温度值bi′
和其置信区间，若传感器测得的温度bi落在置信区间内，则bi为正常数据；若bi落在置信区间外，则bi为异常数据，对其修正，用bi′
代替bi。
[0015]
定义曲折度q反映温度变化曲线的不平滑性，曲折度q含义为温度曲线呈现非单调变化时的变化幅值之和与数据量之比。设数据总量为n，对于一段相邻的温度序列(
…
,b
i-1
,bi,b
i 1
,
…
)，有如下两种情况：
[0016]
1)若(b
i-b
i-1
)(b
i 1-bi)≤0,则qi＝|b
i-b
i-1
| |b
i 1-bi|
[0017]
2)若(b
i-b
i-1
)(b
i 1-bi)》0,则qi＝0
[0018][0019]
定义偏离度m反映修正后的温度曲线和原曲线间的偏离程度。原温度序列为(
…
,b
i-1
,bi,b
i 1
,
…
)，修正后温度序列为(
…
,b
i-1
″
,bi″
,b
i 1
″
,
…
)，则：
[0020][0021]
曲折度q越小，数据越平滑；偏离度m越小，保留信息越完整。令h＝q
归一化
m
归一化
，结果最小时，数据修正效果最好，完成对温度数据的修正。
[0022]
步骤三：对风向进行修正。根据导线走向和风向传感器记录的方位将风向修正为与线路轴向的夹角，取值范围为0～90
°
。
[0023]
步骤四：确定微气象元素的影响权重和综合影响因子。对微气象元素平均分段，根据k-means聚类算法将每一段内的样本聚类为正常样本和异常样本，得到微气象元素均值与正常样本振幅均值一一对应的一组数据，再计算二者的相关系数作为该微气象元素的影响权重。定义综合影响因子反映某一时刻综合微气象元素对舞动振幅的影响大小。将影响权重用qz表示，综合影响因子用zh表示，归一化的微气象元素值用gy表示，三者之间的关系式如下，根据该关系式得到每一组数据的综合影响因子。
[0024]
zh＝∑gy
×
qz
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)
[0025]
步骤五：筛选样本。将综合影响因子与振幅对应作为样本点，根据k-means聚类算法进行聚类，设置2个聚类中心，得到异常样本与正常样本两个类簇，剔除异常样本完成数据筛选。
[0026]
步骤六：构建基于监督学习算法的输电线路舞动预测模型。将微气象元素作为输入，振幅数据作为输出，以综合影响因子作为划分标准，对综合影响因子在其区间前90％的
样本采用svm算法进行训练，对综合影响因子在其区间后10％的样本采用遗传算法优化的bp神经网络(ga-bp)进行训练，构建基于ga-bp与svm复合算法的输电线路舞动预测模型，进而得到预测结果。
[0027]
步骤七：根据预测结果进行分级预警。将振幅为导线直径15～100倍的舞动称为三级舞动；振幅为导线直径100～200倍的舞动称为二级舞动；振幅为导线直径200倍以上的舞动称为一级舞动，步骤六中构建的舞动预测模型可以给出具体的预测振幅，依据上述标准即可得到舞动风险等级。
[0028]
本发明的有益效果：
[0029]
本发明普遍适用于输电线路舞动预警，与现有技术相比较，本发明具有如下优点：
[0030]
1.本发明可以实现对舞动振幅的预测，且能够实现舞动分级预警功能，与传统神经网络舞动预测模型仅能判断是否发生舞动、无法预估舞动振幅及严重程度相比，结果更具有准确性和实用性。
[0031]
2.本发明将导线微气象元素与舞动振幅关联分析从而构建监督学习模型，不依赖对导线的动力学分析，能够把握真实情形下导线的舞动情况，使预测结果较好地拟合实际情况。
[0032]
3.本发明通过对微气象数据进行修正、完成样本筛选工作，可以有效减少数据采集过程中产生的噪声干扰，预测结果的准确性更高。
[0033]
4.本发明采用svm、ga-bp两种算法联合构建舞动预测模型，同时吸纳svm算法在拟合小振幅方面的优势和ga-bp算法在拟合大振幅方面的优势，相较于采用单一算法构建模型，预测精确性得到较大提升。
附图说明
[0034]
本发明有如下附图：
[0035]
图1本发明的流程图；
[0036]
图2本发明一实施例基于k-means聚类算法的样本筛选结果；
