本發(fā)明涉及雷擊閃絡預警技術領域，尤其涉及基于歷史信息的雷擊閃絡預警方法及系統(tǒng)。

背景技術：

電力系統(tǒng)是國民經(jīng)濟和社會發(fā)展的重要組成部分。近年來隨著中國電網(wǎng)規(guī)模迅速擴大，雷擊故障產(chǎn)生的危害越來越大。根據(jù)運行維護部門的統(tǒng)計，雷擊對于輸電系統(tǒng)的跳閘和失穩(wěn)仍然是一個巨大的因素，對電網(wǎng)的安全性和穩(wěn)定性構成嚴重威脅。有效的雷電監(jiān)測和預警系統(tǒng)可以在雷電事故發(fā)生前進行預報，并對電力調度部門的線路運行計劃提供輔助決策。因此，有效的報警方法對減少雷電事故造成的危害具有重要意義。

許多學者提出了不同的雷電災害預警方法，主要使用基于大氣電場儀，雷電監(jiān)測網(wǎng)和雷電定位系統(tǒng)的方法。在當前雷電保護設計的基礎上，雷電電流幅值，閃電發(fā)生位置，桿塔高度被認為是重要參考。中國氣象科學研究院學者利用M-LDARS閃電定位系統(tǒng)的觀測資料和探空資料實現(xiàn)了對雷電活動的預報，并且利用大氣電場儀進行檢測和預報。廈門市防雷中心學者通過大氣電場儀并且綜合電場強度及雷電距離2種預警手段，實現(xiàn)了更準確的雷電短時預警。南京理工大學學者提出通過劃分雷電分區(qū)來預報未來時段雷電概率在地域上的演變趨勢。

針對目前研究方法一般都是對一定區(qū)域是否發(fā)生雷電而進行預警或預報，無法對輸電線路造成的閃絡風險進行預警，國家電力科學研究院學者提出了通過監(jiān)測氣象實時信息，建立閃絡預警流程圖來進行預警的方法。但是現(xiàn)有技術都存在預警結果不夠精確的缺點。

技術實現(xiàn)要素：

本發(fā)明的目的就是為了解決上述問題，提供基于歷史信息的雷擊閃絡預警方法及系統(tǒng)，它針對如何實現(xiàn)閃絡預警，提出基于雷擊歷史數(shù)據(jù)，采用K近鄰算法來進行預警的方法，介紹了預警流程，并通過實例詳細闡述了具體過程，給出了更加精確的預警結果。

為了實現(xiàn)上述目的，本發(fā)明采用如下技術方案：

基于歷史信息的雷擊閃絡預警方法，包括以下步驟：

步驟一，收集雷擊的歷史信息，并以雷擊是否導致閃絡為依據(jù)將雷擊分為兩類；

步驟二，以雷電特征量為坐標軸建立三維空間直角坐標系，并將雷電歷史信息導入三維空間直角坐標系中；

步驟三，利用步驟二的雷電坐標信息作為KD樹構建算法的輸入來構建KD樹；

步驟四，通過大氣電場儀，雷電監(jiān)測網(wǎng)和雷電定位系統(tǒng)的實時監(jiān)測，得到待預警的雷擊信息，將待預警的雷擊信息導入三維空間直角坐標系中；

步驟五，根據(jù)KD樹最近鄰搜索算法，搜索得到待預警雷擊信息的K個近鄰；

步驟六，由K近鄰算法最終確定待預警信息所屬類別，輸出預警結果。

所述步驟一中，收集雷擊的歷史故障信息，分為雷擊閃絡和雷擊未閃絡兩類，記雷擊閃絡集合為A_i，雷擊未閃絡集合為B_i。

所述步驟二的方法為，以雷擊的歷史信息的雷電流幅值為x軸，桿塔高度為y軸，雷擊距線路的距離為z軸，將雷擊閃絡集合A_i和雷擊未閃絡集合B_i導入到三維空間直角坐標系中。

