一种基于GAF-深度学习的输电线覆冰厚度智能识别分类方法技术

一种基于GAF‑深度学习的输电线覆冰厚度智能识别分类方法，包括以下步骤：1)获取输电线路周围的微气象数据和输电线覆冰厚度数据，得到一维覆冰序列信息；2)通过格拉姆角场(Gramian Augular Fields,GAF)将所述一维覆冰序列信息转化成二维图像；3)将所述一维覆冰序列信息数据输入已训练好的卷积神经网络模型CNN1中，输出四维特征向量一；4)将所述转化后的二维图像输入已训练好的卷积神经网络模型CNN2中，输出四维特征向量二；5)将所述四维特征向量一与四维特征向量二进行融合，并将融合后的特征输入主干分类网络，判断待预测日期的覆冰厚度。本发明专利技术准确、高效地预测覆冰输电线的覆冰厚度。

【技术实现步骤摘要】

本专利技术涉及电网安全，具体涉及一种基于格拉姆角场(gramian augularfields,gaf)-深度学习的输电线覆冰厚度智能识别分类方法。

技术介绍

1、在电力输送系统中，了解输电线覆冰情况对确保系统安全和稳定运行至关重要。覆冰是电力行业面临的常见自然灾害之一，其对电网安全带来的危害不可忽视，严重的覆冰可能引发电网跳闸、断线、倒塔、绝缘子闪冰、通信中断等事故，甚至导致区域性停电和巨大的经济损失。因此，准确、及时地识别和分类输电线覆冰厚度具有重要意义，能够为电力行业提供有效的监测手段，为决策者提供及时的信息，降低灾害风险，保障电力供应的稳定性和连续性。

2、传统输电线覆冰厚度检测主要采用传感器监测、图像处理和气象数据分析等方法。然而，这些方法存在一些不足之处。首先，传感器监测通常受到设备故障、位置限制和成本等问题的影响，限制了数据的获取和监测范围。其次，传统的图像处理方法通常依赖于预定义的规则和特征，对于复杂的冰覆情况识别效果不佳，缺乏对时空关系的全面理解。最后，气象数据分析虽然能提供一定信息，但未能全面考虑到输电线路上的微气象变化，导本文档来自技高网...

【技术保护点】

1.一种基于GAF-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于GAF-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于：所述步骤1中，所述输电线路周围的微气象数据包括输电线附近的温度、湿度、降雨、风速、风向和气压；所述输电线覆冰厚度数据包括各时刻微气象数据条件下对应的输电线覆冰厚度。

3.根据权利要求1或2所述的一种基于GAF-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于，所述步骤2包括以下子步骤：

4.根据权利要求1或2所述的一种基于GAF-深度学习的输电线覆冰厚度智能识...

【技术特征摘要】

1.一种基于gaf-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于，所述方法包括以下步骤：

2.根据权利要求1所述的一种基于gaf-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于：所述步骤1中，所述输电线路周围的微气象数据包括输电线附近的温度、湿度、降雨、风速、风向和气压；所述输电线覆冰厚度数据包括各时刻微气象数据条件下对应的输电线覆冰厚度。

3.根据权利要求1或2所述的一种基于gaf-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于，所述步骤2包括以下子步骤：

4.根据权利要求1或2所述的一种基于gaf-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于，所述步骤3中，所述卷积神经网络模型cnn1的卷积神经网络包括依次设置为卷积层、卷积层、卷积层、池化层和全连接层。

5.根据权利要求1或2所述的一种基于gaf-深度学习的输电线覆冰厚度智能识别分类方法，其特征在于，所述步骤4中，已训练好的卷积神经网络模型二通过以下进行训练得到...

【专利技术属性】
技术研发人员：池凯凯，朱斌成，张书彬，魏欣晨，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：