本技术涉及电力，尤其涉及一种基于机器学习模型的架空线路舞动预警系统及方法。
背景技术：
1、在当前的电力系统运维中，架空线路的舞动问题一直是影响电网安全与稳定的重要因素。传统的舞动预警措施主要依赖于人工巡检和静态分析，这些方法存在明显的局限性。首先，人工巡检不仅费时费力，而且难以覆盖所有可能的舞动风险点，导致预警不及时。其次，静态分析方法通常基于历史数据或经验公式，无法实时反映线路舞动状态的变化，因此预测准确性有限。
2、随着技术的进步，尤其是传感器技术、大数据分析和人工智能算法的快速发展，为架空线路舞动预警提供了新的解决方案。然而，尽管现有技术已经能够在一定程度上实现对线路舞动状态的监测和预测，但仍存在以下缺陷：不同节点的舞动数据和环境参数在整体风险预测中的重要性往往不同，但现有技术往往采用统一的权重分配方式，无法准确反映各节点对整体风险的贡献度，导致预测结果不够精确；大多数现有预测模型基于固定的算法和参数，无法根据实时数据和环境变化动态调整预测策略，因此难以适应复杂多变的实际运行情况；预设时间的设置对预测结果的准确性至关重要。现有技术通常根据经验或固定规则设置预设时间，忽略了历史数据、当前环境参数以及线路重要性等因素对预设时间的影响，导致预测结果缺乏针对性和时效性。现有技术的预警机制往往仅基于单一的阈值判断，缺乏多层次的预警等级和相应的决策支持，难以满足电网运维的实际需求。
技术实现思路
1、针对上述缺陷，本技术的目的在于提供一种基于机器学习模型的架空线路舞动预警系统及方法，通过引入科学的权重分配机制、建立动态预测模型、优化预设时间设置以及完善预警机制等措施，实现对架空线路舞动风险的实时监测、准确预测和及时预警，为电网的安全稳定运行提供有力保障。
2、本技术的目的采用以下技术方案实现：
3、本技术提供一种基于机器学习模型的架空线路舞动预警方法，所述方法包括：
4、s1、在架空线路上设置多个监测节点；
5、s2、根据各节点的舞动数据，获得各节点的权重系数；根据各节点的舞动数据以及对应的环境参数，获得各节点在预设时间内的第一风险；通过各节点的权重系数以及各节点的环境参数，建立线路动态预测模型；根据线路动态预测模型，预测在预设时间内的线路舞动风险；其中，通过历史舞动数据，获得线路平均舞动时长；根据当前各环境参数、线路重要性评分以及线路平均舞动时长，动态调整并确定预设时间；
6、s3、根据预测结果发出舞动预警以及提供决策支持，所述预测结果包括第一风险和线路舞动风险。
7、优选地，所述s1包括：
8、根据环境参数、地形地貌以及植被覆盖，对架空线路的途经区域进行聚类分析，根据聚类分析结果划分多个监测子区域；
9、在各监测子区域分别设置监测节点。
10、优选地，所述s2包括：
11、通过舞动传感器实时获取各节点的第一舞动数据，所述第一舞动数据包括第一舞动时间和第一舞动时长、第一舞动幅值和第一舞动频率；
12、根据各节点的第一舞动数据，获得各节点的权重系数；
13、根据各节点的第一舞动数据、各节点的环境参数，获得各节点预设时间内的第一风险；
14、通过各节点的权重系数以及各节点的环境参数，建立线路动态预测模型；
15、采集多组连续实时数据，输入到线路动态预测模型，以预测在预设时间内的线路舞动风险。
16、优选地，所述各节点的权重系数通过下式获得：
17、
18、其中， w i为第 i个节点的权重系数； s ij为第 i个节点第 j次舞动的第一舞动时长； v ij第 i个节点第 j次舞动的第一舞动幅值； p ij为第 i个节点第 j次舞动的第一舞动频率； f（）为函数关系； z ij为第 i个节点第 j次舞动的综合评分； n为节点个数， m为统计时间段内的舞动次数； h i为节点 i的重要性评分； g ij为第 i 个节点在第 j 次舞动中的中间值。
19、优选地，所述根据各节点的第一舞动数据、各节点的环境参数，获得各节点预设时间内的第一风险；包括：
20、通过各节点的第一舞动数据以及各节点的环境参数，建立第一风险模型；
21、所述第一舞动数据包括第一统计时间段内的节点的多个第一舞动时长、多个第一舞动幅值、多个第一舞动频率、舞动时长的变化量、舞动幅值的变化量以及舞动频率的变化量；
22、所述环境参数包括节点各次舞动的环境参数变化率的最大值、最小值和平均值；其中环境参数变化率包括温度变化率、湿度变化率、风向变化率、风向与节点线路的平均夹角变化率；
23、通过第一风险模型，获得各节点的第一风险，所述第一风险包括第一风险概率和第一舞动强度。
24、优选地，所述通过各节点的第一舞动数据以及各节点的环境参数，建立第一风险模型；包括：
25、将各环境参数分别与所述第一舞动数据进行关联分析，获得各第一关联系数；
