[发明专利]用于预测超高压输电线路杆塔覆冰厚度的深度学习方法

说明书

一种用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，包括：1、提取单个杆塔周围一定地理范围的六种局部、三种全局历史气象要素和三种地形要素信息；2、通过降维深度可分离模块，对各个要素特征进行归一化，并且实现对地形要素特征的提取；3、将多个历史时间点的局部和全局气象要素特征分别输入LSTM网络中，实现气象要素特征提取；4、地形要素特征与气象要素特征进行特征融合，并将融合后的特征输入主干分类网络；5、将历史覆冰厚度数据分20等级作为网络标签；6、计算模型损失，训练模型，优化模型参数。本发明充分考虑了杆塔上覆冰厚度的时间与空间影响因素，可以有效的从历史气象数据与地形数据中预测下一个时间点的覆冰厚度。

技术领域

本发明涉及人工智能技术的相关应用领域，具体涉及一种用于预测超高压输电线路杆塔覆冰厚度的基于数字图像的深度学习方法。

背景技术

超高压输电线路杆塔覆冰是一种气象灾害，它是指空气中的过冷水滴所形成的雨凇、雾凇凝结附在零摄氏度左右或者以下的输电线路以及杆塔上，使得电线受力不均，严重时会导致断线甚至存在杆塔倒塌的风险。

经典的覆冰预测模型是在微观层面，将覆冰的厚度同各类气象信息要素结合起来，并运用热力学、流体力学等方面的理论知识建立起物理守恒方程，从而进行覆冰的预测。在覆冰研究早期，由于对覆冰成因的认识不够全面，研究者通常是根据试验观测结果提出的经验模型，如Lenhard R W.提出假设覆冰增长仅与降水量呈线性关系的Lenhard模型；Imai I.提出覆冰质量的变化率与气温相反数呈正比的Imai模型以及McComber P.提出假定结冰厚度随时间呈指数式增长的McComber雾凇模型等。但以上模型或多或少会忽略一些气象要素条件，以至于不能准确反映覆冰发生时电路沿线复杂的气象状况对线路的影响。

后来研究者们根据大气液态水和导线覆冰的质量守恒建立方程，提出一系列干增长数值模型。如Chaîné P M.综合考虑了气温、降水、风速、大气湿度等因素影响,提出了Chaine模型；Goodwin III E J.提出了能够达到较高的准确性的Goodwin模型以及Jones KF.提出的一种计算最大可能标准冰厚的Jones简单模型。但在这一系列模型中通常没有明确提出碰撞率的概念，难以反映复杂的覆冰物理过程。此外，以上模型均未考虑到输电线路杆塔的周围环境（如地形地貌）以及时间演化等其他客观因素对覆冰结果的影响。

相比于根据物理规律建立的覆冰数值预测模型，近年发展起来的统计预测模型绕过具体的物理过程，通过对实际气象观测资料和覆冰资料进行统计分析，提出了从数据关联性出发建立由气象因子到覆冰厚度的定量映射关系。早期的统计预测模型所使用的是多元回归方法，但是电线覆冰本质上是复杂的非线性过程，因此利用线性拟合的手段难以对覆冰重量进行精确拟合。后来神经网络和支持向量机等非线性模型被广泛应用于构建覆冰预测模型。如殷水清等利用三层BP神经网络对全国范围内48年电线结冰观测数据和相关气象要素数据进行分析，达到了81.3%的准确度，但对于极端高值低估明显；戴栋等在其基于SVM的覆冰回归模型中，对贵州电网的3个覆冰过程进行了短期预报模拟，结果显示该模型在1h内的滚动预测效果较好，而更长时间的预测效果较差。

此外，传统BP神经网络常常存在着诸如收敛速度慢、易陷于局部极小值和过拟合等方面的缺陷，当学习的样本量较小或数据质量较差时，相比简单模型并不占优势。利用粒子群算法调参以及利用KNN算法预先提取临近样本的模型虽然取得了比传统SVM更优的预测效果，但目前的统计模型都只采用了少数几个基于地理位置坐标点的观测数据进行训练和检验，而对于输电线路杆塔周边范围性的地理条件和气象要素对覆冰的影响未完全体现。

发明内容

本发明针对现有技术中的不足，提供一种基于多气象要素之间时间、空间之间的关联性预测超高压输电线路杆塔覆冰厚度的深度学习方法。

为实现上述目的，本发明采用以下技术方案：