预测输电线路遭受暴雨灾害的方法、装置和设备

摘要

本公开提供一种预测输电线路遭受暴雨灾害的方法、装置和设备。该方法包括：获取待预测输电线路的暴雨灾害致灾因子数据，其中，暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据，将待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到待预测输电线路的预测暴雨灾害情况，其中，暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。本公开的方法，从影响待预测输电线路的外因、内因和历史暴雨数据，综合进行预测待预测输电线路的暴雨灾害情况，使得预测准确率高。

说明书

技术领域

本公开涉及计算机技术领域，尤其涉及一种预测输电线路遭受暴雨灾害的方法、装置和设备。

背景技术

暴雨会导致电网的输电线路倒塔、断线并表现为久性故障，损坏变电站设备，甚至导致受灾厂站全停，严重威胁电网安全运行，且造成重大的经济损失和社会影响。因此，需要预测输电线路遭受暴雨灾害的情况。

目前，已经有基于智能算法的灾害风险评估方法主要依赖于历史数据的积累和经验，结合相关算法模型通过初步的机器学习方法来预测输电线路遭受暴雨灾害的概率。

但现有的智能算法仅停留在片面的机器学习过程，预测准确率不高。

发明内容

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种预测输电线路遭受暴雨灾害的方法、装置和设备。

第一方面，本公开提供一种预测输电线路遭受暴雨灾害的方法，包括：

获取待预测输电线路的暴雨灾害致灾因子数据，其中，所述暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据；

将所述待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述待预测输电线路的预测暴雨灾害情况，其中，所述暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。

可选的，所述气象特征要素数据包括以下一种或多种：降水量、风速、相对湿度和温度；

所述输电线路结构数据包括：输电线路各基杆塔的基础特征数据；

所述地质特征要素数据包括以下一种或多种：地形地貌数据、各基杆塔的基础特征数据、土体密实度、地层岩性数据、土体中碎石含量、坡面特征特性数据、泥石流致灾因子数据。

可选的，所述地形地貌数据包括：冷冻地带地形地势数据或者风口地区地形地势数据；

所述泥石流致灾因子数据包括以下一种或多种：泥位、泥速、次声和地声；

所述输电线路各基杆塔的基础特征数据包括以下一种或多种：所述输电线路各基杆塔的独立基础、桩基础和掏挖基础。

可选的，所述待预测输电线路的预测暴雨灾害情况包括：预设时间段内每天是否有暴雨灾害。

可选的，所述将所述输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述输电线路的预测暴雨灾害情况之前，还包括：

获取多个输电线路的暴雨灾害致灾因子数据，得到训练样本集，所述训练样本集中包括多个训练样本，每个所述训练样本包括多个输电线路中的一个输电线路在相同时刻的暴雨灾害致灾因子数据；

使用所述训练样本集训练所述暴雨灾害预测模型，直到所述暴雨灾害预测模型收敛。

可选的，所述暴雨灾害预测模型的收敛条件为：比例阈值小于预设阈值，其中，所述比例阈值为所述训练样本与所述训练样本的重置值的差值占所述训练样本的比例，所述训练样本的重置值为对所述训练样本进行正向计算得到的输出再进行反向计算得到的。

第二方面，本公开提供一种预测输电线路遭受暴雨灾害的装置，包括：

获取模块，用于获取待预测输电线路的暴雨灾害致灾因子数据，其中，所述暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据；

得到模块，用于将所述待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到所述待预测输电线路的预测暴雨灾害情况，其中，所述暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。

可选的，所述气象特征要素数据包括以下一种或多种：降水量、风速、相对湿度和温度；

所述输电线路结构数据包括：输电线路各基杆塔的基础特征数据；

所述地质特征要素数据包括以下一种或多种：地形地貌数据、各基杆塔的基础特征数据、土体密实度、地层岩性数据、土体中碎石含量、坡面特征特性数据、泥石流致灾因子数据。

可选的，所述地形地貌数据包括：冷冻地带地形地势数据或者风口地区地形地势数据；

所述泥石流致灾因子数据包括以下一种或多种：泥位、泥速、次声和地声；

所述输电线路各基杆塔的基础特征数据包括以下一种或多种：所述输电线路各基杆塔的独立基础、桩基础和掏挖基础。

可选的，所述待预测输电线路的预测暴雨灾害情况包括：预设时间段内每天是否有暴雨灾害。

可选的，所述装置还包括：

所述获取模块，还用于获取多个输电线路的暴雨灾害致灾因子数据，得到训练样本集，所述训练样本集中包括多个训练样本，每个所述训练样本包括多个输电线路中的一个输电线路在相同时刻的暴雨灾害致灾因子数据；

