一种基于元学习的输电线路风偏闪络风险的预测方法技术

一种基于元学习的输电线路风偏闪络风险的预测方法，涉及输电线路风偏故障技术领域，用于对输电线路风偏闪络风险进行预测

【技术实现步骤摘要】
一种基于元学习的输电线路风偏闪络风险的预测方法


[0001]本专利技术涉及输电线路风偏故障
，具体地说是一种基于元学习的输电线路风偏闪络风险的预测方法
。

技术介绍

[0002]输电线路是电力系统中的重要组成部分，在架空输电线路的运行中，难以避免极端天气条件的影响，而风偏闪络和雷击是线路运行中常见的问题
。
输电线路风偏闪络是在风荷载的作用下，导线向塔身部出现一定的位移和偏转，使得两者之间放电间隙减少，发生空气击穿现象
。
在极端天气下常会引起大风及强降雨，输电线路极易发生风偏闪络，造成输电线路跳闸，且由于风偏跳闸的重合成功率较低，引起线路故障停运概率较大，严重威胁电力系统的安全稳定运行
。
因此，对输电线路的风偏闪络进行计算和预测，可提前预防并避免线路的安全事故，对保障电网可靠稳定运行具有重要的实际工程意义
。
[0003]输电线路发生风偏闪络的影响因素主要有风速
、
风向
、
降雨量
、
湿度
、
高差
、
档距
。
目前，国内外关于输电线路风偏闪络的计算通常结合设计数据来计算风偏角与最小空气间隙
。
其中风偏角的经验方法主要有刚性直棒法和弦多边形法，两种方法都是通过对输电线路结构进行简化计算，这使得计算结果未能充分考虑风偏的影响因素，精度不高
、
误差较大
。
鉴于输电线路风偏闪络与影响因素之间建立函数关系式需考虑多因素之间的相关性，函数解析困难，而现有机器学习等技术可以更好地对数据进行分析和建模，尤其神经网络算法，能够综合考虑多种因素，提高模型预测精度和效率，但对训练数据需求量大，模型参数选择具有高度随机性，泛化性较弱，存在一定的误差和偏差
。
[0004]因此，提供一种较为精确的输电线路风偏预测方法，为风偏风险评估提供有效数据支持，对电网安全稳定的运行具有重要意义
。

技术实现思路

[0005]本专利技术的目的在于提供一种基于元学习的输电线路风偏闪络风险的预测方法，通过对输电线路风偏闪络影响因素进行数据预处理，然后利用元学习算法快速学习模型最优参数，建立基于元学习的神经网络自适应模型预测输电线路风偏角，以提高输电线路风偏闪络计算结果的准确性
。
[0006]本专利技术解决其技术问题所采取的技术方案是：一种基于元学习的输电线路风偏闪络风险的预测方法，包括以下步骤：
[0007]一
、
数据预处理
[0008]针对输电线路风偏闪络影响因素进行数据预处理；
[0009]二
、
模型初始化参数的学习
[0010]采用元学习算法学习神经网络风偏计算模型的最优初始化参数；基于
CAVIA
算法学习模型的初始化参数，随机化模型参数
θ
，给定上下文参数
φ
＝0；计算任务批次训练集中每个学习任务支持集上的损失，用来更新参数
φ
，直至遍历所有训练任务集，结束内循环，
内循环学习率为
α
；
[0011]计算任务批次训练集中每个学习任务查询集上的损失，用来更新参数
θ
，直至迭代次数小于任务批次数，结束外循环，外循环学习率为
β
；
[0012]计算任务批次测试集中每个学习任务支持集上的损失，仅更新参数
φ
，直至遍历所有测试任务集，结束内循环，有效避免模型预测结果的过拟合；
[0013]根据上下文参数和上一层神经元输入得出该层神经元的输入：
[0014][0015]三
、
输电线路风偏角的计算
[0016]建立基于元学习的神经网络自适应模型预测输电线路风偏角，输电线路风偏角计算步骤包括：
[0017](1)、
将训练样本划分为多个任务批次
T
j
～
p(T)
，分为训练任务和测试任务；
[0018](2)、
假定每个学习任务的参数分为任务相关部分
φ
和任务共享部分
θ
，
φ
只在内循环中更新，
θ
则在外循环中更新；
[0019](3)、
针对训练任务中每个学习任务划分支持集和查询集计算支持集的训练误差
[0020](4)、
对每个学习任务进行梯度下降，更新任务相关参数完成内循环；
[0021](5)、
计算该批次任务查询集的训练误差遍历所有训练任务
T
j
，更新任务共享参数完成外循环；
[0022](6)、
针对测试任务中每个学习任务只进行内循环的参数更新；
[0023]四
、
神经网络模型性能的评估
[0024]根据新数据集性能更新元模型参数，选定模型的评估指标；
[0025]五
、
评定输电线路风偏风险等级
[0026]结合预测结果计算杆塔和导线的空气间隙
d
，评定输电线路风偏风险等级；
[0027](1)、
采用刚性直棒法计算塔杆
‑
导线的空气间隙
d
，公式如下：
[0028][0029][0030]d
＝
min{d1,d2}
ꢀꢀꢀꢀ
(9)
[0031]其中
d1、d2为导线到上下塔侧距离，为悬垂绝缘子风偏角，
η1,
η2分别为猫头塔上下塔身夹角，
l
为绝缘子长度，
r
为分裂导线半径；
[0032](2)、
根据计算所得最小空气间隙
d
与规范允许的最小空气间隙
L
的差值对比，给定输电线路风偏风险等级，所述输电线路风偏风险等级分为安全
、
比较危险
、
危险
、
非常危险
四个等级
。
[0033]进一步地，所述数据预处理是针对输入微气象
、
地形和线路参数数据进行缺失和异常值处理
、
离散标准化
、
主成分分析
。
[0034]进一步地，所述缺失和异常值处理是对采集到的气象
、
地形数据缺失和异常部分采用平均值修正；所述离散标准化是对原始数据的线性变换，使结果映射到
[0,1]区间，方便数据的处理，消除单位影响及变异大小因素影响；所述主成分分析是对影响输电线路风偏多重因素数据矩阵降维处理，提取主要因素特征，减少训练成本
。
[0035]进一步地，所述
CAVIA
算法包括以下步骤：
[0036](1)
初本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于元学习的输电线路风偏闪络风险的预测方法，其特征在于，包括以下步骤：一
、
数据预处理针对输电线路风偏闪络影响因素进行数据预处理；二
、
模型初始化参数的学习采用元学习算法学习神经网络风偏计算模型的最优初始化参数；基于
CAVIA
算法学习模型的初始化参数，随机化模型参数
θ
，给定上下文参数
φ
＝0；计算任务批次训练集中每个学习任务支持集上的损失，用来更新参数
φ
，直至遍历所有训练任务集，结束内循环，内循环学习率为
α
；计算任务批次训练集中每个学习任务查询集上的损失，用来更新参数
θ
，直至迭代次数小于任务批次数，结束外循环，外循环学习率为
β
；计算任务批次测试集中每个学习任务支持集上的损失，仅更新参数
φ
，直至遍历所有测试任务集，结束内循环，有效避免模型预测结果的过拟合；根据上下文参数和上一层神经元输入得出该层神经元的输入：三
、
输电线路风偏角的计算建立基于元学习的神经网络自适应模型预测输电线路风偏角，输电线路风偏角计算步骤包括：
(1)、
将训练样本划分为多个任务批次
T
j
～
p(T)
，分为训练任务和测试任务；
(2)、
假定每个学习任务的参数分为任务相关部分
φ
和任务共享部分
θ
，
φ
只在内循环中更新，
θ
则在外循环中更新；
(3)、
针对训练任务中每个学习任务划分支持集和查询集计算支持集的训练误差
(4)、
对每个学习任务进行梯度下降，更新任务相关参数完成内循环；
(5)、
计算该批次任务查询集的训练误差遍历所有训练任务
T
j
，更新任务共享参数完成外循环；
(6)、
针对测试任务中每个学习任务只进行内循环的参数更新；四
、
神经网络模型性能的评估根据新数据集性能更新元模型参数，选定模型的评估指标；五
、
评定输电线路风偏风险等级结合预测结果计算杆塔和导线的空气间隙
d
，评定输电线路风偏风险等级；
(1)、
采用刚性直棒法计算塔杆
‑
导线的空气间隙
d
，公式如下：
d
＝
min{d1,d2}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)
其中
d1、d2为导线到上下塔侧距离，为悬垂绝缘子风偏角，
η1,
η2分别为猫头塔上下塔身夹角，
l
为绝缘子长度，
r
为分裂导线半径；
(2)、
根据计算所得最小空气间隙
d
与规范允许的最小空气间隙
L
的差值对比，给定输电线路风偏风险等级，所述输电线路风偏风险等级分为安全
、
比较危险
、
危险
、
非常危险四个等级
。2.
根据权利要求1所述的一种基于元学习的输电线路风偏闪络风险的预测方法，其特征在于，所述数据预处理是针对输入微气象
、
地形和线路参数数据进行缺失和异常值处理
、
离散标准化
、
主成分分析
。3.
根据权利要求2所述的一种基于元学习的输电线路风偏闪络风险的预测方法，其特征在于，所述缺失和异常值处理是对采集到的气象
、
地形数据缺失和异常部分采用平均值修正；所述离散标准化是对原始数据的线性变换，使结果映射到
[0,1]
区间，方便数据的处理，消除单位影响及变异大小因素影响；所述主成分分析是对影响输电线路风偏多重因素数据矩阵降维处理，提取主要因素特征，减少训练成本
。4.
根据权利要求1所述的一种基于元学习的输电线路风偏闪络风险的预测方法，其特征在于，所述
CAVIA
算法包括以下步骤：
(1)
初始化模型参数
θ
、
φ
给定固定的模型上下文参数
φ0＝0，随机初始化任务共享参数
θ
；
(2)
更新训练任务上下文参数
φ
在每次元训练迭代时，选取当前任务批次
T
，对每个任务
T
i
∈T
的划分支持集和查询集计算每个学习任务支持集上的损失函数，通过一次梯度训练来更新特定任务的参数
φ
i...

【专利技术属性】
技术研发人员：王晓龙，戴晓雯，赵彤，刘晨蕾，孙滢，刘亚迪，张远涛，
申请(专利权)人：山东大学，
类型：发明
国别省市：