一种基于深度时空神经网络的覆冰增长率预测方法技术

本发明专利技术提供了一种基于深度时空神经网络的覆冰增长率预测方法，属于图像处理技术领域；解决了现有的覆冰增长速率预测方法在精度

【技术实现步骤摘要】
一种基于深度时空神经网络的覆冰增长率预测方法


[0001]本专利技术提供了一种基于深度时空神经网络的覆冰增长率预测方法，属于图像处理

。

技术介绍

[0002]输电线路系统在电网中承担着传输电能的重要任务，但由于其受大气候
、
微地形
、
气象等环境影响，从而导致线路覆冰
、
舞动等事故时有发生
。
覆冰是在寒冷气候条件下，电力线路
、
通信塔等设施表面结冰形成的一层冰层
。
覆冰会增加输电线路和通信设施的负荷，导致断线和设备损坏，对设施的安全运行和可靠性产生重大影响
。
随着我国电网快速建设，输电线路架设覆盖地区辽阔，尤其是超
、
特高压输电线路架设区域跨度广，途径气候
、
地形错综复杂的地区，易受恶劣气象环境波及，输电线路系统可靠运行面临着线路覆冰的严重威胁
。
因此，准确预测覆冰的增长速率对于设施的运行和维护至关重要
。
[0003]覆冰会导致输电线路
、
通信塔等设施的负荷增加，严重时可能引发设施的倒塌和事故
。
准确预测覆冰增长速率可以及时发现输电线路覆冰情况，提前采取措施，确保设施的安全运行
。
通过预测覆冰增长速率，可以制定合理的维护计划，及时清除覆冰，减少设施维修成本，提高设施的运行效率，保障供电和通信的可靠性
。
[0004]现有的预测方法主要分为两类：气象学方法和经验模型
。
气象学方法主要基于气象数据，如温度
、
湿度等，通过建立数学模型预测覆冰的增长速率；但这种方法忽略了覆冰增长与设施表面的复杂关系，精度较低
。
经验模型是基于历史数据和经验规律建立的预测模型，通常适用于特定地区和特定条件；但由于不同地区和条件的差异，经验模型的适用性有限
。
现有的预测方法对于覆冰增长速率的预测精度有限，尤其是在复杂气候条件下，预测结果常常与实际情况存在较大差异
。
其次，覆冰的增长速率受到时间和空间的影响，现有方法往往忽略了时空特性，难以准确预测不同时期和不同地点的覆冰增长
。
最后缺乏实时监测，现有方法往往需要依赖历史数据和统计规律进行预测，缺乏对覆冰增长的实时监测和预警能力
。
[0005]综上所述，现有的覆冰增长速率预测方法在精度
、
适用性和实时性方面存在一定的局限性
。
因此，需要开发一种新的方法，能够准确预测覆冰增长速率，同时考虑时空特性和实时监测，提高覆冰监测与预测的精度和准确性
。

技术实现思路

[0006]本专利技术为了解决现有的覆冰增长速率预测方法在精度
、
适用性和实时性方面存在一定的局限性问题，提出了一种基于深度时空神经网络的覆冰增长率预测方法
。
[0007]为了解决上述技术问题，本专利技术采用的技术方案为：一种基于深度时空神经网络的覆冰增长率预测方法，包括如下步骤：
[0008]步骤1：数据采集和预处理：收集传感器获取的输电线路上的连续覆冰数据，然后对上述数据进行噪声去除
、
数据对齐和归一化处理；
[0009]步骤2：深度时空神经网络建模：构架深度时空神经网络模型
UGASNet
，所述深度时空神经网络模型
UGASNet
的结构如下：
[0010]以
Unet
网络为主干构建语义分割网络
EFUnet
，所述语义分割网络
EFUnet
包括收缩网络和扩张网络，收缩网络通过一系列的卷积操作来提取图像的特征，并在每一层都保留高分辨率的特征图和低分辨率的特征图，扩张网络将高分辨率的特征图与低分辨率的特征图进行融合，将图像中覆冰区域进行像素级别的分类，标记出覆冰的位置和边界；收缩路径依循
CNN
网络经典架构，由多个下采样结构组成，每个下采样结构由两个
3x3
卷积层
(ReLU)
和一个
2x2
最大池化层组成
。
扩张路径由多个上采样结构组成，特征图通过上采样结构，首先经过一个
2x2
卷积层，然后与收缩路径中对称结构特征拼接，最后经过两个
3x3
卷积层
(ReLU)
；
[0011]在收缩网络和扩张网络之间引入双路并行的跳跃连接结构和注意力机制，增强图像覆冰区域信息的获取；
[0012]在收缩网络每层下采样结构后额外引入多尺度特征融合
Fusion
模块，传输到下一层结构中；在扩张网络每层上采样结构后额外引入多尺度特征融合
Fusion
模块，传输到下一层结构中；
[0013]搭建生成对抗网络
GAN
，所述生成对抗网络
GAN
用于将
EFUnet
的输出约束为真实标签样本；
[0014]搭建递归预测网络
A
‑
LSTM
，所述递归预测网络
A
‑
LSTM
以
LSTM
网络单元为主干，通过堆叠
LATM
层得到；
[0015]步骤3：选择实验配置：选取评价指标，调整模型超参数，加快模型收敛速度，重复训练使得检测网络收敛；
[0016]步骤4：增长速率预测：利用建立的深度时空神经网络模型
UGASNet
对连续监测数据进行覆冰增长速率的预测；
[0017]步骤5：实时观测数据订正：引入实时观测数据对预测结果进行订正
。
[0018]所述步骤1中数据采集和预处理的过程如下：
[0019]步骤
1.1
：收集原始的输电线路覆冰图像，进行数据清洗；
[0020]步骤
1.2
：将历史时间序列的覆冰数据和实时观测数据，以及对应的覆冰增长速率作为标签输入至深度时空神经网络模型
UGASNet
中，并对上述数据进行预处理，通过归一化数据，确保输入数据的维度一致
。
[0021]所述步骤2中的多尺度特征融合
Fusion
模块由四个平行的分支组成；
[0022]首先，深层次的特征被放大到与另一分支的低层次特征相同的水平，然后用
SCConv
卷积来过滤深层次特征和低层次特征中的信息，增强特征提取能力；
[0023]同时，输入信息还经过1×1的卷积核和3×3的卷积核作用，进行特征融合；
[0024]然后，多个分支提取出来的信息经过卷积层作用后相加，在一个全连接后被一起送到网络的下一层输出特征信息
。
[0025]所述
SC本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种基于深度时空神经网络的覆冰增长率预测方法，其特征在于：包括如下步骤：步骤1：数据采集和预处理：收集传感器获取的输电线路上的连续覆冰数据，然后对上述数据进行噪声去除
、
数据对齐和归一化处理；步骤2：深度时空神经网络建模：构架深度时空神经网络模型
UGASNet
，所述深度时空神经网络模型
UGASNet
的结构如下：以
Unet
网络为主干构建语义分割网络
EFUnet
，所述语义分割网络
EFUnet
包括收缩网络和扩张网络，收缩网络通过一系列的卷积操作来提取图像的特征，并在每一层都保留高分辨率的特征图和低分辨率的特征图，扩张网络将高分辨率的特征图与低分辨率的特征图进行融合，将图像中覆冰区域进行像素级别的分类，标记出覆冰的位置和边界；在收缩网络和扩张网络之间引入双路并行的跳跃连接结构和注意力机制，增强图像覆冰区域信息的获取；在收缩网络每层下采样结构后额外引入多尺度特征融合
Fusion
模块，传输到下一层结构中；在扩张网络每层上采样结构后额外引入多尺度特征融合
Fusion
模块，传输到下一层结构中；搭建生成对抗网络
GAN
，所述生成对抗网络
GAN
用于将
EFUnet
的输出约束为真实标签样本；搭建递归预测网络
A
‑
LSTM
，所述递归预测网络
A
‑
LSTM
以
LSTM
网络单元为主干，通过堆叠
LATM
层得到；步骤3：选择实验配置：选取评价指标，调整模型超参数，加快模型收敛速度，重复训练使得检测网络收敛；步骤4：增长速率预测：利用建立的深度时空神经网络模型
UGASNet
对连续监测数据进行覆冰增长速率的预测；步骤5：实时观测数据订正：引入实时观测数据对预测结果进行订正
。2.
根据权利要求1所述的一种基于深度时空神经网络的覆冰增长率预测方法，其特征在于：所述步骤1中数据采集和预处理的过程如下：步骤
1.1
：收集原始的输电线路覆冰图像，进行数据清洗；步骤
1.2
：将历史时间序列的覆冰数据和实时观测数据，以及对应的覆冰增长速率作为标签输入至深度时空神经网络模型
UGASNe...

【专利技术属性】
技术研发人员：王帅，李劲松，原辉，姜敏，俞华，芦竹茂，胡帆，范晶晶，张伟，关少平，赵倩，
申请(专利权)人：国网山西省电力公司电力科学研究院，
类型：发明
国别省市：