基于输电线路信息数据的雷电预警方法及系统与流程

本申请涉及电力系统技术领域，尤其涉及一种基于输电线路信息数据的雷电预警方法及系统。

背景技术

随着国家对用电量需求的增长，高电压、低电压输电线路也日益剧增。我国地势复杂多变，山川、河流众多，输电线路常需要穿过多种不同的地形环境，例如，对于云南省来说，输电线路常常是从河谷、山间穿过，在这些地区中，容易形成各种不同的局部天气环境，例如雷电等恶劣天气常常集中输电线路，对输电线路造成影响。并且由于交通不变，在雷电击中输电线路导致输电中断后，不能够及时被发现，从而影响附近居民及工业用电。

为了减轻天气条件对输电线路的影响，现有技术中，一般通气象部门提供的天气预报信息，提前做出防范，以避免雷电天气影响输电线路的正常运行。但是，在上述输电线路所处的环境中，受山川、河流的影响会在局部区域内形成不同的气象条件，例如在总体天气晴朗的条件下，有些河谷地区会形成局部的降雨或雷电天气，这种局部的雷电天气是无法通过气象部门的天气预报信息获得的，因此，上述预警方法存在着可靠性较差的问题。

现有技术中还可以通过在实地环境中设置气象监测站，通过气象检测站监测局部区域中的气象环境，当出现局部雷电天气时，将数据上报，使电力运营部门及时获悉天气条件对输电线路是否造成了影响。但由于气象监测站只能在局部的雷电天气发生后，才能够将天气数据上报，很容易在运营部门未做出防范措施之前，输电线路就遭受到了雷电袭击，还会影响到输电线路的正常运行，即基于气象监测站的预警方法实时性较差。

技术实现要素：

本申请提供了一种基于输电线路信息数据的雷电预警方法及系统，以解决传统预警方法实时性和可靠性差的问题。

一方面，本申请提供一种基于输电线路信息数据的雷电预警方法，包括：

获取当前时刻被测输电线路检测环境中的实时天气参数，所述天气参数包括温度、湿度、光照强度以及电磁场信号强度；

将所述实时天气参数输入天气数据预测模型，获得下一时刻的天气预测参数；所述天气数据预测模型是根据历史天气参数生成的bp神经网络模型；所述天气预测参数包括与所述天气参数对应的温度、湿度、光照强度以及电磁场信号强度预测值；

根据所述天气预测参数确定下一时刻的天气状况。

可选的，所述方法在获取当前时刻被测输电线路检测环境中的实时天气参数的步骤前，还包括：

获取被测输电线路检测环境中的历史天气参数，所述历史天气参数包括多个时刻记录的温度、湿度、光照强度以及电磁场信号强度；

以所述历史天气参数为输入，对所述bp神经网络模型进行训练，生成所述天气数据预测模型；

存储所述天气数据预测模型。

可选的，以所述历史天气参数为输入，对所述bp神经网络模型进行训练，生成所述天气数据预测模型的步骤，包括：

从所述历史天气参数中获取t时刻的天气参数；

将所述t时刻的天气参数输入所述bp神经网络模型，获得t+1时刻的天气参数预测值；

根据所述t+1时刻的天气参数预测值与t+1时刻的天气参数值生成预测误差值；

对比所述预测误差值以及预设的误差阈值；

如果所述预测误差值小于或等于所述误差阈值，确定所述bp神经网络模型为所述天气数据预测模型。

可选的，以所述历史天气参数为输入，对所述bp神经网络模型进行训练，生成所述天气数据预测模型的步骤，还包括：

如果所述预测误差值大于所述误差阈值，通过所述bp神经网络模型反向传播所述t+1时刻的天气参数，对所述bp神经网络模型进行权值更新；

从所述历史天气参数中获取t-1时刻的天气参数；

以所述t-1时刻的天气参数为输入，通过权值更新后的所述bp神经网络模型获得t时刻的天气参数预测值；

根据所述t时刻的天气参数预测值与所述t时刻的天气参数值生成预测误差判断值，以及对比所述预测误差判断值与所述误差阈值；

如果所述预测误差判断值小于或等于所述误差阈值，确定权值更新后的所述bp神经网络模型为所述天气数据预测模型；

如果所述预测误差判断值大于所述误差阈值，依次从所述历史天气参数中获取t-2以及t-2之前时刻的天气参数，并生成所述预测误差判断值，直到所述预测误差判断值小于所述预测误差判断值。

可选的，所述天气参数还包括：被测输电线路检测环境所在的观测区域、观测单位以及被测输电线路检测环境的天气特征。

可选的，将所述实时天气参数输入天气数据预测模型前，所述方法还包括：

对所述实时天气参数按照下式进行归一化处理；

所述天气参数各项的转换值m1＝(m-min)/(max-min)；

式中，m-初始值，max-已记录天气参数中对应项的最大值，min-已记录天气参数中对应项的最小值。

可选的，根据所述天气预测参数确定下一时刻的天气状况的步骤，包括：

将所述下一时刻的天气状况显示在检测装置的屏幕上；或者，

将所述下一时刻的天气状况通过通信装置，发送至与所述被测输电线路检测环境距离最近的变电站。

可选的，根据所述天气预测参数确定下一时刻的天气状况的步骤，还包括：

如果所述下一时刻的天气状况为雷电天气，生成雷电信号；

将所述雷电信号放大，以及根据所述雷电信号生成驱动电压信号并发送至预警装置，生成雷电预警。

另一方面，本申请还提供一种基于输电线路信息数据的雷电预警系统，包括安装在被检测输电线路杆塔上的天气参数传感器，以及连接所述天气参数传感器的数据处理装置；其中：

所述天气参数传感器包括温度传感器、湿度传感器、光照强度传感器以及电磁场信号强度传感器；所述数据处理装置中设有bp神经网络计算单元和数据存储盘；所述数据处理装置被进一步配置为执行以下程序步骤：

获取当前时刻被测输电线路检测环境中的实时天气参数，所述天气参数包括温度、湿度、光照强度以及电磁场信号强度；

将所述实时天气参数输入天气数据预测模型，获得下一时刻的天气预测参数；所述天气数据预测模型是根据历史天气参数生成的bp神经网络模型；所述天气预测参数包括与所述天气参数对应的温度、湿度、光照强度以及电磁场信号强度预测值；

根据所述天气预测参数确定下一时刻的天气状况。

可选的，所述系统还包括连接所述数据处理装置的预警装置；所述数据处理装置被进一步配置为执行以下程序步骤：

如果所述下一时刻的天气状况为雷电天气，生成雷电信号；

将所述雷电信号放大，以及根据所述雷电信号生成驱动电压信号并发送至预警装置，生成雷电预警。

由以上技术方案可知，本申请提供一种基于输电线路信息数据的雷电预警方法及系统，所述方法先获取当前时刻被测输电线路检测环境中的实时天气参数，再将实时天气参数输入天气数据预测模型，获得下一时刻的天气预测参数，最后根据所述天气预测参数确定下一时刻的天气状况，从而实时监控和预测输电线路上的天气状况。其中，所述天气数据预测模型是根据历史天气参数生成的bp神经网络模型，不仅可以通过bp神经网络对检测环境中的天气状况进行实时预测，使所述预警方法具有较高的实时性，而且可以通过不断记录检测环境中的天气参数，对天气数据预测模型进行不断的修正，提高预警方法的可靠性，解决传统预警方法实时性和可靠性差的问题。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为一种bp神经网络模型的结构示意图；

图2为一种基于输电线路信息数据的雷电预警方法的流程示意图；

图3为本申请实施例中通过天气参数生成天气数据预测模型的流程示意图；

图4为本申请实施例中确定天气数据预测模型的流程示意图；

图5为本申请实施例中完善天气数据预测模型的流程示意图；

图6为一种基于输电线路信息数据的雷电预警系统的结构示意图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

在本申请提供的技术方案中，所述输电线路信息数据是指在输电线路所处的环境中各种类型的环境参数，这些参数有些是由于地形因素决定的固有环境参数，这种固有参数是不会随着输电线路运行状态的改变而改变的，如环境中的温度、湿度、光照强度等。而本申请中所述的环境参数还有一种是根据输电线路情况而能够产生变化的，这种变化的参数不仅能够辅助分析输电线路的天气状况，而且能够间接影响周围小环境中的天气变化，例如电磁场强度等，虽然不能够对环境产生较大的影响，但由于电磁场的存在，输电线路更容易被雷电击中，使得理论上不会影响输电线路的雷电天气在实际中也会影响到输电线路的运行。

