CN109492823B - 一种对输电线路覆冰厚度的预测方法 - Google Patents

Abstract

本发明公开了一种对输电线路覆冰厚度的预测方法，包括：步骤1：采集输电线路的微气象、覆冰厚度信息和天气预报信息；步骤2：将采集到的微气象信息、覆冰厚度信息和天气预报信息划分为训练数据集和测试数据集；步骤3：训练得到输电线路覆冰厚度预测模型Ice_Thick_Predict_Model；步骤4：使用测试集测试模型Ice_Thick_Predict_Model的效果，根据测试效果调整模型的超参数，然后重复跳转到步骤3，直至获得理想的模型。步骤5：实现短期输电线路覆冰厚度的预测。

Description

一种对输电线路覆冰厚度的预测方法

技术领域

本发明属于机器学习技术领域，尤其涉及一种对输电线路覆冰厚度的预测方法。

背景技术

输电线路冰风灾害一直威胁着供电系统的安全。世界各地都曾出现过不同程度的输电线路冰风灾害，我国电网系统也发生过多次冰风灾害，而且这种灾害的发生频率呈现上升趋势。开展电力系统防灾研究、保障电力系统在冰风灾害时的安全稳定运行是当前刻不容缓的挑战和艰巨的任务。

在电力线路覆冰监测方面，国外做了较多的理论研究和应用实践工作。如加拿大、美国、俄罗斯等国家很早就将远程监测系统用于架空输电线路覆冰的实时监测中。早在20世纪70年代，加拿大在跨越魁北克无人区的输电工程中就使用了可自动记录输电线路覆冰的测冰仪，这种观测仪器可以实现数据的远程传输，而在此后的40多年间，这套仪器对输电线路覆冰进行了连续观测，记录了魁北克地区冬季大量的架空线路覆冰数据，为魁北克地区绘制冻雨频率图提供了重要依据。在20世纪80年代早期，美国陆军寒区工程与研究实验室在华盛顿地区建设了一条安装有各种监测设备的架空输电线路，用以监测各种微气象变化下的线路覆冰情况。2005年底，乌克兰国家电网在架空线路上安装了8套覆冰监控系统，用于其国内覆冰区架空线路覆冰状况的实时监测。俄罗斯开发的冰风负荷传感器主要用于导线覆冰的早期发现，该设备主要架设在中部伏尔加格勒市的架空线路上运行。

近年来，尽管我国针对电网输电线路冰风灾害应急管理的研究取得了较快的进展，但由于研究起步晚，与冰风自然灾害带来的严峻挑战相比，输电线路冰风灾害应急管理研究的内容和深度都不够。因此对于输电线路冰风灾害预警管理有待进一步深入细致的进行专题研究。这是因为输电线路冰风灾害不能避免的情况，只有密切监视和研究风险的变化规律，才能有效地进行输电线路冰风灾害风险预警，在灾害的萌芽及演化阶段进行有效应对。有必要将输电线路冰风灾害防御研究重心从事中或事后的应急管理向事前风险预警管理转变，将电网冰风灾害应急管理框架向冰风自然灾害预警领域延伸。只有从灾害源头和灾害演变过程中开展多层次预警管理，才能有效地将预警的时间尺度进行扩展，从而延长留给决策者的应对时间，变被动应急为主动预防，将输电线路冰风灾害损失降低到最小。

我国在在输电线路冰风灾害特征识别和预警管理方面，一直缺乏比较系统的研究。目前已有的输电线路覆冰厚度预测模型主要是对气象数据和覆冰厚度之间的关系建立模型，然后根据建立的模型对覆冰厚度进行预测。该类模型一般很难拟合气象信息与覆冰厚度之间时间序列关系，无法准确对覆冰厚度进行预测。

发明内容

本发明提出一种基于注意力机制和LSTM编解码(Encoder-Decoder)模型的输电线路覆冰厚度预测方法。该方法主要由LSTM编码模块、时序特征权重提取模块(注意力机制)、LSTM解码模块三部分组成，另外该方法在预测时还结合了天气预报信息，实现对短期输电线路覆冰厚度进行预测。

