本發(fā)明涉及線路舞動預(yù)測技術(shù)領(lǐng)域，具體為一種基于SVM分類器的輸電線路易舞氣象條件預(yù)報方法。

背景技術(shù)：

冰災(zāi)是影響輸電線路安全運行的另一突出問題，覆冰的導(dǎo)線在風(fēng)的激勵下容易發(fā)生舞動。舞動是指導(dǎo)線在風(fēng)力及不對稱覆冰的作用下引起的低頻率、大幅度的自激振動，是一種空氣動力失穩(wěn)現(xiàn)象。舞動多發(fā)生在冬季，其破壞能量很大，且持續(xù)時間長，易對輸電線路造成機械損傷和電氣故障，輕則導(dǎo)致相間閃絡(luò)會損傷導(dǎo)線、地線及金具等，重則導(dǎo)致斷股、斷線，甚至倒塔等惡性事故，嚴(yán)重威脅著輸電線路的安全運行。電網(wǎng)長期運行觀測和統(tǒng)計資料表明，中國是舞動災(zāi)害最嚴(yán)重的國家之一，隨著中國電網(wǎng)規(guī)模的擴大，加之近年來惡劣冰凍天氣頻繁出現(xiàn)，輸電線路舞動事故的發(fā)生頻率以及危害程度均有明顯的增加，且舞動區(qū)域已不再局限于少數(shù)地區(qū)，而是遍及到國家電網(wǎng)的大部分地區(qū)。因此，開展輸電線路舞動的易舞氣象條件預(yù)報和風(fēng)險預(yù)警研究具有重要的理論意義和工程實用價值。

近些年來，國內(nèi)外學(xué)者對導(dǎo)線舞動激發(fā)機理、計算仿真、舞動監(jiān)測及防舞動措施等進行了多方面的研究，取得了很多重要成果并將其應(yīng)用到了實際工程中。遺憾的是，由于導(dǎo)線和氣流相互作用的流固耦合以及輸電線的大幅運動的幾何非線性問題等，使導(dǎo)線舞動問題變得異常復(fù)雜，迄今為止尚無統(tǒng)一、普適的舞動激發(fā)理論。

現(xiàn)行的防舞措施概括起來可分為三大類：一是從氣象條件考慮，避開易于發(fā)生舞動的覆冰區(qū)域和線路走向；二是在機械結(jié)構(gòu)和電氣性能設(shè)計方面，提高輸電線路的抗舞動性能；三是采取各種防舞裝置，抑制舞動的發(fā)生。但值得注意的是：其一，考慮到節(jié)省線路走廊的經(jīng)濟性設(shè)計要求以及施工便宜性等因素，使得部分輸電線路無法完全避開舞動區(qū)域；其二，在實際應(yīng)用中，加強導(dǎo)線機械強度的技術(shù)以及相關(guān)的抗舞設(shè)計尚不夠翔實和規(guī)范，提高設(shè)計強度的經(jīng)濟性以及可操作性較差，同時也缺乏實踐經(jīng)驗；其三，線路防舞器是根據(jù)不同舞動激發(fā)機理研發(fā)而來的，導(dǎo)致目前使用較多的幾種防舞裝置都存在明顯的設(shè)計特點和應(yīng)用局限性，防舞效果也存在很大差異。顯然，要想完全制服舞動還需很長一段時間的努力，而目前迫切需要一種主動性更強、應(yīng)用范圍更廣的導(dǎo)線防舞動輔助決策方法，來減輕舞動對輸電線路安全運行的危害。

輸電線路舞動是一種復(fù)雜的流固耦合振動，其形成因素較多，經(jīng)過多年來國內(nèi)外對舞動的研究，歸納得出了引起舞動的三方面重要因素，即：

① 導(dǎo)線覆冰：引起導(dǎo)線舞動的決定性因素。導(dǎo)線上要形成覆冰，必須具備三項條件：一是空氣濕度較大，一般在85%以上；二是合適的溫度，一般為0到?5 ℃；三是可以使空氣中水滴運動的合適風(fēng)速，一般大于1 m/s，小于15 m/s。

② 風(fēng)的激勵：導(dǎo)線舞動的直接原因。一段線路的舞動狀態(tài)及其強弱，除了與風(fēng)速大小有關(guān)外，還取決于風(fēng)向與導(dǎo)線軸線（線路走向）的夾角。

③ 線路結(jié)構(gòu)與參數(shù)：引起舞動的內(nèi)因。不合理的線路結(jié)構(gòu)參數(shù)組合易引起舞動，這些因素主要包括：導(dǎo)線的類型、導(dǎo)線截面、線路檔距等。

