CN113222276B - 覆冰情况预测方法、装置、计算机设备和存储介质 - Google Patents
覆冰情况预测方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN113222276B CN113222276B CN202110582869.1A CN202110582869A CN113222276B CN 113222276 B CN113222276 B CN 113222276B CN 202110582869 A CN202110582869 A CN 202110582869A CN 113222276 B CN113222276 B CN 113222276B
- Authority
- CN
- China
- Prior art keywords
- data
- neural network
- network model
- sample data
- target
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000003062 neural network model Methods 0.000 claims abstract description 227
- 238000012549 training Methods 0.000 claims description 51
- 238000012545 processing Methods 0.000 claims description 47
- 238000004590 computer program Methods 0.000 claims description 27
- 239000011159 matrix material Substances 0.000 claims description 25
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000008569 process Effects 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 16
- 238000001914 filtration Methods 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 11
- 238000001556 precipitation Methods 0.000 claims description 10
- 230000000306 recurrent effect Effects 0.000 claims description 4
- 230000001105 regulatory effect Effects 0.000 claims 2
- 239000011248 coating agent Substances 0.000 abstract description 34
- 238000000576 coating method Methods 0.000 abstract description 34
- 238000010586 diagram Methods 0.000 description 15
- 238000012360 testing method Methods 0.000 description 13
- 238000011176 pooling Methods 0.000 description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010801 machine learning Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 125000004122 cyclic group Chemical group 0.000 description 2
- PCHJSUWPFVWCPO-UHFFFAOYSA-N gold Chemical compound [Au] PCHJSUWPFVWCPO-UHFFFAOYSA-N 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000009833 condensation Methods 0.000 description 1
- 230000005494 condensation Effects 0.000 description 1
- 239000012212 insulator Substances 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Marketing (AREA)
- Computational Linguistics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及一种覆冰情况预测方法、装置、计算机设备和存储介质,适用于计算机技术领域。所述方法包括:获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征;气象特征用于表征目标电线的架设位置在预测时间的环境;将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据;覆冰数据用于表征目标电线在预测时间的覆冰情况。采用本方法能够保证预测得到的覆冰情况的准确性。
Description
技术领域
本申请涉及计算机技术领域,特别是涉及一种覆冰情况预测方法、装置、计算机设备和存储介质。
背景技术
电线覆冰指一定范围内的所有电线均被冰包裹住。电线覆冰通常是由于冷的雨滴降落在电线上凝结形成的。电线覆冰是影响电力运行的一大重要阻碍,输电线路覆冰不仅会影响电线的运行维护工作,严重时还会导致电线短路、绝缘体闪络、损坏电路等重大事故。那么如何对电线覆冰增长率进行预测,成为了至关重要的一个环节。
在传统技术中,通常基于精细化的气象预报获取气象数据,根据气象数据统计在不同天气背景条件下电线覆冰的情况,从而对电线覆冰情况进行预测
然而,在传统技术中,可能存在气象数据不准确,且不同天气背景下的电线覆冰情况也可能存在统计上的偏差的情况,从而导致最终预测得到的电线覆冰情况不准确。
发明内容
基于此,有必要针对上述技术问题,提供一种覆冰情况预测方法、装置、计算机设备和存储介质,能够保证预测得到的覆冰情况的准确性。
第一方面,提供了一种覆冰情况预测方法,该方法包括:获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征;气象特征用于表征目标电线的架设位置在预测时间的环境;将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据;覆冰数据用于表征目标电线在预测时间的覆冰情况。
在其中一个实施例中,第一神经网络模型的训练过程为:获取样本数据;样本数据包括目标区域在历史时段的天气数据;目标区域为目标电线所属区域和/或与目标电线所属区域气候特点相同的区域;获取样本数据对应的杆塔气象数据;杆塔气象数据用于表征样本数据对应的区域内架设的杆塔在样本数据对应的历史时段的气象数据;以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型;第一神经网络模型用于对样本数据进行特征提取,第三神经网络模型用于实现样本数据到杆塔气象数据的映射。
在其中一个实施例中,目标区域在历史时段的天气数据包括:地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪中的至少一项。
在其中一个实施例中,获取样本数据,还包括:针对目标区域对应的各样本数据,确定各样本数据对应的子区域;各样本数据对应的子区域为样本数据的采集区域;判断各样本数据对应的子区域是否包括杆塔;若样本数据对应的子区域中不包括杆塔,则对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
在其中一个实施例中,获取样本数据对应的杆塔气象数据,包括:基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据;对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据,目标数据处理包括取均值处理、取中值处理以及取众数处理中的任一项;将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
