一种小动物威胁等级分布预测方法与流程

1.本发明涉及储能站安全的技术领域，更具体地，涉及一种小动物威胁等级分布预测方法。


背景技术：

2.新世纪以来，在国家对环境保护的重视及民众生态环保意识的不断增强，伴随着一系列具体的生态环境保护相关法案和措施落地，中国的生态环境发生了显著的改善。与此同时，环境改善造成的小动物数量的激增、活动范围及频率的扩大也越来越严重的威胁到了电力设备的安全运行。
3.储能站作为中国电网系统重要的一环，储能站无人值守，距离人类聚集地较远，是小动物们活动的高频地区。现有的针对储能站小动物种类和分布的研究较少，且工作人员对小动物的了解不足，预防大多凭主观经验，缺乏科学的参考依据及数据作为支撑，且此经验具有不可复制性，无法统一标准，无法规模化，系统化预防，对其他储能站不具有参考意义。
4.现有技术公开了一种基于多源数据的输电线路鸟类分布预测方法，通过收集典型输电样线区域的生境信息和涉害鸟类分布信息等多源数据，然后对多源数据进行预处理，然后通过多元回归分析经过鸟类分布特征与经过预处理后的数据集之间的关系，再构建预测模型，模型能够有效地预测出待测样线的鸟类分布信息，从而指导运维人员进行鸟害防治、防鸟装置的合理安装，优化鸟害防治效果，然而该方案中，仅适用于鸟类的分布预测，仅防治鸟害而无法对除鸟类的小动物进行预测，且通过随机森林对得到的数据进行训练，然后根据训练结果进行涉害鸟类分布预测模型的构建，计算繁琐，计算量大。


技术实现要素：

5.本发明的目的在于克服现有技术的不足，提供一种小动物威胁等级分布预测方法，具备可靠性和科学性，简化了计算过程，可应用于各储能站的小动物防治工作中，为储能站建设和安装防小动物装置提供科学指导依据，为新建储能站的选址工作提供有力数据支撑。
6.为解决上述技术问题，本发明采用的技术方案是：
7.提供一种小动物威胁等级分布预测方法，包括以下步骤：
8.s1：收集典型储能站区域的生态信息和涉害小动物的分布信息，并构建数据集；s2：对所述数据集进行皮尔逊相关性分析，得到影响小动物活动的典型因素；
9.s3：通过长短时记忆神经网络算法对步骤s2得到的数据进行训练，构建小动物威胁等级分布预测模型；
10.s4：对所述小动物威胁等级分布预测模型进行优化。
11.本发明的小动物威胁等级分布预测方法，通过收集典型储能站区域的生态信息和涉害小动物的分布信息，利用通过皮尔逊相关性分析得到的影响小动物活动的典型因素进
行长短时记忆神经网络训练，简化了计算过程，计算量小，构建小动物威胁等级分布预测模型，模型具备实用性、科学性和可靠性，可应用于各储能站的小动物防治工作中，从而对储能站小动物预防装置的选择和安放位置提供科学指导依据，优化预防效果，极大降低储能站的安全风险，对保证电力系统的稳定运行具有重要意义。
12.优选地，步骤s1中，所述典型储能站区域的生态信息包括储能站所属区域在不同季节、不同时期的生态信息及人类活动信息。
13.优选地，所述储能站区域在不同季节、不同时期的生态信息及人类活动信息包括储能站所处的地形地貌、周边人类活动信息、周边制备种类、周边植被密度、周边水域分布情况、还把高度、维度信息、各季节平均温度信息、各季节平均湿度信息、各季节的平均日照强度信息。以上数据可以结合储能站的运维数据、实地考察的方式、周边走访的方式、相关农业站或生物所协助等方式获取。需要说明的是，被考察的各个储能站所处环境应尽可能不同，使得获取的各种环境信息特征能够尽可能明显差异化，保证收集到的储能站的地理特征，气候特征，环境信息和涉害小动物种类能尽可能涵盖常见类型，使得本实施例的小动物威胁等级分布预测方法具有足够普适性。本发明能够充分考虑到储能所不同季节不同地域不同环境造成的影响差异，具备实用性。
14.优选地，步骤s1中，构建数据集前，对收集的数据进行预处理，具体包括：
15.s11：对多余或无意义的字符和符号进行删除或更替；
16.s12：利用插补法或求平均值法对缺失值进行处理；
17.s13：将数据按经纬度排列，对邻近经纬度的数据出现大于10％偏差值的数据进行删除处理。
18.优选地，步骤s2中，对数据集进行皮尔逊相关性分析时，采用独立成分分析进行特征提取，在特征选择中，从特征集中挑选出最具有相关性和意义的特征子集，即与储能站小动物威胁等级分布的预测具有强关联性的特征，确定最终的数据特征集，进行onehot编码，进行最后归一化处理。
19.优选地，步骤s3中，构建小动物威胁等级分布预测模型的过程包括：
20.s31：将步骤s2中得到的影响小动物活动的典型因素作为原始数据集，将原始数据分割成训练集和测试集；
21.s32：对训练集进行随机抽样；
22.s33：对抽取的训练集进行数据训练，构建小动物威胁等级分布预测模型。
23.步骤s31中，取原始数据中80％的数据作为训练集，剩余的29％作为测试集，步骤s33中，将植被、温度、湿度、纬度等信息作为小动物威胁等级分布预测模型的输入，输出小动物威胁等级分布。
24.基础的rnn模型在产生最后输出值和之前关联的步骤会有一定的现在，容易在传递过程中梯度消失或梯度爆炸，长短时记忆神经网络模型是一个能够经理较长关联的模型，长短时记忆神经网络存在一个长时记忆、输入门、输出门和遗忘门，通过对三个门来进行记忆修改，步骤s3中，长短时记忆神经网络算法的具体计算过程如下：
25.i
t
＝σ(wi[h
t-1
；w
t
]+bi)
[0026]ft
＝σ(wf[h
t-1
；w
t
]+bf)
[0027]ot
＝σ(wo[h
t-1
；w
t
]+bo)
[0028]gt
＝tanh(wc[h
t-1
；w
t
]+bc)
[0029]ci
＝i
t
⊙gt
+f
t
⊙ct-1
[0030]ht
＝o
t
⊙
tanh(c
t
)
[0031]
式中：i
t
、o
t
、f
t
、c
t
分别表示t时刻的输入门、输出门、遗忘门以及记忆细胞的信息状态；wf、wi、wo、wc分别遗忘门、输入门、输出门以及记忆单元的状态；bf、bi、bo、bc分别表示遗忘门、输入门、输出门以及记忆单元的lstm的相应偏置；g为记忆单元候选值；c为记忆单元状态更新、h为输出、
⊙
为点乘。
[0032]
优选地，步骤s5中，利用参数优化算法对所述小动物威胁等级分布预测模型进行优化。
[0033]
优选地，步骤s5中，通过粒子群算法进行优化，提高预测模型的预测精度，通过均方误差和平均绝对误差比较小动物威胁等级分布预测模型优化前后的输出精确度。
[0034]
优选地，均方误差用于判断数据的变化程度，平均绝对误差用于判断预测值和比较值之间的绝对误差平均值，其中，误差值越小，模型的优化效果越好，均方误差mse和平均绝对误差mae的计算如下：
[0035][0036][0037]
式中，n表示训练集的样本数；表示预测值；yi表示真实值。
[0038]
本发明的小动物威胁等级分布预测模型精度高，可应用于各储能站的小动物防治工作中，为储能站建设和安装防小动物装置提供科学指导依据。
[0039]
本发明的小动物威胁等级分布预测方法与背景技术相比，产生的有益效果为：
[0040]
具备可靠性和科学性，简化了计算过程，可应用于各储能站的小动物防治工作中，为储能站建设和安装防小动物装置提供科学指导依据，为新建储能站的选址工作提供有力数据支撑。
附图说明
[0041]
图1为本发明实施例一中小动物威胁分布等级预测方法的流程图；
[0042]
图2为本发明实施例一中对收集的数据进行预处理的流程图；
[0043]
图3为本发明实施例二中构建小动物威胁等级分布预测模型的流程图。
具体实施方式
[0044]
下面结合具体实施方式对本发明作进一步的说明。附图仅用于示例性说明，表示的仅是示意图，而非实物图，不能理解为对本专利的限制；为了更好地说明本发明的实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；对本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
[0045]
实施例一
[0046]
一种小动物威胁等级分布预测方法，如图1所示，包括以下步骤：
[0047]
s1：收集典型储能站区域的生态信息和涉害小动物的分布信息，并构建数据集；
[0048]
s2：对数据集进行皮尔逊相关性分析，得到影响小动物活动的典型因素；
[0049]
s3：通过长短时记忆神经网络算法对步骤s2得到的数据进行训练，构建小动物威胁等级分布预测模型；
[0050]
s4：对小动物威胁等级分布预测模型进行优化。
[0051]
上述的小动物威胁等级分布预测方法，通过收集典型储能站区域的生态信息和涉害小动物的分布信息，利用通过皮尔逊相关性分析得到的影响小动物活动的典型因素进行长短时记忆神经网络训练，简化了计算过程，计算量小，构建小动物威胁等级分布预测模型，模型具备实用性、科学性和可靠性，可应用于各储能站的小动物防治工作中，从而对储能站小动物预防装置的选择和安放位置提供科学指导依据，优化预防效果，极大降低储能站的安全风险，对保证电力系统的稳定运行具有重要意义。
[0052]
步骤s1中，典型储能站区域的生态信息包括储能站所属区域在不同季节、不同时期的生态信息及人类活动信息。
[0053]
储能站区域在不同季节、不同时期的生态信息及人类活动信息包括储能站所处的地形地貌、周边人类活动信息、周边制备种类、周边植被密度、周边水域分布情况、还把高度、维度信息、各季节平均温度信息、各季节平均湿度信息、各季节的平均日照强度信息。以上数据可以结合储能站的运维数据、实地考察的方式、周边走访的方式、相关农业站或生物所协助等方式获取。需要说明的是，被考察的各个储能站所处环境应尽可能不同，使得获取的各种环境信息特征能够尽可能明显差异化，保证收集到的储能站的地理特征，气候特征，环境信息和涉害小动物种类能尽可能涵盖常见类型，使得本实施例的小动物威胁等级分布预测方法具有足够普适性。本实施例中，能够充分考虑到储能所不同季节不同地域不同环境造成的影响差异，具备实用性。
[0054]
步骤s1中，构建数据集前，如图2所示，对收集的数据进行预处理包括：
[0055]
s11：对多余或无意义的字符和符号进行删除或更替；
[0056]
s12：利用插补法或求平均值法对缺失值进行处理；
[0057]
s13：将数据按经纬度排列，对邻近经纬度的数据出现大于10％偏差值的数据进行删除处理。
[0058]
步骤s2中，对数据集进行皮尔逊相关性分析时，采用独立成分分析进行特征提取，在特征选择中，从特征集中挑选出最具有相关性和意义的特征子集，即与储能站小动物威胁等级分布的预测具有强关联性的特征，确定最终的数据特征集，进行onehot编码，进行最后归一化处理。
[0059]
实施例二
[0060]
本实施例与实施例一类似，所不同之处在于，如图3所示，构建小动物威胁等级分布预测模型的过程包括：
[0061]
s31：将步骤s2中得到的影响小动物活动的典型因素作为原始数据集，将原始数据分割成训练集和测试集；
[0062]
s32：对训练集进行随机抽样；
[0063]
s33：对抽取的训练集进行数据训练，构建小动物威胁等级分布预测模型。
[0064]
具体地，步骤s31中，取原始数据中80％的数据作为训练集，剩余的29％作为测试集，步骤s33中，将植被、温度、湿度、纬度等信息作为小动物威胁等级分布预测模型的输入，输出小动物威胁等级分布。
[0065]
基础的rnn模型在产生最后输出值和之前关联的步骤会有一定的现在，容易在传递过程中梯度消失或梯度爆炸，长短时记忆神经网络模型是一个能够经理较长关联的模型，长短时记忆神经网络存在一个长时记忆、输入门、输出门和遗忘门，通过对三个门来进行记忆修改，长短时记忆神经网络算法的具体计算过程如下：
[0066]it
＝σ(wi[h
t-1
；w
t
]+bi)
[0067]ft
＝σ(wf[h
t-1
；w
t
]+bf)
[0068]ot
＝σ(wo[h
t-1
；w
t
]+bo)
[0069]gt
＝tanh(wc[h
t-1
；w
t
]+bc)
[0070]ci
＝i
t
⊙gt
+f
t
⊙ct-1
[0071]ht
＝o
t
⊙
tanh(c
t
)
[0072]
式中：i
t
、o
t
、f
t
、c
t
分别表示t时刻的输入门、输出门、遗忘门以及记忆细胞的信息状态；wf、wi、wo、wc分别遗忘门、输入门、输出门以及记忆单元的状态；bf、bi、bo、bc分别表示遗忘门、输入门、输出门以及记忆单元的lstm的相应偏置；g为记忆单元候选值；c为记忆单元状态更新、h为输出、
⊙
为点乘。
[0073]
长短时记忆神经网络模型进行特征提取的同时，还能基于自身多个门的合理规划，解决由多层神经网络参数传递导致的梯度消失和梯度爆炸等问题。
[0074]
本实施例中，采用机器学习，神经网络，数理统计等人工智能领域相关算法，通过数据采集与挖掘，模型训练，构建并得到小动物威胁等级分布预测模型，具备科学性。
[0075]
实施例三
[0076]
本实施例与实施例二类似，所不同之处在于，步骤s5中，利用参数优化算法对所述小动物威胁等级分布预测模型进行优化。
[0077]
本实施例通过粒子群算法进行优化，提高预测模型的预测精度，通过均方误差和平均绝对误差比较小动物威胁等级分布预测模型优化前后的输出精确度。
[0078]
均方误差用于判断数据的变化程度，平均绝对误差用于判断预测值和比较值之间的绝对误差平均值，其中，误差值越小，模型的优化效果越好，具体地，均方误差mse和平均绝对误差mae的计算如下：
[0079][0080][0081]
式中，n表示训练集的样本数；表示预测值；yi表示真实值。
[0082]
本实施例的小动物威胁等级分布预测模型可应用于各储能站的小动物防止工作中，为储能站建设和安装防小动物装置提供科学指导依据，为新建储能站的选址工作提供有力数据支撑。
[0083]
在上述具体实施方式的具体内容中，各技术特征可以进行任意不矛盾的组合，为使描述简洁，未对上述各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0084]
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。