输电线路杆塔所处区域的覆冰厚度和风速的确定方法

技术领域

本公开涉及人工智能领域，尤其涉及一种输电线路杆塔所处区域的覆冰厚度和风速的确定方法和装置。

背景技术

输电线路是电网系统的重要组成部分，承载着国民生产和生活所需能源的运输命脉。然而，输电线路长期暴露在自然环境中，时刻受冰雪、风沙等气象环境的影响，长期运行经验表明，覆冰导致输电线机械性能和电气安全净空距离急剧改变，造成导线过载断线、融冰跳跃等风险发生的概率增加，而风灾容易引起倒杆、歪杆、断线等，易造成架空输电线路停电事故，覆冰和风速是影响电网稳定性的重要原因。覆冰厚度和风速是评估覆冰灾害和风灾的重要参数，通过对输电线路的杆塔所处区域的覆冰厚度和风速进行确定，辅助相关工作人员及时对覆冰灾害和风灾的判断，以防灾灭灾、提高电网稳定性是很有必要的。

发明内容

本公开旨在至少在一定程度上解决相关技术中的技术问题之一。

本公开提出一种输电线路杆塔所处区域的覆冰厚度和风速的确定方法和装置，以可以基于深度学习技术，实现对目标杆塔所处区域的覆冰厚度和风速的确定。

本公开第一方面实施例提出了一种输电线路杆塔所处区域的覆冰厚度和风速的确定方法，包括：

获取目标输电线路的目标杆塔所处区域的监测数据；其中，所述监测数据包括目标时刻的第一气象信息和地形信息；

对所述地形信息进行特征提取，以得到第一地形特征和第一微地形特征；

基于所述第一气象信息、所述第一地形特征和所述第一微地形特征进行覆冰厚度和风速的确定，以得到所述目标杆塔所处区域在所述目标时刻的目标覆冰厚度和目标风速。

本公开实施例的输电线路杆塔所处区域的覆冰厚度和风速的确定方法，通过获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息；对地形信息进行特征提取，以得到第一地形特征和第一微地形特征；基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。由此，可以基于深度学习技术，实现对目标杆塔所处区域的覆冰厚度和风速的确定。

本公开第二方面实施例提出了一种输电线路杆塔所处区域的覆冰厚度和风速的确定装置，包括：

第一获取模块，用于获取目标输电线路的目标杆塔所处区域的监测数据；其中，所述监测数据包括目标时刻的第一气象信息和地形信息；

提取模块，用于对所述地形信息进行特征提取，以得到第一地形特征和第一微地形特征；

第一确定模块，用于基于所述第一气象信息、所述第一地形特征和所述第一微地形特征进行覆冰厚度和风速的确定，以得到所述目标杆塔所处区域在所述目标时刻的目标覆冰厚度和目标风速。

本公开实施例的输电线路杆塔所处区域的覆冰厚度和风速的确定装置，通过获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息；对地形信息进行特征提取，以得到第一地形特征和第一微地形特征；基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。由此，可以基于深度学习技术，实现对目标杆塔所处区域的覆冰厚度和风速的确定。

本公开第三方面实施例提出了一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本公开第一方面实施例提出的输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

本公开第四方面实施例提出了一种非临时性计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本公开第一方面实施例提出的输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

本公开第五方面实施例提出了一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如本公开第一方面实施例提出的输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

本公开附加的方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。

附图说明

本公开上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解，其中：

图1为本公开实施例一所提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法的流程示意图；

图2为本公开所提供的目标杆塔所处网格单元及邻域的网格单元的示意图；

图3为本公开实施例二所提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法的流程示意图；

图4为本公开实施例三所提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法的流程示意图；

图5是本公开实施例四所提供的一种输电线路杆塔所处区域的覆冰厚度和风速的确定装置的结构示意图；

图6示出了可以用来实施本公开的实施例的示例电子设备的示意性框图。

具体实施方式

下面详细描述本公开的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本公开，而不能理解为对本公开的限制。

为有效应对电网系统的风灾和覆冰灾害，提升灾害评估的准确性，多类基于理论和统计算法的灾害测算模型构建方案已被提出和应用，各电网公司也开展了冰区分布图绘制工作。但受到背景天气系统以及局地地形特征和气象条件的综合影响，不同地区的灾情判定和等级划分存在一定偏差，且微地形和微气象对于灾害特征的影响难以在粗分辨率的分布图上体现。随着电网的延伸发展，输电线路经过的复杂地形逐渐增多，对应的气候条件也更加多样化。因此，风区及冰区划分的适用性和准确性有待提升，需要针对实际线路工程情况开展局地化、智能化、多元化的高精度地形特征识别、风险等级划分、灾害评估工作，从而可以准确、有效地为线路工程设计提供全周期、全方位的参考指标，比如覆冰厚度和风速设计值建议。

相关技术中，覆冰厚度和风速的确定方法主要是对不同区域的不同地形或特殊地形-气象组合进行不同区域的覆冰厚度和风速的确定，而未分析全种类的微地形微气象对覆冰厚度和风速的影响，且覆冰厚度和风速的确定方法未考虑研究对象(比如输电线路的杆塔)所处区域的天气背景(比如环流分型(或气候))对覆冰厚度和风速的影响。

针对上述问题，本公开提出一种输电线路杆塔所处区域的覆冰厚度和风速的确定方法和装置。

下面参考附图描述本公开实施例的输电线路杆塔所处区域的覆冰厚度和风速的确定方法和装置。

图1为本公开实施例一所提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法的流程示意图。

本公开实施例以该输电线路杆塔所处区域的覆冰厚度和风速的确定方法被配置于输电线路杆塔所处区域的覆冰厚度和风速的确定装置中来举例说明，该输电线路杆塔所处区域的覆冰厚度和风速的确定装置可以应用于任一电子设备中，以使该电子设备可以执行输电线路杆塔所处区域的覆冰厚度和风速的确定功能。

其中，电子设备可以为任一具有计算能力的设备，例如可以为个人电脑(PersonalComputer，简称PC)、移动终端、服务器等，移动终端例如可以为手机、平板电脑、个人数字助理、穿戴式设备等具有各种操作系统、触摸屏和/或显示屏的硬件设备。

如图1所示，该输电线路杆塔所处区域的覆冰厚度和风速的确定方法可以包括以下步骤：

步骤101，获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息。

在本公开实施例中，第一气象信息可以包括气象再分析数据，以及通过气象观测站和/或基准站获得的用于表征目标杆塔所处区域的气候参数的数据，比如可以包括近地面温度、相对湿度、风速、风向、降水量、液水含量等，本公开对此不做限制。

其中，第一气象信息可以是单点高精度观测数据，也可以是不同空间分辨率(比如可以为0.25°×0.25°)的格网数据；目标时刻可以为获取第一气象信息的任一时刻。

需要说明的是，上述对第一气象信息的空间分辨率的示例仅是示例性的，实际应用中，还可以为其它，比如，第一气象信息的空间分辨率为

还需要说明的是，目标时刻可以是历史某一时刻，或者也可以为未来的某一个时刻，本公开对此不作限制。

在本公开实施例中，地形信息可以包括空间分辨率为30m的SRTM(Shuttle RadarTopography Mission，航天飞机雷达地形测绘使命)DEM(Digital Elevation Model，数字高程模型)数据集和地类特征，其中，地类特征可以包括山区、平地、水体等。

在本公开实施例中，可以获取目标输电线路的目标杆塔所处区域的监测数据，其中，监测数据可以包括第一气象信息和地形信息。

步骤102，对地形信息进行特征提取，以得到第一地形特征和第一微地形特征。

在本公开实施例中，第一地形特征可以包括目标杆塔所处区域的海拔、坡度、坡向、山谷、山脊等，本公开对此不作限制。

在本公开实施例中，第一微地形特征可以指示目标杆塔所处区域所属的微地形类型，其中，微地形类型比如可以为垭口型微地形、高山分水岭型微地形、水汽增大型微地形、地形抬升型微地形、峡谷风道型微地形、复合型微地形等，本公开对此不作限制。

需要说明的是，第一地形特征和第一微地形特征的空间分辨率可以为30m。

在本公开实施例中，可以对地形信息进行特征提取，以得到第一地形特征和第一微地形特征。

在本公开实施例的一种可能的实现方式中，第一地形特征还可以包括山坡属性信息，其中，山坡属性信息可以为迎风坡或背风坡。

为了获取山坡属性信息，作为一种可能的实现方式，可以获取第三设定时间段内的多个风向信息，其中，风向信息指示目标杆塔所处区域的风向；可以根据多个风向信息，确定目标杆塔所处区域的主风向；并可以根据目标杆塔所处区域的主风向和坡向，确定山坡属性信息。

