[发明专利]极端天气下基于深度学习的输电线路覆冰预警方法及系统

权利要求书

1.一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，包括以下步骤：

获取气象、线路电流和覆冰厚度的历史数据，生成样本集，提取气象特征和线路电流特征，构建覆冰厚度的一阶差分序列；

筛选覆冰厚度正增长的样本，根据对应的高度差和地形因素修正样本的气象数据并对样本进行归一化处理，根据线路电流特征对样本分群，实现样本集的预处理；

分别针对分群后的各子样本集，建立基于堆叠降噪自动编码器和前馈神经网络的线路覆冰厚度增长短期预测模型，并对所述预测模型进行离线训练；

基于实时气象数据，并根据目标输电线路所在区域的高度差和地形因素，对所述实时气象进行修正，基于修正后的气象数据，进行输电线路覆冰趋势在线评估，根据评估结果确定预警等级的覆冰厚度阈值；

基于实时线路电流数据，结合实时气象数据，考虑覆冰的时间累积效应，利用离线训练的预测模型进行覆冰厚度预测，并基于确定的覆冰厚度阈值进行覆冰严重度预警。

2.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，还包括基于实时气象、线路电流和覆冰厚度数据，更新样本集，进行线路覆冰厚度短期增长预测模型的离线自学习，并在设定时间周期后对模型进行再次更新。

3.如权利要求2所述的一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，所述更新样本集，进行线路覆冰厚度短期增长预测模型的离线自学习，并在设定时间周期后对模型进行再次更新的步骤按照设定周期循环执行。

4.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，生成样本集的具体过程包括获取输电线路附近的气象数据，所述气象数据包括温度、湿度、风速、风向、降雪密度、压强和光照强度中的若干个，以及线路电流数据、覆冰厚度数据，基于短期预测时间尺度构建覆冰厚度一阶差分序列，并生成样本集。

5.如权利要求4所述的一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，第i个样本的覆冰厚度一阶差分表示为：

其中，D_i和D_i+T分别为第i时刻和第i+T时刻后的覆冰厚度，d_i为预测时间尺度内的覆冰增长厚度，T为预测时间尺度。

6.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，对样本集的预处理过程包括：

对不满足基本覆冰条件且覆冰厚度零增长的样本进行剔除；

考虑脱冰现象，对覆冰厚度负增长的样本进行剔除；

考虑到高度差和地形因素对气象数据的影响，并对其修正；

样本数据采用零-均值归一化，以消除量纲的影响；

考虑不同运行工况下电流热效应对覆冰形成的影响不同，基于线路电流特征采用聚类方法对样本分群，将相似工况下的覆冰状态归为一类。

7.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，建立线路覆冰厚度增长短期预测模型的具体过程包括，建立单层降噪自动编码器模型并将其堆叠，作为前馈神经网络的输入，针对每个子样本集，首先进行堆叠降噪自动编码器模型的分层训练，得到初始连接权重，然后基于前馈神经网络的误差反向传播，对连接权重进行微调，进行离线训练。

8.如权利要求1所述的一种极端天气下基于深度学习的输电线路覆冰预警方法，其特征是，基于覆冰趋势评估等级、实际运行经验和线路覆冰厚度设定覆冰严重度预警阈值并依据阈值划分多个预警等级，基于实时气象和电流数据，考虑覆冰的时间累积效应，进行覆冰厚度在线预测，并进行覆冰严重度在线预警；

对于高预警等级的覆冰严重度预警，基于时间累积效应，对前向预警时间点的覆冰厚度预测结果和预警等级进行在线更新。