CN116955947A - 一种降雨诱发的输电线路边坡位移非线性预测方法及系统 - Google Patents
一种降雨诱发的输电线路边坡位移非线性预测方法及系统 Download PDFInfo
- Publication number
- CN116955947A CN116955947A CN202310795625.0A CN202310795625A CN116955947A CN 116955947 A CN116955947 A CN 116955947A CN 202310795625 A CN202310795625 A CN 202310795625A CN 116955947 A CN116955947 A CN 116955947A
- Authority
- CN
- China
- Prior art keywords
- rainfall
- data
- displacement
- transmission line
- 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.)
- Pending
Links
- 238000006073 displacement reaction Methods 0.000 title claims abstract description 117
- 238000000034 method Methods 0.000 title claims abstract description 55
- 230000005540 biological transmission Effects 0.000 title claims abstract description 51
- 238000012549 training Methods 0.000 claims abstract description 26
- 238000012544 monitoring process Methods 0.000 claims abstract description 23
- 238000007781 pre-processing Methods 0.000 claims abstract description 10
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 9
- 238000010801 machine learning Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 4
- 230000001186 cumulative effect Effects 0.000 claims description 20
- 230000006870 function Effects 0.000 claims description 15
- 238000001556 precipitation Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 239000003673 groundwater Substances 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims 1
- 230000008901 benefit Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000001764 infiltration Methods 0.000 description 2
- 230000008595 infiltration Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 238000012876 topography Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Tourism & Hospitality (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- General Business, Economics & Management (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Pit Excavations, Shoring, Fill Or Stabilisation Of Slopes (AREA)
Abstract
本发明公开一种降雨诱发的输电线路边坡位移非线性预测方法及系统，本发明涉及边坡在线监测技术领域，包括：收集输电线路通道降雨和边坡位移的监测数据；对数据进行预处理，从监测数据中提取相关特征；利用机器学习算法构建LSTM模型，对模型进行训练和优化；使用预留的测试数据对模型进行评估和验证。本发明提供的一种降雨诱发的输电线路边坡位移非线性预测方法及系统，利用机器学习算法构建预测模型，相比传统的经验阈值法和物理模型法，能够更准确地预测降雨诱发的边坡位移，提高预测的准确性和稳定性，基于实时采集的降雨和边坡位移监测数据，能够及时进行预测，并提供实时的预测结果，以便及时采取预警措施，保障输电线路的安全运行。
