基于多模态学习的输电线路风险预测模型、方法和系统

本发明涉及人工智能和雷电风险预测，尤其是一种基于多模态学习的输电线路风险预测模型、方法和系统。

背景技术：

1、雷暴天气是自然现象的一种天气现象，近些年来由雷电引发的灾害频繁发生，并呈迅速上升的趋势。雷电对输电线路安全运行危害极大，业内人士多年来也采取了各种方法去预测雷电，进行输电线路的风险预测和评估，但也存在精确度不足的问题。

2、在过去的方法中有提到了利用气象、卫星、雷达和雷电定位系统和线路基本信息、结构信息的数据利用已知的规程法和 egm 模型去预测线路受雷击风险等级；也有提出利用线路基本信息、结构信息，在指定时间段采集雷电参数，通过经验公式计算雷电跳闸率，结合评估指标进行输电线路风险与预测；亦有提出一种卫星云图中雷暴云团的识别方法，将神经网络系统应用于气象云图的监测领域中，加强对于雷暴云团的自动辨识，提升对雷暴云团识别的匹配速度；还有提出提取历史雷电流幅值和和雷达回波强度，雷电定位系统的雷云坐标，结合跳闸概率分布模型预测雷电风险等级。

3、在针对输电线路的雷电风险预测方面，大多采用对多源数据进行简单处理以提取数据特点的方法，再利用经验模型如 egm 模型等等或者经验公式进行预测预警，也有简单的bp 神经网络结合气象数据和雷达回波进行预测。但这些根据推导出的经验公式、模型预测精度、复杂度不够，预测结果并不理想。

技术实现思路

1、为了克服上述现有技术中输电线路受雷击风险等级预测精度低的缺陷，本发明提出了一种基于多模态学习的输电线路风险预测模型，基于现在的计算机技术，可以学习雷电定位、气象数据等的非常复杂的相关性，从而更精确的预测输电线路雷击风险。

2、本发明提出的一种基于多模态学习的输电线路风险预测模型的构建方法，包括以下步骤：

3、s1、分别获取雷电强度分析模块、距离预警模块以及输电线路风险分析模块；雷电强度分析模块基于连续m1个时间点上的环境数据预测下一个时间点上的雷电强度；环境数据包括雷电流幅值i、大气电场强度kv和气象数据；

4、距离预警模块基于输电线路的地理信息、雷电定位信息和下一个时间点上的雷电强度标注输电线路的距离预警等级；距离预警等级用于描述雷电位置和雷电强度对输电线路的雷击风险；

5、输电线路风险分析模块基于下一个时间点上的雷电强度、输电线路的距离预警等级和输电线路的性能信息标注输电线路的风险等级；风险等级越高，表示输电线路在下一次雷击中跳闸或者损坏的概率越高；

6、雷电强度分析模块、距离预警模块以及输电线路风险分析模块通过机器学习获得；

7、s2、组合雷电强度分析模块、距离预警模块以及输电线路风险分析模块构成输电线路风险预测模型；雷电强度分析模块、距离预警模块以及输电线路风险分析模块的输入均连接输电线路风险预测模型的输入，雷电强度分析模块的输出分别连接距离预警模块的输入和输电线路风险分析模块的输入，输电线路风险分析模块的输入也连接距离预警模块的输出，输电线路风险分析模块的输出即为输电线路风险预测模型的输出。

8、优选的，气象数据包括对流有效位能v1、k指数v2、sweat指数v3、si指数v4、850百帕斯卡高度层的温度v5、500百帕斯卡高度层的温度v6、500 百帕斯卡高度层和750 百帕斯卡高度层之间的温度差v7、500 百帕斯卡高度层和750 百帕斯卡高度层之间的风速差v8、500百帕斯卡高度层的风速v9、850百帕斯卡高度层和925百帕斯卡高度层之间的风速差v10、500百帕斯卡高度层和750百帕斯卡高度层之间的风速差v11。

9、优选的，雷电强度分析模块通过构建的第一基础模型对构建的学习样本进行机器学习获得，学习样本包括连续m1个时间点上的环境数据以及第m1+1个时间点上的雷电强度；

10、第一基础模型针对各学习样本，输出第m1+1个时间点上的雷电强度概率分布p(1)，其中最大概率对应的雷电强度为雷电强度预测值；

11、第一基础模型学习过程中采用的损失函数为：

12、交叉熵损失= -log2(雷电强度真实值对应的预测概率)。

13、优选的，第一基础模型包括输入层、残差网络模块、第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层；

14、残差网络模块包括多个tcn模块，每一个tcn模块包括：第一tcn网络、第二tcn网络、第三激活层、第四激活层、卷积层和输出端；

15、多个tcn模块顺序连接，第一激活函数、第一线性变换层、第二激活函数、第二线性变换层和输出层顺序连接；第一个tcn模块的输入连接输入层的输出，最后一个tcn模块的输出端连接第一激活函数的输入端；输入层的输入为第一基础模型的输入，输出层的输入还连接输入层的输出；输出层的输出为第一基础模型的输出；

16、输入层对获取的样本数据线性处理后分别输入到第一tcn网络和第二tcn网络，第一tcn网络处理后的数据通过第三激活层激活后输出，第二tcn网络处理后的数据通过第四激活层激活后输出；卷积层的输入为第三激活层输出的向量与第四激活层输出的向量的乘积；卷积层输出的数据向量结构为(k1-扩张因子)×k2；k1为输入层输入的样本数量，即输入层输入数据的时间点数量；k2为每一个样本的数据维度，即每一个时间点上的样本的数据维度；输入层输入的数据结构为k1×k2；

17、输出端将卷积层输出的数据向量中各元素与输入层输出的数据向量中对应元素相加后作为特征向量输出；每一个tcn模块的扩张因子为上一个tcn模块的扩张因子的两倍；

18、最后一个tcn模块输出的特征向量即为残差网络模块的输出，残差网络模块的输出通过第一激活函数激活后再经过第一线性变换层线性处理；第一线性变换层的输出经过第二激活函数激活后再经过第二线性变换层线性处理；输出层基于第二线性变换层的输出生成雷电强度分布概率，雷电强度分布概率即为第一基础模型的输出，雷电强度分布概率用于描述下一个时间点上雷电强度对应各个强度等级的概率，且概率之和为1。

19、优选的，第一激活函数和第二激活函数相同；第三激活层和第四激活层的激活函数相异。

20、优选的，距离预警模块基于聚类算法构建，距离预警模块用于对输入的分类样本进行聚类，每一个类别对应一个距离预警等级；距离预警模块采用cf-tree聚类算法；分类样本包括输电线路的经度h(lo)、纬度h(la)、高程差h(ldiff)、海拔h(li)和坡度h(ls)，还包括待预测时间点上的雷电强度lv、待预测时间点往前最近m1个时间点上雷电的经度均值avh(o)以及待预测时间点往前最近m1个时间点上雷电的维度均值avh(a)。

21、优选的，输电线路风险分析模块的获取包括以下步骤：

22、sc1、获取多个风险标注样本，各风险标注样本均标注有风险等级；风险标注样本包括雷电强度、雷电预警等级以及输电线路的绕击耐雷水平i(o)、最大绕击电流i(max)和反击耐雷性能i(σ)；

23、sc2、基于聚类算法构建输电线路风险分析模块，指定聚类算法的簇数量为风险等级数量；

24、sc3、令聚类算法对风险标注样本进行聚类；

25、sc4、判断同一个簇中的风险标注样本的风险等级是否一致；否，则对输电线路风险分析模块进行参数迭代，然后返回步骤sc3；是，则固定输电线路风险分析模块，并标注各簇的输电线路风险等级，簇的输电线路风险等级即为簇内各风险标注样本的风险等级。

26、优选的，风险标注样本的风险等级的标注方式为：构建风险等级因子与风险等级的映射关系，结合各风险标注样本的历史数据计算风险等级因子，然后获取风险等级因子对应的风险等级作为风险标注样本的风险等级；

27、风险等级因子p=a×线路跳闸率+（1-a)×线路损坏率

28、其中，a为设定值，0<a<1。

29、本发明提出的一种构建方法的基于多模态学习的输电线路风险预测方法，包括以下步骤：

30、st1、获取采集数据并输入输电线路风险预测模型；采集数据包括最近m1个时间点上的雷电定位数据、大气电场数据kv和气象数据v1-v11，还包括输电线路的地理信息和性能信息；雷电定位数据包括雷电流幅值i、雷电定位经度h(o)和雷电定位纬度h(a)；

31、st2、构建时间序列x1，时间序列x1包括目标区域内最近m1个时间点上的雷电电流i、大气电场kv和气象数据v1-v11；

32、st3、雷电强度分析模块基于时间序列x1预测下一个时间点上的雷电强度lv；

33、st4、结合雷电强度lv和采集数据构建距离预警样本x2；距离预警样本x2包括：输电线路的地理信息、雷电强度lv以及最近m1个时间点上雷电的中心点；所述中心点的经度为最近m1个时间点上雷电定位经度h(o)的均值，所述中心点的纬度为最近m1个时间点上雷电定位经度h(a)的均值；

34、st5、距离预警样本x2输入距离预警模块，距离预警模块对距离预警样本x2进行归类，获取距离预警样本x2所在簇的距离预警等级dv；

35、st6、构建风险评估样本x3，风险评估样本x3包括雷电强度lv距离预警等级dv以及输电线路的性能信息；输电线路的性能信息包括绕击耐雷水平i(o)、最大绕击电流i(max)和反击耐雷性能i(σ)；

36、st7、将风险评估样本x3输入输电线路风险分析模块，输电线路风险分析模块对风险评估样本x3进行归类，获取风险评估样本x3所在簇的风险等级作为输电线路风险评估结果。

37、本发明提出的一种基于多模态学习的输电线路风险预测系统，包括存储器和处理器，存储器中存储有计算机程序，处理器与存储器连接，处理器用于执行所述计算机程序以实现所述的基于多模态学习的输电线路风险预测方法。

38、本发明的优点在于：

39、（1）本发明提出的一种基于多模态学习的输电线路风险预测模型的构建方法，首先分别构建雷电强度分析模块、距离预警模块以及输电线路风险分析模块，雷电强度分析模块对下一个时间点上的雷电强度进行预测，距离预警模块用于对下一个时间点上的雷击距离进行预测，输电线路风险分析模块结合下一个时间点上的雷电强度、距离预警等级和输电线路性能预测输电线路受雷击的风险等级。本发明在风险预测时，实现了多维度多模态数据的融合，且雷电强度分析模块和距离预警模块相互独立，分别对部分采集数据进行处理，避免了数据过渡拟合、干扰，从而实现了多模态数据的有益融合，提高了雷电风险预测的精度。

40、（2）本发明还给出了一种雷电强度分析模块的网络结构和训练方法，该雷电强度分析模块对输入数据进行多重线性处理，大大提高了雷电强度的预测精度。

41、（3）本发明中距离预警模块和输电线路风险分析模块均基于聚类算法构建，大大提高了计算速度和效率。