基于CNN-LSTM神經網絡的輸電線路覆冰預測技術研究

摘要：針對輸電線路運維中持久且復雜多樣的挑戰以及復雜氣候條件下輸電線路覆冰現象對電網安全運行構成的嚴重威脅，提出基于卷積-長短時記憶（CNN-LSTM）神經網絡技術的綜合預測方法。該方法融合網格化數值天氣預報的精細數據、桿塔地形特征信息及導線物理屬性等多源數據，構建了一個高效預測模型，旨在解決輸電線路單點覆冰厚度在未來3～72 h內的精確預測問題，為電力部門提供及時、科學的防冰抗冰決策依據。實驗結果顯示，該模型能顯著提升覆冰預測的準確性和時效性，有效減少因覆冰導致的電網故障風險。

關鍵詞：輸電線路；覆冰預測；CNN-LSTM神經網絡；網格化預報

中圖分類號：TM769；TM752" " 文獻標志碼：A" " 文章編號：1671-0797（2024）21-0081-05

DOI：10.19514/j.cnki.cn32-1628/tm.2024.21.020

0" " 引言

我國南方山區電力輸送主干線穿越的地形復雜、局地氣象條件變化很大。架空輸電線路在運行過程中容易遭受覆冰災害，覆冰可能會造成線路跳閘、金具損壞，甚至引發斷線、倒塔等事故[1]，嚴重威脅電網的安全穩定運行[2]。在輸電線路防冰抗冰工作方面，目前國內電力部門已采取多種技術手段以應對極端氣候環境下覆冰對輸電線路所產生的影響和破壞，其中包括輸電線路覆冰監測技術、輸電線路融冰技術等[3]，但這些技術手段存在的一個問題在于：它們都只能針對已發生的覆冰事件采取具體的應對措施，因此在管理部門制定有效的防冰抗冰工作決策時常常面臨時間緊迫的挑戰，大大影響了防冰抗冰工作的進度和效率。

針對上述問題，提出基于CNN-LSTM神經網絡技術的單點覆冰預測模型，該模型集成了網格化數值天氣預報、桿塔地形特征、導線自身特征等參量，能夠對目前已部署了等值覆冰厚度監測終端的輸電線路現場進行時間尺度為3～72 h的單點覆冰預測。最后，通過數據仿真對該模型的準確性進行了驗證。

1" " 基礎理論

1.1" " 一維卷積神經網絡

一維卷積神經網絡（1D Convolutional Neural Network，1D CNN）是專門用于處理一維數據序列的神經網絡結構。1D CNN通常由多個一維卷積層、激活函數和一維池化層組成。

在1D CNN的卷積層中，其數據的前向傳播過程為：

X[i]=（S[i·s+j]+W[j]）+b（1）

式中：X[i]為1D CNN卷積層輸出序列的第i個元素；S[i·s+j]為輸入元素，用于卷積操作；s為卷積核移動的步幅；k為卷積核長度；W[j]為卷積操作中第j個元素；b為偏置項。

激活函數是1D CNN中引入非線性的關鍵步驟，常用的激活函數包括ReLU、Sigmoid和Tanh等。其數據的前向傳播過程為：

Y=f（X）（2）

式中：Y為激活函數層的輸出；f為激活函數；X為激活函數層的輸入。

一維池化層的數據前向傳播過程為：

O=Y↙ss（3）

式中：O為池化層的輸出；↙ss為池化層中的下采樣操作，常見的有最大池化和平均池化兩種下采樣操作。

1D CNN的算法實現包括前向傳播和反向傳播兩個過程。前向傳播過程中，輸入數據經過卷積層、池化層和全連接層的順序處理，最終輸出預測結果。反向傳播過程中，根據預測結果與真實標簽之間的誤差，通過梯度下降等優化算法更新網絡中的權重和偏置，以減小誤差并提高模型的性能。

