| 基于改进CNN-BiLSTM模型和地磁监测数据的多时间长度GIC预测 |
| |
| 引用本文： | 蓝东亮, 陈延云, 吴影, 赵淼, 王亮, 吴伟丽, 黄冲. 基于改进CNN-BiLSTM模型和地磁监测数据的多时间长度GIC预测[J]. 空间科学学报, 2024, 44(3): 488-499. doi: 10.11728/cjss2024.03.2023-0084 |
| |
| 作者姓名： | 蓝东亮 陈延云 吴影 赵淼 王亮 吴伟丽 黄冲 |
| |
| 作者单位： | 1.中国大唐集团科学技术研究总院有限公司 华东电力试验研究院 合肥 230088;;2.安徽正广电电力技术有限公司 合肥 231299;;3.西安科技大学电气与控制工程学院 西安 710054 |
| |
| 基金项目： | 国家电网科技项目(SGXJCJ00KJJS2100582)和合肥市关键共性技术研发项目(2021GJ039)共同资助 |
| |
| 摘 要： | 
太阳风暴在电力系统网络中驱动产生的GIC会影响电力设备和系统的安全运行, 严重时还会引发大面积停电事件. 预测电网GIC水平能够为电力系统保护措施提供重要参考, 然而对这方面的研究仍显不足. 为了解决该问题, 将卷积神经网络(CNN)与双向长短时记忆(BiLSTM)以及注意力机制相结合, 利用空间天气的相关监测信息, 提出了大规模电网GIC多时间长度的预测方法. 本文在分析太阳风暴驱动产生电网地磁感应电流(Geomagnetically Induced Current, GIC)基础上, 构建了GIC预测模型; 提出了基于多头注意力机制的CNN-BiLSTM改进模型, 对GIC进行预测, 并给出了预测流程.
采用CNN捕获地磁扰动局部信息, 根据BiLSTM综合地磁暴扰动信息的全局特征, 综合利用多头注意力机制评估对GIC关键作用的地磁信息片段, 实现电网GIC的预测. 利用2004年11月8日00:00 LT－20:00 LT巨型磁暴期间DED地磁台站和QGZH地磁台监测数据, 应用所提方法对岭澳500 kV变电站GIC进行回归预测. 经过训练后, GIC预测相对误差均在12%以内, 精度高于其他模型的预测结果.
|
| 关 键 词： | 太阳风暴 GIC预测 卷积神经网络 地磁数据 |
| 收稿时间： | 2023-08-10 |
| 修稿时间： | 2024-03-11 |
| 本文献已被 万方数据 等数据库收录！ |
| 点击此处可从《空间科学学报》浏览原始摘要信息 |
|
点击此处可从《空间科学学报》下载免费的PDF全文 |
|
