【技术实现步骤摘要】
本专利技术涉及电网，特别是一种基于输电线路杆塔级覆冰厚度网格化方法。
技术介绍
1、输电线路结冰灾害是电力系统中最严重的气象灾害之一，严重威胁着电网的安全稳定运行
2、要降低因覆冰灾害造成的损失，就必须对导线覆冰厚度进行准确预测，而导线覆冰的发生发展与气象要素的变化密不可分。目前南方电网已开展了杆塔级数值预报，实现差异化空间尺度覆冰现象数值预报，然而大气是一个高度非线性系统，覆冰预报结果对覆冰初始场的设置十分敏感，缺少基于观测数据的覆冰初始场，导致覆冰预测的漏报率较高，并且这种误差将随着时间累积，最终导致预报结果失真。通过融合地理信息数据和实时覆冰观测数据建立覆冰数值预报初始场是实现输电线路覆冰精准预报的有效手段。然而，虽然南方五省已布设了覆冰监测体系，有限的监测数据无法反映整片区域的覆冰分布情形，同时南方五省区域地形条件复杂，覆冰增长特性受微气象和微地形等多因素影响，因此如何充分利用覆冰监测数据优化覆冰预报初始场是一个极大的挑战。建立融合自建覆冰监测的电网数值预报初始覆冰网格场能力是实现杆塔级差异化空间尺度数值预报的前提条件，基于实时覆冰精细化空间分布输出，能给定点对点杆塔级的精准覆冰空间分布情况，同时通过改善覆冰预报初始场实现预报误差的最小化，不仅能有效指导防冰、融冰工作的开展，更有利于优化资源配置和物资调动，降低融冰成本，提高融冰的精确性和效率。
技术实现思路
1、鉴于现有技术存在的问题，提出了本专利技术。
2、因此，本专利技术所要解决的问题在于如何准
3、为解决上述技术问题，本专利技术提供如下技术方案：
4、第一方面，本专利技术实施例提供了一种基于输电线路杆塔级覆冰厚度网格化方法，其包括，获取覆冰监测数据和气象地理信息数据；
5、对数据进行插值和预处理；
6、基于插值和预处理过的数据进行人工智能模型训练和测试；
7、利用贝叶斯参数寻优方法优化人工智能模型参数；
8、基于最优人工智能模型参数生成南方地区实况格点分布图。
9、作为本专利技术所述基于输电线路杆塔级覆冰厚度网格化方法的一种优选方案，其中：所述获取覆冰监测数据包括多个时次的多套覆冰终端的累计覆冰值数据；气象地理信息数据包括温度、湿度、风速、风向、微地形地理信息、高程和冰区分布图数据。
10、作为本专利技术所述基于输电线路杆塔级覆冰厚度网格化方法的一种优选方案，其中：所述对数据进行插值和预处理包括，
11、对覆冰监测数据进行空间插值，得到初步网格化覆冰厚度数据；
12、对气象地理信息数据进行归一化处理；
13、将插值后的覆冰厚度数据与归一化后的气象地理信息数据进行时空匹配，得到训练样本集。
14、作为本专利技术所述基于输电线路杆塔级覆冰厚度网格化方法的一种优选方案，其中：所述基于插值和预处理过的数据进行人工智能模型训练和测试，包括：
15、构建深度神经网络模型，输入层包括气象地理信息特征，输出层为覆冰厚度；
16、将训练样本集划分为训练集和测试集；
17、使用训练集对深度神经网络模型进行训练；
18、使用测试集对训练好的模型进行性能评估。
19、作为本专利技术所述基于输电线路杆塔级覆冰厚度网格化方法的一种优选方案，其中：所述利用贝叶斯参数寻优方法优化人工智能模型参数，包括：
20、定义深度神经网络模型的超参数空间，包括隐藏层数、每层神经元数量、学习率等；
21、构建高斯过程回归模型，用于拟合超参数与模型性能之间的关系；
22、基于高斯过程回归模型，利用贝叶斯优化算法搜索最优超参数组合；
23、使用最优超参数重新训练深度神经网络模型。
24、作为本专利技术所述基于输电线路杆塔级覆冰厚度网格化方法的一种优选方案，其中：所述基于最优人工智能模型参数生成南方地区实况格点分布图，包括：
25、将南方地区划分为1km×1km的网格；
26、收集每个网格点的气象地理信息数据；
27、将收集的数据输入优化后的深度神经网络模型，得到每个网格点的覆冰厚度预测值；
28、基于预测结果，生成南方地区输电线路杆塔级覆冰厚度网格化分布图。
29、作为本专利技术所述基于输电线路杆塔级覆冰厚度网格化方法的一种优选方案，其中：所述南方地区输电线路杆塔级覆冰厚度网格化分布图包括，
30、将南方地区划分为预定大小的网格；收集每个网格点的气象要素和地理信息数据；利用优化后的人工智能模型预测每个网格点的覆冰厚度；基于预测结果生成覆冰厚度网格化分布图。
31、第二方面，本专利技术实施例提供了基于输电线路杆塔级覆冰厚度网格化系统，其包括数据获取模块，用于获取覆冰监测数据和气象地理信息数据；
32、数据预处理模块，用于对数据进行插值和预处理；
33、模型训练模块，用于基于插值和预处理过的数据进行人工智能模型训练和测试；
34、参数优化模块，用于利用贝叶斯参数寻优方法优化人工智能模型参数；
35、分布图生成模块，用于基于最优人工智能模型参数生成南方地区实况格点分布图。