由于这些参数可以用于反应天气的变化情况，因此在本申请中，将能够影响输电线路周围环境中天气的参数，称为天气参数。为了分析和预测方便，本申请中天气参数包括环境参数温度、湿度、光照强度和运行参数电磁场强度，此外，还可以包括用于辅助分析和定位输电线路所处环境的观测区域、观测单位以及被测输电线路检测环境的天气特征等参数。

在本申请提供的技术方案中，bp(backpropagation)神经网络模型是一种人工智能模型，也是一种可以按照误差逆向传播算法训练的多层前馈神经网络。如图1所示，为一种bp神经网络模型的结构示意图。在bp神经网络中，包括输入层、隐含层和输出层，实际使用中训练数据可以从输入层输入，经由各层的计算，从输出层获得输出结果，并且可以使用相应的验证数据从输出层反向传播计算更新各层中的权值，最终得到符合业务场景的神经网络模型。

参见图2，为一种基于输电线路信息数据的雷电预警方法的流程示意图，由图2可知，本申请提供的雷电预警方法包括以下步骤：

s1：获取当前时刻被测输电线路检测环境中的实时天气参数，所述天气参数包括温度、湿度、光照强度以及电磁场信号强度；

s2：将所述实时天气参数输入天气数据预测模型，获得下一时刻的天气预测参数；所述天气数据预测模型是根据历史天气参数生成的bp神经网络模型；所述天气预测参数包括与所述天气参数对应的温度、湿度、光照强度以及电磁场信号强度预测值；

s3：根据所述天气预测参数确定下一时刻的天气状况。

在实际使用中，先通过天气参数传感器检测当前时刻的实时天气参数，由于输电线路的跨度可能很大，不同地区的天气状况相差较大，因此在实际应用时，可以对输电线路进行预先划分为多个检测区域，每个检测区域中都设置相应的天气参数传感器。而为了获得更加准确的实时天气参数，实际传感器可以安装在靠近输电线的位置，例如在杆塔的顶端，以避免周围植物或河流对传感器的检测造成影响。

在传感器检测到实时天气参数后，将检测到的天气参数发送到数据处理装置中，在实际应用时，数据处理装置可以与天气参数传感器一同设置在输电线路的检测区域中，也可以设置在统一的中控室中，此时通过天气参数传感器检测到实时天气参数以后，可以通过通信装置将检测到的数据发送给中控室中的数据处理装置中，以便预测下一时刻的天气状况和雷电预警。

需要说明的是，在本申请提供的技术方案中，所述天气状况是指在一定时间段以内的天气变化情况，例如，晴朗、阴沉、降雨、降雪、强风、雷电等气象特征。由于在实际使用中，雷电天气对于输电线路的影响较大，因此可以简单的将天气状况设置为，有雷电和无雷电两种，或者进一步按照雷电天气的强度划分成不同的等级，如0级无雷电、1级轻微雷电、2级普通雷电……

本实施例中，当前时刻和下一时刻为预先设定好的检测时间段，当前时刻与下一时刻之间的时间间隔可以根据实际输电线路的运行环境进行设定。例如，对于气候多变的沿海地区，由于不同时间段的天气变化有很大的差异，因此可以将时间间隔设定的较小，即相对较频繁的对天气状况进行预测，减少突发雷电天气情况的发生对预测结果造成影响；而对于气候稳点的内陆地区，则可以适当增大预设的时间间隔，以减少数据处理量，降低对数据处理装置的配置需求。

在数据处理装置中，相应设置有bp神经网络计算单元，用于在输入实时天气参数时，输出下一时刻的天气参数预测值，以及根据不断获得的天气参数数据，对天气数据预测模型进行进一步的训练，不断修正模型中的运算权值，使模型更加符合当前检测区域的天气特征。因此，如图3所示，在进行天气参数预测之前，本申请还包括以下步骤，已建立和完善所述天气数据预测模型。

