一种基于autoformer-渐进分解模型的输电线路覆冰预测方法技术

本发明专利技术公开了一种基于autoformer

【技术实现步骤摘要】
一种基于autoformer
‑
渐进分解模型的输电线路覆冰预测方法


[0001]本专利技术涉及输电线路覆冰监测
，尤其涉及一种基于autoformer
‑
渐进分解模型的输电线路覆冰预测方法。

技术介绍

[0002]覆冰是造成电力系统最常见的灾害之一，覆冰后的输电线路荷重增加，进而造成输电线路出现冰闪跳闸、导线舞动和倒塔断线等事故，严重时会威胁到电网的安全稳定运行和供电系统运行的可靠性，制约电力系统的建设与发展。通预测输电线路的覆冰状况并及时有效地采取融冰措施，可有效减少因覆冰造成的电网大面积瘫痪带来的损失。
[0003]现有的输电线路覆冰预测方法可以分为两类，一类是基于物理过程的预测方法，一类是基于数据驱动的预测方法。其中，基于机器学习的数据驱动的预测方法是当下的研究热门，该方法通过数据集的迭代训练，学习样本数据的内在规律和表示层次，获得输入和输出之间的复杂映射关系，比传统基于物理过程的预测更具鲁棒性。
[0004]虽然数据驱动的预测方法可以通过数据集的迭代训练，获得输入和输出之间的复杂映射关系，但仍存在局限性：传统的基于数据驱动的预测方法，通常先对获取的数据序列进行分解，再分别对单一变量进行预测，无法获取多变量之间的数据依赖关系。而在实际情况中，输电线路的覆冰状况同时受多种气象因素(多种变量)的影响，这些气象因素与线路覆冰厚度之间存在着复杂的非线性关系，传统的预测模型预测结果受限于分解效果，并且忽视了各个气象因素之间的相互作用，无法准确对输电线路的覆冰状况进行准确预测。

