[發明專利]一種架空輸電線路覆冰預測模型和方法

有效

• 申請號: 201910370812.8
• 申請日: 2019-05-06
• 公開（公告）號: CN110188397B
• 公開（公告）日: 2022-07-19
• 發明（設計）人: 張華魯;路通;廖志軍;鄧照飛;石杰;鄧博雅;袁明磊
• 申請（專利權）人: 南瑞集團有限公司;南京大學;國網江西省電力有限公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06K9/62;G06Q10/04;G06Q50/06;H02J3/00
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 胡建華;于瀚文

1.一種架空輸電線路覆冰預測模型，其特征在于，所述模型通過如下步驟構建：

步驟1，從線路在線監測系統中獲取覆冰因素數據和覆冰厚度數據，篩選和處理所獲取的數據；

步驟2，建立和訓練時序卷積神經網絡模型，該模型用于預測覆冰因素；

步驟3，建立和訓練支持向量回歸模型，該模型用于建立覆冰因素與覆冰厚度的回歸關系，時序卷積神經網絡模型和支持向量回歸模型共同組成架空輸電線路覆冰預測模型；

步驟1包括：

步驟1-1，從線路在線監測系統中獲取覆冰因素數據，所述覆冰因素數據分為時序覆冰因素數據和非時序覆冰因素數據，非時序覆冰因素數據作為常數序列與時序覆冰因素數據合并作為覆冰因素時序數據；

步驟1-2，從線路在線監測系統中獲取覆冰厚度數據，覆冰厚度數據的每個樣本由覆冰因素向量和覆冰厚度值兩項構成，覆冰因素向量為各種覆冰因素的數據值組成，按照覆冰厚度的值將覆冰厚度數據分為不同的組，等概率地隨機選一個非空組從中抽出一個樣本，重復該操作直至只有覆冰厚度為0的組為非空組，去掉未被抽出的樣本，保留所有抽出的樣本，使不同程度覆冰厚度的樣本之間比例均衡；

步驟1-3，確定時序卷積神經網絡模型時間步即時序數據的時間間隔的大小；

步驟1-4，刪除獲取到的異常數據，填補缺失數據；

步驟1-5，對所有覆冰因素時序數據進行歸一化：

其中，是覆冰因素時序數據的原值，min是最小值，max是最大值，是歸一化的值；

步驟1-6，將歸一化后的數據進行離散化：

其中，表示向下取整運算；K是離散數，表示將數據原始取值空間均勻離散化的份數；是歸一化的數據，x是離散化后的覆冰因素時序數據；

步驟2中，通過如下步驟建立和訓練時序卷積神經網絡模型：

步驟2-1，建立空洞因果卷積：對于一個多元時間序列輸入和一個卷積核空洞因果卷積操作F在時間t上定義為F(t)：

其中，表示實數集，T是時間序列的長度，n是時間序列輸入變量的維數，即卷積的輸入通道數，d是空洞系數，k是卷積核大小，符號·表示向量內積運算，f(i)是卷積核的第i個權重向量，x_t-di是輸入序列的第t-di時間步的輸入；

步驟2-2，建立殘差塊：殘差塊包含一個殘差映射和一個恒等映射，殘差塊的輸出即為兩者的和，定義為：

y＝F(x,{W_i})+W_sx，

x和y分別表示所在層的輸入向量和輸出向量，F(x,{W_i})就是深度神經網絡的網絡層要學習的殘差映射，W_i是殘差映射F的參數，當輸入和輸出的維數相等時，W_s是一個單位矩陣，W_sx即為恒等映射，當輸入和輸出的維數不相等時，W_s是一個參數矩陣，恒等映射被線性映射替代；殘差映射F即為空洞因果卷積；

步驟2-3，建立深度神經網絡：所述深度神經網絡由步驟2-2中所述的殘差塊堆疊而成，深度神經網絡的相鄰層之間的關系為：

y^[l]＝F^[l](x^[l])

x^[l+1]＝σ^[l](y^[l])

其中，l＝1,2,…,L，l是當前網絡層的層數，L表示網絡的深度，x^[l]是當前層的輸入，x^[l+1]為下一層的輸入，F^[l]是當前層的殘差塊，y^[l]是當前層的輸出，σ^[l]是當前層的激活函數；深度神經網絡的第一層稱為輸入層，第一層和最后一層之間的網絡層稱為隱藏層，最后一層稱為輸出層；

步驟2-4，建立損失函數：使用交叉熵損失函數loss：

其中，x^*表示所預測覆冰因素的歸一離散化后的真實值，K表示離散數，y是網絡的輸出；表示指示函數，以條件(·)是否滿足分別取值1或0；所述深度神經網絡即為時序卷積神經網絡模型；

步驟2-5，正則化：訓練時序卷積神經網絡模型時，嵌入脫網Dropout層實現正則化，同時使用了批標準化解決協變漂移問題；

步驟2-6，訓練時序卷積神經網絡模型時，使用基于梯度下降的優化算法進行優化；

步驟2-3中，輸入層和隱藏層的激活函數使用修正線性單元ReLU，輸出層的激活函數使用歸一化指數函數Softmax；

神經網絡的輸入層的輸入x^[1]由覆冰因素時序數據x和掩碼矩陣m的元素積與掩碼矩陣m合并而成，即：x^[1]＝[x⊙m,m]，其中，運算符⊙表示元素積，掩碼矩陣m是一個二值矩陣，其元素與覆冰因素時序數據x的元素一一對應，掩碼值1表示對應覆冰因素時序數據的元素有效，而掩碼值0表示對應覆冰因素時序數據的元素無效；

神經網絡的隱藏層以前一層的輸出為輸入，然后其輸出又作為下一層的輸入，最后神經網絡的輸出層輸出下一個時間步覆冰因素概率分布的預測；

步驟2-6中，所述優化算法使用隨機梯度下降算法，參數迭代更新方式為：

其中，符號：＝表示賦值，w是要優化的參數，lr是學習率，Q(w)是目標函數，是梯度算子；

步驟3包括：

輸入覆冰厚度數據的覆冰因素向量x_i，覆冰厚度y_i，i＝1,2,…,n，給定參數C0和ε0，支持向量回歸模型的原型問題如下：

s.t.y_i-w^Tφ(x_i)-b≤ε+ζ_i,

其中，n為覆冰厚度數據的樣本數，w,b是模型參數，C是懲罰系數，ζ,ζ^*是松弛變量，ε是損失邊界；

上述問題的拉格朗日對偶為：

s.t.e^T(α-α^*)＝0

其中，e為元素全為1的向量，α,α^*為所引入的拉格朗日乘子向量，Q_ij≡K(x_i,x_j)為核矩陣Q第i行第j列的元素，使用徑向基函數RBF核K(x_i,x_j)＝exp(-||x_i-x_j‖²),γ0，為核函數的參數，x_i,x_j分別表示x的第i個元素和第j個元素；

求解上述問題后，覆冰厚度的近似函數為：

2.一種應用權利要求1所述模型的架空輸電線路覆冰預測方法，其特征在于，包括：結合時序卷積神經網絡模型和支持向量回歸模型，使用時序卷積神經網絡模型預測覆冰因素，將覆冰因素輸入支持向量回歸模型，支持向量回歸模型輸出覆冰厚度預測值。