基于贝叶斯网络的输电线路落雷概率预警方法及预警系统技术方案

一种基于贝叶斯网络的输电线路落雷概率预警方法及系统，该方法结合实时微气象信息和落雷信息，通过挖掘气象因素与落雷要素之间的关联关系，建立刻画气温、降水、气压、风向、风速、湿度等的气象信息和落雷信息间的关联模型，为重要输电通道是否将遭受雷击提供预警概率值。本发明专利技术针对重要输电通道的落雷概率预警可用于输电通道的防雷保护，预警概率的大小可为输电通道在遭受雷击故障前是否采取相应的事前主动防护措施提供参考。

【技术实现步骤摘要】
基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
本专利技术属于电力系统防雷
，涉及输电线路落雷概率预警领域，具体涉及一种输电线路落雷概率预警方法及预警系统。
技术介绍
近年来全球气候变化明显，极端天气增多，雷电活动更加频繁剧烈。根据麻省理工在2016年国际防雷大会上发布的研究，在可预见的未来10-20年，全球雷暴活动还将大幅增加，雷电一直是危害电网安全的重大因素。同时，随着雷电探测技术的发展，动态雷电防护开始走入人们的视野，即通过雷电探测系统预测未来一段时间内本区域产生雷击的概率，并提前调整电网的运行方式，将雷击位置附近电力线路上的重要负荷进行转移。这样，即便线路因雷击而跳闸，由于其所带的负荷已被转移，跳闸所造成的经济社会损失就可以大幅降低。目前国内外针对输电线路遭受雷击的概率研究主要集中在雷电活动探测研究方面。国外有学者MoriahKohn提出采用基于地面甚低频闪电信号侦测网的ZEUS系统，并结合基于数据外推的预警决策综合信息支持系统进行雷云预测；国内如中国气象科学研究院开发了一套雷电临近预报系统，可以预测未来1小时内的闪电活动。但这些研究更多地还是侧重对雷电发生机理的研究，较少涉及数据层面的挖掘分析。实际上，在雷电活动的探测过程中，电力部门积累了大量的关于雷电活动的运行数据，这些数据既包括如气温、降水、气压、风向、风速和湿度等的气象数据，也有雷电定位系统探测到的诸如落雷经纬度、雷电流幅值、回击次数等的雷电信息。这些数据为雷电活动探测提供了一种新的辅助手段，从这些落雷的历史数据中挖掘气象因素与落雷信息之间的相关性，可以回避目前对雷电活动机理掌握不够的困难，从而建立用于雷电活动预报的非线性外推模型。目前针对输电线路落雷概率的研究主要集中在对雷电活动的探测方面，由于雷电探测系统采用基于云地闪的电磁辐射原理，因而易受电磁信号的干扰；同时，由于电磁信号的传输需要建立单独的通信通道，因而需要对通信通道进行单独的维护；而且雷电探测系统只能定位到有云地闪发生时刻雷云的位置，无法对输电线路上空雷云的落雷概率进行有效预警。
技术实现思路
针对现有的雷云定位系统存在的易受电磁信号干扰、无法对雷云覆盖区域落雷概率进行有效预警等问题，本专利技术充分挖掘利用在雷电活动的探测过程中，电力部门积累的大量关于雷电活动的运行数据，基于贝叶斯网络建立了刻画气温、降水、气压、风向、风速、湿度等的气象信息和落雷信息间的关联模型，为重要输电通道是否将遭受雷击提供预警概率值，从而可根据预警概率值的大小确定是否采取相应的事前雷击主动防护措施。为解决上述技术问题，本专利技术具体采用以下技术方案。一种基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于，所述输电线路落雷概率预警方法包括以下步骤：步骤1：采集待预警输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，统计与气象六要素对应的同一区域落雷数据；步骤2：对步骤1所采集的气温、降水、气压、风向、风速、湿度气象六要素数据进行插值处理和数据异常值处理；步骤3：根据步骤1采集的落雷数据进行落雷预警等级划分；步骤4：基于步骤2异常值处理后的气象六要素历史数据和气象六要素历史数据对应的落雷预警等级，对气象六要素历史数据进行离散化处理；步骤5：基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；通过关联矩阵和祖先矩阵描述贝叶斯网络的结构特性，所述贝叶斯网络顶点数为气象六要素和落雷预警等级；步骤6：根据下一时刻气象六要素的预测值，通过步骤5得到的贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。本专利技术进一步包括以下优选方案。在步骤1中，所述待预警输电线路沿线区域是指以待预警输电线路为中心向两侧扩展设定距离的区域范围。所述待预警输电线路沿线区域是指以待预警输电线路为中心向左右两侧各扩展两公里区域范围。在步骤1中，所述气温、降水、气压、风向、风速和湿度气象六要素的采集时间间隔为3小时；所述落雷数据的采样时间间隔为1微米级别。对气象六要素的历史数据进行插值处理，插值后数据的时间尺度为1s；统计以待预警输电线路沿线区域范围内在1s内发生的绕击雷次数。在步骤2中，对步骤1所采集的气象六要素历史数据的数据异常值处理包括以下内容：针对气象六要素历史数据中的每一类样本数据，确定上四分位数U和下四分位数L，计算四分数间距IQR；IQR=U-L按照下式定义样本数据的上界Upperlimit和下界LowerlimitLowerlimit=L-1.5×IQRUpperlimit=U+1.5×IQR当样本数据在上下界范围内的为正常值；当样本数据在上下界之外即大于等于上界或者小于等于下界，则判断为异常值，然后则选用边界值进行代替；其中，上四分位数U表示数据样本中有1/4的样本数据大于U；下四分位数L表示数据样本中有1/4的样本数据小于L。在步骤3中，依据历史数据中统计的同一地区同一时间落雷次数的不同，划分不同的落雷预警等级。将所述落雷预警等级划分为四级，其中：当1s内的落雷次数NG≤5时，定义为I级落雷预警；当1s内的落雷次数5＜NG≤9时，定义为II级落雷预警；当1s内的落雷次数9＜NG≤12时，定义为III级落雷预警;当1s内的落雷次数NG＞12时，定义为IV级落雷预警。在步骤4中，对异常值处理后的气象六要素历史数据通过定义列联系数指标刻画气象六要素与落雷预警等级之间的相关性强度，从而对随机变量数据进行离散化处理。按照下式分别计算气象六要素与落雷预警等级之间的列联系数即相关性强度，式中，k=1，2，…，6分别对应气象六要素中的气温、降水、气压、风向、风速和湿度；；m表示总的样本数；S表示落雷预警等级类别数；n表示气象六要素中第k个要素离散后区间数；表示气象六要素中第k个要素值且该要素值属于区间（dr-1，dr］且落雷预警等级类别为i的样本数量；为的平方，Mi+，k表示气象六要素中第k个要素落雷预警等级类别为i的样本数量；i的取值为1-S，r的取值为1-n；M+r，k表示气象六要素中第k个要素值属于区间（dr-1，dr］的样本数量。在步骤5中，建立贝叶斯网络结构模型包括以下内容：步骤5.1定义如下的关联矩阵I∈Rn×n和祖先矩阵A∈Rn×n用于描述贝叶斯网络的结构特性；其中，n=7表示网络顶点数，包括气象六要素和落雷预警等级；式中，为所有边的集合；当存在顶点vj至顶点vi的直接有向路径时，相应的关联矩阵元素设为1，否则为0；式中，只要存在顶点vj至顶点vi的有向路径，即令祖先矩阵的相应元素为1，否则为0；步骤5.2构建合法的马尔科夫链状态转移操作，所述合法的马尔科夫链状态转移操作即指在状态转移的过程中不能在网络结构中引入有向环，在每一步状态转移本文档来自技高网...

【技术保护点】
1.一种基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于，所述输电线路落雷概率预警方法包括以下步骤：/n步骤1：采集待预警输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，统计与气象六要素对应的同一区域落雷数据；/n步骤2：对步骤1所采集的气温、降水、气压、风向、风速、湿度气象六要素数据进行插值处理和数据异常值处理；/n步骤3：根据步骤1采集的落雷数据进行落雷预警等级划分；/n步骤4：基于步骤2异常值处理后的气象六要素历史数据和气象六要素历史数据对应的落雷预警等级，对气象六要素历史数据进行离散化处理；/n步骤5：基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；通过关联矩阵和祖先矩阵描述贝叶斯网络的结构特性，所述贝叶斯网络顶点数为气象六要素和落雷预警等级；/n步骤6：根据下一时刻气象六要素的预测值，通过步骤5得到的贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。/n

【技术特征摘要】
1.一种基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于，所述输电线路落雷概率预警方法包括以下步骤：
步骤1：采集待预警输电线路沿线区域的气温、降水、气压、风向、风速和湿度气象六要素的历史数据，统计与气象六要素对应的同一区域落雷数据；
步骤2：对步骤1所采集的气温、降水、气压、风向、风速、湿度气象六要素数据进行插值处理和数据异常值处理；
步骤3：根据步骤1采集的落雷数据进行落雷预警等级划分；
步骤4：基于步骤2异常值处理后的气象六要素历史数据和气象六要素历史数据对应的落雷预警等级，对气象六要素历史数据进行离散化处理；
步骤5：基于气象六要素与落雷预警等级的相关性强度，建立贝叶斯网络结构模型；通过关联矩阵和祖先矩阵描述贝叶斯网络的结构特性，所述贝叶斯网络顶点数为气象六要素和落雷预警等级；
步骤6：根据下一时刻气象六要素的预测值，通过步骤5得到的贝叶斯网络结构模型计算该气象条件下输电线路落雷预警等级的概率值。


2.根据权利要求1所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤1中，所述待预警输电线路沿线区域是指以待预警输电线路为中心向两侧扩展设定距离的区域范围。


3.根据权利要求2所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
所述待预警输电线路沿线区域是指以待预警输电线路为中心向左右两侧各扩展两公里区域范围。


4.根据权利要求3所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤1中，所述气温、降水、气压、风向、风速和湿度气象六要素的采集时间间隔为3小时；
所述落雷数据的采样时间间隔为微米级别。


5.根据权利要求1或4所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
对气象六要素的历史数据进行插值处理，插值后数据的时间尺度为1s；
统计以待预警输电线路沿线区域范围内在1s内发生的绕击雷次数。


6.根据权利要求1所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤2中，对步骤1所采集的气象六要素历史数据的数据异常值处理包括以下内容：
针对气象六要素历史数据中的每一类样本数据，确定上四分位数U和下四分位数L，计算四分数间距IQR；
IQR=U-L
按照下式定义样本数据的上界Upperlimit和下界Lowerlimit
Lowerlimit=L-1.5×IQR
Upperlimit=U+1.5×IQR
当样本数据在上下界范围内的为正常值；
当样本数据在上下界之外即大于等于上界或者小于等于下界，则判断为异常值，然后则选用边界值进行代替；
其中，上四分位数U表示数据样本中有1/4的样本数据大于U；下四分位数L表示数据样本中有1/4的样本数据小于L。


7.根据权利要求6所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤3中，依据历史数据中统计的同一地区同一时间落雷次数的不同，划分不同的落雷预警等级。


8.根据权利要求7所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
将所述落雷预警等级划分为四级，其中：
当1s内的落雷次数NG≤5时，定义为I级落雷预警；
当1s内的落雷次数5＜NG≤9时，定义为II级落雷预警；
当1s内的落雷次数9＜NG≤12时，定义为III级落雷预警;
当1s内的落雷次数NG＞12时，定义为IV级落雷预警。


9.根据权利要求1或8所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤4中，对异常值处理后的气象六要素历史数据通过定义列联系数指标刻画气象六要素与落雷预警等级之间的相关性强度，从而对随机变量数据进行离散化处理。


10.根据权利要求9所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
按照下式分别计算气象六要素与落雷预警等级之间的列联系数即相关性强度，



式中，k=1，2，…，6分别对应气象六要素中的气温、降水、气压、风向、风速和湿度；

；
m表示总的样本数；S表示落雷预警等级类别数；n表示气象六要素中第k个要素离散后区间数；表示气象六要素中第k个要素值且该要素值属于区间（dr-1，dr］且落雷预警等级类别为i的样本数量；为的平方，Mi+，k表示气象六要素中第k个要素落雷预警等级类别为i的样本数量；i的取值为1-S，r的取值为1-n；M+r，k表示气象六要素中第k个要素值属于区间（dr-1，dr］的样本数量。


11.根据权利要求1或10所述的基于贝叶斯网络的输电线路落雷概率预警方法，其特征在于：
在步骤5中，建立贝叶斯网络结构模型包括以下内容：
步骤5.1定义如下的关联矩阵I∈Rn×n和祖先矩阵A∈Rn×n用于描述贝叶斯网络的结构特性；其中，n=7表示网络顶点数，包括气象六要...

【专利技术属性】
技术研发人员：童充，蔡云峰，王俊，徐箭，徐洋，廖思阳，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：江苏;32