【技术实现步骤摘要】
本专利技术涉及输电线路覆冰智能预测，具体为一种输电线路覆冰微气象数据与气象站数据的关联方法。
技术介绍
1、输电线路严重的覆冰会产生众多的危害，例如会降低绝缘子串的绝缘水平，引发闪络接地事故；导线上的覆冰发生局部脱落，导致各导线的荷载不均匀，引发导线跳跃、碰撞等现象；输电线路覆冰会使导线发生下垂，减小导线与地面的距离，从而引发短路、接地事故等等。覆冰对输电线路的运行安全产生重大威胁。目前大量的输电线路覆冰在线监测装置被应用到覆冰状态监测中，电网也积累了海量的输电线路覆冰监测数据，已有的众多研究人员的研究成果表明：气象数据温度、湿度、风速是影响输电线路覆冰的最主要因素。因此为了准确的预测未来输电线路覆冰厚度风险趋势，离不开准确的温度、湿度、风速天气预报数据。
2、但在输电线路预测覆冰研究中融入天气预报数据也存在着许多问题。一方面，在现有的输电线路覆冰研究中，大多是围绕着监测终端微气象数据来对输电线路进行覆冰厚度预测，很少有在输电线路的覆冰预测中融入天气预报数据的研究。另一方面，寒冷、高海拔、峡谷等气象环境较为复杂的微地形小气候区域是输电线路覆冰的主要发生地，输电线路的部分区段往往会因途经这类微地形小气候区域而遭受影响，这些局部区域的气象因子在特殊地貌类型的影响下产生剧烈的变化，直接将现有公共的天气预报数据应用到输电线路覆冰厚度中，在预报准确度、时空精度等方面均难以较好满足预测需要。因此研究覆冰监测终端微气象数据与宏观气象数据的关联，进行更精准的覆冰厚度预测，以达到识别线路覆冰风险未来发展趋势，有助于输电线路稳定安全运行
技术实现思路
1、鉴于上述存在的问题，提出了本专利技术。
2、因此，本专利技术解决的技术问题是：本专利技术为了更加精准的预测输电线路覆冰风险趋势，提出了一种输电线路覆冰微气象数据与气象站数据的关联方法，为识别线路覆冰风险及提升线路覆冰处置决策效率提供帮助。
3、为解决上述技术问题，本专利技术提供如下技术方案：采集覆冰监测终端数据，对数据进行预处理；构建基于tcn深度学习的气象站数据与微气象数据的关联模型，并对输电线路覆冰厚度风险等级按照线路设计冰厚值分级；构建基于lstm深度学习的微气象数据与覆冰风险的关联模型，并采用关联的lstm模型进行动态特征数据学习；将当前的气象数据输入到tcn模型中，得到预测的未来微气象数据，再将未来微气象数据输入到lstm深度学习模型中，得到未来输电线路覆冰风险等级。
4、作为本专利技术所述一种输电线路覆冰微气象数据与气象站数据的关联方法的一种优选方案，其中：所述采集覆冰监测终端数据包括，提取含有覆冰监测终端的杆塔经纬度位置，并找到与杆塔距离最近的公共气象站经纬度，收集近两年覆冰监测终端监测到的数据；
5、设定覆冰监测终端采集数据间隔和气象站监测数据间隔，根据每条气象站数据监测时间匹配与其时间最近的覆冰监测终端数据；
6、所述预处理包括，对气象站气象数据与覆冰监测终端数据进行数据预处理，去除错误值，插值法填充缺失值，并最后对数据归一化；
7、
8、其中，x是原始数据，xmin和xmax分别是终端数据的最小值和最大值；
9、每条气象站数据对应一条覆冰监测终端数据，将原始数据转换为时间序列数据，建立数据集，并将数据集划分为训练集与测试集。
10、作为本专利技术所述一种输电线路覆冰微气象数据与气象站数据的关联方法的一种优选方案，其中：所述tcn深度学习包括，构建基于tcn深度学习的气象站数据与微气象数据的关联模型，将准备好的数据通过传递到模型中进行训练，使用优化算法adam对模型进行训练，并使用损失函数mse来评估模型的性能：
11、
12、其中，mse是均方误差，n是样本数量，yi是第i个观测值的实际目标值，是tcn深度学习模型对第i个观测值的预测值；
13、在训练完成后，使用测试集对模型进行评估，计算模型的精度、召回率、f1值的指标，以确定模型的性能；
14、根据模型评估的结果，对模型进行优化，调整模型的超参数、改变模型结构；最后将优化后的模型应用到对微气象数据的预测。
15、作为本专利技术所述一种输电线路覆冰微气象数据与气象站数据的关联方法的一种优选方案，其中：所述冰厚值分级包括，对输电线路覆冰厚度风险等级按照线路设计冰厚值分级：无风险为无覆冰，0～30％线路设计冰厚为低风险，30％～70％线路设计冰厚为中风险，70％线路设计冰厚及以上为高风险；对覆冰监测终端数据进行合并，增加时间间隔，取时间段第一条微气象数据作为本小时的监测数据，建立包含微气象温度、湿度、风速、覆冰厚度风险等级、监测时间的数据集。
16、作为本专利技术所述一种输电线路覆冰微气象数据与气象站数据的关联方法的一种优选方案，其中：所述lstm深度学习包括，构建基于lstm深度学习的微气象数据与覆冰风险的关联模型，输入为微气象温度、湿度、风速，输出为未来逐小时的输电线路覆冰风险等级，在模型的输入层中，特征子集温度、湿度、风速是随着时间变化的动态特征；为保证模型的准确性，在动态特征数据中采用-1进行缺失值填充，并采用masking层对含有-1值进行遮盖。
17、作为本专利技术所述一种输电线路覆冰微气象数据与气象站数据的关联方法的一种优选方案，其中：所述关联的lstm模型包括，采用lstm模块进行动态特征数据学习，lstm模块n个lstm以及双向lstm、dropout构成，通过超参搜索方法寻优确定lstm类型、lstm模块层数、输出纬度数、dropout的比例；
18、输出层中为未来逐小时的输电线路覆冰风险等级，采用softmax激活函数和全连接层来对每个时间点上的特征依次计算，得到输出时间长度的序列；模型训练时由于样本无风险、低风险、中风险、高风险的比例不均衡，所以采用mfe loss损失函数解决样本不均衡问题：
