一种基于机器学习的覆冰类型预测方法及系统

技术领域

本发明涉及一种覆冰类型预测方法，具体涉及一种基于机器学习的覆冰类型预测方法及系统。

背景技术

在电力行业中，输电线路因为低温雨雪等因素产生的结冰现象称为覆冰。在低温环境下，空气中的过冷水滴在导线或是绝缘子等结构体的表面积累，进而产生覆冰。导线覆冰的产生是需要一定的环境条件的，主要包括湿度在80％左右、风速在1m/s及以上、环境及导线温度达到0℃及以下。根据覆冰的形成条件和性质，覆冰主要分为五种类型：雨凇、混合淞、雾凇、白霜、积雪。其中雨凇是五种覆冰类型中威胁最大的，产生雨凇覆冰后将带来非常大的机械负荷，并且由于冰层的质地坚硬，难以处理该类覆冰。混合凇是一个复合的覆冰过程，增长速度快，对导线的危害特别严重。雾凇质量较轻，粘附力弱，对于输电线路的总体危害较小，危害程度要次于混合凇。白霜对于导线的机械结构的影响不大，但是它的出现会导致输电线路的电晕损失增大。积雪在气温为0℃左右，风速小于3m/s的环境条件下，导线上的覆雪受到风速的制约，粘附在导线表面的覆雪经过多次的融化和凝结，成为雪和冰的混合物，在导线上积累增大。

覆冰是影响输电线路安全稳定运行的最主要因素之一，它会导致绝缘子闪络、线路舞动、杆塔倾斜甚至断线倒塔等严重事故，进而可能引发大面积停电直至电网崩溃。为解决电网覆冰问题，包括“被动抗冰”和“主动防冰”在内的措施已广泛应用于输电线路，取得了显著成效。现有技术中的覆冰预警系统，是基于对输电线路张力等监测信息的时间序列分析，参考常规气象预报数据，判断局部区域在未来一段时间内会不会形成覆冰以及覆冰的增长速度。但是，这样仅解决了在较短时间和较大范围内有无覆冰的问题，而无法实现准确且多样的覆冰类型的预报，对于降低覆冰危害所起到的作用非常有限。

发明内容

针对现有技术中存在的无法实现准确且多样的覆冰类型的预测，本发明提供一种基于机器学习的覆冰类型预测方法，包括：

获取预测覆冰类型的气象预报数据；

将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解；

基于所述各最大间隔超平面方程的解，确定覆冰类型；

其中，所述最大间隔超平面方程是基于每种覆冰类型利用回归型支持向量机对所述历史气象数据进行训练得到的。

优选的，所述最大间隔超平面方程的训练过程，包括：

将历史气象数据划分为训练集和测试集；

基于每种覆冰类型，将所述训练集划分为对应此类覆冰的数据集和非此类覆冰的数据集；

基于对应覆冰类型的数据集和非覆冰类型的数据集，利用所述回归型支持向量机进行训练，得到与每种覆冰类型对应的分类器；

基于所述测试集对所述每种覆冰类型对应的分类器进行测试；

其中，每种覆冰类型对应的分类器对应一个最大间隔超平面方程。

优选的，所述最大间隔超平面方程，按下式确定：

式中，x

优选的，所述基于所述各最大间隔超平面方程的解，确定覆冰类型，包括：

将各最大间隔超平面方程得到的解中大于零的最大间隔超平面方程对应的覆冰类型作为气象预报数据生成的覆冰类型。

优选的，所述覆冰类型包括：雨凇、雾凇、混合淞、白霜及积雪。

优选的，还包括：

获取原始气象预报数据，利用设定条件对所述获取的原始气象数据进行筛选，并将满足设定条件中的至少一个条件的原始气象预报数据判断为异常数据；

将所述利用设定条件进行判断得到的异常数据从所述原始气象预报数据中剔除，得到所述用于预测覆冰类型的气象预报数据。

优选的，所述设定条件，包括：

风速大于6m/s或小于1m/s的数据点、气温大于5℃的数据点、湿度低于80％的数据点、湿度和气压小于0的数据点和假设气象数据均服从正态分布且位于95％置信区间之外的数据点。

基于同一发明构思，本发明还提供一种基于机器学习的覆冰类型预测系统，包括：

数据获取模块，用于获取用于预测覆冰类型的气象预报数据；

计算模块，用于将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解；

覆冰类型预测模块，用于基于所述各最大间隔超平面方程的解，确定覆冰类型；

其中，所述最大间隔超平面方程是基于每种覆冰类型利用回归型支持向量机对所述历史气象数据进行训练得到的。

优选的，所述最大间隔超平面方程的训练，包括：

将历史气象数据划分为训练集和测试集；

基于每种覆冰类型，将所述训练集划分为对应此类覆冰的数据集和非此类覆冰的数据集；

基于对应覆冰类型的数据集和非覆冰类型的数据集，利用所述回归型支持向量机进行训练，得到与每种覆冰类型对应的分类器；

基于所述测试集对所述每种覆冰类型对应的分类器进行测试；

其中，每种覆冰类型对应的分类器对应一个最大间隔超平面方程。

优选的，所述最大间隔超平面，按下式确定：

式中，x

与现有技术相比，本发明的有益效果为：

本发明提供一种基于机器学习的覆冰类型预测方法及系统，包括：获取用于预测覆冰类型的气象预报数据；将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解；基于所述各最大间隔超平面方程的解，确定覆冰类型；其中，所述最大间隔超平面方程是基于每种覆冰类型利用回归型支持向量机对所述历史气象数据进行训练得到的。本发明基于气象预报数据和回归型支持向量机，可对输电线路中的覆冰类型进行精确预测，实现预报更全面、更为精细化的输电通道覆冰类型预警，有助于及时做好准备并开展覆冰处理工作，防止由覆冰造成的严重危害事故的发生。

附图说明

图1为本发明一种基于机器学习的覆冰类型预测方法示意图；

图2为本发明一种基于机器学习的覆冰类型预测系统整体示意图；

图3为本发明一种基于机器学习的覆冰类型预测方法整体流程图。

具体实施方式

实施例1

针对现有技术中存在的问题，本发明提供一种基于机器学习的覆冰类型预测方法，如图1所示，包括：

步骤1，获取预测覆冰类型的气象预报数据；

步骤2，将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解；

步骤3，基于所述各最大间隔超平面方程的解，确定覆冰类型；

其中，所述最大间隔超平面方程是基于每种覆冰类型利用回归型支持向量机对所述历史气象数据进行训练得到的。

在所述步骤1中，首先利用区域气象预报模式对气压、温度、湿度、风速等气象要素进行预报，将获取到的多种观测资料经过预处理后输入到同化模块中，得到校正后的预报数据。

在本实施例中，利用的是数值天气预报技术对气象数据进行预测；

首先将历史气象观测数据进行预处理，并针对常规气象站点观测数据(包括地表、10m高度及高空的风、温、湿、压等气象变量)以及卫星和雷达等非常规数据分别进行预处理。该模块首先要为模拟区域划分离散的数值计算格点，使用插值方法为这些格点插入GFS、ECMWF等背景场信息，从而使模式具备运行所需的初始场和边界场。一般来说，区域模式的分辨率在几公里量级，而背景场的分辨率在30公里以上，由于尺度跨度较大，常常使用逐层嵌套的方法，将背景场信息逐渐降尺度到几公里量级的格点上。常用的数据来源是气象部门的站点常规观测数据，一般包括地表、10m高度及高空的风、温、湿、压等气象变量，这些数据经预处理阶段的质量控制后，直接进入数值模式的同化模块，使用变分、卡曼滤波或松弛逼近等方法进行同化。此外，也会用到卫星或雷达数据，卫星和雷达等非常规数据的直接同化需在预处理步骤中实现对卫星和雷达资料的通道选择、坐标标定、变量转化等。间接同化则需先根据观测资料同气象要素间的经验关系反演出气象变量的具体值，再同常规观测数据一起进行质量控制，然后进入同化模块。

其次，利用数字滤波技术，对同化后的常规观测预报场进行滤波，去掉非虚假的重力波；使用辐射传输模式等同化模块将卫星和雷达等非常规数据同化进入模式。模式在经过数据输入和预处理之后便具备了运行所需的初始场和边界场，即可输入大气离散化偏微分方程组进行数值求解得到预报场，此时需将预报开始前几个小时的观测数据通过数据同化手段融入预报场中，每个站点的观测数据从时间和空间上同预报场数据进行磨合分析，从而得到校正后的预报数据。由于预报场的数据在未同化前本身是动力协调的，而观测数据的融入会打破这种协调性，从而引起预报场中产生非真实的波动，这种波动会降低预报场的准确性和真实性，因此一般会采取数字滤波技术，对同化后的预报场进行滤波，去掉这些非虚假的重力波。局地的雷达或卫星资料观测密度较高，可补充常规气象观测站点无法覆盖的区域观测资料，这些资料一般使用辐射传输模式等同化模块进入模式，可改善模式对局地温度场和水汽场的分析精度，还有助于诊断覆冰天气的逆温层和“冷-暖-冷”的冻雨层结，对进一步提升覆冰模拟精度非常重要。

最后，将上述处理后的数据进行筛选，将无法形成覆冰的异常数据从将要用于预测覆冰类型的气象预报数据中筛选出来，并将其剔除。通过matlab中的find函数剔除的气象预报数据以及历史气象观测数据的异常值，避免异常值的干扰，并提高支持向量机的训练速度，异常数据包括：

风速大于6m/s或小于1m/s的数据点；

气温大于5℃的数据点；

湿度低于80％的数据点；

湿度和气压小于0的数据点；

假设温度、湿度、风速、气压数据均服从X～N(μ，σ

在所述步骤2中，将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解。

首先利用回归型支持向量机对历史气象数据进行训练，得到与各覆冰类型对应的最大间隔超平面方程。

将历史气象数据划分为训练集和测试集；基于每种覆冰类型，将所述训练集划分为对应覆冰类的数据集和非覆冰类型的数据集；基于对应覆冰类的数据集和非覆冰类型的数据集，利用所述回归型支持向量机进行训练，得到所述覆冰类型对应的最大间隔超平面。

在本实施例中，采用sklearn.model_selection.train_test_split(随机测试样本划分)将包括历史气象观测数据：温度x

基于划分好的训练集和测试集，利用回归型支持向量机即sklearn.LinearSVC基于历史气象数据进行训练。根据覆冰类型对训练样本进行分类，再分别基于每种覆冰类型训练出对应的分类器，并将训练样本划分为分成对应此类覆冰的y

式中，x

在本实施例中，将气象预报数据代入到所述最大间隔超平面方程中，按下式确定：

式中，x

在所述步骤3中，基于所述各最大间隔超平面方程的解，确定覆冰类型。

根据步骤2中得到的最大间隔超平面方程，当气象预报数据能够对应生成其中一类覆冰时，按下式确定：

在本实施例中，将能够生成某类覆冰的气象预报数据代入上式中，按下式确定：

若输入的气象预报数据不满足此类覆冰形成条件时，按下式确定：

在本实施例中，将所述不满足某类覆冰的形成条件的气象预报数据代入上式中，按下式确定：

所述每种覆冰类型对应的最大间隔超平面方程

将测试集代入各覆冰类型对应的最大间隔超平面方程中，判断输出的结果是否与训练集吻合，以此检验模型效果。

然后将气象预报数据输入到所述训练好的回归型支持向量机中，通过预测得到与所述气象预报数据时间对应的具体覆冰类型。

将获取到的气象预报数据，即温度x

其中，覆冰类型包括：雨凇、混合淞、雾凇、白霜、积雪。

本发明首先利用区域气象预报模式进行高精度的数值天气预报，得到气象预报数据；同时通过回归型支持向量机训练历史气象观测数据，得出每个覆冰类型对应的最大间隔超平面；最后将气象预报数据代入到各覆冰类型对应的最大间隔超平面方程中进行判断，最终预测到覆冰类型。本发明利用回归型支持向量机预测对覆冰类型进行预测，有助于及时做好准备并开展覆冰处理工作，防止由覆冰造成的严重危害事故的发生。

实施例2

基于同一发明构思，本发明还提供一种基于机器学习的覆冰类型预测系统，如图2所示，包括：

数据获取模块，用于获取预测覆冰类型的气象预报数据；

计算模块，用于将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解；

覆冰类型预测模块，用于基于所述各最大间隔超平面方程的解，确定覆冰类型；

其中，所述最大间隔超平面方程是基于每种覆冰类型利用回归型支持向量机对所述历史气象数据进行训练得到的。

所述数据获取模块，包括：数据输入及预处理子模块、数据处理子模块及数据筛选子模块。

在所述数据获取模块中，首先利用天气预报技术对气压、温度、湿度、风速等气象要素进行预报，将获取到的多种观测资料经过预处理后输入到同化模块中，得到校正后的预报数据。

在所述数据输入及预处理子模块中输入观测数据，该子模块会针对常规气象站点观测数据(包括地表、10m高度及高空的风、温、湿、压等气象变量)以及卫星和雷达等非常规数据分别进行预处理。首先要为模拟区域划分离散的数值计算格点，使用插值方法为这些格点插入GFS、ECMWF等背景场信息，从而使模式具备运行所需的初始场和边界场。一般来说，区域模式的分辨率在几公里量级，而背景场的分辨率在30公里以上，由于尺度跨度较大，常常使用逐层嵌套的方法，将背景场信息逐渐降尺度到几公里量级的格点上。常用的数据来源是气象部门的站点常规观测数据，一般包括地表、10m高度及高空的风、温、湿、压等气象变量，这些数据经预处理阶段的质量控制后，直接进入数值模式的同化模块，使用变分、卡曼滤波或松弛逼近等方法进行同化。此外，也会用到卫星或雷达数据，卫星和雷达等非常规数据的直接同化需在预处理步骤中实现对卫星和雷达资料的通道选择、坐标标定、变量转化等。间接同化则需先根据观测资料同气象要素间的经验关系反演出气象变量的具体值，再同常规观测数据一起进行质量控制，然后进入同化模块。

所述数据处理子模块，用于通过数字滤波技术，对同化后的常规观测预报场进行滤波，去掉非虚假的重力波；使用辐射传输模式等同化模块将卫星和雷达等非常规数据同化进入模式。模式在经过数据输入和预处理之后便具备了运行所需的初始场和边界场，即可输入大气离散化偏微分方程组进行数值求解得到预报场，此时需将预报开始前几个小时的观测数据通过数据同化手段融入预报场中，每个站点的观测数据从时间和空间上同预报场数据进行磨合分析，从而得到校正后的预报数据。由于预报场的数据在未同化前本身是动力协调的，而观测数据的融入会打破这种协调性，从而引起预报场中产生非真实的波动，这种波动会降低预报场的准确性和真实性，因此一般会采取数字滤波技术，对同化后的预报场进行滤波，去掉这些非虚假的重力波。局地的雷达或卫星资料观测密度较高，可补充常规气象观测站点无法覆盖的区域观测资料，这些资料一般使用辐射传输模式等同化模块进入模式，可改善模式对局地温度场和水汽场的分析精度，还有助于诊断覆冰天气的逆温层和“冷-暖-冷”的冻雨层结，对进一步提升覆冰模拟精度非常重要。

将上述处理后的数据利用数据筛选子模块进行筛选，所述数据筛选子模块会将无法形成覆冰的异常数据从将要用于预测覆冰类型的气象预报数据中筛选出来，并将其剔除。利用matlab中的find函数剔除的气象预报数据以及历史气象观测数据的异常值，避免异常值的干扰，并提高支持向量机的训练速度，异常数据包括：

风速大于6m/s或小于1m/s的数据点；

气温大于5℃的数据点；

湿度低于80％的数据点；

湿度和气压小于0的数据点；

假设温度、湿度、风速、气压数据均服从X～N(μ，σ

在所述计算模块，将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解；

所述计算模块，包括：样本集划分子模块、训练子模块、校验子模块及数据计算子模块。

首先利用回归型支持向量机对历史气象数据进行训练，得到与各覆冰类型对应的最大间隔超平面方程。

其中，所述样本集划分子模块用于将历史气象数据划分为训练集和测试集；基于每种覆冰类型，将所述训练集划分为对应覆冰类的数据集和非覆冰类型的数据集；基于对应覆冰类的数据集和非覆冰类型的数据集，利用所述回归型支持向量机进行训练，得到所述覆冰类型对应的最大间隔超平面。

在本实施例中，样本集划分子模块采用sklearn.model_selection.train_test_split(随机测试样本划分)将包括历史气象观测数据：温度x

所述训练子模块，用于基于划分好的训练集和测试集，利用回归型支持向量机即sklearn.LinearSVC基于历史气象数据进行训练。根据覆冰类型对训练样本进行分类，再分别基于每种覆冰类型训练出对应的分类器，并将训练样本划分为分成对应此类覆冰的y

式中，x

在本实施例中，将气象预报数据代入到所述最大间隔超平面方程中，按下式确定：

式中，x

在所述覆冰类型预测模块中，基于所述各最大间隔超平面方程的解，确定覆冰类型。

所述校验子模块用于将测试集代入各覆冰类型对应的最大间隔超平面方程中，判断输出的结果是否与训练集吻合，以此检验模型效果。所述数据计算模块用于根据训练子模块得到的最大间隔超平面方程，当气象预报数据能够对应生成其中一类覆冰时，按下式确定：

在本实施例中，将所述气象预报数据代入上式中，按下式确定：

若输入的气象预报数据不满足此类覆冰形成条件时，按下式确定：

在本实施例中，将所述不满足某类覆冰的形成条件的气象预报数据代入上式中，按下式确定：

所述每种覆冰类型对应的最大间隔超平面方程

所述覆冰类型预测模块用于基于所述计算模块中得到的各最大间隔超平面方程的解，确定覆冰类型。

将获取到的气象预报数据，即温度x

其中，覆冰类型包括：雨凇、混合淞、雾凇、白霜、积雪。

实施例3

本发明一种基于机器学习的覆冰类型预测方法，如图3所示，工作流程如下：

获取预测覆冰类型的气象预报数据；

将所述气象预报数据分别输入到多个预先按覆冰类型训练好的最大间隔超平面方程中进行计算，得到各最大间隔超平面方程的解；

基于所述各最大间隔超平面方程的解，确定覆冰类型；

其中，所述最大间隔超平面方程是基于每种覆冰类型利用回归型支持向量机对所述历史气象数据进行训练得到的。

所述最大间隔超平面方程的训练包括：基于历史观测得到的气象数据，利用回归型支持向量机训练出每个覆冰类型对应的最大间隔超平面方程。

所述基于各最大间隔超平面方程的解，确定覆冰类型，包括：将设定时段的预测气象数据输入到每个覆冰类型对应的最大间隔超平面方程

在本实施例中，支持向量机(英语：Support Vector Machine，常简称为SVM，又名支持向量网络)是在分类与回归分析中分析数据的监督式学习模型与相关的学习算法。给定一组训练实例，每个训练实例被标记为属于几个类别中的一个，SVM训练算法创建一个将新的实例分配给这几个类别之一的模型，使其成为非概率多元线性分类器，将实例表示为空间中的点，这样映射就使单独类别的实例被尽可能宽的明显的间隔分开，然后将新的实例映射到同一空间，并基于它们落在间隔的哪一侧来预测所属类别。

假设一个训练样本集D＝{(x

r＝(∣w^T x+b∣)/(||w||)

式中，w为法向量，b为位移项，r为任意点x到超平面(w，b)的距离；

假设超平面(w，b)能将训练样本正确分类，即(x

在本实施例中所采用支持向量机的回归形式中，采用气象预报数据中包括的温度x

式中，x

雨凇、混合淞、雾凇、白霜、积雪分别对应覆冰类别y

若气象预报数据不满足此类覆冰形成条件时，按下式确定：

所述最大间隔超平面将气象预报数据分为

根据样本在哪一部分判断预测时刻的气象因子对应的预测覆冰类型，有助于做好覆冰预测工作，并根据不同覆冰类型及后续覆冰发展趋势制定及开展覆冰处理工作，降低由覆冰造成严重事故的发生概率。

显然，所描述的实施例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做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上仅为本发明的实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均包含在申请待批的本发明的权利要求范围之内。