CN117274660A - 一种电网防冰减灾的微地形微气象数据库建立方法及系统 - Google Patents
一种电网防冰减灾的微地形微气象数据库建立方法及系统 Download PDFInfo
- Publication number
- CN117274660A CN117274660A CN202310945457.9A CN202310945457A CN117274660A CN 117274660 A CN117274660 A CN 117274660A CN 202310945457 A CN202310945457 A CN 202310945457A CN 117274660 A CN117274660 A CN 117274660A
- Authority
- CN
- China
- Prior art keywords
- micro
- topography
- data
- meteorological
- icing
- 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
- 238000012876 topography Methods 0.000 title claims abstract description 136
- 238000000034 method Methods 0.000 title claims abstract description 81
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Chemical compound O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 142
- 238000012545 processing Methods 0.000 claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 32
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 12
- 239000011248 coating agent Substances 0.000 claims description 31
- 238000000576 coating method Methods 0.000 claims description 31
- 230000005540 biological transmission Effects 0.000 claims description 23
- 230000002159 abnormal effect Effects 0.000 claims description 18
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000000605 extraction Methods 0.000 claims description 15
- 230000000295 complement effect Effects 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000015654 memory Effects 0.000 claims description 11
- 230000001174 ascending effect Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical compound [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 8
- 238000004590 computer program Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 4
- 229910052742 iron Inorganic materials 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000001514 detection method Methods 0.000 claims description 3
- 230000008859 change Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 9
- 238000009825 accumulation Methods 0.000 description 6
- 230000002265 prevention Effects 0.000 description 5
- 238000009826 distribution Methods 0.000 description 4
- 210000003323 beak Anatomy 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000011218 segmentation Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005304 joining Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000002844 melting Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000005211 surface analysis Methods 0.000 description 1
- 239000002352 surface water Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- 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
