一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统技术方案

本发明专利技术公开了一种用于建立输电线路舞动跳闸风险预测的网络模型的方法，所述方法包括：获取风速、温度和湿度；获取跳闸结果；建立多个样本参数组中的每个样本参数组。建立基于神经网络的初始模型，该模型包括输入层、隐含层以及输出层。对神经网络的初始模型进行学习和训练，以及对经过学习和训练的初始模型进行检验，得到经过检验的检验模型。通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。本发明专利技术为我国各地区输电线路舞动跳闸风险的预测提供了一种有效的解决手段。利用本发明专利技术的技术方案可以对输电线路的跳闸风险进行合理评估，并且能够为输电线路舞动风险预警提供智能预测技术支撑。

【技术实现步骤摘要】

本专利技术涉及风险预测领域，更具体地，涉及一种用于输电线路舞动跳闸风险预测的网络模型建立方法及系统。
技术介绍
进入21世纪以来，我国特高压电网建设进入了全新发展阶段，为国民经济的快速发展提供了能源保障。但日益扩大的电网规模、日趋复杂的电网结构以及逐渐增大的地理跨度，使电网受恶劣气象条件的影响程度也随之增加。恶劣的气候条件对架设在自然环境中的输电线路有一定影响，如输电线路在冰雪、风霜等恶劣天气的影响下会出现舞动现象。近年来恶劣气象频发，导线舞动引发的灾害频率大幅度提升，如出现线路跳闸、损坏电力设备，导致大面积停电事故的发生，严重影响输电线路安全与稳定。输电线路舞动是覆冰导线在风激励作用下产生的一种低频率、大振幅的振动现象。目前对输电线舞动现象进行监控的方法主要是用基于现场的天气数据采集，现有方法对输电线舞动现象进行监测时，是在导线的传输线路上设置大量的传感器来采集数据。首先，传感器的安装比较麻烦，并且很不经济；其次，野外的恶劣环境很容易造成传感器的损坏，导致监测结果不准确。因此对输电线路的舞动现象监测不准确，引发跳闸事故，从而对输电线路造成重大损失。
技术实现思路
为了解决上述问题，本专利技术提供了一种方法，所述方法包括：获取风速、温度和湿度，以作为网络模型的输入样本参数；获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。优选地，所述神经网络为三层结构，所述三层结构包括：输入层、隐含层和输出层。优选地，所述神经网络的输入层的节点为3个，并且输出层的节点为1个，隐含层结点数为15个。优选地，将输入样本参数的取值范围划分为至少两个阈值区间，从而将风速、温度和湿度的值用阈值区间的代码表示；以及将所述跳闸结果的输出参考用代码1或0表示，其中代码1代表是，并且代码0代表否。优选地，将所述输入样本参数归一化到[-1，1]区间。基于本专利技术的另一实施例，本专利技术提供一种用于输电线路舞动跳闸风险预测的网络模型系统，该系统包括：样本参数获取模块，获取风速、温度和湿度，以作为网络模型的输入样本参数；获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；样本参数处理模块，将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；神经网络初始模型建立模块，建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；神经网络初始模型训练模块，将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及神经网络初始模型检验模块，利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。优选地，所述神经网络为三层结构，所述三层结构包括：输入层、隐含层和输出层。优选地，所述神经网络的输入层的节点为3个，并且输出层的节点为1个，隐含层结点数为15个。优选地，将输入样本参数的取值范围划分为至少两个阈值区间，从而将风速、温度和湿度的值用阈值区间的代码表示；以及将所述跳闸结果的输出参考用代码1或0表示，其中代码1代表是，并且代码0代表否。优选地，将所述输入样本参数归一化到[-1，1]区间。本专利技术为我国各地区输电线路舞动跳闸风险的预测提供了一种有效的解决手段，利用本专利技术，可以对输电线路的跳闸风险进行合理评估，为输电线路舞动风险预警提供智能预测技术支撑。本专利技术既具有重要的学术意义，而且具有非常实用的工程应用价值。附图说明通过参考下面的附图，可以更为完整地理解本专利技术的示例性实施方式：图1为根据本专利技术一实施例的一种用于建立输电线路舞动跳闸风险预测的网络模型的方法流程图；图2为根据本专利技术一实施例的神经网络训练和检验流程图；图3为为根据本专利技术一实施例的一种用于建立输电线路舞动跳闸风险预测的网络模型的系统结构图；以及图4为为根据本专利技术一实施例的神经网络模型结构图；具体实施方式现在参考附图介绍本专利技术的示例性实施方式，然而，本专利技术可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本专利技术，并且向所属
的技术人员充分传达本专利技术的范围。对于表示在附图中的示例性实施方式中的术语并不是对本专利技术的限定。在附图中，相同的单元/元件使用相同的附图标记。除非另有说明，此处使用的术语(包括科技术语)对所属
的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。图1为根据本专利技术实施方式的一种用于输电线路舞动跳闸风险预测的网络模型建立方法流程图。如图1所示，本专利技术提供的舞动现象跳闸风险预测方法为我国各地区输电线路舞动跳闸风险的预测提供了一种有效的解决手段，利用本专利技术，可以对输电线路的跳闸风险进行合理评估，为输电线路舞动预警提供技术支撑。通过本专利技术的实施方式，获取风速、温度和湿度为网络模型输入样本参数。获取跳闸结果为网络模型的输出参数。对输入样本参数和输出样本参数进行预处理，将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同。将所述输入样本参数按阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码。建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，初始模型包括本文档来自技高网...