在本公开实施例中，第三设定时间段可以为预先设定的时间段，比如，可以为1995年～2020年中每年10月至次年3月。

需要说明是，上述对第三设定时间段的示例仅是示例性的，在实际应用，可以根据实际需要对第三设定时间段进行设置，本公开对此不作限制。

在本公开实施例中，风向信息可以指示目标杆塔所处区域的风向，其中，风向信息的时间分辨率比如可以为1小时、空间分辨率比如可以为0.25°×0.25°。

需要说明的是，上述对风向信息的时间分辨率和空间分辨率的示例仅是示例性的，在实际应用中，可以根据需要对风向信息的时间分辨率和空间分辨率进行设置，本公开对此不做限制。

在本公开实施例中，可以根据多个风向信息，确定目标杆塔所处区域的主风向，比如，可以根据多个风向信息，从多个风向信息中确定出现次数最多的风向，并可以将出现次数最多的风向作为目标杆塔所处区域的主风向，例如，可以根据多个风向信息，从多个风向信息中确定出现次数最多个风向为西北风，可以将西北风作为目标杆塔所处区域的主风向。

在本公开实施例中，可以根据目标杆塔所处区域的主风向和坡向，确定山坡属性信息。比如，当目标杆塔所处区域的主风向和坡向之间的夹角大于90°时，可以确定山坡属性信息为背风坡；当目标杆塔所处区域的主风向和坡向之间的夹角未大于90°时，可以确定山坡属性信息为迎风坡。

作为一种示例，可以基于空间分辨率为30m的SRTM DEM数据集进行区域地形数据分析，采用ArcGIS软件进行遥感影像拼接和坐标系修正。根据栅格数据提取各网格单元的海拔高程值，并基于各网格单元的海拔高程值确定目标杆塔所处网格单元的坡向、坡度、山脊、山谷，以提取第一地形特征。

其中，可以采用以下方法，基于各网格单元的海拔高程值确定目标杆塔所处网格单元的坡向、坡度、山脊、山谷的：

1)坡向和坡度

基于与目标杆塔所处网格单元的相邻8个网格单元的海拔高程值，确定与目标杆塔所处网格单元的坡度和坡向。

作为一种示例，目标杆塔所处网格单元及邻域的网格单元如图2所示，其中，网格单元e可以为目标杆塔所处网格单元，网格单元a、b、c、d、f、g、h、i为与目标杆塔所处网格单元相邻的网格单元，假设网格单元a的海拔高程值为H

坡度：即为斜坡的度数，坡度为坡面的海拔高度和海平面距离的比，即从目标杆塔所处网格单元到与其相邻的网格单元方向上的最大变化率，可以根据以下公式，确定目标杆塔所处网格单元的坡度slope：

其中，x为二维平面水平方向，y为二维平面中垂直于x的方向，z为垂直于二维平面的方向，size

坡向：即为目标杆塔所处网格单元到与其相邻的网格单元方向上的变化率最大的下坡方向，可以根据以下公式，确定目标杆塔所处网格单元的坡向aspect：

2)山谷和山脊

利用坡向变率与坡形组合法提取山脊、山谷线：通过网格单元海拔高程值计算目标杆塔所处网格单元的坡向以及坡向变率值，并根据坡向变率值以及正负地形分布特征挑选出满足正负地形相对高程差大于0(或小于0)、坡向变率大于标准限定值(比如45°、50°等)的网格单元作为山脊(山谷)。

其中，目标杆塔所处区域包括m行n列网格单元，其中，网格单元e可以为目标杆塔所处网格单元，且网格单元e位于第

基于地形表面流水物理模拟分析原理：通过对零值的汇流累计量的网格单元的提取，就可以得到分水线(山脊线)；可以用一个较大的值减去DEM，实现地形反转，将汇水线就变成分水线，再按照山脊线查找方法得到的即为山谷线。

其中，可以根据地形特征，自动对目标杆塔所处区域的微地形类型进行智能识别，其中，微地形类型包括对垭口型微地形、高山分水岭微地形、水汽增大型微地形、峡谷风道型微地形、地形抬升型微地形以及复合型微地形：

1)垭口型微地形

地形特征：两侧有较高的山岭，气流受两侧山岭阻挡，可以通过提取分水线和汇水线的交点而得到。

其中，垭口型微地形包括典型垭口，典型垭口的山脊线宽度与高度明显的比值为大于0.5，山脊线所形成的垭口底部夹角大于30°。

2)高山分水岭微地形

地形特征：分隔相邻两个流域呈长条形或带状连续的山体，与覆冰期主导风向垂直或有较大角度，气流到达山体不能从山体两侧绕流通过，而是被山岭前的坡地抬升并在山岭或山脊处集中流过，且线路翻越分水岭。

3)水汽增大型微地形

地形特征：输电线路邻近大型水体(包括江河、湖泊、大型水库等)，水体相对输电线路处于覆冰气流的上风向。

4)地形抬升型微地形

地形特征：平原或丘陵中拔地而起的突峰、盆地中一侧较低另一侧较高的台地及陡崖。

5)峡谷风道型微地形

地形特征：两列走向近乎平行的连续山岭之间为深切河谷，覆冰期主导风向与河谷走向大致相同，输电线路于两岸高地横跨峡谷。

6)复合型微地形

复合型微地形可以由至少两种上述微地形类型复合而成，基于上述任一种微地形类型的地形特征，当目标杆塔所处区域同时包括至少两种上述微地形的地形特征时，则可以确定该目标杆塔所处区域所属的微地形类型为复合型微地形类型。

步骤103，基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

在本公开实施例中，可以基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速，即，可以基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度评估(或预测)和风速评估(或预测)，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

本公开实施例的输电线路杆塔所处区域的覆冰厚度和风速的确定方法，通过获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息；对地形信息进行特征提取，以得到第一地形特征和第一微地形特征；基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。由此，可以基于深度学习技术，实现对目标杆塔所处区域的覆冰厚度和风速的确定。

为了清楚说明本公开上述实施例中，是如何基于基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速的，本公开还提出一种输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

图3为本公开实施例二所提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法的流程示意图。

如图3所示，该输电线路杆塔所处区域的覆冰厚度和风速的确定方法可以包括以下步骤：

步骤301，获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息。

步骤302，对地形信息进行特征提取，以得到第一地形特征和第一微地形特征。

步骤301至步骤302的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。

步骤303，获取目标杆塔所处区域在第一设定时段内的第二气象信息。

在本公开实施例中，第一设定时段可以为预先设定的，比如可以为1982年1月1日0时0分0秒至2022年12月12日24时0分0秒、或者可以为1995年1月1日0时0分0秒至2021年12月12日24时0分0秒等，本公开对此不作限制。

在本公开实施例中，第二气象信息可以包括近地面温度、相对湿度、风速、风向、降水量、液水含量等，本公开对此不作限制。

其中，第二气象信息的时间分辨率可以为1小时，空间分辨率可以为公里级。

在本公开实施例中，可以获取目标杆塔所处区域在第一设定时段内的第二气象信息。

作为一种应用场景，可以采集基准站、自动气象站以及区域最高时空分辨率的再分析数据，构建气象信息数据库；并可以根据目标杆塔所处区域的经纬度，从气象信息数据库中获取第一设定时段内与目标杆塔所处区域的经纬度匹配的第二气象信息。

步骤304，对第一地形特征进行升尺度处理，以得到第二地形特征，并对第一微地形特征进行升尺度处理，以得到第二微地形特征。

在本公开实施例中，第二地形特征可以包括目标杆塔所处区域的坡度、坡向、山谷、山脊等，本公开对此不作限制。需要说明的是，第二地形特征的空间分辨率低于第一地形特征的空间分辨率，比如，第二地形特征的空间分辨率为公里级的，第一地形特征的空间分辨率为30m。

在本公开实施例中，第二微地形特征可以指示目标杆塔所处区域所属的微地形类型。需要说明的是，第二微地形特征的空间分辨率低于第一微地形特征的空间分辨率，比如，第二微地形特征的空间分辨率为公里级的，第一微地形特征的空间分辨率为30m。

