基于CNN-LSTM神经网络的输电线路覆冰预测技术研究

0引言

我国南方山区电力输送主干线穿越的地形复 杂、局地气象条件变化很大。架空输电线路在运行过程中容易遭受覆冰灾害,覆冰可能会造成线路跳闸、金具损坏,甚至引发断线、倒塔等事故^[1],严重威胁电网的安全稳定运行^[2]。在输电线路防冰抗冰工作方面,目前国内电力部门已采取多种技术手段以应对极端气候环境下覆冰对输电线路所产生的影响和破坏,其中包括输电线路覆冰监测技术、输电线路融冰技术等^[3],但这些技术手段存在的一个问题在于:它们都只能针对已发生的覆冰事件采取具体的应对措施,因此在管理部门制定有效的防冰抗冰工作决策时常常面临时间紧迫的挑战,大大影响了防冰抗冰工作的进度和效率。

针对上述问题,提出基于CNN—LSTM神经网络技术的单点覆冰预测模型,该模型集成了网格化数值天气预报、杆塔地形特征、导线自身特征等参量,能够对目前已部署了等值覆冰厚度监测终端的输电线路现场进行时间尺度为3~72 h的单点覆冰预测。最后,通过数据仿真对该模型的准确性进行了验证。

1 基础理论

1.1 一维卷积神经网络

一维卷积神经网络 (1D Convolutional Neural Network,1D CNN)是专门用于处理一维数据序列的神经网络结构。1DCNN通常由多个一维卷积层、激活函数和一维池化层组成。

在1D CNN的卷积层中,其数据的前向传播过程为:

式中:X[i]为1DCNN卷积层输出序列的第i个元素;S[i•s+j]为输入元素,用于卷积操作;s为卷积核移动的步幅;k为卷积核长度;W[j]为卷积操作中第j个元素;b为偏置项。

激活函数是1D CNN中引入非线性的关键步骤,常用的激活函数包括ReLU、Sigmoid和Tanh等。其数据的前向传播过程为:

Y=⨍(X)       (2)

式中:Y为激活函数层的输出;⨍为激活函数;X为激活函数层的输入。

一维池化层的数据前向传播过程为:

O=Y↙ss  (3)

式中:O为池化层的输出;↙ss为池化层中的下采样操作,常见的有最大池化和平均池化两种下采样操作。

1D CNN的算法实现包括前向传播和反向传播两个过程。前向传播过程中,输入数据经过卷积层、池化层和全连接层的顺序处理,最终输出预测结果。反向传播过程中,根据预测结果与真实标签之间的误差,通过梯度下降等优化算法更新网络中的权重和偏置,以减小误差并提高模型的性能。

1.2 长短时记忆神经网络

长短时记忆(Long Short-Term Memory，LSTM)网络由循环神经网络 (Recurrent Neural Network, RNN)改进而来,解决了模型在训练过程中“梯度爆炸”的问题,其由遗忘门、输入门和输出门三个部分组成。目前LSTM网络已在许多场景得到应用,对于时序数据具有良好的预测性能。其网络结构信息如图1所示。

LSTM神经网络中遗忘门用来控制“细胞”历史状态和信息的保留,输出门用来控制数据信息的输出,输入门用来控制时序数据的输入。门使用Sigmod 激活函数和thah函数完成对历史状态和信息的学习和取舍。输入门和遗忘门协同更新信息编码。

式中:⨍_t为遗忘门的输出;σ为Sigmod激活函数,用于描述细胞信息可通过的量,它能将输出值限定在[0,1]之间'当值为1时表示全部通过'当值为0时表示全不准通过;W_f和b_f分别为遗忘门的权重和偏置;h_t-1为上一时间的隐藏状态;x_t为当前时间步的输入;i_t为输入门的Sigmod层输出;W_i、W_c、b_i、b_c分别为输入门Sigmoid层和tanh层的权重和偏置;C't为候选细胞状态,即新的候选值向量;C_t为当前时间步的细胞状态;C_t-1为上一步时间步的细胞状态;*为矩阵逐元素相乘;o_t为输出门的Sigmoid层输出;W_o和b_o分别为输出门的权重和偏置;h_t为当前时间步的隐藏状态,也是LSTM单元的最终输出;u为函数输入变量。

2基于CNN-LSTM神经网络的输电线路覆冰厚度预测

在覆冰预测计算过程中,输入集采用贵州省气象局预报未来7天高分辨率格点资料集,主要选取气象数据中温度、相对湿度值,但气象部门发布的气象数据为3 km×3km格点数据,即9 km²为一个预报值,相对于9 km² 内气象条件相同,空间网格尺寸较大,无法适应小区域范围内输电线路通道不同微地形所造成气象因子差异性的现状。针对该问题,提出以下方法实现对网格化气象数据的精准预测,以保证后期输电线路覆冰厚度预测的准确性。