Description
技术领域
本发明涉及边坡在线监测技术领域，具体为一种降雨诱发的输电线路边坡位移非线性预测方法及系统。
背景技术
输电线路通道边坡位移是导致滑坡、崩塌及泥石流等自然灾害的主要现象，特别是在降雨量较大的情况下位移量变化明显。边坡位移的突发性和不可预测性给输电线路的稳定运行带来了一定的风险。目前，传统的预测方法主要依赖于经验阈值和物理模型。经验阈值是根据历史数据确定的降雨条件，当达到或超过这些条件时，可能会引发滑坡。物理模型是模拟降雨入渗和土体稳定性的过程，考虑了地形和环境因素的影响。但是，这些方法在大范围内的可操作性、通用性和预测方面不够有效，预测准确度有限。因此，需要一种利用机器学习的方法来提高输电线路通道边坡位移的预测精度和准确性。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述存在的问题，提出了本发明。
因此，本发明解决的技术问题是：传统的预测方法主要依赖于经验阈值和物理模型。经验阈值是根据历史数据确定的降雨条件，当达到或超过这些条件时，可能会引发滑坡。物理模型是模拟降雨入渗和土体稳定性的过程，考虑了地形和环境因素的影响。但是，这些方法在大范围内的可操作性、通用性和预测方面不够有效，预测准确度有限。
为解决上述技术问题，本发明提供如下技术方案：一种降雨诱发的输电线路边坡位移非线性预测方法，包括：
收集多个输电线路通道降雨和边坡位移的监测数据；对数据进行预处理，从监测数据中提取相关特征；利用机器学习算法构建LSTM模型，对模型进行训练和优化；使用预留的测试数据对模型进行评估和验证。
作为本发明所述的一种降雨诱发的输电线路边坡位移非线性预测方法的一种优选方案，其中，所述预处理包括，对数据进行清洗以及去噪，将边坡位移数据、降雨数据分别转换为具有相同均值和标准差的标准正态分布。
所述标准正态分布表示为，
其中，Z位移是数据的中心化值，X位移是位移数据点的原始值，u1是位移监测数据集的平均值，σ1是位移监测数据集的标准差，Z降水量是数据点的中心化值，X降水量是降水数据点的原始值，u2是位移监测数据集的平均值，σ2是位移监测数据集的标准差。
作为本发明所述的一种降雨诱发的输电线路边坡位移非线性预测方法的一种优选方案，其中，所述预处理还包括，对每个数据点Z位移、Z降水量通过窗口在数据序列上移动，得到滤波后的数据序列，所述数据序列表示为，
其中，N为移动平均滤波的窗口长度。
作为本发明所述的一种降雨诱发的输电线路边坡位移非线性预测方法的一种优选方案，其中，所述提取相关特征包括半小时累计位移和、1小时累计位移和、半小时累计降雨以及1小时累计降雨和。
所述半小时累计位移和表示为，
所述1小时累计位移和表示为，
所述半小时累计降雨量表示为，
所述1小时累计降雨和表示为，
作为本发明所述的一种降雨诱发的输电线路边坡位移非线性预测方法的一种优选方案，其中，所述构建LSTM模型包括，提取加入降雨条件的位移数据时序特征，利用SVM构建边坡位移预测模型，所述LSTM模型表示为，
ft＝σ(Wf[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
ot＝σ(WO[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，ft表示遗忘门，it表示输入门，ot表示输出门，W为隐藏单元的输入权重矩阵，b为神经元偏置项，ht-1为t-1时刻的输出，ht为t时刻的输出，xt为t时刻的输入，ct为t时刻的输出状态，ct-1为t-1时刻的输入状态，为t时刻临时状态。
作为本发明所述的一种降雨诱发的输电线路边坡位移非线性预测方法的一种优选方案，其中，所述对模型进行训练和优化包括，将过去一段时间的降雨量和边坡位移量作为LSTM模型的输入序列，得到时序特征向量，使用训练数据集对LSTM模型进行训练，调整模型的参数，以学习输入序列中的时序特征，训练完成后获取LSTM模型的隐藏层输出作为提取的时序特征，将提取的LSTM特征与对应的降雨量数据拼接在一起，形成新的输入特征。
使用拼接后的特征作为SVM模型的输入，使用对应的边坡位移量作为SVM模型的目标值，使用训练数据集对SVM模型进行训练，通过寻找最优超平面来建立边坡位移预测模型。
根据SVM的目标函数找到一个最优超平面，将样本点分为两个类别，使得两个类别之间的间隔最大化，所述超平面用决策函数表示为，
f(x)＝w*x+b
其中，w是超平面的法向量，b是超平面的截距。
所述SVM的目标函数表示为0.5*||w||2+C∑ξi；目标函数的约束条件表示为yi*(w*zi+b)≥1-ξi。
其中，ξi为松弛变量，ξi设置为0.7，C为正则化参数，C设置为0.35。
作为本发明所述的一种降雨诱发的输电线路边坡位移非线性预测方法的一种优选方案，其中，所述评估和验证包括，采用方根误差、平均绝对误差评估模型的性能，所述方根误差表示为，
所述平均绝对误差表示为，
