[发明专利]一种架空输电线路局部区域的风速预测方法及系统

说明书

本申请属于输电线路技术领域，公开一种架空输电线路局部区域的风速预测方法，包括以下步骤：一种架空输电线路局部区域的风速预测方法，包括以下步骤：数据预处理；建立基于COA‑SVM的预测模型；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。本申请实施例的风速预测方法，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算法能较好的优化SVM的惩罚因子和核函数参数，以提高预测模型的精度，具有较好的预测效果。本申请实施例还公开一种架空输电线路局部区域的风速预测系统。

技术领域

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

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。

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。

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 movingaverage，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。

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。

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。

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。

发明内容

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。

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。

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：

数据预处理；