[0037]
图3本发明一实施例的输电线路舞动振幅预测结果。
具体实施方式
[0038]
为了使本发明的方法和有益效果更加清晰明了，下面结合具体实施例及附图，对本发明作进一步详细说明。本实施例是以本发明的方法为前提进行的，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
[0039]
本发明实施例——通辽500kv阿科线起于阿拉坦500kv变电站，途经扎鲁特旗、开鲁县，止于科尔沁500kv变电站，线路走向为北偏西40
°
。选取阿科线2018年11月至2019年4月及2019年8月至2019年11月两个时间段的1950组微气象数据和舞动监测数据作为样本。
[0040]
如图1所示，本实施例基于监督学习的输电线路舞动分级预警方法，包括如下步骤：
[0041]
步骤一：确定舞动影响参量。根据对同一区域的数据进行训练时，影响舞动的主导因素为外部条件、线路结构与参数为隐性条件的特点，以微气象元素作为影响参量，即以风向、标准风速、极大风速、十分钟平均风速、温度、湿度作为影响参量。
[0042]
步骤二：利用单边滑动时间窗口对温度、湿度数据进行修正。具体方法如下：
[0043]
以温度为例，设时间温度序列t＝{(t
i-k
,b
i-k
),
…
,(t
i-1
,b
i-1
),(ti,bi),(t
i 1
,b
i 1
),
…
}，单边滑动时间窗口长度为k。ti时刻的预测温度值为bi′
，w
i-k
,
…
,w
i-1
为温度b
i-k
,
…
,b
i-1
对应的权重，采用平方加权法赋值权重。相应公示如下：
[0044][0045]
预测温度值bi′
对应的置信区间pci为：
[0046][0047]
sk为时间窗内温度数据标准差，α为t分布上分位点，置信系数p＝100(1-α)％反映了实际值出现在置信区间内的概率。
[0048]
数据修正的方法为：通过单边滑动时间窗口求出ti时刻的预测温度值bi′
和其置信区间，若传感器测得的温度bi落在置信区间内，则bi为正常数据；若bi落在置信区间外，则bi为异常数据，对其修正，用bi′
代替bi。
[0049]
定义曲折度q反映温度变化曲线的不平滑性，曲折度q含义为温度曲线呈现非单调变化时的变化幅值之和与数据量之比。设数据总量为n，对于一段相邻的温度序列(
…
,b
i-1
,bi,b
i 1
,
…
)，有如下两种情况：
[0050]
1)若(b
i-b
i-1
)(b
i 1-bi)≤0,则qi＝|b
i-b
i-1
| |b
i 1-bi|
[0051]
2)若(b
i-b
i-1
)(b
i 1-bi)》0,则qi＝0
[0052][0053]
定义偏离度m反映修正后的温度曲线和原曲线间的偏离程度。原温度序列为(
…
,b
i-1
,bi,b
i 1
,
…
)，修正后温度序列为(
…
,b
i-1
″
,bi″
,b
i 1
″
,
…
)，则：
[0054][0055]
曲折度q越小，数据越平滑；偏离度m越小，保留信息越完整。令h＝q
归一化
m
归一化
，结果最小时，数据修正效果最好，此时完成对温度数据的修正。
[0056]
影响修正结果最主要的两个因素是单边滑动时间窗口的长度k和置信区间的阈值，而置信区间的阈值与置信系数p的选择有关。为了使修正效果最好，需要确定最合适的k、p取值。
[0057]
令k分别取值为2、3、
…
、8，微气象传感器每十分钟采集一次数据，即分别使用某一时刻前20、30、
…
、80分钟的数据进行计算；令置信系数p分别取值为95％、98％、99％、99.5％、99.8％，使用不同的参数组合进行修正，对应的h值如表1所示。
[0058]
表1温度修正h值
[0059][0060]
当k取5、p取98％时，h取最小值0.779，此时完成对温度数据的修正。
[0061]
对湿度数据采用同样的方法修正，对应的h值如表2所示。
[0062]
表2湿度修正h值
[0063][0064]
当k取5、p取95％时，h取最小值0.916，此时完成对湿度数据的修正。
[0065]
步骤三：对风向进行修正。假设风向传感器记录的风向方位为f
°