所述步驟三的方法為，根據(jù)導入的雷擊歷史信息的空間點坐標，依據(jù)KD樹的構建理論，建立雷擊歷史信息的空間坐標點的三維KD樹。

所述步驟四的方法為，根據(jù)大氣電場儀，雷電監(jiān)測網(wǎng)和雷電定位系統(tǒng)的監(jiān)測，得出待預警的雷擊信息，記為C，并將雷擊C的坐標信息導入到三維空間直角坐標系中。

所述步驟五的方法為，以歐式距離為度量依據(jù)，利用KD樹最近鄰搜索算法，搜索出距離待預警信息C最近的K個雷擊信息點。

歐式距離：

所述步驟六的方法為，將所得到K個雷擊信息點進行歸類，根據(jù)K近鄰算法的分類思想，K個雷擊信息中所屬分類最多的類別即為C所屬類別，若最終C屬于A_i，則發(fā)出閃絡預警，若C屬于B_i，則不發(fā)出閃絡預警。

基于歷史信息的雷擊閃絡預警系統(tǒng)，包括：

分類模塊：收集雷擊的歷史信息，并以雷擊是否導致閃絡為依據(jù)將雷擊分為兩類；

三維空間直角坐標系建立模塊，以雷電特征量為坐標軸建立三維空間直角坐標系，并將雷電歷史信息導入三維空間直角坐標系中；

KD樹構建模塊：利用雷電坐標信息作為KD樹構建算法的輸入來構建KD樹；

信息導入模塊：通過大氣電場儀，雷電監(jiān)測網(wǎng)和雷電定位系統(tǒng)的實時監(jiān)測，得到待預警的雷擊信息，將待預警的雷擊信息導入三維空間直角坐標系中；

搜索模塊：根據(jù)KD樹最近鄰搜索算法，搜索得到待預警雷擊信息的K個近鄰；

分類模塊：由K近鄰算法最終確定待預警信息所屬類別，輸出預警結果。

本發(fā)明的有益效果：本發(fā)明的預警結果更加精確。

本發(fā)明在大數(shù)據(jù)的趨勢下，拓展了大數(shù)據(jù)的研究領域，把大數(shù)據(jù)態(tài)勢感知的思想(即基于歷史數(shù)據(jù)的預測)應用到了雷擊的閃絡預警領域。

附圖說明

圖1為構建KD樹框架圖；

圖2為預警流程圖；

圖3為雷擊信息分布圖；

圖4為3D-KD樹；

圖5為二維KD樹；

具體實施方式

下面結合附圖與實施例對本發(fā)明作進一步說明。

本發(fā)明提出了基于雷擊歷史數(shù)據(jù)，根據(jù)K近鄰算法來進行預警的方法。首先采集雷擊的歷史信息并將其分為雷擊閃絡和雷擊未閃絡兩類；然后根據(jù)雷擊的歷史信息構建KD樹；當有雷電發(fā)生時，通過大氣電場儀等的實時監(jiān)測得到待預警的雷擊信息，利用KD樹最近鄰搜索算法搜索出待預警雷擊信息的K個近鄰點；最后由K近鄰算法確定待預警信息類別，輸出預警結果。本發(fā)明以100次雷擊歷史信息為算例，詳細闡述了預警流程和結果，同時也驗證了本方法的正確性。

基于歷史信息的雷擊閃絡預警方法，包括以下步驟：

步驟一，收集雷擊的歷史信息，并以雷擊是否導致閃絡為依據(jù)將雷擊分為兩類；

步驟二，以雷電特征量為坐標軸建立三維空間直角坐標系，并將雷電歷史信息導入三維空間直角坐標系中；

步驟二具體過程是以雷電的雷電流幅值為x軸，桿塔高度為y軸，雷電距輸電線路的距離為z軸建立導入坐標點的，舉個例子，比如某次雷電的信息為雷電流幅值200KA，桿塔高度17米，雷電距線路距離為30米，那么導入空間坐標系后就是空間點(200,17,30)，所以通過導入空間坐標系就相當于用空間中點的坐標來代表實際的雷擊信息。

注明：本發(fā)明是以雷電流幅值，桿塔高度，雷電距輸電線路距離三個因素來建立三維空間坐標系進行預警的，只是作為一個例子，當然也可以再選取其它更多的特征量來建立多維的空間直角坐標系，本發(fā)明的算法仍然適用。

步驟三，利用步驟二的雷電坐標信息作為KD樹構建算法的輸入來構建KD樹；

KD樹的輸入就是空間中的好多點的坐標，然后通過KD樹的具體構建過程，最終得到一個樹的結構，也就是說，只要輸入一堆點的坐標，就能構建KD樹。把雷擊的信息用空間的坐標點來代替，所以就是用這些坐標點來建立KD樹，這些點就是代表雷擊的具體參數(shù)，即雷電流幅值，桿塔高度，雷電距輸電線路距離。

步驟四，通過大氣電場儀，雷電監(jiān)測網(wǎng)和雷電定位系統(tǒng)的實時監(jiān)測，得到待預警的雷擊信息，將待預警的雷擊信息導入三維空間直角坐標系中；

待預警雷擊信息包括雷電流幅值，桿塔高度，雷電距輸電線路距離；

大氣電場儀主要監(jiān)測大氣電場強度的變化，雷電監(jiān)測網(wǎng)和雷電定位系統(tǒng)主要實時監(jiān)測雷電的發(fā)展到消失的具體過程，并對雷電進行具體的定位。

步驟五，根據(jù)KD樹最近鄰搜索算法，搜索得到待預警雷擊信息的K個近鄰；

步驟六，由K近鄰算法最終確定待預警信息所屬類別，輸出預警結果。

上述步驟中已經(jīng)提及用坐標點來代表雷擊信息，并且待預警的信息也導入到了坐標系中，也就是說待預警信息也是一個坐標點，步驟五中利用搜索算法即是搜尋距離這個待預警信息坐標點最近的k個點，k是一個常數(shù)，是自定義的，比如本發(fā)明中取k＝5。得到這5個點后，因為這5個點里面有的點是代表雷擊閃絡的點，有的點代表雷擊未閃絡的點，那么待預警的這個點到底歸為哪一類，就涉及到了K近鄰算法。

1算法介紹

1.1K近鄰算法

K近鄰分類算法是數(shù)據(jù)挖掘分類技術中的方法之一。所謂K近鄰算法，即是給定一個訓練數(shù)據(jù)集，對新的輸入實例，在訓練數(shù)據(jù)集中找到與該實例最近的K個實例，這K個實例的多數(shù)屬于某個類，就把該輸入實例分類到這個類中?；舅惴ㄈ缦?；

輸入：訓練數(shù)據(jù)集

T＝{(x₁,y₁),(x₂,y₂),…,(x_N,y_N)} (1)

其中，為實例的特征向量，y_i∈y＝{c₁,c₂,…,c_k}為實例的類別；i＝1,2,…,N，

實例特征向量x；

輸出：實例x所屬的類y。

(1)根據(jù)給定的距離度量，在訓練集T中找出與x最鄰近的K個點，涵蓋這K個點的x的

鄰域記作N_k(x)；

(2)在N_k(x)中根據(jù)分類決策樹規(guī)則(如多數(shù)表決)決定x的類別y：

式(1)中，I為指示函數(shù)，即當y_i＝c_j時I為1，否則I為0.

KNN方法雖然從原理上也依賴于極限定理，但在類別決策時，只與極少量的相鄰樣本有關。因此，采用這種方法可以較好地避免樣本的不平衡問題。另外，由于KNN方法主要靠周圍有限的鄰近的樣本，而不是靠判別類域的方法來確定所屬類別的，因此對于類域的交叉或重疊較多的待分樣本集來說，KNN方法較其他方法更為適合。

K近鄰算法主要解決三個方面的問題，一是近鄰的定義，二是K的取值，三是搜索算法的改善。

1.1.1近鄰的定義

K近鄰算法的核心在于找到實例點的近鄰，在空間中點與點之間的距離最能反應兩點之間的相似程度，所以常用距離來度量近鄰。常用的距離度量如表1所示。

表1常用距離度量類型

本發(fā)明主要采用歐式距離來確定樣本的距離。

1.1.2K的取值

近鄰的定義解決后，還有一個選擇多少近鄰，即K值定義為多大的問題。K值的選取對結果有很大的影響：

如果選擇較小的K值，就相當于用較小的領域中的訓練實例進行預測，“學習”近似誤差會減小，只有與輸入實例較近或相似的訓練實例才會對預測結果起作用，與此同時帶來的問題是“學習”的估計誤差會增大，換句話說，K值的減小就意味著整體模型變得復雜，容易發(fā)生過擬合；

如果選擇較大的K值，就相當于用較大領域中的訓練實例進行預測，其優(yōu)點是可以減少學習的估計誤差，但缺點是學習的近似誤差會增大。這時候，與輸入實例較遠(不相似的)訓練實例也會對預測器作用，使預測發(fā)生錯誤，且K值的增大就意味著整體的模型變得簡單。

在實際應用中，K值一般取一個比較小的數(shù)值，例如采用交叉驗證法(即一部分樣本做訓練集，一部分做測試集)來選擇最優(yōu)的K值。

1.1.3搜索算法的改進

該方法的不足之處是計算量較大，因為對每一個待分類的文本都要計算它到全體已知樣本的距離，才能求得它的K個最近鄰點。如何對搜索算法進行改進就十分重要，本發(fā)明通過建立KD樹，利用KD樹最近鄰搜索算法搜尋K個最近鄰點，使計算量大大降低。

1.2KD樹的構建

KD樹是K-Dimension Tree的縮寫，是在K維空間中對數(shù)據(jù)集進行分割的一種數(shù)據(jù)結構，被廣泛用于高維空間的數(shù)據(jù)索引和查詢。在KD樹種，設K維的超矩形被一個正交于第d維的超平面劃分為兩個超矩形，則這個超平面記為：

H＝{|x∈R^K；x_d＝h|} (3)

兩個超矩形R_l和R_r分別記為：

R_l＝{|x∈R^K；x_d≤h|}，R_r＝{|x∈R^K；x_d＞h|} (4)

如圖1所示，構造KD樹的過程是循環(huán)地使用數(shù)據(jù)的每一維劃分數(shù)據(jù)集的過程。表2描述了KD樹中每個節(jié)點的數(shù)據(jù)機構。Rectangle表示結點中的數(shù)據(jù)點構成的超矩形。x表示的數(shù)據(jù)集中的一個數(shù)據(jù)點。分割超平面是經(jīng)過數(shù)據(jù)點x且正交于方向軸split-dim的一個超平面，利用這個分割超平面把超矩形劃分為兩個超矩形。如果split-dim的值取為d，記x_d為選出來的分割值，即數(shù)據(jù)點x在分割維上的取值。超矩形Rectangle中的數(shù)據(jù)點的第d維的取值記為如果小于或等于x_d，則該數(shù)據(jù)點就被劃分到超矩形的左邊的超矩形R_l(左孩子結點)中去，反之就被劃分到右邊的超矩形R_r(右孩子結點)中去。R_l和R_r分別表示由左孩子結點或右孩子結點中數(shù)據(jù)點構成的KD樹。

表2KD樹節(jié)點的數(shù)據(jù)結構

從表中可以看出，KD的構建過程是一個遞歸劃分的過程，框架圖如圖1所示。

1.3KD樹最近鄰搜索算法

算法步驟如下：

(1)在KD樹種找出包含目標點x的葉結點：從根結點出發(fā)，遞歸地向下搜索KD樹。若目標點x當前維坐標小于切分點坐標，則移動到左子結點，否則移動到右子結點，直到子結點為葉結點為止。

