CN117114161A - 一种基于元学习的输电线路风偏闪络风险的预测方法 - Google Patents
一种基于元学习的输电线路风偏闪络风险的预测方法 Download PDFInfo
- Publication number
- CN117114161A CN117114161A CN202310535333.3A CN202310535333A CN117114161A CN 117114161 A CN117114161 A CN 117114161A CN 202310535333 A CN202310535333 A CN 202310535333A CN 117114161 A CN117114161 A CN 117114161A
- Authority
- CN
- China
- Prior art keywords
- task
- learning
- transmission line
- wind deflection
- power transmission
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 230000005540 biological transmission Effects 0.000 title claims abstract description 72
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000012549 training Methods 0.000 claims abstract description 57
- 238000004364 calculation method Methods 0.000 claims abstract description 28
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- 238000003062 neural network model Methods 0.000 claims abstract description 13
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000012876 topography Methods 0.000 claims abstract description 7
- 238000012360 testing method Methods 0.000 claims description 32
- 241000700198 Cavia Species 0.000 claims description 14
- 210000002569 neuron Anatomy 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000009467 reduction Effects 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 239000012212 insulator Substances 0.000 claims description 6
- 238000000513 principal component analysis Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 230000006978 adaptation Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 239000004020 conductor Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 230000003864 performance function Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012217 deletion Methods 0.000 claims description 2
- 230000037430 deletion Effects 0.000 claims description 2
- 238000004590 computer program Methods 0.000 description 7
- 238000010606 normalization Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 101100455978 Arabidopsis thaliana MAM1 gene Proteins 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000004836 empirical method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012502 risk assessment Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/0985—Hyperparameter optimisation; Meta-learning; Learning-to-learn
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Operations Research (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Game Theory and Decision Science (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Educational Administration (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
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。包括数据预处理、模型初始化参数的学习、输电线路风偏角的计算、神经网络模型性能的评估和评定输电线路风偏风险等级五个步骤。本发明通过采用元学习算法对神经网络模型初始参数进行学习,加快模型训练时的收敛速度,有效避免了过拟合,提高输电线路风偏闪络的计算精度。相对于传统的神经网络,无需大量训练数据集,可实现在小样本集上快速拟合。同时,充分考虑多种风偏闪络微气象、地形和线路参数影响因素,更加合理准确地评判风偏风险等级。另外,本发明可以为有效预防和开展输电线路风偏灾害防治提供技术支撑。
Description
技术领域
本发明涉及输电线路风偏故障技术领域,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。
背景技术
输电线路是电力***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***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。
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。
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。
发明内容
本发明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。
本发明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:
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Tj~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Tj,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***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。
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。
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。
进一步地,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Ti∈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φi:
(3)更新训练任务共享参数θ
给定所有采样任务更新的参数φi,进行元学习参数θ的更新:
(4)更新测试任务上下文参数φ
在测试任务集上,根据式(1)仅更新上下文参数φ,并且保持固定。
进一步地,所述神经网络自适应模型的训练步骤包括:
(1)、配置神经网络模型结构参数为两个隐藏层,每个层有40个节点,上下文参数的数量在2到50之间变化;
(2)、选取任务批次大小为25完成元学习参数更新,内循环学习率α为0.005,外循环学习率β为0.05;
(3)、结合上下文参数φ和任务共享参数,将式(1)计算所得参量hl作为模型神经元层输入,进行训练;神经网络层hl在每个自适应步骤之前通过初始化参数φ=0来扩充,并且在每个测试时的内循环期间通过梯度下降来更新;
(4)、模型测试阶段,采集1000个新采样任务的10个数据点的模型,并测量100个测试点的MSE;
(5)、对比CAVIA算法与其他元学习算法误差结果。
进一步地,采用三种网络性能函数作为预测模型的评价指标,三种所述评价指标分别为均方根误差RMSE、平均绝对误差MSE和决定系数R2。均方根误差RMSE作为MSE的算术平方根观测预测值和真实值的偏差,平均绝对误差MSE直观反映预测值误差的实际情况,决定系数R2用于度量预测值与真实值的拟合程度,上述指标计算方法如下所示:
式中,n为测试集上序列数据长度,yi为风偏角真实值,为风偏角预测值。
进一步地,考虑降雨折减率,降雨折减后的最小空气间隙计算公式如下所示:
d'=d/k (10)
k=a·b^x+c (11)
式中,L、k、x分别为简化计算出的空气间隙、折减系数和降雨强度,a、b、c的取值分别为:
工频电压为110Kv时,a=0.2426,b=0.8378,c=0.7584;
工频电压为220Kv时,a=0.1783,b=0.7726,c=0.8208;
工频电压为330Kv时,a=0.1460,b=0.6963,c=0.8531;
工频电压为550Kv时,a=0.1175,b=0.5343,c=0.8823;
对于工频电压超过500kV的输电线路的a、b、c取值以500kV为准。
本发明的有益效果是:本发明通过采用元学习算法对神经网络模型初始参数进行学习,加快模型训练时的收敛速度,有效避免了过拟合,提高输电线路风偏闪络的计算精度。相对于传统的神经网络,无需大量训练数据集,可实现在小样本集上快速拟合。同时,充分考虑多种风偏闪络微气象、地形和线路参数影响因素,更加合理准确地评判风偏风险等级。另外,本发明可以为有效预防和开展输电线路风偏灾害防治提供技术支撑。
附图说明
图1是本发明基于元学习更新的神经网络模型参数;
图2是本发明CAVIA算法的基本框架;
图3是本发明基于元学习算法的神经网络模型流程图;
图4是本发明CAVIA算法与其他元学习算法性能对比图;
图5是本发明输电线路猫头塔最小空气间隙计算示意图。
具体实施方式
下面结合附图对本发明的具体实施方式进行描述。
如图3所示,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:
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。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。
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。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。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。
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。
神经网络参数θ仅在外循环中更新,并在任务之间共享,因此它们在测试时保持固定。与上下文参数φ相关联的网络参数θ在自适应之前不影响网络层的输出。在第一个自适应更新后,对网络的其余部分进行微调以解决新任务。
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:
如图2所示,CAVIA算法的基本框架包括训练任务集、测试任务集、元学习器、任务更新参数、训练梯度、损失函数。本发明的CAVIA算法包括以下步骤:
(1)初始化模型参数θ、φ
当学习一项新任务时,必须将其初始化为某个固定值。本发明中,如式(1)所示,φ0是通过元学习来更新的,参数φ的初始化学习可以被包含到偏置参数b中,且参数φ0的初始化可以被设置为固定值0。因此,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Ti∈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φi:
(3)更新训练任务共享参数θ
尽管只计算关于φ的梯度,但更新的参数φi也是参数θ方程的一部分。因此在反向传播时,梯度训练贯穿全模型。给定所有采样任务更新的参数φi,进行元学习参数θ的更新:
(4)更新测试任务上下文参数φ
由于对式(1)的依赖性,该更新包括更高阶的梯度。在测试任务集上,根据式(1)仅更新上下文参数φ,并且保持固定。
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。考虑多因素影响,采用神经网络模型预测输电线路风偏角,模型训练步骤如下:
1、配置神经网络模型结构参数为两个隐藏层,每个层有40个节点,上下文参数的数量在2到50之间变化。
2、选取任务批次大小为25完成元学习参数更新,内循环学习率α为0.005,外循环学习率β为0.05。
3、结合上下文参数φ和任务共享参数,将式(1)计算所得参量hl作为模型神经元层输入,进行训练。如图1所示,神经网络层hl在每个自适应步骤之前通过初始化参数φ=0来扩充,并且在每个测试时的内循环期间通过梯度下降来更新。
4、模型测试阶段,采集1000个新采样任务的10个数据点的模型,并测量100个测试点的MSE。
5、对比CAVIA算法与其他元学习算法误差结果,误差结果如图4所示。在同一批任务集上经过几次梯度下降后,CAVIA和MAML都在不断学习,CAVIA性能明显优于MAML,并且更新过程更稳定。
计算输电线路风偏角步骤如下:
1、将训练样本划分为多个任务批次Tj~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Tj,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。采用三种网络性能函数作为预测模型的评价指标,三种评价指标分别为均方根误差(Root Mean Square Error,RMSE)、平均绝对误差(Mean Absolute Error,MAE)和决定系数(R-Square,R2)。RMSE作为MSE的算术平方根,能够观测预测值和真实值的偏差。MAE能直观反映预测值误差的实际情况,R2用于度量预测值与真实值的拟合程度,上述指标计算方法如下所示:
式中,n为测试集上序列数据长度,yi为风偏角真实值,为风偏角预测值。其中RMSE和MAE指标越低,R2指标越接近1,则说明模型拟合性越优,计算结果越精准。
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。如图5所示,以猫头塔型输电杆塔结构为例,简化几何模型,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)
式中,各个符号表示含义均如图5所示,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***导线半径。
考虑降雨折减率,降雨折减后的最小空气间隙计算公式如下所示:
d'=d/k (10)
k=a·b^x+c (11)
式中,L、k、x分别为简化计算出的空气间隙、折减系数和降雨强度,a、b、c的取值如表1所示。对于工频电压超过500kV的输电线路的a、b、c取值以500kV为准。
表1 a、b、c的取值
电压/kV | a | b | c |
110 | 0.2426 | 0.8378 | 0.7584 |
220 | 0.1783 | 0.7726 | 0.8208 |
330 | 0.1460 | 0.6963 | 0.8531 |
500 | 0.1175 | 0.5343 | 0.8823 |
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如表2所示。将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。
表2风偏风险等级设置表
d与L比较 | 风险等级 |
d≥L | 非常危险 |
L>d≥0.6 | 危险 |
0.6L>d≥0.3L | 比较危险 |
0.3L>d | 安全 |
本发明还提供一种计算机设备,该计算机设备可以是服务器,包括通过***总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力,该计算机设备的存储器包括非易失性存储介质和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库,该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储静态信息和动态信息数据,该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现上述方法中的步骤。
本发明还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述方法中的步骤。
本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述方法中的步骤。
本领域普通技术人员可以理解实现上述方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,计算机程序可存储于非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的流程。其中,本发明所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
本发明通过采用元学习算法对神经网络模型初始参数进行学习,加快模型训练时的收敛速度,有效避免了过拟合,提高输电线路风偏闪络的计算精度。相对于传统的神经网络,无需大量训练数据集,可实现在小样本集上快速拟合。同时,充分考虑多种风偏闪络微气象、地形和线路参数影响因素,更加合理准确地评判风偏风险等级。另外,本发明可以为有效预防和开展输电线路风偏灾害防治提供技术支撑。
Claims (7)
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Tj~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Tj,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***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***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Ti∈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φi:
(3)更新训练任务共享参数θ
给定所有采样任务更新的参数φi,进行元学习参数θ的更新:
(4)更新测试任务上下文参数φ
在测试任务集上,根据式(1)仅更新上下文参数φ,并且保持固定。
5.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,所述神经网络自适应模型的训练步骤包括:
(1)、配置神经网络模型结构参数为两个隐藏层,每个层有40个节点,上下文参数的数量在2到50之间变化;
(2)、选取任务批次大小为25完成元学习参数更新,内循环学习率α为0.005,外循环学习率β为0.05;
(3)、结合上下文参数φ和任务共享参数,将式(1)计算所得参量hl作为模型神经元层输入,进行训练;神经网络层hl在每个自适应步骤之前通过初始化参数φ=0来扩充,并且在每个测试时的内循环期间通过梯度下降来更新;
