【技术实现步骤摘要】
本专利技术涉及变电站监测，具体地涉及一种变电站淹没预测模型训练方法、淹没预测方法及处理器。
技术介绍
1、准确的灾害预测是电网防灾减灾的第一道防线。在全球变暖的背景下，极端降水，尤其是短时强降水变得频发，其带来的影响也越发剧烈。变电站作为电网的重要组成部分，短时强降水若超出城市排水极限，会造成变电站发生淹没并受损，导致电网的稳定运行受到影响甚至中断供电，因此对变电站进行淹没预测是电网防灾减灾的重要环节，对于保障电网的稳定运行和供电可靠性至关重要。
2、在变电站的淹没预测方面，常用的预测模型主要是水文水动力模型和统计模型，两类模型的建模过程通常是根据长期的气象和水文数据统计的日降水进行训练得到，而短时强降水往往是突发事件，其特点是强度大、持续时间短，并且难以准确预测，这导致传统的根据长期的气象和水文数据统计的日降水进行训练得到的预测模型的预测结果往往不准确。
技术实现思路
1、本专利技术实施例的目的是提供一种变电站淹没预测模型训练方法、淹没预测方法及处理器，用于在短时强降水情况下，提高变电站淹没预测的准确性。
2、为了实现上述目的，第一方面，本专利技术实施例提供一种变电站淹没预测模型训练方法，包括：
3、确定变电站的类型；
4、根据每个所述变电站的类型，构建对应的初始变电站淹没预测模型；
5、获取与每个变电站的类型对应的变电站淹没预测模型的模型基础数据集，其中，所述模型基础数据集包括每个变电站淹没预测模型的模型输入量和模型输
6、根据所述模型基础数据集对对应的初始变电站淹没预测模型进行训练，得到变电站淹没预测模型。
7、可选的，所述获取与每个变电站的类型对应的变电站淹没预测模型的模型基础数据集，包括：
8、获取每个变电站的基本数据集，其中所述基本数据集包括积水次数、积水水位下降时间和积水水位下降高度；
9、根据每个变电站的基本数据集，确定每个变电站的排水能力；
10、获取每个变电站所在的待预警区域中预设时段的降水数据集；
11、根据所述降水数据集，得到逐n1小时降水量，其中，n1为正整数；
12、将每个变电站的排水能力和逐n1小时降水量根据每个变电站的类型进行划分，得到每个变电站的类型对应的变电站淹没预测模型的模型基础数据集。
13、可选的，所述根据每个变电站的基本数据集，计算每个变电站的排水能力，包括：
14、根据所述积水水位下降高度和所述积水水位下降时间计算每个变电站的单次排水能力；
15、根据每个变电站的单次排水能力和所述积水次数，计算得到每个变电站的排水能力。
16、可选的，在所述根据所述降水数据集，得到逐n1小时降水量之前，包括：
17、对所述降水数据集进行数据预处理，其中，所述数据预处理包括缺测值剔除以及异常值剔除。
18、可选的，在所述根据所述降水数据集，得到逐n1小时降水量之后，包括：
19、在所述降水数据集中获取逐n1小时降水量的降水量总个数；
20、基于预设时段的所述逐n1小时降水量，获取最大n1小时降水量和最小n1小时降水量；
21、根据预设档距对预设时段中的所述逐n1小时降水量进行分档，得到每个档距范围和落在每个档距范围内的降水量个数；
22、根据最大n1小时降水量、最小n1小时降水量和预设档距，计算分档总个数；
23、根据所述降水量总个数和落在每个档距范围内的降水量个数，计算每个档距范围中在预设降水量范围内的降水频率；
24、根据每个档距范围中在预设降水量范围内的降水频率，计算暴雨重现期n1小时降水强度；
25、基于所述暴雨重现期n1小时降水强度，生成第一暴雨分布图，其中，所述第一暴雨分布图由至少一个网格点构成，每个所述网格点的经纬度坐标与所述暴雨重现期n1小时降水强度对应。
26、可选的，所述根据所述降水量总个数和落在每个档距范围内的降水量个数，计算每个档距范围中在预设降水量范围内的降水频率，包括：
27、采用降水频率公式，计算每个档距范围中在预设降水量范围内的降水频率，其中，所述降水频率公式为：
28、
29、式中，pi为第i个档距范围中在预设降水量范围内的降水频率；rn1h为逐n1小时降水量，ri为第i个档距范围内的降水量下限，ri+1为第i+1个档距范围内的降水量上限，ni为落在第i个档距范围内的降水量个数，n为降水量总个数。
30、可选的，所述根据每个档距范围中在预设降水量范围内的降水频率，计算暴雨重现期n1小时降水强度，包括：
31、采用暴雨重现期降水频率计算公式，计算暴雨重现期n1小时降水频率；
32、根据所述暴雨重现期n1小时降水频率，确定第i个档距范围内的降水量下限，将所述第i个档距范围内的降水量下限作为所述暴雨重现期n1小时降水强度，其中，所述暴雨重现期降水频率计算公式为：
33、