s21：获取被测输电线路检测环境中的历史天气参数，所述历史天气参数包括多个时刻记录的温度、湿度、光照强度以及电磁场信号强度；

s22：以所述历史天气参数为输入，对所述bp神经网络模型进行训练，生成所述天气数据预测模型；

s23：存储所述天气数据预测模型。

进一步地，如图4所示，在步骤s22，以所述历史天气参数为输入，对所述bp神经网络模型进行训练，生成所述天气数据预测模型中，包括：

s2201：从所述历史天气参数中获取t时刻的天气参数；

s2202：将所述t时刻的天气参数输入所述bp神经网络模型，获得t+1时刻的天气参数预测值；

s2203：根据所述t+1时刻的天气参数预测值与t+1时刻的天气参数值生成预测误差值；

s2204：对比所述预测误差值以及预设的误差阈值；

s2205：如果所述预测误差值小于或等于所述误差阈值，确定所述bp神经网络模型为所述天气数据预测模型；

而为了进一步完善所述天气数据预测模型，如图5所示，在以所述历史天气参数为输入，对所述bp神经网络模型进行训练，生成所述天气数据预测模型的步骤中，还包括：

s2206：如果所述预测误差值大于所述误差阈值，通过所述bp神经网络模型反向传播所述t+1时刻的天气参数，对所述bp神经网络模型进行权值更新；

s2207：从所述历史天气参数中获取t-1时刻的天气参数；

s2208：以所述t-1时刻的天气参数为输入，通过权值更新后的所述bp神经网络模型获得t时刻的天气参数预测值；

s2209：根据所述t时刻的天气参数预测值与所述t时刻的天气参数值生成预测误差判断值，以及对比所述预测误差判断值与所述误差阈值；

s2210：如果所述预测误差判断值小于或等于所述误差阈值，确定权值更新后的所述bp神经网络模型为所述天气数据预测模型；

s2211：如果所述预测误差判断值大于所述误差阈值，依次从所述历史天气参数中获取t-2以及t-2之前时刻的天气参数，并生成所述预测误差判断值，直到所述预测误差判断值小于所述预测误差判断值。

上述步骤中，时刻t，t+1，t-1，t-2等，所表示的相邻时刻间的时间间隔应与上述当前时刻与下一时刻之间的时间间隔保持一致，即在本实施例中“+1”与“-1”中的数字只表示对应时间间隔的数量，不表示具体的时间数值。

本实施例中，所述天气参数传感器检测4个主要的天气参数，即温度、湿度、光照强度以及电磁场信号强度，相应传感器检测数据为a，b，c，d，从而通过bp神经网络模型预测t+1时刻的天气参数对应的数值。具体的，bp神经网络对传感器输入的4个参数进行交融，给出一个预测值，再将预测值与实际值进行比较分析，如果误差大于初始设定值，继续输入4个天气参数，直到预测值和实际值小于初始设定值，bp神网络计算完成，由于在误差判断后，是通过输出层反向传播对应的实际值数据，因此在多次方向传播后，bp神网络中各层的网络权值就被确定，模型建立完成。模型权值的计算可以采用已有的数据，即历史天气参数数据进行，反复的计算用于修改权值，提高预测精度。

实际计算中，bp神网络对输入的天气参数进行训练，进入网络拓扑初始权值设定，计算继续进行，给出一级网络计算结果。一级网络的交融可以采用两个参数交融、三个参数交融以及四个参数交融，其输出结果可以作为二级网络的输入值，网络层数达到4层以上，预测结果越好。但网络的层数也不宜过高，因为过高的网络层数，不仅增加运算量，而且容易出现过耦合现象，反而降低模型的预测精度。

示例地，在bp神经网络数学模型下，输入与输出具有如下关系：

其中：θ为阈值，x＝(x1，…，xm)^t代表输入向量，y为输出，wi是权系数；f(x)是激发函数；它可以是线性函数，也可以是非线性函数；

另外，

而在相应的输入层与输出层的信号可以为：输入域(输入层):其中:vi(0)为接收信号xi。

输出域(输出层):其中:vi(l)输出信号yi。

例如，在实际计算中，bp神经网络先对天气参数数据进行一级数据融合，一级数据融合产生9个二级数据，再以二级数据作为输入值，对二级数据进行融合，设定权值，并输出雷电预警值。输出的雷电预测值和实际值进行比较，当误差小于4％时，认为计算模型可靠并进行反复计算，得到权值，模型建立完成。当误差大于4％时，模型精度不够，需要对数据分析。当bp神经网络计算完成后，可以得到一个最佳的权值和阀值，即最佳的模型建立完成，并可以作为检测的计算单元。bp神经网络也可在运行时进行修正，提高预警精度。

