0引言

我國(guó)南方山區(qū)電力輸送主干線穿越的地形復(fù) 雜、局地氣象條件變化很大。架空輸電線路在運(yùn)行過(guò)程中容易遭受覆冰災(zāi)害,覆冰可能會(huì)造成線路跳閘、金具損壞,甚至引發(fā)斷線、倒塔等事故^[1],嚴(yán)重威脅電網(wǎng)的安全穩(wěn)定運(yùn)行^[2]。在輸電線路防冰抗冰工作方面,目前國(guó)內(nèi)電力部門(mén)已采取多種技術(shù)手段以應(yīng)對(duì)極端氣候環(huán)境下覆冰對(duì)輸電線路所產(chǎn)生的影響和破壞,其中包括輸電線路覆冰監(jiān)測(cè)技術(shù)、輸電線路融冰技術(shù)等^[3],但這些技術(shù)手段存在的一個(gè)問(wèn)題在于:它們都只能針對(duì)已發(fā)生的覆冰事件采取具體的應(yīng)對(duì)措施,因此在管理部門(mén)制定有效的防冰抗冰工作決策時(shí)常常面臨時(shí)間緊迫的挑戰(zhàn),大大影響了防冰抗冰工作的進(jìn)度和效率。

針對(duì)上述問(wèn)題,提出基于CNN—LSTM神經(jīng)網(wǎng)絡(luò)技術(shù)的單點(diǎn)覆冰預(yù)測(cè)模型,該模型集成了網(wǎng)格化數(shù)值天氣預(yù)報(bào)、桿塔地形特征、導(dǎo)線自身特征等參量,能夠?qū)δ壳耙巡渴鹆说戎蹈脖穸缺O(jiān)測(cè)終端的輸電線路現(xiàn)場(chǎng)進(jìn)行時(shí)間尺度為3~72 h的單點(diǎn)覆冰預(yù)測(cè)。最后,通過(guò)數(shù)據(jù)仿真對(duì)該模型的準(zhǔn)確性進(jìn)行了驗(yàn)證。

1 基礎(chǔ)理論

1.1 一維卷積神經(jīng)網(wǎng)絡(luò)

一維卷積神經(jīng)網(wǎng)絡(luò) (1D Convolutional Neural Network,1D CNN)是專門(mén)用于處理一維數(shù)據(jù)序列的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。1DCNN通常由多個(gè)一維卷積層、激活函數(shù)和一維池化層組成。

在1D CNN的卷積層中,其數(shù)據(jù)的前向傳播過(guò)程為:

式中:X[i]為1DCNN卷積層輸出序列的第i個(gè)元素;S[i?s+j]為輸入元素,用于卷積操作;s為卷積核移動(dòng)的步幅;k為卷積核長(zhǎng)度;W[j]為卷積操作中第j個(gè)元素;b為偏置項(xiàng)。

激活函數(shù)是1D CNN中引入非線性的關(guān)鍵步驟,常用的激活函數(shù)包括ReLU、Sigmoid和Tanh等。其數(shù)據(jù)的前向傳播過(guò)程為:

Y=?(X)       (2)

式中:Y為激活函數(shù)層的輸出;?為激活函數(shù);X為激活函數(shù)層的輸入。

一維池化層的數(shù)據(jù)前向傳播過(guò)程為:

O=Y↙ss  (3)

式中:O為池化層的輸出;↙ss為池化層中的下采樣操作,常見(jiàn)的有最大池化和平均池化兩種下采樣操作。

1D CNN的算法實(shí)現(xiàn)包括前向傳播和反向傳播兩個(gè)過(guò)程。前向傳播過(guò)程中,輸入數(shù)據(jù)經(jīng)過(guò)卷積層、池化層和全連接層的順序處理,最終輸出預(yù)測(cè)結(jié)果。反向傳播過(guò)程中,根據(jù)預(yù)測(cè)結(jié)果與真實(shí)標(biāo)簽之間的誤差,通過(guò)梯度下降等優(yōu)化算法更新網(wǎng)絡(luò)中的權(quán)重和偏置,以減小誤差并提高模型的性能。

1.2 長(zhǎng)短時(shí)記憶神經(jīng)網(wǎng)絡(luò)

長(zhǎng)短時(shí)記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)由循環(huán)神經(jīng)網(wǎng)絡(luò) (Recurrent Neural Network, RNN)改進(jìn)而來(lái),解決了模型在訓(xùn)練過(guò)程中“梯度爆炸”的問(wèn)題,其由遺忘門(mén)、輸入門(mén)和輸出門(mén)三個(gè)部分組成。目前LSTM網(wǎng)絡(luò)已在許多場(chǎng)景得到應(yīng)用,對(duì)于時(shí)序數(shù)據(jù)具有良好的預(yù)測(cè)性能。其網(wǎng)絡(luò)結(jié)構(gòu)信息如圖1所示。

