CN118114800A - 输电线路覆冰监测终端优化布点方法及系统 - Google Patents

输电线路覆冰监测终端优化布点方法及系统 Download PDF

Info

Publication number
CN118114800A
CN118114800A CN202311605336.6A CN202311605336A CN118114800A CN 118114800 A CN118114800 A CN 118114800A CN 202311605336 A CN202311605336 A CN 202311605336A CN 118114800 A CN118114800 A CN 118114800A
Authority
CN
China
Prior art keywords
icing
ice
micro
topography
area
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
Application number
CN202311605336.6A
Other languages
English (en)
Inventor
范强
肖书舟
刘卓娅
吴建蓉
毛先胤
张啟黎
代吉玉蕾
罗鑫
颜康
邹雕
黄欢
牛唯
曾华荣
杨旗
文贤馗
张历
陈沛龙
古庭赟
李博文
祝健杨
李鑫卓
张俊杰
黄军凯
赵超
陈佳胜
杨涛
李长兴
丁江桥
曾蓉
陈晨
袁娴枚
赵圆圆
张洋
叶华洋
胡天嵩
付鑫怡
李欣
朱石剑
张露松
杨柳青
余思伍
冯起辉
张后谊
毛钧毅
文屹
吕黔苏
张迅
梁源晨
万金金
涂心译
郭莉萨
陈亚飞
赵雪娇
郑小强
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.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou 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 Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202311605336.6A priority Critical patent/CN118114800A/zh
Publication of CN118114800A publication Critical patent/CN118114800A/zh
Pending legal-status Critical Current

Links

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
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • 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)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Economics (AREA)
  • Evolutionary Computation (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Computing Systems (AREA)
  • General Business, Economics & Management (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Biomedical Technology (AREA)
  • Software Systems (AREA)
  • Marketing (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Primary Health Care (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Remote Sensing (AREA)
  • Educational Administration (AREA)

Abstract

本发明涉及电网覆冰监测与控制技术领域，尤其涉及输电线路覆冰监测终端优化布点方法及系统包括，建立电网覆冰微地形微气象数据库；提取中重冰区输电线路塔位；提取易覆冰微地形区输电线路塔位；提取历史覆冰跳闸、覆冰受损线路塔位；得到电网受覆冰影响严重区域线路塔位信息集；获取考虑覆冰监测缓冲区的覆冰终端监测区域；提取无覆冰终端监测点的塔位信息集；提取无覆冰终端监测点的塔位监测缓冲区，获取每个缓冲区内最优覆冰终端布点位置。采用缓冲区分析、微地形类型获得新增覆冰终端优化点位，实现电网覆冰监测终端部署和电网投资经济性最优化，同时有效提升了电网精准覆冰监测。