该方法遵循“两步走”原则。第一步“距离就近原则”:根据气象因子在线监测设备所在杆塔与气象部门3 km×3 km网格化预报模式^[4],计算杆塔与网格化4个格点空间距离,根据距离越近气象因子相似度越高的原则,建立基于“距离就近原则”的杆塔点位气象因子预测模型;第二步“微地形相似性原则”:分别提取杆塔与网格化4个格点微地形因子,根据临近网格格点微地形越相似气象条件越接近的原则,建立基于“微地形相似性原则”的杆塔点位气象因子预测模型。最后,在“两步走”原则下,利用气象部门网格化气象因子预测值,实现对网格内杆塔位置处点对点气象因子的高精度预测。

2.1距离就近原则

首先,提取气象部门3 km× 3 km高分辨率格点预报逐小时气象数据,包括每个格点经纬度、未来对地10 m高度气象因子预测值。计算杆塔坐标所处网格,如01编号小网格,每个网格尺寸3 km×3 km,从上一步的气象数据中读取网格4个格点(A、B、c、D)经纬度,并根据气象因子在线监测终端所在杆塔坐标,计算出杆塔坐标所处网格,如图2所示。

采用Haversine公式分别计算该网格4个格点与杆塔空间距离:

式中:d_i为网格中目标杆塔与气象部门3 km×3 km高分辨率格点A、B、C、D四个格点空间距离,其中i表示A、B、C、D四个点;R为地球半径,取平均值6 371 km;φ_i、δ_i分别为网格点四个格点纬度、经度;φ_g、δ_g分别为目标杆塔纬度、经度;λi为四个网格与目标杆塔经度的差;θ为经度差。

计算杆塔坐标位置处气象因子权重系数^[5]:

式中:w_i分别为网格中A、B、C、D四个格点对目标杆塔气象因子贡献权重系数;n为坐标点数量,这里只有网格的A、B、C、D四个点,所以设置为4。

基于距离就近原则建立的杆塔位置处气象因子预测值计算模型表达式为:

式中:t为杆塔所在位置气象因子预测值;t_i分别为网格中A、B、C、D四个格点气象因子预测值。

2.2微地形相似性原则

提取网格四个格点以及杆塔坐标微地形因子,包括高程(m)、坡度(°)、地表起伏度(°)、山谷(1表示是)、山脊(1表示是)、迎风坡(1表示是)、与水体距离(m);计算网格四个格点微地形因子与杆塔点位处微地形因子相关性系数,并对相关性系数进行归一化处理:

式中:r_i分别为网格中A、B、C、D四个格点与目标杆塔位置处微地形因子相关性系数;R_i为经过归一化处理后四个网格点的微地形因子。

基于微地形相似性原则建立的气象因子预测值计算模型表达式为:

2.3 目标杆塔点位气象因子预测综合模型

建立目标杆塔点位气象因子预测综合模型:

式中:ε₁为基于距离就近原则建立的气象因子预测模型权重;ε₂为基于微地形相似性原则建立的气象因子预测模型权重;r₁为基于距离就近原则的气象因子预测值与杆塔在线监测终端同期实际值相关性系数;r₂为基于微地形相似性原则的气象因子预测值与杆塔在线监测终端实际值相关性系数。

虽然LSTM神经网络算法在时序特征提取上的优势一定程度上提高了模型的预测精度,但对原始输入数据的相关特征利用不足,数据中的隐含信息未得到充分利用,限制了模型的预测性能。因此,本文通过CNN挖掘数据隐含的深层次信息和不同变量间的信息相关性,达到数据充分利用的目的,再采用长短时记忆(LSTM)网络构建预测模型,实现对数据时间维度特征的有效利用,最后输出线路覆冰厚度预测结果。

基于CNN-LSTM神经网络的预测模型分为空间特征提取部分和时序特征提取部分。空间特征部分由输入层、卷积层、池化层组成。时序特征提取部分由2个LSTM层、2个全连接层、1个Dropout层组成,每个LSTM网络含有n个隐含层。预测模型的思路为输入特征矩阵,设置卷积核数量、卷积核尺寸及池化层尺寸,完成对数据深度信息的挖掘,提取数据中的深层次信息。将提取出的特征矩阵输入时序特征提取模块,由LSTM网络提取时间特征,组合全连接层和Dropout层,减少数据量和数据维度,避免预测模型过拟合,并输出预测值。图3为CNN-LSTM神经网络具体结构。

