一种小动物威胁等级分布预测方法技术

本发明专利技术涉及储能站安全的技术领域，更具体地，涉及一种小动物威胁等级分布预测方法，通过收集典型储能站区域的生态信息和涉害小动物的分布信息，利用通过皮尔逊相关性分析得到的影响小动物活动的典型因素进行长短时记忆神经网络训练，简化了计算过程，计算量小，构建小动物威胁等级分布预测模型，模型具备实用性、科学性和可靠性，可应用于各储能站的小动物防治工作中，从而对储能站小动物预防装置的选择和安放位置提供科学指导依据，优化预防效果，极大降低储能站的安全风险，对保证电力系统的稳定运行具有重要意义。统的稳定运行具有重要意义。统的稳定运行具有重要意义。

【技术实现步骤摘要】
一种小动物威胁等级分布预测方法


[0001]本专利技术涉及储能站安全的
，更具体地，涉及一种小动物威胁等级分布预测方法。

技术介绍

[0002]新世纪以来，在国家对环境保护的重视及民众生态环保意识的不断增强，伴随着一系列具体的生态环境保护相关法案和措施落地，中国的生态环境发生了显著的改善。与此同时，环境改善造成的小动物数量的激增、活动范围及频率的扩大也越来越严重的威胁到了电力设备的安全运行。
[0003]储能站作为中国电网系统重要的一环，储能站无人值守，距离人类聚集地较远，是小动物们活动的高频地区。现有的针对储能站小动物种类和分布的研究较少，且工作人员对小动物的了解不足，预防大多凭主观经验，缺乏科学的参考依据及数据作为支撑，且此经验具有不可复制性，无法统一标准，无法规模化，系统化预防，对其他储能站不具有参考意义。
[0004]现有技术公开了一种基于多源数据的输电线路鸟类分布预测方法，通过收集典型输电样线区域的生境信息和涉害鸟类分布信息等多源数据，然后对多源数据进行预处理，然后通过多元回归分析经过鸟类分布特征与经过预处理后的数据集之间的关系，再构建预测模型，模型能够有效地预测出待测样线的鸟类分布信息，从而指导运维人员进行鸟害防治、防鸟装置的合理安装，优化鸟害防治效果，然而该方案中，仅适用于鸟类的分布预测，仅防治鸟害而无法对除鸟类的小动物进行预测，且通过随机森林对得到的数据进行训练，然后根据训练结果进行涉害鸟类分布预测模型的构建，计算繁琐，计算量大。

技术实现思路

[0005]本专利技术的目的在于克服现有技术的不足，提供一种小动物威胁等级分布预测方法，具备可靠性和科学性，简化了计算过程，可应用于各储能站的小动物防治工作中，为储能站建设和安装防小动物装置提供科学指导依据，为新建储能站的选址工作提供有力数据支撑。
[0006]为解决上述技术问题，本专利技术采用的技术方案是：
[0007]提供一种小动物威胁等级分布预测方法，包括以下步骤：
[0008]S1：收集典型储能站区域的生态信息和涉害小动物的分布信息，并构建数据集；S2：对所述数据集进行皮尔逊相关性分析，得到影响小动物活动的典型因素；
[0009]S3：通过长短时记忆神经网络算法对步骤S2得到的数据进行训练，构建小动物威胁等级分布预测模型；
[0010]S4：对所述小动物威胁等级分布预测模型进行优化。
[0011]本专利技术的小动物威胁等级分布预测方法，通过收集典型储能站区域的生态信息和涉害小动物的分布信息，利用通过皮尔逊相关性分析得到的影响小动物活动的典型因素进
行长短时记忆神经网络训练，简化了计算过程，计算量小，构建小动物威胁等级分布预测模型，模型具备实用性、科学性和可靠性，可应用于各储能站的小动物防治工作中，从而对储能站小动物预防装置的选择和安放位置提供科学指导依据，优化预防效果，极大降低储能站的安全风险，对保证电力系统的稳定运行具有重要意义。
[0012]优选地，步骤S1中，所述典型储能站区域的生态信息包括储能站所属区域在不同季节、不同时期的生态信息及人类活动信息。
[0013]优选地，所述储能站区域在不同季节、不同时期的生态信息及人类活动信息包括储能站所处的地形地貌、周边人类活动信息、周边制备种类、周边植被密度、周边水域分布情况、还把高度、维度信息、各季节平均温度信息、各季节平均湿度信息、各季节的平均日照强度信息。以上数据可以结合储能站的运维数据、实地考察的方式、周边走访的方式、相关农业站或生物所协助等方式获取。需要说明的是，被考察的各个储能站所处环境应尽可能不同，使得获取的各种环境信息特征能够尽可能明显差异化，保证收集到的储能站的地理特征，气候特征，环境信息和涉害小动物种类能尽可能涵盖常见类型，使得本实施例的小动物威胁等级分布预测方法具有足够普适性。本专利技术能够充分考虑到储能所不同季节不同地域不同环境造成的影响差异，具备实用性。
[0014]优选地，步骤S1中，构建数据集前，对收集的数据进行预处理，具体包括：
[0015]S11：对多余或无意义的字符和符号进行删除或更替；
[0016]S12：利用插补法或求平均值法对缺失值进行处理；
[0017]S13：将数据按经纬度排列，对邻近经纬度的数据出现大于10％偏差值的数据进行删除处理。
[0018]优选地，步骤S2中，对数据集进行皮尔逊相关性分析时，采用独立成分分析进行特征提取，在特征选择中，从特征集中挑选出最具有相关性和意义的特征子集，即与储能站小动物威胁等级分布的预测具有强关联性的特征，确定最终的数据特征集，进行onehot编码，进行最后归一化处理。
[0019]优选地，步骤S3中，构建小动物威胁等级分布预测模型的过程包括：
[0020]S31：将步骤S2中得到的影响小动物活动的典型因素作为原始数据集，将原始数据分割成训练集和测试集；
[0021]S32：对训练集进行随机抽样；
[0022]S33：对抽取的训练集进行数据训练，构建小动物威胁等级分布预测模型。
[0023]步骤S31中，取原始数据中80％的数据作为训练集，剩余的29％作为测试集，步骤S33中，将植被、温度、湿度、纬度等信息作为小动物威胁等级分布预测模型的输入，输出小动物威胁等级分布。
[0024]基础的RNN模型在产生最后输出值和之前关联的步骤会有一定的现在，容易在传递过程中梯度消失或梯度爆炸，长短时记忆神经网络模型是一个能够经理较长关联的模型，长短时记忆神经网络存在一个长时记忆、输入门、输出门和遗忘门，通过对三个门来进行记忆修改，步骤S3中，长短时记忆神经网络算法的具体计算过程如下：
[0025]i
t
＝σ(W
i
[h
t
‑1；W
t
]+b
i
)
[0026]f
t
＝σ(W
f
[h
t
‑1；W
t
]+b
f
)
[0027]o
t
＝σ(W
o
[h
t
‑1；W
t
]+b
o
)
[0028]g
t
＝tanh(W
c
[h
t
‑1；W
t
]+b
c
)
[0029]c
i
＝i
t
⊙
g
t
+f
t
⊙
c
t
‑1[0030]h
t
＝o
t
⊙
tanh(c
t
)
[0031]式中：i
t
、o
t
、f
t
、c
t
分别表示t时刻的输入门、输出门、遗忘门以及记忆细胞的信息状态；W...

