基于改进CNN-BiLSTM模型和地磁监测数据的多时间长度GIC预测

Abstract

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GIC (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.

Keywords

• 太阳风暴
• GIC预测
• 卷积神经网络
• 地磁数据