CN113255239B - 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 - Google Patents
用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 Download PDFInfo
- Publication number
- CN113255239B CN113255239B CN202110783068.1A CN202110783068A CN113255239B CN 113255239 B CN113255239 B CN 113255239B CN 202110783068 A CN202110783068 A CN 202110783068A CN 113255239 B CN113255239 B CN 113255239B
- Authority
- CN
- China
- Prior art keywords
- meteorological
- deep learning
- data
- feature
- tower
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
一种用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,包括:1、提取单个杆塔周围一定地理范围的六种局部、三种全局历史气象要素和三种地形要素信息;2、通过降维深度可分离模块,对各个要素特征进行归一化,并且实现对地形要素特征的提取;3、将多个历史时间点的局部和全局气象要素特征分别输入LSTM网络中,实现气象要素特征提取;4、地形要素特征与气象要素特征进行特征融合,并将融合后的特征输入主干分类网络;5、将历史覆冰厚度数据分20等级作为网络标签;6、计算模型损失,训练模型,优化模型参数。本发明充分考虑了杆塔上覆冰厚度的时间与空间影响因素,可以有效的从历史气象数据与地形数据中预测下一个时间点的覆冰厚度。
Description
技术领域
本发明涉及人工智能技术的相关应用领域,具体涉及一种用于预测超高压输电线路杆塔覆冰厚度的基于数字图像的深度学习方法。
背景技术
超高压输电线路杆塔覆冰是一种气象灾害,它是指空气中的过冷水滴所形成的雨凇、雾凇凝结附在零摄氏度左右或者以下的输电线路以及杆塔上,使得电线受力不均,严重时会导致断线甚至存在杆塔倒塌的风险。
经典的覆冰预测模型是在微观层面,将覆冰的厚度同各类气象信息要素结合起来,并运用热力学、流体力学等方面的理论知识建立起物理守恒方程,从而进行覆冰的预测。在覆冰研究早期,由于对覆冰成因的认识不够全面,研究者通常是根据试验观测结果提出的经验模型,如Lenhard R W.提出假设覆冰增长仅与降水量呈线性关系的Lenhard模型;Imai I.提出覆冰质量的变化率与气温相反数呈正比的Imai模型以及McComber P.提出假定结冰厚度随时间呈指数式增长的McComber雾凇模型等。但以上模型或多或少会忽略一些气象要素条件,以至于不能准确反映覆冰发生时电路沿线复杂的气象状况对线路的影响。
后来研究者们根据大气液态水和导线覆冰的质量守恒建立方程,提出一系列干增长数值模型。如Chaîné P M.综合考虑了气温、降水、风速、大气湿度等因素影响,提出了Chaine模型;Goodwin III E J.提出了能够达到较高的准确性的Goodwin模型以及Jones KF.提出的一种计算最大可能标准冰厚的Jones简单模型。但在这一系列模型中通常没有明确提出碰撞率的概念,难以反映复杂的覆冰物理过程。此外,以上模型均未考虑到输电线路杆塔的周围环境(如地形地貌)以及时间演化等其他客观因素对覆冰结果的影响。
相比于根据物理规律建立的覆冰数值预测模型,近年发展起来的统计预测模型绕过具体的物理过程,通过对实际气象观测资料和覆冰资料进行统计分析,提出了从数据关联性出发建立由气象因子到覆冰厚度的定量映射关系。早期的统计预测模型所使用的是多元回归方法,但是电线覆冰本质上是复杂的非线性过程,因此利用线性拟合的手段难以对覆冰重量进行精确拟合。后来神经网络和支持向量机等非线性模型被广泛应用于构建覆冰预测模型。如殷水清等利用三层BP神经网络对全国范围内48年电线结冰观测数据和相关气象要素数据进行分析,达到了81.3%的准确度,但对于极端高值低估明显;戴栋等在其基于SVM的覆冰回归模型中,对贵州电网的3个覆冰过程进行了短期预报模拟,结果显示该模型在1h内的滚动预测效果较好,而更长时间的预测效果较差。
