[發明專利]一種基于LSTM人工神經網絡的輸電線路覆冰厚度預測方法

在審

• 申請號: 201711056761.9
• 申請日: 2017-10-27
• 公開（公告）號: CN107784395A
• 公開（公告）日: 2018-03-09
• 發明（設計）人: 黃緒勇;李曉帆;王艷濤
• 申請（專利權）人: 云南電網有限責任公司電力科學研究院;昆明能訊科技有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06N3/04
• 代理公司: 昆明大百科專利事務所53106
• 代理人: 何健

技術領域

本發明涉及電網中的輸電線路導線以及地線覆冰厚度數據、輸電桿塔上設置的拉力終端監測數據、實時電壓監測終端數據和氣象終端監測數據相融合的方法，用LSTM人工神經網絡對歷史覆冰厚度數據進行時間序列建模，并用訓練好的模型對未來覆冰厚度進行預測的機器學習方法。

背景技術

目前，在輸電線路覆冰的數據采集上，可以運用的方法極為有限：人工觀冰將會消耗大量的人力物力，而且會對人員安全造成隱患，并且數據的實效性上也不足以達到覆冰災害預測的要求；實時攝像則需要前期投入大量的實時監控設備，由于電網屬于資產密集型企業，輸電線路以及輸電桿塔過多，大量的監控設備將消耗大量資源，而且攝像頭類設備在可靠性上較差，在惡劣氣象條件下故障率較高，在后期維護上會消耗大量人力物力。因此，通過現有的覆冰歷史數據，結合一些高可靠性的監測終端設備，如拉力監測終端、氣象監測終端，開發出一套成熟的覆冰厚度預測方法，不但可以解決數據采集的難題，同時在時效性上可以做到實時更新，并且資源投入很少，是一種經濟有效的方法。

發明內容

本發明的目的正是為了克服上述現有覆冰厚度采集方法所存在的缺陷而提供一種基于數據分析，機器學習和人工神經網絡的算法，來較為準確的便捷的預測輸電線路覆冰厚度的方法，本發明基于現有的多條輸電線路歷史覆冰厚度數據、輸電桿塔上設置的拉力終端監測數據、實時電壓監測終端數據和氣象終端監測數據，充分挖掘數據的價值，建立機器學習模型進行對未來各氣象條件下輸電線路覆冰厚度的預測。

從數據的采集來看，可以從數據庫現有的輸電線路歷史覆冰相關數據進行提取，并把覆冰數據和監測終端所得到的拉力、電壓、氣象數據相融合關聯，然后對融合后的數據進行結構分析、篩選、清洗、特征提取等，從而為算法與模型的建立、算法運算的準確性提供真實可信的數據。為了實現上述目的，本發明提供如下技術方案：

一種基于LSTM(Long Short-Term Memory)人工神經網絡的輸電線路覆冰厚度預測方法，包括以下步驟：

(1)、采用電網輸電線路歷史覆冰厚度數據、輸電桿塔上設置的拉力終端監測數據、實時電壓監測終端數據和氣象終端監測數據存儲至數據庫，作為LSTM(Long Short-Term Memory)人工神經網絡算法的基礎；

(2)、將電網輸電線路歷史覆冰厚度數據、輸電桿塔上設置的拉力終端監測數據、實時電壓監測終端數據和氣象終端監測數據進行數據融合關聯，將歷史覆冰厚度與相應桿塔地點最近的氣象監測終端氣象數據一一對應為完整連續的時間序列數據，并以80％，20％分為訓練樣本集和測試樣本集，利用LSTM(LongShort-Term Memory)人工神經網絡進行訓練，并用測試樣本集進行測試；

(3)、訓練的結果即為輸電線路覆冰厚度預測模型，可將以后的實時氣象數據、拉力數據、電壓數據輸入模型，進行實時的輸電線路覆冰厚度預測。

上述技術方案中：

(1)數據樣本進行采集、篩選、分析、處理

利用已有的在線監測裝置采集數據，以固定間隔時間(因為覆冰厚度變化不是高頻過程，可以用長時間間隔標準，例如每2小時采集一次數據)提取，篩選導線電壓、導線拉力、溫度、空氣濕度，作為訓練樣本基礎數據，同時以間隔時間(如2個小時)加入輸電線路覆冰厚度歷史數據到訓練樣本庫，讓它們共同組成算法訓練基礎樣本數據。然后對訓練樣本數據進行處理，將異常值，缺失值用拉格朗日插值法進行修補，最后在將數據輸入模型前，還需要將數據標準化處理，以便消除不同維度數據數量級不同帶來的權重差距過大，通常我們用以下公式來進行數據標準化：

數據處理流程見圖1所示。

(2)LSTM(Long Short-Term Memory)人工神經網絡算法

1)樣本數據

樣本數據經過處理后，就形成了可以運用LSTM人工神經網絡算法進行計算的基礎數據，包括導線電壓、導線拉力、溫度、空氣濕度、覆冰厚度。樣本數據格式如下表1：

表1樣本數據格式

2)LSTM人工神經網絡算法模型

LSTM神經網絡是RNN(recurrent neural network)遞歸神經網絡的一種變型。相比與普通神經網絡的各計算節點及隱含層神經元之間互相獨立的特點，RNN的每一次隱含層的計算結果都與當前輸入以及上一層隱含層結果相關，通過這種方法，RNN的計算結果便具備了記憶之前計算結果的功能。