26、若环境参数与任一舞动数据的第一关联系数的绝对值大于第一预设阈值，则将该环境参数作为第一风险模型的输入；
27、其中，第一预设阈值为：
28、
29、其中， d y为第一预设阈值， d a为各第一关联系数绝对值的均值； σ为各第一关联系数的均值的标准差； a为调节系数，1≤ a≤5； k为线路重要性评分，0< k<1。
30、优选地，所述通过各节点的权重系数以及各节点的环境参数，建立线路动态预测模型，包括：
31、根据各节点的权重系数，分别将同一线路多个节点同一时间段的环境参数以及各节点的舞动数据进行加权平均，获得线路对应各环境参数的加权平均值以及线路的平均舞动数据；
32、通过线路的各环境参数的加权平均值、对应线路的平均舞动数据以及连续多次对应线路各环境参数的加权平均值的变化以及平均舞动数据的变化，建立线路动态预测模型。
33、优选地，所述预设时间的设置方法如下：
34、通过历史舞动数据，获得线路平均舞动时长；
35、根据当前各环境参数、线路重要性评分以及线路平均舞动时长，确定预设时间；
36、其中，预设时间为：
37、
38、
39、其中， t y为线路当前预设时间长度， t a为线路平均舞动时长， e c为线路当前环境参数变化率； e a为线路历史平均环境参数变化率； c h为当前预测模型第 h个输入环境参数的最大变化率； x h为预测模型第 h个输入环境参数的权重； v为预测模型输入的环境参数个数； c ha为预测模型第 h个输入环境参数统计时间段内最大变化率的均值； k为线路重要性评分，0< k<1； β为调节系数，0< β<1。
40、优选地，所述根据预测结果发出舞动预警以及提供决策支持，包括：
41、若任一节点的第一风险概率大于其预设阈值，或线路舞动风险概率大于其预设阈值，则进行第一预警，并根据预测舞动强度对第一预警进行第一分级；预警的级别将依据预测的舞动强度进行进一步分类；
42、若一条线路多个节点的第一风险概率均大于其预设阈值，则进行第二预警；预警的级别将依据预测的舞动强度进行进一步分类。
43、本技术提供一种用于本技术所述的一种基于机器学习模型的架空线路舞动预警方法的系统，所述系统包括：
44、节点设置模块，用于在架空线路上设置多个监测节点；
45、预测模块，用于根据各节点的舞动数据，获得各节点的权重系数；根据各节点的舞动数据以及对应的环境参数，获得各节点在预设时间内的第一风险；通过各节点的权重系数以及各节点的环境参数，建立线路动态预测模型；根据线路动态预测模型，预测在预设时间内的线路舞动风险；其中，通过历史舞动数据，获得线路平均舞动时长；根据当前各环境参数、线路重要性评分以及线路平均舞动时长，动态调整并确定预设时间；
46、预警模块，用于根据预测结果发出舞动预警以及提供决策支持，所述预测结果包括第一风险和线路舞动风险。
47、本发明的有益效果包括：通过引入科学的权重分配机制，该方法能够充分考虑不同节点在整体风险预测中的重要性，使得预测结果更加准确。同时，动态预测模型的建立使得预测策略能够根据实时数据和环境变化进行动态调整，进一步提高了预测的准确性；通过实时监测各节点的舞动数据和环境参数，结合动态预测模型，能够实现对线路舞动风险的实时跟踪和预测；通过综合考虑历史数据、当前环境参数以及线路重要性评分等因素，能够科学合理地设置预设时间，使得预测结果更加符合实际情况，提高了预警的针对性和时效性。不仅设置了预警阈值，还根据预测结果提供了多层次的预警等级和相应的决策支持；有助于电网运维人员根据预警等级采取相应的应对措施，降低舞动风险对电网安全的影响。
1.一种基于机器学习模型的架空线路舞动预警方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述s1包括：
3.根据权利要求1所述的方法，其特征在于，所述s2包括：
4.根据权利要求3所述的方法，其特征在于，所述各节点的权重系数通过下式获得：
5.根据权利要求3所述的方法，其特征在于，所述根据各节点的第一舞动数据、各节点的环境参数，获得各节点预设时间内的第一风险；包括：
6.根据权利要求5所述的方法，其特征在于，所述通过各节点的第一舞动数据以及各节点的环境参数，建立第一风险模型；包括：
7.根据权利要求5所述的方法，其特征在于，所述通过各节点的权重系数以及各节点的环境参数，建立线路动态预测模型，包括：
8.根据权利要求1所述的方法，其特征在于，所述预设时间通过下式获得：
9.根据权利要求1所述的方法，其特征在于，所述根据预测结果发出舞动预警以及提供决策支持，包括：
10.一种用于实现权利要求1所述的一种基于机器学习模型的架空线路舞动预警方法的系统，其特征在于，所述系统包括：