Description

输电线路覆冰监测终端优化布点方法及系统
技术领域
本发明涉及电网覆冰监测与控制技术领域，尤其涉及输电线路覆冰监测终端优化布点方法及系统。
背景技术
我国是世界上输电线路覆冰灾害最为严重的国家之一，输电线路覆冰会极大削减其机械和电气性能，导致舞动、倒塌、断线等事故的发生，给人们的生活和生产带来了严重影响并造成巨大经济损失。针对电网冰灾防治的研究已开展多年，极大地改善了电网对于冰灾事故的抵御能力。
自2008年以来，电网线路跨越中重冰区、易覆冰微地形区情况复杂，在微地形数据方面，局部地区的微小地形特征会导致在小范围内气象特征产生综合巨变，使得该地点某些气象因子特别增强，覆冰量级发生突变，从而可能危及输电线路安全运行，这样的地点称为易覆冰微地形。微地形是相对较小的局部范围内地势高低起伏的变化形态，包括迎风坡、风口、垭口、峡谷、分水岭、山脊、湖泊、江河、背风坡、林带等范围相对较小的局部地形。电网冰灾防治从未在根本上得到解决，重要原因之一便是无法准确监测导线覆冰，并且该问题已经成为制约电网智能化发展的技术瓶颈。
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。主要原因就是电网覆冰监测终端部署大多数采用的原则为线路出现因冰故障或者历史覆冰严重区域才进行布点，布点选址缺乏一定的科学性，因此覆冰监测终端如何实现最优化部署以解决电网覆冰精确监测是亟待解决的难题。
发明内容
鉴于上述现有技术中存在的问题，提出了本发明。
因此，本发明提供了输电线路覆冰监测终端优化布点方法，能够解决传统的电网覆冰监测终端部署大多数采用的原则为线路出现因冰故障或者历史覆冰严重区域才进行布点的问题。
为解决上述技术问题，本发明提供如下技术方案，输电线路覆冰监测终端优化布点方法，包括：建立电网覆冰微地形微气象数据库；提取中重冰区输电线路塔位；提取易覆冰微地形区输电线路塔位；提取历史覆冰跳闸、覆冰受损线路塔位；得到电网受覆冰影响严重区域线路塔位信息集；获取考虑覆冰监测缓冲区的覆冰终端监测区域；提取无覆冰终端监测点的塔位信息集；提取无覆冰终端监测点的塔位监测缓冲区；获取每个缓冲区内最优覆冰终端布点位置。
作为本发明所述的输电线路覆冰监测终端优化布点方法的一种优选方案，其中：所述建立电网覆冰微地形微气象数据库包括，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；
根据收集的区域数字高程模型划分区域微地形类型，并提取地形因子；
对收集的电网人工观冰、输电线路数据及覆冰监测数据进行预处理；
利用多算法对气象站实测数据进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素；
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。
作为本发明所述的输电线路覆冰监测终端优化布点方法的一种优选方案，其中：所述划分区域微地形类型包括，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计算窗口下所有栅格的平均高程值，并将平均高程值赋予当前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；
对DEM进行洼地填充，对DEM数据洼地填平处理，得到无洼地DEM，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，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，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并对其邻域分析以去除噪声，利用重分类方法将邻域分析结果进行二值化处理，将接近1的值设置为1，其它设置为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，获得需要分析区域的汇流累计量零值结果图；
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，以灰度或彩色的形式输出，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；
选择一个高程值，用高程值减去原始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，将山谷线提取出来；
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，采用拟合曲面法计算坡度，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)；
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，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，基于Landsat8影像计算的改进归一化差异水体指数获取水体覆盖范围，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；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；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、垭口水汽区微地形的特征信息集；抽取分类区域的典型场景，对易覆冰微地形分类精度验证，通过精准率和召回率指标，计算F1S，完成易覆冰微地形分类，混淆矩阵计算方法如下：
当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，记作TPA；
当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，记作FNA；
当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，记作FPA；
当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，记作TNA；
计算分类事件识别的精准率、召回率和F1S的具体步骤为：精准率Precision，对微地形类型A的具体计算公式如下：
其中，TPA为当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；FPA为当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，使用召回率Recall对微地形类型A的具体计算公式如下：
其中，FNA为当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，TPA为当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；
F1S对微地形类型A的具体计算公式如下：
其中，FIS是为精准率和召回率的调和平均值；
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，当满足时，则判断为地形分类完成，当不满足要求时，则调整高原山区数字高程模型DEM的分辨率，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。
作为本发明所述的输电线路覆冰监测终端优化布点方法的一种优选方案，其中：所述提取地形因子包括，从原始DEM中获取高程因子；
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，获取历史覆冰样本的坡度因子和坡向因子；
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，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，其计算公式为，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：
其中cellsize为数字高程模型的分辨率；
所述坡向因子，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。
作为本发明所述的输电线路覆冰监测终端优化布点方法的一种优选方案，其中：所述对收集的电网人工观冰、输电线路数据及覆冰监测数据进行预处理包括，剔除人工观测覆冰厚度小于10mm的人工观冰数据；
剔除最大覆冰厚度小于5mm或大于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，对每个自然月有25天以上覆冰厚度记录进行剔除；
对覆冰终端存在多个相位覆冰厚度观测记录的，取其平均值；
剔除覆冰观测记录中的异常气象参数，气温异常判据为小于-25℃或大于40℃，湿度异常判据为不在0～100RH％范围内，风速参数异常判据为大于40m/s；
对同一覆冰样本，气温、湿度、风速参数均为异常参数，则剔除样本。
作为本发明所述的输电线路覆冰监测终端优化布点方法的一种优选方案，其中：所述多算法对气象参数进行插值处理包括，对气象数据完整性进行检查，得到气象数据的数据完整率，