LSTM神經(jīng)網(wǎng)絡(luò)中遺忘門(mén)用來(lái)控制“細(xì)胞”歷史狀態(tài)和信息的保留,輸出門(mén)用來(lái)控制數(shù)據(jù)信息的輸出,輸入門(mén)用來(lái)控制時(shí)序數(shù)據(jù)的輸入。門(mén)使用Sigmod 激活函數(shù)和thah函數(shù)完成對(duì)歷史狀態(tài)和信息的學(xué)習(xí)和取舍。輸入門(mén)和遺忘門(mén)協(xié)同更新信息編碼。

式中:?_t為遺忘門(mén)的輸出;σ為Sigmod激活函數(shù),用于描述細(xì)胞信息可通過(guò)的量,它能將輸出值限定在[0,1]之間'當(dāng)值為1時(shí)表示全部通過(guò)'當(dāng)值為0時(shí)表示全不準(zhǔn)通過(guò);W_f和b_f分別為遺忘門(mén)的權(quán)重和偏置;h_t-1為上一時(shí)間的隱藏狀態(tài);x_t為當(dāng)前時(shí)間步的輸入;i_t為輸入門(mén)的Sigmod層輸出;W_i、W_c、b_i、b_c分別為輸入門(mén)Sigmoid層和tanh層的權(quán)重和偏置;C't為候選細(xì)胞狀態(tài),即新的候選值向量;C_t為當(dāng)前時(shí)間步的細(xì)胞狀態(tài);C_t-1為上一步時(shí)間步的細(xì)胞狀態(tài);*為矩陣逐元素相乘;o_t為輸出門(mén)的Sigmoid層輸出;W_o和b_o分別為輸出門(mén)的權(quán)重和偏置;h_t為當(dāng)前時(shí)間步的隱藏狀態(tài),也是LSTM單元的最終輸出;u為函數(shù)輸入變量。

2基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的輸電線路覆冰厚度預(yù)測(cè)

在覆冰預(yù)測(cè)計(jì)算過(guò)程中,輸入集采用貴州省氣象局預(yù)報(bào)未來(lái)7天高分辨率格點(diǎn)資料集,主要選取氣象數(shù)據(jù)中溫度、相對(duì)濕度值,但氣象部門(mén)發(fā)布的氣象數(shù)據(jù)為3 km×3km格點(diǎn)數(shù)據(jù),即9 km²為一個(gè)預(yù)報(bào)值,相對(duì)于9 km² 內(nèi)氣象條件相同,空間網(wǎng)格尺寸較大,無(wú)法適應(yīng)小區(qū)域范圍內(nèi)輸電線路通道不同微地形所造成氣象因子差異性的現(xiàn)狀。針對(duì)該問(wèn)題,提出以下方法實(shí)現(xiàn)對(duì)網(wǎng)格化氣象數(shù)據(jù)的精準(zhǔn)預(yù)測(cè),以保證后期輸電線路覆冰厚度預(yù)測(cè)的準(zhǔn)確性。

該方法遵循“兩步走”原則。第一步“距離就近原則”:根據(jù)氣象因子在線監(jiān)測(cè)設(shè)備所在桿塔與氣象部門(mén)3 km×3 km網(wǎng)格化預(yù)報(bào)模式^[4],計(jì)算桿塔與網(wǎng)格化4個(gè)格點(diǎn)空間距離,根據(jù)距離越近氣象因子相似度越高的原則,建立基于“距離就近原則”的桿塔點(diǎn)位氣象因子預(yù)測(cè)模型;第二步“微地形相似性原則”:分別提取桿塔與網(wǎng)格化4個(gè)格點(diǎn)微地形因子,根據(jù)臨近網(wǎng)格格點(diǎn)微地形越相似氣象條件越接近的原則,建立基于“微地形相似性原則”的桿塔點(diǎn)位氣象因子預(yù)測(cè)模型。最后,在“兩步走”原則下,利用氣象部門(mén)網(wǎng)格化氣象因子預(yù)測(cè)值,實(shí)現(xiàn)對(duì)網(wǎng)格內(nèi)桿塔位置處點(diǎn)對(duì)點(diǎn)氣象因子的高精度預(yù)測(cè)。