(2)以此葉結點為“當前最近點”。

(3)遞歸的向上回溯，在每個結點進行以下操作：

(a)如果該結點保存的實例點比當前最近點距離目標點更近，則更新“當前最近點”，也就是說以該實例點為“當前最近點。

(b)當前最近點一定存在于該結點一個子結點對應的區(qū)域，檢查子結點的父結點的另一子結點對應的區(qū)域是否有更近的點。具體做法是，檢查另一子結點對應的區(qū)域是否以目標點位球心，以目標點與“當前最近點”間的距離為半徑的圓或超球體相交：

如果相交，可能在另一個子結點對應的區(qū)域內存在距目標點更近的點，移動到另一個子結點，接著，繼續(xù)遞歸地進行最近鄰搜索；

如果不相交，向上回溯。

(4)當回退到根結點時，搜索結束，最后的“當前最近點”即為x的最近鄰點。

2預警流程

本發(fā)明旨在建立一個基于歷史數(shù)據(jù)的雷擊閃絡預警流程。架空輸電線路雷擊閃絡預警是指對線路遭受雷擊后產(chǎn)生閃絡故障的危害風險提前預警。由于線路具備一定的絕緣耐受能力，所以當線路附近發(fā)生雷電時，只有雷電造成的過電壓強度超過線路絕緣耐受能力時，才會造成絕緣閃絡。由于雷電在線路上產(chǎn)生的過電壓主要與桿塔高度，雷電位置(雷電到線路的距離)和雷電流幅值有關，所以本發(fā)明主要選取這三個主要因素作為預警特征量，其預警流程如圖2所示。

根據(jù)圖2，線路輸電線路雷擊閃絡預警流程主要包含以下步驟：

1)收集雷擊的歷史信息，并以雷擊是否導致閃絡為依據(jù)將雷擊分為兩類。

2)以雷電特征量為坐標軸建立三維空間直角坐標系，并將雷電歷史信息導入坐標系中。

3)利用雷電的坐標信息，構建KD樹。

4)通過大氣電場儀，雷電監(jiān)測網(wǎng)和雷電定位系統(tǒng)的實時監(jiān)測，得到待預警的雷擊信息。

5)根據(jù)KD樹最近鄰搜索算法，搜索得到待預警雷擊信息的K個近鄰。

6)由K近鄰算法分類思想最終確定待預警信息所屬類別，輸出預警結果。

3實例分析

本發(fā)明收集了120次實際的雷擊數(shù)據(jù)，其中100次實際數(shù)據(jù)作為歷史數(shù)據(jù)來構建三維空間坐標系，剩余的20次實際雷擊數(shù)據(jù)作為測試數(shù)據(jù)，以便于驗證本發(fā)明所提方法的正確性。

該100次雷擊有60次雷擊產(chǎn)生閃絡，40次雷擊未產(chǎn)生閃絡，記前60次雷擊閃絡的節(jié)點標號為1～60，雷擊未閃絡的節(jié)點編號為61～100。

首先，我們將100次雷擊數(shù)據(jù)導入到MATLAB程序中，并在三維坐標系中將其表示出來，如圖3所示。其中，圓點代表雷擊閃絡，方塊代表雷擊未閃絡。

根據(jù)建造KD樹的算法流程，得到雷電歷史信息的3D-KD樹，結果圖4所示。

為了使KD的展現(xiàn)更加直觀，將3D-KD樹轉化為二維的KD數(shù)，結果如圖5所示。

然后，導入20次測試點，通過KD樹近鄰搜索算法，搜索出K(本發(fā)明中K取5)個近鄰點，最后根據(jù)K近鄰算法確定測試點類型，輸出預警結果，如表3所示。

表3預警結果

該算例驗證了本發(fā)明所提方法的正確性。

4結語

本發(fā)明研究了雷擊的閃絡預警流程，通過收集雷擊的歷史信息，利用KD樹最近鄰搜索算法得到K個近鄰，最后由K臨近算法分類思想輸出預警結果。通過實例詳細闡述了預警流程，證明了方法的可行性和正確性。

上述雖然結合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領域技術人員應該明白，在本發(fā)明的技術方案的基礎上，本領域技術人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內。