覆冰长短时记忆短临预警方法及系统技术方案

本发明专利技术涉及覆冰预测预警技术领域，公开一种覆冰长短时记忆短临预警方法及系统。系统包括：数据采集模块：用于收集开展覆冰短临预测预警的线路的基础数据、相应线路历史覆冰过程中测云雷达的观测数据及历史覆冰过程中的覆冰厚度数据；短临预警模型训练模块：用于构建并训练长短时记忆覆冰短临预警模型；覆冰厚度短临计算模块：用于基于时间序列外推方法，构建未来6小时的反射率因子、径向速度、谱宽、线性退极化比、温度等数据的时间序列，并输入长短时记忆覆冰厚度短临预警模型中，得到未来6小时的覆冰厚度，并存储数据；覆冰短临预警模块：用于读取每个时刻预测的未来6小时覆冰厚度数据，并根据覆冰厚度产生告警。并根据覆冰厚度产生告警。并根据覆冰厚度产生告警。

【技术实现步骤摘要】
覆冰长短时记忆短临预警方法及系统


[0001]本专利技术涉及覆冰预测预警
，尤其涉及一种覆冰长短时记忆短临预警方法及系统。

技术介绍

[0002]冬季，长江流域一带，受冷暖空气对峙所形成的静止锋影响，常常出现冻雨，导致输配电线路等构筑物发生覆冰。在局地地形的影响下，风速增大，雨量增强，导致覆冰迅速增长，大幅增加输配电线路等构筑物的重量载荷，极容易造成输配电线路的断线、倒塔，导致供电紧张的局面。
[0003]目前，国内外已经开展了大量构筑物覆冰的预测技术研究，有提前预测未来3个月冬季覆冰趋势的长期预测技术，有提前3
‑
7天的电网覆冰中短期预测。但针对局部微地形区域风速增大、雨量增强导致的未来6小时内的覆冰快速增长过程的短临预测预警技术手段还较为缺乏。因此，亟需一种覆冰长短时记忆短临预警方法及系统，实现构筑物未来6小时覆冰厚度变化趋势的预测预警。