2.1距離就近原則

首先,提取氣象部門(mén)3 km× 3 km高分辨率格點(diǎn)預(yù)報(bào)逐小時(shí)氣象數(shù)據(jù),包括每個(gè)格點(diǎn)經(jīng)緯度、未來(lái)對(duì)地10 m高度氣象因子預(yù)測(cè)值。計(jì)算桿塔坐標(biāo)所處網(wǎng)格,如01編號(hào)小網(wǎng)格,每個(gè)網(wǎng)格尺寸3 km×3 km,從上一步的氣象數(shù)據(jù)中讀取網(wǎng)格4個(gè)格點(diǎn)(A、B、c、D)經(jīng)緯度,并根據(jù)氣象因子在線監(jiān)測(cè)終端所在桿塔坐標(biāo),計(jì)算出桿塔坐標(biāo)所處網(wǎng)格,如圖2所示。

采用Haversine公式分別計(jì)算該網(wǎng)格4個(gè)格點(diǎn)與桿塔空間距離:

式中:d_i為網(wǎng)格中目標(biāo)桿塔與氣象部門(mén)3 km×3 km高分辨率格點(diǎn)A、B、C、D四個(gè)格點(diǎn)空間距離,其中i表示A、B、C、D四個(gè)點(diǎn);R為地球半徑,取平均值6 371 km;φ_i、δ_i分別為網(wǎng)格點(diǎn)四個(gè)格點(diǎn)緯度、經(jīng)度;φ_g、δ_g分別為目標(biāo)桿塔緯度、經(jīng)度;λi為四個(gè)網(wǎng)格與目標(biāo)桿塔經(jīng)度的差;θ為經(jīng)度差。

計(jì)算桿塔坐標(biāo)位置處氣象因子權(quán)重系數(shù)^[5]:

式中:w_i分別為網(wǎng)格中A、B、C、D四個(gè)格點(diǎn)對(duì)目標(biāo)桿塔氣象因子貢獻(xiàn)權(quán)重系數(shù);n為坐標(biāo)點(diǎn)數(shù)量,這里只有網(wǎng)格的A、B、C、D四個(gè)點(diǎn),所以設(shè)置為4。

基于距離就近原則建立的桿塔位置處氣象因子預(yù)測(cè)值計(jì)算模型表達(dá)式為:

式中:t為桿塔所在位置氣象因子預(yù)測(cè)值;t_i分別為網(wǎng)格中A、B、C、D四個(gè)格點(diǎn)氣象因子預(yù)測(cè)值。

2.2微地形相似性原則

提取網(wǎng)格四個(gè)格點(diǎn)以及桿塔坐標(biāo)微地形因子,包括高程(m)、坡度(°)、地表起伏度(°)、山谷(1表示是)、山脊(1表示是)、迎風(fēng)坡(1表示是)、與水體距離(m);計(jì)算網(wǎng)格四個(gè)格點(diǎn)微地形因子與桿塔點(diǎn)位處微地形因子相關(guān)性系數(shù),并對(duì)相關(guān)性系數(shù)進(jìn)行歸一化處理:

式中:r_i分別為網(wǎng)格中A、B、C、D四個(gè)格點(diǎn)與目標(biāo)桿塔位置處微地形因子相關(guān)性系數(shù);R_i為經(jīng)過(guò)歸一化處理后四個(gè)網(wǎng)格點(diǎn)的微地形因子。

基于微地形相似性原則建立的氣象因子預(yù)測(cè)值計(jì)算模型表達(dá)式為:

2.3 目標(biāo)桿塔點(diǎn)位氣象因子預(yù)測(cè)綜合模型

建立目標(biāo)桿塔點(diǎn)位氣象因子預(yù)測(cè)綜合模型:

式中:ε₁為基于距離就近原則建立的氣象因子預(yù)測(cè)模型權(quán)重;ε₂為基于微地形相似性原則建立的氣象因子預(yù)測(cè)模型權(quán)重;r₁為基于距離就近原則的氣象因子預(yù)測(cè)值與桿塔在線監(jiān)測(cè)終端同期實(shí)際值相關(guān)性系數(shù);r₂為基于微地形相似性原則的氣象因子預(yù)測(cè)值與桿塔在線監(jiān)測(cè)終端實(shí)際值相關(guān)性系數(shù)。

