摘要：为了提升电力网络的安全运行水平,对电网的雷电智能预警方法进行了研究。对历史雷电数据加以提取和分析,从而建立起完备的历史数据集。基于历史数据与数学建模的思想,将雷电预警问题抽象为时间序列的处理问题,并引入循环神经网络(RNN)完成对问题的求解。同时在RNN的应用过程中,采用长短期记忆模型(LSTM)以及Dropout机制解决了传统模型中的过拟合现象。LSTM模型使用输入门、遗忘门和输出门对信号的传递流程进行了修正,且替代了RNN隐藏层中的普通节点,确保了误差函数梯度在训练过程中能够严格遵循时间步骤。而Dropout机制则将部分神经元置为失效状态,避免了其在训练中的相互适应。在山东地区的雷电数据集上进行的仿真实验结果表明,RNN网络在引入LSTM与Dropout机制后,模型的预测精度提升了4.61%。

摘要：输电走廊上的强对流天气会给电力生产、供应带来严重的威胁,从而影响居民的正常用电需求。针对此问题,研究了基于机器学习的输电走廊强对流临近预警技术。该技术选取有效反映输电走廊强对流预警的数据类型,构建数据特征并对样本数据进行预处理,再利用卷积与池化操作实现数据的特征识别。同时采用CL多小波融合方法将细节融入目标数据库以增加物理信息量,为后续预警处理提供更为准确的数据,并使用了交叉相关算法来解决图像的追踪问题。通过实际的算例分析,验证了所提算法的有效性,其预测精度可达93.64%。

摘要：强对流天气的破坏力大、预测准确率和实时性较差,且容易对电网造成严重危害,因此构建有效的电网强对流天气临近预警系统具有重要的现实意义。传统的雷达回波技术虽然能够根据云团位置的改变来推断后续天气的变化,但当云团发生融合或分裂时,其预报准确率较低。针对该方法存在的缺陷,文中使用深度学习技术对气象云图数据进行处理,其算法部分将卷积网络与长短期循环神经网络相结合,使其兼具准确性和实时性。在算法对比实验中,该算法的虚警率比卷积法以及LSTM法降低了5.2%和6.0%,说明该算法的性能较为理想。而在测试验证实验中,所提算法能够实现对1 h后强对流天气的预测,并可完成对电网的强对流临近预警,具有良好的工程应用价值。