基于深度学习的多要素导线舞动预警方法及相关装置与流程

本发明涉及电力生产和气象预测交叉技术领域，尤其涉及一种基于深度学习的多要素导线舞动预警方法及相关装置。

背景技术：

随着全球气候变化，极端天气事件呈现出频次增多、强度增大的趋势，由此引发的各类气象灾害对电网运行安全造成了极大的威胁。其中，输电线路舞动作为一种特殊的气象灾害，会引发线路跳闸、损坏电力设备、导致大面积停电事故，给社会经济带来重大损失。因此，建立一套有效的、具有广泛适用性的输电线路舞动预警预报系统对保障电网运行安全、保障社会正常运转具有重大的现实意义。

输电线路舞动是输电线路导线不均匀覆冰后在风激励作用下产生的一种低频率、大振幅的自激振动现象。输电线路舞动的形成离不开3个重要因素，分别为导线覆冰、风的激励、线路自身参数。国内外学者在导线舞动机理方面做了大量的实验和研究，主要有denhartog(1932)的垂直舞动理论，o.nigol(1974)的扭转舞动理论和p.yu(1993)的偏心惯性耦合失稳理论等。但由于导线舞动具有随机性和非线性的特点，这些理论无法遍及所有舞动发生的条件和舞动类型，因此仅仅通过机理研究和舞动模型采取相应的防治措施只能对部分情况有效。基于此，输电线路舞动的防治要另辟蹊径，由此现有技术进一步提出，可以利用统计模型或机器学习的方法在输电线路舞动发生前对其进行预警。

机器学习是一种在缺乏理论模型时针对数据特征进行挖掘的有效建模手段，机器学习可以根据对历史数据的自学习与误差修正，总结出一套“规则”并建立一个“模型”，将未来的数据输入该“模型”即可得到未来的预测结果。近年来，很多学者对导线覆冰的预测模型展开了研究，已有的模型有广义回归神经网络(grnn)、bp神经网络、径向基函数(rbf)神经网络等，但是这些模型都只是针对覆冰厚度进行预测，而没有考虑导线覆冰之后是否舞动。

导线舞动的内部影响因素有：线路或杆塔自身结构参数；外部因素有：气象因素和地形因素。王丙兰等(2017)通过分析河南电网历史舞动过程，得出了河南电网舞动发生时的气象要素指标。结果表明，导线舞动的外部影响因素不仅有地面气象要素，也包括高空气象条件。李帅等(2016)利用adaboost分类学习器对各类线路分别进行舞动预测，廖峥等(2017)提出了一种基于bp神经网络的舞动预警方法，他们选取的输入特征量均为风速、风向与线路的夹角、相对湿度以及温度，这些都是地面气象要素。此外，由于我国幅员辽阔，横跨多个气候带，各地区气候条件差异显著，各地发生导线舞动时的气象条件也不尽相同。

由于导线舞动的影响因素众多、机理复杂，因此目前缺乏一种综合考虑地面气象要素、高空气象要素、地形及地理位置的输电线路舞动预测方法，无法得到可靠的舞动预警结果。

技术实现要素：

有鉴于此，本发明提供一种基于深度学习的多要素导线舞动预警方法及相关装置，能够综合考虑地面气象要素、高空气象要素、地形及地理位置对输电线路舞动的影响，提高导线覆冰舞动预测的准确性。技术方案如下：

基于本发明的一方面，本发明提供一种基于深度学习的多要素导线舞动预警方法，方法包括：

采集目标坐标点的相关信息，所述目标坐标点的相关信息包括所述目标坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值；

将采集到的所述目标坐标点的相关信息作为预先训练好的模型的输入样本要素，输入至所述模型中；其中所述模型是采用预设的处理算法对样本坐标点的样本要素进行训练后得到的，所述样本坐标点的样本要素包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值，所述模型能够根据输入的所述样本坐标点的样本要素确定该样本坐标点是否为舞动点；