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Remote Sensing (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Molecular Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Operations Research (AREA)
- Biophysics (AREA)
- Algebra (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Biomedical Technology (AREA)
- Astronomy & Astrophysics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明属于电网覆冰监测与控制技术领域，公开了一种电网防冰减灾的微地形微气象数据库建立方法包括，采集电网数据，获取的DEM划分区域微地形类型以及DEM数据提取地形因子；处理人工观测覆冰数据以及在线监测数据，利用多算法对气象参数进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素；将覆冰样本气象和地形因子进行时空特征匹配，建立适用于电网防冰减灾的微地形微气象数据库。本发明能够实现水汽区地形划分和微地形的精准分类，提升分类地形识别的进度，提升气象插值精度。
Description
技术领域
本发明属于电网覆冰监测与控制技术领域，尤其涉及一种适用于电网防冰减灾的微地形微气象数据库建立方法。
背景技术
覆冰作为一种常见的自然现象，对电力系统的完全稳定运行有着极大威胁，电网覆冰是指输电线路发生结冰的一类物理现象，输电线路覆冰可能引起电气和机械事故，从而导致大范围停电，给社会造成巨大的经济损失，给人们生活用电造成极大困扰；目前研究发现易覆冰微地形对高原山区覆冰影响较大，并试图从气象、地形等方面着手进行分析，由于微地形对局部气候影响的存在，使得部分地区，即使在同一山体的同一高度位置，不同地理形态都会出现较大的覆冰差异，尤其是高原山区复杂的地理气候特征，使得对微地形的准确识别更是难上加难。
在覆冰运维和监测方面积累了丰富的覆冰观测数据，包括有人工巡检报送和在线覆冰监测终端数据，但由于观测技术手段不同等原因，历史覆冰监测数据存在汇总杂乱、格式不统一、参数缺失等问题，导致覆冰观测数据的可利用率不高。在微气象数据方面，人工观测覆冰数据和覆冰在线监测数据均存在气象参数缺失，人工观测覆冰数据由于工作人员缺失气象知识和气象观测仪器，在进行覆冰观测时只观测了温度，其他气象参数无法观测取值，需要进行补全。覆冰在线监测记录由于气象参数观测仪器缺失、仪器故障导致气象参数异常，这部分样本的气象参数均需以第三方气象观测记录进行空间插值补全。自然邻域法对于数据完整、均匀分布的具有极强的平滑插值拟合效果，而对于数据相对不完整、均匀相对不分布的情况下，反距离权重插值法和克里金算法具有较好的普适性。反距离权重法的优点是原理简单，适用范围比较广，对原始数据变化范围较大的数据集进行插值时，不会出现难以理解或不能解释的插值结果。但其权重系数的选取对插值精度的影响很大，且插值结果中易出现孤立点数据，在插值曲面中明显高于或低于周围数据点。克里金插值通过对周围测量值加权来预测未测量位置的值，其半变异函数模型决定输出结果，所选择的模型不同，预测点的值也会不同，对于气象要素场插值来说球形模型更为适合，但其对于局部细节要素具有较强的描述能力。
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。
鉴于上述现有存在的问题，提出了本发明。
因此，提供一种电网防冰减灾的微地形微气象数据库建立方法，引入卫星遥感影像识别DEM中的真实洼地和伪洼地，提出气象数据完整率的气象参数分类插值方法，实现水汽区地形划分和微地形的精准分类，提升分类地形识别的进度，提升气象插值精度。
为解决上述技术问题，本发明提供如下技术方案，一种电网防冰减灾的微地形微气象数据库建立方法，包括：
采集电网数据，获取的DEM划分区域微地形类型以及DEM数据提取地形因子；处理人工观测覆冰数据以及在线监测数据，利用多算法对气象参数进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素；将覆冰样本气象和地形因子进行时空特征匹配，建立适用于电网防冰减灾的微地形微气象数据库。
作为本发明所述的电网防冰减灾的微地形微气象数据库建立方法的一种优选方案，其中：所述微地形类型包括抽取分类区域的典型场景并采集特征信息集，采用混淆矩阵计算对易覆冰微地形分类进行精准率、召回率和F1S地形分类：
所述精准率、召回率以及F1S表达为：
其中，TPA为易覆冰地形实际为微地形类型A并被判断为A微地形类型，FNA为易覆冰地形实际为微地形类型A并被判断为非A微地形类型，FPA为易覆冰地形实际为非A微地形类型并被判断为微地形类型A，TNA为易覆冰地形实际为非A微地形类型并被判断为非A微地形类型，A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的一种，Precision为精准率，Recall为召回率，F1S是为精准率和召回率的调和平均值。
作为本发明所述的电网防冰减灾的微地形微气象数据库建立方法的一种优选方案，其中：所述提取地形因子包括设定易覆冰微地形A的分类精度阈值为ψA，判断是否满足易覆冰微地形A的分类精度阈值ψA的要求：
当满足阈值ψA的要求时，则判断为地形分类完成，进行基于获取的DEM数据提取区域高程地形因子、坡度地形因子和坡向地形因子；
当不满足要求阈值ψA的要求时，则调整高原山区数字高程模型DEM的分辨率，将需要识别的区域分为F个不同大小的分区，选择自定义H×Z大小的领域窗口，采用领域分析对地形进行DEM正、负地形的提取，对地形提取并进行矢量化处理，采集高原山区易覆冰区域的微地形A的特征信息集进行重新识别和判断，直至满足易覆冰微地形A的分类精度阈值ψA的要求并进行基于获取的DEM数据提取区域高程地形因子、坡度地形因子和坡向地形因子；