训练模块，用于使用所述训练样本集训练所述暴雨灾害预测模型，直到所述暴雨灾害预测模型收敛。

可选的，所述暴雨灾害预测模型的收敛条件为：比例阈值小于预设阈值，其中，所述比例阈值为所述训练样本与所述训练样本的重置值的差值占所述训练样本的比例，所述训练样本的重置值为对所述训练样本进行正向计算得到的输出再进行反向计算得到的。

第三方面，本公开提供一种预测输电线路遭受暴雨灾害的设备，包括：

存储器，用于存储处理器可执行指令的存储器；

处理器，用于在计算机程序被执行时，实现如上述第一方面所述的方法。

第四方面，本公开提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上述第一方面所述的预测输电线路遭受暴雨灾害的方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

通过获取待预测输电线路的暴雨灾害致灾因子数据，暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据，从而从影响待预测输电线路的外因、内因和历史暴雨数据，综合进行预测待预测输电线路的暴雨灾害情况，将待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到待预测输电线路的预测暴雨灾害情况，采用暴雨灾害致灾因子数据训练受限玻尔兹曼机模型，得到的暴雨灾害预测模型充分学习了各暴雨灾害致灾因子数据对预测暴雨灾害的影响，使得预测准确率高。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本公开实施例提供的一种预测输电线路遭受暴雨灾害的方法的流程示意图；

图2为本公开实施例提供的另一种预测输电线路遭受暴雨灾害的方法的流程示意图；

图3为本公开实施例提供的一种训练暴雨灾害预测模型的方法的流程示意图；

图4为本公开实施例提供的一种预测输电线路遭受暴雨灾害的装置的结构示意图；

图5为本公开实施例提供的一种预测输电线路遭受暴雨灾害的设备的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

自然灾害给电网的输电线路带来不可避免的影响，其中暴雨灾害与覆冰、污秽灾害影响范围最广，据统计在上述三种自然灾害中，暴雨灾害占据80％以上。暴雨会导致输电线路倒塔、断线并表现为久性故障，损坏变电站设备，甚至导致受灾厂站全停，严重威胁电网安全运行，且造成重大的经济损失和社会影响。输电线路暴雨灾害问题已成为当前威胁输电线路安全的最大威胁之一。预测输电线路遭受暴雨灾害的情况将具有重要的意义和工程实用价值，因此，需要预测输电线路遭受暴雨灾害的情况。

目前，已经有基于智能算法的灾害风险评估方法，其主要依赖于历史暴雨情况数据的积累和经验，结合相关算法模型通过初步的机器学习方法来预测输电线路遭受暴雨灾害的概率。然而，这种智能算法仅停留在片面的机器学习过程，预测准确率不高。

针对上述方法存在的问题，本公开提出一种预测输电线路暴雨灾害的方法，获取待预测输电线路的多种暴雨灾害致灾因子数据，将待预测输电线路的多种暴雨灾害致灾因子数据输入训练得到的深度神经网络模型，得到待预测输电线路未来遭受暴雨灾害的情况，预测准确率高。

下面结合具体实施例对本发明的技术方案和本发明的技术方案如何解决上述技术问题进行说明。

图1为本公开实施例提供的一种预测输电线路遭受暴雨灾害的方法的流程示意图，如图1所示，本实施例的方法由计算机或服务器执行，本实施例的方法如下：

S101、获取待预测输电线路的暴雨灾害致灾因子数据。

其中，暴雨灾害致灾因子数据包括但不限于：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据。

其中，气象特征要素数据包括但不限于以下一种或多种：降水量、风速、相对湿度和温度。输电线路结构数据包括但不限于：输电线路各基杆塔的基础特征数据。地质特征要素数据包括但不限于以下一种或多种：地形地貌数据、各基杆塔的基础特征数据、土体密实度、地层岩性数据、土体中碎石含量、坡面特征特性数据、泥石流致灾因子数据。

