基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的輸電線路覆冰預測技術(shù)研究

0引言

我國南方山區(qū)電力輸送主干線穿越的地形復 雜、局地氣象條件變化很大。架空輸電線路在運行過程中容易遭受覆冰災(zāi)害,覆冰可能會造成線路跳閘、金具損壞,甚至引發(fā)斷線、倒塔等事故^[1],嚴重威脅電網(wǎng)的安全穩(wěn)定運行^[2]。在輸電線路防冰抗冰工作方面,目前國內(nèi)電力部門已采取多種技術(shù)手段以應(yīng)對極端氣候環(huán)境下覆冰對輸電線路所產(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)手段存在的一個問題在于:它們都只能針對已發(fā)生的覆冰事件采取具體的應(yīng)對措施,因此在管理部門制定有效的防冰抗冰工作決策時常常面臨時間緊迫的挑戰(zhàn),大大影響了防冰抗冰工作的進度和效率。

針對上述問題,提出基于CNN—LSTM神經(jīng)網(wǎng)絡(luò)技術(shù)的單點覆冰預測模型,該模型集成了網(wǎng)格化數(shù)值天氣預報、桿塔地形特征、導線自身特征等參量,能夠?qū)δ壳耙巡渴鹆说戎蹈脖穸缺O(jiān)測終端的輸電線路現(xiàn)場進行時間尺度為3~72 h的單點覆冰預測。最后,通過數(shù)據(jù)仿真對該模型的準確性進行了驗證。

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)的前向傳播過程為:

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

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,常見的有最大池化和平均池化兩種下采樣操作。

1D CNN的算法實現(xiàn)包括前向傳播和反向傳播兩個過程。前向傳播過程中,輸入數(shù)據(jù)經(jīng)過卷積層、池化層和全連接層的順序處理,最終輸出預測結(jié)果。反向傳播過程中,根據(jù)預測結(jié)果與真實標簽之間的誤差,通過梯度下降等優(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 長短時記憶神經(jīng)網(wǎng)絡(luò)

長短時記憶(Long Short-Term Memory，LSTM)網(wǎng)絡(luò)由循環(huán)神經(jīng)網(wǎng)絡(luò) (Recurrent Neural Network, RNN)改進而來,解決了模型在訓練過程中“梯度爆炸”的問題,其由遺忘門、輸入門和輸出門三個部分組成。目前LSTM網(wǎng)絡(luò)已在許多場景得到應(yīng)用,對于時序數(shù)據(jù)具有良好的預測性能。其網(wǎng)絡(luò)結(jié)構(gòu)信息如圖1所示。

LSTM神經(jīng)網(wǎng)絡(luò)中遺忘門用來控制“細胞”歷史狀態(tài)和信息的保留,輸出門用來控制數(shù)據(jù)信息的輸出,輸入門用來控制時序數(shù)據(jù)的輸入。門使用Sigmod 激活函數(shù)和thah函數(shù)完成對歷史狀態(tài)和信息的學習和取舍。輸入門和遺忘門協(xié)同更新信息編碼。

式中:?_t為遺忘門的輸出;σ為Sigmod激活函數(shù),用于描述細胞信息可通過的量,它能將輸出值限定在[0,1]之間'當值為1時表示全部通過'當值為0時表示全不準通過;W_f和b_f分別為遺忘門的權(quán)重和偏置;h_t-1為上一時間的隱藏狀態(tài);x_t為當前時間步的輸入;i_t為輸入門的Sigmod層輸出;W_i、W_c、b_i、b_c分別為輸入門Sigmoid層和tanh層的權(quán)重和偏置;C't為候選細胞狀態(tài),即新的候選值向量;C_t為當前時間步的細胞狀態(tài);C_t-1為上一步時間步的細胞狀態(tài);*為矩陣逐元素相乘;o_t為輸出門的Sigmoid層輸出;W_o和b_o分別為輸出門的權(quán)重和偏置;h_t為當前時間步的隱藏狀態(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測

在覆冰預測計算過程中,輸入集采用貴州省氣象局預報未來7天高分辨率格點資料集,主要選取氣象數(shù)據(jù)中溫度、相對濕度值,但氣象部門發(fā)布的氣象數(shù)據(jù)為3 km×3km格點數(shù)據(jù),即9 km²為一個預報值,相對于9 km² 內(nèi)氣象條件相同,空間網(wǎng)格尺寸較大,無法適應(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。針對該問題,提出以下方法實現(xiàn)對網(wǎng)格化氣象數(shù)據(jù)的精準預測,以保證后期輸電線路覆冰厚度預測的準確性。