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，将其记作CIt，其中θ为气象数据完整率的评价阈值；
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；
归一化方法见下式：
其中，t为时间，d为气象数据，n为数据长度；
利用区间内已知的若干点构造函数P，并用函数在插值点的函数值为插值点的真实值，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，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的值为P(xk)，气象参数集CIt经过初次插值后的气象参数集记作CItp；
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，计算公式为：
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ζ1；
自然邻域法插值可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三角形对所有样本点创建泰森多边形，当对未知点进行插值时，对未知点生成一个新的泰森多边形，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；
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ζ2；
遗忘门ft：
ft＝σ(Wf[ht-1，xt]+bf)
其中，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；
输入门it：
it＝σ(Wi[ht-1，xt]+bi)
其中，Wi是输入门的权重矩阵；bi是输入门的偏置项；
单元状态：
其中，计算当前时刻的单元状态ct，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，将两个积加和产生，把LSTM关于当前的记忆/>和长期的记忆ct-1组合，形成新的单元状态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，
输出门Ot：
ot＝σ(Wo[ht-1,xt]+bo)
其中，Wo是从输出门的权重矩阵；bo是输出门的偏置项
最终输出预测结果ht：
ht＝ot☉tanh(ct)
采用气象参数集CIt对自然邻域法插值结果ζ1和LSTM预测模型插值结果ζ2进行两个单项权重系数，初始化权重系数，得到气象参数插值结果为，
其中，ω1、ω2分别对应自然邻域法插值结果ζ1和LSTM预测模型插值结果ζ2的权重系数；
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；
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ζ3；
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，计算公式为：
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；
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ζ4，克里金法通过对周围测量值加权来预测未测量位置的值，其计算表达式如下：
其中，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，采用高斯函数，函数公式如下，
采用气象参数集CIf对反距离权重法插值结果ζ3和克里金算法插值结果ζ4进行两个单项权重系数，初始化权重系数，得到对气象参数集CIf插值结果为，ρ＝ω3ζ3+ω4ζ4
其中，ω3、ω4分别对应反距离权重法插值结果ζ3和克里金算法插值结果ζ4的权重系数；
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。
作为本发明所述的输电线路覆冰监测终端优化布点方法的一种优选方案，其中：所述提取中重冰区输电线路塔位包括，根据电网基于GIS的15毫米及以上冰区等级的中重冰区等级分布图，结合输电线路塔位的GIS坐标，形成基于GIS点与面的拓扑关系计算中重冰区输电线路塔位集合；
所述提取易覆冰微地形区输电线路塔位包括，根据得到的微地形微气象数据库，以微地形和数字高程模型为背景场，提取重冰区线路塔位所属微地形类型和高程，获取易覆冰微地形区输电线路重点关注塔位的集合；
所述提取历史覆冰跳闸、覆冰受损线路塔位包括，收集电网输电线路历史覆冰受损记录及相关线路和杆塔GIS坐标、历史覆冰跳闸记录及相关线路和杆塔GIS坐标，获取电网输电线路覆冰监测重点风险塔位集合；
所述得到电网受覆冰影响严重区域线路塔位信息集包括，叠加得到含中重冰区输电线路塔位、易覆冰微地形区输电线路塔位、历史覆冰跳闸和覆冰受损线路塔位的电网受覆冰影响严重区域线路塔位信息的微地形微气象信息库；
所述获取考虑覆冰监测缓冲区的覆冰终端监测区域包括，结合已建覆冰监测终端装置GIS坐标，基于局部地形特征变化不明显和经济性方面考虑，同一架空输电线路走廊范围内，覆冰监测终端覆盖公里范围内的覆冰和气象监测，在已建覆冰监测终端的公里范围设置为覆冰监测核心区及其缓冲区；
所述提取无覆冰终端监测点的塔位信息集包括，电网受覆冰影响严重区域线路塔位信息的微地形微气象信息库中，剔除去考虑覆冰监测缓冲区的覆冰终端监测区域，得到无覆冰终端监测点的塔位信息集；
所述提取无覆冰终端监测点的塔位监测缓冲区包括，结合得到的无覆冰终端监测点的塔位信息集，进行GIS空间缓冲区分析，按照缓冲区分析距离公里考虑，获取每个塔位若新增覆冰终端后可覆盖的监测范围；
所述获取每个缓冲区内最优覆冰终端布点位置包括，根据塔位监测缓冲区分析结果进行循环遍历，提取每个塔位监测缓冲区范围内的输电线路塔位点，采用布点优先级判别算法提取每个缓冲区范围内的最优终端布点位置，同一输电线路塔位缓冲区内，最优布点位置按照从I、II、III级顺序进行选择，优先级判别算法为：
第I优先级：塔位冰区等级优先，提取缓冲区集合内覆冰等级最高的塔位子集；
第II优先级：山脊-水汽区、山谷-水汽区、垭口-水汽区大于垭口、山脊、水汽上行区大于迎风坡、山谷、背风坡，基于第II优先级原则提取覆冰等级最高、微地形效应最强的塔位子集；
第III优先级：在提取的覆冰等级最高、微地形效应大的塔位集合中，若存在多个待新增点位，则对比待新增点位高程，将高程最大的塔位点设置为缓冲区内最优覆冰监测终端布点；
所述获得电网分电压等级的最优覆冰终端布点位置包括，计算电网区域覆冰监测终端优化布点时，考虑同一线路通道区域不同等级线路均需要布点原则，根据不同电压等级进行分开计算，获得电网分电压等级的最优覆冰终端布点位置。
本发明的另外一个目的是提供输电线路覆冰监测终端优化布点方法的系统，能够实时监测和分析覆冰情况，及时发现并处理潜在的安全隐患，从而减少输电线路的故障风险，并为运维团队提供精确的覆冰数据和分析结果，帮助其做出更加科学和合理的决策。通过精确识别和分析复杂地形中的微地形特征和有效处理大量的气象和覆冰数据，系统确保了数据的质量和准确性。科学合理的监测终端布点避免了资源的浪费，并在保证监测质量的同时，尽可能减少了投入和运维成本。在灾害应对方面，系统能够在覆冰事件发生前及时发出预警，并在事件发生时迅速准确地定位受影响区域，提高电网故障的响应速度和处理效率。系统还为电网的建设和优化提供科学的决策依据，延长了电网设备的使用寿命，并为相关的科研和分析提供了丰富、准确的实测数据支持，推动了相关技术的研究和进步。
作为本发明所述的输电线路覆冰监测终端优化布点方法的系统的一种优选方案，其中：包括，地形分析模块、气象处理模块、覆冰监测模块、终端布点模块；
所述地形分析模块，清洗、转换和标准化原始数据，使其适合关联规则挖掘；
所述气象处理模块，处理与地形的数据和分析；
所述覆冰监测模块，处理与覆冰监测相关的任务，分析覆冰数据、识别和验证易覆冰微地形；
所述终端布点模块，处理与覆冰监测终端布点相关的任务。
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输电线路覆冰监测终端优化布点方法中任一项所述的方法的步骤。
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输电线路覆冰监测终端优化布点方法中任一项所述的方法的步骤。
本发明的有益效果：1、本发明引入数字高程模型、覆冰监测终端回传数据、人工观冰数据、卫星遥感影像，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。
2、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。
3、输电线路覆冰监测终端布点综合考虑了重冰区、易覆冰微地形区、历史覆冰灾害集中和严重等地区。依据现有已建输电线路走向与塔位坐标，通过GIS空间分析算法识别中重冰区(15mm及以上)、易覆冰微地形区、历史覆冰受损塔位点等在覆冰监测和巡检中应该重点关注的塔位区段，识别出区域无覆冰监测终端设备的塔位，采用缓冲区分析、微地形类型获得新增覆冰终端优化点位，实现电网覆冰监测终端部署和电网投资经济性最优化，同时有效提升了电网精准覆冰监测。