可选的，地形地貌数据包括但不限于：冷冻地带地形地势数据或者风口地区地形地势数据。泥石流致灾因子数据包括但不限于以下一种或多种：泥位、泥速、次声和地声。输电线路各基杆塔的基础特征数据包括但不限于以下一种或多种：输电线路各基杆塔的独立基础、桩基础和掏挖基础。

影响待预测输电线路暴雨灾害激发的外界因素(外因)主要为气象特征要素数据和地质特征要素数据，而影响待预测输电线路暴雨灾害激发的内部因素(内因)主要为输电线路各基杆塔的基础特征，同时历史暴雨数据也将对预测产生影响。输电线路的内因相对外因来说是稳定的，因此，输电线路暴雨灾害事故的发生在确定内因以后主要由外因决定。

本实施例中，首先获取待预测输电线路的暴雨灾害致灾因子数据，暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据。

可选的，获取待预测输电线路的暴雨灾害致灾因子数据相关的暴雨灾害致灾因子的原始数据，对暴雨灾害致灾因子的原始数据进行归一化处理，得到暴雨灾害致灾因子数据。例如，获取到待预测输电线路的原始温度数据的数值单位为华氏度，根据暴雨灾害预测模型中输入温度的数值单位为摄氏度，则将该原始温度数据转换为以摄氏度为单位的数值，得到待预测输电线路的温度数据。

S102、将待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到待预测输电线路的预测暴雨灾害情况。

其中，暴雨灾害风险预测模型为由多个输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。

受限玻尔兹曼机模型是一个基于热力学的能量模型，它是一种具有显示层v＝{v

其中，v

本实施例中，暴雨灾害风险预测模型是采用无监督学习和有监督学习相结合的方法对受限玻尔兹曼机模型进行训练得到的，即通过受限玻尔兹曼机无监督学习提取高级特征影响因素，并反向传播受限玻尔兹曼机，从而进行有监督学习，拟合暴雨灾害致灾因子，从而得到基于受限玻尔兹曼机的暴雨灾害预测模型。

其中，待预测输电线路的预测暴雨灾害情况可以包括：预设时间段内每天是否有暴雨灾害。可选的，可以用“0”表示当天没有暴雨灾害，用“1”表示当天有暴雨灾害。例如，模型输出为011100，待预测输电线路的预测暴雨灾害情况为预测的第二天到第4天有暴雨灾害。

本实施例，通过获取待预测输电线路的暴雨灾害致灾因子数据，暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据，从而从影响待预测输电线路的外因、内因和历史暴雨数据，综合进行预测待预测输电线路的暴雨灾害情况，将待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到待预测输电线路的预测暴雨灾害情况，采用暴雨灾害致灾因子数据训练受限玻尔兹曼机模型，得到的暴雨灾害预测模型充分学习了各暴雨灾害致灾因子数据对预测暴雨灾害的影响，使得预测准确率高。从而可以提前实施防范暴雨灾害的措施，减轻待预测输电线路遭受的暴雨灾害的影响，从而提高输电线路应对暴雨灾害的能力和安全稳定运行水平。

图2为本公开实施例提供的另一种预测输电线路遭受暴雨灾害的方法的流程示意图，图2是在图1所示实施例的基础上，进一步地，如图2所示，S102之前还包括：

S1021、获取多组输电线路的暴雨灾害致灾因子数据，组成多个训练样本，所述每个训练样本包括多个输电线路中一个输电线路在相同时刻的暴雨灾害致灾因子数据。

使用多个训练样本训练暴雨灾害预测模型，直到暴雨灾害预测模型收敛。

可选的，暴雨灾害预测模型的收敛条件为：比例阈值小于预设阈值，其中，比例阈值为训练样本与训练样本的重置值的差值占训练样本的比例，训练样本的重置值为对训练样本进行正向计算得到的输出再进行反向计算得到的。

其中，预设阈值为预先设置的，例如预设阈值可以为3％。

本实施例，通过获取多组输电线路的暴雨灾害致灾因子数据，组成多个训练样本，使用多个训练样本训练暴雨灾害预测模型，直到暴雨灾害预测模型收敛，从而得到充分学习暴雨灾害致灾因子数据的暴雨灾害预测模型。