在其中一个实施例中,其特征在于,第二神经网络模型的训练过程包括:获取样本数据对应的历史覆冰数据;以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型;第二神经网络模型用于实现样本数据到历史覆冰数据的映射。
在其中一个实施例中,获取样本数据对应的历史覆冰数据,包括:根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据;根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据;将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
第二方面,提供了一种覆冰情况预测装置,该装置包括:
第一获取模块,用于获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征;气象特征用于表征目标电线的架设位置在预测时间的环境;
获得模块,用于将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据;覆冰数据用于表征目标电线在预测时间的覆冰情况。
在其中一个实施例中,上述覆冰情况预测装置还包括:
第二获取模块,用于获取样本数据;样本数据包括目标区域在历史时段的天气数据;目标区域为目标电线所属区域和/或与目标电线所属区域气候特点相同的区域;
第三获取模块,用于获取样本数据对应的杆塔气象数据;杆塔气象数据用于表征样本数据对应的区域内架设的杆塔在样本数据对应的历史时段的气象数据;
第一训练模块,用于以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型;第一神经网络模型用于对样本数据进行特征提取,第三神经网络模型用于实现样本数据到杆塔气象数据的映射。
在其中一个实施例中,目标区域在历史时段的天气数据包括:地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪中的至少一项。
在其中一个实施例中,上述第二获取模块包括:
第一确定单元,用于针对目标区域对应的各样本数据,确定各样本数据对应的子区域;各样本数据对应的子区域为样本数据的采集区域;
判断单元,用于判断各样本数据对应的子区域是否包括杆塔;
过滤单元,用于若样本数据对应的子区域中不包括杆塔,则对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
在其中一个实施例中,上述第三获取模块包括:
第一获取单元,用于基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据;
目标数据处理单元,用于对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据,目标数据处理包括取均值处理、取中值处理以及取众数处理中的任一项;
第二确定单元,用于将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
在其中一个实施例中,上述覆冰情况预测装置还包括:
第四获取模块,用于获取样本数据对应的历史覆冰数据;
第二训练模块,用于以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型;第二神经网络模型用于实现样本数据到历史覆冰数据的映射。
在其中一个实施例中,上述第三获取模块,包括:
第二获取单元,用于根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据;
第三获取单元,用于根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据;
第三确定单元,用于将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
第三方面,提供了一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现如上述第一方面任一所述的方法。
第四方面,提供了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述第一方面任一所述的方法。
上述覆冰情况预测方法、装置、计算机设备和存储介质,获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征,将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据。上述方法中,获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型,通过第一神经网络模型对天气数据进行特征提取卷积池化处理,获得目标电线在预测时间的气象特征。从而获取到了目标电线所属区域在预测时间的天气数据与目标电线的架设位置在预测时间的环境之间的差异,并根据目标电线所属区域在预测时间的天气数据,获得了目标电线的架设位置在预测时间的环境。避免因为忽略目标电线所属区域在预测时间的天气数据与目标电线的架设位置在预测时间的环境之间的差异,导致最终得到的目标电线在预测时间的覆冰数据不准确。此外,将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据。上述方法中,通过利用第二神经网络模型将气象特征与目标电线在预测时间的覆冰数据进行映射,从而保证了最终获得的目标电线在预测时间的覆冰情况的准确性。
附图说明
图1为一个实施例中覆冰情况预测方法的流程示意图;
图2为一个实施例中覆冰情况预测方法中覆冰数据示意图;
图3为一个实施例中覆冰情况预测步骤的流程示意图;
图4为另一个实施例中覆冰情况预测方法中杆塔气象数据和杆塔观测站位置示意图;
图5为另一个实施例中覆冰情况预测方法中温度数据和湿度数据格点化示意图;
图6为一个实施例中覆冰情况预测步骤的流程示意图;
图7为一个实施例中覆冰情况预测步骤的流程示意图;
图8为一个实施例中覆冰情况预测步骤的流程示意图;
图9为一个实施例中覆冰情况预测方法中覆冰厚度数据及覆冰增长率格点化示意图;
图10为一个实施例中覆冰情况预测步骤的流程示意图;
图11为一个实施例中覆冰情况预测步骤的流程示意图;
图12为一个实施例中覆冰情况预测装置的结构框图;
图13为一个实施例中覆冰情况预测装置的结构框图;
图14为一个实施例中覆冰情况预测装置的结构框图;
图15为一个实施例中覆冰情况预测装置的结构框图;
图16为一个实施例中覆冰情况预测装置的结构框图;
图17为一个实施例中覆冰情况预测装置的结构框图;
图18为一个实施例中计算机设备为服务器时的内部结构图;
图19为一个实施例中计算机设备为终端时的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的覆冰情况预测的方法,其执行主体可以是覆冰情况预测的装置,该覆冰情况预测的装置可以通过软件、硬件或者软硬件结合的方式实现成为计算机设备的部分或者全部,其中,该计算机设备可以是服务器或者终端,其中,本申请实施例中的服务器可以为一台服务器,也可以为由多台服务器组成的服务器集群,本申请实施例中的终端可以是智能手机、个人电脑、平板电脑、可穿戴设备、儿童故事机以及智能机器人等其他智能硬件设备。下述方法实施例中,均以执行主体是计算机设备为例来进行说明。
在本申请一个实施例中,如图1所示,提供了一种覆冰情况预测方法,以该方法应用于计算机设备为例进行说明,包括以下步骤:
步骤101,计算机设备获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征。
其中,气象特征用于表征目标电线的架设位置在预测时间的环境。
其中,预测时间可以为一段时间,例如3天、5天、一周等,还可以是一个时间点例如2021年5月30日下午3:00,本申请对预测时间不做具体限定。
可选的,计算机设备可以从天气气象服务器发送数据请求,该数据请求用于请求天气气象服务器向计算机设备发送目标电线所属区域在预测时间的天气数据。天气气象服务器在接收到计算机设备发送的数据请求之后,向计算机设备发送目标电线所属区域在预测时间的天气数据。
