本发明涉及输电线路的故障预测领域，尤其涉及一种输电线路覆冰短期预测方法、装置及存储介质。
背景技术：
：自从1932年最早有记录的输电线路覆冰事故出现以来，国内、国外相继发生过一些较为严重的冰灾，这些冰灾事故造成断线、倒杆(塔)及导线舞动等后果，严重影响了居民的生产生活，造成了巨大的经济损失。电力运行部门急需一种快速而有效的输电线路覆冰预测方法，从而降低线路和杆塔的损坏率，保证电网安全稳定运行。应该注意，上面对技术背景的介绍只是为了方便对本发明的技术方案进行清楚、完整的说明，并方便本领域技术人员的理解而阐述的。不能仅仅因为这些方案在本发明的
背景技术：
部分进行了阐述而认为上述技术方案为本领域技术人员所公知。技术实现要素：本发明提出一种输电线路覆冰短期预测方法、装置及存储介质，以实现对输电线路覆冰量的预测。为了达到上述目的，本发明实施例提供一种输电线路覆冰短期预测方法，包括：获取输电线路的气象信息数据和导线信息数据，其中，所述气象信息数据包含温度、湿度、降水量、风速，所述导线信息数据包含导线现有的覆冰厚度以及导线温度；根据所述气象信息数据和导线信息数据，利用arima模型和神经网络模型，生成所述输电线路的覆冰厚度预测信息。进一步地，在一实施例中，所述获取输电线路的气象信息数据和导线信息数据，具体包括：获取输电线路的近日短期数据，所述近日短期数据包括气象信息近日短期数据和导线信息近日短期数据。进一步地，在一实施例中，所述获取输电线路的气象信息数据和导线信息数据后，还包括：对所述输电线路的气象信息数据和导线信息数据进行数据清理及转化，生成机器学习算法使用的数据集，所述数据集包含数据属性及属性取值。进一步地，在一实施例中，所述根据所述气象信息数据和导线信息数据，利用arima模型和神经网络模型，生成所述输电线路的覆冰厚度预测信息，具体包括：利用所述arima模型对覆冰厚度时间序列进行平稳化处理，预测所述覆冰厚度时间序列的线性主体，得到覆冰厚度变化的初期预测结果；在得到所述覆冰厚度变化的初期预测结果之后，利用所述神经网络模型对所述覆冰厚度时间序列的非线性残差进行预测；将所述覆冰厚度变化的初期预测结果以及非线性残差预测结果进行结合，生成所述输电线路的覆冰厚度预测信息。为了达到上述目的，本发明实施例还提供一种输电线路覆冰短期预测装置，包括：数据获取模块，用于获取输电线路的气象信息数据和导线信息数据，其中，所述气象信息数据包含温度、湿度、降水量、风速，所述导线信息数据包含导线现有的覆冰厚度以及导线温度；预测分析模块，用于根据所述气象信息数据和导线信息数据，利用arima模型和神经网络模型，生成所述输电线路的覆冰厚度预测信息。进一步地，在一实施例中，所述数据获取模块用于输电线路的气象信息数据和导线信息数据，具体包括：获取输电线路的近日短期数据，所述近日短期数据包括气象信息近日短期数据和导线信息近日短期数据。进一步地，在一实施例中，还包括：数据处理模块，用于在获取输电线路的气象信息数据和导线信息数据后，对所述输电线路的气象信息数据和导线信息数据进行数据清理及转化，生成机器学习算法使用的数据集，所述数据集包含数据属性及属性取值。进一步地，在一实施例中，所述预测分析模块用于根据所述气象信息数据和导线信息数据，利用arima模型和神经网络模型，生成所述输电线路的覆冰厚度预测信息，具体包括：初期预测模块，用于利用所述arima模型对覆冰厚度时间序列进行平稳化处理，预测所述覆冰厚度时间序列的线性主体，得到覆冰厚度变化的初期预测结果；残差预测模块，用于在得到所述覆冰厚度变化的初期预测结果之后，利用所述神经网络模型对所述覆冰厚度时间序列的非线性残差进行预测；模型结合模块，用于将所述覆冰厚度变化的初期预测结果以及非线性残差预测结果进行结合，生成所述输电线路的覆冰厚度预测信息。为了达到上述目的，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述所述输电线路覆冰短期预测方法的步骤。本发明实施例所揭示的输电线路覆冰短期预测方法、装置及存储介质，利用导线覆冰量的时间数据序列所具有的自相关性和时序性，判断输电线路的覆冰厚度是否超过线路荷载，有效减少了现有覆冰预测模型由于测量到的各种微气象因素存在的误差累积到覆冰预测结果中的影响，以便于安排值班、巡线、融冰或除冰工作，提高了抗冰工作的效率与质量。