雖然LSTM神經(jīng)網(wǎng)絡(luò)算法在時(shí)序特征提取上的優(yōu)勢(shì)一定程度上提高了模型的預(yù)測(cè)精度,但對(duì)原始輸入數(shù)據(jù)的相關(guān)特征利用不足,數(shù)據(jù)中的隱含信息未得到充分利用,限制了模型的預(yù)測(cè)性能。因此,本文通過(guò)CNN挖掘數(shù)據(jù)隱含的深層次信息和不同變量間的信息相關(guān)性,達(dá)到數(shù)據(jù)充分利用的目的,再采用長(zhǎng)短時(shí)記憶(LSTM)網(wǎng)絡(luò)構(gòu)建預(yù)測(cè)模型,實(shí)現(xiàn)對(duì)數(shù)據(jù)時(shí)間維度特征的有效利用,最后輸出線路覆冰厚度預(yù)測(cè)結(jié)果。

基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型分為空間特征提取部分和時(shí)序特征提取部分?？臻g特征部分由輸入層、卷積層、池化層組成。時(shí)序特征提取部分由2個(gè)LSTM層、2個(gè)全連接層、1個(gè)Dropout層組成,每個(gè)LSTM網(wǎng)絡(luò)含有n個(gè)隱含層。預(yù)測(cè)模型的思路為輸入特征矩陣,設(shè)置卷積核數(shù)量、卷積核尺寸及池化層尺寸,完成對(duì)數(shù)據(jù)深度信息的挖掘,提取數(shù)據(jù)中的深層次信息。將提取出的特征矩陣輸入時(shí)序特征提取模塊,由LSTM網(wǎng)絡(luò)提取時(shí)間特征,組合全連接層和Dropout層,減少數(shù)據(jù)量和數(shù)據(jù)維度,避免預(yù)測(cè)模型過(guò)擬合,并輸出預(yù)測(cè)值。圖3為CNN-LSTM神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)。

3 實(shí)驗(yàn)及結(jié)果分析

3.1 實(shí)驗(yàn)分析

本文對(duì)貴州省氣象部門(mén)發(fā)布的3 km×3 km網(wǎng)格化數(shù)值產(chǎn)品氣象因子預(yù)報(bào)結(jié)果采用上述“兩步走”原則進(jìn)行耦合處理,疊加433套覆冰在線監(jiān)測(cè)終端經(jīng)緯度坐標(biāo),每小時(shí)處理433×4×2=3 464條氣象因子數(shù)據(jù)量,微地形指標(biāo)主要包括高程、坡度、地表起伏度、山谷、山脊、迎風(fēng)坡、與水體距離這7個(gè)指標(biāo),每小時(shí)處理433×4×7=12124條微地形數(shù)據(jù)量。

為驗(yàn)證該氣象因子預(yù)測(cè)計(jì)算模型的準(zhǔn)確率,根據(jù)寒潮影響范圍,采用CNN-LSTM神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型,選取某一典型代表線路覆冰在線監(jiān)測(cè)系統(tǒng)實(shí)時(shí)觀測(cè)結(jié)果數(shù)據(jù)與同期貴州電網(wǎng)輸電線路覆冰預(yù)報(bào)結(jié)果進(jìn)行比對(duì)。

首先,從系統(tǒng)獲取該實(shí)驗(yàn)?zāi)繕?biāo)終端的實(shí)際溫度值;然后,通過(guò)氣象因子預(yù)測(cè)計(jì)算模型計(jì)算該目標(biāo)終端的溫度值;最后,繪制兩種情況下的溫度曲線圖進(jìn)行對(duì)比,驗(yàn)證該計(jì)算模型的精準(zhǔn)度。

如圖4所示,該實(shí)驗(yàn)任意選取一覆冰終端作為實(shí)驗(yàn)?zāi)繕?biāo),并提取2021年12月25日的氣象數(shù)據(jù)作為實(shí)驗(yàn)數(shù)據(jù),實(shí)線表示覆冰終端實(shí)際溫度值,虛線為氣象因子預(yù)測(cè)計(jì)算模型計(jì)算所得溫度值。通過(guò)對(duì)比曲線圖,可以知道預(yù)測(cè)溫度曲線平滑接近真實(shí)曲線,每個(gè)時(shí)間點(diǎn)的誤差在[-0.06℃ ,+0.06℃]之間,完全符合設(shè)計(jì)要求。