技术实现思路

[0005]本专利技术提供了一种基于autoformer
‑
渐进分解模型的输电线路覆冰预测方法，用于解决现有输电线路覆冰预测方法在进行线路覆冰预测时，只考虑单一变量的影响，导致预测结果不准确的技术问题。
[0006]本专利技术提供了一种基于autoformer
‑
渐进分解模型的输电线路覆冰预测方法，方法包括：
[0007]S1、采集输电线路的历史数据，并基于所述历史数据构建多变量数据集；其中，所述历史数据包括导线拉力、温度、湿度及风速；
[0008]S2、将所述多变量数据集分为训练集、验证集和测试集；
[0009]S3、基于autoformer
‑
渐进分解模型构建初始覆冰预测模型，并利用所述训练集对所述初始覆冰预测模型进行训练，得到第一训练覆冰预测模型；
[0010]S4、利用所述验证集对所述第一训练覆冰预测模型进行验证，判断所述第一训练覆冰预测模型的验证误差是否满足第一预设阈值，若是，利用所测试集对所述第一训练覆冰预测模型进行测试，若否，返回步骤S3；判断所述第一训练覆冰预测模型的测试误差是否满足第二预设阈值若是，则将所述第一训练覆冰预测模型作为最终覆冰预测模型，若否，返
回步骤S3；
[0011]S5、设置预测步长，基于预先获取的导线拉力、温度、湿度及风速和所述最终覆冰预测模型，获取预测导线拉力，并基于所述预测导线拉力获取导线预测覆冰厚度。
[0012]优选的，步骤S1具体包括：
[0013]S11、采集输电线路的历史数据，对所述历史数据进行异常值处理和缺失值填补，获得第一历史数据；
[0014]S12、基于所述第一历史数据构建第一多变量序列数据集，所述第一多变量序列数据集具体为：
[0015][0016]其中，表示t时刻第i个序列的值，d
x
表示序列x有d维特征，X
t
表示第t时刻的输入序列，L
x
为输入历史序列x的长度；
[0017]S13、对所述第一多变量序列数据集进行归一化处理，得到多变量序列数据集。
[0018]优选的，步骤S3具体包括：
[0019]S31、基于autoformer
‑
渐进分解模型构建初始覆冰预测模型；其中，所述初始覆冰预测模型包括编码器和解码器；其中所述编码器包含若干编码层，所述解码器包含若干解码层；
[0020]S32、获取所述训练集中的预设数量样本，记为输入序列，对所述输入序列进行深度分解，得到编码器输入序列和解码器输入序列；其中所述编码器输入序列包括编码器输入时间戳序列和编码器输入字符序列，所述解码器输入序列包括解码器输入时间戳序列和解码器输入字符序列；
[0021]S33、将所述编码器输入时间戳序列进行编码处理，得到第一编码时间序列；将所述编码器输入字符序列进行编码处理，得到第一编码字符序列；将所述第一编码时间序列和所述第一编码字符序列相加得到第一编码序列；
[0022]S34、将所述第一编码序列进行信息聚合，得到第一编码聚合序列；将所述第一编码序列和所述第一编码聚合序列相加后进行序列分解，得到第一编码周期因素和第一编码趋势因素；
[0023]S35、将所述第一编码周期因素和第一编码趋势因素分别输入预设全连接层，得到第一编码周期项和第一编码趋势项，将所述第一编码周期项、第一编码趋势项和所述第一编码周期因素相加后进行序列分解，得到第二编码周期因素；
[0024]S36、将所述解码器输入时间戳序列进行解码处理，得到第一解码时间序列；将所述解码器输入字符序列进行解码处理，得到第一解码字符序列；将所述第一解码时间序列和所述第一解码字符序列相加得到第一解码序列；
[0025]S37、将所述第一解码序列进行信息聚合，得到第一解码聚合序列；将所述第一解码序列和所述第一解码聚合序列相加后进行序列分解，得到第一解码周期因素和第一解码趋势因素；
[0026]S38、将所述第二编码周期因素和第一解码周期因素进行信息聚合，得到第二编码聚合序列；将所述第二解码聚合序列和所述第一解码周期因素相加后进行序列分解，得到第二解码周期因素和第二解码趋势因素；
[0027]S39、将所述第二解码周期因素和第二解码趋势因素分别输入预设全连接层，得到第二解码周期项和第二解码趋势项；将所述第二解码周期因素、第二解码周期项和第二解码趋势项相加后进行序列分解，得到第三解码周期因素和第三解码趋势因素；
[0028]S40、基于所述第一解码趋势因素、第二解码趋势因素、第三解码趋势因素和预先获取的第零解码趋势因素获取解码趋势因素；
[0029]S41、将所述第三解码周期因素和解码趋势因素相加后作为预设全连接层的输入，得到预测序列；其中，所述第一预序列包含预测导线拉力；
[0030]S42、判断所述初始覆冰预测模型的迭代次数是否满足预设迭代阈值，若是，输出所述初始覆冰预测模型为第一训练覆冰预测模型；若否，返回步骤S32。