，风向与线路轴向的夹角为g
°
，由于阿科线走向为北偏西40
°
，则针对该线路的风向修正公式如下：
[0066][0067]
根据公式(5)将风向数据修正为与线路轴向的夹角数据。
[0068]
步骤四：确定微气象元素的影响权重和综合影响因子。对微气象元素平均分段，根据k-means聚类算法将每一段内的样本聚类为正常样本和异常样本，得到微气象元素均值与正常样本振幅均值一一对应的一组数据，再计算二者的相关系数作为该微气象元素的影响权重，结果如表3所示。
[0069]
表3微气象元素的影响权重
[0070][0071]
风向、标准风速、极大风速、十分钟平均风速、湿度取值增大时，舞动振幅随之增大，影响权重为正值；温度取值减小时，输电线路更易形成覆冰，使导线产生较大升力，舞动振幅增大，影响权重为负值。
[0072]
定义综合影响因子反映某一时刻综合微气象元素对舞动振幅的影响大小。将影响权重用qz表示，综合影响因子用zh表示，归一化的微气象元素值用gy表示，三者之间的关系式如下，根据该关系式得到每一组数据的综合影响因子。
[0073]
zh＝∑gy
×
qz
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(6)
[0074]
步骤五：筛选样本。将综合影响因子与振幅对应作为样本点，根据k-means聚类算法进行聚类，设置2个聚类中心，得到异常样本与正常样本两个类簇，如图2所示，剔除异常样本完成数据筛选。
[0075]
步骤六：构建基于监督学习算法的输电线路舞动预测模型。将微气象元素作为输入，振幅数据作为输出，以综合影响因子作为划分标准，对综合影响因子在其区间前90％的样本采用svm算法进行训练，对综合影响因子在其区间后10％的样本采用遗传算法优化的bp神经网络(ga-bp)进行训练，构建基于ga-bp与svm复合算法的输电线路舞动预测模型，进而得到图3所示的预测结果。
[0076]
步骤七：根据预测结果进行分级预警。将振幅为导线直径15～100倍的舞动称为三级舞动；振幅为导线直径100～200倍的舞动称为二级舞动；振幅为导线直径200倍以上的舞动称为一级舞动，依据上述标准即可得到预测结果的舞动风险等级。
[0077]
为了体现本发明中基于ga-bp与svm复合算法的输电线路舞动预测模型的优越性，将复合算法模型与经典算法模型的预测结果进行对比，通过预测误差和预测成效两方面进行评判。
[0078]
对于预测误差，以预测值与实际值的均方根误差(rmse)、平均绝对误差(mae)、平均绝对百分比误差(mape)进行评判，对各模型仿真20次取误差平均值，对比结果如表4所示。
[0079]
表4复合算法模型与经典算法模型的预测误差对比
[0080][0081]
对于预测成效，以预测准确率、i级准确率、实报率、空报率、漏报率进行评判。设a
ij
表示实际情况中导线发生i级舞动而预测结果为j级舞动的次数，i、j可取0、1、2、3，0表示未发生舞动/未进行预警。
[0082]
在此基础上定义预测准确率：在实际情况与预警结果均判断为舞动的情况下，预警级别与实际舞动级别相符的比例。公式如下：
[0083][0084]
i级准确率：实际发生i级舞动时，预测结果同为i级的比例。公式如下：
[0085][0086]
实报率：总预警次数中实际发生舞动次数的比例。公式如下：
[0087][0088]
空报率：虚警次数占总预警次数的比例。公式如下：
[0089][0090]
漏报率：漏警次数占实际发生舞动总次数的比例。公式如下：
[0091][0092]
复合算法模型与经典算法模型的预测成效对比结果如表5所示。
[0093]
表5复合算法模型与经典算法模型的预测成效对比
[0094][0095]
从表4、5可以看出，复合算法模型在预测误差和预测成效方面均优于经典算法模型，预测结果更具有实用性和精确性。另外从图3可以看出，本发明的预测结果能够较好地
拟合实际状态，实现对舞动振幅的预测和分级预警功能。
[0096]
以上所述仅为本发明的较佳实施实例，并不用以限制本发明，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。