1.2" " 長短時記憶神經網絡

長短時記憶（Long Short-Term Memory，LSTM）網絡由循環神經網絡（Recurrent Neural Network，RNN）改進而來，解決了模型在訓練過程中“梯度爆炸”的問題，其由遺忘門、輸入門和輸出門三個部分組成。目前LSTM網絡已在許多場景得到應用，對于時序數據具有良好的預測性能。其網絡結構信息如圖1所示。

LSTM神經網絡中遺忘門用來控制“細胞”歷史狀態和信息的保留，輸出門用來控制數據信息的輸出，輸入門用來控制時序數據的輸入。門使用Sigmod激活函數和thah函數完成對歷史狀態和信息的學習和取舍。輸入門和遺忘門協同更新信息編碼。

ft=σ（Wf[ht-1，xt]+bf）（4）

it=σ（Wi[ht-1，xt]+bi）（5）

t=tanh（Wc[ht-1，xt]+bc）（6）

Ct=ft*Ct-1+itt（7）

ot=σ（Wo[ht-1，xt]+bo）（8）

ht=ot*tanh（Ct）（9）

σ（u）=（10）

tanh（u）=（11）

式中：ft為遺忘門的輸出；σ為Sigmod激活函數，用于描述細胞信息可通過的量，它能將輸出值限定在[0，1]之間，當值為1時表示全部通過，當值為0時表示全不準通過；Wf和bf分別為遺忘門的權重和偏置；ht-1為上一時間的隱藏狀態；xt為當前時間步的輸入；it為輸入門的Sigmod層輸出；Wi、Wc、bi、bc分別為輸入門Sigmoid層和tanh層的權重和偏置；t為候選細胞狀態，即新的候選值向量；Ct為當前時間步的細胞狀態；Ct-1為上一步時間步的細胞狀態；*為矩陣逐元素相乘；ot為輸出門的Sigmoid層輸出；Wo和bo分別為輸出門的權重和偏置；ht為當前時間步的隱藏狀態，也是LSTM單元的最終輸出；u為函數輸入變量。

2" " 基于CNN-LSTM神經網絡的輸電線路覆冰厚度預測

在覆冰預測計算過程中，輸入集采用貴州省氣象局預報未來7天高分辨率格點資料集，主要選取氣象數據中溫度、相對濕度值，但氣象部門發布的氣象數據為3 km×3 km格點數據，即9 km2為一個預報值，相對于9 km2內氣象條件相同，空間網格尺寸較大，無法適應小區域范圍內輸電線路通道不同微地形所造成氣象因子差異性的現狀。針對該問題，提出以下方法實現對網格化氣象數據的精準預測，以保證后期輸電線路覆冰厚度預測的準確性。

該方法遵循“兩步走”原則。第一步“距離就近原則”：根據氣象因子在線監測設備所在桿塔與氣象部門3 km×3 km網格化預報模式[4]，計算桿塔與網格化4個格點空間距離，根據距離越近氣象因子相似度越高的原則，建立基于“距離就近原則”的桿塔點位氣象因子預測模型；第二步“微地形相似性原則”：分別提取桿塔與網格化4個格點微地形因子，根據臨近網格格點微地形越相似氣象條件越接近的原則，建立基于“微地形相似性原則”的桿塔點位氣象因子預測模型。最后，在“兩步走”原則下，利用氣象部門網格化氣象因子預測值，實現對網格內桿塔位置處點對點氣象因子的高精度預測。

2.1" " 距離就近原則

首先，提取氣象部門3 km×3 km高分辨率格點預報逐小時氣象數據，包括每個格點經緯度、未來對地10 m高度氣象因子預測值。計算桿塔坐標所處網格，如01編號小網格，每個網格尺寸3 km×3 km，從上一步的氣象數據中讀取網格4個格點（A、B、C、D）經緯度，并根據氣象因子在線監測終端所在桿塔坐標，計算出桿塔坐標所處網格，如圖2所示。

采用Haversine公式分別計算該網格4個格點與桿塔空間距離：

haversin

=haversin（φi-φg）+cos" φihaversin（[Δ]λi），

[Δ]λi=δi-δg，

haversin θ=sin2（θ/2）（12）

式中：di為網格中目標桿塔與氣象部門3 km×3 km高分辨率格點A、B、C、D四個格點空間距離，其中i表示A、B、C、D四個點；R為地球半徑，取平均值6 371 km；φi、δi分別為網格點四個格點緯度、經度；φg、δg分別為目標桿塔緯度、經度；λi為四個網格與目標桿塔經度的差；θ為經度差。

計算桿塔坐標位置處氣象因子權重系數[5]：

ωi=di -1/di -1 （13）

式中：ωi分別為網格中A、B、C、D四個格點對目標桿塔氣象因子貢獻權重系數；n為坐標點數量，這里只有網格的A、B、C、D四個點，所以設置為4。

基于距離就近原則建立的桿塔位置處氣象因子預測值計算模型表達式為：

t=ωi×ti（14）

式中：t為桿塔所在位置氣象因子預測值；ti分別為網格中A、B、C、D四個格點氣象因子預測值。

2.2" " 微地形相似性原則

提取網格四個格點以及桿塔坐標微地形因子，包括高程（m）、坡度（°）、地表起伏度（°）、山谷（1表示是）、山脊（1表示是）、迎風坡（1表示是）、與水體距離（m）；計算網格四個格點微地形因子與桿塔點位處微地形因子相關性系數，并對相關性系數進行歸一化處理：

Ri=" i=A、B、C、D（15）

式中：ri分別為網格中A、B、C、D四個格點與目標桿塔位置處微地形因子相關性系數；Ri為經過歸一化處理后四個網格點的微地形因子。

基于微地形相似性原則建立的氣象因子預測值計算模型表達式為：

t′=Ri×ti（16）

2.3" " 目標桿塔點位氣象因子預測綜合模型

建立目標桿塔點位氣象因子預測綜合模型：

T′=ε1×t+ε2×t′，

ε1=

，

ε2=

（17）

式中：ε1為基于距離就近原則建立的氣象因子預測模型權重；ε2為基于微地形相似性原則建立的氣象因子預測模型權重；r1為基于距離就近原則的氣象因子預測值與桿塔在線監測終端同期實際值相關性系數；r2為基于微地形相似性原則的氣象因子預測值與桿塔在線監測終端實際值相關性系數。

雖然LSTM神經網絡算法在時序特征提取上的優勢一定程度上提高了模型的預測精度，但對原始輸入數據的相關特征利用不足，數據中的隱含信息未得到充分利用，限制了模型的預測性能。因此，本文通過CNN挖掘數據隱含的深層次信息和不同變量間的信息相關性，達到數據充分利用的目的，再采用長短時記憶（LSTM）網絡構建預測模型，實現對數據時間維度特征的有效利用，最后輸出線路覆冰厚度預測結果。

基于CNN-LSTM神經網絡的預測模型分為空間特征提取部分和時序特征提取部分。空間特征部分由輸入層、卷積層、池化層組成。時序特征提取部分由2個LSTM層、2個全連接層、1個Dropout層組成，每個LSTM網絡含有n個隱含層。預測模型的思路為輸入特征矩陣，設置卷積核數量、卷積核尺寸及池化層尺寸，完成對數據深度信息的挖掘，提取數據中的深層次信息。將提取出的特征矩陣輸入時序特征提取模塊，由LSTM網絡提取時間特征，組合全連接層和Dropout層，減少數據量和數據維度，避免預測模型過擬合，并輸出預測值。圖3為CNN-LSTM神經網絡具體結構。

3" " 實驗及結果分析

3.1" " 實驗分析

本文對貴州省氣象部門發布的3 km×3 km網格化數值產品氣象因子預報結果采用上述“兩步走”原則進行耦合處理，疊加433套覆冰在線監測終端經緯度坐標，每小時處理433×4×2=3 464條氣象因子數據量，微地形指標主要包括高程、坡度、地表起伏度、山谷、山脊、迎風坡、與水體距離這7個指標，每小時處理433×4×7=12 124條微地形數據量。

為驗證該氣象因子預測計算模型的準確率，根據寒潮影響范圍，采用CNN-LSTM神經網絡預測模型，選取某一典型代表線路覆冰在線監測系統實時觀測結果數據與同期貴州電網輸電線路覆冰預報結果進行比對。