綜上可見：一方面，氣象條件是影響舞動激發(fā)的最重要因素，只要滿足舞動條件，各區(qū)域、各電壓等級的輸電線路都可能發(fā)生舞動；另一方面，目前已有的針對輸電線路舞動的物理模型不夠精確，且這些模型中的部分參量在實際線路上難以通過測量實時獲取，純粹利用物理模型進行輸電線路舞動預(yù)警的準(zhǔn)確性和實用性較低。

技術(shù)實現(xiàn)要素：

針對上述分析的現(xiàn)有措施的不足，本發(fā)明提供了一種基于SVM分類器的輸電線路易舞氣象條件預(yù)報方法，通過挖掘歷史上舞動頻發(fā)區(qū)域的輸電線路參數(shù)和氣象參數(shù)，以氣象參數(shù)為輸入量，建立氣象要素累積作用過程的SVM分類器，預(yù)測是否滿足易舞氣象條件。

一種基于SVM分類器的輸電線路易舞氣象條件預(yù)報方法，通過挖掘歷史上舞動頻發(fā)區(qū)域的輸電線路參數(shù)和氣象參數(shù)，以氣象參數(shù)為輸入量，建立氣象要素累積作用過程的SVM分類器，預(yù)測是否滿足易舞氣象條件。

1）構(gòu)造SVM分類器，選取舞動前2天的最低氣溫、平均相對濕度、日降水量、平均風(fēng)速，以及發(fā)生舞動當(dāng)天的最低氣溫、相對濕度、日降水量、最大風(fēng)速、最大風(fēng)速的風(fēng)向與導(dǎo)線軸向的夾角作為SVM分類器的輸入矢量，具體如下：

x = (T_min2, RH_mean2, P₂, V_mean2, T_min1, RH_mean1, P₁, V_mean1, T_min, RH, P , V_max, WD) （1）

其中，T_min2, RH_mean2, P₂, V_mean2分別表示前2天的最低溫度，平均相對濕度，日降水量，平均風(fēng)速；T_min1, RH_mean1, P₁, V_mean1分別表示前1天的最低溫度，平均相對濕度，日降水量，平均風(fēng)速；T_min, RH, P , V_max, WD分別表示當(dāng)天的最低溫度，相對濕度，日降水量，最大風(fēng)速，最大風(fēng)速的風(fēng)向與導(dǎo)線軸向的夾角；x 為一個13維的矢量；

SVM分類器的輸出結(jié)果為某區(qū)域是否達(dá)到易舞氣象條件，即y ∈{?1, 1}，其中y = 1表示達(dá)到易舞氣象條件，y = ?1表示未達(dá)到易舞氣象條件；

SVM分類器的分類界面的判別函數(shù)為

（2）

其中，N 為訓(xùn)練樣本個數(shù)，K (x ，x_i)為核函數(shù)，分類界面的參數(shù)λ_i（i = 1, 2, ?, N）和b 應(yīng)滿足

（3）

且應(yīng)滿足上式中非零系數(shù)λ_i個數(shù)最少；

訓(xùn)練時，SVM分類器的核函數(shù)有多種形式，例如線性核函數(shù)、高斯核函數(shù)、二項有理核函數(shù)，只要滿足Mercer條件均可，可以根據(jù)實際效果進行試探性選擇；

對于訓(xùn)練得到的SVM分類器，通過對比預(yù)報情況與實際故障發(fā)生情況，列出預(yù)警效果統(tǒng)計表，如表1所示，使用分類正確率、預(yù)報準(zhǔn)確率、空報率、漏報率評價指標(biāo)來檢驗風(fēng)險預(yù)報的預(yù)測性能；

表1 預(yù)報效果統(tǒng)計表

① 分類正確率ACR（Accurate Classification Rate）

將“有預(yù)報，實際發(fā)生舞動”、“未預(yù)報，實際也未發(fā)生”視為“分類正確”，此時分類正確率ACR可表示為分類正確的次數(shù)占所有可能情況的比例，計算式為

（4）

式中，N_AW表示有預(yù)報實際也發(fā)生了舞動的次數(shù)；N_MW表沒有預(yù)報而實際發(fā)生了的次數(shù)；N_FW表示有預(yù)報，而實際沒有發(fā)生的次數(shù)；N_NW表示沒有預(yù)報實際也沒有發(fā)生的次數(shù)。

