【技术实现步骤摘要】
本专利技术涉及电网安全技术相关领域，具体是一种轻量级输电线覆冰厚度智能评估方法及系统。
技术介绍
1、随着经济和技术发展以及电网改造的持续推进，输电线路的覆盖范围日益扩大，输电线路覆冰灾害对线路安全运行带来严重威胁，可能导致绝缘子断裂、线路舞动、铁塔倒塌等严重事故发生，给电力系统的安全可靠运行带来巨大风险，给区域经济发展带来巨大损失，因此，及时了解输电线路的覆冰情况，进行覆冰灾害的预防和处理工作对于确保电力输送的安全稳定至关重要。
2、现有技术中，大多采用传感测量的方式实现，但是传感设备的使用中，需要长时间的维护与检修，判断处理器是否正常稳定的工作，而一旦传感器工作出现问题未能够及时的被发现，则会导致覆冰测量的反馈结果存在偏差，影响除冰的及时性，甚至长时间未能及时除冰可能会产生线缆的安全问题，同时，此类监测方式在使用时，其覆冰测量均是属于选点测量的方式，并无法实现全覆盖的高效快速测量，这就导致了局部地区因为地形环境原因导致气象因素被放大，覆冰厚度更高，但点测量的方式无法全覆盖而导致检测遗漏。
技术实现思路
1、本专利技术的目的在于提供一种轻量级输电线覆冰厚度智能评估方法及系统，以解决上述
技术介绍
中提出的问题。
2、为实现上述目的，本专利技术提供如下技术方案：
3、一种轻量级输电线覆冰厚度智能评估方法，包含步骤：
4、获取输电线路的预设分布图，基于所述预设分布图进行云端气象检索，获取与输电线路位置相对应的微气象数据；
5、基
6、对所述覆冰图像数据进行预处理，以获取覆冰厚度，并通过获取的数组所述微气象数据与所述覆冰厚度对神经网络模型进行训练，建立覆冰评估模型，所述覆冰评估模型中，所述微气象数据为评估输入数据，所述覆冰厚度为评估输出数据；
7、基于线缆的覆冰风险级别对所述覆冰厚度进行划分，并将覆冰厚度划分对覆冰评估模型进行映射并作用于评估输出数据，所述覆冰厚度分类包括无覆冰、轻度覆冰、中度覆冰以及重度覆冰。
8、作为本专利技术的进一步方案：所述对所述覆冰图像数据进行预处理，以获取覆冰厚度，并通过获取的数组所述微气象数据与所述覆冰厚度对神经网络模型进行训练，建立覆冰评估模型的步骤具体包括：
9、获取所述覆冰图像数据的采集参数信息，基于所述采集参数信息对覆冰图像数据中的输电线路进行协同缩放，使得多个所述覆冰图像数据中输电线的比例尺度统一，进而基于视觉测绘对覆冰厚度进行测量，所述覆冰厚度包括多方位厚度分布信息；
10、将所述微气象数据输入全连接神经网络模型中，以获取气象四维特征向量；
11、将所述覆冰厚度输入卷积神经网络模型中，以获取图像四维特征向量；
12、将所述气象四维特征向量与所述图像四维特征向量输入全连接层进行训练，并基于全连接神经网络模型、卷积神经网络模型及全连接层建立覆冰评估模型。
13、作为本专利技术的再进一步方案：所述微气象数据包括输电线附近的风速数据、风向数据、温湿度数据、气压数据以及降雨雪量数据；
14、所述覆冰图像数据包括输电线路的覆冰图像。
15、作为本专利技术的再进一步方案：所述全连接神经网络模型包括输入层、第一隐藏层及第二隐藏层，所述输入层与第一隐藏层神经元之间相互全连接，所述第一隐藏层与所述第二隐藏层神经元之间相互全连接，所述全连接神经网络模型根据输入节点和输出节点个数确定隐藏层节点数的范围，并最终确定隐藏节点。
16、作为本专利技术的再进一步方案：所述卷积神经网络模型包括依次设置的卷积层、池化层、卷积层、池化层、卷积层、池化层及全连接层。
17、本专利技术实施例旨在提供一种轻量级输电线覆冰厚度智能评估系统，包含：
18、环境同步模块，用于获取输电线路的预设分布图，基于所述预设分布图进行云端气象检索，获取与输电线路位置相对应的微气象数据；
19、视觉同步模块，用于基于所述输电线路的预设分布图进行覆冰视觉巡检，获取与输电线路位置相对应的覆冰图像数据，并与所述微气象数据进行输电线的位置匹配；
20、模型训练模块，用于对所述覆冰图像数据进行预处理，以获取覆冰厚度，并通过获取的数组所述微气象数据与所述覆冰厚度对神经网络模型进行训练，建立覆冰评估模型，所述覆冰评估模型中，所述微气象数据为评估输入数据，所述覆冰厚度为评估输出数据；
21、输出优化模块，用于基于线缆的覆冰风险级别对所述覆冰厚度进行划分，并将覆冰厚度划分对覆冰评估模型进行映射并作用于评估输出数据，所述覆冰厚度分类包括无覆冰、轻度覆冰、中度覆冰以及重度覆冰。
22、作为本专利技术的进一步方案：所述模型训练模块包括：
23、数据预处理单元，用于获取所述覆冰图像数据的采集参数信息，基于所述采集参数信息对覆冰图像数据中的输电线路进行协同缩放，使得多个所述覆冰图像数据中输电线的比例尺度统一，进而基于视觉测绘对覆冰厚度进行测量，所述覆冰厚度包括多方位厚度分布信息；
24、气象特征单元，用于将所述微气象数据输入全连接神经网络模型中，以获取气象四维特征向量；
25、图像特征单元，用于将所述覆冰厚度输入卷积神经网络模型中，以获取图像四维特征向量；
26、全连接训练单元，用于将所述气象四维特征向量与所述图像四维特征向量输入全连接层进行训练，并基于全连接神经网络模型、卷积神经网络模型及全连接层建立覆冰评估模型。
27、作为本专利技术的再进一步方案：所述微气象数据包括输电线附近的风速数据、风向数据、温湿度数据、气压数据以及降雨雪量数据；
28、所述覆冰图像数据包括输电线路的覆冰图像。
29、作为本专利技术的再进一步方案：所述全连接神经网络模型包括输入层、第一隐藏层及第二隐藏层，所述输入层与第一隐藏层神经元之间相互全连接，所述第一隐藏层与所述第二隐藏层神经元之间相互全连接，所述全连接神经网络模型根据输入节点和输出节点个数确定隐藏层节点数的范围，并最终确定隐藏节点。
30、作为本专利技术的再进一步方案：所述卷积神经网络模型包括依次设置的卷积层、池化层、卷积层、池化层、卷积层、池化层及全连接层。
31、与现有技术相比，本专利技术的有益效果是：通过微气象数据与图像数据的协同使用对神经网络模型进行训练，实现了覆冰评估模型的获取，进而实现采用覆冰评估模型进行输电线路覆冰智能评估的目的，且基于图像数据的结果导向型模型训练校正方式，能够方便的达到环境分布等非统一客观因素对于评估影响的偏差系数判断，提高了覆冰厚度评估的准确性与可靠性。
本文档来自技高网...【技术保护点】
1.一种轻量级输电线覆冰厚度智能评估方法，其特征在于，包含步骤：
2.根据权利要求1所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述对所述覆冰图像数据进行预处理，以获取覆冰厚度，并通过获取的数组所述微气象数据与所述覆冰厚度对神经网络模型进行训练，建立覆冰评估模型的步骤具体包括：
3.根据权利要求2所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述微气象数据包括输电线附近的风速数据、风向数据、温湿度数据、气压数据以及降雨雪量数据；
4.根据权利要求3所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述全连接神经网络模型包括输入层、第一隐藏层及第二隐藏层，所述输入层与第一隐藏层神经元之间相互全连接，所述第一隐藏层与所述第二隐藏层神经元之间相互全连接，所述全连接神经网络模型根据输入节点和输出节点个数确定隐藏层节点数的范围，并最终确定隐藏节点。
5.根据权利要求4所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述卷积神经网络模型包括依次设置的卷积层、池化层、卷积层、池化层、卷积层、池化层及全连接层。<...
【技术特征摘要】
1.一种轻量级输电线覆冰厚度智能评估方法，其特征在于，包含步骤：
2.根据权利要求1所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述对所述覆冰图像数据进行预处理，以获取覆冰厚度，并通过获取的数组所述微气象数据与所述覆冰厚度对神经网络模型进行训练，建立覆冰评估模型的步骤具体包括：
3.根据权利要求2所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述微气象数据包括输电线附近的风速数据、风向数据、温湿度数据、气压数据以及降雨雪量数据；
4.根据权利要求3所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述全连接神经网络模型包括输入层、第一隐藏层及第二隐藏层，所述输入层与第一隐藏层神经元之间相互全连接，所述第一隐藏层与所述第二隐藏层神经元之间相互全连接，所述全连接神经网络模型根据输入节点和输出节点个数确定隐藏层节点数的范围，并最终确定隐藏节点。
5.根据权利要求4所述的一种轻量级输电线覆冰厚度智能评估方法，其特征在于，所述卷积神经网络模型包括依次设置的...
【专利技术属性】
技术研发人员：陈锐霆，池凯凯，毛科技，徐瑞吉，
申请(专利权)人：杭州惠嘉信息科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。