【技术保护点】

【技术特征摘要】
1.一种小动物威胁等级分布预测方法，其特征在于，包括以下步骤：S1：收集典型储能站区域的生态信息和涉害小动物的分布信息，并构建数据集；S2：对所述数据集进行皮尔逊相关性分析，得到影响小动物活动的典型因素；S3：通过长短时记忆神经网络算法对步骤S2得到的数据进行训练，构建小动物威胁等级分布预测模型；S4：对所述小动物威胁等级分布预测模型进行优化。2.根据权利要求1所述的小动物威胁等级分布预测方法，其特征在于，步骤S1中，所述典型储能站区域的生态信息包括储能站所属区域在不同季节、不同时期的生态信息及人类活动信息。3.根据权利要求2所述的小动物威胁等级分布预测方法，其特征在于，所述储能站区域在不同季节、不同时期的生态信息及人类活动信息包括储能站所处的地形地貌、周边人类活动信息、周边制备种类、周边植被密度、周边水域分布情况、还把高度、维度信息、各季节平均温度信息、各季节平均湿度信息、各季节的平均日照强度信息。4.根据权利要求1所述的小动物威胁等级分布预测方法，其特征在于，步骤S1中，构建数据集前，对收集的数据进行预处理，具体包括：S11：对多余或无意义的字符和符号进行删除或更替；S12：利用插补法或求平均值法对缺失值进行处理；S13：将数据按经纬度排列，对邻近经纬度的数据出现大于10％偏差值的数据进行删除处理。5.根据权利要求1所述的小动物威胁等级分布预测方法，其特征在于，步骤S2中，对数据集进行皮尔逊相关性分析时，采用独立成分分析进行特征提取，在特征选择中，从特征集中挑选出最具有相关性和意义的特征子集，即与储能站小动物威胁等级分布的预测具有强关联性的特征，确定最终的数据特征集，进行onehot编码，进行最后归一化处理。6.根据权利要求1所述的小动物威胁等级分布预测方法，其特征在于，步骤S3中，构建小动物威胁等级分布预测模型的过程包括：S31：将步骤S2中得到的影响小动物活动的典型因素作为原始数据集，将原始数据分割成训练集和测试集；S32：对训练集进行随机抽样；S33：对抽取的训练集进行数据训练，构建小动物威胁等级分布预测模型。7.根据权利要求6所述的小动物威胁等级分布预测方法，其特征在于，步骤S3中，长短时记忆神经网络算法的具体计算过程如下：i
t
＝σ(W
i
[h
t
‑1；W
t
]+b
i
)f
t
＝σ(W
f
[h<...

【专利技术属性】
技术研发人员：陈兆锋，谢若锋，魏炯辉，张智华，黄永平，薛峰，张鹏，刘贯科，陈泽鹏，李元佳，马旭冰，莫镇光，张裕，黄铜根，钟荣富，刘海涛，谭传明，姚俊钦，林志强，郑再添，刘文，周智明，莫其海，
申请(专利权)人：广东电网有限责任公司东莞供电局，
类型：发明
国别省市：