[發(fā)明專利]基于深度學習的架空輸電線路覆冰厚度的長時間預測方法

在審

• 申請?zhí)枺?/td>: 202011202942.X
• 申請日: 2020-11-02
• 公開（公告）號: CN112183897A
• 公開（公告）日: 2021-01-05
• 發(fā)明（設計）人: 吳明朗
• 申請（專利權）人: 成都卡普數(shù)據(jù)服務有限責任公司
• 主分類號: G06Q10/04
• 分類號: G06Q10/04;G06Q50/06;G06K9/62;G06N3/04;G06N3/08;G06N20/20
• 代理公司: 成都點睛專利代理事務所(普通合伙) 51232
• 代理人: 李玉興

1.基于深度學習的架空輸電線路覆冰厚度的長時間預測方法，其特征在于，包括以下步驟：

S1、數(shù)據(jù)收集：以架空輸電線路上的桿塔位置為對象，收集前6個小時的歷史氣象數(shù)據(jù)、未來12個小時的氣象預報數(shù)據(jù)、桿塔所在位置的高程、桿塔的呼高及對應的覆冰厚度；將每個桿塔按照時間窗口按時間步進行劃分，每個時間步獲得的數(shù)據(jù)作為一個樣本，從而獲得樣本數(shù)據(jù)集；利用收集的數(shù)據(jù)分別構建動態(tài)數(shù)據(jù)集、靜態(tài)數(shù)據(jù)集和目標數(shù)據(jù)集，其中，動態(tài)數(shù)據(jù)集利用氣象數(shù)據(jù)構建，靜態(tài)數(shù)據(jù)集利用桿塔數(shù)據(jù)構建，目標數(shù)據(jù)集由覆冰厚度數(shù)據(jù)構建；

S2、數(shù)據(jù)處理：對步驟S1收集的數(shù)據(jù)進行編碼，將文本數(shù)據(jù)轉化為數(shù)值數(shù)據(jù)，同時將目標數(shù)據(jù)轉化為二維矩陣，二維矩陣的行向量對應樣本數(shù)，列向量對應覆冰厚度轉化后的向量；經(jīng)過數(shù)據(jù)處理后獲得訓練數(shù)據(jù)集，訓練數(shù)據(jù)集由動態(tài)數(shù)據(jù)集、靜態(tài)數(shù)據(jù)集和目標數(shù)據(jù)集構成；

S3、構建深度神經(jīng)網(wǎng)絡模型：網(wǎng)絡模型依次包括第一LSTM層、第二LSTM層、concat層、第一全連接層、第一dropout層、第二全連接層、第二dropout層、第三全連接層和輸出層；訓練過程中，動態(tài)數(shù)據(jù)集經(jīng)過第一LSTM層和第二LSTM層后，在concat層與靜態(tài)數(shù)據(jù)集和目標數(shù)據(jù)集進行concat操作，網(wǎng)絡損失函數(shù)使用交叉墑?chuàng)p失函數(shù)，輸出層以softmax作為激活函數(shù)，通過訓練數(shù)據(jù)進行訓練，從而獲得訓練好的網(wǎng)絡模型；

S4、使用網(wǎng)絡模型進行覆冰預測：獲取當前時刻對象的動態(tài)數(shù)據(jù)和靜態(tài)數(shù)據(jù)后，將覆冰狀態(tài)y_t設置為0，經(jīng)過網(wǎng)絡模型預測后獲得y_t+1，將y_t+1作為下一個時間點特征輸入來預測y_t+2，y_t+2又作為下一個時間點的特征輸入來預測y_t+3，以此預測12個時間步的覆冰厚度，從而實現(xiàn)架空輸電線路覆冰厚度的長時間預測。

2.根據(jù)權利要求1所述的基于深度學習的架空輸電線路覆冰厚度的長時間預測方法，其特征在于，步驟S1中歷史氣象數(shù)據(jù)和氣象預報數(shù)據(jù)包括溫度、濕度、風速、風向、風力等級和降雨量6個變量，利用氣象數(shù)據(jù)構建動態(tài)數(shù)據(jù)集的方法是，將前6個時間點的數(shù)據(jù)和未來一個時間點的數(shù)據(jù)構成氣象特征數(shù)據(jù)，構成動態(tài)數(shù)據(jù)集：其中n為樣本數(shù)，7表示7個時間步，6為氣象特征數(shù)；靜態(tài)數(shù)據(jù)集利用桿塔的高程、呼高和前一時刻覆冰厚度，構成靜態(tài)數(shù)據(jù)集其中n為樣本數(shù)，同一個位置的桿塔靜態(tài)屬性相同；目標數(shù)據(jù)集為覆冰的厚度Y_n。

3.根據(jù)權利要求2所述的基于深度學習的架空輸電線路覆冰厚度的長時間預測方法，其特征在于，步驟S2中，將文本數(shù)據(jù)轉化為數(shù)值數(shù)據(jù)是指對風向數(shù)據(jù)編碼，具體為：“無持續(xù)風向”編碼為0，“東南”為2，“西北”為6，“西”為5，“北”為7，“南”為3，“東北”為8，“東”為1，“西南”為4；還對降雨量進行編碼：降雨量大于0或降雪則編碼為1，其他編碼為0；將目標數(shù)據(jù)轉化為二維矩陣的具體方法為：對厚度區(qū)間按照2mm進行劃分，劃分為0，(0，2]，(2-4]，(4-6]，…，(48-50]，50以上，共劃分為27個區(qū)間，所有的區(qū)間前面為開區(qū)間，后面為閉區(qū)間，覆冰厚度轉化為區(qū)間，形成類別型數(shù)據(jù)，再對區(qū)間進行one-hot編碼，轉化的向量的長度為27，因此所有樣本轉化后，原始的Y_n轉化為二維矩陣Y_n，27；獲得的訓練數(shù)據(jù)集為：

4.根據(jù)權利要求3所述的基于深度學習的架空輸電線路覆冰厚度的長時間預測方法，其特征在于，構建網(wǎng)絡模型中，第一LSTM層設置記憶單元神經(jīng)元個數(shù)(units)為24，第二LSTM層設置units為48，concat后數(shù)據(jù)大小為(n，51)，第一全連接層的神經(jīng)元個數(shù)為40，并以tanh作為激活函數(shù)輸出結果，第一dropout層dropout的比例為0.5，第二全連接層的神經(jīng)元個數(shù)為36，并以relu作為激活函數(shù)并輸出，第二dropout層dropout的比例為0.5，第三全連接層的神經(jīng)元個數(shù)為32，并以tanh作為激活函數(shù)。