获取所述模型输出的用于表征所述目标坐标点是否为舞动点的舞动预警结果。

可选地，所述模型采用如下方法训练得到：

采集多个样本坐标点的相关信息和舞动点信息；其中所述样本坐标点的相关信息包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值；

对于任意一个样本坐标点：

将采集到的该样本坐标点的相关信息作为预设模型的输入样本要素；

依据该样本坐标点的舞动点信息，得到用于表征该样本坐标点是否为舞动点的舞动结果，并将得到的所述舞动结果作为所述预设模型的输出样本要素；其中所述舞动结果包括用于表征该样本坐标点为舞动点的第一结果或用于表征该样本坐标点不是舞动点的第二结果；

将该样本坐标点的输入样本要素和输出样本要素进行组合，得到样本要素组，其中所述样本要素组包括该样本坐标点的经纬度、海拔高度、温度、相对湿度、风速、探空资料中的探空温度、探空温度与露点温度的差值、以及舞动结果；

选取多个样本要素组作为训练样本组；

对于每一个训练样本组，以该训练样本组中的输入样本要素作为所述预设模型的输入参数，以该训练样本组中的输出样本要素作为所述预设模型的输出参数，采用预设的处理算法对所述预设模型进行训练，得到训练好的模型。

可选地，在得到训练好的模型之后，方法还包括：

选取多个样本要素组作为测试样本组；

对于每一个测试样本组，将该测试样本组中的输入样本要素输入至所述训练好的模型中，获取所述训练好的模型输出的测试结果；

如果依据该测试样本组中的输出样本要素确定所述测试结果的准确度满足预设要求，则确定所述训练好的模型可用；

如果依据该测试样本组中的输出样本要素确定所述测试结果的准确度不满足预设要求，则对所述训练好的模型进行调整优化，并将所述训练样本组重新输入至调整优化后的模型中，采用预设的处理算法对所述调整优化后的模型进行训练。

可选地，所述预设模型为深度神经网络分类模型，所述深度神经网络分类模型包括输入层、四层隐含层和输出层；其中，

所述输入层的节点包括18个，所述输出层的节点包括1个，每个所述隐含层的节点包括30个。

可选地，所述目标坐标点的相关信息中，所述温度为日最低温度，所述相对湿度为日平均相对湿度、所述风速为日最大风速，所述探空资料中的探空温度和露点温度分别为500hpa、700hpa以及850hpa三个高度层的、在00时和12时的探空温度和露点温度。

可选地，采集样本坐标点的相关信息和舞动点信息包括：

采集所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速；

采用最邻近点匹配法，将采集到的所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速，与探空资料中分别在500hpa、700hpa以及850hpa三个高度层的、在00时和12时的探空温度和露点温度进行匹配，确定距离所述样本坐标点最近的探空站的要素值为所述样本坐标点对应的探空要素值；

将采集到的所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速、以及探空资料中匹配到的探空温度、探空温度与露点温度的差值，合并作为所述样本坐标点的相关信息；

采集多个舞动点信息；

采用最邻近点匹配法，将采集到的舞动点信息与所述样本坐标点的相关信息进行匹配，确定距离所述舞动点信息最近的样本坐标点的相关信息为与所述舞动点信息对应的样本坐标点的相关信息。

可选地，在将采集到的样本坐标点的相关信息作为预设模型的输入样本要素之后，方法还包括：

利用公式：对所述输入样本要素进行标准化处理；

其中，x1j，x2j……xnj表示第j类输入样本要素的原始序列，y1j，y2j……ynj表示第j类输入样本要素标准化后的序列，n为样本数，n为正整数，j为输入样本要素的类数，j＝1,2,3……18。

基于本发明的另一方面，本发明提供一种基于深度学习的多要素导线舞动预警装置，包括：

采集单元，用于采集目标坐标点的相关信息，所述目标坐标点的相关信息包括所述目标坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值；

输入单元，用于将采集到的所述目标坐标点的相关信息作为预先训练好的模型的输入样本要素，输入至所述模型中；其中所述模型是采用预设的处理算法对样本坐标点的样本要素进行训练后得到的，所述样本坐标点的样本要素包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值，所述模型能够根据输入的所述样本坐标点的样本要素确定该样本坐标点是否为舞动点；

获取单元，用于获取所述模型输出的用于表征所述目标坐标点是否为舞动点的舞动预警结果。

基于本发明的再一方面，本发明提供一种模型训练装置，包括：

采集模块，用于采集多个样本坐标点的相关信息和舞动点信息；其中所述样本坐标点的相关信息包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值；

第一确定模块，用于对于任意一个样本坐标点，将采集到的该样本坐标点的相关信息作为预设模型的输入样本要素；

第二确定模块，用于对于任意一个样本坐标点，依据该样本坐标点的舞动点信息，得到用于表征该样本坐标点是否为舞动点的舞动结果，并将得到的所述舞动结果作为所述预设模型的输出样本要素；其中所述舞动结果包括用于表征该样本坐标点为舞动点的第一结果或用于表征该样本坐标点不是舞动点的第二结果；

样本要素组获得模块，用于对于任意一个样本坐标点，将该样本坐标点的输入样本要素和输出样本要素进行组合，得到样本要素组，其中所述样本要素组包括该样本坐标点的经纬度、海拔高度、温度、相对湿度、风速、探空资料中的探空温度、探空温度与露点温度的差值、以及舞动结果；

第一选取模块，用于选取多个样本要素组作为训练样本组；

训练模块，用于对于每一个训练样本组，以该训练样本组中的输入样本要素作为所述预设模型的输入参数，以该训练样本组中的输出样本要素作为所述预设模型的输出参数，采用预设的处理算法对所述预设模型进行训练，得到训练好的模型。

可选地，还包括：

第二选取模块，用于选取多个样本要素组作为测试样本组；

测试模块，用于对于每一个测试样本组，将该测试样本组中的输入样本要素输入至所述训练好的模型中，获取所述训练好的模型输出的测试结果；

第三确定模块，用于当依据该测试样本组中的输出样本要素确定所述测试结果的准确度满足预设要求时，确定所述训练好的模型可用；

调整优化模块，用于当依据该测试样本组中的输出样本要素确定所述测试结果的准确度不满足预设要求时，对所述训练好的模型进行调整优化；

所述训练模块还用于，将所述训练样本组重新输入至调整优化后的模型中，采用预设的处理算法对所述调整优化后的模型进行训练。

本发明提供的基于深度学习的多要素导线舞动预警方法及相关装置中，只需将采集到的目标坐标点的相关信息输入至模型中，进而获取模型输出的用于表征目标坐标点是否为舞动点的舞动预警结果，即可实现导线覆冰舞动的预测。本发明综合考虑了地面气象要素、高空气象要素、地形及地理位置对输电线路舞动的影响，提高了导线覆冰舞动预测的普适性、准确性，能够为我国各地区各地形条件下的输电线路舞动提供有效的预警信息。

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实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明提供的一种基于深度学习的多要素导线舞动预警方法的流程图；

图2为本发明提供的一种模型训练方法的流程图；

图3为本发明中采集样本坐标点的相关信息和舞动点信息的方法流程图；

图4为本发明中深度神经网络分类模型的结构示意图；

图5为本发明提供的另一种模型训练方法的流程图；

图6为本发明提供的一种基于深度学习的多要素导线舞动预警装置的结构示意图；

图7为本发明提供的一种模型训练装置的结构示意图；

图8为本发明中采集模块的结构示意图；

图9为本发明提供的另一种模型训练装置的结构示意图。

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。

本技术领域技术人员可以理解，除非特意声明，本发明中使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非被特定定义，否则不会用理想化或过于正式的含义来解释。

如图1所示，本发明提供的基于深度学习的多要素导线舞动预警方法可以包括：

步骤101，采集目标坐标点的相关信息，所述目标坐标点的相关信息包括所述目标坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值。

本发明中，在目标坐标点的相关信息中，温度可以为日最低温度，相对湿度可以为日平均相对湿度、风速可以为日最大风速，探空资料中的探空温度和露点温度可以分别为500hpa、700hpa以及850hpa三个高度层的、在00时和12时这两个时次的探空温度和露点温度，这其中一共包括六个探空温度值和六个露点温度值，本发明需要获得该六个探空温度值以及该六个探空温度值分别与六个露点温度值的差值。

步骤102，将采集到的所述目标坐标点的相关信息作为预先训练好的模型的输入样本要素，输入至所述模型中；其中所述模型是采用预设的处理算法对样本坐标点的样本要素进行训练后得到的，所述样本坐标点的样本要素包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值，所述模型能够根据输入的所述样本坐标点的样本要素确定该样本坐标点是否为舞动点。

步骤103，获取所述模型输出的用于表征所述目标坐标点是否为舞动点的舞动预警结果。

本发明提供的基于深度学习的多要素导线舞动预警方法，只需将采集到的目标坐标点的相关信息输入至模型中，进而获取模型输出的用于表征目标坐标点是否为舞动点的舞动预警结果，即可实现导线覆冰舞动的预测。本发明综合考虑了地面气象要素、高空气象要素、地形及地理位置对输电线路舞动的影响，提高了导线覆冰舞动预测的普适性、准确性，能够为我国各地区各地形条件下的输电线路舞动提供有效的预警信息。

本发明中，关于模型的训练方法，可以采用图2所示的方法，方法包括：

步骤201，采集多个样本坐标点的相关信息和舞动点信息；其中所述样本坐标点的相关信息包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值。

本发明中，首先需要采集多个样本坐标点的相关信息和舞动点信息，其中每个样本坐标点的相关信息均包括样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值。具体地，针对每一个样本坐标点，本发明可以采用图3所示的方法实现采集每个样本坐标点的相关信息和舞动点信息，方法可以包括：

步骤301，采集所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速。

本发明中，首先采集每个样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速。

步骤302，采用最邻近点匹配法，将采集到的所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速，与探空资料中分别在500hpa、700hpa以及850hpa三个高度层的、在00时和12时的探空温度和露点温度进行匹配，确定距离所述样本坐标点最近的探空站的要素值为所述样本坐标点对应的探空要素值。

即本发明具体采用最邻近点匹配法，将采集到的<经度、纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速>与探空资料中的六个探空温度和六个露点温度进行匹配，从而确定该经纬度的坐标点所对应的探空要素值为距离所述坐标点最近的探空站的要素值。

步骤303，将采集到的所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速、以及探空资料中匹配到的探空温度、探空温度与露点温度的差值，合并作为所述样本坐标点的相关信息。

具体地本发明中，会将步骤301采集到的<经度、纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速>和步骤302匹配到的<探空温度、探空温度与露点温度的差值>合并作为样本坐标点的相关信息，即样本坐标点的相关信息为<经度、纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速、探空温度、探空温度与露点温度的差值>。

步骤304，采集多个舞动点信息。

步骤305，采用最邻近点匹配法，将采集到的舞动点信息与所述样本坐标点的相关信息进行匹配，确定距离舞动点信息最近的样本坐标点的相关信息为与所述舞动点信息对应的样本坐标点。

本发明具体采用最邻近点匹配法，将采集到的舞动点信息与样本坐标点的相关信息<经度、纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速、探空温度、探空温度与露点温度的差值>进行匹配，从而确定距离所述舞动点信息最近的样本坐标点的相关信息为与所述舞动点信息对应的样本坐标点的相关信息，也可以理解为确定舞动点所对应的输入样本要素为距离所述舞动点最近的已确定经纬度的坐标点的要素值。

步骤202，对于任意一个样本坐标点：将采集到的该样本坐标点的相关信息作为预设模型的输入样本要素。

在获得样本坐标点的相关信息之后，将样本坐标点的相关信息作为预设模型的输入样本要素。

本发明中的预设模型可以具体为深度神经网络分类模型，本发明可以利用基于tensorflow的深度神经网络技术搭建深度神经网络分类模型，能够有效地对多种要素的特征及其与舞动之间的映射进行挖掘与学习，提高舞动预测的准确性。

具体如图4所示，本发明中的深度神经网络分类模型为六层结构，该六层结构包括输入层、四层隐含层和输出层。其中，输入层的节点包括18个，所述输出层的节点包括1个，每个所述隐含层的节点包括30个。

作为本发明的一个优选实施例，本发明在将样本坐标点的相关信息作为预设模型的输入样本要素之后，方法还可以包括：

利用公式：对所述输入样本要素进行标准化处理；

其中，x1j，x2j……xnj表示第j类输入样本要素的原始序列，y1j，y2j……ynj表示第j类输入样本要素标准化后的序列，n为样本数，n为正整数，j为输入样本要素的类数，j＝1,2,3……18。

步骤203，依据该样本坐标点的舞动点信息，得到用于表征该样本坐标点是否为舞动点的舞动结果，并将得到的所述舞动结果作为所述预设模型的输出样本要素；其中所述舞动结果包括用于表征该样本坐标点为舞动点的第一结果或用于表征该样本坐标点不是舞动点的第二结果。

本发明中，通过对样本坐标点的舞动点信息的分析，可以确定该样本坐标点是否为舞动点，从而得到用于表征该样本坐标点是否为舞动点的舞动结果。并进一步地，本发明将得到的所述舞动结果作为所述预设模型的输出样本要素。

具体在本发明中，舞动结果可以包括用于表征样本坐标点为舞动点的第一结果或用于表征样本坐标点不是舞动点的第二结果，其中第一结果例如用代码“1”表示，第二结果例如用代码“0”表示。

步骤204，将该样本坐标点的输入样本要素和输出样本要素进行组合，得到样本要素组，其中所述样本要素组包括该样本坐标点的经纬度、海拔高度、温度、相对湿度、风速、探空资料中的探空温度、探空温度与露点温度的差值、以及舞动结果。

本发明中，样本坐标点的相关信息作为预设模型的输入样本要素，样本坐标点对应的舞动结果作为预设模型的输出样本要素，本发明将同一个样本坐标点的输入样本要素和输出样本要素进行组合，得到一个样本要素组。其中一个样本坐标点对应一个样本要素组，每一个样本要素组均包括样本坐标点的经纬度、海拔高度、温度、相对湿度、风速、探空资料中的探空温度、探空温度与露点温度的差值、以及舞动结果。

具体例如，每个样本要素组为<经度、纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速、850hpa高度层00时温度、700hpa高度层00时温度、500hpa高度层00时温度、850hpa高度层12时温度、700hpa高度层12时温度、500hpa高度层12时温度、850hpa高度层00时温度与露点温度之差、700hpa高度层00时温度与露点温度之差、500hpa高度层00时温度与露点温度之差、850hpa高度层12时温度与露点温度之差、700hpa高度层12时温度与露点温度之差、500hpa高度层12时温度与露点温度之差、舞动结果>。

步骤205，选取多个样本要素组作为训练样本组。

从得到的多个样本要素组中选取至少一个，优选地选取多个样本要素组作为训练样本组。

步骤206，对于每一个训练样本组，以该训练样本组中的输入样本要素作为所述预设模型的输入参数，以该训练样本组中的输出样本要素作为所述预设模型的输出参数，采用预设的处理算法对所述预设模型进行训练，得到训练好的模型。

其中预设的处理算法例如为神经网络算法等，申请人对此不做限定。

进一步为了保证训练好的模型的准确性，本发明在步骤206之后，方法还可以包括，如图5所示：

步骤207，选取多个样本要素组作为测试样本组。

从得到的多个样本要素组中选取至少一个，优选地选取多个样本要素组作为测试样本组。

步骤208，对于每一个测试样本组，将该测试样本组中的输入样本要素输入至所述训练好的模型中，获取所述训练好的模型输出的测试结果。

如果依据该测试样本组中的输出样本要素确定所述测试结果的准确度满足预设要求，则执行步骤209，否则执行步骤210。

其中测试结果的准确度满足预设要求例如可以包括测试结果的整体准确度达到预先设定的准确度阈值。

步骤209，确定所述训练好的模型可用。

步骤210，对所述训练好的模型进行调整优化，并将所述训练样本组重新输入至调整优化后的模型中，采用预设的处理算法对所述调整优化后的模型进行训练。

本发明中，如果训练好的模型输出的测试结果的准确度不满足预设要求，则表示该训练好的模型当前的准确度较差，模型不可用，因此需要对该模型作进一步的调整优化以及训练。具体地，本发明首先对该训练好的模型进行调整优化，对于调整优化后的模型，本发明将先前确定的测试样本组重新输入至该调整优化后的模型中，并采用预设的处理算法对该调整优化后的模型进行训练。

如果调整优化后的模型输出的测试结果的准确度仍旧不满足预设要求，则本发明再次对模型进行调整优化，并对于再次调整优化后的模型，本发明将先前确定的训练样本组再次重新输入至再次调整优化后的模型中，并采用预设的处理算法对所述再次调整优化后的模型进行训练。如此反复，直至调整优化后的模型输出的测试结果的准确度满足预设要求。

本发明提供的模型训练、测试方法可大致总结为如下过程：

1)以自定义的超参数对模型进行初始化，得到深度神经网络初始模型；

2)以训练样本组中的输入样本要素作为深度神经网络初始模型的输入参数，并以对应的输出样本要素作为深度神经网络初始模型的输出参数，通过对深度神经网络初始模型(即初始模型)进行训练，得到训练好的模型；

3)将测试样本组中的输入样本要素作为训练好的模型的输入参数，判断模型的输出参数与测试样本组中的输出样本要素中的实际舞动结果是否一致，以此实现对该训练好的模型的准确性进行检验分析；

4)选取合理的超参数组合，对模型进行随机超参数优化，得到随机优化模型；具体地，在超参数组合的分布中进行随机搜索，通过三折交叉验证确定最优效果的超参数组合；

5)以检验样本组中的输入样本要素作为输入参数，对前述随机优化模型进行检验；

6)根据随机优化模型的超参数设置，选取邻近值构成新的超参数组合，对模型进行超参数优化，得到最优化模型；具体地，在所述新超参数组合中进行网格法遍历搜索，通过三折交差验证确定最优效果的超参数组合；

7)以检验样本组中的输入样本要素作为输入参数，对前述最优化模型进行检验；

8)若最优化模型的检验效果优于训练模型和随机优化模型，则最终模型确定为最优化模型；否则，重复实施前述步骤4)、5)、6)、7)，直到确定最终模型。

本发明利用基于tensorflow的深度神经网络技术搭建舞动预测模型，能够有效地对多种要素的特征及其与舞动之间的映射进行挖掘与学习，提高舞动预测的准确性，且本发明的深度神经网络模型是具有自学习、自适应特征的智能化预测技术，随着训练样本的增多，该模型能够不断更新、不断完善，从而得到更加可靠的预测结果，为输电线路防舞提供有力的保障。

基于前文本发明提供的一种基于深度学习的多要素导线舞动预警方法，本发明还提供一种基于深度学习的多要素导线舞动预警装置，如图6所示，装置可以包括：

采集单元10，用于采集目标坐标点的相关信息，所述目标坐标点的相关信息包括所述目标坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值；

其中目标坐标点的相关信息中，所述温度为日最低温度，所述相对湿度为日平均相对湿度、所述风速为日最大风速，所述探空资料中的探空温度和露点温度分别为500hpa、700hpa以及850hpa三个高度层的、在00时和12时的探空温度和露点温度；

输入单元20，用于将采集到的所述目标坐标点的相关信息作为预先训练好的模型的输入样本要素，输入至所述模型中；其中所述模型是采用预设的处理算法对样本坐标点的样本要素进行训练后得到的，所述样本坐标点的样本要素包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值，所述模型能够根据输入的所述样本坐标点的样本要素确定该样本坐标点是否为舞动点；

获取单元30，用于获取所述模型输出的用于表征所述目标坐标点是否为舞动点的舞动预警结果。

以及，本发明还提供一种模型训练装置，如图7所示，装置可以包括：采集模块100、第一确定模块200、第二确定模块300、样本要素组获得模块400、第一选取模块500和训练模块600。其中，

采集模块100，用于采集多个样本坐标点的相关信息和舞动点信息；其中所述样本坐标点的相关信息包括所述样本坐标点的经纬度、海拔高度、温度、相对湿度、风速和探空资料中的探空温度、探空温度与露点温度的差值。其中如图8所示，所述采集模块100可以具体包括：

第一采集子模块110，用于采集所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速；

第一匹配子模块120，用于采用最邻近点匹配法，将采集到的所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速，与探空资料中分别在500hpa、700hpa以及850hpa三个高度层的、在00时和12时的探空温度和露点温度进行匹配，确定距离所述样本坐标点最近的探空站的要素值为所述样本坐标点对应的探空要素值；

合并子模块130，用于将采集到的所述样本坐标点的经纬度、海拔高度、日最低温度、日平均相对湿度、日最大风速、以及探空资料中匹配到的探空温度、探空温度与露点温度的差值，合并作为所述样本坐标点的相关信息；

第二采集子模块140，用于采集多个舞动点信息；

第二匹配子模块150，用于采用最邻近点匹配法，将采集到的舞动点信息与所述样本坐标点的相关信息进行匹配，确定距离所述舞动点信息最近的样本坐标点的相关信息为与所述舞动点信息对应的样本坐标点的相关信息。

第一确定模块200，用于对于任意一个样本坐标点，将采集到的该样本坐标点的相关信息作为预设模型的输入样本要素；

第二确定模块300，用于对于任意一个样本坐标点，依据该样本坐标点的舞动点信息，得到用于表征该样本坐标点是否为舞动点的舞动结果，并将得到的所述舞动结果作为所述预设模型的输出样本要素；其中所述舞动结果包括用于表征该样本坐标点为舞动点的第一结果或用于表征该样本坐标点不是舞动点的第二结果；

样本要素组获得模块400，用于对于任意一个样本坐标点，将该样本坐标点的输入样本要素和输出样本要素进行组合，得到样本要素组，其中所述样本要素组包括该样本坐标点的经纬度、海拔高度、温度、相对湿度、风速、探空资料中的探空温度、探空温度与露点温度的差值、以及舞动结果；

第一选取模块500，用于选取多个样本要素组作为训练样本组；

训练模块600，用于对于每一个训练样本组，以该训练样本组中的输入样本要素作为所述预设模型的输入参数，以该训练样本组中的输出样本要素作为所述预设模型的输出参数，采用预设的处理算法对所述预设模型进行训练，得到训练好的模型。

本发明中，所述预设模型为深度神经网络分类模型，所述深度神经网络分类模型包括输入层、四层隐含层和输出层；其中，所述输入层的节点包括18个，所述输出层的节点包括1个，每个所述隐含层的节点包括30个。

进一步优选地，如图9所示，本发明提供的模型训练装置还可以包括：

第二选取模块700，用于选取多个样本要素组作为测试样本组；

测试模块800，用于对于每一个测试样本组，将该测试样本组中的输入样本要素输入至所述训练好的模型中，获取所述训练好的模型输出的测试结果；

第三确定模块900，用于当依据该测试样本组中的输出样本要素确定所述测试结果的准确度满足预设要求时，确定所述训练好的模型可用；

调整优化模块1000，用于当依据该测试样本组中的输出样本要素确定所述测试结果的准确度不满足预设要求时，对所述训练好的模型进行调整优化。

此时训练模块600还用于，将所述训练样本组重新输入至调整优化后的模型中，采用预设的处理算法对所述调整优化后的模型进行训练。

需要说明的是，本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。对于装置类实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。

最后，还需要说明的是，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。

以上对本发明所提供的一种基于深度学习的多要素导线舞动预警方法及相关装置进行了详细介绍，本文中应用了具体个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。