基于深度学习的架空输电线路覆冰厚度的长时间预测方法技术

本发明专利技术属于覆冰预测技术领域，具体涉及一种基于深度学习的架空输电线路覆冰厚度的长时间预测方法。本发明专利技术为了解决架空输电线路的覆冰厚度的趋势预测，提出一种基于深度学习的架空输电线路覆冰厚度的长时间预测方法，主要是基于历史气象数据，气象预报数据，当前覆冰状态及杆塔的相关属性(如地形，海拔，呼高)数据，通过深度网络对覆冰厚度进行长时间的预测。主要包括数据集构建，数据处理，深度网络模型构建，训练和预测等。其中重点对深度网络的构建进行详细说明，包括网络层级的定义，关键层的作用。本发明专利技术能对气象的时间趋势特征提取，能对各个数据与覆冰厚度之间的关系进行表示，能提取更深层次和更复杂的特征，精准的对覆冰厚度进行估计。

【技术实现步骤摘要】
基于深度学习的架空输电线路覆冰厚度的长时间预测方法
本专利技术属于覆冰预测
，具体涉及一种基于深度学习的架空输电线路覆冰厚度的长时间预测方法。
技术介绍
覆冰是电力行业常见的自然灾害之一，但严重的覆冰会给电网的安全带来极大的危害，严重时可能会导致跳闸、断线、倒塔、绝缘子闪冰、通信中断等事故，直接或间接的造成区域性停电和巨大的经济损失。目前直接对架高输电线路的覆冰厚度预测的方法较少，现有的都是基于传统称重法或通过物理方法进行厚度的计算，这些方法具有很大的局限性，依赖传感器等设备，普适性较低。目前覆冰的厚度预测技术主要是物理法和称重法较多，而这两种方式主要是对当前时间的覆冰厚度进行计算，无法对未来一段时间的覆冰厚度进行预测。其中物理法主要基于覆冰形成的机制，进行受力分析，通过物理方程进行描述，一般在小范围的可以统一的物理方程，无法大范围的使用，同时物理方程中涉及到了很多参数因子，这些因子参数的确定一般根据经验进行确定，因此物理方法在适用性和普适性方面存在很多问题。而沉重法主要在杆塔上安装一些传感设备，通过拉力值的变化确定是否覆冰，再通本文档来自技高网...

【技术保护点】
1.基于深度学习的架空输电线路覆冰厚度的长时间预测方法，其特征在于，包括以下步骤：/nS1、数据收集：以架空输电线路上的杆塔位置为对象，收集前6个小时的历史气象数据、未来12个小时的气象预报数据、杆塔所在位置的高程、杆塔的呼高及对应的覆冰厚度；将每个杆塔按照时间窗口按时间步进行划分，每个时间步获得的数据作为一个样本，从而获得样本数据集；利用收集的数据分别构建动态数据集、静态数据集和目标数据集，其中，动态数据集利用气象数据构建，静态数据集利用杆塔数据构建，目标数据集由覆冰厚度数据构建；/nS2、数据处理：对步骤S1收集的数据进行编码，将文本数据转化为数值数据，同时将目标数据转化为二维矩阵，二维矩...

【技术特征摘要】
1.基于深度学习的架空输电线路覆冰厚度的长时间预测方法，其特征在于，包括以下步骤：
S1、数据收集：以架空输电线路上的杆塔位置为对象，收集前6个小时的历史气象数据、未来12个小时的气象预报数据、杆塔所在位置的高程、杆塔的呼高及对应的覆冰厚度；将每个杆塔按照时间窗口按时间步进行划分，每个时间步获得的数据作为一个样本，从而获得样本数据集；利用收集的数据分别构建动态数据集、静态数据集和目标数据集，其中，动态数据集利用气象数据构建，静态数据集利用杆塔数据构建，目标数据集由覆冰厚度数据构建；
S2、数据处理：对步骤S1收集的数据进行编码，将文本数据转化为数值数据，同时将目标数据转化为二维矩阵，二维矩阵的行向量对应样本数，列向量对应覆冰厚度转化后的向量；经过数据处理后获得训练数据集，训练数据集由动态数据集、静态数据集和目标数据集构成；
S3、构建深度神经网络模型：网络模型依次包括第一LSTM层、第二LSTM层、concat层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层和输出层；训练过程中，动态数据集经过第一LSTM层和第二LSTM层后，在concat层与静态数据集和目标数据集进行concat操作，网络损失函数使用交叉墒损失函数，输出层以softmax作为激活函数，通过训练数据进行训练，从而获得训练好的网络模型；
S4、使用网络模型进行覆冰预测：获取当前时刻对象的动态数据和静态数据后，将覆冰状态yt设置为0，经过网络模型预测后获得yt+1，将yt+1作为下一个时间点特征输入来预测yt+2，yt+2又作为下一个时间点的特征输入来预测yt+3，以此预测12个时间步的覆冰厚度，从而实现架空输电线路覆冰厚度的长时间预测。


2.根据权利要求1所述的基于深度学习的架空输电线路覆冰厚度的长时间预测方法，其特征在于，步骤S1中历史气象数据和气象预报数据包括温度、湿度...

【专利技术属性】
技术研发人员：吴明朗，
申请(专利权)人：成都卡普数据服务有限责任公司，
类型：发明
国别省市：四川;51