其中，n为样本容量，yi为第i个样本的真实值，为第i个样本的预测值。
本发明的另外一个目的是提供一种降雨诱发的输电线路边坡位移非线性预测系统，其能利用机器学习算法构建预测模型，相比传统的经验阈值法和物理模型法，能够更准确地预测降雨诱发的边坡位移，提高预测的准确性和稳定性，解决了传统技术方案中可操作性、通用性和预测方面不够有效，预测准确度有限的问题。
为解决上述技术问题，本发明提供如下技术方案：一种降雨诱发的输电线路边坡位移非线性预测系统，包括：数据采集模块、数据处理模块以及特征提取模块；所述数据采集模块用于采集输电线路边坡的监测数据，包括雨量、地下水位、温度气象和水文信息，以及位移、倾斜地质信息；所述数据处理模块用于对采集到的数据进行预处理和归一化，以便于输入到预测模型中进行训练和预测；所述特征提取模块用于从已经归一化的数据中提取关键特征。
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如上所述降雨诱发的输电线路边坡位移非线性预测方法的步骤。
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上所述降雨诱发的输电线路边坡位移非线性预测方法的步骤。
本发明的有益效果：本发明提供的一种降雨诱发的输电线路边坡位移非线性预测方法，利用机器学习算法构建预测模型，相比传统的经验阈值法和物理模型法，能够更准确地预测降雨诱发的边坡位移，提高预测的准确性和稳定性，通过提前预测降雨诱发的边坡位移，及时采取必要的预警措施，降低边坡位移带来的风险和灾害发生概率，保障输电线路的安全运行。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例提供的一种降雨诱发的输电线路边坡位移非线性预测方法的整体流程图。
图2为本发明第二个实施例提供的一种降雨诱发的输电线路边坡位移非线性预测系统的整体框架图。
图3为本发明第四个实施例提供的一种降雨诱发的输电线路边坡位移非线性预测方法的贵州省某输电线路预测结果图。
图4为本发明第四个实施例提供的一种降雨诱发的输电线路边坡位移非线性预测方法的不同松弛变量下样本容错率的折线图。
图5为本发明第四个实施例提供的一种降雨诱发的输电线路边坡位移非线性预测方法的不同正则化参数下样本鲁棒性的折线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
为本发明的一个实施例，提供了一种降雨诱发的输电线路边坡位移非线性预测方法，包括：
S1：收集多个输电线路通道降雨和边坡位移的监测数据。
S2：对数据进行预处理，从监测数据中提取相关特征。
进一步的，对图像的预处理包括，数据清洗以及去噪等，以确保数据的质量和一致性。
将边坡位移数据、降雨数据分别转换为具有相同均值和标准差的标准正态分布。
所述标准正态分布表示为，
其中，Z位移是数据的中心化值，X位移是位移数据点的原始值，u1是位移监测数据集的平均值，σ1是位移监测数据集的标准差，Z降水量是数据点的中心化值，X降水量是降水数据点的原始值，u2是位移监测数据集的平均值，σ2是位移监测数据集的标准差。
更进一步的，对每个数据点Z位移、Z降水量通过窗口在数据序列上移动，得到滤波后的数据序列，数据序列表示为，
其中，N为移动平均滤波的窗口长度。
更进一步的，提取相关特征包括，半小时累计位移和、1小时累计位移和、半小时累计降雨以及1小时累计降雨和。
半小时累计位移和表示为，
1小时累计位移和表示为，
半小时累计降雨量表示为，
1小时累计降雨和表示为，
S3：利用机器学习算法构建LSTM模型，对模型进行训练和优化。
进一步的，提取加入降雨条件的位移数据时序特征，利用SVM构建边坡位移预测模型表示为，
ft＝σ(Wf[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
ot＝σ(WO[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，ft表示遗忘门，it表示输入门，ot表示输出门，W为隐藏单元的输入权重矩阵，b为神经元偏置项，ht-1为t-1时刻的输出，ht为t时刻的输出，xt为t时刻的输入，ct为t时刻的输出状态，ct-1为t-1时刻的输入状态，为t时刻临时状态。
更进一步的，将过去一段时间的降雨量和边坡位移量作为LSTM模型的输入序列，得到时序特征向量，位移量输入向量表示为降水量输入向量表示为使用训练数据集对LSTM模型进行训练，调整模型的参数，以学习输入序列中的时序特征，训练完成后获取LSTM模型的隐藏层输出作为提取的时序特征，输出降水时序特征向量和位移时序特征向量表示为Y降水、Y位移。
将提取的LSTM特征与对应的降雨量数据拼接在一起，形成新的输入特征；使用拼接后的特征作为SVM模型的输入，使用对应的边坡位移量作为SVM模型的目标值，使用训练数据集对SVM模型进行训练，通过寻找最优超平面来建立边坡位移预测模型。
根据SVM的目标函数找到一个最优超平面，将样本点分为两个类别，使得两个类别之间的间隔最大化，超平面可以用决策函数表示为，
f(x)＝w*x+b
其中，w是超平面的法向量，b是超平面的截距。
SVM的目标函数表示为0.5*||w||2+C∑ξi；目标函数的约束条件表示为yi*(w*zi+b)≥1-ξi。
其中，ξi为松弛变量，ξi设置为0.7，C为正则化参数，C设置为0.35。
进一步说明的是，将ξi设置为0.7优势在于允许一定比例的样本点被错位分类或位于间隔边界上，从而提高了模型的容错率，对于噪声较多或样本分布不均匀的数据集是有益的。
将C设置为0.35，模型会更更容易容忍误分类样本，通过容忍一定数量的误分类样本，模型可以更好地适应训练数据中的噪声或异常情况，从而提高了模型的鲁棒性。
S4：使用预留的测试数据对模型进行评估和验证。
进一步的，采用方根误差、平均绝对误差评估模型的性能，方根误差，表示为，
平均绝对误差表示为，
其中，n为样本容量，yi为第i个样本的真实值，为第i个样本的预测值。
实施例2
参考图2，为本发明第二个实施例，该实施例提供了一种降雨诱发的输电线路边坡位移非线性预测系统，一种降雨诱发的输电线路边坡位移非线性预测系统包括：数据采集模块、数据处理模块以及特征提取模块。
数据采集模块用于采集输电线路边坡的监测数据，包括雨量、地下水位、温度气象和水文信息，以及位移、倾斜地质信息；数据处理模块用于对采集到的数据进行预处理和归一化，以便于输入到预测模型中进行训练和预测；特征提取模块用于从已经归一化的数据中提取关键特征。
实施例3
本发明的一个实施例，其不同于前二个实施例的是：
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-OnlyMemory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)、便携式计算机盘盒(磁装置)、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编辑只读存储器(EPROM或闪速存储器)、光纤装置以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
实施例4
参照图3-图5，为本发明的第四个实施例，提供了一种降雨诱发的输电线路边坡位移非线性预测方法，通过图4得出在不同的松弛变量下样本的容错率是不同的，本方明将松弛变量设为0.7将对噪声过多或样本不均匀的数据集是极为有益的，通过将松弛变量设为0.7可以极大的提高我方发明样本的容错率，而容错率的提升可以减少干预，降低工作负担，提高效率，并减少潜在的人工错误，容错率的提高还可以帮助系统更好地处理低质量或含有噪声地数据，对于输入中地噪声、错误或异常情况地处理更加可靠。
通过图5可以得出不同正则化参数下样本的鲁棒性，本方明取较小的值0.35，效果是模型会更容易容忍误分类样本，模型可以更好地适应训练数据中的噪声或异常情况，从而提高了模型的鲁棒性，而鲁棒性的提高可以提高系统在不同条件下的可靠性、安全性以及稳定性。
输入输电线路通道的降雨数据和位移数据实时监测，输出未来8小时内边坡位移的预测结果，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。
为了使本发明的目的、技术方案及优点更加清楚明白，以下参照附图对本发明进行进一步详细说明。本发明公开了一种降雨诱发的输电线路边坡位移非线性预测方法：采用以下评估指标评估模型的性能，包括均方根误差(RMSE)、平均绝对误差(MAE)。分析评估指标的数值，判断模型的预测精度和稳定性。对比三种方法验证本算法的性能，结果如表1所示。
表1实验对比表
| 模型类别 | MAE(％) | RMSE(％) |
| BP | 0.746 | 243.314 |
| LSTM | 0.0554 | 128.453 |
| SVM | 0.0354 | 201.501 |
| 降雨\位移+LSTM-SVM | 0.0154 | 46.201 |
从上述实验结果得知，我方发明平均绝对误差是0.0154最佳，优于BP(0.746)、LSTM(0.0554)和SVM(0.0354)。
在方根误差方面，我方发明的结果(46.201)也表现最好，优于BP(243.314)、LSTM(128.453)和SVM(201.501)。
总体而言，我们可以得出结论：我方发明在预测精度方面优于BP、LSTM和SVM。
经典BP神经网络虽然能有效拟合非线性数据，但是在数据量大、参数种类多的条件下，受神经元个数和网络层浅的影响预测精度不佳。LSTM在时间序列数据的预测上更高的精度，但针对实际情况，单一LSTM方法不能更好的提升预测结果。SVM是处理预测问题的经典方法，但是缺乏对时间序列数据特性的考虑。
因此，本发明将LSTM与SVM结合，充分利用两种算法的优势，由于位移受降雨影响较大，考虑降雨量对位移的影响，进一步提升所提方法的位移预测精度。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.一种降雨诱发的输电线路边坡位移非线性预测方法，其特征在于：包括，
收集多个输电线路通道降雨和边坡位移的监测数据；
对数据进行预处理，从监测数据中提取相关特征；
利用机器学习算法构建LSTM模型，对模型进行训练和优化；
使用预留的测试数据对模型进行评估和验证。
2.如权利要求1所述的一种降雨诱发的输电线路边坡位移非线性预测方法，其特征在于：所述预处理包括，对数据进行清洗以及去噪，将边坡位移数据、降雨数据分别转换为具有相同均值和标准差的标准正态分布；
所述标准正态分布表示为，
其中，Z位移是数据的中心化值，X位移是位移数据点的原始值，u1是位移监测数据集的平均值，σ1是位移监测数据集的标准差，Z降水量是数据点的中心化值，X降水量是降水数据点的原始值，u2是位移监测数据集的平均值，σ2是位移监测数据集的标准差。
3.如权利要求2所述的一种降雨诱发的输电线路边坡位移非线性预测方法，其特征在于：所述预处理还包括，对每个数据点Z位移、Z降水量通过窗口在数据序列上移动，得到滤波后的数据序列，所述数据序列表示为，
其中，N为移动平均滤波的窗口长度。
4.如权利要求3所述的一种降雨诱发的输电线路边坡位移非线性预测方法，其特征在于：所述提取相关特征包括半小时累计位移和、1小时累计位移和、半小时累计降雨以及1小时累计降雨和；
所述半小时累计位移和表示为，
所述1小时累计位移和表示为，
所述半小时累计降雨量表示为，
所述1小时累计降雨和表示为，
5.如权利要求4所述的一种降雨诱发的输电线路边坡位移非线性预测方法，其特征在于：所述构建LSTM模型包括，提取加入降雨条件的位移数据时序特征，利用SVM构建边坡位移预测模型，所述LSTM模型表示为，
ft＝σ(Wf[ht-1，xt]+bf)
it＝σ(Wi[ht-1，xt]+bi)
ot＝σ(WO[ht-1，xt]+bo)
ht＝ot*tanh(Ct)
其中，ft表示遗忘门，it表示输入门，ot表示输出门，W为隐藏单元的输入权重矩阵，b为神经元偏置项，ht-1为t-1时刻的输出，ht为t时刻的输出，xt为t时刻的输入，ct为t时刻的输出状态，ct-1为t-1时刻的输入状态，为t时刻临时状态。
6.如权利要求5所述的一种降雨诱发的输电线路边坡位移非线性预测方法，其特征在于：所述对模型进行训练和优化包括，将过去一段时间的降雨量和边坡位移量作为LSTM模型的输入序列，得到时序特征向量，使用训练数据集对LSTM模型进行训练，调整模型的参数，以学习输入序列中的时序特征，训练完成后获取LSTM模型的隐藏层输出作为提取的时序特征，将提取的LSTM特征与对应的降雨量数据拼接在一起，形成新的输入特征；
使用拼接后的特征作为SVM模型的输入，使用对应的边坡位移量作为SVM模型的目标值，使用训练数据集对SVM模型进行训练，通过寻找最优超平面来建立边坡位移预测模型；
根据SVM的目标函数找到一个最优超平面，将样本点分为两个类别，使得两个类别之间的间隔最大化，所述超平面用决策函数表示为，
f(x)＝w*x+b
其中，w是超平面的法向量，b是超平面的截距；
所述SVM的目标函数表示为0.5*||w||2+C∑ξi；
目标函数的约束条件表示为yi*(w*zi+b)≥1-ξi；
其中，ξi为松弛变量，ξi设置为0.7，C为正则化参数，C设置为0.35。
7.如权利要求6所述的一种降雨诱发的输电线路边坡位移非线性预测方法，其特征在于：所述评估和验证包括，采用方根误差、平均绝对误差评估模型的性能，所述方根误差表示为，
所述平均绝对误差表示为，
其中，n为样本容量，yi为第i个样本的真实值，为第i个样本的预测值。
8.一种采用如权利要求1～7任一所述的一种降雨诱发的输电线路边坡位移非线性预测方法的系统，其特征在于：包括，数据采集模块、数据处理模块以及特征提取模块；
所述数据采集模块用于采集输电线路边坡的监测数据，包括雨量、地下水位、温度气象和水文信息，以及位移、倾斜地质信息；
所述数据处理模块用于对采集到的数据进行预处理和归一化，以便于输入到预测模型中进行训练和预测；
所述特征提取模块用于从已经归一化的数据中提取关键特征。
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中任一项所述的降雨诱发的输电线路边坡位移非线性预测方法的步骤。
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中任一项所述的降雨诱发的输电线路边坡位移非线性预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310795625.0A CN116955947A (zh) | 2023-06-30 | 2023-06-30 | 一种降雨诱发的输电线路边坡位移非线性预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310795625.0A CN116955947A (zh) | 2023-06-30 | 2023-06-30 | 一种降雨诱发的输电线路边坡位移非线性预测方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116955947A true CN116955947A (zh) | 2023-10-27 |