[0031]优选的，步骤S34中，将所述第一编码序列进行信息聚合，得到第一编码聚合序列；将所述第一编码序列和所述第一编码聚合序列相加后进行序列分解，得到第一编码周期因素和第一编码趋势因素，具体为：
[0032][0033]其中，以第l个编码层的输入为第一编码序列，以本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于autoformer
‑
渐进分解模型的输电线路覆冰预测方法，其特征在于，包括以下步骤：S1、采集输电线路的历史数据，并基于所述历史数据构建多变量数据集；其中，所述历史数据包括导线拉力、温度、湿度及风速；S2、将所述多变量数据集分为训练集、验证集和测试集；S3、基于autoformer
‑
渐进分解模型构建初始覆冰预测模型，并利用所述训练集对所述初始覆冰预测模型进行训练，得到第一训练覆冰预测模型；S4、利用所述验证集对所述第一训练覆冰预测模型进行验证，判断所述第一训练覆冰预测模型的验证误差是否满足第一预设阈值，若是，利用所测试集对所述第一训练覆冰预测模型进行测试，若否，返回步骤S3；判断所述第一训练覆冰预测模型的测试误差是否满足第二预设阈值若是，则将所述第一训练覆冰预测模型作为最终覆冰预测模型，若否，返回步骤S3；S5、设置预测步长，基于预先获取的导线拉力、温度、湿度及风速和所述最终覆冰预测模型，获取预测导线拉力，并基于所述预测导线拉力获取导线预测覆冰厚度。2.根据权利要求1所述的预测方法，其特征在于，步骤S1具体包括：S11、采集输电线路的历史数据，对所述历史数据进行异常值处理和缺失值填补，获得第一历史数据；S12、基于所述第一历史数据构建第一多变量序列数据集，所述第一多变量序列数据集具体为：其中，表示t时刻第i个序列的值，d
x
表示序列x有d维特征，X
t
表示第t时刻的输入序列，L
x
为输入历史序列x的长度；S13、对所述第一多变量序列数据集进行归一化处理，得到多变量序列数据集。3.根据权利要求1所述的预测方法，其特征在于，步骤S3具体包括：S31、基于autoformer
‑
渐进分解模型构建初始覆冰预测模型；其中，所述初始覆冰预测模型包括编码器和解码器；其中所述编码器包含若干编码层，所述解码器包含若干解码层；S32、获取所述训练集中的预设数量样本，记为输入序列，对所述输入序列进行深度分解，得到编码器输入序列和解码器输入序列；其中所述编码器输入序列包括编码器输入时间戳序列和编码器输入字符序列，所述解码器输入序列包括解码器输入时间戳序列和解码器输入字符序列；S33、将所述编码器输入时间戳序列进行编码处理，得到第一编码时间序列；将所述编码器输入字符序列进行编码处理，得到第一编码字符序列；将所述第一编码时间序列和所述第一编码字符序列相加得到第一编码序列；S34、将所述第一编码序列进行信息聚合，得到第一编码聚合序列；将所述第一编码序列和所述第一编码聚合序列相加后进行序列分解，得到第一编码周期因素和第一编码趋势因素；S35、将所述第一编码周期因素和第一编码趋势因素分别输入预设全连接层，得到第一编码周期项和第一编码趋势项，将所述第一编码周期项、第一编码趋势项和所述第一编码
周期因素相加后进行序列分解，得到第二编码周期因素；S36、将所述解码器输入时间戳序列进行解码处理，得到第一解码时间序列；将所述解码器输入字符序列进行解码处理，得到第一解码字符序列；将所述第一解码时间序列和所述第一解码字符序列相加得到第一解码序列；S37、将所述第一解码序列进行信息聚合，得到第一解码聚合序列；将所述第一解码序列和所述第一解码聚合序列相加后进行序列分解，得到第一解码周期因素和第一解码趋势因素；S38、将所述第二编码周期因素和第一解码周期因素进行信息聚合，得到第二编码聚合序列；将所述第二解码聚合序列和所述第一解码周期因素相加后进行序列分解，得到第二解码周期因素和第二解码趋势因素；S39、将所述第二解码周期因素和第二解码趋势因素分别输入预设全连接层，得到第二解码周期项和第二解码趋势项；将所述第二解码周期因素、第二解码周期项和第二解码趋势项相加后进行序列分解，得到第三解码周期因素和第三解码趋势因素；S40、基于所述第一解码趋势因素、第二解码趋势因素、第三解码趋势因素和预先获取的第零解码趋势因素获取解码趋势因素；S41、将所述第三解码周期因素和解码趋势因素相加后作为预设全连接层的输入，得到预测序列；其中，所述第一预序列包含预测导线拉力；S42、判断所述初始覆冰预测模型的迭代次数是否满足预设迭代阈值，若是，输出所述初始覆冰预测模型为第一训练覆冰预测模型；若否，返回步骤S32。4.根据权利要求3所述的预测方法，其特征在于，...

【专利技术属性】
技术研发人员：吴建蓉，文屹，张啟黎，张迅，王冕，范强，黄军凯，赵超，何锦强，丁志敏，李锐海，黄增浩，龚博，李昊，
申请(专利权)人：南方电网科学研究院有限责任公司，
类型：发明
国别省市：