需要说明的是，第二地形特征空间分辨率和第二微地形特征的空间分辨率可以相同，或者也可以不相同，本公开对此不作限制。

在本公开实施例中，可以对第一地形特征进行升尺度处理，以得到第二地形特征，并可以对第一微地形特征进行升尺度处理，以得到第二微地形特征。比如，可以采用加权平均的方法分别对第一地形特征进行升尺度处理，或者对第一微地形特征进行升尺度处理。

步骤305，采用第一识别模型基于第二气象信息中的多个逐时气象数据，对第二地形特征和第二微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速。

在本公开实施例中，第一识别模型可以为用于统计降尺度的深度学习神经网络模型。

在本公开实施例中，逐时气象数据可以包括逐时近地面温度、逐时相对湿度、逐时风速、逐时风向、逐时降水量、逐时液水含量等，本公开对此不作限制。

需要说明的是，逐时气象数据与第二气象信息是相对应的。比如，当第二气象信息包括近地面温度、相对湿度、风速时，逐时气象数据包括逐时近地面温度、逐时相对湿度、逐时风速；再比如，当第二气象信息包括近地面温度、风向、降水量、液水含量时，逐时气象数据包括逐时近地面温度、逐时风向、逐时降水量、逐时液水含量。

在本公开实施例中，可以采用第一识别模型基于第二气象信息中的多个逐时气象数据，对第二地形特征和第二微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速，即，可以采用第一识别模型基于第二气象信息中的多个逐时气象数据，对第二地形特征和第二微地形特征进行覆冰厚度评估(或预测)和风速评估(或预测)，以得到目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速。

需要说明的是，通过第一识别模型确定的第一设定时段内的逐时风速与第二气象信息中的逐时风速的空间分辨率是不同的。

作为一种示例，假设第二气象信息包括近地面温度、相对湿度、风速、风向、降水量、液水含量，与第二气象信息相对应的，第二气象信息中的逐时气象数据包括逐时近地面温度、逐时相对湿度、逐时风速、逐时风向、逐时降水量、逐时液水含量，可以将第二气象信息、第二地形特征和第二微地形特征输入第一识别模型，第一识别模型输出降尺度后的目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速。

也就是说，基于第二气象信息中多个逐时气象数据、第二地形特征和第二微地形特征，可以采用第一识别模型计算得到降尺度分辨率下的目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速。

为了清楚说明本公开实施例中是如何对第一识别模型进行训练的，可以采用以下步骤训练得到第一识别模型：

1、获取第一训练样本。

其中，第一训练样本可以包括第一样本杆塔所处区域对应的第一样本气象数据、第一样本地形特征和第一样本微地形特征。

需要说明的是，第一训练样本的空间分辨率可以为公里级的。

需要说明的是，第一训练样本的数量可以为但不限于为一个，本公开对此不作限制。

2、将第一训练样本输入初始的第一识别模型进行覆冰厚度和风速的确定，以得到第一覆冰厚度和第一风速。

在本公开实施例中，可以将第一训练样本输入初始的第一识别模型进行覆冰厚度和风速的确定，以得到第一覆冰厚度和第一风速，即，可以将第一训练样本输入初始的第一识别模型进行覆冰厚度评估(或预测)和风速评估(或预测)，以得到第一覆冰厚度和第一风速。

3、根据第一覆冰厚度和第一训练样本标注的第一标注覆冰厚度之间的第一差异，以及根据第一风速和第一训练样本标注的第一标注风速之间的第二差异，对初始的第一识别模型进行训练，以得到经过训练的第一识别模型。

在本公开实施例中，可以根据第一覆冰厚度和第一训练样本标注的第一标注覆冰厚度之间的第一差异，以及根据第一风速和第一训练样本标注的第一标注风速之间的第二差异，对初始的第一识别模型进行训练，以得到经过训练的第一识别模型。

作为一种示例，可以根据第一差异和第二差异，生成第一损失值，根据第一损失值对第一识别模型中的模型参数进行调整，以使第一损失值最小化。

需要说明的是，上述仅以模型训练的终止条件为第一损失值最小化进行示例，实际应用时，还可以设置其他终止条件，比如，训练次数达到设定次数，训练时长达到设定时长，损失值收敛等等，本公开对此并不做限制。

由此，通过上述方法，可以使得初始的第一识别模型学习到空间分辨率均为公里级的气象数据、地形特征和微地形特征与降尺度分辨率下的风速、覆冰厚度之间的对应关系，从而可以得到经过训练的第一识别模型。

步骤306，根据第一设定时段内的多个逐时覆冰厚度和多个逐时风速，判断目标杆塔所处区域是否属于敏感区域。

作为一种可能的实现方式，针对第一设定时段内的任一逐时覆冰厚度，可以将逐时覆冰厚度与设定厚度阈值比较，确定是否存在目标逐时覆冰厚度；其中，目标逐时覆冰厚度大于设定厚度阈值；针对第一设定时段内的任一逐时风速，可以将逐时风速与设定风速阈值比较，确定是否存在目标逐时风速；其中，目标逐时风速大于设定风速阈值；在存在目标逐时覆冰厚度，和/或，存在目标逐时风速的情况下，可以确定目标杆塔所处区域属于敏感区域。

其中，设定厚度阈值可以为预先设定的，比如可以为10mm、12mm等，本公开对此不作限制。

其中，设定风速阈值可以为预先设定的，比如可以为7级风对应的最低风速13.9m/s、8级风对应的最低风速17.2m/s等，本公开对此不作限制。

作为一种示例，针对第一设定时段内的任一逐时覆冰厚度，可以将逐时覆冰厚度与设定厚度阈值比较，确定是否存在目标逐时覆冰厚度；针对第一设定时段内的任一逐时风速，可以将逐时风速与设定风速阈值比较，确定是否存在目标逐时风速；在存在目标逐时覆冰厚度和存在目标逐时风速的情况下，可以确定目标杆塔所处区域属于敏感区域。

此时，与上述相反的，在不存在目标逐时覆冰厚度或不存在目标逐时风速的情况下，可以确定目标杆塔所处区域不属于敏感区域。

作为另一种示例，针对第一设定时段内的任一逐时覆冰厚度，可以将逐时覆冰厚度与设定厚度阈值比较，确定是否存在目标逐时覆冰厚度；针对第一设定时段内的任一逐时风速，可以将逐时风速与设定风速阈值比较，确定是否存在目标逐时风速；当存在目标逐时覆冰厚度，或存在目标逐时风速时，可以确定目标杆塔所处区域属于敏感区域。

此时，与上述相反地，在不存在目标逐时覆冰厚度且不存在目标逐时风速的情况下，可以确定目标杆塔所处区域不属于敏感区域。

步骤307，对第一地形特征进行升尺度处理，以得到第三地形特征，并对第一微地形特征进行升尺度处理，以得到第三微地形特征。

在本公开实施例中，第三地形特征可以包括目标杆塔所处区域的坡度、坡向、山谷、山脊等，本公开对此不作限制。需要说明的是，第三地形特征的空间分辨率低于第一地形特征的空间分辨率，且第三地形特征的空间分辨率高于第二地形特征的空间分辨率，比如，第三地形特征的空间分辨率为200m，第二地形特征的空间分辨率为公里级的，第一地形特征的空间分辨率为30m。

在本公开实施例中，第三微地形特征可以指示目标杆塔所处区域所属的微地形类型。需要说明的是，第三微地形特征的空间分辨率低于第一微地形特征的空间分辨率，且第三微地形特征的空间分辨率高于第二地形特征的空间分辨率，比如，第三微地形特征的空间分辨率为200m，第二微地形特征的空间分辨率为公里级的，第一微地形特征的空间分辨率为30m。

需要说明的是，第三地形特征空间分辨率和第三微地形特征的空间分辨率可以相同，或者也可以不相同，本公开对此不作限制。

需要说明的是，第三地形特征和第三微地形特征的空间分辨率的选取可以是基于复杂地形区域的输电线路的杆塔之间的最小距离而设置的。第三地形特征的空间分辨率低于第一地形特征的空间分辨率，且第三地形特征的空间分辨率高于第二地形特征的空间分辨率，第三微地形特征的空间分辨率低于第一微地形特征的空间分辨率，且第三微地形特征的空间分辨率高于第二地形特征的空间分辨率，一方面，可以避免因使用高空间分辨率的第一地形特征和第一微地形特征导致的计算量大的问题，另一方面，可以避免使用低空间分辨率的第二地形特征和第二微地形特征导致的计算不准确的问题。