此外,传统BP神经网络常常存在着诸如收敛速度慢、易陷于局部极小值和过拟合等方面的缺陷,当学习的样本量较小或数据质量较差时,相比简单模型并不占优势。利用粒子群算法调参以及利用KNN算法预先提取临近样本的模型虽然取得了比传统SVM更优的预测效果,但目前的统计模型都只采用了少数几个基于地理位置坐标点的观测数据进行训练和检验,而对于输电线路杆塔周边范围性的地理条件和气象要素对覆冰的影响未完全体现。
发明内容
本发明针对现有技术中的不足,提供一种基于多气象要素之间时间、空间之间的关联性预测超高压输电线路杆塔覆冰厚度的深度学习方法。
为实现上述目的,本发明采用以下技术方案:
用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于,建立了用于预测覆冰厚度的深度学习网络模型,所述深度学习网络模型包括降维深度可分离模块、特征提取模型和主干分类网络;深度学习网络模型的建立包括如下步骤:
步骤1:提取待测杆塔周围一定地理范围内网格中心点的六个局部气象要素的数据、三个全局气象要素的数据以及该杆塔周围的三种地形要素数据,六个局部气象要素包括温度、湿度、降雨、风速、风向、气压,三个全局气象要素包括南亚高压强度、杆塔与高压中心的距离以及该距离连线与赤道所形成的角度(极坐标角度),三种地形要素数据包括海拔、坡度、坡向;将六个局部气象要素和三个全局气象要素在多个时间点的数据整合成气象要素信息,将三种地形要素数据整合成地形要素信息;
步骤2:将气象要素信息和地形要素信息输入降维深度可分离模块,所述降维深度可分离模块包括归一化模块和深度可分离卷积块,气象要素信息和地形要素信息首先分别经过归一化模块进行归一化处理,然后通过深度可分离卷积块进行深度可分离卷积,对输入的气象要素信息和地形要素信息分别进行特征提取,得到气象要素特征和地形要素特征;
步骤3:将步骤2提取的气象要素特征按时序输入特征提取模型中,所述特征提取模型采用长短时记忆网络,实现融合的气象要素特征的提取;
步骤4:将步骤2提取的地形要素特征和步骤3提取的气象要素特征进行特征融合,并将融合特征输入主干分类网络;
步骤5:将当前时刻的单个杆塔覆冰厚度由低到高划分等级,将划分的覆冰厚度等级作为数据集标签,将步骤1提取的气象要素信息和地形要素信息作为数据集输入特征,搭建数据集;
步骤6:根据步骤5搭建的数据集,计算深度学习网络模型的模型损失,训练深度学习网络模型,优化深度学习网络模型的参数。
为优化上述技术方案,采取的具体措施还包括:
进一步地,所述步骤1中,在待测杆塔周围597km×597km范围内,以3km×3km为一个基本格点形成199×199的网格,提取网格中心点处六个局部气象要素的数据;
在当前t时刻、t-1h时刻至t-9h时刻共10个时间点处,h表示时间间隔,提取六个局部气象要素的数据、三个全局气象要素的数据以及地形要素信息数据,将六个局部气象要素和三个全局气象要素在10个时间点的数据整合成10个维度为(9,199,199)的气象要素信息,并且将三种地形要素数据整合成1个维度为(3,199,199)的地形要素信息。
进一步地,所述步骤2中,归一化模块对输入的气象要素信息和地形要素信息进行数据归一化,使得每种要素的值都处于0-255之间,数据归一化公式为:
式中,Y max = 255代表目标数值区间最大数值;Y min = 0代表目标数值区间最小数值;X max 为当前要素中结合实际情况所设置的数值的最大值;X min 为当前要素中结合实际情况所设置的数值的最小值;X C 为归一化模块输入的特征单元值。
进一步地,所述步骤2中,深度可分离卷积块中Depthwise卷积核尺寸为3×3,Pointwise卷积核尺寸为1×1×被卷积特征的深度。
进一步地,所述步骤3中,将由步骤2得到的10个维度为(9,199,199)的气象要素特征按时序输入长短时记忆网络中,长短时记忆网络最后一个模型块的状态信息作为气象要素特征的融合特征。
进一步地,所述步骤4中,将步骤2中提取的维度为(3,199,199)的地形要素特征和步骤3提取的维度为(9,199,199)的气象要素特征通过concat方式进行特征融合,融合后的特征维度为(12,199,199),并将融合特征输入主干分类网络。
进一步地,所述主干分类网络由5个卷积层、4个最大池化层与2个全连接层组成:第一个卷积层卷积核尺寸为3×3,数量为512,池化层滤波器的尺寸为2×2,步长为2;第二个卷积层卷积核尺寸为3×3,数量为256,池化层滤波器的尺寸为2×2,步长为2;第三个卷积层卷积核尺寸为3×3,数量为256,池化层滤波器的尺寸为2×2,步长为2;第四个卷积核尺寸为3×3,数量为64,池化层滤波器的尺寸为2×2,步长为2;第五个卷积核的尺寸为3×3,数量为32,此时卷积层输出的特征尺度为(12,12,32),将该特征铺平成一个维度为1×1×4068的神经元,将该神经元输入由2个全连接层组成的2层全连接网络,全连接网络的输出的神经元数量为20。