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为本发明一个实施例提供的输电线路覆冰监测终端优化布点方法流程示意图。
图2为本发明一个实施例提供的一输电线路覆冰监测终端优化布点系统的流程示意图。
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
参照图1，为本发明的第一个实施例，该实施例提供了输电线路覆冰监测终端优化布点方法，包括：
S1：建立电网覆冰微地形微气象数据库；
步骤a：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。
步骤a.1：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。
步骤a.2：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。
步骤a.3：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。
步骤a.4：区域数字高程模型DEM(Digital Elevation Model)采用SRTM数据每经纬度方格提供一个文件，精度有1角秒和3角秒两种，称作SRTM1和SRTM3，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的文件里面包含1201×1201个采样点的高度数据。
步骤a.5：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。
步骤b：基于获取的DEM划分区域微地形类型；
步骤b.1：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。
步骤b.1.1：采用邻域分析对高原山区区域进行DEM正、负地形的提取。
步骤b.1.1.1：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。
步骤b.1.1.2：提取过程完成生成均值DEM栅格图像。
步骤b.1.1.3：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。
步骤b.1.1.4：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。
步骤b.1.2：计算汇流累计量。
步骤b.1.2.1：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。
步骤b.1.2.2：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。
步骤b.1.2.3：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。
步骤b.1.2.4：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，其它设置为0，得当粗略的山脊地形提取结果。
进一步的，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。
步骤b.1.3：山脊地形提取与矢量化。
进一步的，将步骤b.1.1中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。
步骤b.1.4：山脊区提取结果分析。
进一步的，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。
步骤b.1.5：山谷地形提取与矢量化处理。
进一步的，山谷地形区通过利用反地形DEM提取山脊区的思想来提取。
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。
步骤b.2：提取和形成高原山区垭口微地形特征信息集；
进一步的，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。
步骤b.3：提取和形成高原山区迎风坡和背风坡地形特征信息集。
进一步的，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：
Aspect＝Slopesn/Slopewe
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，上式中的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)。
步骤b.4：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。
步骤b.4.1：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。
步骤b.4.2：水体边界提取。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的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。
步骤b.4.3: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。
步骤b.4.4: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。
进一步的，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。
步骤b.5：综合步骤b.1-步骤b.4，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。
步骤b.6：抽取需要分类区域的典型场景，对易覆冰微地形分类精度验证，通过精准率和召回率指标，计算F1S，完成易覆冰微地形分类。
步骤b.6.1：混淆矩阵计算方法如下：
当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，记作TPA；
当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，记作FNA；
当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，记作FPA；
当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，记作TNA。
其中A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的其中一种。
步骤b.6.2：具体的，计算分类事件识别的精准率、召回率和F1S的具体步骤为：精准率Precision，对微地形类型A的具体计算公式如下：
其中，TPA为当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；FPA为当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，其中A为山脊、山谷、垭口、迎风坡、背风坡和水汽上行区的其中一种；
召回率Recall，对微地形类型A的具体计算公式如下：
其中，FNA为当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，TPA为当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。
步骤b.6.3：F1S对微地形类型A的具体计算公式如下：
其中，FIS是为精准率和召回率的调和平均值。
步骤b.6.4：对易覆冰微地形分类精度进行判断，并当不满足要求时进行修正处理。
进一步的，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。
当满足时，则判断为地形分类完成。
当不满足要求时，则调整高原山区数字高程模型DEM的分辨率，完成步骤b.1-步骤b.5的重新识别和判断，直至满足易覆冰微地形A的分类精度阈值ψA的要求。
步骤c：基于获取的DEM数据提取地形因子。
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。
步骤c.1：高程因子可直接从原始DEM中获取。
步骤c.2：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。
步骤c.2.1：获取坡度因子。
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：
(1)像元e在x方向上的变化率将通过以下算法进行计算：
(2)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：
其中cellsize为数字高程模型的分辨率。