【技术保护点】
一种用于建立输电线路舞动跳闸风险预测的网络模型的方法，所述方法包括：获取风速、温度和湿度，以作为网络模型的输入样本参数；获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。...

【技术特征摘要】
1.一种用于建立输电线路舞动跳闸风险预测的网络模型的方法，所述方法包括：获取风速、温度和湿度，以作为网络模型的输入样本参数；获取跳闸结果以作为网络模型的输出样本参数，所述跳闸结果为是或否；将输入样本参数和对应的输出样本参数组成样本参数组，其中多个样本参数组中的每个样本参数组为<风速、温度、湿度、跳闸结果>，若不同的样本参数组中输入样本参数相同时，则所述样本参数组中与输入样本参数对应的输出样本参数相同；将所述输入样本参数按各自的阈值区间转换为代码，并将所述代码进行归一化处理；将所述输出样本参数的舞动跳闸结果转化为代码；建立以输入样本参数为输入样本参量并且以输出样本参数为输出参量的基于神经网络的初始模型，所述初始模型包括输入层、隐含层以及输出层；将所述多个样本参数组中一部分样本参数组中的输入样本参数作为输入参量，以及和所述一部分样本参数组中相对应的输出样本参数作为输出参量，对基于神经网络的初始模型进行学习和训练，得到经过训练的训练模型；以及利用所述多个样本参数组中另一部分样本参数组中的输入样本参数作为输入参量，对经过学习和训练的初始模型进行检验，得到经过检验的检验模型，并对通过检验模型获得的输出参量与实际跳闸结果的输出样本参数进行对比分析。2.根据权利要求1所述的方法，所述神经网络为三层结构，所述三层结构包括：输入层、隐含层和输出层。3.根据权利要求1所述的方法，所述神经网络的输入层的节点为3个，并且输出层的节点为1个，隐含层结点数为15个。4.根据权利要求1所述的方法，将输入样本参数的取值范围划分为至少两个阈值区间，从而将风速、温度和湿度的值用阈值区间的代码表示；以及将所述跳闸结果的输出参考用代码1或0表示，其中代码1代表是，并且代码0代表否。5.根据权利要求1所述的方法，将所述输入样本参数归一化到[-1，1]区间。6.一种用于输电线路舞动跳闸风险预测的网络模型系统，...

【专利技术属性】
技术研发人员：程永锋，张立春，刘彬，费香泽，杨加伦，展雪萍，李鹏，赵彬，
申请(专利权)人：中国电力科学研究院，国家电网公司，国网河南省电力公司电力科学研究院，
类型：发明
国别省市：北京;11