(4)、模型测试阶段,采集1000个新采样任务的10个数据点的模型,并测量100个测试点的MSE;
(5)、对比CAVIA算法与其他元学习算法误差结果。
6.根据权利要求1所述的一种基于元学***均绝对误差MSE和决定系数R2;均方根误差RMSE作为MSE的算术平方根观测预测值和真实值的偏差,平均绝对误差MSE直观反映预测值误差的实际情况,决定系数R2用于度量预测值与真实值的拟合程度,上述指标计算方法如下所示:
式中,n为测试集上序列数据长度,yi为风偏角真实值,为风偏角预测值。
7.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,考虑降雨折减率,降雨折减后的最小空气间隙计算公式如下所示:
d'=d/k (10)
k=a·b^x+c (11)
式中,L、k、x分别为简化计算出的空气间隙、折减系数和降雨强度,a、b、c的取值分别为:
工频电压为110Kv时,a=0.2426,b=0.8378,c=0.7584;
工频电压为220Kv时,a=0.1783,b=0.7726,c=0.8208;
工频电压为330Kv时,a=0.1460,b=0.6963,c=0.8531;
工频电压为550Kv时,a=0.1175,b=0.5343,c=0.8823;
对于工频电压超过500kV的输电线路的a、b、c取值以500kV为准。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535333.3A CN117114161A (zh) | 2023-05-12 | 2023-05-12 | 一种基于元学习的输电线路风偏闪络风险的预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535333.3A CN117114161A (zh) | 2023-05-12 | 2023-05-12 | 一种基于元学习的输电线路风偏闪络风险的预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117114161A true CN117114161A (zh) | 2023-11-24 |
Family
ID=88809891
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310535333.3A Pending CN117114161A (zh) | 2023-05-12 | 2023-05-12 | 一种基于元学习的输电线路风偏闪络风险的预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117114161A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687427B (zh) * | 2024-02-01 | 2024-04-23 | 国网安徽省电力有限公司巢湖市供电公司 | 一种基于无人机的高压线路智能巡检*** |
-
2023
- 2023-05-12 CN CN202310535333.3A patent/CN117114161A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117687427B (zh) * | 2024-02-01 | 2024-04-23 | 国网安徽省电力有限公司巢湖市供电公司 | 一种基于无人机的高压线路智能巡检*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN110188397B (zh) | 一种架空输电线路覆冰预测模型和方法 | |
CN112488395A (zh) | 一种配电网线损预测方法及*** | |
CN111460374A (zh) | 一种考虑节点差异性的配电网d-pmu优化配置方法 | |
CN113657814B (zh) | 一种航空网络风险预测方法及风险等级评估方法 | |
CN117114161A (zh) | 一种基于元学习的输电线路风偏闪络风险的预测方法 | |
CN114065634A (zh) | 一种数据驱动的电能质量监测布点优化方法及装置 | |
CN113758652B (zh) | 换流变压器漏油检测方法、装置、计算机设备和存储介质 | |
CN114548498A (zh) | 一种架空输电线路局部区域的风速预测方法及*** | |
CN111600309B (zh) | 电压控制方法、装置、设备、计算机设备和存储介质 | |
CN113328467B (zh) | 一种概率电压稳定性评估方法、***、终端设备及介质 | |
Haiqiang et al. | Ultra‐short‐term wind speed forecasting method based on spatial and temporal correlation models | |
CN117688336A (zh) | 一种基于设备故障风险的电力调度故障集智能生成方法 | |
CN113537614A (zh) | 电网工程造价预测模型的构建方法、***、设备及介质 | |
CN117407675A (zh) | 基于多变量重构联合动态权重的避雷器泄漏电流预测方法 | |
CN112949201A (zh) | 一种风速预测方法、装置、电子设备及存储介质 | |
CN112363012A (zh) | 一种电网故障预警装置及方法 | |
Khalyasmaa et al. | Training samples construction for energy utilities operational assets management | |
CN111612231A (zh) | 一种配网线路重跳模型融合处理方法及装置 | |
Chi et al. | Zoning‐based candidate bus selection for dynamic VAR planning in power system towards voltage resilience | |
CN115618286A (zh) | 变压器局部放电类型识别方法、***、设备、终端及应用 | |
CN111612232B (zh) | 基于梯度下降的配电网线路重跳概率预测优化方法和装置 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Zhang et al. | Model and Data Driven Machine Learning Approach for Analyzing the Vulnerability to Cascading Outages With Random Initial States in Power Systems | |
CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |