预测输电线路遭受暴雨灾害的方法、装置和设备制造方法及图纸

本公开提供一种预测输电线路遭受暴雨灾害的方法、装置和设备。该方法包括：获取待预测输电线路的暴雨灾害致灾因子数据，其中，暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据，将待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到待预测输电线路的预测暴雨灾害情况，其中，暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。本公开的方法，从影响待预测输电线路的外因、内因和历史暴雨数据，综合进行预测待预测输电线路的暴雨灾害情况，使得预测准确率高。使得预测准确率高。使得预测准确率高。

【技术实现步骤摘要】
预测输电线路遭受暴雨灾害的方法、装置和设备


[0001]本公开涉及计算机
，尤其涉及一种预测输电线路遭受暴雨灾害的方法、装置和设备。

技术介绍

[0002]暴雨会导致电网的输电线路倒塔、断线并表现为久性故障，损坏变电站设备，甚至导致受灾厂站全停，严重威胁电网安全运行，且造成重大的经济损失和社会影响。因此，需要预测输电线路遭受暴雨灾害的情况。
[0003]目前，已经有基于智能算法的灾害风险评估方法主要依赖于历史数据的积累和经验，结合相关算法模型通过初步的机器学习方法来预测输电线路遭受暴雨灾害的概率。
[0004]但现有的智能算法仅停留在片面的机器学习过程，预测准确率不高。

技术实现思路

[0005]为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种预测输电线路遭受暴雨灾害的方法、装置和设备。
[0006]第一方面，本公开提供一种预测输电线路遭受暴雨灾害的方法，包括：
[0007]获取待预测输电线路的暴雨灾害致灾因子数据，其中，所述暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据；
[0008]将所述待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述待预测输电线路的预测暴雨灾害情况，其中，所述暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。
[0009]可选的，所述气象特征要素数据包括以下一种或多种：降水量、风速、相对湿度和温度；<br/>[0010]所述输电线路结构数据包括：输电线路各基杆塔的基础特征数据；
[0011]所述地质特征要素数据包括以下一种或多种：地形地貌数据、各基杆塔的基础特征数据、土体密实度、地层岩性数据、土体中碎石含量、坡面特征特性数据、泥石流致灾因子数据。
[0012]可选的，所述地形地貌数据包括：冷冻地带地形地势数据或者风口地区地形地势数据；
[0013]所述泥石流致灾因子数据包括以下一种或多种：泥位、泥速、次声和地声；
[0014]所述输电线路各基杆塔的基础特征数据包括以下一种或多种：所述输电线路各基杆塔的独立基础、桩基础和掏挖基础。
[0015]可选的，所述待预测输电线路的预测暴雨灾害情况包括：预设时间段内每天是否有暴雨灾害。
[0016]可选的，所述将所述输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述输电线路的预测暴雨灾害情况之前，还包括：
[0017]获取多个输电线路的暴雨灾害致灾因子数据，得到训练样本集，所述训练样本集中包括多个训练样本，每个所述训练样本包括多个输电线路中的一个输电线路在相同时刻的暴雨灾害致灾因子数据；
[0018]使用所述训练样本集训练所述暴雨灾害预测模型，直到所述暴雨灾害预测模型收敛。
[0019]可选的，所述暴雨灾害预测模型的收敛条件为：比例阈值小于预设阈值，其中，所述比例阈值为所述训练样本与所述训练样本的重置值的差值占所述训练样本的比例，所述训练样本的重置值为对所述训练样本进行正向计算得到的输出再进行反向计算得到的。
[0020]第二方面，本公开提供一种预测输电线路遭受暴雨灾害的装置，包括：
[0021]获取模块，用于获取待预测输电线路的暴雨灾害致灾因子数据，其中，所述暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据；
[0022]得到模块，用于将所述待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述待预测输电线路的预测暴雨灾害情况，其中，所述暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。
[0023]可选的，所述气象特征要素数据包括以下一种或多种：降水量、风速、相对湿度和温度；
[0024]所述输电线路结构数据包括：输电线路各基杆塔的基础特征数据；
[0025]所述地质特征要素数据包括以下一种或多种：地形地貌数据、各基杆塔的基础特征数据、土体密实度、地层岩性数据、土体中碎石含量、坡面特征特性数据、泥石流致灾因子数据。
[0026]可选的，所述地形地貌数据包括：冷冻地带地形地势数据或者风口地区地形地势数据；
[0027]所述泥石流致灾因子数据包括以下一种或多种：泥位、泥速、次声和地声；
[0028]所述输电线路各基杆塔的基础特征数据包括以下一种或多种：所述输电线路各基杆塔的独立基础、桩基础和掏挖基础。
[0029]可选的，所述待预测输电线路的预测暴雨灾害情况包括：预设时间段内每天是否有暴雨灾害。
[0030]可选的，所述装置还包括：
[0031]所述获取模块，还用于获取多个输电线路的暴雨灾害致灾因子数据，得到训练样本集，所述训练样本集中包括多个训练样本，每个所述训练样本包括多个输电线路中的一个输电线路在相同时刻的暴雨灾害致灾因子数据；
[0032]训练模块，用于使用所述训练样本集训练所述暴雨灾害预测模型，直到所述暴雨灾害预测模型收敛。
[0033]可选的，所述暴雨灾害预测模型的收敛条件为：比例阈值小于预设阈值，其中，所述比例阈值为所述训练样本与所述训练样本的重置值的差值占所述训练样本的比例，所述训练样本的重置值为对所述训练样本进行正向计算得到的输出再进行反向计算得到的。
[0034]第三方面，本公开提供一种预测输电线路遭受暴雨灾害的设备，包括：
[0035]存储器，用于存储处理器可执行指令的存储器；
[0036]处理器，用于在计算机程序被执行时，实现如上述第一方面所述的方法。
[0037]第四方面，本公开提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述第一方面所述的预测输电线路遭受暴雨灾害的方法。
[0038]本公开实施例提供的技术方案与现有技术相比具有如下优点：
[0039]通过获取待预测输电线路的暴雨灾害致灾因子数据，暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据，从而从影响待预测输电线路的外因、内因和历史暴雨数据，综合进行预测待预测输电线路的暴雨灾害情况，将待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到待预测输电线路的预测暴雨灾害情况，采用暴雨灾害致灾因子数据训练受限玻尔兹曼机模型，得到的暴雨灾害预测模型充分学习了各暴雨灾害致灾因子数据对预测暴雨灾害的影响，使得预测准确率高。
附图说明
[0040]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。
[0041]为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种预测输电线路遭受暴雨灾害的方法，其特征在于，包括：获取待预测输电线路的暴雨灾害致灾因子数据，其中，所述暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据；将所述待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述待预测输电线路的预测暴雨灾害情况，其中，所述暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。2.根据权利要求1所述的方法，其特征在于，所述气象特征要素数据包括以下一种或多种：降水量、风速、相对湿度和温度；所述输电线路结构数据包括：输电线路各基杆塔的基础特征数据；所述地质特征要素数据包括以下一种或多种：地形地貌数据、各基杆塔的基础特征数据、土体密实度、地层岩性数据、土体中碎石含量、坡面特征特性数据、泥石流致灾因子数据。3.根据权利要求2所述的方法，其特征在于，所述地形地貌数据包括：冷冻地带地形地势数据或者风口地区地形地势数据；所述泥石流致灾因子数据包括以下一种或多种：泥位、泥速、次声和地声；所述输电线路各基杆塔的基础特征数据包括以下一种或多种：所述输电线路各基杆塔的独立基础、桩基础和掏挖基础。4.根据权利要求1所述的方法，其特征在于，所述待预测输电线路的预测暴雨灾害情况包括：预设时间段内每天是否有暴雨灾害。5.根据权利要求1-4任一项所述的方法，其特征在于，所述将所述输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述输电线路的预测暴雨灾害情况之前，还包括：获取多个输电线路的暴雨灾害致灾因子数据，得到训练样本集，所述训练样本集中包括多个训练样本，每个所述训练样本包括多个输电线路中的一个输电线路在相同时刻的暴雨灾害致灾因子数据；使用所述训练样本...

【专利技术属性】
技术研发人员：叶钰，简洲，冯涛，郭俊，李丽，
申请(专利权)人：国网湖南省电力有限公司防灾减灾中心国家电网有限公司，
类型：发明
国别省市：