在本公开实施例中，可以对第一地形特征进行升尺度处理，以得到第三地形特征，并对第一微地形特征进行升尺度处理，以得到第三微地形特征。

需要说明的是，本公开对步骤307的执行时序不作限制，步骤307可以在步骤303至步骤306之前执行，或者步骤307也可以在步骤303至步骤306之后执行，本公开仅以步骤307在步骤303至步骤306之后执行进行示例。

步骤308，响应于目标杆塔所处区域不属于敏感区域，采用第二识别模型基于第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

在本公开实施例中，第二识别模型可以为用于统计降尺度的深度学习神经网络模型。

在本公开实施例中，可以采用第二识别模型基于第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速，即可以采用第二识别模型基于第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度评估(或预测)和风速评估(或预测)，得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

为了清楚说明本公开实施例中是如何对第二识别模型进行训练的，可以采用以下步骤训练得到第二识别模型：

1、获取第二训练样本。

其中，第二训练样本可以包括第二样本杆塔所处区域对应的第二样本气象信息、第二样本地形特征和第二样本微地形特征。

需要说明的是，第二训练样本中第二样本气象信息的空间分辨率可以与第一气象信息的空间分辨率相同，第二训练样本中第二样本地形特征和第二样本微地形特征的空间分辨率可以为百米级的。

需要说明的是，第二训练样本的数量可以为但不限于为一个，本公开对此不作限制。

2、将第二训练样本输入初始的第二识别模型进行覆冰厚度和风速的确定，以得到第二覆冰厚度和第二风速。

在本公开实施例中，可以将第二训练样本输入初始的第二识别模型进行覆冰厚度和风速的确定，以得到第二覆冰厚度和第二风速，即，可以将第二训练样本输入初始的第二识别模型进行覆冰厚度评估(或预测)和风速评估(或预测)，以得到第二覆冰厚度和第二风速。

3、根据第二覆冰厚度和第二训练样本标注的第二标注覆冰厚度之间的差异，以及根据第二风速和第二训练样本标注的第二标注风速之间的差异，对初始的第二识别模型进行训练，以得到经过训练的第二识别模型。

在本公开实施例中，可以根据第二覆冰厚度和第二训练样本标注的第二标注覆冰厚度之间的第三差异，以及根据第二风速和第二训练样本标注的第二标注风速之间的第四差异，对初始的第二识别模型进行训练，以得到经过训练的第二识别模型。

作为一种示例，可以根据第三差异和第四差异，生成第二损失值，根据第二损失值对第二识别模型中的模型参数进行调整，以使第二损失值最小化。

需要说明的是，上述仅以模型训练的终止条件为第二损失值最小化进行示例，实际应用时，还可以设置其他终止条件，比如，训练次数达到设定次数，训练时长达到设定时长，损失值收敛等等，本公开对此并不做限制。

由此，通过上述方法，可以使得初始的第二识别模型学习到粗空间分辨率的气象数据、空间分辨率为百米级的地形特征和微地形特征与降尺度分辨率下的风速、覆冰厚度之间的对应关系，从而可以得到经过训练的第二识别模型。

本公开实施例的输电线路杆塔所处区域的覆冰厚度和风速的确定方法，通过获取目标杆塔所处区域在第一设定时段内的第二气象信息；对第一地形特征进行升尺度处理，以得到第二地形特征，并对第一微地形特征进行升尺度处理，以得到第二微地形特征；采用第一识别模型基于第二气象信息中的多个逐时气象数据，对第二地形特征和第二微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速；根据第一设定时段内的多个逐时覆冰厚度和多个逐时风速，判断目标杆塔所处区域是否属于敏感区域；对第一地形特征进行升尺度处理，以得到第三地形特征，并对第一微地形特征进行升尺度处理，以得到第三微地形特征；响应于目标杆塔所处区域不属于敏感区域，采用第二识别模型基于第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。由此，通过第一识别模型对目标杆塔所处区域在第一设定时段内的覆冰厚度和风速的预测，判断目标杆塔所处区域是否属于敏感区域，从而在目标杆塔所处区域不属于敏感区域的情况下，采用第二识别模型实现对目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速的预测。

可以理解的是，在根据第一设定时段内的多个逐时覆冰厚度和多个逐时风速，判断目标杆塔所处区域是否属于敏感区域时，可能会存在目标杆塔所处区域不属于敏感区域的情况。当目标杆塔所处区域不属于敏感区域时，为了清楚说明是如何获取目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速的，本公开还提出一种输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

图4为本公开实施例三所提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法的流程示意图。

如图4所示，该输电线路杆塔所处区域的覆冰厚度和风速的确定方法可以包括以下步骤：

步骤401，获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息。

步骤402，对地形信息进行特征提取，以得到第一地形特征和第一微地形特征。

步骤403，获取目标杆塔所处区域在第一设定时段内的第二气象信息。

步骤404，对第一地形特征进行升尺度处理，以得到第二地形特征，并对第一微地形特征进行升尺度处理，以得到第二微地形特征。

步骤405，采用第一识别模型基于第二气象信息中的多个逐时气象数据，对第二地形特征和第二微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速。

步骤406，根据第一设定时段内的多个逐时覆冰厚度和多个逐时风速，判断目标杆塔所处区域是否属于敏感区域。

步骤407，对第一地形特征进行升尺度处理，以得到第三地形特征，并对第一微地形特征进行升尺度处理，以得到第三微地形特征。

步骤401至步骤407的执行过程可以参见本公开任一实施例的执行过程，在此不做赘述。

步骤408，响应于目标杆塔所处区域属于敏感区域，获取目标杆塔所处区域在第二设定时段内的第三气象信息。

在本公开实施例中，第二设定时段可以为预先设定的，比如可以为1982年1月1日0时0分0秒至2020年12月12日24时0分0秒、或者可以为1995年1月1日0时0分0秒至2022年12月12日24时0分0秒等，本公开对此不作限制。

在本公开实施例中，第三气象信息可以包括日均海平面气压、850hPa位势高度场、10m高度UV向风速、850hPa处的UV向风速、相对涡度等，本公开对此不作限制。

其中，第三气象信息的时间分辨率比如可以为24小时，空间分辨率比如可以为0.25°×0.25°。

需要说明的是，上述对第三气象信息的时间分辨率和空间分辨率的示例仅是示例性的，在实际应用中，第三气象信息的时间分辨率还可以为其它，比如1小时，本公开对此不作限制；第三气象信息的空间分辨率还可以为其它，比如第三气象信息的空间分辨率为公里级，本公开对此不作限制。

步骤409，对第三气象信息进行分类，以得到目标杆塔所处区域所属的目标环流分型。

在本公开实施例中，目标环流分型可以指示目标杆塔所处区域所属的环流分型，其中，目标环流分型比如可以为高压前部型、高压底部型、高压控制型、高压后部型、倒槽前部型和倒槽后部型等，本公开对此不作限制。

在本公开实施例中，可以对第三气象信息进行分类，以得到目标杆塔所处区域所属的目标环流分型。比如，可以采用PCT(Principal Components Analysis in T-mode，基于T模态的主成分分析)客观分型方法，对第三气象信息进行分类，以得到目标杆塔所处区域所属的目标环流分型。

步骤410，基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

作为一种可能的实现方式，可以采用第三识别模型基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

具体地，可以采用以下步骤，得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速：

1、采用第三识别模型基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域在目标时刻的第三覆冰厚度和第三风速。

在本公开实施例中，第三识别模型可以为用于统计降尺度的深度学习神经网络模型。

在本公开实施例中，可以采用第三识别模型基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域在目标时刻的第三覆冰厚度和第三风速。即，可以采用第三识别模型基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度评估(或预测)和风速评估(或预测)，得到目标杆塔所处区域在目标时刻的第三覆冰厚度和第三风速。比如，可以将目标环流分型、第一气象信息、第三地形特征和第三微地形特征输入第三识别模型，可以得到第三识别模型输出的目标杆塔所处区域在目标时刻的第三覆冰厚度和第三风速。

2、根据目标环流分型、第一气象信息、第三地形特征和第三微地形特征，获取至少一个第一修正系数；其中，第一修正系数包括第一覆冰厚度修正系数和第一风速修正系数。

在本公开实施例中，第一修正系数可以包括第一覆冰厚度修正系数和第一风速修正系数。其中，第一覆冰厚度修正系数可以用于修正第三识别模型输出的目标杆塔所处区域在目标时刻的第三覆冰厚度，第一风速修正系数可以用于修正第三识别模型输出的目标杆塔所处区域在目标时刻的第三风速。

在本公开实施例中，第一修正系数可以为但不限于为一个，本公开对此不作限制。

在本公开实施例中，可以根据目标环流分型、第一气象信息、第三地形特征和第三微地形特征，获取至少一个第一修正系数。

作为一种应用场景，可以预先分析不同环流分型、不同气象信息背景下地形因素的影响，在保证气象信息准确性的前提下，可以针对不同的地形-气象要素，逐个进行单个地形因素的敏感性测试；其中，地形因素可以是不同微地形类型下基于地形特征和/或微地形类型进行分类得到的，比如，地形因素可以包括高山分水岭微地形类型下的坡度和坡向，还可以包括垭口微地形类型下的垭口宽高比和山顶山底相对位置(可以通过地形特征中的海拔确定)等。从而，可以根据敏感性测试，计算并确定不同环流分型、不同气象信息背景下地形因素对应修改系数，其中，修正系数包括覆冰厚度修正系数和风速修正系数；并可以将确定不同环流分型、不同气象信息背景下地形因素对应修改系数用表格形式呈现，如表1和表2所示，表1示出了不同环流分型、不同气象信息背景下垭口微地形类型下各地形因素对应的覆冰厚度的修改系数，表2示出了不同环流分型、不同气象信息背景下其它微地形类型下各地形因素对应的覆冰厚度的修改系数。

表1垭口微地形类型下各地形因素对应的覆冰厚度的修改系数示例表

表2其它微地形类型下各地形因素对应的覆冰厚度的修改系数示例表

需要说明的是，上述对不同微地形类型下的地形因素的示例仅是示例性的，在实际应用中，还可以根据需要对不同微地形类型下的地形因素进行设置，本公开对此不作限制。

还需要说明的是，上表仅示出了不同环流分型、不同气象信息背景下不同微地形类型下各地形因素对应的覆冰厚度的修改系数，与之类似的，可以建立不同环流分型、不同气象信息背景下不同微地形类型下的各地形因素对应的风速的修改系数，在此不作赘述。

从而本公开中，在获取不同环流分型、不同气象信息背景下不同微地形类型下各地形因素对应的覆冰厚度和风速的修改系数表之后，可以根据目标环流分型、第一气象信息、第三地形特征和第三微地形特征，查询上述表格，以获取至少一个第一修正系数。

3、采用第一覆冰厚度修正系数对第三覆冰厚度进行修正，以得到目标覆冰厚度。

在本公开实施例中，可以采用第一覆冰厚度修正系数对第三覆冰厚度进行修正，以得到目标覆冰厚度。

作为一种可能的实现方式，当第一覆冰厚度修正系数为多个时，可以将多个第一覆冰厚度修正系数进行累乘，得到第一目标系数；并可以将第一目标系数与第三覆冰厚度相乘，得到修正后的目标覆冰厚度。

作为另一种可能的实现方式，当第一覆冰厚度修正系数为多个时，可以将多个第一覆冰厚度修正系数进行加权求和，得到第二目标系数；并可以将第二目标系数与第三覆冰厚度相乘，得到修正后的目标覆冰厚度。

作为在一种可能的实现方式，当第一覆冰厚度修正系数为一个时，可以将第一覆冰厚度修正系数与第三覆冰厚度相乘，得到修正后的目标覆冰厚度。

由此，可以有效获取修正后的目标覆冰厚度。

4、采用第一风速修正系数对第三风速进行修正，以得到目标风速。

在本公开实施例中，可以采用第一风速修正系数对第三风速进行修正，以得到目标风速。

作为一种可能的实现方式，当第一风速修正系数为多个时，可以将多个第一风速修正系数进行累乘，得到第三目标系数；并可以将第三目标系数与第三风速相乘，得到修正后的目标风速。

作为另一种可能的实现方式，当第一风速修正系数为多个时，可以将多个第一风速修正系数进行加权求和，得到第四目标系数；并可以将第四目标系数与第三风速相乘，得到修正后的目标风速。

作为在一种可能的实现方式，当第一风速修正系数为一个时，可以将第一风速修正系数与第三风速相乘，得到修正后的目标风速。

由此，可以有效获取修正后的目标风速。

为了清楚说明本公开实施例中是如何对第三识别模型进行训练的，可以采用以下步骤训练得到第三识别模型：

1、获取第三训练样本。

其中，第三训练样本可以包括第三样本杆塔所处区域对应的第三样本气象信息、样本环流分型、第三样本地形特征和第三样本微地形特征。

需要说明的是，第三训练样本中第三样本气象信息的空间分辨率可以与第一气象信息的空间分辨率相同，比如，第三样本气象信息的空间分辨率和第一气象信息的空间分辨率比如均可以为0.25°×0.25°；第三训练样本中第三样本地形特征和第三样本微地形特征的空间分辨率可以为百米级的。

需要说明的是，第三训练样本的数量可以为但不限于为一个，本公开对此不作限制。

2、将第三训练样本输入初始的第三识别模型进行覆冰厚度和风速的确定，以得到第四覆冰厚度和第四风速。

在本公开实施例中，可以将第三训练样本输入初始的第三识别模型进行覆冰厚度和风速的确定，以得到第四覆冰厚度和第四风速。即，可以将第三训练样本输入初始的第三识别模型进行覆冰厚度评估(或预测)和风速评估(或预测)，以得到第四覆冰厚度和第四风速。

3、根据样本环流分型、第三样本气象信息、第三样本地形特征和第三样本微地形特征，获取至少一个第二修正系数。

其中，第二修正系数可以包括第二覆冰厚度修正系数和第二风速修正系数；其中，第二覆冰厚度修正系数可以用于修正初始的第三识别模型输出的第四覆冰厚度，第二风速修正系数可以用于修正初始的第三识别模型输出的第四风速。

在本公开实施例中，第二修正系数可以为但不限于为一个，本公开对此不作限制。

在本公开实施例中，根据样本环流分型、第三样本气象信息、第三样本地形特征和第三样本微地形特征，获取至少一个第二修正系数。

需要说明的是，根据样本环流分型、第三样本气象信息、第三样本地形特征和第三样本微地形特征，获取至少一个第二修正系数的方法，与上述根据目标环流分型、第一气象信息、第三地形特征和第三微地形特征，获取至少一个第一修正系数的方法类似，在此不作赘述。

还需要说明的是，第二修正系数中的第二覆冰厚度修正系数可以与第一修正系数中的第一覆冰厚度修正系数相同，或者也可以不相同，本公开对此不作限制；与上述类似地，第二修正系数中的第二风速修正系数可以与第一修正系数中的第一风速修正系数相同，或者也可以不相同，本公开对此不作限制。

4、采用第二覆冰厚度修正系数对第四覆冰厚度进行修正，以得到第五覆冰厚度。

在本公开实施例中，可以采用第二覆冰厚度修正系数对第四覆冰厚度进行修正，以得到第五覆冰厚度。

需要说明的是，采用第二覆冰厚度修正系数对第四覆冰厚度进行修正，以得到第五覆冰厚度的方法，与上述采用采用第一覆冰厚度修正系数对第三覆冰厚度进行修正，以得到目标覆冰厚度的方法类似，在此不作赘述。

5、采用第二风速修正系数对第四风速进行修正，以得到第五风速。

在本公开实施例中，可以采用第二风速修正系数对第四风速进行修正，以得到第五风速。

需要说明的是，采用第二风速修正系数对第四风速进行修正，以得到第五风速的方法，与上述采用采用第一风速修正系数对第三风速进行修正，以得到目标风速的方法类似，在此不作赘述。

6、根据第五覆冰厚度和第三训练样本标注的第三标注覆冰厚度之间的第五差异，以及根据第五风速和第三训练样本标注的第三标注风速之间的第六差异，对初始的第三识别模型进行训练，以得到经过训练的第三识别模型。

在本公开实施例中，可以根据第五覆冰厚度和第三训练样本标注的第三标注覆冰厚度之间的第五差异，以及根据第五风速和第三训练样本标注的第三标注风速之间的第六差异，对初始的第三识别模型进行训练，以得到经过训练的第三识别模型。

作为一种示例，可以根据第五差异和第六差异，生成第三损失值，根据第三损失值对第三识别模型中的模型参数进行调整，以使第三损失值最小化。

需要说明的是，上述仅以模型训练的终止条件为第三损失值最小化进行示例，实际应用时，还可以设置其他终止条件，比如，训练次数达到设定次数，训练时长达到设定时长，损失值收敛等等，本公开对此并不做限制。

由此，可以有效获取经过训练的第三识别模型。

在本公开实施例的一种可能的实现方式中，可以基于目标环流分型、第一气象信息、第三地形特征、第三微地形特征，以及目标覆冰厚度和目标风速，确定目标杆塔所处区域在目标时刻的覆冰灾害等级和风灾等级。

仍以上述应用场景进行说明，如表1和表2类似，可以预先定义不同环流分型、不同气象信息背景下不同微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级，并可以以表格形式呈现，如表3和表4所示，表3示出了不同环流分型、不同气象信息背景下垭口微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级，表4示出了不同环流分型、不同气象信息背景下其它微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级。

表3垭口微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级示例表

表4其它微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级示例表

需要说明的是，上述对不同微地形类型下的地形因素的示例仅是示例性的，在实际应用中，还可以根据需要对不同微地形类型下的地形因素进行设置，本公开对此不作限制。

还需要说明的是，上表仅示出了不同环流分型、不同气象信息背景下不同微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级，与之类似的，可以建立不同环流分型、不同气象信息背景下不同微地形类型下的各地形因素对应的风速的风灾等级，在此不作赘述。

从而本公开中，在获取不同环流分型、不同气象信息背景下不同微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级表和风速的风灾等级表之后，可以根据目标环流分型、第一气象信息、第三地形特征、第三微地形特征，以及目标覆冰厚度和目标风速，查询上述表格，以确定目标杆塔所处区域在目标时刻的覆冰灾害等级和风灾等级。

本公开实施例的，通过响应于目标杆塔所处区域属于敏感区域，获取目标杆塔所处区域在第二设定时段内的第三气象信息；对第三气象信息进行分类，以得到目标杆塔所处区域所属的目标环流分型；基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。由此，在目标杆塔所处区域属于敏感区域的情况下，基于目标杆塔所处区域在第二设定时段内的第三气象信息，有效确定目标杆塔所处区域所属的目标环流分型，从而在确定目标杆塔所处区域所属的目标环流分型的情况下，实现对目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速的确定。

下面结合示例，对本公开的输电线路杆塔所处区域的覆冰厚度和风速的确定方法进行详细说明。

作为一种示例，将本公开的输电线路杆塔所处区域的覆冰厚度和风速的确定方法应用于绘制输电线路的冰区和风区分布图的方法进行示例，该绘制输电线路的冰区和风区分布图的方法可以包括：

1)地形特征识别

基于包括30m分辨率的SRTM DEM数据集和地类特征的地形信息进行区域地形数据分析，采用ArcGIS软件进行遥感影像拼接和坐标系修正。根据有效栅格数据提取各格点的海拔值，利用海拔数据计算坡向、坡度，提取山脊、山谷信息，判断目标杆塔所处位置的地形特征。搭建ArcGISPython环境，利用arcpy库函数进行栅格数据基本要素值计算，初步判别各网格坡度、坡向、山脊、山谷、迎风坡、背风坡的地理信息情况，即对地形信息进行特征提取，以得到第一地形特征。

2)微地形特征

对地形信息进行特征提取，以得到第一微地形特征，其中，第一微地形特征可以指示目标杆塔所处区域所属的微地形类型，其中，微地形类型比如可以为垭口型微地形、高山分水岭型微地形、水汽增大型微地形、地形抬升型微地形、峡谷风道型微地形、复合型微地形等。

3)降尺度分析

考虑到山地山势、气候、水文及地质特征，复杂地形区域的高压/特高压线路杆塔间距最小可低于200m，而覆盖范围广的网格化再分析气象数据分辨率(比如，欧洲中期天气预报中心的ERA数据集的空间分辨率为0.25°×0.25°)相对粗糙，对于输电线路杆塔所处区域对应的单网格的再分析气象数具有一定的不确定性。虽然，气象站数据空间代表性强，但其为单点观测且在复杂地形区域观测点分布较少。因此，为准确分析输电线路的杆塔所处区域的长期气象特征，需要将粗分辨率的长期的气象信息与复杂地形数据(包括地形特征和微地形特征)相结合，通过降尺度分析，得到复杂地形区域杆塔所在区域的大范围、高空间分辨率的长期的气象数据。根据线路工程研究范围大、气象信息观测周期长的特点以及对于极端事件模拟高准确性的要求，发明人选用统计降尺度方法，利用机器学习中的神经网络第一识别模型解决降尺度问题。

收集基准站、自动气象站以及区域最高时空分辨率的再分析数据，构建气象要素数据库，根据基准站所在经纬度，从气象信息数据库中获取第一样本杆塔所处区域对应的样本气象数据，并采用步骤1和步骤2的方法，获取第一样本杆塔所处区域对应的第一样本地形特征和第一样本微地形特征，即获取第一训练样本，其中，第一训练样本包括第一样本杆塔所处区域对应的第一样本气象数据、第一样本地形特征和第一样本微地形特征；

将第一样本气象数据(包括近地面温度、相对湿度、风速、风向、降水量、液水含量)，第一样本地形特征(包括海拔、坡度、坡向、山脊、山谷、迎风坡、背风坡)和第一样本微地形特征作为第一识别模型的输入数据，风向、覆冰厚度作为第一识别模型的输出量，建立全连接关系，其中，可以引入激活函数实现非线性分类以及误差反向传播。最终，可以通过不断增加网络深度构建深度学习的单层或多层神经元和循环网络，并定义输出量与输入量之间的映射关系，即可以训练得到第一识别模型。

需要说明的是，还可以将第一训练样本按照60％、20％和20％比例分配至训练集、验证集以及测试集中，进行模型的构建、训练、评估、参数调整以及预测验证。

在获得经过训练以及验证后的第一识别模型之后，可以获取目标杆塔所处区域在第一设定时段(比如1982年1月1日0时0分0秒至2022年12月12日24时0分0秒)内的空间分辨率为公里级的第二气象信息(包括近地面温度、相对湿度、风速、风向、降水量、液水含量)；对第一地形特征进行升尺度处理，以得到空间分辨率为公里级的第二地形特征，并可以对第一微地形特征进行升尺度处理，以得到空间分辨率为公里级的第二微地形特征；可以采用第一识别模型基于第二气象信息中的多个逐时气象数据，对第二地形特征和第二微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速，即可以基于公里级的第二气象信息、第二地形特征和第二微地形特征，计算降尺度分辨率下目标杆塔所处区域在第一设定时段的逐时风速、逐时风向以及逐时覆冰厚度。

4)敏感区/非敏感区的确定

根据步骤3)中降尺度分析获得的目标杆塔所处区域在第一设定时段内的高精度空间分辨率的多个逐时覆冰厚度以及逐时风速之后，可以判断目标杆塔所处区域是否发生7级以上不同等级的大风和/或逐时覆冰厚度超过10mm的情况；当目标杆塔所处区域发生7级以上不同等级的大风或存在逐时覆冰厚度超过10mm的情况时，可以确定目标杆塔所处区域属于敏感区域；当目标杆塔所处区域未发生7级以上不同等级的大风且不存在逐时覆冰厚度超过10mm的情况时，可以确定目标杆塔所处区域不属于敏感区域。

5)客观环流分型

当确定目标杆塔所处区域属于敏感区域时，可以获取目标杆塔所处区域在第二设定时段(比如可以为1982年1月1日0时0分0秒至2022年12月12日24时0分0秒)内的第三气象信息(比如可以包括再分析数据集中的日均海平面气压、850hPa位势高度场、10m高度及850hPa处的UV向风速、相对涡度等)；对第三气象信息进行分类，得到目标杆塔所处区域所属的目标环流分型。

需要说明的是，为了区划不同环流分型条件下，覆冰及大风灾害发生的情况，需通过将大量变化的天气环流类型根据一定的方法整理成几种出现频次较高的主导类型。考虑到主观分型方法结果存在普适性弱、主观性强、工作量大等缺点，发明人采用了基于数值统计的客观环流分型方法，以进行不同天气背景下微地形对于区域灾害发生概率以及发生强度的量化分析。

具体地，利用PCT客观分型方法Z＝ΓΛ

6)修正系数

可以预先分析不同环流分型、不同气象信息背景下地形因素的影响，在保证气象信息准确性的前提下，可以针对不同的地形-气象要素，逐个进行单个地形因素的敏感性测试；其中，地形因素可以是不同微地形类型下基于地形特征和/或微地形类型进行分类得到的，比如，地形因素可以包括高山分水岭微地形类型下的坡度和坡向，还可以包括垭口微地形类型下的垭口宽高比和山顶山底相对位置(可以通过地形特征中的海拔确定)等。从而，可以根据敏感性测试，计算并确定不同环流分型、不同气象信息背景下地形因素对应修改系数，其中，修正系数可以包括覆冰厚度修正系数和风速修正系数；并可以将确定不同环流分型、不同气象信息背景下地形因素对应修改系数用表格形式呈现，如表1和表2所示。

7)灾害等级定义

可以预先定义不同环流分型、不同气象信息背景下不同微地形类型下各地形因素对应的覆冰厚度的覆冰灾害等级，并可以以表格形式呈现，如表3和表4所示。

8)构建并训练第三识别模型

构建第三识别模型之后，获取第三训练样本，其中，第三训练样本包括第三样本杆塔所处区域对应的第三样本气象信息、样本环流分型、第三样本地形特征和第三样本微地形特征；将第三训练样本输入初始的第三识别模型进行覆冰厚度和风速的确定，以得到第四覆冰厚度和第四风速；根据第三样本气象信息、第三样本地形特征和第三样本微地形特征，获取至少一个第二修正系数；其中，第二修正系数包括第二覆冰厚度修正系数和第二风速修正系数；采用第二覆冰厚度修正系数对第四覆冰厚度进行修正，以得到第五覆冰厚度；采用第二风速修正系数对第四风速进行修正，以得到第五风速；根据第五覆冰厚度和第三训练样本标注的第三标注覆冰厚度之间的差异，以及根据第五风速和第三训练样本标注的第三标注风速之间的差异，对初始的第三识别模型进行训练，以得到经过训练的第三识别模型。

需要说明的是，可以通过查询步骤6)中确定的表1和表2，获取第二修正系数。

9)确定目标杆塔所处区域的目标覆冰厚度和目标风速

首先，对空间分辨率为30米级的第一地形特征进行升尺度处理，以得到空间分辨率为百米级的第三地形特征，并对空间分辨率为30米级的第一微地形特征进行升尺度处理，以得到空间分辨率为百米级的第三微地形特征；

当目标杆塔所处区域属于敏感区域时，采用第三识别模型基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域的第三覆冰厚度和第三风速；根据第一气象信息和第三微地形特征，获取至少一个第一修正系数；其中，第一修正系数包括第一覆冰厚度修正系数和第一风速修正系数；采用第一覆冰厚度修正系数对第三覆冰厚度进行修正，以得到目标覆冰厚度；采用第一风速修正系数对第三风速进行修正，以得到目标风速。

当目标杆塔所处区域不属于敏感区域时，采用第二识别模型基于第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域的目标覆冰厚度和目标风速。

其中，第二识别模型采用以下步骤训练得到：获取第二训练样本，其中，第二训练样本包括第二样本杆塔所处区域对应的样本气象信息、第二样本地形特征和第二样本微地形特征；将第二训练样本输入初始的第二识别模型进行覆冰厚度和风速的确定，以得到第二覆冰厚度和第二风速；根据第二覆冰厚度和第二训练样本标注的第二标注覆冰厚度之间的差异，以及根据第二风速和第二训练样本标注的第二标注风速之间的差异，对初始的第二识别模型进行训练，以得到经过训练的第二识别模型。

需要说明的是，还可以采用灾害评估模型(即第二识别模型/第三识别模型)对第四设定时间段(比如可以为1972年1月1日0时0分0秒至2022年12月12日24时0分0秒)内的典型灾害事件(包括覆冰灾害事件和风灾时间)进行模拟，模拟典型灾害事件中的覆冰厚度和/或风速，并将模拟得到的覆冰厚度和/或风速与典型灾害事件中的真实覆冰厚度和/或真实风速进行对比分析，以验证模型的准确性。

进而，可以使用准确性较高的灾害评估模型(即第二识别模型/第三识别模型)基于观测数据(比如环流分型、气象信息、地形特征、微地形特征)计算观测期(比如第四设定时间段等)目标杆塔所处区域在不同年份的年最大设计覆冰厚度并拟合年最大设计覆冰厚度的概率分布函数，以及杆塔所处区域在不同年份的年最大设计风速并拟合年最大设计风速的概率分布函数；基于年最大设计覆冰厚度和年最大设计覆冰厚度的概率分布函数、年最大设计风速和年最大设计风速的概率分布函数，计算对应工程等级要求的不同重现期(比如30年、50年、100年等)的设计值，比如，可以根据以下公式，基于拟合的研究对象(覆冰厚度或风速)对应的概率分布函数，即覆冰厚度对应的年最大设计覆冰厚度的概率分布函数或风速对应的年最大设计风速的概率分布函数，确定研究对象的目标重现期T(比如可以为30年、50年、100年等)对应的数学期望T

其中，P为对应的灾害事件(覆冰灾害或风灾)的出现概率，t为拟合对象对应的概率分布函数的实验总次数中的序数，n为观测期的年数总和，D

从而，可以根据不同重现期的研究对象的最大设计值D

本公开的绘制输电线路的冰区和风区分布图的方法，至少可以体现出以下优点：

(1)可以降低成本量：可以通过有限观测数据获取高分辨率微地形特征及覆冰厚度和风速，可以保证线路设计前期内业工作的有效性，并可以降低前期现场踏勘成本及设计工作的反复性；

(2)可以提高准确性：通过利用机器学习，基于对应区域的微地形和天气系统，识别对应区域的覆冰厚度和风速，可以避免人为判断带来的误差；且可以通过降尺度方法，实现局部精细化覆冰灾害、风灾的等级划分，并可以结合观测数据提高输电线路的覆冰厚度的最大设计值、风速的最大设计值等这些参数的计算的准确性。

(3)可以增强灵活度：基于研究区域内的地形和气象特征进行样本训练，可以采用自动化或人工操作进行方案或参数调整，可以实现满足不同区域热动力特征、背景天气场的覆冰厚度和风速的降尺度分析以及灾害评估模型的构建，从而可以适用于不同工程项目任务。

综上，本公开的绘制输电线路的冰区和风区分布图的方法，提供了客观识别垭口型微地形、高山分水岭型微地形、水汽增大型微地形、地形抬升型微地形、峡谷风道型微地形和综合叠加型微地形这六种微地形类型的定义和量化标准，形成微地形特征自动化识别算法；结合30m分辨率的DEM高程数据、基准站/自动气象站的资料、ERA5数据开展机器学习，通过统计降尺度研究，构建高分辨率的地形-气象要素库，并绘制多年平均覆冰及大风分布图；借鉴相关技术中的PCT客观环流分型方法对850hPa位势高度场及10m风场进行多变量斜交旋转分解，将多个物理量作为一个整体进行时空展开，计算气象要素的空间分布及相关关系，进而可以得到较准确的环流分型结果；利用单因素敏感性测试，量化适应研究区域的不同地形-气象要素的修正系数；基于百米级地形数据，结合环流分型结果以及地形修正参数再次进行样本训练，通过机器学习方法，构建敏感区高精度的灾害评估模型，通过局部精细化模拟减少计算时长、降低计算机性能需求，可以获得杆塔所在区域更为精确的覆冰厚度的覆冰厚度以及风速的概率分布特征；通过模拟观测时段内的灾情事件，进行灾害评估模型验证，并可以重现30/50/100年一遇的典型风灾、覆冰灾害场景下，杆塔导线覆冰厚度及杆塔附近大风风速的空间分布特征，并绘制典型场景下的高分辨率冰区和风区分布图。

与上述图1至图4实施例提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法相对应，本公开还提供一种输电线路杆塔所处区域的覆冰厚度和风速的确定装置，由于本公开实施例提供的输电线路杆塔所处区域的覆冰厚度和风速的确定装置与上述图1至图4实施例提供的输电线路杆塔所处区域的覆冰厚度和风速的确定方法相对应，因此在输电线路杆塔所处区域的覆冰厚度和风速的确定方法的实施方式也适用于本公开实施例提供的输电线路杆塔所处区域的覆冰厚度和风速的确定装置，在本公开实施例中不再详细描述。

图5是本公开实施例四所提供的一种输电线路杆塔所处区域的覆冰厚度和风速的确定装置的结构示意图。

如图5所示，该输电线路杆塔所处区域的覆冰厚度和风速的确定装置500可以包括：第一获取模块501、提取模块502以及第一预测模块503。

其中，第一获取模块501，用于获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息。

提取模块502，用于对地形信息进行特征提取，以得到第一地形特征和第一微地形特征。

第一确定模块503，用于基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

在本公开实施例的一种可能的实现方式中，第一确定模块503，用于：获取目标杆塔所处区域在第一设定时段内的第二气象信息；对第一地形特征进行升尺度处理，以得到第二地形特征，并对第一微地形特征进行升尺度处理，以得到第二微地形特征；采用第一识别模型基于第二气象信息中的多个逐时气象数据，对第二地形特征和第二微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在第一设定时段内的多个逐时覆冰厚度和多个逐时风速；根据第一设定时段内的多个逐时覆冰厚度和多个逐时风速，判断目标杆塔所处区域是否属于敏感区域；对第一地形特征进行升尺度处理，以得到第三地形特征，并对第一微地形特征进行升尺度处理，以得到第三微地形特征；响应于目标杆塔所处区域不属于敏感区域，采用第二识别模型基于第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

在本公开实施例的一种可能的实现方式中，第一确定模块503，用于：针对第一设定时段内的任一逐时覆冰厚度，将逐时覆冰厚度与设定厚度阈值比较，确定是否存在目标逐时覆冰厚度；其中，目标逐时覆冰厚度大于设定厚度阈值；针对第一设定时段内的任一逐时风速，将逐时风速与设定风速阈值比较，确定是否存在目标逐时风速；其中，目标逐时风速大于设定风速阈值；在存在目标逐时覆冰厚度，和/或，存在目标逐时风速的情况下，确定目标杆塔所处区域属于敏感区域。

在本公开实施例的一种可能的实现方式中，第一识别模型采用以下模块训练得到：

第二获取模块，用于获取第一训练样本，其中，第一训练样本包括第一样本杆塔所处区域对应的第一样本气象数据、第一样本地形特征和第一样本微地形特征。

第二确定模块，用于将第一训练样本输入初始的第一识别模型进行覆冰厚度和风速的确定，以得到第一覆冰厚度和第一风速。

第一训练模块，用于根据第一覆冰厚度和第一训练样本标注的第一标注覆冰厚度之间的第一差异，以及根据第一风速和第一训练样本标注的第一标注风速之间的第二差异，对初始的第一识别模型进行训练，以得到经过训练的第一识别模型。

在本公开实施例的一种可能的实现方式中，第二识别模型采用以下模块训练得到：

第三获取模块，用于获取第二训练样本，其中，第二训练样本包括第二样本杆塔所处区域对应的第二样本气象信息、第二样本地形特征和第二样本微地形特征。

第三确定模块，用于将第二训练样本输入初始的第二识别模型进行覆冰厚度和风速的确定，以得到第二覆冰厚度和第二风速。

第二训练模块，用于根据第二覆冰厚度和第二训练样本标注的第二标注覆冰厚度之间的第三差异，以及根据第二风速和第二训练样本标注的第二标注风速之间的第四差异，对初始的第二识别模型进行训练，以得到经过训练的第二识别模型。

在本公开实施例的一种可能的实现方式中，该输电线路杆塔所处区域的覆冰厚度和风速的确定装置500还可以包括：

第四获取模块，用于响应于目标杆塔所处区域属于敏感区域，获取目标杆塔所处区域在第二设定时段内的第三气象信息。

分类模块，用于对第三气象信息进行分类，以得到目标杆塔所处区域所属的目标环流分型。

第四确定模块，用于基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

在本公开实施例的一种可能的实现方式中，第四确定模块，用于：采用第三识别模型基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。

在本公开实施例的一种可能的实现方式中，第四确定模块，用于：采用第三识别模型基于目标环流分型和第一气象信息，对第三地形特征和第三微地形特征进行覆冰厚度和风速的确定，得到目标杆塔所处区域在目标时刻的第三覆冰厚度和第三风速；根据目标环流分型、第一气象信息、第三地形特征和第三微地形特征，获取至少一个第一修正系数；其中，第一修正系数包括第一覆冰厚度修正系数和第一风速修正系数；采用第一覆冰厚度修正系数对第三覆冰厚度进行修正，以得到目标覆冰厚度；采用第一风速修正系数对第三风速进行修正，以得到目标风速。

在本公开实施例的一种可能的实现方式中，第三识别模型采用以下模块训练得到：

第五获取模块，用于获取第三训练样本，其中，第三训练样本包括第三样本杆塔所处区域对应的第三样本气象信息、样本环流分型、第三样本地形特征和第三样本微地形特征。

第五确定模块，用于将第三训练样本输入初始的第三识别模型进行覆冰厚度和风速的确定，以得到第四覆冰厚度和第四风速。

第六获取模块，用于根据样本环流分型、第三样本气象信息、第三样本地形特征和第三样本微地形特征，获取至少一个第二修正系数；其中，第二修正系数包括第二覆冰厚度修正系数和第二风速修正系数。

第一修正模块，用于采用第二覆冰厚度修正系数对第四覆冰厚度进行修正，以得到第五覆冰厚度。

第二修正模块，采用第二风速修正系数对第四风速进行修正，以得到第五风速。

第三训练模块，用于根据第五覆冰厚度和第三训练样本标注的第三标注覆冰厚度之间的第五差异，以及根据第五风速和第三训练样本标注的第三标注风速之间的第六差异，对初始的第三识别模型进行训练，以得到经过训练的第三识别模型。

本公开实施例的输电线路杆塔所处区域的覆冰厚度和风速的确定装置，通过获取目标输电线路的目标杆塔所处区域的监测数据；其中，监测数据包括目标时刻的第一气象信息和地形信息；对地形信息进行特征提取，以得到第一地形特征和第一微地形特征；基于第一气象信息、第一地形特征和第一微地形特征进行覆冰厚度和风速的确定，以得到目标杆塔所处区域在目标时刻的目标覆冰厚度和目标风速。由此，可以基于深度学习技术，实现对目标杆塔所处区域的覆冰厚度和风速的确定。

为了实现上述实施例，本发明还提出一种电子设备，包括：存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时，实现如本发明前述任一实施例提出输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

为了实现上述实施例，本发明还提出一种非临时性计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明前述任一实施例提出的输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

为了实现上述实施例，本发明还提出一种计算机程序产品，当所述计算机程序产品中的指令由处理器执行时，执行如本发明前述任一实施例提出的输电线路杆塔所处区域的覆冰厚度和风速的确定方法。

根据本发明的实施例，本发明还提供了一种电子设备、一种非临时性计算机可读存储介质和一种计算机程序产品。

如图6所示，电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。

总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(Industry StandardArchitecture；以下简称：ISA)总线，微通道体系结构(Micro Channel Architecture；以下简称：MAC)总线，增强型ISA总线、视频电子标准协会(Video Electronics StandardsAssociation；以下简称：VESA)局域总线以及外围组件互连(Peripheral ComponentInterconnection；以下简称：PCI)总线。

电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。

存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(Random Access Memory；以下简称：RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图6未显示，通常称为“硬盘驱动器”)。尽管图6中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如：光盘只读存储器(Compact Disc Read OnlyMemory；以下简称：CD-ROM)、数字多功能只读光盘(Digital Video Disc Read OnlyMemory；以下简称：DVD-ROM)或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。

具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。

电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该电子设备12交互的设备通信，和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(Local Area Network；以下简称：LAN)，广域网(Wide Area Network；以下简称：WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与电子设备12的其它模块通信。应当明白，尽管图中未示出，可以结合电子设备12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。

处理单元16通过运行存储在系统存储器28中的程序，从而执行各种功能应用以及数据处理，例如实现前述实施例中提及的方法。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为，表示包括一个或更多个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分，并且本发明的优选实施方式的范围包括另外的实现，其中可以不按所示出或讨论的顺序，包括根据所涉及的功能按基本同时的方式或按相反的顺序，来执行功能，这应被本发明的实施例所属技术领域的技术人员所理解。

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。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。

本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成，所述的程序可以存储于一种计算机可读存储介质中，该程序在执行时，包括方法实施例的步骤之一或其组合。

此外，在本发明各个实施例中的各功能单元可以集成在一个处理模块中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现，也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时，也可以存储在一个计算机可读取存储介质中。

上述提到的存储介质可以是只读存储器，磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。