概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法与流程

[0001]
本发明涉及电网灾害预报技术领域，尤其涉及一种概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法，换言之，即：一种串并联耦合多模型预报电网暴雨灾害的概率匹配订正方法。


背景技术：

[0002]
近年来，暴雨自然灾害对国内外的电网造成了很大的危害，给社会带来了巨大的损失。2012年7月，北京市迎来500年一遇特大强降雨天气，城区平均降雨量215mm，房山区河北镇为460mm，致使该地区110kv磁家务变电站全部停电。据统计，“7.21”暴雨灾害给北京电网造成冲击，220kv、110kv均发生瞬时故障，且受山洪和积水影响，电网10kv设备共发生76起永久性故障，35kv设备发生1起永久性故障，暴雨灾害对输电网、配电网均造成巨大危害。虽然气象部门日常开展了降水量预报，但难免存在暴雨预报偏差较大现象。提高电网暴雨预报的精度将是输变电设备防灾减灾的重要内容，通过当前科学有效手段研究电网暴雨精准预报技术十分必要。因此，亟需开展电网暴雨灾害预报订正工作。
[0003]
当前提高暴雨预报精度的方法主要表现在实时校正和组合预报两种方法。实时校正方法利用预报误差序列自身的相关性特征，预测未来时刻的误差值，进而实现对暴雨预报的实时校正，如代表性专利cn201010106038.9公开的《洪水预报系统中实时校正模型的优选方》法。组合预报方法则是利用当前广泛的各种预报模型(包括但不限于：数值模式预报、统计分析预报等)的互补性，融入各模型间加权优化的思想，选取对不同预报区域的集中预报模型建立组合预报方法，进而实现暴雨预报订正，如代表性专利cn200910234628.7所公开的《一种不同机制水文模型组合的水文预报方法》。
[0004]
与此同时，专利cn201510683497.6公开《一种串并联耦合的多模型水文预报方法》，发挥了实时校正和组合预报两种传统方法的优势，建立起一种串并联耦合的水文预报模型，包括先串后并、先并后串以及一体化耦合方法，最大限度地减少预报误差，提高预报精度。然而，暴雨数值预报模式初始场的不确定性、参数化方法的不完美以及大气本身的混沌特性使得模式中一些细小的相位误差可能会导致预报偏差大，且暴雨预报统计方法未能充分考虑暴雨影响机理因素导致局部区域暴雨预报量级相差甚远，上述专利提出的方法均未全面考虑暴雨预报本身模型特点、暴雨量级、暴雨发生区域之间的关系，导致电网暴雨预报精准度没有达到要求。
[0005]
针对上述方法存在的问题，迫切需要一种预报误差调整能力更强、应用范围更广的电网暴雨灾害预报订正方法，以减轻输电线路暴雨及次生灾害损失，提高输电线路应对暴雨灾害的能力和安全稳定运行水平。