34、式中，fi为暴雨重现期n1小时降水频率，n为分档总个数，pi为第i个档距范围中在预设降水量范围内的降水频率。
35、可选的，所述基于所述暴雨重现期n1小时降水量，生成第一暴雨分布图，包括：
36、根据每个所述变电站的经纬度坐标和所述第一暴雨分布图中每个所述网格点的经纬度坐标，将与每个所述网格点的经纬度坐标对应的所述暴雨重现期n1小时降水量插值至对应的所述变电站的经纬度坐标，得到插值后的所述第一暴雨分布图。
37、可选的，所述根据所述模型基础数据集对对应的初始变电站淹没预测模型进行训练，得到变电站淹没预测模型，包括：
38、将所述模型基础数据集划分为训练集和测试集；
39、利用所述训练集调整所述变电站淹没预测模型的关键参数，得到所述初始变电站淹没预测模型在所述测试集上的准确率；
40、当所述初始变电站淹没预测模型在所述测试集上的准确率最大时，将对应的关键参数作为模型参数进行训练，得到所述变电站淹没预测模型。
41、可选的，所述方法还包括：
42、将与每个变电站的类型对应的所述初始变电站淹没预测模型的模型基础数据集输入至所述变电站淹没预测模型，得到第二暴雨分布图。
43、第二方面，本专利技术提供一种淹没预测方法，包括：
44、获取变电站的类型；
45、获取所述变电站的逐n1小时降水数据集，其中，所述n1为正整数；
46、将所述逐n1小时降水数据集输入至与所述变电站的类型对应的变电站淹没预测模型，得到变电站淹没风险，其中，所述变电站淹没预测模型通过上述变电站淹没模型训练方法得到。
47、第三方面，本专利技术提供一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用本文档来自技高网...
【技术保护点】
1.一种变电站淹没模型训练方法，其特征在于，包括：
2.根据权利要求1所述的变电站淹没模型训练方法，其特征在于，所述获取与每个变电站的类型对应的变电站淹没预测模型的模型基础数据集，包括：
3.根据权利要求2所述的变电站淹没模型训练方法，其特征在于，所述根据每个变电站的基本数据集，计算每个变电站的排水能力，包括：
4.根据权利要求2所述的变电站淹没模型训练方法，其特征在于，在所述根据所述降水数据集，得到逐n1小时降水量之前，包括：
5.根据权利要求2所述的变电站淹没模型训练方法，其特征在于，在所述根据所述降水数据集，得到逐n1小时降水量之后，包括：
6.根据权利要求5所述的变电站淹没模型训练方法，其特征在于，所述根据所述降水量总个数和落在每个档距范围内的降水量个数，计算每个档距范围中在预设降水量范围内的降水频率，包括：
7.根据权利要求5所述的变电站淹没模型训练方法，其特征在于，所述根据每个档距范围中在预设降水量范围内的降水频率，计算暴雨重现期n1小时降水强度，包括：
8.根据权利要求5所述的变电站
9.根据权利要求1所述的变电站淹没模型训练方法，其特征在于，所述根据所述模型基础数据集对对应的初始变电站淹没预测模型进行训练，得到变电站淹没预测模型，包括：
10.根据权利要求1所述的变电站淹没模型训练方法，其特征在于，所述方法还包括：
11.一种淹没预测方法，其特征在于，包括：
12.一种机器可读存储介质，该机器可读存储介质上存储有指令，该指令用于使得机器执行：如权利要求1-10任意一项所述的变电站淹没模型训练方法。
13.一种计算设备处理器，其特征在于，用于运行程序，其中，所述程序被运行时用于执行：如权利要求1-10任意一项所述的变电站淹没模型训练方法。
...【技术特征摘要】
1.一种变电站淹没模型训练方法，其特征在于，包括：
2.根据权利要求1所述的变电站淹没模型训练方法，其特征在于，所述获取与每个变电站的类型对应的变电站淹没预测模型的模型基础数据集，包括：
3.根据权利要求2所述的变电站淹没模型训练方法，其特征在于，所述根据每个变电站的基本数据集，计算每个变电站的排水能力，包括：
4.根据权利要求2所述的变电站淹没模型训练方法，其特征在于，在所述根据所述降水数据集，得到逐n1小时降水量之前，包括：
5.根据权利要求2所述的变电站淹没模型训练方法，其特征在于，在所述根据所述降水数据集，得到逐n1小时降水量之后，包括：
6.根据权利要求5所述的变电站淹没模型训练方法，其特征在于，所述根据所述降水量总个数和落在每个档距范围内的降水量个数，计算每个档距范围中在预设降水量范围内的降水频率，包括：
7.根据权利要求5所述的变电站淹没模型训练方法，其特征在于...
【专利技术属性】
技术研发人员：王磊，冯涛，李丽，徐勋建，戴文，刘镕滔，康文军，
申请(专利权)人：国网湖南省电力有限公司，
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。