基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法技术

本发明专利技术涉及一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法，包括以下步骤：获取台风跳闸的历史数据；对历史数据在可观测状态下进行计算，统计跳闸数量并计算跳闸的条件概率；对历史数据在隐藏状态下基于风级半径构建隐藏状态跳闸数量的估计概率序列；构建增广马尔科夫链的转移概率矩阵，并建立二步转移矩阵；根据二步转移矩阵抽取一步概率矩阵，并获取一步转移概率矩阵，进行转换处理，获取转换概率；将转换概率应用到转移概率矩阵，获取下一时刻的跳闸数据。与现有技术相比，本发明专利技术具有预测准确性好、精度高等优点。精度高等优点。精度高等优点。

【技术实现步骤摘要】
基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法


[0001]本专利技术涉及输电线路维护领域，尤其是涉及一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法。

技术介绍

[0002]由于受到线路走廊环境制约等原因影响，线路设计日益紧凑和精细化，具有点多、面广、长期裸露在野外等特点，其安全稳定运行与所处的气候环境密切相关，输电线路较易受台风等自然灾害影响，一旦断电，将有可能影响电网架构的稳定性。然而台风出现的季节一般都正值迎峰度夏期间，输电线路多为高负荷运行，如果台风来临时未能提前做好抗风准备和防风措施而造成断线倒塔故障，这不仅将影响区域供电，而且容易引起电网振荡甚至解列，给电网安全运行带来危害。台风来临时若能警示电网运行人员受台风影响的线路杆塔，为电网防灾调度运行提供科学的技术支撑和信息化辅助决策平台，使相关人员能提前做好电网的防台风措施、制定应急预案、准备电网黑启动计划，建立灾后快速恢复和重建机制，就能将台风灾害的影响减少到最低。
[0003]公知的，马尔可夫过程原始模型为马尔可夫链，是用于研究离散事件状态的重要方法。在已知事件所处的状态条件下，其未来的变化不依赖于以往的变化，那么这种已知“现在”的条件下，“未来”与“过去”独立的特性称为马尔可夫性，而具有这种性质的随机过程叫做马尔可夫过程。现有技术已将马尔可夫模型应用于电力系统运行过程预测，但缺乏专门针对台风对线路跳闸的影响分析过程的预测方法，关于台风跳闸的数据结构复杂，且具有非平稳性，现有的预测方法无法适用于分析台风对线路跳闸的影响，或预测效果不佳。

技术实现思路

[0004]本专利技术的目的就是为了克服上述现有技术存在的缺陷而提供一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法。
[0005]本专利技术的目的可以通过以下技术方案来实现：
[0006]一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法，包括以下步骤：
[0007]S1：获取台风跳闸的历史数据；
[0008]S2：对历史数据在可观测状态下进行计算，统计跳闸数量并计算跳闸的条件概率；
[0009]S3：对历史数据在隐藏状态下基于风级半径构建隐藏状态跳闸数量的估计概率序列；
[0010]S4：构建增广马尔科夫链的转移概率矩阵，并建立二步转移矩阵；
[0011]S5：根据二步转移矩阵抽取一步概率矩阵，并获取一步转移概率矩阵，进行转换处理，获取转换概率；
[0012]S6：将转换概率应用到转移概率矩阵，获取下一时刻的跳闸数据。
[0013]进一步地，所述的步骤S2的步骤包括：
[0014]统计历史数据中每个时间步的跳闸数量，获取历史数据的每个时间步的跳闸数量
服从马尔科夫调整的泊松分布，计算出对应的条件概率分布：
[0015][0016]其中，x为跳闸数量，λ为泊松分布的期望和方差。
[0017]进一步地，所述的步骤S3具体包括：
[0018]S31：设定待评估台风半径，分别为A、B，即在隐藏状态取两种可能值；
[0019]S32：在下一时间段的隐藏状态A、B概率分别为α
i
与1
‑
α
i
，隐藏状态跳闸数量的估计概率序列为：α＝(α0,
…
,α
i
)，其中i为时间段序号。
[0020]进一步地，所述的增广马尔可夫链的转移概率矩阵为：
[0021][0022]其中，P(x|A)为不同台风半径A条件下不同跳闸次数x的跳闸概率，P(x|B)为不同台风半径B条件下不同跳闸次数x的跳闸概率。
[0023]进一步地，所述的二步转移矩阵为：
[0024][0025]进一步地，所述的步骤S5具体包括：
[0026]S51：从二步转移矩阵中抽取可观测状态的一步概率矩阵；
[0027]S52：估计一步转移概率矩阵；
[0028]S53：进行Frobenius范数转换处理，获取转移概率。
[0029]进一步地，所述的一步转移概率矩阵为：
[0030][0031]其中，分别为台风半径A下不同跳闸次数的转移概率，
分别为台风半径B下不同跳闸次数的转移概率。
[0032]进一步地，所述的步骤S53具体包括：
[0033]将一步转移概率矩阵和估计转移矩阵代入Frobenius范数公式进行转换处理；
[0034]对转换结果进行求解最小化，获取转移概率。
[0035]进一步地，所述的求解最小化具体为：
[0036][0037]其中，为第一转化概率，为第二转化概率，m、n为矩阵长和宽，最终得到对应的转移概率α。
[0038]进一步地，所述获取下一时刻的跳闸数据为每条线路跳闸的概率或不同跳闸数量的概率。
[0039]与现有技术相比，本专利技术具有如下优点：
[0040](1)本专利技术在现有的隐马尔可夫模型基础上，提供一种扩展的交互式隐马尔可夫模型，模型的隐藏状态转换依赖于可观察状态，从可观察数据中提取隐藏条件，因此，跳闸数量与隐藏风险状态之间的关系是双向的，通过泊松扩展技术的调制下的交互式隐马尔可夫模型，克服了现有隐马尔可夫模型的缺陷，预测结果的实时性强，可靠性高；
[0041](2)本专利技术可针对不同运维团队负责的线路，计算状态转移矩阵，评估不同运维团队的运维效果，也可根据地理、植被等区分线路状态，评估地理、植被等因素对跳闸线路的影响，可应用的数据和场景更为广泛，适用于更复杂的数据结构和多个场景应用，适用范围广。
附图说明
[0042]图1为本专利技术的方法流程图；
[0043]图2为扩展的交互式隐马尔可夫模型原理图。
具体实施方式
[0044]下面结合附图和具体实施例对本专利技术进行详细说明。本实施例以本专利技术技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下述的实施例。
[0045]公知的，现有的隐马尔可夫模型是描述包含隐式未知参数的马尔可夫过程的一种统计模型，需要通过观察参数来确定过程的隐含参数来做进一步的分析。隐马尔可夫模型包括两个状态和三个概率矩阵，其中两个状态是隐藏状态和可观察状态，矩阵是初始状态概率矩阵、隐藏状态转移概率矩阵和观察状态转移概率矩阵。模型创立于20世纪70年代，现已成功地用于语音识别、行为识别、文字识别以及故障诊断等领域。隐马尔可夫模型假设状态变化的概率是固定的，且在统计上具有独立性，未来的状态独立于一切过去的状态，因此无法适应更复杂的数据结构和非平稳数据建模。
[0046]一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法，如图2所示，应用扩展的交互式隐马尔可夫模型预测台风路径内电力系统架空线路跳闸概率，包括了提取可
观测状态与隐藏状态，构建转移概率矩阵和估计模型参数，可观测状态下运用了泊松式扩展技术计算条件概率，隐藏状态下估计概率序列，定义增广矩阵与Frobenius范数转本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法，其特征在于，包括以下步骤：S1：获取台风跳闸的历史数据；S2：对历史数据在可观测状态下进行计算，统计跳闸数量并计算跳闸的条件概率；S3：对历史数据在隐藏状态下基于风级半径构建隐藏状态跳闸数量的估计概率序列；S4：构建增广马尔科夫链的转移概率矩阵，并建立二步转移矩阵；S5：根据二步转移矩阵抽取一步概率矩阵，并获取一步转移概率矩阵，进行转换处理，获取转换概率；S6：将转换概率应用到转移概率矩阵，获取下一时刻的跳闸数据。2.根据权利要求1所述的一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法，其特征在于，所述的步骤S2的步骤包括：统计历史数据中每个时间步的跳闸数量，获取历史数据的每个时间步的跳闸数量服从马尔科夫调整的泊松分布，计算出对应的条件概率分布：X～P(λ)：其中，x为跳闸数量，λ为泊松分布的期望和方差。3.根据权利要求2所述的一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法，其特征在于，所述的步骤S3具体包括：S31：设定待评估台风半径，分别为A、B，即在隐藏状态取两种可能值；S32：在下一时间段的隐藏状态A、B概率分别为α
i
与1
‑
α
i
，隐藏状态跳闸数量的估计概率序列为：α＝(α0,
…
,α
i
)，其中i为时间段序号。4.根据权利要求3所述的一种基于交互式隐马尔可夫的台风季节架空线路跳闸预测方法，其特征在于，所述的增广马尔可夫链的转移概率矩阵为...

【专利技术属性】
技术研发人员：徐湘忆，毛玮韵，顾柳兴，周健，彭政睿，任辰，
申请(专利权)人：华东电力试验研究院有限公司，
类型：发明
国别省市：