首先，從系統獲取該實驗目標終端的實際溫度值；然后，通過氣象因子預測計算模型計算該目標終端的溫度值；最后，繪制兩種情況下的溫度曲線圖進行對比，驗證該計算模型的精準度。

如圖4所示，該實驗任意選取一覆冰終端作為實驗目標，并提取2021年12月25日的氣象數據作為實驗數據，實線表示覆冰終端實際溫度值，虛線為氣象因子預測計算模型計算所得溫度值。通過對比曲線圖，可以知道預測溫度曲線平滑接近真實曲線，每個時間點的誤差在[-0.06 ℃，+0.06 ℃]之間，完全符合設計要求。

接下來采用貴州輸電線路覆冰預警系統多年實際觀測資料對基于CNN-LSTM神經網絡的預測模型進行訓練和測試，實驗數據總量為20萬條，按8：2的比例將數據劃分為訓練數據集和測試數據集。訓練集變量數據包含氣溫、相對濕度、同期覆冰厚度，其中覆冰厚度數據時間尺度為2015年12月—2021年12月，共有433個終端，包含9 758 036條記錄，經質量控制后所有字段均無缺失值；訓練集定值數據包括高程、與水體距離、坡度、坡向、主體風向與線路夾角，共有433個終端，包含2 165條記錄。

圖5為同期覆冰預報與終端監測覆冰厚度變化趨勢，根據圖5，在3天時間范圍內，覆冰預報及覆冰監測終端監測最大覆冰厚度分別為11.17、10.0 mm，從實際監測值可以看出這3天時間段內覆冰厚度曲線走勢基本與真實監測覆冰數值走勢相似，整體誤差均控制在-2～2 mm。

通過圖5展示的結果可以看出，基于CNN-LSTM神經網絡模型預測的覆冰值與實際觀測的覆冰數值重合度較高，誤差均在可控取值范圍，實現了對輸電線路覆冰數值的精準預測。

3.2" " 對比實驗

針對各類輸電線路覆冰預測模型進行研究，分別采用CNN神經網絡、LSTM神經網絡、CNN-LSTM神經網絡建立覆冰預測模型，各模型預測精度對比情況如表1所示。

由表1可以看出，在測試集數據中，三種模型的精度分別為0.70、0.74、0.82，相比單一的CNN模型和LSTM模型，CNN-LSTM模型的預測精度得到大幅提升，展現出了顯著優于另外兩種單一模型的性能。

4" " 結束語

本文提出了一種基于CNN-LSTM神經網絡，集成了網格化數值天氣預報、桿塔地形特征、導線自身特征等參量的輸電線路單點覆冰預測模型，實驗仿真分析驗證了該模型的正確性和有效性，即該模型能實現對網格內桿塔位置處點對點氣象因子的高精度預測，解決了輸電線路單點覆冰厚度在未來3～72 h內的精確預測問題，可為電力部門提供及時、科學的防冰抗冰決策依據。

[參考文獻]

[1] 黃文婧，李華強，楊植雅，等.基于模糊聚類排序及狀態均勻性的電網安全性風險評估[J].電測與儀表，2018，55（9）：21-26.

[2] 費春國，霍洪雙.基于電流振幅與SVM的輸電線路故障分類[J].電力系統及其自動化學報，2019，31（4）：139-144.

[3] 雷明振，張源，許文濤.高壓輸電線路地線融冰技術的研究[J].自動化應用，2023，64（20）：127-129.

[4] 周艦，孫小成，盧朝軍，等.氣候因子小網格化技術在湖南煙草種植區劃中的運用[J].農業工程，2020，10（12）：41-44.

[5] 劉海燕，周雪瑩，李顯風，等.基于數據湖的智能網格氣象預報業務產品服務模式初探：以江西省為例[J].氣象與減災研究，2022，45（1）：64-69.

收稿日期：2024-07-16

作者簡介：杜浩（1987—），男，貴州松桃人，工程師，主要從事電力信息化軟件開發工作。