19、
20、其中，n是样本数量，false negativei是第i个样本的假阴性错误数量，wi是样本权重，用来平衡样本中无风险、低风险、中风险、高风险的比例；
21、优化算法采用adam，通过超参搜索算法来确定其核心参数学习率：
22、
23、其中，αt表示学习率；α是初始学习率，作为超参数进行设置；β1是一阶矩估计的衰减率；β2是二阶矩估计的衰减率。
24、作为本专利技术所述一种输电线路覆冰微气象数据与气象站数据的关联方法的一种优选方案，其中：所述覆冰风险等级包括，输入到气象数据与微气象数据关联tcn模型中，得到预测的未来微气象数据，再将数据输入到lstm深度学习模型中，得到未来输电线路覆冰风险等级。
25、本专利技术的另一个目的是提供一种输电线路覆冰微气象数据与气象站数据的关联方法的系统，其能通过构建所述系统，为识别线路覆冰风险及提升线路覆冰处置决策效率提供帮助。
本文档来自技高网...【技术保护点】
1.一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：包括，
2.如权利要求1所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述采集覆冰监测终端数据包括，提取含有覆冰监测终端的杆塔经纬度位置，并找到与杆塔距离最近的公共气象站经纬度，收集近两年覆冰监测终端监测到的数据；
3.如权利要求2所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述TCN深度学习包括，构建基于TCN深度学习的气象站数据与微气象数据的关联模型，将准备好的数据通过传递到模型中进行训练，使用优化算法Adam对模型进行训练，并使用损失函数MSE来评估模型的性能：
4.如权利要求3所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述冰厚值分级包括，对输电线路覆冰厚度风险等级按照线路设计冰厚值分级：
5.如权利要求4所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述LSTM深度学习包括，构建基于LSTM深度学习的微气象数据与覆冰风险的关联模型，输入为微气象温度、湿度、风速，输出为
6.如权利要求5所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述关联的LSTM模型包括，采用LSTM模块进行动态特征数据学习，LSTM模块n个LSTM以及双向LSTM、Dropout构成，通过超参搜索方法寻优确定LSTM类型、LSTM模块层数、输出纬度数、Dropout的比例；
7.如权利要求6所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述覆冰风险等级包括，输入到气象数据与微气象数据关联TCN模型中，得到预测的未来微气象数据，再将数据输入到LSTM深度学习模型中，得到未来输电线路覆冰风险等级。
8.一种采用如权利要求1～7任一所述的一种输电线路覆冰微气象数据与气象站数据的关联方法的系统，其特征在于：所述系统包括，采集模块，TCN深度学习模块，LSTM深度学习模块以及输出模块；
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的一种输电线路覆冰微气象数据与气象站数据的关联方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的一种输电线路覆冰微气象数据与气象站数据的关联方法的步骤。
...【技术特征摘要】
1.一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：包括，
2.如权利要求1所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述采集覆冰监测终端数据包括，提取含有覆冰监测终端的杆塔经纬度位置，并找到与杆塔距离最近的公共气象站经纬度，收集近两年覆冰监测终端监测到的数据；
3.如权利要求2所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述tcn深度学习包括，构建基于tcn深度学习的气象站数据与微气象数据的关联模型，将准备好的数据通过传递到模型中进行训练，使用优化算法adam对模型进行训练，并使用损失函数mse来评估模型的性能：
4.如权利要求3所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述冰厚值分级包括，对输电线路覆冰厚度风险等级按照线路设计冰厚值分级：
5.如权利要求4所述的一种输电线路覆冰微气象数据与气象站数据的关联方法，其特征在于：所述lstm深度学习包括，构建基于lstm深度学习的微气象数据与覆冰风险的关联模型，输入为微气象温度、湿度、风速，输出为未来逐小时的输电线路覆冰风险等级，在模型的输入层中，特征子集温度、湿度、风速是随着时间变化的动态特征；
6.如权利要求5所述的一种输...
【专利技术属性】
技术研发人员：黄欢，郝艳捧，吕乾勇，李鑫贺，吴建蓉，吴子建，毛先胤，梁苇，曾华荣，钟尧，张义钊，杨旗，陈沛龙，杜昊，牛唯，张迅，何璇，时磊，杨涛，邹雕，范强，张啟黎，杨柳青，张露松，吴瑀，唐煊阳，
申请(专利权)人：贵州电网有限责任公司，
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。