[发明专利]基于深度学习的架空输电线路覆冰厚度的长时间预测方法

说明书

本发明属于覆冰预测技术领域，具体涉及一种基于深度学习的架空输电线路覆冰厚度的长时间预测方法。本发明为了解决架空输电线路的覆冰厚度的趋势预测，提出一种基于深度学习的架空输电线路覆冰厚度的长时间预测方法，主要是基于历史气象数据，气象预报数据，当前覆冰状态及杆塔的相关属性(如地形，海拔，呼高)数据，通过深度网络对覆冰厚度进行长时间的预测。主要包括数据集构建，数据处理，深度网络模型构建，训练和预测等。其中重点对深度网络的构建进行详细说明，包括网络层级的定义，关键层的作用。本发明能对气象的时间趋势特征提取，能对各个数据与覆冰厚度之间的关系进行表示，能提取更深层次和更复杂的特征，精准的对覆冰厚度进行估计。

技术领域

本发明属于覆冰预测技术领域，具体涉及一种基于深度学习的架空输电线路覆冰厚度的长时间预测方法。

背景技术

覆冰是电力行业常见的自然灾害之一，但严重的覆冰会给电网的安全带来极大的危害，严重时可能会导致跳闸、断线、倒塔、绝缘子闪冰、通信中断等事故，直接或间接的造成区域性停电和巨大的经济损失。目前直接对架高输电线路的覆冰厚度预测的方法较少，现有的都是基于传统称重法或通过物理方法进行厚度的计算，这些方法具有很大的局限性，依赖传感器等设备，普适性较低。

目前覆冰的厚度预测技术主要是物理法和称重法较多，而这两种方式主要是对当前时间的覆冰厚度进行计算，无法对未来一段时间的覆冰厚度进行预测。其中物理法主要基于覆冰形成的机制，进行受力分析，通过物理方程进行描述，一般在小范围的可以统一的物理方程，无法大范围的使用，同时物理方程中涉及到了很多参数因子，这些因子参数的确定一般根据经验进行确定，因此物理方法在适用性和普适性方面存在很多问题。而沉重法主要在杆塔上安装一些传感设备，通过拉力值的变化确定是否覆冰，再通过拉力值计算等值覆冰厚度，在实际应用中存在很多不确定性和成本过高的问题。

有部分通过微气象数据或地形因子来预测覆冰厚度的研究，利用了一些微气象特征对覆冰的厚度进行预测，利用神经网络对未来某一个时刻进行厚度预测，而且目前效果仍较差，主要因为使用的特征过于单一，且传统的神经网络模型过于简单无法对覆冰的趋势特征进行提取。另外就是基于地形因子对覆冰厚度进行预测，该方法使用地形因子作为输入，同样使用神经网络模型来预测覆冰厚度，该方法使用的特征仅仅只有地形因子，该特征不能完全对覆冰形成的机理进行描述，因此覆冰厚度预测的合理性存在质疑。

综上所述，目前已有的方法主要存在以下几个弊端：1.在实用性上较差，比如物理方程在大范围上的使用无法用统一的物理方程；2.参数的确定，传统的方式是基于经验进行确定，不合理且不科学；3.成本问题，涉及到传感器硬件设备时，在大范围的应用时，无法降低成本；4.特征单一，无法对覆冰机理完全进行刻画，厚度预测结果存疑；5.无法长时间的预测，只能对未来进行单点预测。

发明内容

本发明为了解决架空输电线路的覆冰厚度的趋势预测，提出一种基于深度学习的架空输电线路覆冰厚度的长时间预测方法，主要是基于历史气象数据，气象预报数据，当前覆冰状态及杆塔的相关属性(如地形，海拔，呼高)数据，通过深度网络对覆冰厚度进行长时间的预测。主要包括数据集构建，数据处理，深度网络模型构建，训练和预测等。其中重点对深度网络的构建进行详细说明，包括网络层级的定义，关键层的作用等。

为实现上述目的，本发明采用如下技术方案：

基于深度学习的架空输电线路覆冰厚度的长时间预测方法，其特征在于，包括以下步骤：

S1、数据收集：以架空输电线路上的杆塔位置为对象，收集前6个小时的历史气象数据、未来12个小时的气象预报数据、杆塔所在位置的高程、杆塔的呼高及对应的覆冰厚度；将每个杆塔按照时间窗口按时间步进行划分，每个时间步获得的数据作为一个样本，从而获得样本数据集；利用收集的数据分别构建动态数据集、静态数据集和目标数据集，其中，动态数据集利用气象数据构建，静态数据集利用杆塔数据构建，目标数据集由覆冰厚度数据构建；