技术实现要素：

[0006]
本发明主要目的在于公开一种概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法，以提升电网暴雨灾害预测的准确度。
[0007]
为达上述目的，本发明公开一种概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法，包括：
[0008]
步骤s1，选择预报区域，获取该区域历史时期实测降水量和电网暴雨灾害信息以建立至少两个以上预报该区域的降水量的电网暴雨预报模型；
[0009]
步骤s2，针对预报区域实测降水量和各所述电网暴雨预报模型的降水量，分别记电网暴雨预报模型个数为n，t时刻的实测降水量序列为m
t
，各电网暴雨预报模型的降水量结果为{mit,i＝1,...,n}；
[0010]
步骤s3，运用概率匹配订正方法对各个电网暴雨预报模型的降水量进行相应的订正，其结果记为{mit
*
,i＝1,...,n}；
[0011]
步骤s4，对各个电网暴雨预报模型采用误差自回归模型预测t时刻的误差序列e
t
，并通过各模型串联校正得到降水量序列{mit
*
^,i＝1,...,n}；
[0012]
步骤s5，利用最小二乘法进行s4中多个模型的并联校正；
[0013]
步骤s6，采用粒子群智能优化算法，分别求解串联校正和并联校正的参数，建立一体化耦合电网暴雨预报订正模型，并计算订正后的结果。
[0014]
本发明具有以下有益效果：
[0015]
一方面，本发明不仅考虑了电网暴雨数值模式预报模型，而且充分利用电网历史暴雨灾害信息，建立基于概率匹配的预校正降水预测模型，更加有利于提升电网暴雨灾害预测的准确度。
[0016]
另一方面，本发明采用基于概率匹配串并联耦合的多模型电网暴雨灾害预报订正方法，有利于从样本数据中学习到的规则中强化适用于新数据的能力，具有泛化能力强、易编码等特点，预测预警结果可靠性高。
[0017]
此外，本发明的方法流程相对详尽，可操作性强，更具有实用性。
[0018]
下面将参照附图，对本发明作进一步详细的说明。
附图说明
[0019]
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
[0020]
图1是本发明实施例的概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法流程示意图。
[0021]
图2是本发明实施例所示的一种概率分配订正示意图。其中，近似直线的表示预报的累积概率数据，另一类似明显两折线的曲线为实测的累积概率数据。
具体实施方式
[0022]
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
[0023]
实施例1
[0024]
本实施例公开一种概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法，如图1所示，包括：
[0025]
步骤s1，建立多个电网暴雨预报模型。
[0026]
该步骤即：选择预报区域，获取该区域历史时期实测降水量和电网暴雨灾害信息以建立至少两个以上预报该区域的降水量的电网暴雨预报模型。
[0027]
步骤s2，针对预报区域实测降水量和各所述电网暴雨预报模型的降水量，分别记电网暴雨预报模型个数为n，t时刻的实测降水量序列为m
t
，各电网暴雨预报模型的降水量结果为{mit,i＝1,...,n}。
[0028]
步骤s3，运用概率匹配订正方法对各个电网暴雨预报模型的降水量进行相应的订正，其结果记为{mit
*
,i＝1,...,n}。
[0029]
优选地，该步骤具体包括：
[0030]
根据实测和预报历史数据统计结果，获取实测降水累积概率值p(x
i
)。
[0031]
利用实测降水累积概率分布函数，根据观测累积概率分布与预报模型累积概率分布一致性，p(x
i
’
)＝p(x
i
)，求解电网暴雨降水量预测值x
i
’
。
[0032]
计算概率匹配后的预订正降水量，其公式如下：
[0033][0034]
其中，m
it
，m
it*
分别表示模型预报预订正前、后的降水量值，y
n
表示选取第n个累积降水量对应的订正阈值。
[0035]
参照概率分配订正示意图图2，上述步骤即运用概率匹配方法进行预校正。
[0036]
步骤s4，对各个电网暴雨预报模型采用误差自回归模型预测t时刻的误差序列e
t
，并通过各模型串联校正得到降水量序列{mit
*
^,i＝1,...,n}。
[0037]
在该步骤中，误差序列e
t
计算公式如下：
[0038][0039]
其中，θ
i
(i＝1,2,...,q)为自回归模型的参数，ξ为绝对误差。根据上式建立q阶自回归模型ar(q),为了选取的自回归模型对数据模拟效果最好，通过aic准则来确定模型阶数。其中，q阶自回归模型ar(q)的aic(q)值以及串联模型均可参见专利cn201510683497.6。
[0040]
步骤s5，利用最小二乘法进行s4中多个模型的并联校正。
[0041]
在该步骤中，建立并联校正模型计算公式如下：
[0042]
g
t
＝ω
1
m
1t*^
+ω
2
m
2t*^
+...+ω
n
m
nt*^
[0043]
其中，ω
i
为第i个电网暴雨预报模型的耦合权重，且满足条件
[0044]
在本实施例的一个模拟计算中，对应5个电网暴雨预报模型所得的耦合权重的数据如下表1所示。
[0045]
表1：
[0046]
序号降水观测值(mm)降水预测值(mm)权重155381/18255505/18355521/4
455581/4555653/18
[0047]
步骤s6，采用粒子群智能优化算法，分别求解串联校正和并联校正的参数，建立一体化耦合电网暴雨预报订正模型，并计算订正后的结果。
[0048]
优选地，在该步骤中，所建立一体化耦合电网暴雨预报订正模型如下：
[0049][0050]
其中，t时刻该区域并联校正的结果为g
t
，e(m
t-g
t
)
2
为误差期望。
[0051]
综上，本发明实施例所公开的概率匹配串并联耦合多模型的电网暴雨灾害预报订正方法，，具有以下有益效果：
[0052]
一方面，本发明不仅考虑了电网暴雨数值模式预报模型，而且充分利用电网历史暴雨灾害信息，建立基于概率匹配的预校正降水预测模型，更加有利于提升电网暴雨灾害预测的准确度。
[0053]
另一方面，本发明采用基于概率匹配串并联耦合的多模型电网暴雨灾害预报订正方法，有利于从样本数据中学习到的规则中强化适用于新数据的能力，具有泛化能力强、易编码等特点，预测预警结果可靠性高。
[0054]
此外，本发明的方法流程相对详尽，可操作性强，更具有实用性。
[0055]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。