CN113821895B - 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 - Google Patents
输电线路覆冰厚度预测模型的构建方法、装置及存储介质 Download PDFInfo
- Publication number
- CN113821895B CN113821895B CN202111021964.0A CN202111021964A CN113821895B CN 113821895 B CN113821895 B CN 113821895B CN 202111021964 A CN202111021964 A CN 202111021964A CN 113821895 B CN113821895 B CN 113821895B
- Authority
- CN
- China
- Prior art keywords
- data
- model
- icing
- transmission line
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 80
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000000034 method Methods 0.000 title claims description 27
- 238000012876 topography Methods 0.000 claims abstract description 56
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000012544 monitoring process Methods 0.000 claims abstract description 35
- 238000010276 construction Methods 0.000 claims abstract description 16
- 238000004140 cleaning Methods 0.000 claims abstract description 11
- 238000005457 optimization Methods 0.000 claims abstract description 9
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 60
- 238000012545 processing Methods 0.000 claims description 19
- 238000004088 simulation Methods 0.000 claims description 19
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 9
- 230000001174 ascending effect Effects 0.000 claims description 7
- 239000011248 coating agent Substances 0.000 claims description 6
- 238000000576 coating method Methods 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 claims description 2
- 238000003379 elimination reaction Methods 0.000 claims description 2
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 230000008018 melting Effects 0.000 description 2
- 238000002844 melting Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000002790 cross-validation Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000008014 freezing Effects 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Software Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- Medical Informatics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种输电线路覆冰厚度预测模型的构建方法、装置及存储介质，本发明通过采集输电线路区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；根据所述数字高程模型数据识别和划分所述输电线路区域的微地形区类型；根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型，能够构建更高精度的输电线路覆冰厚度预测模型，提高模型预测微地形区域输电线路覆冰厚度的准确度。
Description
技术领域
本发明涉及电力工程水文气象技术领域，尤其涉及一种输电线路覆冰厚度预测模型的构建方法、装置及存储介质。
背景技术
输电线路覆冰往往会给电力系统安全运行造成重大影响，例如，输电线路荷载增加、输电线路断线、倒塔、闪络、跳闸等。尤其是在2008年中国南方地区电网的大规模冰冻灾害中，由于输电线路覆冰引起了大规模倒塔断线事故，造成极大的社会经济损失。
随着国家西电东送战略深层推进，越来越多的输电线路经过各类微地形区域穿梭走线，由于微地形通常会使各气象因子在小范围内综合突变，存在诱发严重覆冰的因素，造成电网的安全隐患。因此，在线路规划、设计、建设、运行、维护中需要重点考虑微地形的特殊性，最大程度地减少因恶劣气象条件造成重大冰灾事故的情况发生。
目前主要依靠线路覆冰监测预警及交直流融冰来减少输电线路覆冰断线倒塔事故的发生，而线路覆冰监测预警和交直流融冰均以输电线路覆冰厚度为基础。因此，建立一种准确可靠的输电线路覆冰厚度预测模型就显得尤为重要。
发明内容
本发明实施例的目的是提供一种输电线路覆冰厚度预测模型的构建方法、装置及存储介质，能够构建更高精度的输电线路覆冰厚度预测模型，提高模型预测微地形区域输电线路覆冰厚度的准确度。
本发明一实施例提供一种输电线路覆冰厚度预测模型的构建方法，包括：
采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；
对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；
根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；
根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；
通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型。
作为上述方案的改进，所述对所述覆冰监测终端数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据，具体为：
对所述覆冰终端监测数据和所述人工观冰数据中的等值覆冰厚度值进行异常值剔除，得到第一覆冰观测数据；
对所述第一覆冰观测数据中的观冰温度、相对湿度和风速进行异常值剔除，得到第二覆冰观测数据；
对所述第二覆冰观测数据中缺失的气象参数采用空间插值算法进行补全，得到有效覆冰观测数据。
作为上述方案的改进，所述微地形区类型包括：山脊地形、山谷地形、垭口地形、迎风坡地形、背风坡地形和水汽上行区。
作为上述方案的改进，所述根据所述数字高程模型数据识别和划分微地形区类型，具体为：
通过地表流水物理模拟算法对所述数字高程模型数据进行处理，得到山脊地形和山谷地形；
对所述山脊地形和栅格单元进行空间叠置分析，将所述山脊地形与所述山谷地形重叠区域的栅格单元定义为垭口地形；
定义山谷地形、山脊地形和垭口地形之外的区域为山坡地形，根据所述数字高程模型数据计算山坡地形像元的坡度值，搜索所述待测区域内与所述山坡地形像元位置距离最短的气象站，计算所述气象站的冬季平均风向，根据所述坡度值和所述冬季平均风向划分所述山坡地形为迎风坡地形或背风坡地形。
作为上述方案的改进，所述根据所述数字高程模型数据识别和划分微地形区类型，还包括：
通过对所述待测区域内的水域边界数据进行GIS缓冲区分析，得到所述待测区域内的缓冲区；
将所述缓冲区与所述迎风坡地形进行空间叠置，将所述缓冲区与所述迎风坡地形重叠区域定义为水汽上行区。
作为上述方案的改进，所述根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库，具体为：
根据所述数字高程模型数据进行坡度分析和坡向分析，得到所述待测区域的坡度、坡向和高程值，将所述坡度、所述坡向、所述高程值和所述待测区域的微地形区类型作为地形因子；
根据所述MODIS植被指数数据提取所述有效覆冰观测数据当月的归一化植被指数作为遥感因子；
根据所述有效覆冰观测数据提取所述待测区域的气象因子；
将所述地形因子、所述遥感因子和所述气象因子作为X序列，将所述有效覆冰观测数据的等值覆冰厚度作为Y序列，构建输电线路覆冰厚度预测模型的样本库。
作为上述方案的改进，所述通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型，具体为：
按照预设比例将所述样本库划分为训练样本和测试样本；
通过所述训练样本对所述梯度提升树模型进行训练和参数调整，得到训练后的梯度提升树模型；
对所述训练后的梯度提升树模型进行交叉验证，计算基于不同参数训练后的梯度提升树模型的模拟精度；
比较所述不同参数训练后的梯度提升树模型的模拟精度，将模拟精度最高的所述训练后的梯度提升树模型作为输电线路覆冰厚度预测模型。
本发明另一实施例对应提供了一种输电线路覆冰厚度预测模型的构建装置，包括：
数据采集模块，用于采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；
数据处理模块，用于对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；
地形划分模块，用于根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；
样本构建模块，用于根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；
模型构建模块，用于通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型。
作为上述方案的改进，所述数据处理模块，包括：
第一数据处理单元，用于对所述覆冰终端监测数据和所述人工观冰数据中的等值覆冰厚度值进行异常值剔除，得到第一覆冰观测数据；
第二数据处理单元，用于对所述第一覆冰观测数据中的观冰温度、相对湿度和风速进行异常值剔除，得到第二覆冰观测数据；
第三数据处理单元，用于对所述第二覆冰观测数据中缺失的气象参数采用空间插值算法进行补全，得到有效覆冰观测数据。
本发明另一实施例提供了一种存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述发明实施例所述的输电线路覆冰厚度预测模型的构建方法。
与现有技术相比，本发明实施例公开的输电线路覆冰厚度预测模型的构建方法、装置及存储介质，首先，采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；然后，对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；其次，根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；最后，通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型。本发明能够构建更高精度的输电线路覆冰厚度预测模型，提高模型预测微地形区域输电线路覆冰厚度的准确度。
附图说明
图1是本发明一实施例提供的一种输电线路覆冰厚度预测模型的构建方法的流程示意图；
图2是本发明一实施例提供的一种输电线路覆冰厚度预测模型的构建装置的结构示意图。
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。
参见图1，是本发明提供一实施例提供的一种输电线路覆冰厚度预测模型的构建方法的流程示意图，包括：
S11、采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；
S12、对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；
S13、根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；
S14、根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；
S15、通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型。
具体的，所述待测区域为输电线路区域。
在一个具体的实施方式中，所述步骤S12，具体为：
S121、对所述覆冰终端监测数据和所述人工观冰数据中的等值覆冰厚度值进行异常值剔除，得到第一覆冰观测数据；
S122、对所述第一覆冰观测数据中的观冰温度、相对湿度和风速进行异常值剔除，得到第二覆冰观测数据；
S123、对所述第二覆冰观测数据中缺失的气象参数采用空间插值算法进行补全，得到有效覆冰观测数据。
在一优选的实施方式中，在步骤S121中，所述对所述覆冰终端监测数据和所述人工观冰数据中的等值覆冰厚度值进行异常值剔除，具体为：
对所述覆冰终端监测数据和所述人工观冰数据进行时空匹配，当所述覆冰终端监测数据的等值覆冰厚度值与所述人工观冰数据的等值覆冰厚度值的差值的绝对值大于预设阈值时，将所述覆冰终端监测数据中的等值覆冰厚度值替换为所述人工观冰数据的等值覆冰厚度值。
需要说明的是，在步骤S122中，所述对所述第一覆冰观测数据中的观冰温度、相对湿度和风速进行异常值剔除的具体实施方式参考等值覆冰厚度值的异常值剔除实施方式，这里不再过多赘述。
在一优选的实施方式中，在步骤S123中，所述对所述第二覆冰观测数据中缺失的气象参数采用空间插值算法进行补全，具体为：
根据所述待测区域中同期采集的气象站数据的气象参数和反距离权重空间插值算法，对所述第二覆冰观测数据中缺失的气象参数进行插值补全。
优选的，在步骤S13中，所述微地形区类型包括：山脊地形、山谷地形、垭口地形、迎风坡地形、背风坡地形和水汽上行区。
在一个具体的实施方式中，所述步骤S13，具体为：
通过地表流水物理模拟算法对所述数字高程模型数据进行处理，得到山脊地形和山谷地形；
对所述山脊地形和栅格单元进行空间叠置分析，将所述山脊地形与所述山谷地形重叠区域的栅格单元定义为垭口地形；
定义山谷地形、山脊地形和垭口地形之外的区域为山坡地形，根据所述数字高程模型数据计算山坡地形像元的坡度值，搜索所述待测区域内与所述山坡地形像元位置距离最短的气象站，计算所述气象站的冬季平均风向，根据所述坡度值和所述冬季平均风向划分所述山坡地形为迎风坡地形或背风坡地形。
可以理解的，当所述冬季平均风向与所述山坡地形的坡度夹角为锐角时，所述山坡地形为迎风坡；当所述冬季平均风向与所述山坡地形的坡度夹角为钝角时，所述山坡地形为背风坡。
在一些更优的实施例中，所述步骤S13，还包括：
通过对所述待测区域内的水域边界数据进行GIS缓冲区分析，得到所述待测区域内的缓冲区；
将所述缓冲区与所述迎风坡地形进行空间叠置，将所述缓冲区与所述迎风坡地形重叠区域定义为水汽上行区。
在一个具体的实施方式中，所述步骤S14，具体为：
根据所述数字高程模型数据进行坡度分析和坡向分析，得到所述待测区域的坡度、坡向和高程值，将所述坡度、所述坡向、所述高程值和所述待测区域的微地形区类型作为地形因子；
根据所述MODIS植被指数数据提取所述有效覆冰观测数据当月的归一化植被指数作为遥感因子；
根据所述有效覆冰观测数据提取所述待测区域的气象因子；
将所述地形因子、所述遥感因子和所述气象因子作为X序列，将所述有效覆冰观测数据的等值覆冰厚度作为Y序列，构建输电线路覆冰厚度预测模型的样本库。
优选的，所述气象因子包括：日平均温度、日最低温度、湿度、风速、气压和多年月平均降水量。
在一个具体的实施方式中，所述步骤S15，具体为：
S151、按照预设比例将所述样本库划分为训练样本和测试样本；
S152、通过所述训练样本对所述梯度提升树模型进行训练和参数调整，得到训练后的梯度提升树模型；
S153、对所述训练后的梯度提升树模型进行交叉验证，计算基于不同参数训练后的梯度提升树模型的模拟精度；
S154、比较所述不同参数训练后的梯度提升树模型的模拟精度，将模拟精度最高的所述训练后的梯度提升树模型作为输电线路覆冰厚度预测模型。
在一个具体的实施方式中，所述步骤S152，具体为：
根据所述训练样本构建训练数据集T＝{(x1,y1),(x2,y2),…,(xn,yn)}；其中，xi为样本属性集合，yi为样本标记集合，n为样本个数；
根据公式1对目标函数f(x)初始化一个弱回归器：
其中，所述c为常数，L为损失函数，f0(x)为损失函数的极小值，为寻求一个常数c使所述损失函数L达到极小值；
对所述梯度提升树模型中的第m＝1，2，……，M个模型回归树，依次执行以下步骤：
根据公式2计算第m个所述模型回归树的第i个样本的残差rmi：
根据(xi,rmi)拟合第m个所述模型回归树，得到第m个所述模型回归树中第j个节点的叶子节点区域Rmj，j＝1，2，……，J，其中J为第m个所述模型回归树的叶子节点数目；
根据公式3计算第m个所述模型回归树中第j个节点的叶子节点区域Rmj中的固定输出值cmj，使得所有所述叶子节点区域的损失函数最小：
根据公式4更新第m个所述模型回归树fm(x)：
其中，I(x)为指示函数；
根据公式5和更新后的M个模型回归树，得到训练后的梯度提升树模型FM(x)：
需要说明的是，在步骤S153中所述对所述训练后的梯度提升树模型进行交叉验证，计算基于不同参数训练后的梯度提升树模型的模拟精度，是计算不同参数训练后的梯度提升树模型在测试样本中的均方误差，通过MSE指数评估所述训练后的梯度提升树模型的模拟精度。
需要说明的是，本发明通过梯度提升树算法构建输电线路覆冰厚度预测模型，并采用交叉验证的方式评估模型的模拟精度，以模型在测试样本中的均方误差最小作为模型精度的评价标准，选择最优的参数组合构建输电线路覆冰厚度预测模型，通过所述输电线路覆冰厚度预测模型能够有效地预测微地形区域输电线路覆冰厚度，对科学评估输电线路区域覆冰灾害风险具有重要的指导意义。
为了更好地理解本发明所提供的输电线路覆冰厚度预测模型的构建方法，以云南省昭通市为例构建输电线路覆冰厚度预测模型，具体实施方式如下：
步骤1、采集云南省昭通市90米分辨率的SRTM DEM数据、2013年至今的覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；
步骤2、根据时空匹配方法对所述覆冰终端监测数据和所述人工观冰数据进行异常值剔除；根据反距离权重空间插值算法和距离最短的5个气象站的同期所述气象站数据，对所述覆冰终端监测数据和所述人工观冰数据中缺失的气象参数进行缺测值补全，得到4521条有效覆冰观测数据；
步骤3、根据所述SRTM DEM数据和GIS软件划分昭通市的山脊地形、山谷地形、垭口地形、迎风坡地形和背风坡地形；
步骤4、利用ArcGIS软件对云南省昭通市的大型水域边界数据进行GIS缓冲区分析，缓冲距离定义为10km，将缓冲区分析结果与所述迎风坡地形进行空间叠置，将所述缓冲区与所述迎风坡地形重叠区域定义为水汽上行区；
步骤5、逐次提取相同地理位置的地形因子和遥感因子：坡度、坡向、高程值、微地形类型、NDVI，有效覆冰观测数据同期的气象因子：日最低温度、日平均温度、湿度、气压、风速和月降水量值，将提取出的11个特征作为X序列，将所述有效覆冰观测数据的等值覆冰厚度作为Y序列，构建输电线路覆冰厚度预测模型的样本库；
步骤6、将所述样本库划分为80％的训练样本和20％的测试样本，通过所述训练样本对梯度提升树模型进行训练和参数优化，并采用交叉验证的方式计算训练后的梯度提升树模型在所述测试样本中的模拟精度，将参数最优的梯度提升树模型作为输电线路覆冰厚度的预测模型；其中，所述输电线路覆冰厚度的预测模型的深度为8，基础模型树个数为240和学习率为0.1。
参见图2，是本发明一实施例提供的一种输电线路覆冰厚度预测模型的构建装置的结构示意图，包括：
数据采集模块21，用于采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；
数据处理模块22，用于对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；
地形划分模块23，用于根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；
样本构建模块24，用于根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；
模型构建模块25，用于通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型。
作为其中一个可选的实施方式，所述数据处理模块22，包括：
第一数据处理单元，用于对所述覆冰终端监测数据和所述人工观冰数据中的等值覆冰厚度值进行异常值剔除，得到第一覆冰观测数据；
第二数据处理单元，用于对所述第一覆冰观测数据中的观冰温度、相对湿度和风速进行异常值剔除，得到第二覆冰观测数据；
第三数据处理单元，用于对所述第二覆冰观测数据中缺失的气象参数采用空间插值算法进行补全，得到有效覆冰观测数据。
优选的，所述微地形区类型包括：山脊地形、山谷地形、垭口地形、迎风坡地形、背风坡地形和水汽上行区。
作为其中一个可选的实施方式，所述地形划分模块23，包括：
山地分析单元，用于通过地表流水物理模拟算法对所述数字高程模型数据进行处理，得到山脊地形和山谷地形；
垭口分析单元，用于对所述山脊地形和栅格单元进行空间叠置分析，将所述山脊地形与所述山谷地形重叠区域的栅格单元定义为垭口地形；
山坡分析单元，用于定义山谷地形、山脊地形和垭口地形之外的区域为山坡地形，根据所述数字高程模型数据计算山坡地形像元的坡度值，搜索所述待测区域内与所述山坡地形像元位置距离最短的气象站，计算所述气象站的冬季平均风向，根据所述坡度值和所述冬季平均风向划分所述山坡地形为迎风坡地形或背风坡地形。
作为其中一个可选的实施方式，样本构建模块24，包括：
地形因子构建单元，用于根据所述数字高程模型数据进行坡度分析和坡向分析，得到所述待测区域的坡度、坡向和高程值，将所述坡度、所述坡向、所述高程值和所述待测区域的微地形区类型作为地形因子；
遥感因子构建单元，用于根据所述MODIS植被指数数据提取所述待测区域有效覆冰观测数据当月的归一化植被指数作为遥感因子；
气象因子构建单元，用于根据所述有效覆冰观测数据提取所述待测区域的气象因子；
样本库构建单元，用于将所述地形因子、所述遥感因子和所述气象因子作为X序列，将所述有效覆冰观测数据的等值覆冰厚度作为Y序列，构建输电线路覆冰厚度预测模型的样本库。
作为其中一个可选的实施方式，模型构建模块25，包括：
样本划分单元，用于按照预设比例将所述样本库划分为训练样本和测试样本；
模型训练单元，用于通过所述训练样本对所述梯度提升树模型进行训练和参数调整，得到训练后的梯度提升树模型；
精度运算单元，用于：
对所述训练后的梯度提升树模型进行交叉验证，计算基于不同参数训练后的梯度提升树模型的模拟精度；
比较所述不同参数训练后的梯度提升树模型的模拟精度，将模拟精度最高的所述训练后的梯度提升树模型作为输电线路覆冰厚度预测模型。
需要说明的是，本发明实施例提供的所述输电线路覆冰厚度预测模型的构建装置用于执行上述任一实施例所述的输电线路覆冰厚度预测模型的构建方法的步骤，两者的工作原理和有益效果一一对应，因而不再赘述。
本领域技术人员可以理解，所述输电线路覆冰厚度预测模型的构建装置的示意图仅仅是一种输电线路覆冰厚度预测模型的构建装置的示例，并不构成对输电线路覆冰厚度预测模型的构建装置的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述一种输电线路覆冰厚度预测模型的构建装置还可以包括输入输出设备、网络接入设备、总线等。
本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行上述任一实施例所述的输电线路覆冰厚度预测模型的构建方法。
本领域普通技术人员可以理解，本发明实现上述实施例方法中的全部或部分流程，也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计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个输电线路覆冰厚度预测模型的构建方法的实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括电载波信号和电信信号。
需要说明的是，以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
综上，本发明实施例公开的输电线路覆冰厚度预测模型的构建方法、装置及存储介质，首先，采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；然后，对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；其次，根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；最后，通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型。本发明能够构建更高精度的输电线路覆冰厚度预测模型，提高模型预测微地形区域输电线路覆冰厚度的准确度。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (9)
1.一种输电线路覆冰厚度预测模型的构建方法，其特征在于，包括：
采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；
对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；
根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；
根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；
通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型；
所述通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型，具体为：
按照预设比例将所述样本库划分为训练样本和测试样本；
通过所述训练样本对所述梯度提升树模型进行训练和参数调整，得到训练后的梯度提升树模型；
对所述训练后的梯度提升树模型进行交叉验证，计算基于不同参数训练后的梯度提升树模型的模拟精度；
比较所述不同参数训练后的梯度提升树模型的模拟精度，将模拟精度最高的所述训练后的梯度提升树模型作为输电线路覆冰厚度预测模型；
所述通过所述训练样本对所述梯度提升树模型进行训练和参数调整，得到训练后的梯度提升树模型，包括：
根据所述训练样本构建训练数据集；其中，xi为样本属性集合，yi为样本标记集合，n为样本个数；
根据公式1对目标函数初始化一个弱回归器：
（公式1）；
其中，所述c为常数，L为损失函数，为损失函数的极小值，/>为寻求一个常数c使所述损失函数L达到极小值；
对所述梯度提升树模型中的第m=1，2，……，M个模型回归树，依次执行以下步骤：
根据公式2计算第m个所述模型回归树的第i个样本的残差rmi：
（公式2）；
根据(xi, rmi)拟合第m个所述模型回归树，得到第m个所述模型回归树中第j个节点的叶子节点区域Rmj，j=1，2，……，J，其中J为第m个所述模型回归树的叶子节点数目；
根据公式3计算第m个所述模型回归树中第j个节点的叶子节点区域Rmj中的固定输出值cmj，使得所有所述叶子节点区域的损失函数最小：
（公式3）；
根据公式4更新第m个所述模型回归树：
（公式4）；
其中，为指示函数；
根据公式5和更新后的M个模型回归树，得到训练后的梯度提升树模型：
（公式5）。
2.如权利要求1所述的输电线路覆冰厚度预测模型的构建方法，其特征在于，所述对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据，具体为：
对所述覆冰终端监测数据和所述人工观冰数据中的等值覆冰厚度值进行异常值剔除，得到第一覆冰观测数据；
对所述第一覆冰观测数据中的观冰温度、相对湿度和风速进行异常值剔除，得到第二覆冰观测数据；
对所述第二覆冰观测数据中缺失的气象参数采用空间插值算法进行补全，得到有效覆冰观测数据。
3.如权利要求1所述的输电线路覆冰厚度预测模型的构建方法，其特征在于，所述微地形区类型包括：山脊地形、山谷地形、垭口地形、迎风坡地形、背风坡地形和水汽上行区。
4.如权利要求3所述的输电线路覆冰厚度预测模型的构建方法，其特征在于，所述根据所述数字高程模型数据识别和划分微地形区类型，具体为：
通过地表流水物理模拟算法对所述数字高程模型数据进行处理，得到山脊地形和山谷地形；
对所述山脊地形和栅格单元进行空间叠置分析，将所述山脊地形与所述山谷地形重叠区域的栅格单元定义为垭口地形；
定义山谷地形、山脊地形和垭口地形之外的区域为山坡地形，根据所述数字高程模型数据计算山坡地形像元的坡度值，搜索所述待测区域内与所述山坡地形像元位置距离最短的气象站，计算所述气象站的冬季平均风向，根据所述坡度值和所述冬季平均风向划分所述山坡地形为迎风坡地形或背风坡地形。
5.如权利要求4所述的输电线路覆冰厚度预测模型的构建方法，其特征在于，所述根据所述数字高程模型数据识别和划分微地形区类型，还包括：
通过对所述待测区域内的水域边界数据进行GIS缓冲区分析，得到所述待测区域内的缓冲区；
将所述缓冲区与所述迎风坡地形进行空间叠置，将所述缓冲区与所述迎风坡地形重叠区域定义为水汽上行区。
6.如权利要求1所述的输电线路覆冰厚度预测模型的构建方法，其特征在于，所述根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库，具体为：
根据所述数字高程模型数据进行坡度分析和坡向分析，得到所述待测区域的坡度、坡向和高程值，将所述坡度、所述坡向、所述高程值和所述待测区域的微地形区类型作为地形因子；
根据所述MODIS植被指数数据提取所述有效覆冰观测数据当月的归一化植被指数作为遥感因子；
根据所述有效覆冰观测数据提取所述待测区域的气象因子；
将所述地形因子、所述遥感因子和所述气象因子作为X序列，将所述有效覆冰观测数据的等值覆冰厚度作为Y序列，构建输电线路覆冰厚度预测模型的样本库。
7.一种输电线路覆冰厚度预测模型的构建装置，其特征在于，包括：
数据采集模块，用于采集待测区域的基础数据；其中，所述基础数据包括：数字高程模型数据、覆冰终端监测数据、人工观冰数据、气象站数据和MODIS植被指数数据；
数据处理模块，用于对所述覆冰终端监测数据和所述人工观冰数据进行数据清洗，得到有效覆冰观测数据；
地形划分模块，用于根据所述数字高程模型数据识别和划分所述待测区域的微地形区类型；
样本构建模块，用于根据所述基础数据、所述有效覆冰观测数据和所述微地形区类型建立样本库；
模型构建模块，用于通过所述样本库对梯度提升树模型进行训练和参数优化，得到输电线路覆冰厚度预测模型；
所述模型构建模块，包括：
样本划分单元，用于按照预设比例将所述样本库划分为训练样本和测试样本；
模型训练单元，用于通过所述训练样本对所述梯度提升树模型进行训练和参数调整，得到训练后的梯度提升树模型；
精度运算单元，用于：
对所述训练后的梯度提升树模型进行交叉验证，计算基于不同参数训练后的梯度提升树模型的模拟精度；
比较所述不同参数训练后的梯度提升树模型的模拟精度，将模拟精度最高的所述训练后的梯度提升树模型作为输电线路覆冰厚度预测模型；
所述模型训练单元，用于：
根据所述训练样本构建训练数据集；其中，xi为样本属性集合，yi为样本标记集合，n为样本个数；
根据公式1对目标函数初始化一个弱回归器：
（公式1）；
其中，所述c为常数，L为损失函数，为损失函数的极小值，/>为寻求一个常数c使所述损失函数L达到极小值；
对所述梯度提升树模型中的第m=1，2，……，M个模型回归树，依次执行以下步骤：
根据公式2计算第m个所述模型回归树的第i个样本的残差rmi：
（公式2）；
根据(xi, rmi)拟合第m个所述模型回归树，得到第m个所述模型回归树中第j个节点的叶子节点区域Rmj，j=1，2，……，J，其中J为第m个所述模型回归树的叶子节点数目；
根据公式3计算第m个所述模型回归树中第j个节点的叶子节点区域Rmj中的固定输出值cmj，使得所有所述叶子节点区域的损失函数最小：
（公式3）；
根据公式4更新第m个所述模型回归树：
（公式4）；
其中，为指示函数；
根据公式5和更新后的M个模型回归树，得到训练后的梯度提升树模型：
（公式5）。
8.如权利要求7所述的输电线路覆冰厚度预测模型的构建装置，其特征在于，所述数据处理模块，包括：
第一数据处理单元，用于对所述覆冰终端监测数据和所述人工观冰数据中的等值覆冰厚度值进行异常值剔除，得到第一覆冰观测数据；
第二数据处理单元，用于对所述第一覆冰观测数据中的观冰温度、相对湿度和风速进行异常值剔除，得到第二覆冰观测数据；
第三数据处理单元，用于对所述第二覆冰观测数据中缺失的气象参数采用空间插值算法进行补全，得到有效覆冰观测数据。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如权利要求1至6中任意一项所述的输电线路覆冰厚度预测模型的构建方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021964.0A CN113821895B (zh) | 2021-09-01 | 2021-09-01 | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111021964.0A CN113821895B (zh) | 2021-09-01 | 2021-09-01 | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113821895A CN113821895A (zh) | 2021-12-21 |
| CN113821895B true CN113821895B (zh) | 2023-11-03 |
Family
ID=78923597
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111021964.0A Active CN113821895B (zh) | 2021-09-01 | 2021-09-01 | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113821895B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187501A (zh) * | 2022-11-29 | 2023-05-30 | 伊金霍洛旗那仁太能源有限公司 | 基于CatBoost模型的低温预测 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104143019A (zh) * | 2014-07-10 | 2014-11-12 | 武汉康普常青软件技术股份有限公司 | 输电线路覆冰区域图自动绘制方法 |
| WO2017139271A2 (en) * | 2016-02-08 | 2017-08-17 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN107886125A (zh) * | 2017-11-09 | 2018-04-06 | 南京大学 | 基于局部谱分解打分的modis卫星遥感图像标注方法 |
| CN111428942A (zh) * | 2020-04-16 | 2020-07-17 | 贵州电网有限责任公司 | 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 |
| CN112182822A (zh) * | 2020-10-22 | 2021-01-05 | 国网湖南省电力有限公司 | 输电线路覆冰厚度预测校正预报方法及系统 |
| CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
| CN113222019A (zh) * | 2021-05-13 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 输电线路杆塔的气象预报数据处理方法、装置、设备 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120226485A1 (en) * | 2011-03-03 | 2012-09-06 | Inventus Holdings, Llc | Methods for predicting the formation of wind turbine blade ice |
| CN103673960B (zh) * | 2012-08-30 | 2016-12-21 | 国际商业机器公司 | 用于预测输电线路上的覆冰状态的方法和装置 |
| US11144825B2 (en) * | 2016-12-01 | 2021-10-12 | University Of Southern California | Interpretable deep learning framework for mining and predictive modeling of health care data |
-
2021
- 2021-09-01 CN CN202111021964.0A patent/CN113821895B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104143019A (zh) * | 2014-07-10 | 2014-11-12 | 武汉康普常青软件技术股份有限公司 | 输电线路覆冰区域图自动绘制方法 |
| WO2017139271A2 (en) * | 2016-02-08 | 2017-08-17 | Rs Energy Group Topco, Inc. | Method for estimating oil/gas production using statistical learning models |
| CN107886125A (zh) * | 2017-11-09 | 2018-04-06 | 南京大学 | 基于局部谱分解打分的modis卫星遥感图像标注方法 |
| CN111428942A (zh) * | 2020-04-16 | 2020-07-17 | 贵州电网有限责任公司 | 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 |
| CN112182822A (zh) * | 2020-10-22 | 2021-01-05 | 国网湖南省电力有限公司 | 输电线路覆冰厚度预测校正预报方法及系统 |
| CN112183897A (zh) * | 2020-11-02 | 2021-01-05 | 成都卡普数据服务有限责任公司 | 基于深度学习的架空输电线路覆冰厚度的长时间预测方法 |
| CN113222019A (zh) * | 2021-05-13 | 2021-08-06 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 输电线路杆塔的气象预报数据处理方法、装置、设备 |
Non-Patent Citations (4)
| Title |
|---|
| Forecast of water level and ice jam thickness using the back propagation neural network and support vector machine methods;J. Wang 等;Int. J. Environ. Sci. Tech;第7卷(第2期);第215-224页 * |
| 基于FBG技术的抛物线与BP神经网络联合算法应用于架空线覆冰厚度监测的研究;李路明 等;智慧电力(第8期);第58-63页 * |
| 基于输电线路垂直档距变化特征的等值覆冰厚度模型研究;黄良 等;水电能源科学;第36卷(第3期);第176-179页 * |
| 计及气象因素时间累积效应的输电线路覆冰预测;庄文兵 等;电力系统保护与控制(第17期);第6-13页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113821895A (zh) | 2021-12-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20220043182A1 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警系统 | |
| CN112308292B (zh) | 一种火灾风险等级分布图的绘制方法 | |
| CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
| CN110211325A (zh) | 一种基于气象大数据的区域道路结冰高精度监测预警系统 | |
| CN110646867A (zh) | 一种城市排水监测预警方法和系统 | |
| CN116363601B (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
| CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| CN109472283B (zh) | 一种基于多重增量回归树模型的危险天气预测方法和装置 | |
| CN112598883B (zh) | 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统 | |
| CN110908014A (zh) | 舞动精细化订正预报方法及系统 | |
| CN113435630B (zh) | 一种产流模式自适应的流域水文预报方法及系统 | |
| CN111027881B (zh) | 基于改进灰色关联度的输电杆塔自然灾害损失评估方法 | |
| CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
| CN111428942A (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 | |
| CN111784023A (zh) | 一种短时邻近雾能见度预测方法 | |
| CN117009735A (zh) | 一种结合BiLSTM与核密度估计的高强度森林火灾发生概率计算方法 | |
| CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN113836808A (zh) | 一种基于重污染特征约束的pm2.5深度学习预测方法 | |
| CN115691049A (zh) | 一种基于深度学习的对流初生预警方法 | |
| CN109657988B (zh) | 基于hasm和欧氏距离算法的烟叶品质分区方法 | |
| CN110929952A (zh) | 基于线路周边环境和敷设类型的光缆故障概率预测方法 | |
| CN115115163A (zh) | 台风过境下输电线路杆塔故障危险度评估方法及存储介质 | |
| CN109948175B (zh) | 基于气象数据的卫星遥感反照率缺失值反演方法 | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 |
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 |