[發明專利]一種基于深度學習的輸電線路覆冰類型預測方法

有效

• 申請號: 202110355939.X
• 申請日: 2021-04-01
• 公開（公告）號: CN113065253B
• 公開（公告）日: 2023-01-06
• 發明（設計）人: 吳建蓉;文屹;張迅;黃歡;范強;彭赤;杜昊;張偉;吳瑀;盧金科;楊濤;黃軍凱;劉華麟;邱實;涂心譯;萬金金
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06F30/20
• 分類號: G06F30/20;G06N3/04;G06N3/08
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 商小川

1.一種基于深度學習的輸電線路覆冰類型預測方法，它包括：

步驟1、獲取觀測層的最高和最低相對地面的氣壓高度記錄為[H₀,H]；站點的歷史數據資料初始記錄時間S₀和結束記錄時間S_e；

步驟2、在[S₀，S_e]時間段內的歷史數據中以每次探測活動記錄下不同高度的探測數據與探測開始時刻地面溫度、濕度、輸電線路覆冰類型構成一組數據；該時段內的N組數據共同構成觀測集合C；所述探測數據包括高空溫度和高空露點溫度；

步驟3、選取觀測集合C中的一組數據繪制溫度-氣壓高度圖；

步驟4、將溫度-氣壓高度圖轉換為像素值112×112的圖片與對應的地面溫度、濕度和輸電線路覆冰類型構成一組數據；

步驟5、重復步驟3、4直至觀測集合C中的所有觀測數據都轉換完成；

步驟6、將步驟4中得到的數據集劃分為訓練集和測試集；用訓練集對CNN神經網絡進行訓練得到訓練好的神經網絡模型；

步驟7、將訓練好的神經網絡模型用測試集進行檢驗；

步驟8、設置預測區域范圍A，確定各預測點處的不同氣壓高度的溫度、露點溫度、地面溫度和地面相對濕度；

步驟9、按照步驟3制作溫度-氣壓高度圖并轉換為像素值為112×112的圖片；

步驟10、將步驟9處理后的圖片輸入神經網絡模型對預測點處未來的輸電線路覆冰類型進行預測。

2.根據權利要求1所述的一種基于深度學習的輸電線路覆冰類型預測方法，其特征在于：所述探測數據的獲取探測方法為：高空氣象觀測站一天內施放兩次探空氣球采集數據；氣采集數據中包含此次探空活動不同高度上的溫度和露點溫度氣象信息。

3.根據權利要求1所述的一種基于深度學習的輸電線路覆冰類型預測方法，其特征在于：步驟3所述選取觀測集合C中的一組數據繪制溫度-氣壓高度圖的方法為：選取步驟2中有效觀測集合C中的一條觀測數據，并將該條觀測數據中的高空溫度和高空露點溫度探測數據繪制在固定的不顯示坐標軸刻度與標簽的直角坐標系中；該坐標系以溫度[T0，T]為橫軸，以氣壓高度[H0，H]為縱軸，以[0℃，H0]為坐標原點。

4.根據權利要求1所述的一種基于深度學習的輸電線路覆冰類型預測方法，其特征在于：步驟4所述輸電線路覆冰類型獨立編碼。

5.根據權利要求1所述的一種基于深度學習的輸電線路覆冰類型預測方法，其特征在于：步驟6所述對CNN神經網絡進行訓練的方法為：用訓練集對CNN神經網絡進行訓練；在訓練中以稀疏范疇交叉熵為誤差函數，采用Adam算法將每次訓練數據的標簽與訓練結果的誤差逐層反向作用于神經網絡的各個權重，促使神經網絡向誤差減小的方向發展。

6.根據權利要求1所述的一種基于深度學習的輸電線路覆冰類型預測方法，其特征在于：步驟7所述將訓練好的神經網絡模型用測試集進行檢驗的方法為：將測試集中的各組數據輸入到步驟6所得的神經網絡模型中，計算測試集中所有數據的預測準確率；當該神經網絡模型在測試集上的表現接近訓練集上的預測準確率，兩者的正負偏差不超過1%，則認為此次訓練成功。

7.根據權利要求1所述的一種基于深度學習的輸電線路覆冰類型預測方法，其特征在于：步驟8所述設置預測區域范圍A，確定預測點處的不同氣壓高度的溫度、露點溫度、地面溫度和地面相對濕度的方法為：設置預測區域范圍A，將區域A按照氣象數值預報數據的網格形式劃分成若干個正方形網格，其中緯向有m個網格，經向n個網格，區域范圍內的每一個網格點的經緯度緯（a_i，b_j），其中a_i為經度，b_j為緯度，i=1…n，j=1…m；確定輸電線路覆冰類型預測點的經緯度坐標，記為（f_a，f_b）；通過距離確定預測點周圍四個格點對預測點處氣象數據的權重；將四個格點處不同氣壓高度的溫度與露點溫度以及地面處的溫度與濕度的預測值，分別加權求和得到預測點處的不同氣壓高度的溫度、露點溫度、地面溫度和地面相對濕度。

8.根據權利要求1所述的一種基于深度學習的輸電線路覆冰類型預測方法，其特征在于：步驟10所述對預測點處未來的輸電線路覆冰類型進行預測的方法為：當地面預測點處預測溫度低于0℃且相對濕度高于90%時，將步驟9處理后的圖片輸入神經網絡模型對預測點處可以對未來的輸電線路覆冰類型進行預測。