可选的,计算机设备还可以接收用户输入的目标电线所属区域在预测时间的天气数据,其中,输入方式可以是基于输入组件,也可以是语音输入,其中,输入组件可以是按键输入组件,还可以是触屏输入组件。本申请实施例对用户输入目标电线所属区域在预测时间的天气数据的具体情况不做限定。
可选的,计算机设备还可以接收其他计算机设备发送的目标电线所属区域在预测时间的天气数据。
本申请实施例对计算机设备获取目标电线所属区域在预测时间的天气数据的方式不做具体限定。
在计算机设备获取到目标电线所属区域在预测时间的天气数据,可以将天气数据输入第一神经网络模型,第一神经网络模型对输入的天气数据进行特征提取,卷积池化处理,得到目标电线在预测时间的气象特征。也就是说,计算机设备利用第一神经网络模型学习到了目标电线所属区域在预测时间的天气数据与目标电线的架设位置在预测时间的环境之间的差异,并根据目标电线所属区域在预测时间的天气数据,获得了目标电线的架设位置在预测时间的环境。
其中,第一神经网络模型可以是机器学习网络模型,当然也可以是其他网络模型,机器学习网络模型可以是DNN(Deep Neural Networks,深度神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)、RNN(Recurrent Neural Network,循环神经网络)等,在第一神经网络模型是CNN时,其可以是V-Net模型、U-Net模型、生成式对抗网络Generative Adversarial Nets模型等。本申请实施例对第一神经网络模型的类型不做具体限定。
步骤102,计算机设备将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据。
其中,覆冰数据用于表征目标电线在预测时间的覆冰情况。覆冰数据可以是目标电线在预测时间的覆冰增长率,也可以是目标电线在预测时间的覆冰厚度,本申请实施例对目标电线在预测时间的覆冰数据不做具体限定。
具体地,计算机设备在获取到目标电线所属区域在预测时间的天气数据对应的气象特征之后,为了获得与气象特征对应的目标电线在预测时间的覆冰数据。计算机设备可以将气象特征输入第二神经网络模型,第二神经网络模型对气象特征进行卷积池化计算,得到标电线在预测时间的覆冰数据。
其中,第二神经网络模型可以是机器学习网络模型,当然也可以是全连接层。其中,当第二神经网络模型为机器学习网络模型时可以是DNN(Deep Neural Networks,深度神经网络)、CNN(Convolutional Neural Networks,卷积神经网络)、RNN(RecurrentNeural Network,循环神经网络)等,在第一神经网络模型是CNN时,其可以是V-Net模型、U-Net模型、生成式对抗网络Generative Adversarial Nets模型等。当第二神经网络模型为全连接层时,全连接层(fully connected layers,FC)在整个卷积神经网络中起到“分类器”的作用。如果说卷积层、池化层和激活函数层等操作是将原始数据映射到隐层特征空间的话,全连接层则起到将学到的“分布式特征表示”映射到样本标记空间的作用。本申请实施例对第二神经网络模型的类型不做具体限定。
示例性的,计算机设备将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据,当覆冰数据为覆冰增长率时,具体输出结果可以如图2所示。其中,图2左侧表示计算机设备利用第一神经网络模型和第二神经网络模型预测得到目标电线在预测时间的覆冰增长率。图2右侧表示目标电线在预测时间对应的实际覆冰增长率。
上述覆冰情况预测方法中,计算机设备获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征,将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据。上述方法中,计算机设备获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型,第一神经网络模型对天气数据进行特征提取卷积池化处理,获得目标电线在预测时间的气象特征。从而获取到了目标电线所属区域在预测时间的天气数据与目标电线的架设位置在预测时间的环境之间的差异,并根据目标电线所属区域在预测时间的天气数据,获得了目标电线的架设位置在预测时间的环境。避免因为忽略目标电线所属区域在预测时间的天气数据与目标电线的架设位置在预测时间的环境之间的差异,导致最终得到的目标电线在预测时间的覆冰数据不准确。此外,计算机设备将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据。计算机设备通过利用第二神经网络模型将气象特征与目标电线在预测时间的覆冰数据进行映射,从而保证了最终获得的目标电线在预测时间的覆冰情况的准确性。
在本申请一个可选的实施例中,如图3所示,上述第一神经网络模型的训练过程可以包括以下步骤:
步骤301,计算机设备获取样本数据。
其中,样本数据包括目标区域在历史时段的天气数据;目标区域为目标电线所属区域和/或与目标电线所属区域气候特点相同的区域。
示例性的,假设目标电线1所属区域为区域B,计算机设备要预测目标电线1在预测时间的覆冰数据。那么,计算机设备就需要获取区域B在历史时刻的天气数据,或者与区域B的气候特点相同的区域在历史时刻的天气数据。
其中,目标区域在历史时段的天气数据包括:地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪中的至少一项。
示例性的,计算机设备可以根据天气气象数据中存储的天气数据的类型,获取到地表温度、地表经向风速、地表纬向风速、地表2米空气温度、地表2米空气露点温度、地表气压、3小时累计降水和3小时累计降雪。
可选的,计算机设备可以从天气气象服务器发送样本请求,该样本请求用于请求天气气象服务器向计算机设备发送样本数据。天气气象服务器在接收到计算机设备发送的样本请求之后,向计算机设备发送样本数据。
示例性的,计算机设备获取到的样本数据可以为欧洲中期天气预报中心(European Centre for Medium-Range Weather Forecasts简称ECMWF)全球数值模式预报数据,该数据为等经纬网格,其空间分辨率为0.25°×0.25°,表示每个网格对应的经度和纬度均为0.25°。每天起报两次,分别为世界时00点和世界时12点。预报结果时间分辨率为3小时,即每3小时生成一次数据,预报时效为240小时。本申请实施例可以使用其中的0-12小时预报结果进行建模分析。使用0点起报的0-12小时和12点起报的0-12小时预报结果以拼接成完整的24小时预报结果进行测试。
可选的,计算机设设备还可以接收用户输入的样本数据。其中,输入方式可以是基于输入组件输入,也可以是语音输入。其中,输入组件可以是按键输入组件,还可以是触屏输入组件。本申请实施例对用户输入样本数据的具体情况不做限定。
可选的,计算机设备还可以接收其他计算机设备发送的样本数据。
本申请实施例对计算机设备获取样本数据的方式不做具体限定。
步骤302,计算机设备获取样本数据对应的杆塔气象数据。
其中,杆塔气象数据用于表征样本数据对应的区域内架设的杆塔在样本数据对应的历史时段的气象数据。
具体地,计算机设备可以接收杆塔数据采集设备发送的杆塔气象数据。在接收到杆塔气象数据以后,计算机设备可以对杆塔气象数据进行质量控制,剔除掉显著的异常观测值。计算机设备可以根据各杆塔气象数据对应的杆塔的经纬度数据,对杆塔气象数据进行格点化处理,将离散的杆塔气象数据规整到等经纬的网格点上,如示意图4所示,每一个网格中加号位置代表整个网格中所有杆塔对应的杆塔气象数据,其中每一个网格中点为电网杆塔观测站位置。考虑到某些网格中并不包含杆塔观测站点,无法获得格点化的杆塔气象数据,需要将这些格点进行标记。
示例性的,杆塔气象数据可以包括温度数据和湿度数据。计算机获取到温度数据和湿度数据之后,可以将温度数据和湿度数据进行归一化处理,其中温度数据可以利用方差归一化方法,湿度数据可以利用均值归一化方法,消除二者的量纲,在进行第一神经网络模型训练时,同时统计温度数据和湿度数据的误差,最终的第一神经网络模型训练误差为二者误差的和,实现同时训练温度和湿度的功能。
如图5所示,温度数据和湿度数据格点化示意图,左侧为格点化后的温度图右侧为格点化后的湿度图。
步骤303,计算机设备以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型。
