[发明专利]一种基于监督学习的输电线路舞动分级预警方法

说明书

本发明公开了一种基于监督学习的输电线路舞动分级预警方法，属于电力系统的架空输电线路故障防治领域。首先利用滑动时间窗口对温度、湿度数据进行修正，并将风向调整为与导线轴向的夹角，再计算不同微气象元素对舞动振幅的影响权重和综合影响因子，通过K‑means聚类算法利用综合影响因子进行样本筛选。将微气象元素作为输入，振幅数据作为输出，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。将本发明所述方法与经典算法进行对比，通过评判预测误差和预测成效，证明了本发明中GA‑BP与SVM复合算法的输电线路舞动预测模型的优越性。本发明的舞动预测结果与实际状态吻合程度高，能够预估舞动振幅并实现舞动分级预警功能，可以提前发出预警信息。运维人员能够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。

技术领域

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

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。

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。

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。

发明内容

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。

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：

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。

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：

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),(t_i,b_i),(t_i+1,b_i+1),…}，单边滑动时间窗口长度为k。t_i时刻的预测温度值为b_i′，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。相应公式如下：