进一步地,所述步骤5中,将当前t时刻的单个杆塔覆冰厚度由低到高划分为0~5、5~10、10~15、15~20、20~25、25~30、30~35、35~40、40~45、45~50、50~55、55~60、60~65、65~70、70~75、75~80、80~85、85~90、90~95、95~100共20个等级,单位为毫米,每个等级分别代表不同程度的覆冰并将其作为深度学习网络模型的输出分类。
本发明的有益效果是:本发明建立了局部气象要素、全局气象要素、周边地理信息以及时间变化等因子到覆冰厚度的定量映射关系,能够综合考虑超高压输电线路杆塔周边复杂多变的场景以及全局性气象要素所带来的影响,同时有效提高了覆冰预测的准确率。具体体现在以下几个方面:
1、在数据的选取方面,本发明不仅考虑了待测杆塔所处的精确地理位置,还考虑了待测杆塔周围597km×597km范围内的气象要素及地理要素,并以3km×3km为一个基本格点,以待测杆塔为中心划分出了199×199的网格。此方式不仅能够充分考虑到待测杆塔周边环境的气象及地理要素对覆冰产生的影响,并且将各要素数据进行网格化,节省了存储单元和计算时间,且减少了参数量;
2、在要素特征选取方面,本发明不仅选取了以杆塔周围597km×597km范围内的六大局部气象要素及地理要素,而且结合待测杆塔所在的地理位置,在二维地图平面上以待测杆塔所在地理坐标为极点,以与赤道平行的射线作为极轴,杆塔与南亚高压中心的距离作为极径,将南亚高压强度、极径与极轴所形成角度、以及杆塔与南亚高压中心的距离三个要素作为全局性气象要素。根据研究,南亚高压的东西振荡导致我国各地晴雨天气也随之变化,因此南亚高压与中国天气气候的分布有密切关系,并严重影响着空气中液态水的含量。据此,本发明从全局角度将南亚高压这一重要因素考虑在内,并将该全局要素信息与待测杆塔的局部气象信息和地理要素信息进行了有机结合;
3、在特征融合方面,本发明首先使用了数据归一化操作用于提升模型的收敛速度并防止模型梯度爆炸,对于不同的影响覆冰的要素之间的特征在数值上有一定比较性,可以较大程度提高模型的准确性。其次,本发明所提到的特征融合是聚集整合各个影响覆冰要素,利用不同要素特征的数据信息,共同作为网络模型的输入。此外,本发明所提出的降维深度可分离操作在数据降维的同时,降低了模型的参数量和计算量;
4、在输出类型选取方面,本发明将覆冰的厚度映射到给定的类别中,即将当前时刻t的单个杆塔覆冰厚度由低到高划覆冰厚度分为0~5、5~10、10~15、15~20、20~25、25~30、30~35、35~40、40~45、45~50、50~55、55~60、60~65、65~70、70~75、75~80、80~85、85~90、90~95、95~100共20个等级,单位为毫米,每个等级分别代表不同程度的覆冰并将其作为深度学习网络模型的输出分类,并作为网络的输出结果。即把回归问题转换成了分类问题,一方面提升了模型的准确度,另一方面避免了不必要的复杂的回归计算。
附图说明
图1是本发明的用于预测超高压输电线路杆塔覆冰的深度学习方法流程图。
图2是本发明数据采集示意图。
图3是本发明进行杆塔覆冰预测的实施流程图。
图4是DRDS处理模块的示意图。
图5a-5d分别是贵州省六盘水市、曲靖市、毕节市、盘州市的杆塔覆冰厚度预测结果图。
具体实施方式
现在结合附图对本发明作进一步详细的说明。
如图1所示的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,首先对温度、湿度、降雨、风速、风向、气压六个局部气象要素和南亚高压强度、杆塔与高压中心的距离以及该距离连线与赤道所形成角度三个全局气象要素在包括当前时刻之前10小时时间内每单位小时的历史气象数据进行归一化与特征提取,随后将10个时刻提取后的特征依次输入LSTM网络进行特征学习,将LSTM学习的特征与海拔、坡度、坡向三种地形特征进行特征融合并输入5层卷积网络进行特征提取,最后将学习后的特征输入全连接网络输出最终分类结果。具体实施方法如下:
一、构建局部气象要素、全局气象要素与地形要素特征。
提取待测杆塔周围一定地理范围网格中心点的包括温度、湿度、降雨、风速、风向、气压六个局部气象要素以及全球范围内南亚高压强度、杆塔与高压中心的距离以及该距离连线与赤道所形成角度三个全局气象要素的历史数据以及该杆塔周围海拔、坡度、坡向三种地形要素数据。具体如下:
如图2所示,以单个杆塔所在经纬度为中心,向东西南北四个方向分别扩展198.5km形成597km×597m的矩形地理范围,并将此范围分割为以3km×3km为一个基本格点形成199×199的网格点。将每一个格点中心作为数据点,获取这些这些数据点的历史气象数据与地形数据。此外,根据近年来全国地面站点的降水观测资料,南亚高压强度异常与我国西南地区的降水密切相关。南亚高压的东西振荡导致我国各地晴雨天气也随之变化,因此南亚高压与中国天气气候的分布有密切关系,并严重影响着空气中液态水的含量。结合杆塔所在的地理位置,在二维地图平面上以杆塔所在坐标为极点,以与赤道平行的射线作为极轴,杆塔与南亚高压中心的距离作为极径,将南亚高压强度、极径与极轴所形成角度、以及杆塔与南亚高压中心的距离三个要素作为全局性气象要素。对于局部气象要素以及全局气象要素,均以一个小时为单位,设当前时刻为t时刻,获取网格中心点处温度、湿度、降雨、风速、风向、气压在t至t-9共10个时刻的局部气象要素数据,以及杆塔所受影响的南亚高压强度、杆塔与高压中心的距离、该距离连线与赤道所形成角度三个全局气象要素在t至t-9共10个时刻的全局气象要素数据,分别将前10个时间点的九种局部以及全局气象要素数据逐层叠加形成10个时间点的9×199×199的三维数据。对于地形数据,获取网格中心点处海拔、坡度、坡向三种地形要素数据,将海拔,坡度,坡向数据逐层叠加成3×199×199的三维数据。
通过上述操作,不仅引入了杆塔周边局部气象要素,杆塔周边地理要素还考虑到了全球范围的全局气象要素对覆冰的影响。此外,使用数据网格化节省了存储单元和计算时间,减少了参数量。
二、网络构建。
考虑覆冰结果受到气象要素和地理要素的共同作用,其中气象要素明显地受时间影响而呈现出周期性变化,本深度学习方法的训练过程分为两个分支,分别为气象要素网络分支以及地理要素网络分支。气象要素网络分支由温度、湿度、降雨、风速、风向、气压六层局部气象数值矩阵以及南亚高压强度、杆塔距高压中心点距离、极坐标角度三层全局气象数值矩阵在t至t-9时刻分别生成并规范化后得到的10个时间点的维度为(9,199,199)的特征作为气象要素网络分支的输入;地理要素网络分支由海拔、坡度、坡向三层数值矩阵组合成的维度为(3,199,199)的特征作为地理要素网络分支的输入。具体如下:
1、将前10个时间点的时间关联信息与三个地形要素信息分别输入DRDS(降维深度可分离,Dimension reduction depth separable)模块,DRDS模块含有两个子功能块,两个子模块的功能分别是归一化和深度可分离卷积。九个气象要素和三个地形要素分别输入DRDS模块,首先分别进行归一化模块进行归一化,然后分别进行深度可分离卷积。深度可分离卷积的作用是对输入的要素进行特征提取,相比常规的卷积操作,其参数数量和运算成本比较低。
归一化模块对要素值进行数据归一化,使得每种要素的值都处于0-255之间,将温度、湿度、降雨、风速、风向、气压、南亚高压强度、杆塔距高压中心点距离、极坐标角度前10个时间点的维度为(9,199,199)的三维数组与将海拔、坡度、坡向的维度为(3,199,199)三维数组分别输入DRDS模块实现数据归一化。所用到的数据归一化公式为:
其中:
Y max = 255代表目标数值区间最大数值;
Y min = 0代表目标数值区间最小数值;
X max 为当前要素中结合实际情况所设置的数值的最大值;
X min 为当前要素中结合实际情况所设置的数值的最小值;
X C 为归一化模块输入的特征单元值。
本步骤使用的数据归一化操作可用于提升模型的收敛速度并防止模型梯度爆炸,对于不同的影响覆冰的要素之间的特征在数值上有一定比较性,可以较大程度提高模型的准确性。
2、根据数据归一化后的温度、湿度、降雨、风速、风向、气压、南亚高压强度、杆塔距高压中心点距离、极坐标角度前10个时间点的维度为(9,199,199)的三维数组与海拔、坡度、坡向的维度为(3,199,199)的三维数组分别输入深度可分离卷积块,深度可分离卷积块中,Depthwise Convolution(深度卷积)卷积核size(尺寸)为3×3,温度、湿度、降雨、风速、风向、气压、南亚高压强度、杆塔距高压中心点距离、极坐标角度组合的特征对应的卷积核depth(深度)为9,海拔、坡度、坡向组合的特征对应的卷积核depth为3,特征经过该卷积层输出特征尺度不变,随后将特征经过3个1×1×6的Pointwise Convolution(逐点卷积)实现特征融合。特征融合的目的是聚集整合各个影响覆冰要素,利用不同要素特征的数据信息,共同作为网络模型的输入。此外,DRDS操作在数据降维的同时,降低了模型的参数量和计算量。
3、获取单个杆塔六大局部气象要素以及三大全局气象要素从当前时刻t至t-9h时刻维度为(9,199,199)的特征f0~f9以及三大地形要素维度为(3,199,199)的特征。如图3所示,将f0~f9分别作为LSTM(长短时记忆网络)的10个时间状态,依次输入LSTM,获得LSTM最后一个模型的状态信息h9,该特征维度为(6,199,199)。本步骤使用LSTM作为训练气象数据的网络模型,目的是更好地处理与时间序列高度相关的数据,即局部和全局气象要素数据。
4、融合气象特征与地形特征。将LSTM模型输出h9与海拔、坡度、坡向经过DRDS模块输出的三维特征进行concat(两个及以上的特征要素在通道数或维度上进行拼接),h9的特征维度为(9,199,199),地形要素特征经过DRDS转化后的特征维度(3,199,199),concat后的特征维度为(12,199,199)。
5、将融合特征输入主干分类网络。该主干分类网络有5个卷积层4个最大池化层与2个全连接层,第一个卷积层卷积核size为3×3,数量为512,池化层filter(滤波器)的size为2×2,stride(步长)为2。第二个卷积层卷积核size为3×3,数量为256,池化层filter的size为2×2,stride为2。第三个卷积层卷积核size为3×3,数量为256,池化层filter的size为2×2,stride为2。第四个卷积核size为3×3,数量为64,池化层filter的size为2×2,stride为2。第五个卷积核的size为3×3,数量为32。此时卷积层输出的特征尺度为(12,12,32),将该特征经过Flatten(铺平)成一个维度为1×1×4068的神经元,将该神经元输入2层全连接网络,全连接网络的输出的神经元数量为20。
三、划分覆冰分类标签,搭建数据集。
将当前时刻t的单个杆塔覆冰厚度由低到高划覆冰厚度分为0~5、5~10、10~15、15~20、20~25、25~30、30~35、35~40、40~45、45~50、50~55、55~60、60~65、65~70、70~75、75~80、80~85、85~90、90~95、95~100共20个等级,单位为毫米,每个等级分别代表不同程度的覆冰并将其作为深度学习网络模型的输出分类,即以每种等级所在的最大覆冰厚度作为该等级的类标号,即共有20种网络输出结果类别。将第一步处理前10个时刻的9个气象要素特征与3个地形要素特征作为数据集输入特征,并将第10个时刻的实际覆冰厚度等级作为数据集标签,并以此搭建数据集。
本步骤将覆冰的厚度映射到给定的类别中,并作为网络的输出结果,即把回归问题转换成了分类问题,一方面提升了模型的准确度,另一方面避免了不必要的复杂的回归计算。
四、计算模型损失,训练模型,优化模型参数。
本发明所提出的一种基于多气象要素之间时间、空间之间的关联性预测超高压输电线路杆塔覆冰厚度的深度学习方法,使得预测效果最佳的局部以及全局气象数据所涉及时间范围为北半球冬季,以12月、1月、2月为主,使得预测效果最佳的杆塔地理数据涉及地理范围为我国西南部地区如云贵高原、青藏高原等受南亚高压上升气流影响较大的地域。
本发明所展示的实验结果所依赖的数据为2021年1月6日15时至1月9日23时我国云贵高原地区的六盘水市、曲靖市、毕节市、盘州市四座超高压输电线路杆塔及其周围597km×597km范围内以3km×3km为一个基本格点所形成的199×199网格,并取各个网格中心点处包括温度、湿度、降雨、风速、风向、气压六种局部气象要素以及各个时刻南亚高压强度、杆塔距高压中心点距离、极坐标角度三种全局气象要素的逐小时数据作为本发明所提出的超高压输电线路杆塔覆冰厚度的深度学习方法的气象要素输入数据;同理,将四座超高压输电线路杆塔周围199×199的网格中心点处包括海拔、坡度、坡向三种地理要素其作为本发明所提出的超高压输电线路杆塔覆冰厚度的深度学习方法的地理要素输入数据,并输出2021年1月7日0时至1月10日0时72小时逐小时预测结果,预测结果如图5a-5d所示。
为展示本发明的有益效果,本发明方法同多个具有输电线路设备覆冰厚度预测功能的专利进行多次试验对比,对比结果以覆冰厚度的理论值与实际值的均方差表示。与本发明进行准确度对比的相关专利公开号如下:方法1、2、3分别对应的专利公开号为CN109492823A、CN107389014A、CN104361414A。其对比效果如下表所示:
表1 各方法的预测效果对比
需要注意的是,发明中所引用的如“上”、“下”、“左”、“右”、“前”、“后”等的用语,亦仅为便于叙述的明了,而非用以限定本发明可实施的范围,其相对关系的改变或调整,在无实质变更技术内容下,当亦视为本发明可实施的范畴。
以上仅是本发明的优选实施方式,本发明的保护范围并不仅局限于上述实施例,凡属于本发明思路下的技术方案均属于本发明的保护范围。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前提下的若干改进和润饰,应视为本发明的保护范围。
Claims (8)
1.用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于,建立了用于预测覆冰厚度的深度学习网络模型,所述深度学习网络模型包括降维深度可分离模块、特征提取模型和主干分类网络;深度学习网络模型的建立包括如下步骤:
步骤1:提取待测杆塔周围一定地理范围内网格中心点的六个局部气象要素的数据、三个全局气象要素的数据以及该杆塔周围的三种地形要素数据,六个局部气象要素包括温度、湿度、降雨、风速、风向、气压,三个全局气象要素包括南亚高压强度、杆塔与高压中心的距离以及该距离连线与赤道所形成的角度,三种地形要素数据包括海拔、坡度、坡向;将六个局部气象要素和三个全局气象要素在多个时间点的数据整合成气象要素信息,将三种地形要素数据整合成地形要素信息;
步骤2:将气象要素信息和地形要素信息输入降维深度可分离模块,所述降维深度可分离模块包括归一化模块和深度可分离卷积块,气象要素信息和地形要素信息首先分别经过归一化模块进行归一化处理,然后通过深度可分离卷积块进行深度可分离卷积,对输入的气象要素信息和地形要素信息分别进行特征提取,得到气象要素特征和地形要素特征;
步骤3:将步骤2提取的气象要素特征按时序输入特征提取模型中,所述特征提取模型采用长短时记忆网络,实现融合的气象要素特征的提取;
步骤4:将步骤2提取的地形要素特征和步骤3提取的气象要素特征进行特征融合,并将融合特征输入主干分类网络;
步骤5:将当前时刻的单个杆塔覆冰厚度由低到高划分等级,将划分的覆冰厚度等级作为数据集标签,将步骤1提取的气象要素信息和地形要素信息作为数据集输入特征,搭建数据集;
步骤6:根据步骤5搭建的数据集,计算深度学习网络模型的模型损失,训练深度学习网络模型,优化深度学习网络模型的参数。
2.如权利要求1所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于:所述步骤1中,在待测杆塔周围597km×597km范围内,以3km×3km为一个基本格点形成199×199的网格,提取网格中心点处六个局部气象要素的数据;
在当前t时刻、t-1h时刻至t-9h时刻共10个时间点处,h表示时间间隔,提取六个局部气象要素的数据、三个全局气象要素的数据以及地形要素信息数据,将六个局部气象要素和三个全局气象要素在10个时间点的数据整合成10个维度为(9,199,199)的气象要素信息,并且将三种地形要素数据整合成1个维度为(3,199,199)的地形要素信息。
4.如权利要求1所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于:所述步骤2中,深度可分离卷积块中Depthwise卷积核尺寸为3×3,Pointwise卷积核尺寸为1×1×被卷积特征的深度。
5.如权利要求2所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于:所述步骤3中,将由步骤2得到的10个维度为(9,199,199)的气象要素特征按时序输入长短时记忆网络中,长短时记忆网络最后一个模型块的状态信息作为气象要素特征的融合特征。
6.如权利要求5所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于:所述步骤4中,将步骤2中提取的维度为(3,199,199)的地形要素特征和步骤3提取的维度为(9,199,199)的气象要素特征通过concat方式进行特征融合,融合后的特征维度为(12,199,199),并将融合特征输入主干分类网络。
7.如权利要求6所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于:所述主干分类网络由5个卷积层、4个最大池化层与2个全连接层组成:第一个卷积层卷积核尺寸为3×3,数量为512,池化层滤波器的尺寸为2×2,步长为2;第二个卷积层卷积核尺寸为3×3,数量为256,池化层滤波器的尺寸为2×2,步长为2;第三个卷积层卷积核尺寸为3×3,数量为256,池化层滤波器的尺寸为2×2,步长为2;第四个卷积核尺寸为3×3,数量为64,池化层滤波器的尺寸为2×2,步长为2;第五个卷积核的尺寸为3×3,数量为32,此时卷积层输出的特征尺度为(12,12,32),将该特征铺平成一个维度为1×1×4068的神经元,将该神经元输入由2个全连接层组成的2层全连接网络,全连接网络的输出的神经元数量为20。
8.如权利要求7所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法,其特征在于:所述步骤5中,将当前t时刻的单个杆塔覆冰厚度由低到高划分为0~5、5~10、10~15、15~20、20~25、25~30、30~35、35~40、40~45、45~50、50~55、55~60、60~65、65~70、70~75、75~80、80~85、85~90、90~95、95~100共20个等级,单位为毫米,每个等级分别代表不同程度的覆冰厚度并将其作为深度学习网络模型的输出分类。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783068.1A CN113255239B (zh) | 2021-07-12 | 2021-07-12 | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110783068.1A CN113255239B (zh) | 2021-07-12 | 2021-07-12 | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255239A CN113255239A (zh) | 2021-08-13 |
CN113255239B true CN113255239B (zh) | 2021-09-28 |
Family
ID=77191061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110783068.1A Active CN113255239B (zh) | 2021-07-12 | 2021-07-12 | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255239B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742179B (zh) * | 2022-06-13 | 2022-09-02 | 南京信息工程大学 | 基于ecmwf的格点预报偏差修正方法 |
CN117408053B (zh) * | 2023-10-18 | 2024-05-07 | 中国空气动力研究与发展中心计算空气动力研究所 | 强对流条件下低温平板干模态结霜特征曲线的建立方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
CN108343566A (zh) * | 2018-03-28 | 2018-07-31 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
US10160550B1 (en) * | 2017-12-21 | 2018-12-25 | United Technologies Corporation | Ice detection and real time ice estimation using innovative sensor data learning approaches |
-
2021
- 2021-07-12 CN CN202110783068.1A patent/CN113255239B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106595551A (zh) * | 2016-12-13 | 2017-04-26 | 武汉大学 | 基于深度学习的输电线路覆冰图像中覆冰厚度检测方法 |
US10160550B1 (en) * | 2017-12-21 | 2018-12-25 | United Technologies Corporation | Ice detection and real time ice estimation using innovative sensor data learning approaches |
CN108343566A (zh) * | 2018-03-28 | 2018-07-31 | 长沙理工大学 | 一种基于风电机组运行状态的叶片覆冰故障在线监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
Fault Location in Distribution System Using Convolutional Neural Network Based on Domain Transformation;Yang Yu等;《CSEE JOURNAL OF POWER AND ENERGY SYSTEMS》;20210531;第7卷(第3期);第472-484页 * |
山区输电塔线体系覆冰断线效应研究;张宇等;《武汉理工大学学报》;20160630;第38卷(第6期);第61-65页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255239A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhou et al. | Forecasting different types of convective weather: A deep learning approach | |
CN109902885B (zh) | 基于深度学习混合cnn-lstm模型的台风预测方法 | |
CN111815038B (zh) | 一种光伏超短期预测方法及系统 | |
CN108227041B (zh) | 基于站点实测数据和模式结果的水平能见度预报方法 | |
CN113255239B (zh) | 用于预测超高压输电线路杆塔覆冰厚度的深度学习方法 | |
Wang et al. | Integrating remotely sensed leaf area index and leaf nitrogen accumulation with RiceGrow model based on particle swarm optimization algorithm for rice grain yield assessment | |
CN109359166B (zh) | 一种空间增长动态模拟与驱动力因子贡献度同步计算方法 | |
EP3794386B1 (en) | Determination of location-specific weather information for agronomic decision support | |
CN103426026A (zh) | 一种混合神经网络预测及识别景区气象要素的方法 | |
CN111428942B (zh) | 基于变网格技术提取微地形因子的线路覆冰厚度预测方法 | |
CN109508476B (zh) | 基于深度网络学习的山火预测建模方法 | |
CN113592132B (zh) | 一种基于数值天气预报和人工智能的降水客观预报方法 | |
CN112215393B (zh) | 基于自适应时空尺度选择的降水数值预报后处理订正方法 | |
CN113343858B (zh) | 路网地理位置识别方法、装置、电子设备及存储介质 | |
CN113420939A (zh) | 云图预报方法、设备及存储介质 | |
CN114493052A (zh) | 多模型融合自适应新能源功率预测方法和系统 | |
CN103020733B (zh) | 一种基于权重的机场单航班噪声预测方法及其系统 | |
CN114511061A (zh) | 基于深度神经网络的岸滨地区海雾能见度预报方法 | |
CN112560633A (zh) | 基于深度学习的植物关键物候期时间点预测方法及系统 | |
CN114943188B (zh) | 基于随机森林模型的积雪深度反演方法及装置 | |
CN116305703A (zh) | 一种面向仿真系统的环境参数空间一致性表征方法 | |
Wang et al. | LLNet: Lightweight network with a channel and spatial attention mechanism for local climate zone classification from Sentinel‐2 image | |
Chengyuan et al. | Regional clustering for ecological geographical parameters based on SOFM model | |
CN116449460B (zh) | 基于卷积UNet和迁移学习的区域月降水预测方法及系统 | |
Zhao et al. | A revised forecast method of ECMWF precipitation based on CNN feature extraction |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20220127 Address after: 224014 room 1601, 16th floor, Yanlong Street innovation center, Yandu District, Yancheng City, Jiangsu Province (d) Patentee after: YANCHENG XINFENG MICROELECTRONICS Co.,Ltd. Address before: 219 ningliu Road, Jiangbei new district, Nanjing City, Jiangsu Province Patentee before: NANJING University OF INFORMATION SCIENCE & TECHNOLOGY |
|
TR01 | Transfer of patent right |