其中，微地形的特征信息集处理包括坡度计算采用拟合曲面法表示为：
其中，Cellsize为格网DEM的间隔长度，Slopewe为X方向的坡度，Slopesn为Y方向的坡度，3×3每个像元素的高程值，第1列记作(e5,e2,e6)，第2列记作(e1,e,e3)，第3列记作(e8,e4,e7)。
作为本发明所述的电网防冰减灾的微地形微气象数据库建立方法的一种优选方案，其中：所述处理人工观测覆冰数据以及在线监测数据包括剔除以下所规定的数据和检测记录：
考虑到中重冰区易覆冰样本对数据库建立的影响：剔除设计覆冰厚度小于10mm的人工观冰数据，剔除最大覆冰厚度小于5mm以及大于80mm的覆冰监测记录，剔除中重冰区覆冰比值大于4的覆冰监测记录；
考虑到寒潮持续周期，剔除每个自然月有25天以上的覆冰厚度记录数据，并且对覆冰终端存在多个相位覆冰厚度观测记录的取平均值；
剔除覆冰观测记录中的异常气象参数：当T<-25℃∨T>40℃时，气温T判据异常，当H<0RH％∧H>100RH％时，湿度H判据异常，当S>40m/s时，风速S参数判据异常，对同一覆冰样本的气温、湿度和风速参数均为异常参数时，则剔除样本。
作为本发明所述的电网防冰减灾的微地形微气象数据库建立方法的一种优选方案，其中：所述插值处理包括对气象参数集进行聚类处理、对气象参数集插值补全；
所述聚类处理包括利用K-means算法对数据作归一化处理、欧式平方距离对气象参数集CItp进行聚类，所述归一化处理表达为：
当对气象数据完整率大于等于θ的气象参数认为数据完整率高记作CIt，对气象数据完整率小于θ的气象参数认为数据完整率低记作CIf，所述聚类表达为：
y＝P(x)＝akxk+ak-1xk-1+…+a1x+a0
其中，t为时间，d为气象数据，n为数据长度，气象参数集CIt经过初次插值后的气象参数集记作CItp，聚类后的气象数据集记作CItx，P(x)为已知的若干点构造函数，θ为气象数据完整率的评价阈值。
作为本发明所述的电网防冰减灾的微地形微气象数据库建立方法的一种优选方案，其中：所述插值补全包括对气象参数集CItx插值补全、对气象参数集CIf插值补全；
所述CItx插值补全采用自然邻域法，构建LSTM预测模型得到插值结果θ表达为：
ht＝ot⊙tanh(ct)
θ＝ω1ξ1+ω2ξ2
其中，ω1、ω2分别对应自然邻域法插值结果ξ1和LSTM预测模型插值结果ξ2的权重系数，ht为最终输出预测结果，ot为输出门，ct为当前时刻的单元状态。
作为本发明所述的电网防冰减灾的微地形微气象数据库建立方法的一种优选方案，其中：所述对气象参数集CIf插值补全包括采用反距离权重法和克里金算法插值补全，所述反距离权重法表达为：
所述克里金算法表达为：
对气象参数集CIf插值结果ρ表达为：
ρ＝ω3ξ3+ω4ξ4
其中，Z为区域内待插值点的值，n为区域内对未知点有影响的已知点数量，zi为第i个已知点的值，di为第i个已知点到待插值点的距离，k为指定的幂，插值时应选择平均绝对误差值最小的k值，Z(x)为插值点估计值，γi为第i个样本点的权重系数，Zi为第i个样本点的已知值，ω3、ω4分别对应反距离权重法插值结果ξ3和克里金算法插值结果ξ4的权重系数。
本发明的另外一个目的是提供了一种电网防冰减灾的微地形微气象数据库建立方法及存储介质，构建了卫星遥感影像识别DEM中的真实洼地和伪洼地，采用卫星遥感影像提取大型水体的真实边界，提出气象数据完整率的气象参数分类插值方法，提升分类地形识别精度、气象插值精度。
一种电网防冰减灾的微地形微气象数据库建立系统，其特征在于，包括数据采集模块、微地形划分模块、地形因子提取模块、数据处理模块、覆冰插值处理模块、时空特征匹配模块。
所述数据采集模块，负责收集电网人工观冰数据、覆冰监测数据、气象站实测数据、区域数字高程模型、输电线路及铁塔矢量数据。
所述微地形划分模块，获取的DEM划分区域微地形类型。
所述地形因子提取模块，获取的DEM数据提取地形因子。
所述数据处理模块，负责对输电线路人工观测覆冰数据进行处理，以及对覆冰终端的在线监测数据进行处理。
所述覆冰插值处理模块，利用多算法对气象参数进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素。
所述时空特征匹配模块，负责覆冰样本气象和地形因子时空特征匹配，建立适用于电网防冰减灾的微地形微气象数据库。
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一种电网防冰减灾的微地形微气象数据库建立所述的方法的步骤。
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一种电网防冰减灾的微地形微气象数据库建立所述的方法的步骤。
本发明的有益效果：本发明引入卫星遥感影像识别DEM中的真实洼地和伪洼地，在对DEM进行洼地填充过程中更有效地对真实洼地进行填充处理；采用卫星遥感影像提取大型水体的真实边界，实现对水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形的划分；通过地表流水物理模拟算法和流域分割算法，实现了高原山区易覆冰区域的含山脊、山谷、垭口、迎风坡、背风坡、水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区等微地形的精准分类，能更加全面地描述高原山区易覆冰区域的微地形特征；高原山区易覆冰区域的微地形精准分类能够基于DEM快速识别大尺度区域输电线路微地形类型，同时结合区域冰区图可提取不同等级覆冰的易覆冰微地形区，易覆冰微地形区能够为电网的冬季覆冰巡检路线规划、防融冰设备终端布设提供空间优化意见；通过设定高原山区易覆冰区域的微地形识别精度阈值，对易覆冰区域的微地形识别不满足识别精度要求时及时进行修正，提升分类地形识别精度。提出气象数据完整率的气象参数分类插值方法，利用自然邻域法、LSTM模型、反距离权重法、克里金算法等方法进行插值加权后，再根据设定的气象参数曲线面积情况，滚动修正气象参数权重系数，提升气象插值精度。基于历史人工观测覆冰数据、覆冰在监测终端数据的提取对应覆冰样本点的气象因子和地形因子，通过将各个气象因子与地形因子的格网坐标与覆冰样本点的经纬度坐标进行匹配，提取每个覆冰样本观测时间点的气象要素和地形要素，实现覆冰样本时空参数匹配。