② 預(yù)報準(zhǔn)確率AWR（Accurate Warning Rate）

將“有預(yù)報，實際也發(fā)生了”視為“預(yù)報正確”，此時預(yù)報準(zhǔn)確率AWR表示為預(yù)報正確的次數(shù)占實際發(fā)生總次數(shù)的比例，計算式為

（5）

③ 空報率FWR（False Warning Rate）

將“有預(yù)報，而實際沒有發(fā)生”視為“空報”，此時的空報率FWR表示為空報次數(shù)與總預(yù)報次數(shù)的百分比，計算式為

（6）

④ 漏報率MWR（Missed Warning Rate）

將“沒有預(yù)報，而實際發(fā)生了”視為“漏報”，此時的漏報率MWR表示為漏報次數(shù)與實際發(fā)生總次數(shù)的百分比，計算式為

（7）

預(yù)報模型投運后，可以采用上述指標(biāo)定期檢驗評估預(yù)報效果，自動根據(jù)預(yù)報性能調(diào)整預(yù)報模型中的特征值、門檻值參數(shù)，以提升預(yù)報模型的效果和適應(yīng)性；

3）利用訓(xùn)練好的SVM分類器進行易舞氣象條件預(yù)報，將當(dāng)前時刻前2天的最低氣溫、平均相對濕度、日降水量、平均風(fēng)速，以及當(dāng)前時刻預(yù)報的未來24 h的最低氣溫、相對濕度、日降水量、最大風(fēng)速、最大風(fēng)速的風(fēng)向與導(dǎo)線走向的夾角作為預(yù)報易舞氣象條件的輸入矢量，預(yù)報未來24 h是否滿足易舞氣象條件，輸出結(jié)果為某區(qū)域是否達(dá)到易舞氣象條件，即y∈{?1, 1}，其中y = 1表示達(dá)到易舞氣象條件，y = ?1表示未達(dá)到易舞氣象條件；

本發(fā)明普遍適用于電力系統(tǒng)在迎峰渡冬期間進行輸電線路易舞氣象條件預(yù)報和舞動預(yù)警，特別是輸電線路舞動事故多發(fā)地區(qū)，相比現(xiàn)有技術(shù)，本發(fā)明具有如下優(yōu)點：

1）本發(fā)明充分利用了線路歷史舞動信息和氣象信息，考慮了氣象要素對導(dǎo)線覆冰舞動的累積作用效果，更符合實際；

2）本發(fā)明采用SVM分類器來構(gòu)建區(qū)域易舞氣象條件預(yù)報模型，在解決小樣本、非線性以及高維模式識別問題中具有很多優(yōu)勢；

3）本發(fā)明構(gòu)建的模型具有很高的分類正確率和預(yù)報準(zhǔn)確率，而漏報和空報均在可接受的范圍內(nèi)，適用性強；

4）本發(fā)明提供的預(yù)報模型投運后，可以自動對預(yù)報性能進行定期檢驗評估，根據(jù)預(yù)報性能調(diào)整預(yù)報模型中的特征值、門檻值參數(shù)，以提升預(yù)報模型的效果和適應(yīng)性。

5）本發(fā)明輸出的易舞氣象條件預(yù)報結(jié)果可為電網(wǎng)運維人員提供決策支撐，有助于提前做好有針對性的抗風(fēng)、除融冰防舞措施，保障輸電線路的安全運行。

附圖說明

下面結(jié)合附圖對本發(fā)明作進一步描述：

圖1為支持SVM分類器的原理圖；

圖2為輸電線路易舞氣象條件預(yù)報原理圖；

圖3為基于SVM分類器的輸電線路易舞氣象條件預(yù)報流程圖。

具體實施方式

下面結(jié)合附圖1～3和實施例對本發(fā)明方法做進一步清楚、完整地描述，但本發(fā)明的實施方式不局限于此。

SVM分類器的構(gòu)造方法如下：

對于一個二分類問題，假設(shè)給定的n 維訓(xùn)練樣本x₁, x₂, ?, x_N, 為了表述方便，定義每個樣本的類別屬性，ω₁類的訓(xùn)練樣本x_i，其類別屬性值y_i = 1；ω₂類的訓(xùn)練樣本x_j，其類別屬性值y_j = ?1，于是可以將上述各樣本重新表示為。設(shè)這些樣本是線性可分的，即存在線性分類界面能將這些訓(xùn)練樣本正確的分為兩類，令分類界面為：