本方法主要有两点优势，一、结合注意力机制和LSTM模型，解决了传统覆冰预测方法无法学习长序列气象信息的问题；二、结合微气象信息和天气预报信息对输电线路覆冰厚度进行预测，弥补了传统预测方法缺失未来天气信息问题，提高了输电线路覆冰厚度预测精度。

为解决上述技术问题，本发明采用的技术方案如下：

包括如下步骤：

步骤1：采集输电线路的微气象、覆冰厚度和天气预报信息；

步骤2：统计微气象、覆冰厚度信息和天气预报信息组成的数据条目数，并按照7:3的比例将微气象、覆冰厚度信息和天气预报信息条目划分为训练集和测试集；

步骤3：使用训练数据拟合预测模型Ice_Thick_Predict_Model：结合LSTM(Longshort-term memory：长短时记忆)模型与Attention注意力机制将当前n个微气象信息、气象预报信息、输电线路覆冰厚度信息、未来m个时间序列的天气预报信息与未来m个时间序列的输电线路覆冰厚度信息进行拟合，得到输电线路覆冰厚度预测模型Ice_Thick_Predict_Model；

步骤4：使用测试集测试模型Ice_Thick_Predict_Model的效果，根据测试效果调整模型的超参数，直至获得理想的模型。

步骤5：将最近(比如最近三天)的微气象信息序列、输电线路覆冰厚度信息序列与天气预报信息序列作为模型的输入序列，并将该序列输入到输电线路覆冰厚度预测模型Ice_Thick_Predict_Model，实现短期内输电线路覆冰厚度的预测。

步骤1中，每隔一小时采集一次微气象信息和覆冰厚度信息；微气象信息包括：psur_obs,t2m_obs,q2m_obs,w10m_obs,d10m_obs,rh2m_obs,u10m_obs,v10m_obs,RAIN_obs，ice_obs(分别表示：地面气压、地面以上2米高度处温度、地面以上2米高度处比湿、地面以上2米高度处相对湿度、地面以上10米高度处风速、地面以上10米高度处风向、地面以上10米高度处经向风、地面以上10米高度处纬向风、地面1小时累计降水量、观测点输电线路覆冰厚度)共10种信息；在输电线路附近架设观察导线，将观察导线上覆冰厚度测量值作为输电线路覆冰厚度值，观察导线需要和输电线路具有相同的规格，覆冰厚度由人工测量；天气预报信息从气象部门获取。

步骤2包括：

步骤2-1，将采集到的微气象、覆冰厚度信息和天气预报信息按照时间信息建立一一对应关系；

步骤2-2，将整理好的微气象信息、覆冰厚度信息和天气预报信息按照时间序列排序，时间间隔是一个小时，其中，前n(n是超参数)个微气象信息、覆冰厚度信息和天气预报信息序列作为LSTM编码器模型的输入；接下来的m(m是超参数)个天气预报信息作为Attention模块的输入信息，m(m是超参数)表示预测的覆冰厚度序列数量。

步骤2-3，统计微气象、覆冰厚度信息和天气预报信息组成的数据条目数，并按照7:3的比例将微气象、覆冰厚度信息和天气预报信息条目划分为训练集和测试集。

步骤3包括：

步骤3-1，使用LSTM编码器(Encoder)模型对长度序列为n(n为超参数，可以取24～96)的微气象信息、覆冰厚度信息和天气预报信息序列进行时间序列编码，编码结果为C₁,C₂,C₃,……,C_t,……,C_n，C_t表示第t个微气象、覆冰厚度和天气预报序列数据的编码结果。

步骤3-2，将未来m个时间点的天气预报信息W′₁,W′₂,W′₃,……,W′_t,……,W′_m和LSTM编码器编码结果C₁,C₂,C₃,……,C_t,……,C_n作为输入，利用注意力机制计算LSTM解码器所需的输入序列Att₁,Att₂,Att₃,……,Att_t,……,Att_m，其中，Att_t是注意力机制模块对LSTM编码器(Encoder)模型编码结果的加权和；

步骤3-3，将Att₁,Att₂,Att₃,……,Att_t,……,Att_m和隐变量序列H′₀,H′₁,H′₂,……,H′_t-1,……,H′_m-1依次输入至LSTM解码器，利用LSTM解码器(Decoder)预测覆冰厚度信息

步骤3-4，计算预测覆冰厚度与实际覆冰厚度的均方误差MSE(Θ)；

步骤3-5，反向传播，使用随机梯度下降法对模型参数Θ进行优化；

步骤3-6，读取下一组序列化的微气象信息、覆冰厚度信息和天气预报信息，跳回到步骤3-1，直至将训练集中的数据读取完。

步骤3-7，重复执行步骤3-1至3-6并持续对模型的参数进行优化，直至使MSE(Θ)下降到合理的数量级，建议使MSE(Θ)下降到1以下。

步骤3-1包括：

通过LSTM编码器(Encoder)对序列化的微气象信息X_t进行编码，输出序列化的隐变量序列H_t和LSTM编码器编码结果C_t，计算公式如(1)所示：

H_t,C_t＝f(H_t-1,X_t) (1)

其中，H_t表示LSTM编码器输出的第t个隐变量；C_t是LSTM编码器输出的第t个输出结果；X_t是三层全连接神经网络对第t个微气象、覆冰厚度信息和天气预报信息的编码值；H₀是随机生成的隐变量，H₀与X₁作为f(·)函数首次的输入信息；f(·)是LSTM编码器(Encoder)模块。

步骤3-2包括：

输入LSTM编码器编码结果C₁,C₂,C₃,……,C_t,……,C_n和未来m个时间点的天气预报信息W′₁,W′₂,W′₃,……,W′_t,……,W′_m，未来第i(取值范围[1,m])个时间点上的天气预报信息为W′_i，根据输入信息，计算LSTM编码器编码结果C₁,C₂,C₃,……,C_t,……,C_n与天气预报信息W′₁,W′₂,W′₃,……,W′_t,……,W′_m之间的相关系数A_i,j，计算过程如公式(2)(3)所示：

E_i,j＝tanh(w(W′_i)+u(C_j)) (2)

其中，tanh(·)是双曲正切函数，w(·)和u(·)分别表示一个三层全连接神经网络(这是两个单独的神经网络，他们的参数是自动学习的，最终两个网络会学习到不一样的参数，来拟合预测模型)；W′_i是未来第i(取值范围[1,m])个时间点上的天气预报信息；C_j是历史序列上第j个微气象、覆冰厚度信息和天气预报信息序列数据使用LSTM编码器(Encoder)的编码结果；E_i,j是利用注意力机制计算输入序列权重的中间变量，是公式(3)计算权重的依据；

exp(·)是指数函数；n代表预测未来天气所用到的历史微气象信息、覆冰厚度信息和天气预报信息的序列长度；i代表需要预测的覆冰厚度信息序列编号(取值范围[1,m])；j,k代表历史气象信息序列编号(取值范围[1,n])。E_i,j和E_i,k是公式(2)输出的中间变量；

根据权重系数A_i,j和LSTM编码器编码结果计算LSTM解码器输入序列Att₁,Att₂,Att₃,……,Att_t,……,Att_m：

其中，C_j是第j个微气象、覆冰厚度信息和天气预报信息序列使用LSTM编码器(Encoder)的编码结果；A_i,j是公式(3)输出的权重系数；Att_i是最终输出序列化的特征向量，这些特征向量Att₁,Att₂,Att₃,……,Att_t,……,Att_m作为LSTM解码器(Decoder)的输入信息；Att_t表示第t个特征向量，j代表历史气象信息序列编号(取值范围[1,n])；n代表历史气象信息序列的总条目数；i代表需要预测的序列编号(取值范围[1,m])，其中m是需要预测的覆冰厚度总数；

步骤3-3包括：

输入序列化特征向量Att_t和隐变量H′_t-1，利用LSTM解码器(Decoder)模块预测特征向量Att_t对应的输电线路覆冰厚度信息，输出对应的覆冰厚度,

计算过程如公式(5)所示：

其中，H′_t表示LSTM解码器输出的第t个隐变量；

是预测的未来第t个时间点的覆冰厚度；Att_t是公式(4)求得的LSTM解码器输入信息；H′₀是随机生成的隐变量，H′₀和Att₁作为h(·)函数首次的输入信息；h(·)是LSTM解码器(Decoder)模块。

步骤3-4包括：通过如下公式计算预测覆冰厚度与实际覆冰厚度的均方误差MSE(Θ)：

其中，y_i代表覆冰厚度的真实值；

代表覆冰厚度的预测值；m代表LSTM解码器(Decoder)模块预测的覆冰厚度个数。通过最小化均方误差，使得预测值与真实值良好拟合。

步骤4包括：将测试集在模型Ice_Thick_Predict_Model上测试，检测模型的预测效果，并根据模型的预测效果调整超参数信息，超参数信息包括：学习率和输入微气象信息、覆冰厚度信息和天气预报信息序列长度n等内容。最终，使模型能在测试集上取得满意的表现，即预测的覆冰厚度与真实值之间均方误差在一个合理的范围内，否则跳到步骤3，继续调整超参数信息，直到得到理想的输电线路覆冰厚度预测模型Ice_Thick_Predict_Model。

与现有技术相比，本发明具有如下优点：

本发明是通过LSTM模型建立微气象、历史覆冰厚度和天气预报信息与输电线路未来覆冰厚度值在时序上的关系模型，结合注意力机制和未来天气预报信息学习不同时间点的微气象、历史覆冰厚度和天气预报信息对未来覆冰厚度的影响程度权重，最终本模型可以结合未来天气预报信息对输电线路覆冰厚度进行预测。

(1)本发明使用LSTM模型提取微气象、历史覆冰厚度和天气预报信息与未来覆冰厚度在时间序列上的关系模型。LSTM可以对任意长度的时间序列建模，可以对时序关系进行良好的拟合，提高了覆冰厚度预测的准确性。

(2)本发明使用注意力(Attention)机制，可以学习到不同时间节点微气象信息对输电线路覆冰厚度的影响权重，提高了输电线路覆冰厚度预测的准确性。

(3)本发明在预测覆冰厚度时结合了历史的微气象信息和天气预报信息，提高了覆冰预测的准确性。

附图说明

下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述或其他方面的优点将会变得更加清楚。

图1是本发明框架图。

图2使用LSTM模型编码微气象、历史覆冰厚度和天气预报信息序列数据示意图。

图3结合注意力机制和未来天气预报信息学习不同时间点的微气象、历史覆冰厚度和天气预报信息对未来覆冰厚度的影响程度权重的过程。

图4 LSTM解码流程图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

本发明具体包括：

步骤1：采集输电线路的微气象和覆冰厚度信息，记录输电线路附近的天气预报信息。

在覆冰高发区域的输电线路附近安装微气象信息采集装置、输电线路覆冰信息实时监测系统。该系统可以实时获取输电线路的微气象信息和输电线路的覆冰信息。采集数据的周期和内容如下所示。

数据采集周期：一小时；

数据采集内容：微气象信息、输电线路覆冰厚度信息和天气预报信息。微气象信息包括：psur_obs,t2m_obs,q2m_obs,w10m_obs,d10m_obs,rh2m_obs,u10m_obs,v10m_obs,RAIN_obs，ice_obs(分别表示：地面气压、地面以上2米高度处温度、地面以上2米高度处比湿、地面以上2米高度处相对湿度、地面以上10米高度处风速、地面以上10米高度处风向、地面以上10米高度处经向风、地面以上10米高度处纬向风、地面1小时累计降水量、观测点输电线路覆冰厚度)共10种信息。天气预报信息从气象部门收集。

步骤2：将采集到的微气象、覆冰厚度信息和天气预报信息划分为训练数据集和测试数据集。

首先，将采集到的微气象、覆冰厚度信息和天气预报信息按照时间建立一一对应关系。

其次，将整理好的微气象、覆冰厚度信息和天气预报信息按照时间序列排序。

最后，按照7:3的比例将数据集划分为训练集和测试集。

步骤3：使用训练数据拟合预测模型Ice_Thick_Predict_Model。

结合LSTM编解码(Encoder-Decoder)模型与注意力(Attention)机制对微气象信息与输电线路覆冰厚度信息进行拟合，得到输电线路覆冰厚度预测模型(Ice_Thick_Predict_Model)。

本发明使用的LSTM模型采用了编解码(Encoder-Decoder)的结构，该结构首先将序列化的微气象、历史覆冰厚度和天气预报信息输入编码器(Encoder)得到一个输出序列；然后利用注意力(Attention)机制模块，从编码器(Encoder)输出序列中提取解码器(Decoder)所需的输入向量序列；解码器(Decoder)根据注意力(Attention)机制模块输出的向量序列预测输电线路覆冰厚度。模型的具体训练步骤如下：

步骤3.1：使用LSTM模型对微气象序列数据编码。

输入：序列化的微气象信息、历史覆冰厚度信息和天气预报信息拼接成的序列：X₁,X₂,X₃,……,X_t,……,X_n和隐变量序列H₀,H₁,H₂,……,H_t-1,……,H_n-1；

处理：LSTM编码器(Encoder)对序列化的微气象等信息进行处理；

输出：序列化的隐变量序列H₁,H₂,H₃,……,H_t,……,H_n和LSTM编码器编码结果C₁,C₂,C₃,……,C_t,……,C_n。

对微气象信息编码的过程如图2所示。其中，X_t代表输入；LSTM编码器A代表LSTM编码器(Encoder)模块；H_t-1是输入隐变量，H_t是输出隐变量；C_t是LSTM编码器编码结果；H₀是一个随机生成的隐变量，n代表预测未来覆冰厚度所需的历史信息个数。

隐变量H₁,H₂,H₃,……,H_t,……,H_n、LSTM编码器编码结果C₁,C₂,C₃,……,C_t,……,C_n与序列化的微气象信息X₁,X₂,X₃,……,X_t,……,X_n的关系如公式(1)所示。其中，f(·)代表长短时记忆网络(LSTM)；H_t和C_t分别代表输出的隐变量和输出编码值；X_t代表输入序列中第t个微气象、历史覆冰厚度和天气预报信息：

H_t,C_t＝f(H_t-1,X_t) (1)

步骤3.2：利用注意力机制计算LSTM解码器(Decoder)模块输入序列Att₁,Att₂,Att₃,……,Att_t,……,Att_m。

输入：步骤3.1输出LSTM编码器编码结果C₁,C₂,C₃,……,C_t,……,C_n和第i个预测时点的天气预报信息W′_i。

处理(如图3所示)：首先，根据输入信息，计算LSTM编码器编码结果C₁,C₂,C₃,……,C_t,……,C_n与第i个预测时点的天气预报信息W′_i之间的相关系数A_i,j,计算方法如公式(2)(3)所示。其次，根据相关系数A_i,j计算LSTM解码器(Decoder)输入序列Att₁,Att₂,Att₃,……,Att_t,……,Att_m，计算过程如公式(4)所示。

E_i,j＝tanh(w(W′_i)+u(C_j)) (2)

输出：序列化的特征向量Att₁,Att₂,Att₃,……,Att_t,……,Att_m，这些特征作为LSTM解码器(Decoder)的输入信息。

步骤3.3：利用LSTM解码器(Decoder)预测覆冰厚度信息，具体过程如图4所示。最终输出结果为预测的覆冰厚度信息。

输入：隐变量H′_t-1和步骤3.2输出的序列化特征向量Att_t，本项目使用H′_t-1作为LSTM解码器(Decoder)解码时第t步的隐变量；H′₀是随机生成的隐变量。

处理：利用LSTM解码器(Decoder)预测特征向量Att_t和隐变量H′_t-1对应的输电线路覆冰厚度信息

输出：与序列化特征向量Att_t和隐变量H′_t-1对应的覆冰厚度序列

与H′_t。计算过程如公式(5)所示。

步骤3.4：计算预测覆冰厚度与实际覆冰厚度的均方误差(MSE(Θ))，计算过程如公式(6)所示。

步骤3.5：反向传播，使用随机梯度下降法对模型参数Θ进行优化。

步骤3.6：读取下一组序列化的微气象信息，重复执行步骤3.1至3.5，直至将训练集数据读取完成。

步骤3.7：重复执行步骤3.1至3.6并对模型的参数进行优化，直至使MSE(Θ)下降到合理的数量级，建议使MSE(Θ)下降到1以下。

步骤4：使用测试集测试Ice_Thick_Predict_Model的效果，根据测试效果调整训练模型的超参数，然后跳转到步骤3，直至获得理想的模型。

将测试集部署在模型Ice_Thick_Predict_Model上进行测试，检测模型的效果，并根据模型的效果调整超参数信息，如：学习率，输入序列长度等超参数，然后跳转到步骤3重新训练，直到模型能在测试集上取得满意的效果，通过本步骤可以得到最终的输电线路覆冰厚度预测模型Ice_Thick_Predict_Model。

步骤5：将最近(比如最近三天)的微气象信息、输电线路覆冰厚度信息与天气预报信息序列组成模型的输入序列，并将该序列输入到输电线路覆冰厚度预测模型Ice_Thick_Predict_Model，实现短期内输电线路覆冰厚度的预测。如图1所示其中X₁,X₂,X₃,X₄,X₅代表微气象信息、历史覆冰厚度信息和天气预报信息拼接成的序列；Att₁,Att₂,Att₃,Att₄,Att₅是使用注意力机制提取到的中间结果；

代表该方法最终预测的输电线路覆冰厚度。具体的预测结果的形式如下：

1月1日0点覆冰厚度10mm，

1月1日1点覆冰厚度12mm，

1月1日2点覆冰厚度15mm，

1月1日3点覆冰厚度15mm，

1月1日4点覆冰厚度14mm，

……。

得到该预测结果后，可以由工程维护单位根据覆冰厚度判断有没有倒塔或者断线的风险。

本发明提供了一种对输电线路覆冰厚度的预测方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (4)

1.一种对输电线路覆冰厚度的预测方法，其特征在于，包括如下步骤：

步骤1：采集输电线路的微气象、覆冰厚度信息和天气预报信息；

步骤2：将采集到的微气象、覆冰厚度信息和天气预报信息划分为训练数据集和测试数据集；

步骤3：使用训练数据拟合预测模型Ice_Thick_Predict_Model：结合LSTM模型与Attention注意力机制对微气象、气象预报信息和输电线路覆冰厚度信息进行拟合，得到输电线路覆冰厚度预测模型Ice_Thick_Predict_Model；

步骤4：使用测试集测试模型Ice_Thick_Predict_Model的效果，根据测试效果调整模型的超参数，然后重复跳转到步骤3，直至获得理想的模型；

步骤5：将最近的微气象信息序列、输电线路覆冰厚度信息序列与天气预报信息序列作为模型的输入序列，并将该序列输入到输电线路覆冰厚度预测模型Ice_Thick_Predict_Model，实现短期输电线路覆冰厚度预测；

步骤2包括：

步骤2-1，将采集到的微气象、覆冰厚度信息和天气预报信息按照时间信息建立一一对应关系；

步骤2-2，将整理好的微气象、覆冰厚度信息和天气预报信息按照时间序列排序，时间间隔是一个小时；

步骤2-3，统计微气象、覆冰厚度信息和天气预报信息组成的数据条目数，并按照7∶3的比例将微气象、覆冰厚度信息和天气预报信息条目划分为训练集和测试集；

步骤3包括：

步骤3-1，使用LSTM编码器模型对长度序列为n的微气象信息、覆冰厚度信息和天气预报信息序列进行时间序列编码，编码结果为C₁，C₂，C₃，......，C_t，......，C_n，C_t表示第t个微气象、覆冰厚度信息和天气预报信息序列数据的编码结果；

步骤3-2，将未来m个时间点的天气预报信息W′₁，W′₂，W′₃，......，W′_t，......，W′_m和LSTM编码器编码结果C₁，C₂，C₃，......，C_t，......，C_n作为输入，利用注意力机制计算LSTM解码器所需的输入序列Att₁，Att₂，Att₃，......，Att_t，......，Att_m，其中，Att_t是注意力机制模块对LSTM编码器模型编码结果的加权和；

步骤3-3，利用LSTM解码器Decoder预测覆冰厚度信息；

步骤3-4，计算预测覆冰厚度与实际覆冰厚度的均方误差MSE(Θ)；

步骤3-5，反向传播，使用随机梯度下降法对模型参数Θ进行优化；

步骤3-6，读取下一组序列化的微气象信息、覆冰厚度信息和天气预报信息，跳回到步骤3-1，直至将训练集中的数据读取完；

步骤3-7，重复执行步骤3-1至3-6并持续对模型的参数进行优化，直至使MSE(Θ)下降到合理的数量级。

2.根据权利要求1所述的方法，其特征在于，步骤3-1包括：

通过LSTM编码器对序列化的微气象、覆冰厚度信息和天气预报信息X₁，X₂，X₃，......，X_t，......，X_n进行编码，输出序列化的隐变量序列H₁，H₂，H₃，......，H_t，......，H_n和LSTM编码器编码结果C₁，C₂，C₃，......，C_t，......，C_n，计算公式如(1)所示：

H_t，C_t＝f(H_t-1，X_t) (1)

其中，H_t表示LSTM编码器输出的第t个隐变量；C_t是LSTM编码器第t个输出结果；X_t是三层全连接神经网络对第t个微气象、覆冰厚度信息和天气预报信息的编码值；H₀是随机生成的隐变量，H₀与X₁作为f(·)函数首次的输入信息；f(·)是LSTM编码器模块。

3.根据权利要求2所述的方法，其特征在于，步骤3-2包括：

输入LSTM编码器编码结果C₁，C₂，C₃，......，C_t，......，C_n和未来m个时间点的天气预报信息W′₁，W′₂，W′₃，......，W′_t，......，W′_m，根据输入信息，计算LSTM编码器编码结果C₁，C₂，C₃，......，C_t，......，C_n与天气预报信息W′₁，W′₂，W′₃，......，W′_t，......，W′_m之间的相关系数A_i，j，计算公式如(2)(3)所示：

E_i，j＝tanh(w(W′_i)+u(C_j)) (2)

其中，tanh(·)是双曲正切函数；w(·)和u(·)分别表示一个三层的全连接神经网络；W_i‘是未来序列上第i个时间点的天气预报信息；C_j是历史序列上第j个微气象、覆冰厚度信息和天气预报信息序列数据使用LSTM编码器的编码结果；E_i，j是利用注意力机制计算序列权重的中间变量，是公式(3)计算权重的依据；

exp(·)是计算指数值的函数；n代表预测未来天气所用到的历史微气象信息、覆冰厚度信息和天气预报信息的序列长度，E_i，j和E_i，k是公式(2)输出的中间变量；

根据权重系数A_i，j和LSTM编码器编码结果计算LSTM解码器输入序列Att₁，Att₂，Att₃，......，Att_t，......，Att_m：

其中，C_j是历史序列上第j个微气象、覆冰厚度信息和天气预报信息序列数据使用LSTM编码器的编码结果；A_i，j是公式(3)输出的权重系数；最终输出序列化的特征向量Att₁，Att₂，Att₃，......，Att_t，......，Att_m，Att_t表示第t个特征向量，这些特征向量作为LSTM解码器的输入信息。

4.根据权利要求3所述的方法，其特征在于，步骤3-3包括：

输入序列化特征向量Att_t和隐变量H′_i-1，利用LSTM解码器预测序列化的特征向量Att_t对应的输电线路覆冰厚度信息，输出对应的覆冰厚度序列

计算过程如公式(5)所示：

其中，H′_t表示LSTM解码器输出的第t个隐变量；

是预测的第t个时间点的覆冰厚度；Att_t是公式(4)求得的LSTM解码器输入信息；H′₀是随机生成的隐变量；H′₀和Att₁作为h(·)函数首次的输入信息。

Images