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他的附图，其中：
图1为本发明一个实施例提供的一种电网防冰减灾的微地形微气象数据库建立方法的工作方法流程示意图。
图2为本发明一个实施例提供的一种电网防冰减灾的微地形微气象数据库建立系统的工作流程示意图。
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他方式来实施，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，也不是单独地或选择性地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
参照图1，为本发明的第一个实施例，该实施例提供了一种电网防冰减灾的微地形微气象数据库建立方法，包括：
S1：采集电网数据，获取的DEM划分区域微地形类型以及DEM数据提取地形因子。
更进一步的，收集电网人工观冰数据、覆冰监测数据、气象站实测数据、区域数字高程模型、输电线路及铁塔矢量数据：人工观冰数据主要包含输电线路所属电网公司、所属局、电压等级、输电线路名称、杆塔编号、观冰线路段、观冰日期、经纬度、天气情况、气温、观冰方法、覆冰类型、覆冰厚度、设计冰厚、覆冰比值等信息；覆冰在线监测终端数据主要包含等值覆冰厚度、数据观测时间、气温、湿度、风速、风向、雨量、气压等属性信息；输电线路数据包括输电线路的杆塔位、输电线路走向GIS矢量数据，其属性数据主要包含输电线路所属电网公司、管理局、电压等级、输电线路名称、杆塔编号、杆塔空间坐标等信息；区域数字高程模型DEM采用SRTM数据每经纬度方格提供一个文件，精度有SRTM1-1角秒和SRTM3-3角秒两种，分别对应的精度为30米和90米分辨率数据，SRTM1的文件里面包含3601×3601个采样点的高度数据，SRTM3里包含1201×1201个采样点的高度数据；气象站实测数据包括国家级气象站观测气象数据和格网数据，主要有气压、气温、降水量、蒸发量、相对湿度、风向风速、日照时数和0cm地温要素的日值观测数据。
应说明的是，将需要识别的区域分为F个不同大小的分区，选择自定义H×Z大小的领域窗口，提取和形成高原山区山脊、山谷地形特征信息集：采用邻域分析对高原山区区域进行DEM正、负地形的提取；滑动栅格DEM计算该窗口下所有栅格的平均高程值，并将该值赋予该时刻下邻域中心栅格的像元值；提取过程完成生成均值DEM栅格图像，基于原始DEM数据减去均值DEM数据得到概略DEM，对概略DEM进行两次重分类处理，得到DEM的正、负地形区，邻域分析过程中，不同邻域窗口大小会影响着正负地形的结果，故本研究采用不同分析窗口地物信息差异程度的最大值为基本思想，利用均值变点分析法，得到最佳邻域分析窗口。
计算汇流累计量：对DEM进行洼地填充，利用GIS软件在进行汇流累积量计算之前，要对DEM数据洼地填平处理，得到无洼地DEM，以避免因地形起伏等原因，基于摄影测量技术和等高线内插法生成的数字高程模型产生地形误差，造成洼地误差，同时洼地的存在则会阻碍水流的正常流动，导致提取的地形特征线不连续；对水流方向矩阵计算。以无洼地DEM作为输入，采用D8流向算法对其进行水流方向计算，得到水流方向矩阵；进行汇流累积量计算。以水流方向数据作为输入数据，按照自然社会规律，水流往往从高的地方流向低的地方，以区域的水流方向最为基础数据，依次计算每一格网点处的水量值，从而求得区域的汇流累积量结果，并对汇流累积量数据进行栅格分析，提取汇流累积量值为0的栅格单元作为概略山脊区；汇流累积量零值提取。为避免提取过程中存在噪点的干扰，首次提取的汇流累积量零值结果会出现破碎、分布不连续等现象，因此需要对其邻域分析以去除噪声3×3邻域分析；最后利用重分类方法将邻域分析结果进行二值化处理，即将接近1的值设置为1，其他设置为0，得当粗略的山脊地形提取结果；结合GIS栅格计算器，以汇流累积量作为数据输入计算汇流累积量值为0的栅格单元，从而获得需要分析区域的汇流累计量零值结果图。
山脊地形提取与矢量化：将计算得到的正地形区与汇流累计量二值化结果进行栅格叠加分析，得到山脊微地形区，并将可将山脊地形区进行中心线矢量化处理：利用数字高程DEM数据制作出地形晕渲图，依据太阳光对地面照射所产生的影响不同，即明暗效果不同，将其以灰度或彩色的形式输出，直观地表达地面的起伏变化。将提取得到的山脊区叠加到地貌晕渲图上，判断特征线提取是否正确，发现山脊线和伪山脊区进行编辑，得到精确的山脊提取结果；山谷地形区通过利用反地形DEM提取山脊区的思想来提取进行矢量化处理；具体的，在反地形中，山脊线与原始格网DEM上的山谷线是对应的，选择一个较大的高程值，用此高程值减去原始DEM高程，得到的结果与原始DEM数据正好相反，对反地形上的山脊线进行提取，就可以将山谷线提取出来。
垭口主要分布在区域的山顶点、山谷点以及山脊线和山谷线构成的特征线交汇处，根据提取的山脊区和山谷区进行栅格求交分析，得到垭口地形特征信息集；提取每个待识别的山坡单元，循环计算每个山坡单元的坡向，对于每个待分山坡单元，搜索该栅格单元位置最邻近气象站，计算该气象站的多年冬季平均风向，对比坡向和冬季风向，将坡向和风向夹角在90°以内为山坡单元划分为迎风坡，否则为背风坡；坡度计算一般采用拟合曲面法。拟合曲面一般采用二次曲面，即3×3的窗口，每个窗口的中心为一个高程点，中心点e的坡度和坡向的计算公式如下：
其中，Slope为坡度，Aspect为坡向，Slopewe为X方向的坡度，Slopesn为Y方向的坡度，Slopewe、Slopesn的计算可以采用如下方法计算：
其中，Cellsize为格网DEM的间隔长度，Slopewe为X方向的坡度，Slopesn为Y方向的坡度，3×3每个像元素的高程值，第1列记作(e5,e2,e6)，第2列记作(e1,e,e3)，第3列记作(e8,e4,e7)。