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)測設(shè)備所在桿塔與氣象部門3 km×3 km網(wǎng)格化預報模式^[4],計算桿塔與網(wǎng)格化4個格點空間距離,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”的桿塔點位氣象因子預測模型;第二步“微地形相似性原則”:分別提取桿塔與網(wǎng)格化4個格點微地形因子,根據(jù)臨近網(wǎng)格格點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”的桿塔點位氣象因子預測模型。最后,在“兩步走”原則下,利用氣象部門網(wǎng)格化氣象因子預測值,實現(xiàn)對網(wǎng)格內(nèi)桿塔位置處點對點氣象因子的高精度預測。

2.1距離就近原則

首先,提取氣象部門3 km× 3 km高分辨率格點預報逐小時氣象數(shù)據(jù),包括每個格點經(jīng)緯度、未來對地10 m高度氣象因子預測值。計算桿塔坐標所處網(wǎng)格,如01編號小網(wǎng)格,每個網(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個格點(A、B、c、D)經(jīng)緯度,并根據(jù)氣象因子在線監(jiān)測終端所在桿塔坐標,計算出桿塔坐標所處網(wǎng)格,如圖2所示。

采用Haversine公式分別計算該網(wǎng)格4個格點與桿塔空間距離:

式中:d_i為網(wǎng)格中目標桿塔與氣象部門3 km×3 km高分辨率格點A、B、C、D四個格點空間距離,其中i表示A、B、C、D四個點;R為地球半徑,取平均值6 371 km;φ_i、δ_i分別為網(wǎng)格點四個格點緯度、經(jīng)度;φ_g、δ_g分別為目標桿塔緯度、經(jīng)度;λi為四個網(wǎng)格與目標桿塔經(jīng)度的差;θ為經(jīng)度差。

計算桿塔坐標位置處氣象因子權(quán)重系數(shù)^[5]:

式中:w_i分別為網(wǎng)格中A、B、C、D四個格點對目標桿塔氣象因子貢獻權(quán)重系數(shù);n為坐標點數(shù)量,這里只有網(wǎng)格的A、B、C、D四個點,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測值計算模型表達式為:

式中:t為桿塔所在位置氣象因子預測值;t_i分別為網(wǎng)格中A、B、C、D四個格點氣象因子預測值。

2.2微地形相似性原則

提取網(wǎng)格四個格點以及桿塔坐標微地形因子,包括高程(m)、坡度(°)、地表起伏度(°)、山谷(1表示是)、山脊(1表示是)、迎風坡(1表示是)、與水體距離(m);計算網(wǎng)格四個格點微地形因子與桿塔點位處微地形因子相關(guān)性系數(shù),并對相關(guān)性系數(shù)進行歸一化處理:

式中:r_i分別為網(wǎng)格中A、B、C、D四個格點與目標桿塔位置處微地形因子相關(guān)性系數(shù);R_i為經(jīng)過歸一化處理后四個網(wǎng)格點的微地形因子。

基于微地形相似性原則建立的氣象因子預測值計算模型表達式為:

2.3 目標桿塔點位氣象因子預測綜合模型

建立目標桿塔點位氣象因子預測綜合模型:

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

雖然LSTM神經(jīng)網(wǎng)絡(luò)算法在時序特征提取上的優(yōu)勢一定程度上提高了模型的預測精度,但對原始輸入數(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,限制了模型的預測性能。因此,本文通過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,達到數(shù)據(jù)充分利用的目的,再采用長短時記憶(LSTM)網(wǎng)絡(luò)構(gòu)建預測模型,實現(xiàn)對數(shù)據(jù)時間維度特征的有效利用,最后輸出線路覆冰厚度預測結(jié)果。

基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的預測模型分為空間特征提取部分和時序特征提取部分?？臻g特征部分由輸入層、卷積層、池化層組成。時序特征提取部分由2個LSTM層、2個全連接層、1個Dropout層組成,每個LSTM網(wǎng)絡(luò)含有n個隱含層。預測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序特征提取模塊,由LSTM網(wǎng)絡(luò)提取時間特征,組合全連接層和Dropout層,減少數(shù)據(jù)量和數(shù)據(jù)維度,避免預測模型過擬合,并輸出預測值。圖3為CNN-LSTM神經(jīng)網(wǎng)絡(luò)具體結(jié)構(gòu)。