接下來(lái)采用貴州輸電線路覆冰預(yù)警系統(tǒng)多年實(shí)際觀測(cè)資料對(duì)基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)模型進(jìn)行訓(xùn)練和測(cè)試,實(shí)驗(yàn)數(shù)據(jù)總量為20萬(wàn)條,按8:2的比例將數(shù)據(jù)劃分為訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集。訓(xùn)練集變量數(shù)據(jù)包含氣溫、相對(duì)濕度、同期覆冰厚度,其中覆冰厚度數(shù)據(jù)時(shí)間尺度為2015年12月—2021年12月,共有433個(gè)終端,包含9 758 036條記錄,經(jīng)質(zhì)量控制后所有字段均無(wú)缺失值;訓(xùn)練集定值數(shù)據(jù)包括高程、與水體距離、坡度、坡向、主體風(fēng)向與線路夾角,共有433個(gè)終端,包含2165條記錄。

圖5為同期覆冰預(yù)報(bào)與終端監(jiān)測(cè)覆冰厚度變化趨勢(shì),根據(jù)圖5,在3天時(shí)間范圍內(nèi),覆冰預(yù)報(bào)及覆冰監(jiān)測(cè)終端監(jiān)測(cè)最大覆冰厚度分別為11.17、10.0 mm,從實(shí)際監(jiān)測(cè)值可以看出這3天時(shí)間段內(nèi)覆冰厚度曲線走勢(shì)基本與真實(shí)監(jiān)測(cè)覆冰數(shù)值走勢(shì)相似,整體誤差均控制在-2~2 mm。

通過(guò)圖5展示的結(jié)果可以看出,基于CNN—LSTM 神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)的覆冰值與實(shí)際觀測(cè)的覆冰數(shù)值重合度較高,誤差均在可控取值范圍,實(shí)現(xiàn)了對(duì)輸電線路覆冰數(shù)值的精準(zhǔn)預(yù)測(cè)。

3.2 對(duì)比實(shí)驗(yàn)

針對(duì)各類輸電線路覆冰預(yù)測(cè)模型進(jìn)行研究,分別采用CNN神經(jīng)網(wǎng)絡(luò)、LSTM神經(jīng)網(wǎng)絡(luò)、CNN—LSTM神經(jīng)網(wǎng)絡(luò)建立覆冰預(yù)測(cè)模型,各模型預(yù)測(cè)精度對(duì)比情況如表1所示。

由表1可以看出,在測(cè)試集數(shù)據(jù)中,三種模型的精度分別為0.70、0.74、0.82,相比單一的CNN模型和 LSTM模型,CNN—LSTM模型的預(yù)測(cè)精度得到大幅提升,展現(xiàn)出了顯著優(yōu)于另外兩種單一模型的性能。

4 結(jié)束語(yǔ)

本文提出了一種基于CNN—LSTM神經(jīng)網(wǎng)絡(luò),集成了網(wǎng)格化數(shù)值天氣預(yù)報(bào)、桿塔地形特征、導(dǎo)線自身特征等參量的輸電線路單點(diǎn)覆冰預(yù)測(cè)模型,實(shí)驗(yàn)仿真分析驗(yàn)證了該模型的正確性和有效性,即該模型能實(shí)現(xiàn)對(duì)網(wǎng)格內(nèi)桿塔位置處點(diǎn)對(duì)點(diǎn)氣象因子的高精度預(yù)測(cè),解決了輸電線路單點(diǎn)覆冰厚度在未來(lái)3~72 h內(nèi)的精確預(yù)測(cè)問(wèn)題,可為電力部門(mén)提供及時(shí)、科學(xué)的防冰抗冰決策依據(jù)。

[參考文獻(xiàn)]

[1]黃文婧,李華強(qiáng),楊植雅,等.基于模糊聚類排序及狀態(tài)均勻性的電網(wǎng)安全性風(fēng)險(xiǎn)評(píng)估[J].電測(cè)與儀表,2018,55(9):21-26.

[2] 費(fèi)春國(guó),霍洪雙.基于電流振幅與SVM的輸電線路故障分類[J].電力系統(tǒng)及其自動(dòng)化學(xué)報(bào),2019,31(4):139—144.

[3]雷明振,張?jiān)?許文濤.高壓輸電線路地線融冰技術(shù)的研究[J]. 自動(dòng)化應(yīng)用,2023,64(20):127—129.

[4]周艦,孫小成,盧朝軍,等.氣候因子小網(wǎng)格化技術(shù)在湖南煙草種植區(qū)劃中的運(yùn)用 [J].農(nóng)業(yè)工程,2020,10 (12): 41—44.

[5]劉海燕,周雪瑩,李顯風(fēng),等.基于數(shù)據(jù)湖的智能網(wǎng)格氣象預(yù)報(bào)業(yè)務(wù)產(chǎn)品服務(wù)模式初探:以江西省為例[J].氣象與減災(zāi)研究,2022,45(1):64—69.

2024年第21期第20篇