3 实验及结果分析

3.1 实验分析

本文对贵州省气象部门发布的3 km×3 km网格化数值产品气象因子预报结果采用上述“两步走”原则进行耦合处理,叠加433套覆冰在线监测终端经纬度坐标,每小时处理433×4×2=3 464条气象因子数据量,微地形指标主要包括高程、坡度、地表起伏度、山谷、山脊、迎风坡、与水体距离这7个指标,每小时处理433×4×7=12124条微地形数据量。

为验证该气象因子预测计算模型的准确率,根据寒潮影响范围,采用CNN-LSTM神经网络预测模型,选取某一典型代表线路覆冰在线监测系统实时观测结果数据与同期贵州电网输电线路覆冰预报结果进行比对。

首先,从系统获取该实验目标终端的实际温度值;然后,通过气象因子预测计算模型计算该目标终端的温度值;最后,绘制两种情况下的温度曲线图进行对比,验证该计算模型的精准度。

如图4所示,该实验任意选取一覆冰终端作为实验目标,并提取2021年12月25日的气象数据作为实验数据,实线表示覆冰终端实际温度值,虚线为气象因子预测计算模型计算所得温度值。通过对比曲线图,可以知道预测温度曲线平滑接近真实曲线,每个时间点的误差在[-0.06℃ ,+0.06℃]之间,完全符合设计要求。

接下来采用贵州输电线路覆冰预警系统多年实际观测资料对基于CNN-LSTM神经网络的预测模型进行训练和测试,实验数据总量为20万条,按8:2的比例将数据划分为训练数据集和测试数据集。训练集变量数据包含气温、相对湿度、同期覆冰厚度,其中覆冰厚度数据时间尺度为2015年12月—2021年12月,共有433个终端,包含9 758 036条记录,经质量控制后所有字段均无缺失值;训练集定值数据包括高程、与水体距离、坡度、坡向、主体风向与线路夹角,共有433个终端,包含2165条记录。

图5为同期覆冰预报与终端监测覆冰厚度变化趋势,根据图5,在3天时间范围内,覆冰预报及覆冰监测终端监测最大覆冰厚度分别为11.17、10.0 mm,从实际监测值可以看出这3天时间段内覆冰厚度曲线走势基本与真实监测覆冰数值走势相似,整体误差均控制在-2~2 mm。

通过图5展示的结果可以看出,基于CNN—LSTM 神经网络模型预测的覆冰值与实际观测的覆冰数值重合度较高,误差均在可控取值范围,实现了对输电线路覆冰数值的精准预测。

3.2 对比实验

针对各类输电线路覆冰预测模型进行研究,分别采用CNN神经网络、LSTM神经网络、CNN—LSTM神经网络建立覆冰预测模型,各模型预测精度对比情况如表1所示。

由表1可以看出,在测试集数据中,三种模型的精度分别为0.70、0.74、0.82,相比单一的CNN模型和 LSTM模型,CNN—LSTM模型的预测精度得到大幅提升,展现出了显著优于另外两种单一模型的性能。

4 结束语

本文提出了一种基于CNN—LSTM神经网络,集成了网格化数值天气预报、杆塔地形特征、导线自身特征等参量的输电线路单点覆冰预测模型,实验仿真分析验证了该模型的正确性和有效性,即该模型能实现对网格内杆塔位置处点对点气象因子的高精度预测,解决了输电线路单点覆冰厚度在未来3~72 h内的精确预测问题,可为电力部门提供及时、科学的防冰抗冰决策依据。

[参考文献]

[1]黄文婧,李华强,杨植雅,等.基于模糊聚类排序及状态均匀性的电网安全性风险评估[J].电测与仪表,2018,55(9):21-26.

[2] 费春国,霍洪双.基于电流振幅与SVM的输电线路故障分类[J].电力系统及其自动化学报,2019,31(4):139—144.

[3]雷明振,张源,许文涛.高压输电线路地线融冰技术的研究[J]. 自动化应用,2023,64(20):127—129.

[4]周舰,孙小成,卢朝军,等.气候因子小网格化技术在湖南烟草种植区划中的运用 [J].农业工程,2020,10 (12): 41—44.

[5]刘海燕,周雪莹,李显风,等.基于数据湖的智能网格气象预报业务产品服务模式初探:以江西省为例[J].气象与减灾研究,2022,45(1):64—69.

2024年第21期第20篇