步骤c.2.2：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
步骤d：对收集的输电线路人工观测覆冰数据进行处理，方法如下：
步骤d.1：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；
步骤d.2：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；
步骤d.3：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10mm以下的人工观冰数据。
步骤d.4：剔除人工观测覆冰厚度小于10mm的人工观冰数据。
步骤e：对基于覆冰终端的在线监测数据进行处理，方法如下：
步骤e.1：剔除最大覆冰厚度<5mm或＞80mm的覆冰监测记录；
步骤e.2：剔除中重冰区覆冰比值大于4的覆冰监测记录；
步骤e.3：考虑到寒潮持续周期，对每个自然月有25天以上覆冰厚度记录进行剔除；
步骤e.4：对覆冰终端存在多个相位覆冰厚度观测记录的，取其平均值；
步骤e.5：剔除覆冰观测记录中的异常气象参数，气温异常判据为<-25℃或>40℃，湿度异常判据为不在0～100RH％范围内，风速参数异常判据为＞40m/s。
步骤e.6：对同一覆冰样本，气温、湿度、风速参数均为异常参数，则剔除该样本。气温异常判据为<-25℃或>40℃，湿度异常判据为不在0～100RH％范围内，风速参数异常判据为＞40m/s。
步骤f：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。
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。
步骤f.1：对气象数据完整性进行检查，得到气象数据的数据完整率。
步骤f.2：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，将其记作CIt，其中θ为气象数据完整率的评价阈值。
步骤f.2.1为提升插值算法的精度和效率，利用K-means算法对气象参数集进行聚类处理。
步骤f.2.1.1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。
归一化方法见下式：
t为时间，d为气象数据，n为数据长度。
步骤f.2.1.2利用区间内已知的若干点构造函数P(·)，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)。气象参数集CIt经过初次插值后的气象参数集记作CItp。
步骤f.2.1.3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。
考率到基于气象特征参数进行聚类，本质上是数值型数据，为进一步突出距离的效应，使得相近数据点的聚合效果更好，采用欧式平方距离，计算公式为：
步骤f.2.2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ζ1。
自然邻域法插值可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。当对未知点进行插值时，就会再对未知点生成一个新的泰森多边形，计算公式为：
式中：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。
步骤f.2.3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ζ2。
LSTM通过门单元的逻辑控制决定数据是否更新或选择丢弃，克服了RNN权重影响过大、容易产生梯度消失和爆炸的缺点，使网络可以更好、更快地收敛，能够有效提高预测精度。
遗忘门ft：
ft＝σ(Wf[ht-1，xt]+bf)
其中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。
输入门it：
it＝σ(Wi[ht-1，xt]+bi)
其中Wi是输入门的权重矩阵；bi是输入门的偏置项。
单元状态：
其中，计算当前时刻的单元状态ct。它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，再将两个积加和产生。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。由于遗忘门的控制，它可以保存较为久远的信息，通过输入门的控制，可以保证丢弃一些当前无关紧要的内容。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。
输出门Ot：
ot＝σ(Wo[ht-1，xt]+bo)
其中，计算输出门输出。Wo是从输出门的权重矩阵；bo是输出门的偏置项
最终输出预测结果ht：
ht＝ot⊙tanh(ct)
最终得到LSTM输出。
步骤f.2.4：采用气象参数集CIt对自然邻域法插值结果ζ1和LSTM预测模型插值结果ζ2进行两个单项权重系数，初始化权重系数，得到气象参数插值结果为
其中，ω1、ω2分别对应自然邻域法插值结果ζ1和LSTM预测模型插值结果ζ2的权重系数。
步骤f.2.5：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。
步骤f.3：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。
步骤f.3.1：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ζ3。
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，计算公式为：
上式中，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个已知点到该待插值点的距离；k为指定的幂。插值时应选择平均绝对误差值最小的k值。
步骤f.3.2：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ζ4。
克里金法通过对周围测量值加权来预测未测量位置的值，其计算表达式如下：
上式中，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。克里金方法中的权重值γi影响因素较多，与测量点之间的距离、预测点位置以及整个区域内的空间排列都有关系。克里金算法的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。采用高斯函数，函数公式如下。
步骤f.3.3：采用气象参数集CIf对反距离权重法插值结果ζ3和克里金算法插值结果ζ4进行两个单项权重系数，初始化权重系数，得到对气象参数集CIf插值结果为ρ＝ω3ζ3+ω4ζ4
其中，ω3、ω4分别对应反距离权重法插值结果ζ3和克里金算法插值结果ζ4的权重系数。
步骤f.3.4：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。
步骤f.4：通过步骤f.1-步骤f.4，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。
步骤g：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。
S2：提取中重冰区输电线路塔位。
根据电网基于GIS的15毫米及以上冰区等级的中重冰区等级分布图，结合输电线路塔位的GIS坐标，形成基于GIS点与面的拓扑关系计算中重冰区输电线路塔位集合
S3：提取易覆冰微地形区输电线路塔位。
按照步骤1得到的微地形微气象数据库，以微地形和数字高程模型为背景场，提取步骤2中重冰区线路塔位所属微地形类型和高程，获取易覆冰微地形区输电线路重点关注塔位的集合
S4：提取历史覆冰跳闸、覆冰受损线路塔位。
收集电网输电线路历史覆冰受损记录及相关线路和杆塔GIS坐标、历史覆冰跳闸记录及相关线路和杆塔GIS坐标，获取电网输电线路覆冰监测重点风险塔位集合
S5：得到电网受覆冰影响严重区域线路塔位信息集。
结合步骤1-步骤4，叠加得到含中重冰区输电线路塔位易覆冰微地形区输电线路塔位/>历史覆冰跳闸和覆冰受损线路塔位/>的电网受覆冰影响严重区域线路塔位信息的微地形微气象信息库/>
S6：获取考虑覆冰监测缓冲区的覆冰终端监测区域。
结合已建覆冰监测终端装置GIS坐标，基于局部地形特征变化不明显和经济性等方面考虑，同一架空输电线路走廊范围内，覆冰监测终端覆盖δ公里范围内的覆冰和气象监测，在已建覆冰监测终端的δ公里范围设置为覆冰监测核心区及其缓冲区。
S7：提取无覆冰终端监测点的塔位信息集。
在步骤5电网受覆冰影响严重区域线路塔位信息的微地形微气象信息库中，剔除去步骤6考虑覆冰监测缓冲区的覆冰终端监测区域，得到无覆冰终端监测点的塔位信息集。
S8：提取无覆冰终端监测点的塔位监测缓冲区。
结合步骤7得到的无覆冰终端监测点的塔位信息集，进行GIS空间缓冲区分析，按照缓冲区分析距离δ公里考虑，获取每个塔位若新增覆冰终端后可覆盖的监测范围。
S9：获取每个缓冲区内最优覆冰终端布点位置。
根据塔位监测缓冲区分析结果进行循环遍历，提取每个塔位监测缓冲区范围内的输电线路塔位点，采用布点优先级判别算法提取每个缓冲区范围内的最优终端布点位置。同一输电线路塔位缓冲区内，最优布点位置按照从I、II、III级顺序进行选择，优先级判别算法为：
第I优先级：塔位冰区等级优先，提取缓冲区集合内覆冰等级最高的塔位子集。
第II优先级：易覆冰微地形类型优先，在同一输电线路的δ公里范围内，复合微地形区(山脊-水汽区、山谷-水汽区、垭口-水汽区)最易形成输电线路覆冰，其次是垭口、山脊和水汽上行区，迎风坡和山谷覆冰相对较弱，即易覆冰微地形优先级为：(山脊-水汽区、山谷-水汽区、垭口-水汽区)>(垭口、山脊、水汽上行区)>(迎风坡、山谷、背风坡)，基于以上原则提取覆冰等级最高、微地形效应最强的塔位子集。
第III优先级：在提取的覆冰等级最高、微地形效应最强的塔位集合中，若存在多个待新增点位，则对比待新增点位高程，将高程最大的塔位点设置为缓冲区内最优覆冰监测终端布点。
S10：获得电网分电压等级的最优覆冰终端布点位置。
计算电网区域覆冰监测终端优化布点时，考虑同一线路通道区域不同等级线路均需要布点等原则，根据不同电压等级进行分开计算，从而获得电网分电压等级的最优覆冰终端布点位置。
实施例2
为本发明的第二个实施例，提供了输电线路覆冰监测终端优化布点方法，为了验证本发明的有益效果，通过实验进行科学论证。
通过优化布点，能够更精确地监测到输电线路的覆冰情况。提高覆冰监测的覆盖范围：确保所有关键区域和风险区域都在监测范围内。通过实时或近实时的覆冰监测，能够及时发现覆冰问题，及时发布预警信息。通过及时的覆冰预警和监测，可以采取相应的措施，减少覆冰对电力系统的影响，提高系统的稳定性和安全性。通过优化覆冰监测终端的布点，可以减少不必要的终端数量，从而降低运维成本。如表1所示，
表1
指标/年份 2022(优化前) 2023(优化后)
平均覆冰厚度(mm) 20 20
覆冰监测准确率(％) 80 95
覆冰预警及时率(％) 70 90
系统稳定性(％) 85 95
运维成本(万元) 100 80
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-Only Memory)、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
参考图2，为本发明的第四个实施例，该实施例提供了输电线路覆冰监测终端优化布点方法的系统，其特征在于：包括，地形分析模块、气象处理模块、覆冰监测模块、终端布点模块；
所述地形分析模块，负责处理与地形相关的数据和分析；
所述气象处理模块，处理气象数据；
所述覆冰监测模块，处理与覆冰监测相关的任务，分析覆冰数据、识别和验证易覆冰微地形；
所述终端布点模块，处理与覆冰监测终端布点相关的任务。
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.输电线路覆冰监测终端优化布点方法，其特征在于：包括，
建立电网覆冰微地形微气象数据库，提取中重冰区输电线路塔位，提取易覆冰微地形区输电线路塔位，提取历史覆冰跳闸、覆冰受损线路塔位，得到电网受覆冰影响严重区域线路塔位信息集；
获取考虑覆冰监测缓冲区的覆冰终端监测区域，提取无覆冰终端监测点的塔位信息集，提取无覆冰终端监测点的塔位监测缓冲区，获取每个缓冲区内最优覆冰终端布点位置。
2.如权利要求1所述的输电线路覆冰监测终端优化布点方法，其特征在于：所述建立电网覆冰微地形微气象数据库包括，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；
根据收集的区域数字高程模型划分区域微地形类型，并提取地形因子；
对收集的电网人工观冰、输电线路数据及覆冰监测数据进行预处理；
利用多算法对气象站实测数据进行插值处理，提取覆冰过程的覆冰参数和观冰期的气象要素；
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。
3.如权利要求2所述的输电线路覆冰监测终端优化布点方法，其特征在于：所述划分区域微地形类型包括，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计算窗口下所有栅格的平均高程值，并将平均高程值赋予当前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；
对DEM进行洼地填充，对DEM数据洼地填平处理，得到无洼地DEM，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，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，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并对其邻域分析以去除噪声，利用重分类方法将邻域分析结果进行二值化处理，将接近1的值设置为1，其它设置为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，获得需要分析区域的汇流累计量零值结果图；
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，以灰度或彩色的形式输出，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；
选择一个高程值，用高程值减去原始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，将山谷线提取出来；
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，采用拟合曲面法计算坡度，中心点e的坡度和坡向的计算公式如下：
Aspect＝Slopesn/Slopewe
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)；
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，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，基于Landsat8影像计算的改进归一化差异水体指数获取水体覆盖范围，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；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；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、垭口水汽区微地形的特征信息集；抽取分类区域的典型场景，对易覆冰微地形分类精度验证，通过精准率和召回率指标，计算F1S，完成易覆冰微地形分类，混淆矩阵计算方法如下：
当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，记作TPA；
当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，记作FNA；
当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，记作FPA；
当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，记作TNA；
计算分类事件识别的精准率、召回率和F1S的具体步骤为：精准率Precision，对微地形类型A的具体计算公式如下：
其中，TPA为当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；FPA为当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，使用召回率Recall对微地形类型A的具体计算公式如下：
其中，FNA为当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，TPA为当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；
F1S对微地形类型A的具体计算公式如下：
其中，FIS是为精准率和召回率的调和平均值；
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，当满足时，则判断为地形分类完成，当不满足要求时，则调整高原山区数字高程模型DEM的分辨率，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。
4.如权利要求3所述的输电线路覆冰监测终端优化布点方法，其特征在于：所述提取地形因子包括，从原始DEM中获取高程因子；
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，获取历史覆冰样本的坡度因子和坡向因子；
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，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，其计算公式为，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：
其中cellsize为数字高程模型的分辨率；
所述坡向因子，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。
5.如权利要求4所述的输电线路覆冰监测终端优化布点方法，其特征在于：所述对收集的电网人工观冰、输电线路数据及覆冰监测数据进行预处理包括，剔除人工观测覆冰厚度小于10mm的人工观冰数据；
剔除最大覆冰厚度小于5mm或大于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，对每个自然月有25天以上覆冰厚度记录进行剔除；
对覆冰终端存在多个相位覆冰厚度观测记录的，取其平均值；
剔除覆冰观测记录中的异常气象参数，气温异常判据为小于-25℃或大于40℃，湿度异常判据为不在0～100RH％范围内，风速参数异常判据为大于40m/s；
对同一覆冰样本，气温、湿度、风速参数均为异常参数，则剔除样本。
6.如权利要求5所述的输电线路覆冰监测终端优化布点方法，其特征在于：所述多算法对气象参数进行插值处理包括，对气象数据完整性进行检查，得到气象数据的数据完整率，
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，将其记作CIt，其中θ为气象数据完整率的评价阈值；
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；
归一化方法见下式：
其中，t为时间，d为气象数据，n为数据长度；
利用区间内已知的若干点构造函数P，并用函数在插值点的函数值为插值点的真实值，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，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的值为P(xk)，气象参数集CIt经过初次插值后的气象参数集记作CItp；
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，计算公式为：
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ζ1；
自然邻域法插值可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三角形对所有样本点创建泰森多边形，当对未知点进行插值时，对未知点生成一个新的泰森多边形，计算公式为：
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ζ2；
遗忘门ft：
ft＝σ(Wf[ht-1，xt]+bf)
其中，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；
输入门it：
it＝σ(Wi[ht-1，xt]+bi)
其中，Wi是输入门的权重矩阵；bi是输入门的偏置项；
单元状态：
其中，计算当前时刻的单元状态ct，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，将两个积加和产生，把LSTM关于当前的记忆/>和长期的记忆ct-1组合，形成新的单元状态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，
输出门Ot：
ot＝σ(Wo[ht-1，xt]+bo)
其中，Wo是从输出门的权重矩阵；bo是输出门的偏置项
最终输出预测结果ht：
ht＝ot⊙tanh(ct)
采用气象参数集CIt对自然邻域法插值结果ζ1和LSTM预测模型插值结果ζ2进行两个单项权重系数，初始化权重系数，得到气象参数插值结果为，
其中，ω1、ω2分别对应自然邻域法插值结果ζ1和LSTM预测模型插值结果ζ2的权重系数；
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；
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ζ3；
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，计算公式为：
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；
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ζ4，克里金法通过对周围测量值加权来预测未测量位置的值，其计算表达式如下：
其中，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，采用高斯函数，函数公式如下，
采用气象参数集CIf对反距离权重法插值结果ζ3和克里金算法插值结果ζ4进行两个单项权重系数，初始化权重系数，得到对气象参数集CIf插值结果为，ρ＝ω3ζ3+ω4ζ4
其中，ω3、ω4分别对应反距离权重法插值结果ζ3和克里金算法插值结果ζ4的权重系数；
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。
7.如权利要求6所述的输电线路覆冰监测终端优化布点方法，其特征在于：所述提取中重冰区输电线路塔位包括，根据电网基于GIS的15毫米及以上冰区等级的中重冰区等级分布图，结合输电线路塔位的GIS坐标，形成基于GIS点与面的拓扑关系计算中重冰区输电线路塔位集合；
所述提取易覆冰微地形区输电线路塔位包括，根据得到的微地形微气象数据库，以微地形和数字高程模型为背景场，提取重冰区线路塔位所属微地形类型和高程，获取易覆冰微地形区输电线路重点关注塔位的集合；
所述提取历史覆冰跳闸、覆冰受损线路塔位包括，收集电网输电线路历史覆冰受损记录及相关线路和杆塔GIS坐标、历史覆冰跳闸记录及相关线路和杆塔GIS坐标，获取电网输电线路覆冰监测重点风险塔位集合；
所述得到电网受覆冰影响严重区域线路塔位信息集包括，叠加得到含中重冰区输电线路塔位、易覆冰微地形区输电线路塔位、历史覆冰跳闸和覆冰受损线路塔位的电网受覆冰影响严重区域线路塔位信息的微地形微气象信息库；
所述获取考虑覆冰监测缓冲区的覆冰终端监测区域包括，结合已建覆冰监测终端装置GIS坐标，基于局部地形特征变化不明显和经济性方面考虑，同一架空输电线路走廊范围内，覆冰监测终端覆盖公里范围内的覆冰和气象监测，在已建覆冰监测终端的公里范围设置为覆冰监测核心区及其缓冲区；
所述提取无覆冰终端监测点的塔位信息集包括，电网受覆冰影响严重区域线路塔位信息的微地形微气象信息库中，剔除去考虑覆冰监测缓冲区的覆冰终端监测区域，得到无覆冰终端监测点的塔位信息集；
所述提取无覆冰终端监测点的塔位监测缓冲区包括，结合得到的无覆冰终端监测点的塔位信息集，进行GIS空间缓冲区分析，按照缓冲区分析距离公里考虑，获取每个塔位若新增覆冰终端后可覆盖的监测范围；
所述获取每个缓冲区内最优覆冰终端布点位置包括，根据塔位监测缓冲区分析结果进行循环遍历，提取每个塔位监测缓冲区范围内的输电线路塔位点，采用布点优先级判别算法提取每个缓冲区范围内的最优终端布点位置，同一输电线路塔位缓冲区内，最优布点位置按照从I、II、III级顺序进行选择，优先级判别算法为：
第I优先级：塔位冰区等级优先，提取缓冲区集合内覆冰等级最高的塔位子集；
第II优先级：山脊-水汽区、山谷-水汽区、垭口-水汽区大于垭口、山脊、水汽上行区大于迎风坡、山谷、背风坡，基于第II优先级原则提取覆冰等级最高、微地形效应最强的塔位子集；
第III优先级：在提取的覆冰等级最高、微地形效应大的塔位集合中，若存在多个待新增点位，则对比待新增点位高程，将高程最大的塔位点设置为缓冲区内最优覆冰监测终端布点；
所述获得电网分电压等级的最优覆冰终端布点位置包括，计算电网区域覆冰监测终端优化布点时，考虑同一线路通道区域不同等级线路均需要布点原则，根据不同电压等级进行分开计算，获得电网分电压等级的最优覆冰终端布点位置。
8.一种基于权利要求1-7任一所述的输电线路覆冰监测终端优化布点方法的系统，其特征在于：包括，地形分析模块、气象处理模块、覆冰监测模块、终端布点模块；
所述地形分析模块，负责处理与地形相关的数据和分析；
所述气象处理模块，处理气象数据；
所述覆冰监测模块，处理与覆冰监测相关的任务，分析覆冰数据、识别和验证易覆冰微地形；
所述终端布点模块，处理与覆冰监测终端布点相关的任务。
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。
CN202311605336.6A 2023-11-24 2023-11-24 输电线路覆冰监测终端优化布点方法及系统 Pending CN118114800A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311605336.6A CN118114800A (zh) 2023-11-24 2023-11-24 输电线路覆冰监测终端优化布点方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311605336.6A CN118114800A (zh) 2023-11-24 2023-11-24 输电线路覆冰监测终端优化布点方法及系统

Publications (1)

Publication Number Publication Date
CN118114800A true CN118114800A (zh) 2024-05-31

Family

ID=91217019

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311605336.6A Pending CN118114800A (zh) 2023-11-24 2023-11-24 输电线路覆冰监测终端优化布点方法及系统

Country Status (1)

Country Link
CN (1) CN118114800A (zh)

Similar Documents

Publication Publication Date Title
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
WO2021258758A1 (zh) 一种基于多因素的海岸线变化识别方法
CN112070286B (zh) 复杂地形流域的降水预报预警系统
CN111582755B (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
CN112819207B (zh) 基于相似性度量的地质灾害空间预测方法、系统及存储介质
CN111144651A (zh) 一种地质灾害的预测方法、装置及设备
CN105550423B (zh) 基于Fuzzy-OLS和多环境因子变量的CMORPH卫星降雨产品降尺度的方法
CN113487123B (zh) 高光谱监测与gis耦合山洪灾害动态风险评估方法
CN110134907B (zh) 一种降雨缺失数据填补方法、系统及电子设备
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
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
CN114169232B (zh) 全时段三维大气污染物的重构方法、装置、计算机设备和存储介质
CN116910041B (zh) 一种基于尺度分析的遥感降水产品的逐日订正方法
CN113987813A (zh) 一种基于多参数决策和层次分析法的滑坡敏感性制图模型
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
CN115691049A (zh) 一种基于深度学习的对流初生预警方法
KR101313822B1 (ko) 신경망 분석 기법을 이용한 풍력 밀도 예측 방법
CN116523189A (zh) 一种考虑水文特征的墒情站点规划方法、装置及存储介质
CN118114800A (zh) 输电线路覆冰监测终端优化布点方法及系统
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
Liu et al. Road density analysis based on skeleton partitioning for road generalization
CN115457210A (zh) 顾及风偏环境的激光点云输电线模型重建方法
CN114997666A (zh) 一种区域泥石流易发性评估方法
CN114596490A (zh) 丘陵地形特征线提取方法、丘陵地dem精细化生产方法
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

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication