变电站一次设备多点位雷电联合预警方法与系统与流程

1.本发明属于雷电预警领域，更具体的，涉及一种变电站一次设备多点位雷电联合预警方法与系统。


背景技术：

2.在针对变电站的雷电预警方面，目前还未有系统化的技术方案。在广义的雷电预警方面，有研究依据大气电场信号进行雷电预警，通常是先对大气电场进行预测，然后基于幅度阈值法得出雷电预警信号，也有研究将大气电场强度、温度等特征作为输入，基于bp神经网络构建雷电预警模型。在大气电场信号处理方面，除直接使用原始信号外，有研究采用经验模态分解emd对其进行处理，从而获得相应特征分量进行雷电预警。
3.首先，大气电场信号属于典型的非线性、非平稳信号，在雷暴天气过程中会呈现很强的随机性与波动性，直接使用原始信号进行雷电预测，无法考虑电场信号的振荡尺度及发展趋势，预测精度有限。此外，传统分解算法例如emd存在明显的模态混叠现象，分解精度较低。
4.其次，雷电相关特征是典型的时间序列数据，现有技术未能考虑大气电场信号及其他气象特征的长时依赖性，仅从幅值、阈值等单一维度进行分析，无法挖掘雷电演进规律，难以做到准确预测。变电站内往往在不同位置配置多台雷电传感器，这些传感器采集到的大气电场信号之间具有潜在的关联性及互补性，考虑这种关联性能帮助我们更准确地预测雷电的发生，但现有技术只针对单个雷电传感器，同时考虑多个传感器信息并进行雷电预警的方案尚不存在。并且在对变电站内多点进行雷电预警时，需要对每个量测点分别进行建模预警，过程繁琐复杂。
5.最后，变电站一次设备种类繁多，运行状态多样，应结合雷电预警结果采取定制化多维度的防雷措施。而目前的技术方案要么只对雷电进行预警，要么仅采用通用的防雷措施（例如加装避雷器，避雷针），容易造成雷电防护配置不均衡的问题。


技术实现要素：

6.为解决现有技术中存在的不足，本发明的目的在于，解决上述缺陷，进而提出一种变电站一次设备多点位雷电联合预警方法。
7.本发明采用如下的技术方案。
8.一种变电站一次设备多点位雷电联合预警方法，包括如下步骤：步骤s1，根据雷电传感器，获取多组大气电场数据以及对应的多组六要素数据；其中，大气电场数据包括：细节分量、趋势分量的子模态分量，六要素数据包括：气温、降水、气压、风向、尖峰电流和能量；步骤s2，将一组细节分量、趋势分量的子模态分量，以及对应的一组六要素数据作为一组特征，将多组特征作为输入，根据深度学习网络模型，得到每一组特征对应的落雷预警等级；
步骤s3，将包含落雷预警等级的多组特征进行训练，并预测当前时刻数据的落雷预警等级，其中，当前时刻数据包括：细节分量、趋势分量的子模态分量以及对应的六要素数据；步骤s4，根据变电站一次设备的位置以及雷电传感器的经纬度坐标，计算出变电站一次设备到各个雷电传感器的距离，并结合当前时刻数据的落雷预警等级，计算出一次设备的最终雷电风险得分。
9.进一步的，步骤s1中细节分量、趋势分量的子模态分量通过对一组大气电场数据变分模态分解vmd获得。
10.进一步的，步骤s2中深度学习网络模型为硬共享机制的多任务学习模型，并且步骤s2具体包括：步骤s21，将多组特征输入到相同的时间卷积网络层中，并输出变电站多点位量测相关性的高级特征向量；步骤s22，将高级特征向量分别输入n个子任务输出层，并输出对应的雷电预警等级；其中，n为多组特征的数量。
11.进一步的，步骤s22具体包括：步骤s221，将高级特征向量分别输入n个子任务输出层，其中，子任务输出层包含一层常规卷积层；步骤s222，根据n个子任务输出层以及常规卷积层，通过softmax函数输出各雷电预警等级对应的事件概率分布，并将事件概率最大的雷电预警结果作为雷电预警等级。
12.进一步的，步骤s3具体包括：步骤s31，根据多组特征，计算损失值loss；步骤s32，根据损失值loss，训练多点位雷电联合预警模型；步骤s33，根据多点位雷电联合预警模型，预测当前时刻数据的落雷预警等级。
13.进一步的，步骤s31具体包括：进一步的，步骤s31具体包括：其中，表示真实的变电站雷电预警等级分布，表示子任务层中softmax函数输出的各雷电预警等级对应的事件概率分布，为大气电场数据的数量。
14.进一步的，步骤s32具体包括：采用adam函数作为优化器，以损失值loss作为优化目标。
15.进一步的，一次设备的最终雷电风险得分为：为：其中，是当前时刻数据的落雷预警等级，是专家打分与层次分析获得各雷电预警等级的权重，是变电站一次设备坐标，是雷电传感器经纬度坐标，其中，
，为雷电传感器的数量。
16.进一步的，方法还包括：根据一次设备的最终雷电风险得分，结合变电一次设备类型、设备运行状况、线路负载水平，通过决策树算法得到定制化防雷措施。
17.一种变电站一次设备多点位雷电联合预警系统，包括：雷电传感器、深度学习模块与计算模块；雷电传感器用于获取多组大气电场数据以及对应的多组六要素数据；深度学习模块用于输出落雷预警等级，以及对多组特征进行训练，并预测当前时刻数据的落雷预警等级；计算模块用于计算出变电站一次设备到各个雷电传感器的距离，以及计算出一次设备的最终雷电风险得分。
18.本发明的有益效果在于，与现有技术相比，本发明具有以下优点：（1）本发明提出了一种基于时间卷积网络与多任务学习的变电站一次设备多点位雷电联合预警方法。
19.（2）利用经验模态分解vmd对雷电传感器采集到的非线性、非平稳的大气电场信号进行分解，从而获得不同振荡尺度信号与趋势项，克服了传统方法模态混叠问题。
20.（3）利用多任务学习将特征统一输入到一个模型中，通过参数硬共享机制考虑变电站内不同测量点之间的潜在关联性，利用时间卷积网络获取前后数据点的长时依赖信息，进而同时预警各测量点的雷电演化情况，仅通过一个模型即可实现变电站多点位雷电联合预警，提高了预警精度。
21.（4）考虑变电一次设备类型、设备运行状况、线路负载水平、雷电风险得分构建防雷策略库，通过决策树算法得到不同变电设备的定制化防雷措施。
附图说明
22.图1是一种变电站一次设备多点位雷电联合预警方法的流程图。
23.图2是多任务学习原理图。
24.图3是基于硬共享机制的多任务学习的示意图。
25.图4是因果卷积的示意图。
26.图5是膨胀卷积的示意图。
具体实施方式
27.下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
28.户外敞开式变电站占地面积大，且设备主体为金属材料，极易受到雷电破坏。而通过高效准确的雷电预警，我们可以采取降低变电站一次设备的负载，对高雷击风险设备进行技术改造等手段，在一定程度上降低或者避免雷电破坏。可见，雷电预警是实现防雷不可或缺的前提条件。
29.雷暴云携带的电荷会在地面产生较强的大气电场，地面大气电场变化可反演雷暴云形成，发展和消散过程。大气电场的观测和分析是提高雷电预警效率的有效途径。通过变电站内多点位安装的雷电传感器，可以准确记录大气电场信号。然而，大气电场信号具有明
显的非线性非平稳性特征，随着雷电的演进又具有一定的规律性，会受风速、风向、气压等多种气象因素影响。此外，不同位置采集到的大气电场信号之间既有互补又存在冗余。
30.因此，我们需要实现高效准确的雷电预警需要解决如下问题，首先，从大气电场信号中分解出随机分量、细节分量、趋势分量，克服原始信号非线性波动性影响。其次，将电场信号特征与外部气象特征统筹考虑，通过时间序列挖掘更好地发现雷电演进规律。最后，需要充分考虑变电站内不同点位采集到的数据的潜在关联性，并利用这种关联性实现多点位联合预测。
31.基于此，如图1，图2所示，本公开提出了一种变电站一次设备多点位雷电联合预警方法，包括以下步骤：步骤s1，取过去时间内变电站多点雷电传感器采集到的大气电场数据。对于每一个通过变分模态分解vmd获得代表随机分量、细节分量、趋势分量的子模态分量。为大气电场数据的数量。
32.从原始信号中去除随机分量，将趋势分量与细节分量代表的子模态分量作为输入特征，同时输入对应的气温、降水、气压、风向、尖峰电流和能量的六要素数据，以及量测点的落雷预警等级，建立雷电预警历史数据库。将特征作为步骤2模型的输入，落雷预警等级作为模型输出。
33.步骤s2，构建面向变电站一次设备多点位雷电联合预警的深度学习网络模型，将步骤1中的特征作为模型的输入，落雷预警等级作为模型输出。具体包括：步骤s21，建立基于硬共享机制的多任务学习模型。
34.多任务学习从实现方式上可以分为硬共享机制与软共享机制，硬共享机制中通过参数共享来实现特征提取与输出。因此，本技术采用硬共享机制实现多任务学习，其原理如图3所示。可以理解的是，硬共享机制通过参数共享来实现关联性特征提取，从而实现变电站不同量测点的雷电预警任务。
35.硬共享机制的多任务学习模型原理如下：特征输入层对应步骤1中的n组特征，参数硬共享意味着所有的n组特征都将输入到相同的时间卷积网络层中，输出为考虑了变电站多点位量测相关性的高级特征向量v。将高级特征向量v分别输入n个子任务输出层，输出为对应测量点的雷电预警等级。其中，子任务输出层包含一层常规卷积层，并以softmax函数输出各雷电预警等级对应的事件概率分布，并将事件概率最大的雷电预警结果作为雷电预警等级。上述的时间卷积网络包括因果卷积与膨胀卷积，如图4、图5所示。因果卷积是指将卷积更改为单向结构，令其只能对过去时间步的输入进行运算，时间t的输出仅与来自前一层中的时间t和更早的元素卷积有关。因果卷积的记忆性或者称为感受视野只包括前几个时刻的值，为了提高感受视野采用膨胀卷积的方式添加输入采样间隔。膨胀卷积使得有效窗口的大小随着层数呈指数型增长。这样卷积网络用比较少的层，就可以获得很大的感受视野，提高了网络的长时记忆性。
36.步骤s3，模型训练及预测。
37.将训练集databasetrain = [x1, x2, x3, x4, x5, x6, m2, m3| y]n 输入模型进行训练。采用交叉熵h(p,q)作为损失函数，由于子问题的类型相同，重要度近似，直接对n个子任务损失进行线性组合，形成整个模型的损失值loss。
[0038]
。
[0039]
。
[0040]
其中，表示真实的变电站雷电预警等级概率分布，表示子任务层中softmax函数输出的各雷电预警等级对应的事件概率分布。需要说明的是，是对一定时间历史数据的观测后得到的真实的概率分布。
[0041]
采用adam函数作为优化器进行训练，优化目标为最小化整个模型的损失值loss。
[0042]
训练后的模型达成如下效果，将变电站内的各点位雷电传感器、气象传感器采集到的当前时刻数据x = [x1, x2, x3, x4, x5, x6, m2, m3]n输入训练好的雷电预警模型内，模型将自动输出各点在下一时刻的各点的雷电预警等级，从而实现变电站一次设备多点位雷电联合预警。
[0043]
步骤s4，变电站一次设备防雷策略构建依据变电站一次设备及雷电传感器经纬度坐标，分别计算变电站一次设备到不同雷电传感器的距离。其中，。
[0044]
。
[0045]
对各传感器点位的预警等级，通过专家打分与层次分析获得各雷电预警等级的权重，将 1/作为修正系数，计算站内各一次设备的最终雷电风险得分。预先构建定制化的防雷策略库（例如调整网络潮流、开展避雷器试验、测量接地网电阻、加装防雷装置等）。
[0046]
依据设备雷电风险得分，变电一次设备类型（如主变压器、断路器、隔离开关、电压互感器、电流互感器），设备运行状况（如运行温度、投运时间、实时电压、电流），线路负载水平（线路传输功率），通过决策树算法得到不同变电设备的定制化防雷措施。
[0047]
综上，本技术提出了一种变电站一次设备多点位雷电联合预警方法，通过变电站一定区域内不同位置的多个雷电传感器、气象传感器记录的历史数据，利用经验模态分解vmd对雷电传感器采集到的非线性、非平稳的大气电场信号进行分解，从而获得不同振荡尺度信号与趋势项，然后利用多任务学习将这些历史数据统一输入到一个模型中，充分考虑不同测量点之间的潜在关联性，利用时间卷积网络获取前后数据点的长时依赖信息，进而同时预警各测量点的雷电演化情况，从而实现多点位雷电联合预警。最后依据预警结果、一次设备类型及负载情况，通过设备防雷策略库执行相应的雷电防御措施。
[0048]
本发明对雷电传感器采集到的大气电场数据进行信号分解，将非平稳、非线性数据转化为便于建模分析的子模态分量，充分挖掘不同传感器之间的关联性特征，同时简化多点位雷电预警过程中重复建模，计算繁琐的弊病。本发明引入了vmd分解 多任务学习 时
间卷积网络（tcn），能够考虑不同量测点之间的潜在关联性，挖掘雷电时间序列的长时依赖性，一次建模即可同时对多个量测点进行预警，显著提高了预警准确性。考虑变电一次设备类型、设备运行状况、线路负载水平、雷电风险得分构建防雷策略库，通过决策树算法得到不同变电设备的定制化防雷措施，有效提高了雷电防御的实用性。
[0049]
相应的，本发明还公开了一种变电站一次设备多点位雷电联合预警系统，包括：雷电传感器、深度学习模块与计算模块；雷电传感器用于获取多组大气电场数据以及对应的多组六要素数据；深度学习模块用于输出落雷预警等级，以及对多组特征进行训练，并预测当前时刻数据的落雷预警等级；计算模块用于计算出变电站一次设备到各个雷电传感器的距离，以及计算出一次设备的最终雷电风险得分。
[0050]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。