提取和形成高原山区水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集；定义水汽上行区，定义大型水体缓冲区范围内且属于迎风坡地形的区域为水汽上行区，解决在大型水库、湖泊和河流经过区域大气水汽较多，水汽容易在大气上空聚集，在风场和地形的配合作用下极易导致输电线路覆冰的问题；采用近实时Landsat8 OLI多光谱遥感影像数据来进行水体边界提取，卫星遥感的实时数据获取和大范围对地观测能够很好地监测和反映真实水体变化，基于Landsat8影像计算的改进归一化差异水体指数可以获取水体覆盖范围，公式如下：
其中，Green为遥感影像的绿光波段，MIR为中红外波段，在Landsat 8影像中分别为第3和第5波段，基于MNDWI指数进行阈值分割划分出水体和非水体边界；提取水汽上行区，对提取的大型水域边界进行缓冲区分析，将水体缓冲区与迎风坡地形区进行栅格叠置分析，求取交叉栅格单元，确定每个待分山坡单元的水汽上行区位置。
提取和形成高原山区山脊水汽区、山谷水汽区、垭口水汽区地形特征信息集：在水汽影响区地形范围内，存在特殊的山脊、山谷和垭口等地形特征，该类地形在水汽作用下，由于气流辐合，容易形成水汽聚集和风口。对提取的大型水域边界进行缓冲区分析，将水体缓冲区与山脊、山谷、垭口地形区进行栅格叠置分析，求取交叉栅格单元，确定山脊水汽区、山谷水汽区、垭口水汽区；综合上述步骤，得到高原山区易覆冰区域的含山脊、山谷、垭口、迎风坡、背风坡、水汽上行区、山脊水汽区、山谷水汽区、垭口水汽区等微地形的特征信息集。
还应说明的是，抽取分类区域的典型场景并采集特征信息集，采用混淆矩阵计算对易覆冰微地形分类进行精准率、召回率和F1S地形分类：
精准率、召回率以及F1S表达为：
其中，TPA为易覆冰地形实际为微地形类型A并被判断为A微地形类型，FNA为易覆冰地形实际为微地形类型A并被判断为非A微地形类型，FPA为易覆冰地形实际为非A微地形类型并被判断为微地形类型A，TNA为易覆冰地形实际为非A微地形类型并被判断为非A微地形类型，A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的一种，Precision为精准率，Recall为召回率，F1S是为精准率和召回率的调和平均值。
还应说明的是，设定易覆冰微地形A的分类精度阈值为ψA，判断是否满足易覆冰微地形A的分类精度阈值ψA的要求：当满足阈值ψA的要求时，则判断为地形分类完成，进行基于获取的DEM数据提取区域高程地形因子、坡度地形因子和坡向地形因子；当不满足要求阈值ψA的要求时，则重复上述步骤进行重新识别和判断，直至满足易覆冰微地形A的分类精度阈值ψA的要求并进行基于获取的DEM数据提取区域高程地形因子、坡度地形因子和坡向地形因子。
更进一步的，输电线路的易覆冰区域往往分布在高海拔、地形起伏较大、环境复杂等人流稀少的地区，地形一般较为复杂，这些区域也是冬季覆冰较为严重的地区。基于获取的DEM数据提取地形因子主要包括区域高程、坡度和坡向等地形因子，具体步骤如下：
高程因子可直接从原始DEM中获取。坡度和坡向是两个重要的地形特征因子，在地形表面分析中起到重要作用。利用区域坡度分布图和坡向分布图并结合易覆冰微地形样本点提取每个样本点所在栅格单元的坡度和坡向，从而获取历史覆冰样本的坡度因子和坡向因子：坡度是地表面上某一点的切面和水平面所成的夹角，坡度值越大，地势越陡峭；坡度值越小，地势越平坦。坡度取决于表面从中心像元开始在水平(dz/dx)方向和垂直(dz/dy)方向上的变化率(增量)，即在一个3×3邻域范围内，其中第1列记作(a，b，c)，第2列记作(d，e，f)，第3列记作(g，h，i)，中心像元的坡度值为中心像元高程值与邻域方向8个方向像元高程之间距离的最大变化率，其计算公式如下：
像元e在x方向上的变化率将通过以下算法进行计算：
像元e在y方向上的变化率将通过以下算法进行计算：
则中心像元e的坡度值就散公式为：
获取坡向因子：坡度变化的方向称为坡向，坡向用于识别每个像元到其相邻像元方向上值的变化率最大的下坡方向。表示地表面某一位置斜坡方向变化的量度，本研究采用移动的3×3滑动窗口访问输入栅格中的每个像元，窗口中心的像元的坡向值将通过八个相邻像元值进行计算，计算公式如下：
Aspecte＝arctan2([dz/dy],-dz/dx)×57.29578
其中cellsize为数字高程模型的分辨率。
S2：处理人工观测覆冰数据以及在线监测数据，利用多算法对气象参数进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素。
更进一步地，梳理收集电网现有输电线路杆塔坐标，筛选出具有经纬度空间坐标的所有电压等级输电线路历史人工观冰数据；整理人工观冰数据对应的输电线路名称、杆塔编号和观冰线路段区段：剔除以下所规定的数据和检测记录：考虑到中重冰区易覆冰样本对数据库建立的影响：剔除设计覆冰厚度小于10mm的人工观冰数据，剔除最大覆冰厚度小于5mm以及大于80mm的覆冰监测记录，剔除中重冰区覆冰比值大于4的覆冰监测记录；考虑到寒潮持续周期，剔除每个自然月有25天以上的覆冰厚度记录数据，并且对覆冰终端存在多个相位覆冰厚度观测记录的取平均值；剔除覆冰观测记录中的异常气象参数：当T<-25℃∨T>40℃时，气温T判据异常，当H<0RH％∧H>100RH％时，湿度H判据异常，当S>40m/s时，风速S参数判据异常，对同一覆冰样本的气温、湿度和风速参数均为异常参数时，则剔除样本。
应说明的是，人工观测覆冰数据和覆冰在线监测数据均存在气象参数缺失。人工观测覆冰数据由于工作人员缺失气象知识和气象观测仪器，气象参数无法观测取值，需要进行补全。同时覆冰在线监测记录由于气象参数观测仪器缺失、仪器故障导致气象参数异常，需要进行补全。这部分样本的气象参数均需以气象观测记录进行空间插值补全，具体步骤如下：
对气象数据完整性进行检查，得到气象数据的数据完整率：
当对气象数据完整率大于等于θ的气象参数认为数据完整率高记作CIt，对气象数据完整率小于θ的气象参数认为数据完整率低记作CIf；为提升插值算法的精度和效率，利用K-means算法对数据作归一化处理、欧式平方距离对气象参数集CItp进行聚类，由于各个覆冰数据中缺测和异常的气象参数的数量、幅值不同，对数据作归一化处理，将数据映射到区间[0,1]上表达为：
利用区间内已知的若干点构造函数P(x)，并用该函数在插值点的函数值近似为插值点的真实值，给定n+1个数据点找到一个多项式使其满足所有yi＝P(xi)：
y＝P(x)＝akxk+ak-1xk-1+…+a1x+a0
由上式建立n+1个方程，理论上可以求解出n+1个多项式系数(a0,a1,…,an)，从而构造插值函数，则插值点xk的近似值为P(xk)，采用欧式平方距离对气象参数集CItp进行聚类，聚类后的气象数据集记作CItx表达为：
其中，t为时间，d为气象数据，n为数据长度，气象参数集CIt经过初次插值后的气象参数集记作CItp，聚类后的气象数据集记作CItx，P(x)为已知的若干点构造函数，θ为气象数据完整率的评价阈值。
还用说明的是，①采用自然邻域法对气象参数集CItx进行插值补全，得到基于自然邻域法插值结果ξ1：自然邻域法插值找到距查询点最近的输入样本子集，并基于区域大小按比例对这些样本应用权重来进行插值。使用Delauney三角形，先对所有样本点创建泰森多边形计算公式为：
其中，Ni(x)为x点关于其自然邻域节点下的权重，fi为已知点的坐标值；②考虑到数据完整性高，构建LSTM预测模型，对气象参数集CItx进行预测插值，得到基于LSTM预测模型的插值结果ξ2，最终输出预测结果ht：
得到气象参数插值结果为：
θ＝ω1ξ1+ω2ξ2
其中，ω1、ω2分别对应自然邻域法插值结果ξ1和LSTM预测模型插值结果ξ2的权重系数，ht为最终输出预测结果，ot为输出门，ct为当前时刻的单元状态，Wf是遗忘门的权重矩阵，[ht-1,xt]表示将两个向量连接成一个更长的向量，bf是遗忘门的偏置项，σ是sigmoid函数，ft为遗忘门，it为输入门，ot为输出门，Wo是从输出门的权重矩阵，bo是输出门的偏置项，Wi是输入门的权重矩阵，bi是输入门的偏置项，ct为单元状态是上一次的单元状态ct-1按元素乘以遗忘门ft，再用当前输入的单元状态按元素乘以输入门it，再将两个积加和，把LSTM关于当前的记忆和长期的记忆ct-1组合在一起，形成了新的单元状态ct，tanh为双曲正切激活函数，Wc是从单元到门向量的权重矩阵，bc是单元状态的偏置项；
利用气象参数曲线下方的面积得分超过0.8，则认为权重系数满足要求，否则重新调整权重系数直至超过0.8；对气象数据完整率小于θ的气象参数认为数据完整率低，将其记作CIf，其中θ为气象数据完整率的评价阈值。
还应说明的是，③采用反距离权重法对气象参数集CIf进行插值补全，得到基于反距离权重法插值结果ξ3：根据已知点和待插值点之间的距离按距离的反比计算权重，从而进行插值，即样本点的值最终由范围内多个已知样本点的加权平均得到，反距离权重法表达为：
④采用克里金算法对气象参数集CIf进行插值补全，得到基于克里金算法插值结果ξ4：克里金算法表达为：
对气象参数集CIf插值结果ρ表达为：
ρ＝ω3ξ3+ω4ξ4
其中，Z为区域内待插值点的值，n为区域内对未知点有影响的已知点数量，di为第i个已知点到待插值点的距离，k为指定的幂，插值时应选择平均绝对误差值最小的k值，Z(x)为插值点估计值，γi为第i个样本点的权重系数，Zi为第i个样本点的已知值，ω3、ω4分别对应反距离权重法插值结果ξ3和克里金算法插值结果ξ4的权重系数。
还应说明的是，利用气象参数曲线下方的面积得分超过0.8，则认为权重系数满足要求，否则重新调整权重系数直至超过0.8；对气象参数进行分类插值处理汇总后，得到最终气象参数的数据库。
S3：将覆冰样本气象和地形因子进行时空特征匹配，建立适用于电网防冰减灾的微地形微气象数据库。
更进一步的，覆冰样本气象和地形因子时空特征匹配，通过将各个气象因子与地形因子的格网坐标与覆冰样本点的经纬度坐标进行匹配，提取每个覆冰样本观测时间点的气象要素和地形要素，建立适用于电网防冰减灾的微地形微气象数据库。
实施例2
参照图1，为本发明的一个实施例，提供了一种电网防冰减灾的微地形微气象数据库建立方法，为了验证本发明的有益效果，通过实验进行科学论证。
通过集电网数据、人工观测冰数据和在线监测数据，综合用多种数据源，提高了数据的全面性和准确性；对气象数据进行插值处理，使用多种值算法(如克里金插值、反距离权重插值等)填缺失值或增加空间分辨率，采多种插值算法对气象参数进行处理，可以更快地填补缺失值，获得续的覆冰过程数据，提高了数据的可能性和连续性；将覆冰样本气数据和地形因子进行时空特匹配，能够更好地分析冰与地形、气象之的关系，为电网防冰减灾提供更准确的参考依据；通过建立用于电网防冰减灾的微地形微气象数据库，可以为电网运营者提供时的覆冰信息和相关气象要素，帮助他们做出科决策，减少冰雪风险，提高电网的可靠和稳定性。我方发明模型在以山脊、山谷以及垭口为例的模拟仿真实验下，实验对比效果如表1所示：
表1：实验数据对比表
如上表所示，可以看出本发明方法相较于传统方法在防灾精度和特征信息采集准确度上都有大幅度的提升，且防灾效果有明显的优势，能够及时在数据库中反应，及时作出应对措施，减少了灾害的发生，保障了电网微地形微气象运行环境的安全性。
应说明的是，以上实施例仅用于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。
实施例3
本发明第三个实施例，其不同于前两个实施例的是：
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2，为本发明的第四个实施例，该实施例提供了一种电网防冰减灾的微地形微气象数据库建立系统，包括数据采集模块、微地形划分模块、地形因子提取模块、数据处理模块、覆冰插值处理模块、时空特征匹配模块。
数据采集模块负责收集电网人工观冰数据、覆冰监测数据、气象站实测数据、区域数字高程模型、输电线路及铁塔矢量数据。
微地形划分模块获取的DEM划分区域微地形类型。
