[发明专利]一种架空输电线路覆冰预测模型和方法

权利要求书

1.一种架空输电线路覆冰预测模型，其特征在于，所述模型通过如下步骤构建：

步骤1，从线路在线监测系统中获取覆冰因素数据和覆冰厚度数据，筛选和处理所获取的数据；

步骤2，建立和训练时序卷积神经网络模型，该模型用于预测覆冰因素；

步骤3，建立和训练支持向量回归模型，该模型用于建立覆冰因素与覆冰厚度的回归关系，时序卷积神经网络模型和支持向量回归模型共同组成架空输电线路覆冰预测模型；

步骤1包括：

步骤1-1，从线路在线监测系统中获取覆冰因素数据，所述覆冰因素数据分为时序覆冰因素数据和非时序覆冰因素数据，非时序覆冰因素数据作为常数序列与时序覆冰因素数据合并作为覆冰因素时序数据；

步骤1-2，从线路在线监测系统中获取覆冰厚度数据，覆冰厚度数据的每个样本由覆冰因素向量和覆冰厚度值两项构成，覆冰因素向量为各种覆冰因素的数据值组成，按照覆冰厚度的值将覆冰厚度数据分为不同的组，等概率地随机选一个非空组从中抽出一个样本，重复该操作直至只有覆冰厚度为0的组为非空组，去掉未被抽出的样本，保留所有抽出的样本，使不同程度覆冰厚度的样本之间比例均衡；

步骤1-3，确定时序卷积神经网络模型时间步即时序数据的时间间隔的大小；

步骤1-4，删除获取到的异常数据，填补缺失数据；

步骤1-5，对所有覆冰因素时序数据进行归一化：

其中，是覆冰因素时序数据的原值，min是最小值，max是最大值，是归一化的值；

步骤1-6，将归一化后的数据进行离散化：

其中，表示向下取整运算；K是离散数，表示将数据原始取值空间均匀离散化的份数；是归一化的数据，x是离散化后的覆冰因素时序数据；

步骤2中，通过如下步骤建立和训练时序卷积神经网络模型：

步骤2-1，建立空洞因果卷积：对于一个多元时间序列输入和一个卷积核空洞因果卷积操作F在时间t上定义为F(t)：

其中，表示实数集，T是时间序列的长度，n是时间序列输入变量的维数，即卷积的输入通道数，d是空洞系数，k是卷积核大小，符号·表示向量内积运算，f(i)是卷积核的第i个权重向量，x_t-di是输入序列的第t-di时间步的输入；

步骤2-2，建立残差块：残差块包含一个残差映射和一个恒等映射，残差块的输出即为两者的和，定义为：

y＝F(x,{W_i})+W_sx，

x和y分别表示所在层的输入向量和输出向量，F(x,{W_i})就是深度神经网络的网络层要学习的残差映射，W_i是残差映射F的参数，当输入和输出的维数相等时，W_s是一个单位矩阵，W_sx即为恒等映射，当输入和输出的维数不相等时，W_s是一个参数矩阵，恒等映射被线性映射替代；残差映射F即为空洞因果卷积；

步骤2-3，建立深度神经网络：所述深度神经网络由步骤2-2中所述的残差块堆叠而成，深度神经网络的相邻层之间的关系为：

y^[l]＝F^[l](x^[l])

x^[l+1]＝σ^[l](y^[l])

其中，l＝1,2,…,L，l是当前网络层的层数，L表示网络的深度，x^[l]是当前层的输入，x^[l+1]为下一层的输入，F^[l]是当前层的残差块，y^[l]是当前层的输出，σ^[l]是当前层的激活函数；深度神经网络的第一层称为输入层，第一层和最后一层之间的网络层称为隐藏层，最后一层称为输出层；

步骤2-4，建立损失函数：使用交叉熵损失函数loss：

其中，x^*表示所预测覆冰因素的归一离散化后的真实值，K表示离散数，y是网络的输出；表示指示函数，以条件(·)是否满足分别取值1或0；所述深度神经网络即为时序卷积神经网络模型；

步骤2-5，正则化：训练时序卷积神经网络模型时，嵌入脱网Dropout层实现正则化，同时使用了批标准化解决协变漂移问题；

步骤2-6，训练时序卷积神经网络模型时，使用基于梯度下降的优化算法进行优化；

步骤2-3中，输入层和隐藏层的激活函数使用修正线性单元ReLU，输出层的激活函数使用归一化指数函数Softmax；

神经网络的输入层的输入x^[1]由覆冰因素时序数据x和掩码矩阵m的元素积与掩码矩阵m合并而成，即：x^[1]＝[x⊙m,m]，其中，运算符⊙表示元素积，掩码矩阵m是一个二值矩阵，其元素与覆冰因素时序数据x的元素一一对应，掩码值1表示对应覆冰因素时序数据的元素有效，而掩码值0表示对应覆冰因素时序数据的元素无效；

神经网络的隐藏层以前一层的输出为输入，然后其输出又作为下一层的输入，最后神经网络的输出层输出下一个时间步覆冰因素概率分布的预测；

步骤2-6中，所述优化算法使用随机梯度下降算法，参数迭代更新方式为：

其中，符号：＝表示赋值，w是要优化的参数，lr是学习率，Q(w)是目标函数，是梯度算子；

步骤3包括：

输入覆冰厚度数据的覆冰因素向量x_i，覆冰厚度y_i，i＝1,2,…,n，给定参数C0和ε0，支持向量回归模型的原型问题如下：

s.t.y_i-w^Tφ(x_i)-b≤ε+ζ_i,

其中，n为覆冰厚度数据的样本数，w,b是模型参数，C是惩罚系数，ζ,ζ^*是松弛变量，ε是损失边界；

上述问题的拉格朗日对偶为：

s.t.e^T(α-α^*)＝0

其中，e为元素全为1的向量，α,α^*为所引入的拉格朗日乘子向量，Q_ij≡K(x_i,x_j)为核矩阵Q第i行第j列的元素，使用径向基函数RBF核K(x_i,x_j)＝exp(-||x_i-x_j‖²),γ0，为核函数的参数，x_i,x_j分别表示x的第i个元素和第j个元素；

求解上述问题后，覆冰厚度的近似函数为：

2.一种应用权利要求1所述模型的架空输电线路覆冰预测方法，其特征在于，包括：结合时序卷积神经网络模型和支持向量回归模型，使用时序卷积神经网络模型预测覆冰因素，将覆冰因素输入支持向量回归模型，支持向量回归模型输出覆冰厚度预测值。