对模型进行训练的过程具体的可以包括如下过程：

图3为本公开实施例提供的一种训练暴雨灾害预测模型的方法的流程示意图，如图3所示，本实施例的方法包括：

基于受限玻尔兹曼机模型构建暴雨灾害预测模型，使用训练样本对暴雨灾害预测模型进行训练，得到收敛的暴雨灾害预测模型。

S301、获取多个输电线路的暴雨灾害致灾因子数据，每个输电线路在相同时刻的暴雨灾害致灾因子数据组成一个训练样本，得到多个训练样本。

例如，以历史中7年间42组输电线路暴雨灾害致灾因子数据对模型进行训练及验证，其中前38组数据作为训练样本集，后4组数据作为验证样本集，其中，验证样本集用于验证训练的暴雨灾害预测模型的准确性。可选的，可以将训练样本集表示为：A＝{(X

S302、基于受限玻尔兹曼机建立暴雨灾害预测模型，并初始化受限玻尔兹曼机的参数。

显示层设置M个神经元，显示层可以用v＝{v

可以对模型训练想要得到的参数记为θ＝{a

S303、将多个训练样本分别输入到暴雨灾害预测模型中，得到训练样本输出，判断当前暴雨灾害预测模型训练结果是否满足迭代条件。

利用训练集中的收敛条件作为迭代条件，若不满足迭代条件，则继续执行步骤S304，若满足迭代条件，则继续执行步骤S306。

S304、将多个训练样本分别输入到暴雨灾害预测模型中进行训练，分别计算显示层、隐藏层条件概率。

针对每个训练样本，其中，包含的暴雨灾害致灾因子数据中每种类别的致灾因子数据为暴雨灾害预测模型中的vi，例如，降水量为v1、风速为v2、相对湿度为v3等，分别计算显示层、隐藏层条件概率，即通过显示层v可以计算隐藏层h第j个神经元的激活概率，再根据隐藏层h反向计算显示层v第i个神经元的激活概率。更新θ，进行迭代训练，直到满足迭代条件。