地形因子提取模块获取的DEM数据提取地形因子。
数据处理模块负责对输电线路人工观测覆冰数据进行处理，以及对覆冰终端的在线监测数据进行处理。
覆冰插值处理模块利用多算法对气象参数进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素。
时空特征匹配模块负责覆冰样本气象和地形因子时空特征匹配，建立适用于电网防冰减灾的微地形微气象数据库。
应说明的是，以上实施例仅用于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)
1.一种电网防冰减灾的微地形微气象数据库建立方法，其特征在于：包括，
采集电网数据，获取的DEM划分区域微地形类型以及DEM数据提取地形因子；
处理人工观测覆冰数据以及在线监测数据，利用多算法对气象参数进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素；
将覆冰样本气象和地形因子进行时空特征匹配，建立适用于电网防冰减灾的微地形微气象数据库。
2.如权利要求1所述的一种电网防冰减灾的微地形微气象数据库建立方法，其特征在于：所述微地形类型包括抽取分类区域的典型场景并采集特征信息集，采用混淆矩阵计算对易覆冰微地形分类进行精准率、召回率和F1S地形分类：
所述精准率、召回率以及F1S表达为：
其中，TPA为易覆冰地形实际为微地形类型A并被判断为A微地形类型，FNA为易覆冰地形实际为微地形类型A并被判断为非A微地形类型，FPA为易覆冰地形实际为非A微地形类型并被判断为微地形类型A，TNA为易覆冰地形实际为非A微地形类型并被判断为非A微地形类型，A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的一种，Precision为精准率，Recall为召回率，F1S是为精准率和召回率的调和平均值。
3.如权利要求2所述的一种电网防冰减灾的微地形微气象数据库建立方法，其特征在于：所述提取地形因子包括设定易覆冰微地形A的分类精度阈值为ψA，判断是否满足易覆冰微地形A的分类精度阈值ψA的要求：
当满足阈值ψA的要求时，则判断为地形分类完成，进行基于获取的DEM数据提取区域高程地形因子、坡度地形因子和坡向地形因子；
当不满足要求阈值ψA的要求时，则调整高原山区数字高程模型DEM的分辨率，将需要识别的区域分为F个不同大小的分区，选择自定义H×Z大小的领域窗口，采用领域分析对地形进行DEM正、负地形的提取，对地形提取并进行矢量化处理，采集高原山区易覆冰区域的微地形A的特征信息集进行重新识别和判断，直至满足易覆冰微地形A的分类精度阈值ψA的要求并进行基于获取的DEM数据提取区域高程地形因子、坡度地形因子和坡向地形因子，其中，微地形的特征信息集处理包括坡度计算采用拟合曲面法表示为：
其中，Cellsize为格网DEM的间隔长度，Slopewe为X方向的坡度，Slopesn为Y方向的坡度，3×3每个像元素的高程值，第1列记作(e5,e2,e6)，第2列记作(e1,e,e3)，第3列记作(e8,e4,e7)。
4.如权利要求3所述的一种电网防冰减灾的微地形微气象数据库建立方法，其特征在于：所述处理人工观测覆冰数据以及在线监测数据包括剔除以下所规定的数据和检测记录：
考虑到中重冰区易覆冰样本对数据库建立的影响：剔除设计覆冰厚度小于10mm的人工观冰数据，剔除最大覆冰厚度小于5mm以及大于80mm的覆冰监测记录，剔除中重冰区覆冰比值大于4的覆冰监测记录；
考虑到寒潮持续周期，剔除每个自然月有25天以上的覆冰厚度记录数据，并且对覆冰终端存在多个相位覆冰厚度观测记录的取平均值；
剔除覆冰观测记录中的异常气象参数：当T<-25℃∨T>40℃时，气温T判据异常，当H<0RH％∧H>100RH％时，湿度H判据异常，当S>40m/s时，风速S参数判据异常，对同一覆冰样本的气温、湿度和风速参数均为异常参数时，则剔除样本。
5.如权利要求4所述的一种电网防冰减灾的微地形微气象数据库建立方法，其特征在于：所述插值处理包括对气象参数集进行聚类处理、对气象参数集插值补全；
所述聚类处理包括利用K-means算法对数据作归一化处理、欧式平方距离对气象参数集CItp进行聚类，所述归一化处理表达为：
当对气象数据完整率大于等于θ的气象参数认为数据完整率高记作CIt，对气象数据完整率小于θ的气象参数认为数据完整率低记作CIf，所述聚类表达为：
y＝P(x)＝akxk+ak-1xk-1+…+a1x+a0
其中，t为时间，d为气象数据，n为数据长度，气象参数集CIt经过初次插值后的气象参数集记作CItp，聚类后的气象数据集记作CItx，P(x)为已知的若干点构造函数，θ为气象数据完整率的评价阈值。
6.如权利要求5所述的一种电网防冰减灾的微地形微气象数据库建立方法，其特征在于：所述插值补全包括对气象参数集CItx插值补全、对气象参数集CIf插值补全；
所述CItx插值补全采用自然邻域法，构建LSTM预测模型得到插值结果θ表达为：
ht＝ot⊙tanh(ct)
θ＝ω1ξ1+ω2ξ2
其中，ω1、ω2分别对应自然邻域法插值结果ξ1和LSTM预测模型插值结果ξ2的权重系数，ht为最终输出预测结果，ot为输出门，ct为当前时刻的单元状态。
7.如权利要求6所述的一种电网防冰减灾的微地形微气象数据库建立方法，其特征在于：所述对气象参数集CIf插值补全包括采用反距离权重法和克里金算法插值补全，所述反距离权重法表达为：
所述克里金算法表达为：
对气象参数集CIf插值结果ρ表达为：
ρ＝ω3ξ3+ω4ξ4
其中，Z为区域内待插值点的值，n为区域内对未知点有影响的已知点数量，di为第i个已知点到待插值点的距离，k为指定的幂，插值时应选择平均绝对误差值最小的k值，Z(x)为插值点估计值，γi为第i个样本点的权重系数，Zi为第i个样本点的已知值，ω3、ω4分别对应反距离权重法插值结果ξ3和克里金算法插值结果ξ4的权重系数。
8.一种采用如权利要求1～7任一所述的电网防冰减灾的微地形微气象数据库建立方法的系统，其特征在于：包括数据采集模块、微地形划分模块、地形因子提取模块、数据处理模块、覆冰插值处理模块、时空特征匹配模块；
所述数据采集模块，负责收集电网人工观冰数据、覆冰监测数据、气象站实测数据、区域数字高程模型、输电线路及铁塔矢量数据；
所述微地形划分模块，获取的DEM划分区域微地形类型；
所述地形因子提取模块，获取的DEM数据提取地形因子；
所述数据处理模块，负责对输电线路人工观测覆冰数据进行处理，以及对覆冰终端的在线监测数据进行处理；
所述覆冰插值处理模块，利用多算法对气象参数进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素；
所述时空特征匹配模块，负责覆冰样本气象和地形因子时空特征匹配，建立适用于电网防冰减灾的微地形微气象数据库。
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 |
|---|---|---|---|
| CN202310945457.9A CN117274660A (zh) | 2023-07-31 | 2023-07-31 | 一种电网防冰减灾的微地形微气象数据库建立方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310945457.9A CN117274660A (zh) | 2023-07-31 | 2023-07-31 | 一种电网防冰减灾的微地形微气象数据库建立方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117274660A true CN117274660A (zh) | 2023-12-22 |
Family
ID=89220349
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310945457.9A Pending CN117274660A (zh) | 2023-07-31 | 2023-07-31 | 一种电网防冰减灾的微地形微气象数据库建立方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117274660A (zh) |
-
2023
- 2023-07-31 CN CN202310945457.9A patent/CN117274660A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| WO2021258758A1 (zh) | 一种基于多因素的海岸线变化识别方法 | |
| CN110427857B (zh) | 一种基于遥感数据融合的输电线路地质灾害分析方法 | |
| CN111582755A (zh) | 一种基于多维度集合信息山洪灾害综合风险动态评估方法 | |
| CN113222283A (zh) | 一种基于数字孪生的山洪预报预警方法及系统 | |
| CN110134907B (zh) | 一种降雨缺失数据填补方法、系统及电子设备 | |
| CN112800634A (zh) | 耦合干湿状态辨识与多源信息融合的降水估计方法及系统 | |
| CN104463164A (zh) | 一种基于伞骨法与冠高比的树木冠层结构信息提取方法 | |
| CN113591572A (zh) | 基于多源数据和多时相数据的水土流失定量监测方法 | |
| CN115907574B (zh) | 一种流域性暴雨洪涝承灾体重置成本遥感模拟方法 | |
| CN115437036A (zh) | 一种基于葵花卫星的对流初生预报方法 | |
| CN112084712A (zh) | 融合主被动微波遥感信息的洪水淹没范围动态模拟方法 | |
| CN114528672B (zh) | 基于3s技术的城市水文站网布设方法及系统 | |
| CN111738104A (zh) | 一种基于地理信息系统提取地形类别的方法 | |
| CN114882373A (zh) | 基于深度神经网络的多特征融合沙尘暴预测方法 | |
| Ma et al. | XGBoost-based analysis of the relationship between urban 2D/3D morphology and seasonal gradient land surface temperature | |
| Abdulalim et al. | Implementation of remote sensing and GIS techniques to study the flash flood risk at NEOM Mega-City, Saudi Arabia | |
| Sono et al. | Spatiotemporal evolution of West Africa’s urban landscape characteristics applying harmonized DMSP-OLS and NPP-VIIRS nighttime light (NTL) data | |
| CN113313342A (zh) | 多种自然灾害引发电网设备故障概率分析方法和系统 | |
| CN117274660A (zh) | 一种电网防冰减灾的微地形微气象数据库建立方法及系统 | |
| CN115047544B (zh) | 一种覆冰预警方法及系统 | |
| CN115115221B (zh) | 一种基于云计算的窄基钢塔建造分析方法 | |
| CN115270904B (zh) | 一种义务教育阶段适龄常住人口空间化方法和系统 | |
| CN116415495A (zh) | 面向复杂地形与气象环境的雷击跳闸率获取方法及设备 | |
| CN118114800A (zh) | 输电线路覆冰监测终端优化布点方法及系统 | |
| CN111696330B (zh) | 一种用于输电线路风灾的分类方法和系统 |
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 |