3 實驗及結(jié)果分析

3.1 實驗分析

本文對貴州省氣象部門發(fā)布的3 km×3 km網(wǎng)格化數(shù)值產(chǎn)品氣象因子預報結(jié)果采用上述“兩步走”原則進行耦合處理,疊加433套覆冰在線監(jiān)測終端經(jīng)緯度坐標,每小時處理433×4×2=3 464條氣象因子數(shù)據(jù)量,微地形指標主要包括高程、坡度、地表起伏度、山谷、山脊、迎風坡、與水體距離這7個指標,每小時處理433×4×7=12124條微地形數(shù)據(jù)量。

為驗證該氣象因子預測計算模型的準確率,根據(jù)寒潮影響范圍,采用CNN-LSTM神經(jīng)網(wǎng)絡(luò)預測模型,選取某一典型代表線路覆冰在線監(jiān)測系統(tǒng)實時觀測結(jié)果數(shù)據(jù)與同期貴州電網(wǎng)輸電線路覆冰預報結(jié)果進行比對。

首先,從系統(tǒng)獲取該實驗?zāi)繕私K端的實際溫度值;然后,通過氣象因子預測計算模型計算該目標終端的溫度值;最后,繪制兩種情況下的溫度曲線圖進行對比,驗證該計算模型的精準度。

如圖4所示,該實驗任意選取一覆冰終端作為實驗?zāi)繕?并提取2021年12月25日的氣象數(shù)據(jù)作為實驗數(shù)據(jù),實線表示覆冰終端實際溫度值,虛線為氣象因子預測計算模型計算所得溫度值。通過對比曲線圖,可以知道預測溫度曲線平滑接近真實曲線,每個時間點的誤差在[-0.06℃ ,+0.06℃]之間,完全符合設(shè)計要求。

接下來采用貴州輸電線路覆冰預警系統(tǒng)多年實際觀測資料對基于CNN-LSTM神經(jīng)網(wǎng)絡(luò)的預測模型進行訓練和測試,實驗數(shù)據(jù)總量為20萬條,按8:2的比例將數(shù)據(jù)劃分為訓練數(shù)據(jù)集和測試數(shù)據(jù)集。訓練集變量數(shù)據(jù)包含氣溫、相對濕度、同期覆冰厚度,其中覆冰厚度數(shù)據(jù)時間尺度為2015年12月—2021年12月,共有433個終端,包含9 758 036條記錄,經(jīng)質(zhì)量控制后所有字段均無缺失值;訓練集定值數(shù)據(jù)包括高程、與水體距離、坡度、坡向、主體風向與線路夾角,共有433個終端,包含2165條記錄。

圖5為同期覆冰預報與終端監(jiān)測覆冰厚度變化趨勢,根據(jù)圖5,在3天時間范圍內(nèi),覆冰預報及覆冰監(jiān)測終端監(jiān)測最大覆冰厚度分別為11.17、10.0 mm,從實際監(jiān)測值可以看出這3天時間段內(nèi)覆冰厚度曲線走勢基本與真實監(jiān)測覆冰數(shù)值走勢相似,整體誤差均控制在-2~2 mm。

通過圖5展示的結(jié)果可以看出,基于CNN—LSTM 神經(jīng)網(wǎng)絡(luò)模型預測的覆冰值與實際觀測的覆冰數(shù)值重合度較高,誤差均在可控取值范圍,實現(xiàn)了對輸電線路覆冰數(shù)值的精準預測。

3.2 對比實驗

針對各類輸電線路覆冰預測模型進行研究,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)建立覆冰預測模型,各模型預測精度對比情況如表1所示。

由表1可以看出,在測試集數(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模型的預測精度得到大幅提升,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

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)值天氣預報、桿塔地形特征、導線自身特征等參量的輸電線路單點覆冰預測模型,實驗仿真分析驗證了該模型的正確性和有效性,即該模型能實現(xiàn)對網(wǎng)格內(nèi)桿塔位置處點對點氣象因子的高精度預測,解決了輸電線路單點覆冰厚度在未來3~72 h內(nèi)的精確預測問題,可為電力部門提供及時、科學的防冰抗冰決策依據(jù)。

[參考文獻]

[1]黃文婧,李華強,楊植雅,等.基于模糊聚類排序及狀態(tài)均勻性的電網(wǎng)安全性風險評估[J].電測與儀表,2018,55(9):21-26.

[2] 費春國,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)及其自動化學報,2019,31(4):139—144.

[3]雷明振,張源,許文濤.高壓輸電線路地線融冰技術(shù)的研究[J]. 自動化應(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)劃中的運用 [J].農(nóng)業(yè)工程,2020,10 (12): 41—44.

[5]劉海燕,周雪瑩,李顯風,等.基于數(shù)據(jù)湖的智能網(wǎng)格氣象預報業(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