对显示层v经过正向计算得到的隐藏层h，再对隐藏层h反向计算显示层的重置值，

可选的，隐藏层h第j个神经元的激活概率p(h

显示层v第i个神经元的激活概率p(v

其中，f(x)为激励函数，可选的，f(x)可以为f(x)＝1/(1+e

S305、更新暴雨灾害预测模型的参数。

其中，暴雨灾害预测模型的参数包括：显示层偏置、隐藏层偏置以及显示层和隐藏层之间的权重，使暴雨灾害预测模型满足迭代条件。

更新暴雨灾害预测模型的参数为更新暴雨灾害预测模型的参数中的全部参数，也可以更新其中的一个或多个参数，对于每次更新的参数，本公开不做限定。

可选的，显示层的偏置包括：显示层各神经元的偏置。隐藏层偏置包括：隐藏层各神经元的偏置。显示层和隐藏层之间的权重包括显示层各神经元分别与隐藏层各神经元之间的权重。

S306、根据最大的对数似然函数，得到暴雨灾害预测模型的初始化参数。

其中，暴雨灾害预测模型的初始化参数包括显示层偏置的初始值、隐藏层偏置的初始值和两层相互之间的权重的初始值。

经过上述训练迭代的过程，得到暴雨灾害预测模型的初始化参数，即显示层偏置a

可选的，暴雨灾害预测模型的初始化参数θ可以通过如下公式(4)得到：

其中，T为训练样本集中训练样本的数量，v

其中，E(v,h)可以由公式(1)得到，T为训练样本集中训练样本的数量。

S307、根据训练样本的输出预测值和实际值，得到训练误差平均精度。

针对训练样本中的输电线路暴雨灾害风险实际值和预测值，得到训练误差平均精度。

可选的，训练误差平均精度E

其中，X

例如，训练误差平均精度E

S308、判断当前暴雨灾害预测模型是否满足迭代条件。

再次利用训练集中的收敛性作为迭代条件，判断是否满足迭代条件，若不满足迭代条件，则继续执行S309，若满足迭代条件，则继续执行S311。

S309、建立反向传播的暴雨灾害预测模型。

反向传播的暴雨灾害预测模型即为从隐藏层输入数据，从显示层输出数据。假设S306中提取的K个高级抽象特征要素作为输入参数集{x

其中，λ

S310、根据反向传播算法，对暴雨灾害预测模型中的参数进行调整。

这里的连接权重包括输入与隐藏神经元以及隐藏神经元与输出的权重。

S311、根据每个神经元的输出公式，计算反向传播的暴雨灾害预测模型的预测结果。

由此，完成基于深度学习模型训练暴雨灾害预测模型，得到收敛的暴雨灾害预测模型。

可选的，反向传播的暴雨灾害预测模型的预测结果可以通过如下公式(8)得到：

其中，y

例如，暴雨灾害预测模型的输出为{y

可以理解，本实施例的训练方法，可以独立执行，也可以与图1或图2所示实施例的步骤一起执行。如果与图1或图2所示实施例的步骤一起执行，则训练方法的步骤在S102之前。

本实施例，通过使用多个历史暴雨灾害致灾因子数据，对暴雨灾害预测模型基于受限玻尔兹曼模型进行正向无监督训练，在基于多个历史暴雨灾害致灾因子数据对应的实际暴雨灾害情况，进行反向有监督训练，从而得到收敛的暴雨灾害预测模型，该暴雨灾害预测模型预测暴雨灾害情况的准确率高。

图4为本公开实施例提供的一种预测输电线路遭受暴雨灾害的装置的结构示意图，如图4所示，本实施例提供的装置包括：

获取模块401，用于获取待预测输电线路的暴雨灾害致灾因子数据，其中，暴雨灾害致灾因子数据包括：气象特征要素数据、输电线路结构数据、地质特征要素数据和历史暴雨数据；

得到模块402，用于将待预测输电线路的暴雨灾害致灾因子数据输入到暴雨灾害预测模型中，得到待预测输电线路的预测暴雨灾害情况，其中，暴雨灾害风险预测模型为由多组输电线路的暴雨灾害致灾因子数据训练得到的受限玻尔兹曼机模型。

可选的，气象特征要素数据包括以下一种或多种：降水量、风速、相对湿度和温度；

输电线路结构数据包括：输电线路各基杆塔的基础特征数据；

地质特征要素数据包括以下一种或多种：地形地貌数据、各基杆塔的基础特征数据、土体密实度、地层岩性数据、土体中碎石含量、坡面特征特性数据、泥石流致灾因子数据。

可选的，地形地貌数据包括：冷冻地带地形地势数据或者风口地区地形地势数据；

泥石流致灾因子数据包括以下一种或多种：泥位、泥速、次声和地声；

输电线路各基杆塔的基础特征数据包括以下一种或多种：输电线路各基杆塔的独立基础、桩基础和掏挖基础。

可选的，待预测输电线路的预测暴雨灾害情况包括：预设时间段内每天是否有暴雨灾害。

可选的，装置还包括：

获取模块401，还用于获取多个输电线路的暴雨灾害致灾因子数据，得到训练样本集，训练样本集中包括多个训练样本，每个训练样本包括多个输电线路中的一个输电线路在相同时刻的暴雨灾害致灾因子数据；

训练模块，用于使用训练样本集训练暴雨灾害预测模型，直到暴雨灾害预测模型收敛。

可选的，暴雨灾害预测模型的收敛条件为：比例阈值小于预设阈值，其中，比例阈值为训练样本与训练样本的重置值的差值占训练样本的比例，训练样本的重置值为对训练样本进行正向计算得到的输出再进行反向计算得到的。

上述实施例的装置，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

图5为本公开实施例提供的一种预测输电线路遭受暴雨灾害的设备的结构示意图，如图5所示，本实施例提供的设备包括：

存储器501，用于存储处理器502可执行指令的存储器；

处理器502，用于在计算机程序被执行时，实现如上述图1-图3任一所示的方法。

上述实施例的设备，可以用于执行上述方法实施例的技术方案，其实现原理和技术效果类似，此处不再赘述。

本公开提供一种计算机可读存储介质，计算机可读存储介质中存储有计算机执行指令，计算机执行指令被处理器执行时用于实现如上述图1-图3任一所示的预测输电线路遭受暴雨灾害的方法。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。