技术实现思路

[0004]本专利技术目的在于公开一种覆冰长短时记忆短临预警方法及系统，以解决现有技术中构筑物未来6小时覆冰厚度变化趋势的预测预警手段缺乏的技术问题。
[0005]为达上述目的，本专利技术公开一种覆冰长短时记忆短临预警方法，该方法包括：
[0006](1)收集所需开展覆冰短临预警线路的基础信息，即该线路所在的经纬度、海拔、线路对地高度等数据。
[0007](2)收集该线路历史覆冰过程中测云雷达的观测数据，包括反射率因子、径向速度、谱宽、线性退极化比、温度等5种要素。
[0008](3)收集该线路历史覆冰过程中线路覆冰厚度观测数据。
[0009](4)对(2)和(3)中的观测数据进行数据清洗，采用平均值法进行异常数据的替换，即对于每一个格点位置，其数值应当在周围的8个格点的平均值
±
1.5倍标准差以内。
[0010](5)构建一个长短时记忆神经网络，在可见层中输入时间步长Δt和输入特征值反射率因子、径向速度、谱宽、线性退极化比、温度。
[0011](6)在隐藏层中构建N个存储单元，在完全连接的输出层中有一个具有线性激活功能的神经元。
[0012](7)选择一种损失函数和一种优化算法编译该神经网络。
[0013](8)使用反向传播算法训练网络，并根据编译模型时指定的优化算法和损失函数进行优化。输入每一个时间点的反射率因子、径向速度、谱宽、线性退极化比、温度等，每个点对应的覆冰厚度作为映射输出，训练若干个组合后得到基于测云雷达观测数据的覆冰长短时记忆短临预警模型。
[0014](9)对模型的网络参数和超参数进行调优，网络参数主要是调节网络层数和存储
单元个数，调节的超参数主要是学习率和训练轮数。在确保了数据与网络的正确性之后，使用默认的超参数设置，观察loss的变化，初步定下各个超参数的范围，再进行调参。
[0015]当损失函数达到预期值之后，模型参数调优完成，保存成最终的覆冰长短时记忆短临预警模型。
[0016](10)采用时间序列外推方法，对未来6小时内逐个时间步长(Δt)时刻的反射率因子、径向速度、谱宽、线性退极化比、温度等五个要素进行外推计算。
[0017](11)将(10)中得到的未来6小时内的反射率因子、径向速度、谱宽、线性退极化比、温度外推计算值输入(9)中的模型，得到未来6小时输配电线路的覆冰厚度。
[0018]为达上述目的，本专利技术还公开一种覆冰长短时记忆短临预警系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现上述的方法。
[0019]本专利技术具有以下有益效果：
[0020]逻辑合理，预测精度可靠，且极大缩短了预测的时间长度。
[0021]下面将参照附图，对本专利技术作进一步详细的说明。
附图说明
[0022]构成本申请的一部分的附图用来提供对本专利技术的进一步理解，本专利技术的示意性实施例及其说明用于解释本专利技术，并不构成对本专利技术的不当限定。在附图中：
[0023]图1是本专利技术实施例公开的覆冰长短时记忆短临预警系统中的所算机程序中所包括功能模块的示意图。
具体实施方式
[0024]以下结合附图对本专利技术的实施例进行详细说明，但是本专利技术可以由权利要求限定和覆盖的多种不同方式实施。
[0025]实施例1
[0026]本实施例公开一种覆冰长短时记忆短临预警方法，包括以下步骤：
[0027]步骤1、收集所需开展覆冰短临预警线路的基础信息，即某220kV线路的经纬度(116.476
°
E，28.597
°
N)、海拔为1201m、线路对地高度34m。
[0028]步骤2、收集该线路2022年1月25日至2月14日的覆冰过程中测云雷达的观测数据，包括反射率因子、径向速度、谱宽、线性退极化比、温度等5种要素。
[0029]步骤3、收集该线路2022年1月25日至2月14日覆冰过程中线路覆冰厚度观测数据，数据频率为15分钟一次。
[0030]步骤4、对步骤2和步骤3中的观测数据进行数据清洗，采用平均值法进行异常数据的替换，即对于每一个格点位置，其数值应当在周围的8个格点的平均值
±
1.5倍标准差以内。
[0031]步骤5、构建一个长短时记忆神经网络，在可见层中输入时间步长Δt＝15min，输入特征值反射率因子、径向速度、谱宽、线性退极化比、温度。
[0032]步骤6在隐藏层中构建256个存储单元，在完全连接的输出层中有一个具有线性激活功能的神经元。
[0033]步骤7使用均方误差损失函数和Adam优化算法编译该神经网络。
[0034]步骤8使用反向传播算法训练网络，并根据编译模型时指定的优化算法和损失函数进行优化。输入每一个时间点的反射率因子、径向速度、谱宽、线性退极化比、温度等，每个点对应的覆冰厚度作为映射输出，训练若干个组合后得到基于测云雷达观测数据的覆冰长短时记忆短临预警模型。
[0035]步骤9对模型的网络参数和超参数进行调优，网络参数主要是调节网络层数和存储单元个数，调节的超参数主要是学习率和训练轮数。在确保了数据与网络的正确性之后，使用默认的超参数设置，观察损失函数的变化，初步定下各个超参数的范围，再进行调参。
[0036]当损失函数达到预期值之后，模型参数调优完成，保存成最终的覆冰长短时记忆短临预警模型。
[0037]步骤10、采用时间序列外推方法，对未来6小时内逐个时间步长(Δt)时刻的反射率因子、径向速度、谱宽、线性退极化比、温度等五个要素进行外推计算，具体数值如下表1：
[0038]表1：要素外推计算所对应数值结果
[0039][0040][0041]步骤11、将步骤10中得到的未来6小时内的反射率因子、径向速度、谱宽、线性退极化比、温度外推计算值输入步骤9中的模型，得到未来6小时输配电线路的覆冰厚度。结果如
表2所示。<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种覆冰长短时记忆短临预警方法，其特征在于，包括以下步骤：(1)收集所需开展覆冰短临预警线路的基础信息，所述基础信息包括相应线路所在的经纬度、海拔、线路对地高度；(2)收集该线路历史覆冰过程中测云雷达的观测数据，所述观测数据至少包括反射率因子、径向速度、谱宽、线性退极化比、温度组成的5种要素；(3)收集该线路历史覆冰过程中线路覆冰厚度观测数据；(4)对(2)和(3)中的观测数据进行数据清洗；(5)构建一个长短时记忆神经网络，在可见层中输入时间步长Δt和输入特征值反射率因子、径向速度、谱宽、线性退极化比和温度；(6)在隐藏层中构建N个存储单元，在完全连接的输出层中设置一个具有线性激活功能的神经元；(7)选择一种损失函数和一种优化算法编译该长短时记忆神经网络；(8)使用反向传播算法训练网络，并根据编译模型时指定的优化算法和损失函数进行优化；包括：输入每一个时间点的反射率因子、径向速度、谱宽、线性退极化比和温度，每个点对应的覆冰厚度作为映射输出，训练若干个组合后得到基于测云雷达观测数据的覆冰长短时记忆短临预警模型；(9)对模型的网络参数和超参数进行调优，包括通过网络参数调节网络层数和存储单元个数，调节的超参数包括学习率和训练轮数；在确保数据与网络的正确性之后，使用默认的超参数设置，根据损失函数的变化和各个超参数的范围进行迭代调参，当损失函数达到预期值时，保存成最终的覆冰长短时记忆短临预警模型；(10)采用时间序列外推方法，对未来6小时内逐个时间步长时刻...

【专利技术属性】
技术研发人员：蔡泽林，冯涛，蒋正龙，徐勋建，唐洁，李丽，王磊，
申请(专利权)人：国网湖南省电力有限公司防灾减灾中心国家电网有限公司，
类型：发明
国别省市：