【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 ...
【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:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。