CN113344297B - 一种泥石流灾害的预测方法、系统、终端和存储介质 - Google Patents

一种泥石流灾害的预测方法、系统、终端和存储介质 Download PDF

Info

Publication number
CN113344297B
CN113344297B CN202110742861.7A CN202110742861A CN113344297B CN 113344297 B CN113344297 B CN 113344297B CN 202110742861 A CN202110742861 A CN 202110742861A CN 113344297 B CN113344297 B CN 113344297B
Authority
CN
China
Prior art keywords
data
neural network
debris flow
artificial neural
network model
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
Application number
CN202110742861.7A
Other languages
English (en)
Other versions
CN113344297A (zh
Inventor
王彤
魏瑞增
王磊
饶章权
黄勇
周恩泽
刘淑琴
田翔
许海林
石墨
罗颖婷
鄂盛龙
江俊飞
申原
刘通
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Electric Power Research Institute of Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd, Electric Power Research Institute of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110742861.7A priority Critical patent/CN113344297B/zh
Publication of CN113344297A publication Critical patent/CN113344297A/zh
Application granted granted Critical
Publication of CN113344297B publication Critical patent/CN113344297B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
    • Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
    • Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Development Economics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种泥石流灾害的预测方法及系统，包括：获取目标地区的历史气象数据和杆塔线路数据，并将历史气象数据和杆塔线路数据作为训练数据输入到预设的SVM分类器预报模型，获得第二SVM分类器预报模型；获取目标地区的实时气象数据，并将实时气象数据输入到第二SVM分类器预报模型，判断得出目标地区是否会发生泥石流灾害，若是，进入灾害预测，若否，则结束；将历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；将实时气象数据输入到第二LSTM人工神经网络模型，预测出杆塔的损毁情况，并根据杆塔的损毁情况，制定相应的维护措施。本发明能够提高泥石流灾害预测准确率。

Description

一种泥石流灾害的预测方法、系统、终端和存储介质
技术领域
本发明涉及地质灾害预警技术领域，特别是涉及一种泥石流灾害预测方法、系统、终端和存储介质。
背景技术
近些年我国经济迅速发展，产业结构不断优化，电能在经济增长中起到了至关重要的作用。电能作为经济走势的“风向标”，不仅为各产业进行生产活动提供能源，而且也为居民日常生活提供用电保障。近些年来，工业用电与居民用电需求不断增大，架空输电线路作为电力系统中的重要组成部分，是目前最主要的输电途径形式，为电能的输送起到了不可或缺的作用。电网线路的正常运作关乎众多的用电问题，但由于架空线路长期暴露在外，容易受到自然因素与人为的毁坏，对于架空线路的维护与灾害预警及就显得尤为重要。
泥石流是一种极端自然灾害，常见于山区等地带，其冲击力强、破坏性大，会对该区域电网杆塔造成严重冲击与损害，造成电力中断，影响人们的正常生产生活，因而对泥石流灾害的预警与防治刻不容缓。水是泥石流的重要形成来源，也是泥石流的必要激发条件，我国泥石流灾害的主要原因是由于特大暴雨及长时间的连续降雨，因而对降雨量的提前监测也对灾害预警有着重要的意义。
目前，现阶段常用的灾害预警决策的方法多是采用较为理论的数学模型进行预测分析，并未结合实际监测数据，灾害预警模型大多是比较固定的物理模型，需要过多的人为干预且预警判断形式单一。面对复杂的实际环境，若多个要素共同对杆塔作用，杆塔的受损情况将较为复杂，对于泥石流灾害此类多因素综合产生的复杂现象无法做到相对精确的预测，且难以进行等级判定，对工作人员的运行维护及辅助支持力度较小。
发明内容
本发明的目的是：提供一种泥石流灾害的预测方法、系统、终端和存储介质，能够提高泥石流灾害预测准确率。
为了实现上述目的，本发明提供了一种泥石流灾害预测方法，包括：
S1、获取目标地区的历史气象数据和杆塔线路数据，并将所述历史气象数据和杆塔线路数据作为训练数据输入到预设的SVM分类器预报模型，获得第二SVM分类器预报模型；
S2、获取目标地区的实时气象数据，并将所述实时气象数据输入到所述第二SVM分类器预报模型，判断得出目标地区是否会发生泥石流灾害，若是，进入S3，若否，则结束；
S3、将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；
S4、将所述实时气象数据输入到第二LSTM人工神经网络模型，预测出杆塔的损毁情况，并根据所述杆塔的损毁情况，制定相应的维护措施。
进一步地，所述历史气象数据，包括：降雨量、水位、相对湿度、土壤松散度、地势坡度。
进一步地，所述第二SVM分类器预报模型，采用如下计算公式：
Figure BDA0003141265610000021
Figure BDA0003141265610000022
Figure BDA0003141265610000031
其中，K(xi,xj)为核函数，σ为控制核函数高宽的参数，L为最优化问题函数，xi，xj为输入样本，yi为类别属性值，ξi为松弛变量用来表征样本不满足约束的程度，C为正则化常数，d(x)为判别函数，λi(i＝1,2,…,N)和b为分类界面的参数。
进一步地，所述将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型，包括：
将所述历史气象数据和杆塔线路数据进行预处理，其中所述预处理包括：剔除空值和归一化；
将预处理后的数据分为训练数据集和测试数据集，并将所述训练数据集合测试数据分别输入到预设的LSTM人工神经网络模型，获得第二LSTM人工神经网络模型。
本发明还提供一种泥石流灾害的预测系统，包括：数据获取模块、判断模块、构建模块和预测模块，其中，
所述数据获取模块，用于获取目标地区的历史气象数据和杆塔线路数据，并将所述历史气象数据和杆塔线路数据作为训练数据输入到预设的SVM分类器预报模型，获得第二SVM分类器预报模型；
所述判断模块，用于获取目标地区的实时气象数据，并将所述实时气象数据输入到所述第二SVM分类器预报模型，判断得出目标地区是否会发生泥石流灾害，若是，进入灾害预测阶段，若否，则结束。
所述构建模块，用于将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；
所述预测模块，用于将所述实时气象数据输入到第二LSTM人工神经网络模型，预测出杆塔的损毁情况，并根据所述杆塔的损毁情况，制定相应的维护措施。
进一步地，所述历史气象数据，包括：降雨量、水位、相对湿度、土壤松散度、地势坡度。
进一步地，第二SVM分类器预报模型，采用如下计算公式：
Figure BDA0003141265610000041
Figure BDA0003141265610000042
Figure BDA0003141265610000043
其中，K(xi,xj)为核函数，σ为控制核函数高宽的参数，L为最优化问题函数，xi，xj为输入样本，yi为类别属性值，ξi为松弛变量用来表征样本不满足约束的程度，C为正则化常数，d(x)为判别函数，λi(i＝1,2,…,N)和b为分类界面的参数。
进一步地，所述将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型，包括：
将所述历史气象数据和杆塔线路数据进行预处理，其中所述预处理包括：剔除空值和归一化；
将预处理后的数据分为训练数据集和测试数据集，并将所述训练数据集合测试数据分别输入到预设的LSTM人工神经网络模型，获得第二LSTM人工神经网络模型。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的泥石流灾害的预测方法。
本发明还提供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任一项所述的泥石流灾害的预测方法。
本发明实施例一种泥石流灾害的预测方法、装置、终端设备和计算机可读存储介质与现有技术相比，其有益效果在于：
1、本发明基于SVM分类器与LSTM人工神经网络，以实时监测的降雨量、山坡坡度、土壤含水率、地基抗力等作为预报泥石流发生气象条件的输入特征矢量，采用SVM分类器，通过选择高斯核函数，k折交叉验证进行模型调优，可找到使得模型泛化性能最优的超参值，在模型充分训练后，输入实时数据，判别是否满足泥石流灾害发生条件，以减少多种复杂环境因素对泥石流灾害判定产生的影响。
2、本发明使用LSTM神经网络对灾害发生后短期时间内的杆塔毁损情况进行预测，其中引入多序列预测对结果进行下一步预测，对比完全序列预测，可避免一直使用过去的错误预测，提高预测准确率。最后及时根据预测情况启动预警，通知相关人员根据杆塔损毁程度等级，调动维护措施，以减少泥石流灾害的影响程度与范围。
附图说明
图1是本发明提供的一种泥石流灾害的预测方法的流程示意图；
图2是本发明提供的LSTM模型预测杆塔毁损程度方案的流程示意图；
图3是本发明提供的LSTM模型元胞结构示意图；
图4是本发明提供的一种泥石流灾害的预测系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如图1所示，本发明实施例的一种泥石流灾害预测方法，至少包括如下步骤：
S1、获取目标地区的历史气象数据和杆塔线路数据，并将所述历史气象数据和杆塔线路数据作为训练数据输入到预设的SVM分类器预报模型，获得第二SVM分类器预报模型；
具体地，通过收集监测区域历史上近五年泥石流高发月份的气象数据以及杆塔线路数据，如雨量、蒸发、水位、大断面资料、土壤类型、地形地貌、坡度等作为训练样本集，通过训练获得第二SVM分类器预报模型。
需要说明的是，本发明数据处理及模型构建，具体步骤如下：
本发明所判断的是否会发生泥石流灾害问题为一个二分类问题，设给定n维训练样本x1,x2,…,xN，定义每个样本的类别属性，如：第一类的训练样本xi，定义该类别属性值为yi＝1，第二类的训练样本xj，定义该类别属性值为yj＝-1。设定训练样本集中的每一样本都可以分到自身的所属类别中，即{(x1,y1),(x2,y2),…,(xN,yN)}。
1)输入气象特征矢量：
输入历史气象信息包括降雨量、水位、相对湿度、土壤松散度、地势坡度作为预报泥石流发生气象条件的输入特征矢量。
2)选择核函数：
选取合适的核函数可以将输入矢量映射到高维空间来增加线性学习器的分类性能。本发明选取高斯核函数：
Figure BDA0003141265610000071
其中，σ为控制核函数高宽的参数。
3)构造样本集：
通过k折交叉验证，采用随机的方式对将样本集以0.85：0.15分为两组，即85％作为训练样本集，15％作为测试样本集，训练模型。
历史气象数据所构造的训练样本集，为非线性可分的训练样本集，采用非线性核函数技术，得到相应的最优化问题为：
Figure BDA0003141265610000072
根据公式(2)的解可得到构成分类界面的判别函数：
Figure BDA0003141265610000081
S2、获取目标地区的实时气象数据，并将所述实时气象数据输入到所述第二SVM分类器预报模型，判断得出目标地区是否会发生泥石流灾害，若是，进入S3，若否，则结束；
具体地，通过气象实时数据作为输入矢量，通过SVM分类器判断是否满足泥石流发生条件。若判断会发生泥石流灾害则继续启动风险评估模块进行杆塔受灾程度预测评估。
S3、将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；
具体地，将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；
需要说明的是，本发明的第二LSTM人工神经网络模型，如图2所示，具体构建过程如下：
1)通过调用降雨量历史数据，并与其他信息结合构成时间序列数据集，其中包含4个不同的特征量(降雨量、土壤含水率、地基抗力、杆塔承受力)，对各时间序列进行标准化处理，使其值都有相似的范围，再进行预处理，对每个时间序列减去其平均值，然后除以其标准差；
2)构建输入层、循环层和输出层。利用数据集建立第一层神经网络，输入层包含4个节点用来接收数据；使用Tanh函数作为阀值激活函数，将输入层的数据带入第二层神经网络，定义参数，该层将神经元传递给另一个LSTM层，然后使用线性激活函数来传递一个完全连接的正常层用于下一个时间步的预测，如图3所示；
3)在模型误差回溯调参阶段，利用梯度下降法更新各个权重，对不同参数选取适当的取值范围；
4)将处理好的数据样本分为训练样本集和测试样本集。利用训练样本集完成LSTM神经网络模型的训练，测试样本集用来测试所得模型的准确性，并使用平均绝对误差(MAE)指标来评估该模型；最终带入实际数据，得到杆塔毁损预测结果。
S4、将所述实时气象数据输入到第二LSTM人工神经网络模型，预测出杆塔的损毁情况，并根据所述杆塔的损毁情况，制定相应的维护措施。
具体地，输入实时监测数据(几小时内的数据信息)，以预测数小时之后的泥石流灾害对杆塔的毁损程度。记录各监测终端的数据：选取0.5h、1h、2h、3h、6h的降雨量、山坡坡度、土壤含水率、杆塔承受力与时间节点相对应作为初始数据；通过网络预测的杆塔毁损程度，及时预警相关人员进行维护，减少泥石流灾害的影响程度与范围。
在本发明的某一个实施例中，所述历史气象数据，包括：降雨量、水位、相对湿度、土壤松散度、地势坡度。
在本发明的某一个实施例中，所述第二SVM分类器预报模型，采用如下计算公式：
Figure BDA0003141265610000091
Figure BDA0003141265610000092
Figure BDA0003141265610000093
其中，K(xi,xj）为核函数，σ为控制核函数高宽的参数，L为最优化问题函数，xi，xj为输入样本，yi为类别属性值，ξi为松弛变量用来表征样本不满足约束的程度，C为正则化常数，d(x)为判别函数，λi(i＝1,2,…,N)和b为分类界面的参数。
在本发明的某一个实施例中，所述将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型，包括：
将所述历史气象数据和杆塔线路数据进行预处理，其中所述预处理包括：剔除空值和归一化；
将预处理后的数据分为训练数据集和测试数据集，并将所述训练数据集合测试数据分别输入到预设的LSTM人工神经网络模型，获得第二LSTM人工神经网络模型。
本发明实施例一种泥石流灾害的预测方法与现有技术相比，其有益效果在于：
1、本发明基于SVM分类器与LSTM人工神经网络，以实时监测的降雨量、山坡坡度、土壤含水率、地基抗力等作为预报泥石流发生气象条件的输入特征矢量，采用SVM分类器，通过选择高斯核函数，k折交叉验证进行模型调优，可找到使得模型泛化性能最优的超参值，在模型充分训练后，输入实时数据，判别是否满足泥石流灾害发生条件，以减少多种复杂环境因素对泥石流灾害判定产生的影响。
2、本发明使用LSTM神经网络对灾害发生后短期时间内的杆塔毁损情况进行预测，其中引入多序列预测对结果进行下一步预测，对比完全序列预测，可避免一直使用过去的错误预测，提高预测准确率。最后及时根据预测情况启动预警，通知相关人员根据杆塔损毁程度等级，调动维护措施，以减少泥石流灾害的影响程度与范围。
如图4所示，本发明还提供一种泥石流灾害的预测系统200，包括：数据获取模块201、判断模块202、构建模块203和预测模块204，其中，
所述数据获取模块201，用于获取目标地区的历史气象数据和杆塔线路数据，并将所述历史气象数据和杆塔线路数据作为训练数据输入到预设的SVM分类器预报模型，获得第二SVM分类器预报模型；
所述判断模块202，用于获取目标地区的实时气象数据，并将所述实时气象数据输入到所述第二SVM分类器预报模型，判断得出目标地区是否会发生泥石流灾害，若是，进入灾害预测阶段，若否，则结束。
所述构建模块203，用于将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；
所述预测模块204，用于将所述实时气象数据输入到第二LSTM人工神经网络模型，预测出杆塔的损毁情况，并根据所述杆塔的损毁情况，制定相应的维护措施。
在本发明的某一个实施例中，所述历史气象数据，包括：降雨量、水位、相对湿度、土壤松散度、地势坡度。
在本发明的某一个实施例中，第二SVM分类器预报模型，采用如下计算公式：
Figure BDA0003141265610000111
Figure BDA0003141265610000112
Figure BDA0003141265610000113
其中，K(xi,xj)为核函数，σ为控制核函数高宽的参数，L为最优化问题函数，xi，xj为输入样本，yi为类别属性值，ξi为松弛变量用来表征样本不满足约束的程度，C为正则化常数，d(x)为判别函数，λi(i＝1,2,…,N)和b为分类界面的参数。
在本发明的某一个实施例中，所述将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型，包括：
将所述历史气象数据和杆塔线路数据进行预处理，其中所述预处理包括：剔除空值和归一化；
将预处理后的数据分为训练数据集和测试数据集，并将所述训练数据集合测试数据分别输入到预设的LSTM人工神经网络模型，获得第二LSTM人工神经网络模型。
本发明还提供一种计算机终端设备，包括：一个或多个处理器；存储器，与所述处理器耦接，用于存储一个或多个程序；当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上述任一项所述的泥石流灾害的预测方法。
需要说明的是，所述处理器可以是中央处理单元(CentralProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(DigitalSignalProcessor，DSP)、专用集成电路(ApplicationSpecificIntegratedCircuit，ASIC)、现成可编程门阵列(Field－ProgrammableGateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，通用处理器可以是微处理器，或者所述处理器也可以是任何常规的处理器，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接所述终端设备的各个部分。
所述存储器主要包括程序存储区和数据存储区，其中，程序存储区可存储操作系统、至少一个功能所需的应用程序等，数据存储区可存储相关数据等。此外，所述存储器可以是高速随机存取存储器，还可以是非易失性存储器，例如插接式硬盘，智能存储卡(SmartMediaCard，SMC)、安全数字(SecureDigital，SD)卡和闪存卡(FlashCard)等，或所述存储器也可以是其他易失性固态存储器件。
需要说明的是，上述终端设备可包括，但不仅限于，处理器、存储器，本领域技术人员可以理解，上述终端设备仅仅是示例，并不构成对终端设备的限定，可以包括更多或更少的部件，或者组合某些部件，或者不同的部件。
本发明还提供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任一项所述的泥石流灾害的预测方法。
需要说明的是，所述计算机程序可以被分割成一个或多个模块/单元(如计算机程序、计算机程序)，所述一个或者多个模块/单元被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序在所述终端设备中的执行过程。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步的详细说明，应当理解，以上所述仅为本发明的具体实施例而已，并不用于限定本发明的保护范围。特别指出，对于本领域技术人员来说，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种泥石流灾害的预测方法，其特征在于，包括：
S1、获取目标地区的历史气象数据和杆塔线路数据，并将所述历史气象数据和杆塔线路数据作为训练数据输入到预设的SVM分类器预报模型，获得第二SVM分类器预报模型；
S2、获取目标地区的实时气象数据，并将所述实时气象数据输入到所述第二SVM分类器预报模型，判断得出目标地区是否会发生泥石流灾害，若是，进入S3，若否，则结束；
所述第二SVM分类器预报模型，采用如下计算公式：
Figure FDA0003817825180000011
Figure FDA0003817825180000012
Figure FDA0003817825180000013
其中，K(xi,xj)为核函数，σ为控制核函数高宽的参数，L为最优化问题函数，xi，xj为输入样本，x为输入样本的中心值，yi为类别属性值，ξi为松弛变量用来表征样本不满足约束的程度，C为正则化常数，d(x)为判别函数，λi(i＝1,2,…,N)和b为分类界面的参数；
S3、将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；
S4、将所述实时气象数据输入到第二LSTM人工神经网络模型，预测出杆塔的损毁情况，并根据所述杆塔的损毁情况，制定相应的维护措施。
2.根据权利要求1所述的泥石流灾害的预测方法，其特征在于，所述历史气象数据，包括：降雨量、水位、相对湿度、土壤松散度、地势坡度。
3.根据权利要求1所述的泥石流灾害的预测方法，其特征在于，所述将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型，包括：
将所述历史气象数据和杆塔线路数据进行预处理，其中所述预处理包括：剔除空值和归一化；
将预处理后的数据分为训练数据集和测试数据集，并将所述训练数据集和所述测试数据集分别输入到预设的LSTM人工神经网络模型，获得第二LSTM人工神经网络模型。
4.一种泥石流灾害的预测系统，其特征在于，包括：数据获取模块、判断模块、构建模块和预测模块，其中，
所述数据获取模块，用于获取目标地区的历史气象数据和杆塔线路数据，并将所述历史气象数据和杆塔线路数据作为训练数据输入到预设的SVM分类器预报模型，获得第二SVM分类器预报模型；
所述第二SVM分类器预报模型，采用如下计算公式：
Figure FDA0003817825180000021
Figure FDA0003817825180000031
Figure FDA0003817825180000032
其中，K(xi,xj)为核函数，σ为控制核函数高宽的参数，L为最优化问题函数，xi，xj为输入样本，x为输入样本的中心值，yi为类别属性值，ξi为松弛变量用来表征样本不满足约束的程度，C为正则化常数，d(x)为判别函数，λi(i＝1,2,…,N)和b为分类界面的参数；
所述判断模块，用于获取目标地区的实时气象数据，并将所述实时气象数据输入到所述第二SVM分类器预报模型，判断得出目标地区是否会发生泥石流灾害，若是，进入灾害预测阶段，若否，则结束；
所述构建模块，用于将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型；
所述预测模块，用于将所述实时气象数据输入到第二LSTM人工神经网络模型，预测出杆塔的损毁情况，并根据所述杆塔的损毁情况，制定相应的维护措施。
5.根据权利要求4所述的泥石流灾害的预测系统，其特征在于，所述历史气象数据，包括：降雨量、水位、相对湿度、土壤松散度、地势坡度。
6.根据权利要求4所述的泥石流灾害的预测系统，其特征在于，所述将所述历史气象数据和杆塔线路数据输入到预设的LSTM人工神经网络模型中，获得第二LSTM人工神经网络模型，包括：
将所述历史气象数据和杆塔线路数据进行预处理，其中所述预处理包括：剔除空值和归一化；
将预处理后的数据分为训练数据集和测试数据集，并将所述训练数据集和所述测试数据集分别输入到预设的LSTM人工神经网络模型，获得第二LSTM人工神经网络模型。
7.一种计算机终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4任一项所述的泥石流灾害的预测方法。
8.一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如权利要求1至3任一项所述的泥石流灾害的预测方法。
CN202110742861.7A 2021-06-30 2021-06-30 一种泥石流灾害的预测方法、系统、终端和存储介质 Active CN113344297B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110742861.7A CN113344297B (zh) 2021-06-30 2021-06-30 一种泥石流灾害的预测方法、系统、终端和存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110742861.7A CN113344297B (zh) 2021-06-30 2021-06-30 一种泥石流灾害的预测方法、系统、终端和存储介质

Publications (2)

Publication Number Publication Date
CN113344297A CN113344297A (zh) 2021-09-03
CN113344297B true CN113344297B (zh) 2022-10-21

Family

ID=77482116

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110742861.7A Active CN113344297B (zh) 2021-06-30 2021-06-30 一种泥石流灾害的预测方法、系统、终端和存储介质

Country Status (1)

Country Link
CN (1) CN113344297B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114118628B (zh) * 2021-12-15 2024-10-29 平安科技（深圳）有限公司 一种基于循环神经网络模型的灾害预警方法及相关设备
CN117612339B (zh) * 2023-11-09 2024-06-04 应急管理部大数据中心 基于铁塔大数据的地质灾害监测方法及系统
CN117972646B (zh) * 2024-04-02 2024-07-05 国网辽宁省电力有限公司抚顺供电公司 输电线路避雷器、杆塔和接地系统运行状态评估方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6081941B2 (ja) * 2014-02-28 2017-02-15 三菱重工業株式会社 電力需要予測装置、電力供給システム、電力需要予測方法及びプログラム
CN104239970B (zh) * 2014-09-04 2017-11-28 国网河南省电力公司电力科学研究院 一种基于Adaboost的输电线舞动风险预警方法
CN107784395A (zh) * 2017-10-27 2018-03-09 云南电网有限责任公司电力科学研究院 一种基于lstm人工神经网络的输电线路覆冰厚度预测方法
CN112232574B (zh) * 2020-10-21 2022-06-14 成都理工大学 一种基于支持向量机的泥石流灾害降雨阈值自动划分方法
CN112232592A (zh) * 2020-11-03 2021-01-15 国网湖南省电力有限公司 基于Adaboost的输电线路山火灾害风险预警方法
CN112257956A (zh) * 2020-11-10 2021-01-22 国网湖南省电力有限公司 预测输电线路遭受暴雨灾害的方法、装置和设备

Also Published As

Publication number Publication date
CN113344297A (zh) 2021-09-03

Similar Documents

Publication Publication Date Title
CN113344297B (zh) 一种泥石流灾害的预测方法、系统、终端和存储介质
Liu et al. Wind speed forecasting using deep neural network with feature selection
CN108022001B (zh) 基于pca和分位数回归森林的短期负荷概率密度预测方法
CN111753893A (zh) 一种基于聚类和深度学习的风电机组功率集群预测方法
CN108898251A (zh) 考虑气象相似性和功率波动的海上风电场功率预测方法
Xu et al. Correlation based neuro-fuzzy Wiener type wind power forecasting model by using special separate signals
CN116167527B (zh) 纯数据驱动的电力系统静态安全运行风险在线评估方法
de Jesús et al. Solar pv power prediction using a new approach based on hybrid deep neural network
CN106526710A (zh) 一种雾霾预测方法及装置
CN113361785A (zh) 配电网短期负荷预测方法、装置、终端及存储介质
CN115481788B (zh) 相变储能系统负荷预测方法及系统
Massaoudi et al. A novel approach based deep RNN using hybrid NARX-LSTM model for solar power forecasting
CN114021483A (zh) 基于时域特征与XGBoost的超短期风电功率预测方法
CN114399081A (zh) 一种基于天气分类的光伏发电功率预测方法
CN112288157A (zh) 一种基于模糊聚类与深度强化学习的风电场功率预测方法
Liu et al. Research of photovoltaic power forecasting based on big data and mRMR feature reduction
Wang et al. Robust multi-step wind speed forecasting based on a graph-based data reconstruction deep learning method
CN115238854A (zh) 一种基于tcn-lstm-am的短期负荷预测方法
CN112911533A (zh) 一种基于移动端App的温度检测系统
CN114254828A (zh) 一种基于混合卷积特征提取器和gru的电力负荷预测方法
Zhang et al. Prediction of direct normal irradiance based on ensemble deep learning models
Liu Short-term power load forecasting based on RF-CNN-SVM
Katranji et al. Short-Term Wind Speed Prediction for Saudi Arabia via 1D-CNN
CN113723670A (zh) 变时间窗口的光伏发电功率短期预测方法
Adeyemo Soft Computing techniques for weather and Climate change studies

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