一种发生山火之后预测输电线污秽度的方法

摘要

本发明提供一种发生山火之后预测输电线污秽度的方法，属于电力系统及数据挖掘领域。本发明实现了山火发生后，不同污秽积累过程的分类，在此基础上，根据污秽积累的机理，建立了更为准确的污秽预测模型，即引入当前预测时刻对于污秽不同累积过程的隶属度作为影响因子之一，相比传统预测方法，更符合实际情况，结果更加可靠。本发明为输电线路在山火发生之后快速预测输电线路污秽度提供了工具，为预防输电线路污秽引发事故提供了保障，也可用于平时的线路污秽度预测评估中，提高电力系统防御灾害的能力，辅助进行输电线路的管理。

主权项

一种发生山火之后预测输电线污秽度的方法，其特征在于：包括如下步骤：步骤1、根据气象过程对气象历史数据进行分类，定义气象历史数据为{x_i,C_i}，i为样本编号，x_i∈Rⁿ为气象数据，C_i∈R为对应的线路污秽值，对线路污秽气象历史数据{x_i,C_i}进行如下操作：$\left\{\begin{array}{c}{\mathrm{\Delta x}}_i=x_{i+1}-x_i\\ {\mathrm{\Delta C}}_i=C_{i+1}-C_i\end{array}\right.$   式1由式1求得的{Δx_i,ΔC_i}称为气象过程历史数据，由式2将气象过程历史数据{Δx_i,ΔC_i}分为污秽快速稳定增长、污秽维持两个集合：$\left\{\begin{array}{c}{P}_{+}=\left\{{\mathrm{\Delta x}}_i\right|{\mathrm{\Delta C}}_i\in [+\delta ,+\infty )\}\\ P_0=\left\{{\mathrm{\Delta x}}_i\right|{\mathrm{\Delta C}}_i\in (-\delta ,+\delta )\}\end{array}\right.$   式2式(2)中：P₊表示污秽快速稳定增长集合，P₀表示污秽维持集合，ΔC_i为相邻时刻采样点输电线路污秽增量，δ为污秽维持类别的波动范围；步骤2、使用灰色关联分析法计算样本数据对不同累积过程的隶属度,得到影响污秽增长的因子的权重矩阵W的,具体步骤如下：设参考序列C为污秽值序列：C＝(C(1),C(2),...,C(N))比较序列x_j为气象分量的序列：x_j＝(x_j(1),x_j(2),...,x_j(N))其中j为温度、湿度等气象分量的编号，则气象分量x_j与污秽值C的灰色斜率关联度定义为${ϵ}_j=\frac{1}{N-1}\underset{t=1}{\overset{N}{\Sigma }}{\xi }_j\left(t\right)$   式3${\xi }_j\left(t\right)=\frac{1+|\frac{1}{\bar{C}}·\frac{\mathrm{\Delta C}\left(t\right)}{\mathrm{\Delta t}}|}{1+|\frac{1}{\bar{C}}·\frac{\mathrm{\Delta C}\left(t\right)}{\mathrm{\Delta t}}|+|\frac{1}{\bar{C}}·\frac{\mathrm{\Delta C}\left(t\right)}{\mathrm{\Delta t}}-\frac{1}{\overline{x_j}}·\frac{{\mathrm{\Delta x}}_j\left(t\right)}{\mathrm{\Delta t}}|}$   式4其中ξ为灰色关联系数，ξ_j(t)表示气象分量x_j与污秽值C在时刻t所对应的灰色关联系数，t为测得数据对应的时刻，t＝1，2，…，N，N为序列中的测量数据样本数；式4中为气象分量序列的平均值，为污秽值序列平均值，Δx_j(t)表示气象分量x_j在时刻t之后的第一次测量值与时刻t测量值的差值，Δt为对应的时间差；定义影响污秽增长的因子的权重矩阵为WW＝diag(ε₁,ε₂,...,ε_j,...)   式7通过式(8)计算气象过程历史数据对两个集合P₊,P₀的带权重马氏距离L_i,p：$L_{i,p}=\sqrt{{({\mathrm{\Delta x}}_i-m_p)}^T{C_p}^{-1}W({\mathrm{\Delta x}}_i-m_p)}$   式8式(8)中：L_i,p为马氏距离，m_p为模式集P的聚类中心，P∈P₊、P₀，C_p为该模式集的协方差矩阵，有$C_p=\frac{1}{l-1}\underset{i=1}{\overset{l}{\Sigma }}(x_{i,p}-\overline{x_p})(x_{i,p}-\overline{x_p})$   式9将该带权重马氏距离L_i作为模糊隶属度函数的参数，求出气象历史数据对不同气象过程的隶属度μ_i,p具体为：${\mu }_{i,p}=\frac{1}{1+L_p\left({\mathrm{\Delta x}}_i\right)},P\in \left\{P_{+}{P}_0\right\}$   式10；步骤3、利用SVM支持向量机对污秽度进行回归预测：对SVM支持向量机进行训练，得到污秽度的回归预测模型C＝f(x)，回归预测模型的输入有：累积过程隶属度、气象数据、燃烧物类型、地形数据、着火点距离、风速、山火等级、历史污秽度，回归预测模型的输出为当前污秽度，进行预测时，将上一时刻的污秽度、反映上一时刻到预测时刻的气象过程信息的气象过程隶属度，以及预测时刻的气象实测数据，代入回归预测模型即可。