36、第三方面，本专利技术实施例提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本专利技术第一方面所述的基于输电线路杆塔级覆冰厚度网格化方法的步骤。
37、第四方面，本专利技术实施例提供了一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序指令被处理器执行时实现如本专利技术第一方面所述的基于输电线路杆塔级覆冰厚度网格化方法的步骤。
38、本专利技术有益效果为：本专利技术通过结合覆冰监测数据和气象地理信息数据，利用深度学习模型实现了输电线路杆塔级覆冰厚度的精细化网格预测。采用贝叶斯参数优化方法，提高了模型的预测精度。最终生成的南方地区覆冰厚度网格化分布图，为输电线路覆冰风险评估和预防性维护提供了重要依据，有助于提高电网的安全稳定运行水平。
本文档来自技高网...【技术保护点】
1.一种基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：包括，
2.如权利要求1所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述获取覆冰监测数据包括多个时次的多套覆冰终端的累计覆冰值数据；气象地理信息数据包括温度、湿度、风速、风向、微地形地理信息、高程和冰区分布图数据。
3.如权利要求2所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述对数据进行插值和预处理包括，
4.如权利要求3所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述基于插值和预处理过的数据进行人工智能模型训练和测试,包括:
5.如权利要求4所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述利用贝叶斯参数寻优方法优化人工智能模型参数,包括:
6.如权利要求5所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述基于最优人工智能模型参数生成南方地区实况格点分布图,包括:
7.如权利要求6所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述南方地区输电线路杆塔级覆冰厚度网格化分布图包括，>
8.一种基于输电线路杆塔级覆冰厚度网格化系统，基于权利要求1～7任一所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：还包括，
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1～7任一所述的基于输电线路杆塔级覆冰厚度网格化方法的步骤。
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1～7任一所述的基于输电线路杆塔级覆冰厚度网格化方法的步骤。
...【技术特征摘要】
1.一种基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：包括，
2.如权利要求1所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述获取覆冰监测数据包括多个时次的多套覆冰终端的累计覆冰值数据；气象地理信息数据包括温度、湿度、风速、风向、微地形地理信息、高程和冰区分布图数据。
3.如权利要求2所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述对数据进行插值和预处理包括，
4.如权利要求3所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述基于插值和预处理过的数据进行人工智能模型训练和测试,包括:
5.如权利要求4所述的基于输电线路杆塔级覆冰厚度网格化方法，其特征在于：所述利用贝叶斯参数寻优方法优化人工智能模型参数,包括:
6.如权利要求5所述的基于输电线路杆塔...
【专利技术属性】
技术研发人员：范强，龚博，杨涛，黄军凯，赵超，陈佳胜，付鑫怡，庞玲蓉，叶华洋，胡天嵩，吴建蓉，肖书舟，张厚荣，何锦强，古庭赟，李博文，李长兴，丁江桥，曾蓉，陈晨，袁娴枚，赵圆圆，张洋，祝健杨，李鑫卓，张俊杰，王宇，辛明勇，余思伍，杨旗，毛先胤，杨柳青，张露松，牛唯，曾华荣，黄欢，邹雕，张啟黎，张历，陈沛龙，刘卓娅，代吉玉蕾，罗鑫，颜康，文贤馗，文屹，吕黔苏，张迅，李欣，朱石剑，冯起辉，张后谊，毛钧毅，廖永力，黄增浩，张海鹏，朱登杰，李昊，张志强，
申请(专利权)人：贵州电网有限责任公司，
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。