（8）

通過訓(xùn)練所求得的分類界面的參數(shù)λ_i（i = 1, 2, ?, N ）和b 應(yīng)滿足

（9）

且應(yīng)滿足上式中非零系數(shù)λ_i個數(shù)最少。

求取分類界面其實質(zhì)是一個最優(yōu)化問題，并可以描述成如下的規(guī)劃問題：

（10）

對于非線性可分的情況，采用核函數(shù)技術(shù)，則相應(yīng)的最優(yōu)化問題為：

（11）

式中，K (x_i,x_j)為所選取的核函數(shù)。

最優(yōu)化問題(11)的解即可構(gòu)成分類界面的判別函數(shù)

（12）

本發(fā)明以氣象參數(shù)為輸入量，建立氣象要素累積作用過程的SVM分類器，預(yù)報是否滿足易舞氣象條件，主要步驟如下：

1）構(gòu)造SVM分類器

導(dǎo)線舞動的形成同外界氣象條件密不可分，這些氣象條件包括：風(fēng)速、風(fēng)向與導(dǎo)線軸線的夾角、溫度、相對濕度和降水量；由于導(dǎo)線覆冰舞動是氣象要素累積作用的結(jié)果，因此選取舞動前2天的最低氣溫、平均相對濕度、日降水量、平均風(fēng)速，以及發(fā)生舞動當(dāng)天的最低氣溫、相對濕度、日降水量、最大風(fēng)速、最大風(fēng)速的風(fēng)向與導(dǎo)線軸向的夾角作為SVM分類器的輸入矢量，具體如下：

x = (T_min2, RH_mean2, P₂, V_mean2, T_min1, RH_mean1, P₁, V_mean1, T_min, RH, P , V_max, WD) （13）

其中，T_min2, RH_mean2, P₂, V_mean2分別表示前2天的最低溫度，平均相對濕度，日降水量，平均風(fēng)速；T_min1, RH_mean1, P₁, V_mean1分別表示前1天的最低溫度，平均相對濕度，日降水量，平均風(fēng)速；T_min, RH, P , V_max, WD分別表示當(dāng)天的最低溫度，相對濕度，日降水量，最大風(fēng)速，最大風(fēng)速的風(fēng)向與導(dǎo)線軸向的夾角。x 為一個13維的矢量。

SVM分類器的輸出結(jié)果為某區(qū)域是否達(dá)到易舞氣象條件，即y ∈{?1, 1}，其中y = 1表示達(dá)到易舞氣象條件，y = ?1表示未達(dá)到易舞氣象條件；

SVM分類器的分類界面的判別函數(shù)為

（14）

其中，N 為訓(xùn)練樣本個數(shù)，K (x ，x_i)為核函數(shù)，分類界面的參數(shù)λ_i（i = 1, 2, ?, N）和b 應(yīng)滿足

（15）

且應(yīng)滿足上式中非零系數(shù)λ_i個數(shù)最少。

訓(xùn)練時，SVM分類器的核函數(shù)有多種形式，例如線性核函數(shù)、高斯核函數(shù)、二項有理核函數(shù)，只要滿足Mercer條件均可，可以根據(jù)實際效果進行試探性選擇；本例的支持矢量機的核函數(shù)選用二項有理核函數(shù)；

對于訓(xùn)練得到的SVM分類器，通過對比預(yù)報情況與實際故障發(fā)生情況，列出預(yù)警效果統(tǒng)計表，如表1所示，使用分類正確率、預(yù)報準(zhǔn)確率、空報率、漏報率評價指標(biāo)來檢驗風(fēng)險預(yù)報的預(yù)測性能。

表1 預(yù)報效果統(tǒng)計表

① 分類正確率ACR（Accurate Classification Rate）

將“有預(yù)報，實際發(fā)生舞動”、“未預(yù)報，實際也未發(fā)生”視為“分類正確”，此時分類正確率ACR可表示為分類正確的次數(shù)占所有可能情況的比例，計算式為

（16）

式中，N_AW表示有預(yù)報實際也發(fā)生了舞動的次數(shù)；N_MW表沒有預(yù)報而實際發(fā)生了的次數(shù)；N_FW表示有預(yù)報，而實際沒有發(fā)生的次數(shù)；N_NW表示沒有預(yù)報實際也沒有發(fā)生的次數(shù)。

② 預(yù)報準(zhǔn)確率AWR（Accurate Warning Rate）

將“有預(yù)報，實際也發(fā)生了”視為“預(yù)報正確”，此時預(yù)報準(zhǔn)確率AWR表示為預(yù)報正確的次數(shù)占實際發(fā)生總次數(shù)的比例，計算式為

