[发明专利]一种架空输电线路覆冰预测模型和方法

说明书

本发明公开了一种架空输电线路覆冰预测模型和方法，所述模型通过如下步骤构建：步骤1，从线路在线监测系统中获取覆冰相关数据，筛选和处理所获取的数据；步骤2，建立和训练时序卷积神经网络模型，该模型用于预测覆冰因素；步骤3，建立和训练支持向量回归模型，该模型用于建立覆冰因素与覆冰厚度的映射，时序卷积神经网络模型和支持向量回归模型共同组成架空输电线路覆冰预测模型。使用建立的模型即能够进行覆冰预测。

技术领域

本发明涉及机器学习和电力系统架空输电线路状态监测技术领域，具体涉及一种架空输电线路覆冰预测模型和方法。

背景技术

架空高压输电线路是现代社会的大动脉，其安全稳定运行对社会至关重要。冰灾是威胁架空输电线路的主要自然灾害之一。电力线路覆冰轻则引起闪络跳闸事故，重则引发金具损坏、断线、倒塔等严重事故，严重威胁电力系统的安全稳定运行，给社会经济造成巨大的损失。由于我国广阔复杂的地理条件，以及全球气候变暖的影响，输电线路覆冰灾害频发。因此建立一个能及时准确预测覆冰的模型，在灾害发生前及时预警具有重要意义。

导线覆冰的机制十分复杂，具有多因素、非线性、突发性、不确定性等特点。气象因素是输电线路覆冰成因的必要条件，主要包括空气中的温度、相对湿度(空气中过冷却水滴或液态水含量)、降水量、风速和风向等。环境因素对导线覆冰的类型和覆冰程度具有一定地影响，通常包括海拔高度、凝结高度、地形地貌等。对导线覆冰有影响的线路因素主要有导线走向、导线直径、导线刚度、导线悬挂高度、负荷电流和电场等几个方面。

传统的模型有Imai模型、Lenhard模型、Goodwin模型、Chaine模型、Markkonen模型等。这些模型只考虑有限几个覆冰因素并且作了较强的限定，实际覆冰过程的复杂性导致了这些模型适用范围相当有限。还有基于神经网络的覆冰模型，但模型的结构只是简单的浅层网络，性能有限，而且没有考虑覆冰厚度数据不足的问题。

机器学习近几年发展迅速，尤其是深度学习。深度人工神经网络已经在计算机视觉、自然语言处理等领域取得了接近甚至超越人类表现的成绩。深度神经网络之所以能取得如此大的成功，原因之一在于其善于捕捉多维度、非线性、不确定的复杂关系。深度神经网络需要大量的训练数据，虽然线路覆冰在线监测系统在智能电网技术的推动下已有初步发展，但采集到的覆冰厚度数据量还不能满足深度网络的训练需求。

发明内容

本发明所要解决的技术问题是针对输电线路覆冰过程的多因素、非线性、突发性、不确定性等特性，同时覆冰厚度数据量有限的情况下，结合深度神经网络与支持向量机技术，建立一个输电线路覆冰预测模型。

为解决上述技术问题，本发明采用的技术方案是：

一种架空输电线路覆冰预测模型，所述模型通过如下步骤构建：

步骤1，从线路在线监测系统中获取覆冰因素数据和覆冰厚度数据，筛选和处理所获取的数据；

步骤2，建立和训练时序卷积神经网络模型，该模型用于预测覆冰因素；

步骤3，建立和训练支持向量回归模型，该模型用于建立覆冰因素与覆冰厚度的回归关系，时序卷积神经网络模型和支持向量回归模型共同组成架空输电线路覆冰预测模型。

本发明中，步骤1包括：

步骤1-1，从线路在线监测系统中获取覆冰因素数据，所述覆冰因素数据分为时序覆冰因素数据和非时序覆冰因素数据，时序覆冰因素指随时间变动的覆冰因素，包括气温、湿度、风速、风向、降水、光照，非时序覆冰因素指固定不变的覆冰因素，包括导线走向、导线直径、海拔和地形地貌，非时序覆冰因素数据作为常数序列与时序覆冰因素数据合并作为覆冰因素时序数据；