在一种技术方案中，步骤s2，将所述实时天气参数输入天气数据预测模型前，所述方法还包括：

对所述实时天气参数按照下式进行归一化处理；

所述天气参数各项的转换值m1＝(m-min)/(max-min)；

式中，m-初始值，max-已记录天气参数中对应项的最大值，min-已记录天气参数中对应项的最小值。

对传感器输入的数据进行归一化处理，可以使得所有样本的输入值都接近于0或者相比均方差较小的数值，便于形成有利于bp神经网络模型计算的输入向量。

在本申请的部分实施例中，s3，根据所述天气预测参数确定下一时刻的天气状况的步骤，包括：

将所述下一时刻的天气状况显示在检测装置的屏幕上；或者，

将所述下一时刻的天气状况通过通信装置，发送至与所述被测输电线路检测环境距离最近的变电站。

实际使用中，检测装置上可以设置相应的显示屏幕，当通过所述天气数据预测模型获得到下一时刻的数据预测之后，根据预测值确定天气状况，并将确定天气状况结果显示在屏幕中，具体的显示方式可以通过对应的天气类型图形，进行展示，也可以在没有预测到雷电天气时，不显示相应的天气状况，而在当预测到下一时刻将有雷电天气时，以醒目的颜色进行显示。本实施例中，通过通信装置，将天气状况的判断结果发送至与所述被测输电线路检测环境距离最近的变电站，可以提醒距离最近的变电站针对下一时刻的天气状况及时做出相应的预警措施。

在一种技术方案中，s3，根据所述天气预测参数确定下一时刻的天气状况的步骤，还包括：

如果所述下一时刻的天气状况为雷电天气，生成雷电信号；

将所述雷电信号放大，以及根据所述雷电信号生成驱动电压信号并发送至预警装置，生成雷电预警。

即可以通过雷电预警装置产生相应的预警信息，在预测到雷电天气后，通知相关单位或人员提前进行防范预警。所述预警装置，可以是能够产生警醒信号的任何装置，例如鸣笛装置，信息平台等。

基于上述雷电预警，本申请还提供一种基于输电线路信息数据的雷电预警系统，如图6所述，所述预警系统包括安装在被检测输电线路杆塔上的天气参数传感器1，以及连接所述天气参数传感器1的数据处理装置2；其中：

所述天气参数传感器包括温度传感器11、湿度传感器12、光照强度传感器13以及电磁场信号强度传感器14；所述数据处理装置2中设有bp神经网络计算单元21和数据存储盘22；所述数据处理装置2被进一步配置为执行以下程序步骤：

获取当前时刻被测输电线路检测环境中的实时天气参数，所述天气参数包括温度、湿度、光照强度以及电磁场信号强度；

将所述实时天气参数输入天气数据预测模型，获得下一时刻的天气预测参数；所述天气数据预测模型是根据历史天气参数生成的bp神经网络模型；所述天气预测参数包括与所述天气参数对应的温度、湿度、光照强度以及电磁场信号强度预测值；

根据所述天气预测参数确定下一时刻的天气状况。

需要说明的是，数据存储盘22不仅可以用来存储所述天气数据预测模型，还可以用来存储天气参数传感器1所检测的天气参数数据，并且，为了避免过时数据对模型精度的影响，数据存储盘22可以定期清零。

进一步地，所述系统还包括连接所述数据处理装置2的预警装置3；所述数据处理装置2被进一步配置为执行以下程序步骤：

如果所述下一时刻的天气状况为雷电天气，生成雷电信号；

将所述雷电信号放大，以及根据所述雷电信号生成驱动电压信号并发送至预警装置3，生成雷电预警。

由以上技术方案可知，本申请提供一种基于输电线路信息数据的雷电预警方法及系统，所述方法先获取当前时刻被测输电线路检测环境中的实时天气参数，再将实时天气参数输入天气数据预测模型，获得下一时刻的天气预测参数，最后根据所述天气预测参数确定下一时刻的天气状况，从而实时监控和预测输电线路上的天气状况。其中，所述天气数据预测模型是根据历史天气参数生成的bp神经网络模型，不仅可以通过bp神经网络对检测环境中的天气状况进行实时预测，使所述预警方法具有较高的实时性，而且可以通过不断记录检测环境中的天气参数，对天气数据预测模型进行不断的修正，提高预警方法的可靠性，解决传统预警方法实时性和可靠性差的问题。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。