（17）

③ 空報率FWR（False Warning Rate）

將“有預(yù)報，而實際沒有發(fā)生”視為“空報”，此時的空報率FWR表示為空報次數(shù)與總預(yù)報次數(shù)的百分比，計算式為

（18）

④ 漏報率MWR（Missed Warning Rate）

將“沒有預(yù)報，而實際發(fā)生了”視為“漏報”，此時的漏報率MWR表示為漏報次數(shù)與實際發(fā)生總次數(shù)的百分比，計算式為

（19）

預(yù)報模型投運后，可以采用上述指標(biāo)定期檢驗評估預(yù)報效果，自動根據(jù)預(yù)報性能調(diào)整預(yù)報模型中的特征值、門檻值參數(shù)，以提升預(yù)報模型的效果和適應(yīng)性。

3）利用訓(xùn)練好的SVM分類器進行易舞氣象條件預(yù)報，將當(dāng)前時刻前2天的最低氣溫、平均相對濕度、日降水量、平均風(fēng)速，以及當(dāng)前時刻預(yù)報的未來24 h的最低氣溫、相對濕度、日降水量、最大風(fēng)速、最大風(fēng)速的風(fēng)向與導(dǎo)線走向的夾角作為預(yù)報易舞氣象條件的輸入矢量，預(yù)報未來24 h是否滿足易舞氣象條件，輸出結(jié)果為某區(qū)域是否達(dá)到易舞氣象條件，即y∈{?1, 1}，其中y = 1表示達(dá)到易舞氣象條件，y = ?1表示未達(dá)到易舞氣象條件。

下面以河南電網(wǎng)2009～2011年的歷史舞動數(shù)據(jù)（包括2009年11月、2010年2月、2010年11月、2011年11月共4個月份的歷史舞動情況以及對應(yīng)的氣象數(shù)據(jù)），根據(jù)地區(qū)選擇測試集和訓(xùn)練集，其中訓(xùn)練集為河南電網(wǎng)舞動多發(fā)區(qū)域的30個縣（區(qū)）的舞動情況以及對應(yīng)的氣象數(shù)據(jù)，測試集為河南電網(wǎng)舞動多發(fā)區(qū)域其余的7個縣（區(qū)）的舞動情況以及對應(yīng)的氣象數(shù)據(jù)，具體見表2；采用分類正確率、預(yù)報準(zhǔn)確率、漏報率、空報率指標(biāo)對測試結(jié)果進行檢驗，測試結(jié)果列于表3，各評價指標(biāo)的計算結(jié)如下：分類正確率為96.53%，預(yù)報準(zhǔn)確率為92.86%，漏報率為7.14%，空報率為48.00%。

支持矢量機（SVM）是一種通用的機器學(xué)習(xí)算法，也是一種重要的模式分類技術(shù)，其在解決小樣本、非線性以及高維模式識別問題中具有很多優(yōu)勢。支持矢量機分類器的基本原理可以簡要概括為：對于線性可分或非線性可分的訓(xùn)練樣本集，首先根據(jù)最優(yōu)化理論在原始特征空間中構(gòu)建最優(yōu)線性分類界面或廣義最優(yōu)分類界面，然后使用滿足Mercer定理的核函數(shù)替換原始分類界面函數(shù)中的數(shù)積運算，將原始特征空間中的非線性分類界面隱式地映射到更高維的變換特征空間中產(chǎn)生線性分類界面，從而達(dá)到更好的分類效果。由于支持矢量機隱含地運用了結(jié)構(gòu)風(fēng)險設(shè)計的概念，因此具有很強的推廣性，對不同工作模式也能起到很好的分類效果。

表2 訓(xùn)練集與測試集對應(yīng)的區(qū)縣

表3 易舞氣象條件測試結(jié)果

由于正常氣象條件是絕大多數(shù)的，易舞氣象條件是少數(shù)的，易舞氣象條件預(yù)報是在多數(shù)里面分類和預(yù)報出少數(shù)的情況，因此期望漏報率越低越好，同時可以接受適當(dāng)?shù)目請螅槐痉椒ǚ诸愓_率和預(yù)報準(zhǔn)確率都很高（均在90%以上），漏報率較低（10%以下），雖然空報較多，但從實際情況來看，均在舞動發(fā)生的前后一天，即空報的情況處在易舞氣象條件的邊緣，這在工程實際中是可以很好接受的；可見本方法具有很好的預(yù)報效果。

上述實施例為本發(fā)明較佳的實施方式，但本發(fā)明的實施方式并不受所述實施例的限制，其他的任何未背離本發(fā)明的精神實質(zhì)與原理下所作的改變、修飾、替代、組合、簡化，均應(yīng)為效的置換方式，都包含在本發(fā)明的保護范圍之內(nèi)。