其中,第一神经网络模型用于对样本数据进行特征提取,第三神经网络模型用于实现样本数据到杆塔气象数据的映射。
具体地,计算机设备可以将样本数据输入至初始的第一神经网络模型,初始的第一神经网络模型对样本数据进行特征提取卷积池化处理,生成样本数据对应的特征。计算机设备将样本数据对应的特征输入至初始的第三神经网络模型,以样本数据对应的杆塔气象数据为金标准,进行模型训练获得第一神经网络模型。
示例性的,假设样本数据中包括目标区域在历史时段的地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪。杆塔气象数据包括温度数据和湿度数据,且第一神经网络模型为包括5层网络的U-net模型,第三神经网络模型为一层全连接层。
根据各样本数据对应的在目标区域中的位置对样本数据进行格点化,并将格点化后的样本数据与杆塔气象数据进行一一对应。计算机设备根据样本数据中包括的数据以及样本数据对应的网格,生成格点化后的矩阵数据大小为64*48*8。其中,64*48为输入数据网格大小,其中的第三维8分别为样本数据中的8个变量。因此仅搭建五层神经网络的U-net模型和一层全连接层,其中每一层均包含一个卷积层和2*2的池化层。第一层将64*48*8的矩阵卷积后池化为32*24*32大小的矩阵,第二层将32*24*32大小的矩阵卷积后池化为16*12*64大小的矩阵。第三层对16*12*64的矩阵进一步卷积位16*12*128的特征矩阵。第四层对第三层的结果进行反卷积并和第二层结果相合并,形成32*24*256的特征矩阵。第五层对第四层的结果进行反卷积并和第一层结果相合并,最后生成包含64*48*128,包含128个特征的特征层模型,在最后增加一层全连接层,该层使用一个128*2*1*1的4维卷积核进行卷积,通过该卷积核可以将U-net模型最后输出的64*48*128大小的特征矩阵卷积成为64*48*2小的矩阵,作为输出矩阵,对标64*48*1的温度观测网格数据和64*48*1的湿度网格观测数据。经过上述训练,最终获得第一神经网络模型。
进一步地,可选的,上述第一神经网络模型在训练时,可以选择Adam优化器对第一神经网络模型进行优化,从而可以使第一神经网络模型能够快速收敛,并具有很好的泛化能力。
可选的,上述第一神经网络模型在训练时,还可以选择RMSProp优化方式对第一神经网络模型进行优化,且损失函数以均方根误差MSE方式获取,从而可以使第一神经网络模型能够快速收敛,并具有很好的泛化能力。
在上述利用Adam优化器对第一神经网络模型进行优化时,也可以为优化器设置一个学习率,在这里可以采用学习率范围测试(LR Range Test)的技术选择最佳学习率,并设置给优化器。该测试技术的学习率选择过程为:首先将学习率设置为一个很小的值,接着将第一神经网络模型和训练样本数据简单的迭代几次,每次迭代完成后增加学习率,并记录每次的训练损失(loss),然后绘制LR Range Test图,一般理想的LR Range Test图包含三个区域:第一个区域学习率太小损失基本不变,第二个区域损失减小收敛很快,最后一个区域学习率太大以至于损失开始发散,那么可以将LR Range Test图中的最低点所对应的学习率作为最佳学习率,并将该最佳学习率作为Adam优化器的初始学习率,设置给优化器。
本申请实施例中,计算机设备获取样本数据,并获取样本数据对应的杆塔气象数据。计算机设备以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型。上述方法中,计算机设备可通过训练第一神经网络模型使得第一神经网络模型获取到样本数据与杆塔气象数据之间的差异,从而使得第一神经网络可以根据样本数据与杆塔气象数据之间的差异,确定目标电线所属区域在预测时间的天气数据与目标电线的架设位置在预测时间的环境之间的差异,保证最终获得的目标电线在预测时间的覆冰情况的准确性。
在本申请一个可选的实施例中,如图6所示,上述步骤301中的“获取样本数据”还可以包括以下步骤:
步骤601,针对目标区域对应的各样本数据,计算机设备确定各样本数据对应的子区域。
其中,各样本数据对应的子区域为样本数据的采集区域。
具体地,针对目标区域对应的各样本数据,计算机设备可以根据各样本数据对应的位置信息标签,确定各样本数据对应的子区域。
步骤602,计算机设备判断各样本数据对应的子区域是否包括杆塔。
具体地,计算机设备在确定了各样本数据对应的子区域之后,可以根据各杆塔的位置信息,判断各样本数据对应的子区域中是否包括杆塔。
步骤603,若样本数据对应的子区域中不包括杆塔,则计算机设备对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
具体地,在计算机设备根据各杆塔的为位置信息,判断各样本数据对应的子区域中是否包括杆塔之后,根据判断结果,在样本数据对应的子区域中不包括杆的情况下,说明该子区域的样本数据没有对应的杆塔气象数据。因此,计算机设备根据判断结果,对样本数据进行过滤,滤除不包括样本数据对应的子区域中不包括杆塔。
在本申请实施例中,针对目标区域对应的各样本数据,计算机设备确定各样本数据对应的子区域,并判断各样本数据对应的子区域是否包括杆塔。在样本数据对应的子区域中不包括杆塔的情况下,计算机设备对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。从而可以保证样本数据与杆塔气象数据之间的对应关系,防止由于样本数据与杆塔气象数据之间不对应导致第一神经网络模型训练不准确。
在本申请一个可选的实施例中,如图7所示,上述步骤302中的“获取样本数据对应的杆塔气象数据”,可以包括以下步骤:
步骤701,计算机设备基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据。
具体地,计算机设备可以根据各样本数据对应的位置信息标签,确定各样本数据对应的子区域,从而确定各样本数据对应的区域范围。计算机设备在获取到各样本数据对应的区域范围之后,可以根据各样本数据对应的区域范围以及各杆塔的位置信息,获取区域范围内包括的多个杆塔,从而获取到多个杆塔对应的多个杆塔气象数据。
示例性的,其中一个样本数据对应的区域范围中可以包括4个杆塔,则计算机设备需要获取该区域范围内4个杆塔对应的4个杆塔气象数据。
步骤702,计算机设备对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据。
其中,目标数据处理包括取均值处理、取中值处理以及取众数处理中的任一项。
具体地,计算机设备在获取到区域范围内多个杆塔对应的多个杆塔气象数据之后,为了使得样本数据与杆塔气象数据一一对应,即一个样本数据对应一个杆塔气象数据。计算机设备可以对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据。
可选的,计算机设备可以对多个杆塔气象数据进行进行取均值计算,并将计算得到的均值作为目标杆塔气象数据。
可选的,计算机设备可以对多个杆塔气象数据进行进行取中值计算,并将计算得到的中值作为目标杆塔气象数据。
可选的,计算机设备可以对多个杆塔气象数据进行进行取众数计算,并将计算得到的众数作为目标杆塔气象数据。
可选的,计算机设备还可以对多个杆塔气象数据从小到大进行排序,从中选择占比为95%的杆塔气象数据作为目标杆塔气象数据。
示例性的,假设某一区域范围内有100个杆塔,即对应100个杆塔气象数据,计算机设备对100个杆塔气象数据进行从小到大排序,从中选择第95位的杆塔气象数据作为目标杆塔气象数据。
步骤703,计算机设备将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
具体地,计算机设备在获取到各目标杆塔气象数据之后,可以将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
在本申请实施例中,计算机设备基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据。计算机设备对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据,并将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。从而使得样本数据与杆塔气象数据一一对应,避免了因为样本数据与杆塔气象数据不对应而造成第一神经网络模型训练不准确。
在本申请一个可选的实施例中,如图8所示,第二神经网络模型的训练过程包括以下步骤:
步骤801,计算机设备获取样本数据对应的历史覆冰数据。
可选的,计算机设备可以从覆冰数据服务器发送历史覆冰数据请求,该历史覆冰数据请求用于请求覆冰数据服务器向计算机设备发送历史覆冰数据。覆冰数据服务器在接收到计算机设备发送的覆冰数据请求之后,向计算机设备发送历史覆冰数据。
可选的,计算机设设备还可以接收用户输入的历史覆冰数据。其中,输入方式可以是基于输入组件输入,也可以是语音输入。其中,输入组件可以是按键输入组件,还可以是触屏输入组件。本申请实施例对用户输入历史覆冰数据的具体情况不做限定。
可选的,计算机设备还可以接收其他计算机设备发送的历史覆冰数据。
本申请实施例对计算机设备获取历史覆冰数据的方式不做具体限定。
其中,历史覆冰数据可以是覆冰厚度数据,也可以是覆冰增长率数据。如图9所示,覆冰厚度数据及覆冰增长率格点化示意图,左侧为覆冰厚度,右侧为覆冰厚度1小时内变化情况,可以看出右侧较暖区域覆冰在融合,左侧较冷区域覆冰在增长。
可选的,假设计算机设备获取到的历史覆冰数据为历史覆冰增长率,计算机设备可以对历史覆冰增长率进行筛选,从中滤掉历史覆冰增长率小于等于0的数据。
步骤802,计算机设备以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型。
其中,第二神经网络模型用于实现样本数据到历史覆冰数据的映射。
具体地,计算机设备可以将样本数据输入至第一神经网络模型,第一神经网络模型对样本数据进行特征提取卷积池化处理,生成样本数据对应的气象特征。计算机设备将样本数据对应的气象特征输入至初始的第二神经网络模型,以历史覆冰数据为金标准,进行模型训练获得第二神经网络模型。
示例性的,假设样本数据中包括目标区域在历史时段的地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪。杆塔气象数据包括温度数据和湿度数据,且第一神经网络模型为包括5层网络的U-net模型,第二神经网络模型为一层全连接层。
根据各样本数据对应的在目标区域中的位置对样本数据进行格点化,并将格点化后的样本数据与杆塔气象数据进行一一对应。计算机设备根据样本数据中包括的数据以及样本数据对应的网格,生成格点化后的矩阵数据大小为64*48*8。其中,64*48为输入数据网格大小,其中的第三维8分别为样本数据中的8个变量。因此仅搭建五层神经网络的U-net模型和一层全连接层,其中每一层均包含一个卷积层和2*2的池化层。第一层将64*48*8的矩阵卷积后池化为32*24*32大小的矩阵,第二层将32*24*32大小的矩阵卷积后池化为16*12*64大小的矩阵。第三层对16*12*64的矩阵进一步卷积位16*12*128的特征矩阵。第四层对第三层的结果进行反卷积并和第二层结果相合并,形成32*24*256的特征矩阵。第五层对第四层的结果进行反卷积并和第一层结果相合并,最后生成包含64*48*128,包含128个特征的特征层模型。重新搭建一个卷积核大小为128*1*1*1的全连接层,使得模型最终输出结果为64*48*1,其中,64*48*1的矩阵数据与历史覆冰数据相对应。经过上述训练,最终获得第二神经网络模型。
进一步地,可选的,上述第二神经网络模型在训练时,可以选择Adam优化器对第二神经网络模型进行优化,从而可以使第二神经网络模型能够快速收敛,并具有很好的泛化能力。
可选的,上述第二神经网络模型在训练时,还可以选择RMSProp优化方式对第二神经网络模型进行优化,且损失函数以均方根误差MSE方式获取,从而可以使第二神经网络模型能够快速收敛,并具有很好的泛化能力。
在上述利用Adam优化器对第二神经网络模型进行优化时,也可以为优化器设置一个学习率,在这里可以采用学习率范围测试(LR Range Test)的技术选择最佳学习率,并设置给优化器。该测试技术的学习率选择过程为:首先将学习率设置为一个很小的值,接着将第二神经网络模型和训练样本数据简单的迭代几次,每次迭代完成后增加学习率,并记录每次的训练损失(loss),然后绘制LR Range Test图,一般理想的LR Range Test图包含三个区域:第一个区域学习率太小损失基本不变,第二个区域损失减小收敛很快,最后一个区域学习率太大以至于损失开始发散,那么可以将LR Range Test图中的最低点所对应的学习率作为最佳学习率,并将该最佳学习率作为Adam优化器的初始学习率,设置给优化器。
在本申请实施例中,计算机设备获取样本数据对应的历史覆冰数据。计算机设备以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型。从而使得基于第一神经网络模型可以确定样本数据与杆塔气象数据之间的差异,并根据输入的样本数据输出与样本数据对应的气象特征。而第二神经网络可以基于第一神经网络输出的样本数据对应的气象特征,确定样本数据对应的气象特征与历史覆冰数据之间的关系。从而使得最终训练得到的第一神经网络模型和第二神经网络模型结合,可以准确地预测目标电线的覆冰数据,提高了第一神经网络模型和第二神经网络模型的准确性。
在本申请一个可选的实施例中,如图10所示,上述步骤801中的“获取样本数据对应的历史覆冰数据”,可以包括以下步骤:
步骤1001,计算机设备根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据。
具体地,计算机设备可以根据样本数据对应的位置信息标签,确定样本数据对应的目标区域。计算机设备在确定了样本数据对应的目标区域之后,可以获取目标区域对应的所有历史覆冰数据,并将获取到的目标区域对应的所有历史覆冰数据作为候选历史覆冰数据。
示例性的,假设样本数据对应的目标区域为区域D,则计算机设备将区域D的所有历史覆冰数据作为候选历史覆冰数据。
步骤1002,计算机设备根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据。
具体地,计算机设备在获取到候选历史覆冰数据之后,可以根据样本数据对应的历史时段,从候选历史覆冰数据中选择与样本数据对应的历史时段相同的历史覆冰数据作为目标历史覆冰数据。
步骤1003,计算机设备将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
具体地,计算机设备在获取到目标历史覆冰数据之后,可将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
在本申请实施例中,计算机设备根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据。计算机设备根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据,并将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。从而保证了样本数据对应的目标区域以及历史时刻均与历史覆冰数据的对应的目标区域以及历史时刻相同,从而保证样本数据与历史覆冰数据之间的相关性,避免以区域A的样本数据为输入,以区域B的历史覆冰数据为输出训练第二神经网络模型,或者以2020年7月份的样本数据为输入,以2020年11月份的历史覆冰数据为输出训练第二神经网络模型,从而导致训练得到的第二神经网络模型不准确,最终利用第二神经网络模型预测得到的目标电线的覆冰数据不准确。
为了更好的说明本申请的提供的覆冰情况预测方法,本申请提供一种覆冰情况预测方法的整体流程方面进行解释说明的实施例,如图11所示,该方法包括:
步骤1101,计算机设备获取样本数据。
步骤1102,针对目标区域对应的各样本数据,计算机设备确定各样本数据对应的子区域。
步骤1103,计算机设备判断各样本数据对应的子区域是否包括杆塔。
步骤1104,若样本数据对应的子区域中不包括杆塔,则计算机设备对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
步骤1105,计算机设备基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据。
步骤1106,计算机设备对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据。
步骤1107,计算机设备将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
步骤1108,计算机设备以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型。