参照后文的说明和附图，详细公开了本发明的特定实施方式，指明了本发明的原理可以被采用的方式。应该理解，本发明的实施方式在范围上并不因而受到限制。在所附权利要求的精神和条款的范围内，本发明的实施方式包括许多改变、修改和等同。针对一种实施方式描述和/或示出的特征可以以相同或类似的方式在一个或更多个其它实施方式中使用，与其它实施方式中的特征相组合，或替代其它实施方式中的特征。应该强调，术语“包括/包含”在本文使用时指特征、整件、步骤或组件的存在，但并不排除一个或更多个其它特征、整件、步骤或组件的存在或附加。附图说明为了更清楚地说明本发明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，下面描述中的附图仅仅是本发明的一些实施例，对于本领域技术人员来讲，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为本发明实施例的输电线路覆冰短期预测方法的处理流程图；图2为bp神经网络结构图；图3为本发明实施例的输电线路覆冰短期预测装置的结构示意图；图4为本发明实施例的预测分析模块102的结构示意图；图5为本发明另一实施例的输电线路覆冰短期预测装置的结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。本领域技术技术人员知道，本发明的实施方式可以实现为一种系统、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。下面参考本发明的若干代表性实施方式，详细阐释本发明的原理和精神。本发明通过收集在线监测数据，利用机器学习深入分析算法，从输电线路覆冰是一种时间累积的过程这一角度出发，构建一种基于arima模型与神经网络(neuralnetworks，nn)的输电线路的覆冰预测模型(arima-nn)，利用预测结果判断输电线路的覆冰厚度是否超过线路荷载,以便于安排值班、巡线、融冰或除冰工作，以提高抗冰工作的效率与质量。图1为本发明实施例的输电线路覆冰短期预测方法的处理流程图。如图1所示，包括：步骤s101，获取输电线路的气象信息数据和导线信息数据，其中，所述气象信息数据包含温度、湿度、降水量、风速，所述导线信息数据包含导线现有的覆冰厚度以及导线温度；步骤s102，根据所述气象信息数据和导线信息数据，利用arima模型和神经网络模型，生成所述输电线路的覆冰厚度预测信息。在本发明实施例中，影响输电线路覆冰及其发展的因素主要有微气象因素(温度、湿度、降水量、风速等)和导线因素(导线现有的覆冰厚度、导线温度)，线路覆冰厚度时间序列往往同时具有线性和非线性特点，因此，为了对线路覆冰厚度进行预测，本发明采用了两者结合的集成模型(arima-nn)对覆冰量(厚度)进行预测。首先利用arima模型预测序列的线性主体，然后用神经网络nn模型对其非线性残差进行估计，最终集成为覆冰厚度的预测结果。在本实施例的步骤s101中，所述获取输电线路的气象信息数据和导线信息数据，具体包括：获取输电线路的近日短期数据，所述近日短期数据包括气象信息近日短期数据和导线信息近日短期数据。在获得气象因素、导线因素相关近日短期数据之后，进行数据清理、数据转化等数据处理，将输入的数据转化成机器学习算法可以使用的数据集，表1是该数据集的7个属性名称及说明：表1属性编号属性名称说明1编号样本序号2温度范围1-103湿度范围1-104降水量范围1-105风速范围1-106导线温度范围1-107覆冰厚度范围1-10在本实施例的步骤s102中，具体实施时，利用arima模型算法先对覆冰厚度时间序列进行平稳化处理，为进一步确定时间序列的平稳性，做出自相关函数(acf)和偏自相关函数(pacf)图，利用自相关函数和偏自相关函数截尾性判别的定价法确定模型参数，得到覆冰厚度变化的初期预测。arima模型算法是基于线性技术来进行时序预测，对非线性数据的处理处理效果较差；而神经网络模型擅长挖掘数据中隐含的非线性关系，缺点在于处理具有线性特征的数据方面能力较差，其效果往往不如arima模型。在获得覆冰厚度变化的初期预测之后，利用神经网络模型识别序列非线性部分，即对残差进行预测，该模式是经过bp(backpropagation)网络训练完成之后得到的预测模型，将两个预测结果结合并进行数据转化等处理得到最后预测结果。arima模型，是指将非平稳时间序列转化为平稳时间序列，然后将因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。arima模型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程(ma)、自回归过程(ar)、自回归移动平均过程(arma)以及arima过程。其通用表达式为：式中：zt为样本值，φ1、φ2……φp为自回归系数，p为自回归阶次，φ1、φ2……φp为移动平均系数，q为移动平均阶次，ut为服从独立正态分布的白噪声序列。建模时，首先检验数据序列的平稳性，并通过自相关函数(acf)和偏自相关函数(pacf)确定自回归阶p和滑动平均阶q，最后对模型进行误差检验，通过检验的模型即可用于预测。迄今已有多种不同的神经网络(nn)模型被应用于覆冰量短期预测，其中，bp神经网络是目前人工神经网络中研究最深入、应用最为广泛的一种模型，其结构如图2所示。图2中，x、z是网络的输入、输出向量，每一神经元用一个节点表示，网络由输入层、隐层和输出层节点组成，隐层可以是一层，也可以是多层(图中是单隐层)，前层至后层节点之间通过权系数相联结。bp神经网络学习时，输入信号从输入层经隐层传向输出层(正向传播)，若输出层得到期望的输出，则学习算法结束：否则，转至反向传播。反向传播就是将误差信号(样本输出与网络输出之差)按原联接通路反向计算，由梯度下降法调整各层神经元的权值，使误差信号减小。以下是各层权值的具体过程(即bp学习算法)：定义网络的输出误差将其依次展开至隐层和输入层，在使误差不断减小的原则下，应使权值的调整量与误差的负梯度成正比，即：经推导可得到各层权值调整的计算公式，写成向量的形式为：δw＝η(δoyt)t，δv＝η(δyxt)t式中，m为隐含层节点数目，n为输入层节点数目，l为输出层节点数目；x＝(x1,x2,…,xn)t为输入向量，y＝(y1,y2,…,ym)t为隐层输出向量，o＝(o1,o2,…,on)t为输出向量，d＝(d1,d2,…,dl)t为期望输出；w＝[wjk]m×l和v＝[vij]n×m分别是隐层到输出层和输入层到隐层的权值矩阵，通过上述权值调整公式可知，各层权值调整公式形式上都是一样的，均由3个因素决定，即：学习率η，本层输出的误差信号δ，本层输入信号。bp网络的学习训练过程如下：(1)初始化网络，对网络参数及各权系数进行赋值，其中权系数应取随机数；(2)输入训练样本，计算各层的预报值，并与真实值相比较，得出网络的输出误差；(3)依据误差反向传播规则，调整隐层之间以及隐层与输入层之间的权系数；(4)重复步骤(2)和(3)，直至预测误差满足条件或训练次数达到规定次数。bp网络训练完成之后，得到的权系数就是一个预测模型。当输入的样本数据是若干组分类数据时，得到的就是一个预测分类模型。本发明的覆冰厚度预测模型为arima和nn的集成模型，利用arima模型能够拟合序列的线性部分，而nn模型能够估计序列的非线性残差部分，该集成模型比单一模型能够获得更好的预测效果。arima-nn集成模型预测通过以下步骤实现。将时间序列数据yt视为线性自相关主体lt与非线性残差nt两部分的组合，即：yt＝lt+nt首先利用arima模型对线性部分建模，设预测结果为原序列与得残差为et，则：序列{et}隐含了原序列中的非线性关系，利用nn模型来逼近这种非线性关系，假设nn有n个输入，这个残差序列关系可写成：et＝f(et-1,et-2,…et-n)+εt式子中，f是由nn决定的非线性函数，εt是随机误差，通过估计的残差et预测值记为最终集成模型预测的结果可写为：从集成模型构建来看，arima模型用于线性部分的预测，而nn模型用于非线性部分预测，通过对arima和nn这两种模型的综合运用，充分发挥它们各自的长处，从而达到提高预测效果的目的。此外，本发明实施例还提供一种计算机可读存储介质，其上存储有计算机指令，所述指令被执行时实现上述输电线路覆冰短期预测方法的步骤。通过以上实施例的输电线路覆冰短期预测方法，可以得知，利用导线覆冰量的时间数据序列所具有的自相关性和时序性，判断输电线路的覆冰厚度是否超过线路荷载，有效减少了现有覆冰预测模型由于测量到的各种微气象因素存在的误差累积到覆冰预测结果中的影响，以便于安排值班、巡线、融冰或除冰工作，提高了抗冰工作的效率与质量。应当注意，尽管在附图中以特定顺序描述了本发明方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将多个步骤合并为一个步骤执行，和/或将一个步骤分解为多个步骤执行。在介绍了本发明示例性实施方式的方法之后，接下来，参考图3对本发明示例性实施方式的输电线路覆冰短期预测方法进行介绍。该装置的实施可以参见上述方法的实施，重复之处不再赘述。以下所使用的术语“模块”和“单元”，可以是实现预定功能的软件和/或硬件。尽管以下实施例所描述的模块较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。图3为本发明实施例的输电线路覆冰短期预测装置的结构示意图。如图3所示，其包括：数据获取模块101，用于获取输电线路的气象信息数据和导线信息数据，其中，所述气象信息数据包含温度、湿度、降水量、风速，所述导线信息数据包含导线现有的覆冰厚度以及导线温度；预测分析模块102，用于根据所述气象信息数据和导线信息数据，利用arima模型和神经网络模型，生成所述输电线路的覆冰厚度预测信息。进一步地，在本实施例中，所述数据获取模块101用于输电线路的气象信息数据和导线信息数据，具体包括：获取输电线路的近日短期数据，所述近日短期数据包括气象信息近日短期数据和导线信息近日短期数据。进一步地，在本实施例中，如图4所示，所述预测分析模块102用于根据所述气象信息数据和导线信息数据，利用arima模型和神经网络模型，生成所述输电线路的覆冰厚度预测信息，具体包括：初期预测模块1021，用于利用所述arima模型对覆冰厚度时间序列进行平稳化处理，预测所述覆冰厚度时间序列的线性主体，得到覆冰厚度变化的初期预测结果；残差预测模块1022，用于在得到所述覆冰厚度变化的初期预测结果之后，利用所述神经网络模型对所述覆冰厚度时间序列的非线性残差进行预测；模型结合模块1023，用于将所述覆冰厚度变化的初期预测结果以及非线性残差预测结果进行结合，生成所述输电线路的覆冰厚度预测信息。图5为本发明另一实施例的输电线路覆冰短期预测装置的结构示意图。如图5所示，本实施例的输电线路覆冰短期预测装置还包括：数据处理模块103，用于在获取输电线路的气象信息数据和导线信息数据后，对所述输电线路的气象信息数据和导线信息数据进行数据清理及转化，生成机器学习算法使用的数据集，所述数据集包含数据属性及属性取值。此外，尽管在上文详细描述中提及了输电线路覆冰短期预测装置的若干单元，但是这种划分仅仅并非强制性的。实际上，根据本发明的实施方式，上文描述的两个或更多单元的特征和功能可以在一个单元中具体化。同样，上文描述的一个单元的特征和功能也可以进一步划分为由多个单元来具体化。本发明实施例所揭示的输电线路覆冰短期预测方法、装置及存储介质，利用导线覆冰量的时间数据序列所具有的自相关性和时序性，判断输电线路的覆冰厚度是否超过线路荷载，有效减少了现有覆冰预测模型由于测量到的各种微气象因素存在的误差累积到覆冰预测结果中的影响，以便于安排值班、巡线、融冰或除冰工作，提高了抗冰工作的效率与质量。本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。本发明是参照根据本发明实施例的方法、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。本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。当前第1页12