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

技术领域

本发明属于覆冰预测技术领域，具体涉及一种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。

背景技术

覆冰是电力行业常见的自然灾害之一，但严重的覆冰会给电网的安全带来极大的危害，严重时可能会导致跳闸、断线、倒塔、绝缘子闪冰、通信中断等事故，直接或间接的造成区域性停电和巨大的经济损失。目前直接对架高输电线路的覆冰厚度预测的方法较少，现有的都是基于传统称重法或通过物理方法进行厚度的计算，这些方法具有很大的局限性，依赖传感器等设备，普适性较低。

目前覆冰的厚度预测技术主要是物理法和称重法较多，而这两种方式主要是对当前时间的覆冰厚度进行计算，无法对未来一段时间的覆冰厚度进行预测。其中物理法主要基于覆冰形成的机制，进行受力分析，通过物理方程进行描述，一般在小范围的可以统一的物理方程，无法大范围的使用，同时物理方程中涉及到了很多参数因子，这些因子参数的确定一般根据经验进行确定，因此物理方法在适用性和普适性方面存在很多问题。而沉重法主要在杆塔上安装一些传感设备，通过拉力值的变化确定是否覆冰，再通过拉力值计算等值覆冰厚度，在实际应用中存在很多不确定性和成本过高的问题。

有部分通过微气象数据或地形因子来预测覆冰厚度的研究，利用了一些微气象特征对覆冰的厚度进行预测，利用神经网络对未来某一个时刻进行厚度预测，而且目前效果仍较差，主要因为使用的特征过于单一，且传统的神经网络模型过于简单无法对覆冰的趋势特征进行提取。另外就是基于地形因子对覆冰厚度进行预测，该方法使用地形因子作为输入，同样使用神经网络模型来预测覆冰厚度，该方法使用的特征仅仅只有地形因子，该特征不能完全对覆冰形成的机理进行描述，因此覆冰厚度预测的合理性存在质疑。

综上所述，目前已有的方法主要存在以下几个弊端：1.在实用性上较差，比如物理方程在大范围上的使用无法用统一的物理方程；2.参数的确定，传统的方式是基于经验进行确定，不合理且不科学；3.成本问题，涉及到传感器硬件设备时，在大范围的应用时，无法降低成本；4.特征单一，无法对覆冰机理完全进行刻画，厚度预测结果存疑；5.无法长时间的预测，只能对未来进行单点预测。

发明内容

本发明为了解决架空输电线路的覆冰厚度的趋势预测，提出一种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，主要是基于历史气象数据，气象预报数据，当前覆冰状态及杆塔的相关属性(如地形，海拔，呼高)数据，通过深度网络对覆冰厚度进行长时间的预测。主要包括数据集构建，数据处理，深度网络模型构建，训练和预测等。其中重点对深度网络的构建进行详细说明，包括网络层级的定义，关键层的作用等。

为实现上述目的，本发明采用如下技术方案：

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，其特征在于，包括以下步骤：

S1、数据收集：以架空输电线路上的杆塔位置为对象，收集前6个小时的历史气象数据、未来12个小时的气象预报数据、杆塔所在位置的高程、杆塔的呼高及对应的覆冰厚度；将每个杆塔按照时间窗口按时间步进行划分，每个时间步获得的数据作为一个样本，从而获得样本数据集；利用收集的数据分别构建动态数据集、静态数据集和目标数据集，其中，动态数据集利用气象数据构建，静态数据集利用杆塔数据构建，目标数据集由覆冰厚度数据构建；

S2、数据处理：对步骤S1收集的数据进行编码，将文本数据转化为数值数据，同时将目标数据转化为二维矩阵，二维矩阵的行向量对应样本数，列向量对应覆冰厚度转化后的向量；经过数据处理后获得训练数据集，训练数据集由动态数据集、静态数据集和目标数据集构成；

S3、构建深度神经网络模型：网络模型依次包括第一LSTM层、第二LSTM层、concat层、第一全连接层、第一dropout层、第二全连接层、第二dropout层、第三全连接层和输出层；训练过程中，动态数据集经过第一LSTM层和第二LSTM层后，在concat层与静态数据集和目标数据集进行concat操作，网络损失函数使用交叉墒损失函数，输出层以softmax作为激活函数，通过训练数据进行训练，从而获得训练好的网络模型；

S4、使用网络模型进行覆冰预测：获取当前时刻对象的动态数据和静态数据后，将覆冰状态y

进一步的，步骤S1中历史气象数据和气象预报数据包括温度、湿度、风速、风向、风力等级和降雨量6个变量，利用气象数据构建动态数据集的方法是，将前6个时间点的数据和未来一个时间点的数据构成气象特征数据，构成动态数据集：

进一步的，步骤S2中，将文本数据转化为数值数据是指对风向数据编码，具体为：“无持续风向”编码为0，“东南”为2，“西北”为6，“西”为5，“北”为7，“南”为3，“东北”为8，“东”为1，“西南”为4；还对降雨量进行编码：降雨量大于0或降雪则编码为1，其他编码为0；将目标数据转化为二维矩阵的具体方法为：对厚度区间按照2mm进行划分，划分为0，(0，2],(2-4],(4-6],…,(48-50],50以上,共划分为27个区间，所有的区间前面为开区间，后面为闭区间，覆冰厚度转化为区间，形成类别型数据，再对区间进行one-hot编码，转化的向量的长度为27，因此所有样本转化后，原始的Y

进一步的，构建网络模型中，第一LSTM层设置记忆单元神经元个数(units)为24，第二LSTM层设置units为48，concat后数据大小为(n，51)，第一全连接层的神经元个数为40，并以tanh作为激活函数输出结果，第一dropout层dropout的比例为0.5，第二全连接层的神经元个数为36，并以relu作为激活函数并输出，第二dropout层dropout的比例为0.5，第三全连接层的神经元个数为32，并以tanh作为激活函数。

覆冰厚度预测技术本身是一项比较难技术，传统技术主要集中在以力学分析为基础，对覆冰厚度通过方程计算，部分方法主要利用少量的特征和机器学习对覆冰厚度进行预测。本发明主要解决传统技术的缺陷，和传统技术相比主要效果：

(1)采用了更全的特征，将覆冰的影响因素基本都进行了覆盖，数据能全面的对覆冰过程进行描述；

(2)采用深度网络作为模型，能对气象的时间趋势特征提取，能对各个数据与覆冰厚度之间的关系进行表示，能提取更深层次和更复杂的特征，精准的对覆冰厚度进行估计；

(3)能对覆冰厚度进行长时间的预测，达到12小时的逐小时预测；

(4)覆冰厚度预测的精度可以达到2毫米。

附图说明

图1为气象特征构建动态数据的示意图；

图2为神经网络结构示意图；

图3为对网络模型结构进行可视化示意图；

图4为预测方式示意图；

具体实施方式

下面结合附图对本发明进行进一步说明。

本发明使用的数据主要以架空输电线路上的杆塔位置为对象，包括前6个小时的历史气象数据、未来12个小时的气象预报数据、杆塔所在位置的高程、杆塔的呼高及当前时刻的覆冰厚度。其中历史气象数据和气象预报数据包括温度，湿度，风速，风向，风力等级和降雨量这6个变量。

气象特征构建：气象数据为动态数据，每个杆塔按照时间窗口按时间步进行划分，形成样本，如图1所示。将前6个时间点的数据(历史气象数据)和未来一个时间点的数据构成气象特征数据。形成样本集合：

静态特征构建：静态特征主要为架空输电线路杆塔的高程、呼高和前一时刻状态，形成样本集

目标数据构建：目标数据主要用于后续网络的训练，在预测阶段不需要目标数据。目标数据为覆冰的厚度Y

构建了数据集后但是数据集中存在部分数据需要进行处理，比如风向，目标数据等。

风向数据编码：风向一般为文本类型的分类型数据，如西南，西北，东南，南等，需要对其进行编码，编码处理方式为：'无持续风向'编码为0，'东南'为2，'西北'为6，'西'为5,，'北'为7，'南'为3，'东北'为8，'东'为1，'西南'为4。

降雨量编码：降雨量转化为二值型数据，降雨量大于0或降雪则编码为1，其他编码为0。

目标数据处转换：目标数据为覆冰厚度的值，首先对厚度区间按照2mm进行划分，划分为0，(0，2],(2-4],(4-6],…,(48-50],50以上,所有的区间前面为开区间，后面为闭区间。这样总共划分为27个区间。覆冰厚度转化为区间，形成类别型数据，再对区间进行one-hot编码。如其中一个样本的覆冰厚度为2.87mm，那么转化为向量[0,0,1,0,…,0],向量的长度为27.因此所有样本转化后，原始的Y

将处理后的气象数据集，样本静态数据集和目标数据集进行组合形成最终训练使用的数据集：

神经网络构建：

整个网络输入包含了3部分，第一部分为气象数据部分，第二部分为样本的静态属性数据部分及样本的覆冰厚度作为均值，即为上述部分中的数据集

网络结构为：首先将第一部分输入到第一层，第一层为LSTM层，该层设置units(记忆单元神经元个数)为24，且该层每一时间步都会进行输出；再输出到第二层，第二层是LSTM层，第二层设置units为48，第二层只输出(n,48)大小的记忆单元。在下一步对第二层的记忆单元和第二部分特征进行concat操作，concat后数据大小为(n，51)，并输入到下一层；下一层为一个全联接层，全联接层的神经元个数为40，并以tanh作为激活函数输出结果；再进入到dropout层，dropout的比例为0.5；再进入到下一个全联接层，该链接层的神经元个数为36，并以relu作为激活函数并输出；再连接到dropout层，dropout的比例为0.5；继续输出到下一个全联接层，该层的神经元个数为32，并以tanh作为激活函数，输出到最后一层；最后一层为输出层，全联接层，并以27(即目标数据区间的个数)作为神经元大小，并以softmax作为激活函数。整个模型结构如图2所示。

对上述网络模型实现后，并对模型结构进行可视化，如图3所示。

网络训练过程中对输出层的bias进行人工初始化，输出层的bias设置为如下值，初始化的方式如下：

网络训练时使用的优化器为rmsprop优化器，损失函数使用交叉墒损失(categorical_crossentropy)，模型训练的epochs可以根据数据情况自行设定，训练时用的batch可以根据数据情况和训练环境进行自行设定。在训练完成后将模型保存在某个固定的位置。

预测过程包括：

1.首先将训练后的模型进行加载，在后续预测时使用。

2.在预测阶段预测样本的输入的处理过程和数据处理阶段保持一致，但不需要目标数据，仅需要特征数据。

3.预测阶段样本当前时刻覆冰状态未知，因此将样本初始的覆冰状态y