Family
ID=88455778
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310795625.0A Pending CN116955947A (zh) | 2023-06-30 | 2023-06-30 | 一种降雨诱发的输电线路边坡位移非线性预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116955947A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725368A (zh) * | 2024-02-07 | 2024-03-19 | 浙江公路水运工程咨询集团有限公司 | 一种公路边坡位移预测方法 |
-
2023
- 2023-06-30 CN CN202310795625.0A patent/CN116955947A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117725368A (zh) * | 2024-02-07 | 2024-03-19 | 浙江公路水运工程咨询集团有限公司 | 一种公路边坡位移预测方法 |
| CN117725368B (zh) * | 2024-02-07 | 2024-05-31 | 浙江公路水运工程咨询集团有限公司 | 一种公路边坡位移预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110941928B (zh) | 一种基于dropout-SAE和Bi-LSTM的滚动轴承剩余寿命预测方法 | |
| CN111126704B (zh) | 基于多图卷积和记忆网络的多区域降水量预测模型构建方法 | |
| CN110736968B (zh) | 基于深度学习的雷达异常状态诊断方法 | |
| CN113344295B (zh) | 基于工业大数据的设备剩余寿命预测方法、系统及介质 | |
| CN109919364A (zh) | 基于自适应降噪和集成lstm的多变量时间序列预测方法 | |
| CN112434848B (zh) | 基于深度信念网络的非线性加权组合风电功率预测方法 | |
| CN110852515A (zh) | 基于混合长短时记忆神经网络的水质指标预测方法 | |
| CN114218872B (zh) | 基于dbn-lstm半监督联合模型的剩余使用寿命预测方法 | |
| Nourani et al. | A new hybrid algorithm for rainfall–runoff process modeling based on the wavelet transform and genetic fuzzy system | |
| CN116955947A (zh) | 一种降雨诱发的输电线路边坡位移非线性预测方法及系统 | |
| CN111241755A (zh) | 电力负荷预测方法 | |
| CN116993537A (zh) | 一种基于串行gru自编码器的电力负荷异常检测方法及系统 | |
| CN116680643A (zh) | 一种深度对比学习与密度聚类结合的异常检测方法 | |
| CN114563671A (zh) | 一种基于CNN-LSTM-Attention神经网络的高压电缆局部放电诊断方法 | |
| Ali et al. | Flood prediction using deep learning models | |
| CN117149581A (zh) | 一种基于关联规则算法的异常信息分析预警方法及系统 | |
| CN115187266B (zh) | 基于记忆力变分自编码模型的信用卡欺诈检测方法及系统 | |
| CN116522070A (zh) | 一种机械零部件无监督智能故障诊断方法及系统 | |
| CN115359870B (zh) | 一种基于层次图神经网络的疾病诊疗过程异常识别系统 | |
| CN116595465A (zh) | 基于自编码器和数据增强的高维稀疏数据离群点检测方法及系统 | |
| CN113052060B (zh) | 基于数据增强的轴承剩余寿命预测方法、装置及电子设备 | |
| CN115330050A (zh) | 一种基于混合模型的建筑物负荷预测方法 | |
| CN114298413A (zh) | 一种水电机组振摆趋势预测方法 | |
| Chen et al. | LPR‐MLP: A Novel Health Prediction Model for Transmission Lines in Grid Sensor Networks | |
| CN110764065B (zh) | 基于时序重构的雷达故障诊断方法 |
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 |