步骤1109,计算机设备根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据。
步骤1110,计算机设备根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据。
步骤1111,计算机设备将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
步骤1112,计算机设备以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型。
步骤1113,计算机设备获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征。
步骤1114,计算机设备将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据。
应该理解的是,虽然图1、3、6-8、10、11的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图1、3、6-8、10、11中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
在本申请一个实施例中,如图12所示,提供了一种覆冰情况预测装置1200,包括:第一获取模块1210和获得模块1220,其中:
第一获取模块1210,用于获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征;气象特征用于表征目标电线的架设位置在预测时间的环境。
获得模块1220,用于将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据;覆冰数据用于表征目标电线在预测时间的覆冰情况。
在本申请一个实施例中,如图13所示,上述覆冰情况预测装置1200还包括:第二获取模块1230、第三获取模块1240以及第一训练模块1250,其中:
第二获取模块1230,用于获取样本数据;样本数据包括目标区域在历史时段的天气数据;目标区域为目标电线所属区域和/或与目标电线所属区域气候特点相同的区域。
第三获取模块1240,用于获取样本数据对应的杆塔气象数据;杆塔气象数据用于表征样本数据对应的区域内架设的杆塔在样本数据对应的历史时段的气象数据。
第一训练模块1250,用于以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型;第一神经网络模型用于对样本数据进行特征提取,第三神经网络模型用于实现样本数据到杆塔气象数据的映射。
在本申请一个实施例中,目标区域在历史时段的天气数据包括:地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪中的至少一项。
在本申请一个实施例中,如图14所示,上述第二获取模块1230,包括:第一确定单元1231、判断单元1232以及过滤单元1233,其中:
第一确定单元1231,用于针对目标区域对应的各样本数据,确定各样本数据对应的子区域;各样本数据对应的子区域为样本数据的采集区域。
判断单元1232,用于判断各样本数据对应的子区域是否包括杆塔。
过滤单元1233,用于若样本数据对应的子区域中不包括杆塔,则对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
在本申请一个实施例中,如图15所示,上述第三获取模块1240,包括:第一获取单元1241、目标数据处理单元1242以及第二确定单元1243,其中:
第一获取单元1241,用于基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据。
目标数据处理单元1242,用于对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据,目标数据处理包括取均值处理、取中值处理以及取众数处理中的任一项。
第二确定单元1243,用于将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
在本申请一个实施例中,如图16所示,上述覆冰情况预测装置还包括:第三获取模块1260以及第二训练模块1270,其中:
第四获取模块1260,用于获取样本数据对应的历史覆冰数据;
第二训练模块1270,用于以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型;第二神经网络模型用于实现样本数据到历史覆冰数据的映射。
在本申请一个实施例中,如图17,上述第四获取模块1260,包括:第二获取单元1261、第三获取单元1262以及第三确定单元1263,其中:
第二获取单元1261,用于根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据。
第三获取单元1262,用于根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据。
第三确定单元1263,用于将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
关于覆冰情况预测装置的具体限定可以参见上文中对于覆冰情况预测方法的限定,在此不再赘述。上述覆冰情况预测装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,当计算机设备是服务器时,其内部结构图可以如图18所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储覆冰情况预测数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种覆冰情况预测方法。
在本申请一个实施例中,提供了一种计算机设备,该计算机设备可以是终端,当计算机设备是终端时,其内部结构图可以如图19所示。该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机程序被处理器执行时以实现一种覆冰情况预测方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图18和图19中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在本申请一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征;气象特征用于表征目标电线的架设位置在预测时间的环境;将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据;覆冰数据用于表征目标电线在预测时间的覆冰情况。
在本申请一个实施例中,处理器执行计算机程序时还实现以下步骤:获取样本数据;样本数据包括目标区域在历史时段的天气数据;目标区域为目标电线所属区域和/或与目标电线所属区域气候特点相同的区域;获取样本数据对应的杆塔气象数据;杆塔气象数据用于表征样本数据对应的区域内架设的杆塔在样本数据对应的历史时段的气象数据;以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型;第一神经网络模型用于对样本数据进行特征提取,第三神经网络模型用于实现样本数据到杆塔气象数据的映射。
在本申请一个实施例中,目标区域在历史时段的天气数据包括:地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪中的至少一项。
在本申请一个实施例中,处理器执行计算机程序时还实现以下步骤:针对目标区域对应的各样本数据,确定各样本数据对应的子区域;各样本数据对应的子区域为样本数据的采集区域;判断各样本数据对应的子区域是否包括杆塔;若样本数据对应的子区域中不包括杆塔,则对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
在本申请一个实施例中,处理器执行计算机程序时还实现以下步骤:基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据;对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据,目标数据处理包括取均值处理、取中值处理以及取众数处理中的任一项;将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
在本申请一个实施例中,处理器执行计算机程序时还实现以下步骤:获取样本数据对应的历史覆冰数据;以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型;第二神经网络模型用于实现样本数据到历史覆冰数据的映射。
在本申请一个实施例中,处理器执行计算机程序时还实现以下步骤:根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据;根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据;将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
在本申请一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取目标电线所属区域在预测时间的天气数据,将天气数据输入第一神经网络模型获得目标电线在预测时间的气象特征;气象特征用于表征目标电线的架设位置在预测时间的环境;将气象特征输入第二神经网络模型,获得目标电线在预测时间的覆冰数据;覆冰数据用于表征目标电线在预测时间的覆冰情况。
在本申请一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取样本数据;样本数据包括目标区域在历史时段的天气数据;目标区域为目标电线所属区域和/或与目标电线所属区域气候特点相同的区域;获取样本数据对应的杆塔气象数据;杆塔气象数据用于表征样本数据对应的区域内架设的杆塔在样本数据对应的历史时段的气象数据;以样本数据为初始的第一神经网络模型的输入,以初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以样本数据对应的杆塔气象数据为初始的第三神经网络模型的输出,进行模型训练获得第一神经网络模型;第一神经网络模型用于对样本数据进行特征提取,第三神经网络模型用于实现样本数据到杆塔气象数据的映射。
在本申请一个实施例中,目标区域在历史时段的天气数据包括:地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪中的至少一项。
在本申请一个实施例中,计算机程序被处理器执行时还实现以下步骤:针对目标区域对应的各样本数据,确定各样本数据对应的子区域;各样本数据对应的子区域为样本数据的采集区域;判断各样本数据对应的子区域是否包括杆塔;若样本数据对应的子区域中不包括杆塔,则对样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
在本申请一个实施例中,计算机程序被处理器执行时还实现以下步骤:基于各样本数据对应的区域范围,获取区域范围内包括的多个杆塔对应的多个杆塔气象数据;对多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据,目标数据处理包括取均值处理、取中值处理以及取众数处理中的任一项;将目标杆塔气象数据作为与样本数据对应的杆塔气象数据。
在本申请一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取样本数据对应的历史覆冰数据;以样本数据为第一神经网络模型的输入,以第一神经网络模型的输出为初始的第二神经网络模型的输入,以历史覆冰数据为初始的第二神经网络模型的输出,进行模型训练获得第二神经网络模型;第二神经网络模型用于实现样本数据到历史覆冰数据的映射。
在本申请一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据样本数据对应的目标区域,获取目标区域内的候选历史覆冰数据;根据样本数据对应的历史时段,从候选历史覆冰数据中获取与历史时段对应的目标历史覆冰数据;将目标历史覆冰数据作为与样本数据对应的历史覆冰数据。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-Only Memory,ROM)、磁带、软盘、闪存或光存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic Random Access Memory,DRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种覆冰情况预测方法,其特征在于,所述方法包括:
获取目标电线所属区域在预测时间的天气数据,将所述天气数据输入第一神经网络模型获得所述目标电线在所述预测时间的气象特征;所述气象特征用于表征所述目标电线的架设位置在所述预测时间的环境;所述第一神经网络模型的训练过程为:获取样本数据;所述样本数据包括目标区域在历史时段的天气数据;所述目标区域为所述目标电线所属区域和/或与所述目标电线所属区域气候特点相同的区域;获取所述样本数据对应的杆塔气象数据;所述杆塔气象数据用于表征所述样本数据对应的区域内架设的杆塔在所述样本数据对应的历史时段的气象数据;根据所述样本数据中包括的数据以及所述样本数据对应的网格,生成格点化后的矩阵数据,以所述格点化后的矩阵数据为初始的第一神经网络模型的输入,以所述初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以所述样本数据对应的杆塔气象数据为所述初始的第三神经网络模型的输出,进行模型训练获得所述第一神经网络模型;其中,所述杆塔气象数据是根据各所述杆塔气象数据对应的杆塔的经纬度数据,对所述杆塔气象数据进行格点化处理,将离散的所述杆塔气象数据规整到对应的网格点上获得的;所述第一神经网络模型用于对所述样本数据进行特征提取,所述第三神经网络模型用于实现所述样本数据到所述杆塔气象数据的映射;
将所述气象特征输入第二神经网络模型,获得所述目标电线在所述预测时间的覆冰数据;所述覆冰数据用于表征所述目标电线在所述预测时间的覆冰情况;
所述第二神经网络模型的训练过程包括:获取所述样本数据对应的历史覆冰数据;以所述样本数据为所述第一神经网络模型的输入,以所述第一神经网络模型的输出为初始的第二神经网络模型的输入,以所述历史覆冰数据为所述初始的第二神经网络模型的输出,进行模型训练获得所述第二神经网络模型;所述第二神经网络模型用于实现所述样本数据到所述历史覆冰数据的映射。
2.根据权利要求1所述的方法,其特征在于,所述目标区域在历史时段的天气数据包括:地表温度、地表经向风速、地表纬向风速、距离地表预设高度的空气温度、距离地表预设高度的空气露点温度、地表气压、连续预设时间内累计降水和连续预设时间内累计降雪中的至少一项。
3.根据权利要求1所述的方法,其特征在于,所述获取样本数据,还包括:
针对所述目标区域对应的各所述样本数据,确定各所述样本数据对应的子区域;所述各所述样本数据对应的子区域为所述样本数据的采集区域;
判断各所述样本数据对应的子区域是否包括杆塔;
若所述样本数据对应的子区域中不包括杆塔,则对所述样本数据进行过滤处理,滤除不包括杆塔的子区域对应的样本数据。
4.根据权利要求1所述的方法,其特征在于,所述获取所述样本数据对应的杆塔气象数据,包括:
基于各所述样本数据对应的区域范围,获取所述区域范围内包括的多个杆塔对应的多个杆塔气象数据;
对所述多个杆塔气象数据进行目标数据处理,获得目标杆塔气象数据,所述目标数据处理包括取均值处理、取中值处理以及取众数处理中的任一项;
将所述目标杆塔气象数据作为与所述样本数据对应的杆塔气象数据。
5.根据权利要求1所述的方法,其特征在于,所述获取所述样本数据对应的历史覆冰数据,包括:
根据所述样本数据对应的所述目标区域,获取所述目标区域内的候选历史覆冰数据;
根据所述样本数据对应的历史时段,从所述候选历史覆冰数据中获取与所述历史时段对应的目标历史覆冰数据;
将所述目标历史覆冰数据作为与所述样本数据对应的历史覆冰数据。
6.根据权利要求1-5任一项所述的方法,其特征在于,所述第一神经网络模型为深度神经网络、卷积神经网络、循环神经网络中的任一种。
7.根据权利要求1-5任一项所述的方法,其特征在于,所述第二神经网络模型为深度神经网络、卷积神经网络、循环神经网络中的任一种。
8.一种覆冰情况预测装置,其特征在于,所述装置包括:
第一获取模块,用于获取目标电线所属区域在预测时间的天气数据,将所述天气数据输入第一神经网络模型获得所述目标电线在所述预测时间的气象特征;所述气象特征用于表征所述目标电线的架设位置在所述预测时间的环境;所述第一神经网络模型的训练过程为:获取样本数据;所述样本数据包括目标区域在历史时段的天气数据;所述目标区域为所述目标电线所属区域和/或与所述目标电线所属区域气候特点相同的区域;获取所述样本数据对应的杆塔气象数据;所述杆塔气象数据用于表征所述样本数据对应的区域内架设的杆塔在所述样本数据对应的历史时段的气象数据;根据所述样本数据中包括的数据以及所述样本数据对应的网格,生成格点化后的矩阵数据,以所述格点化后的矩阵数据为初始的第一神经网络模型的输入,以所述初始的第一神经网络模型的输出为初始的第三神经网络模型的输入,以所述样本数据对应的杆塔气象数据为所述初始的第三神经网络模型的输出,进行模型训练获得所述第一神经网络模型;其中,所述杆塔气象数据是根据各所述杆塔气象数据对应的杆塔的经纬度数据,对所述杆塔气象数据进行格点化处理,将离散的所述杆塔气象数据规整到对应的网格点上获得的;所述第一神经网络模型用于对所述样本数据进行特征提取,所述第三神经网络模型用于实现所述样本数据到所述杆塔气象数据的映射;
获得模块,用于将所述气象特征输入第二神经网络模型,获得所述目标电线在所述预测时间的覆冰数据;所述覆冰数据用于表征所述目标电线在所述预测时间的覆冰情况;所述第二神经网络模型的训练过程包括:获取所述样本数据对应的历史覆冰数据;以所述样本数据为所述第一神经网络模型的输入,以所述第一神经网络模型的输出为初始的第二神经网络模型的输入,以所述历史覆冰数据为所述初始的第二神经网络模型的输出,进行模型训练获得所述第二神经网络模型;所述第二神经网络模型用于实现所述样本数据到所述历史覆冰数据的映射。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110582869.1A CN113222276B (zh) | 2021-05-27 | 2021-05-27 | 覆冰情况预测方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110582869.1A CN113222276B (zh) | 2021-05-27 | 2021-05-27 | 覆冰情况预测方法、装置、计算机设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113222276A CN113222276A (zh) | 2021-08-06 |
CN113222276B true CN113222276B (zh) | 2023-09-26 |
Family
ID=77099608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110582869.1A Active CN113222276B (zh) | 2021-05-27 | 2021-05-27 | 覆冰情况预测方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113222276B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114049576A (zh) * | 2021-11-16 | 2022-02-15 | 南方电网数字电网研究院有限公司 | 电力物联网的输电线路覆冰监测方法、装置、系统和设备 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
CN105574616A (zh) * | 2015-12-16 | 2016-05-11 | 国网山东省电力公司电力科学研究院 | 一种架空输电线路动态容量预测方法 |
CN106033556A (zh) * | 2015-03-16 | 2016-10-19 | 国家电网公司 | 一种电网微气象灾害监测预警系统及其预警方法 |
CN108734342A (zh) * | 2018-04-28 | 2018-11-02 | 山东大学 | 区域天气预报用于地区电网架空线路热定值概率预测方法 |
-
2021
- 2021-05-27 CN CN202110582869.1A patent/CN113222276B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102938021A (zh) * | 2012-11-02 | 2013-02-20 | 云南大学 | 一种输电线路覆冰负荷定量估计及预测方法 |
CN106033556A (zh) * | 2015-03-16 | 2016-10-19 | 国家电网公司 | 一种电网微气象灾害监测预警系统及其预警方法 |
CN105574616A (zh) * | 2015-12-16 | 2016-05-11 | 国网山东省电力公司电力科学研究院 | 一种架空输电线路动态容量预测方法 |
CN108734342A (zh) * | 2018-04-28 | 2018-11-02 | 山东大学 | 区域天气预报用于地区电网架空线路热定值概率预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113222276A (zh) | 2021-08-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112285807B (zh) | 一种气象信息预测方法及装置 | |
CN111033318A (zh) | 当地气象预测 | |
CN114330935B (zh) | 基于多种结合策略集成学习的新能源功率预测方法和系统 | |
CN112363251A (zh) | 天气预测模型的生成方法、天气预测方法、装置 | |
JP2018531458A (ja) | ガソリンスタンドpoiの自動発見方法、自動発見装置、及び記憶媒体と機器 | |
JP2018531458A6 (ja) | ガソリンスタンドpoiの自動発見方法、自動発見装置、及び記憶媒体と機器 | |
CN114493052B (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
JP2020166622A (ja) | 発電量予測装置、発電量予測方法、およびプログラム | |
WO2022039675A1 (en) | Method and apparatus for forecasting weather, electronic device and storage medium thereof | |
CN113222276B (zh) | 覆冰情况预测方法、装置、计算机设备和存储介质 | |
CN113642263A (zh) | 基于北斗网格的空气质量预警方法和装置 | |
CN116021981A (zh) | 配电网线路覆冰故障预测方法、装置、设备及存储介质 | |
CN115079307A (zh) | 一种基于多模式最优集成的风电场气象预报方法和系统 | |
CN116151600B (zh) | 共享车辆的维护方法、装置、计算机设备和存储介质 | |
CN114418243B (zh) | 分布式新能源云端网格预测方法与系统 | |
CN115047544B (zh) | 一种覆冰预警方法及系统 | |
CN113011637A (zh) | 空气质量的预测方法、装置、设备及存储介质 | |
CN112162336A (zh) | 基于二维气象要素场的能见度预测方法和装置 | |
CN116449456B (zh) | 阵风预报输出方法、装置、计算机设备和存储介质 | |
US11754750B1 (en) | Method and system for short to long-term flood forecasting | |
CN117390590B (zh) | 一种基于cim模型的数据管理方法及系统 | |
CN116881624B (zh) | 复合型极端事件预报方法、装置、计算机设备和存储介质 | |
CN117291554B (zh) | 一种电力行业的云网协同运营方法与系统 | |
CN116167509B (zh) | 气温预测方法、装置、存储介质及电子设备 | |
CN117251520B (zh) | 生物多样性关键区域识别方法、装置和电子设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |