本发明属于电网安全，尤其涉及一种基于输电线图像和微气象的覆冰厚度预测方法和系统。
背景技术：
1、冰灾是电力系统中最常见的灾害之一，它会导致输电线路覆盖冰层，增加线路的负荷，从而引发冰闪跳闸、导线舞动和倒塔断线等事故。在严重情况下，这些事故会严重威胁电网的安全稳定运行和供电系统的可靠性，限制了电力系统的建设和发展。为了有效减少冰灾造成的电网大面积瘫痪所带来的损失，我们需要预测输电线路将来的覆冰情况，以便及时采取有效的融冰措施。这样可以保障电力系统的运行安全。因此，解决如何准确进行覆冰厚度预测这一挑战和任务至关重要。
2、目前已经存在一些输电线当前时刻覆冰厚度评估方法，比如专利cn202211295413.8，cn202110929313.5和cn201911102567.9。也已经存在一些输电线未来某时刻的覆冰厚度预测方法，比如专利cn202211221123.9利用温度、降雨量、风速、相对湿度以及倾角来进行覆冰厚度预测；专利cn202111578114.0根据历史覆冰厚度数据来进行覆冰厚度预测；专利cn202011490496.7给出了考虑太阳辐射消融的输电线路覆冰厚度预测方法；专利cn202010799590.4利用未来时刻的气象数据来进行覆冰厚度预测；专利cn201811416279.6结合lstm模型与attention注意力机制对微气象、气象预报信息和输电线路覆冰厚度信息进行拟合，结合微气象信息和天气预报信息对输电线路覆冰厚度进行预测；专利cn202211582741.6利用了历史拉力、微气象、覆冰厚度等信息来进行覆冰厚度预测；专利cn202011140209.x利用了历史气象要素数据及其对应的覆冰厚度数据来进行将来覆冰厚度预测。
3、目前的输电线未来某时刻的覆冰厚度预测方法，存在以下不足：首先是没有同时全面利用历史气象序列数据、待预测时刻气象数据、历史覆冰厚度序列数据，因此存在预测精度可提升空间；其次，在很多应用场景中是无法直接获取历史覆冰厚度序列数据的。
技术实现思路
1、本发明实施例的目的在于提供一种基于输电线图像和微气象的覆冰厚度预测方法和系统，旨在解决背景技术中所提及的现有技术所存在的技术问题。
2、本发明实施例是这样实现的，基于输电线图像和微气象的覆冰厚度预测方法，所述方法包括：获取设定历史周期内的输电线图片序列，输入至训练好的深度学习模型中，识别得到与所述输电线图片序列对应的覆冰厚度序列；将所述覆冰厚度序列输入至训练好的第一bp神经网络模型中，输出得到待预测时刻的覆冰厚度值a；分别获取预设时间段内和待预测时刻的输电线路处的微气象数据，将所述微气象数据输入已训练好的第二bp神经网络模型中，输出待预测时刻的覆冰厚度值b；以覆冰厚度值a和覆冰厚度值b的平均值作为待预测时刻的覆冰厚度。
3、本发明实施例的另一目的在于提供一种基于输电线图像和微气象的覆冰厚度预测系统，所述系统包括：厚度识别模块，用于获取设定历史周期内的输电线图片序列，输入至训练好的深度学习模型中，识别得到与所述输电线图片序列对应的覆冰厚度序列；第一预测模块，用于将所述覆冰厚度序列输入至训练好的第一bp神经网络模型中，输出得到待预测时刻的覆冰厚度值a；第二预测模块，用于分别获取预设时间段内和待预测时刻的输电线路处的微气象数据，将所述微气象数据输入已训练好的第二bp神经网络模型中，输出待预测时刻的覆冰厚度值b；结果计算模块，用于以覆冰厚度值a和覆冰厚度值b的平均值作为待预测时刻的覆冰厚度。
4、本发明实施例的有益效果是，利用深度神经网络基于所拍摄图像来评估过往的覆冰情况，解决覆冰预测问题中的过往覆冰情况获取问题；同时考虑了历史气象序列数据、待预测时刻气象数据、历史覆冰厚度序列数据这3维数据，通过训练捕捉导多个气象因素及历史覆冰情况对将来覆冰厚度的影响，更全面地利用影响覆冰厚度的因素，提高了预测的准确性；通过两路bp神经网络模型的预测结果进行求平均值，得到最终的覆冰厚度预测结果，这样能够综合利用气象数据和历史覆冰情况，减少预测误差，提高预测结果的可靠性。
1.基于输电线图像和微气象的覆冰厚度预测方法，其特征在于，所述方法包括：获取设定历史周期内的输电线图片序列，输入至训练好的深度学习模型中，识别得到与所述输电线图片序列对应的覆冰厚度序列；将所述覆冰厚度序列输入至训练好的第一bp神经网络模型中，输出得到待预测时刻的覆冰厚度值a；分别获取预设时间段内和待预测时刻的输电线路处的微气象数据，将所述微气象数据输入已训练好的第二bp神经网络模型中，输出待预测时刻的覆冰厚度值b；以覆冰厚度值a和覆冰厚度值b的平均值作为待预测时刻的覆冰厚度。
2.根据权利要求1所述的方法，其特征在于，所述输电线路处的微气象数据至少包括风速、风向、气温、湿度、气压和降雨量。
3.根据权利要求1所述的方法，其特征在于，所述第一bp神经网络模型包括输入层、隐藏层和单节点输出层，输入层神经元与隐藏层神经元之间相互全连接，隐藏层神经元与输出层神经元之间相互全连接；根据输入节点和输出节点个数确定隐藏层节点数的范围，并最终确定出隐藏节点。
4.根据权利要求1或3所述的方法，其特征在于，所述第一bp神经网络模型通过样本训练得到，每个所述样本均以设定历史周期内的覆冰厚度序列为特征，以与对应的待预测时长后的输电线覆冰厚度为标签。
5.根据权利要求1所述的方法，其特征在于，所述第二bp神经网络模型包括输入层、隐藏层和单节点输出层，输入层神经元与隐藏层神经元之间相互全连接，隐藏层神经元与输出层神经元之间相互全连接；根据输入节点和输出节点个数确定隐藏层节点数的范围，并最终确定出隐藏节点。
6.根据权利要求1或5所述的方法，其特征在于，所述第二bp神经网络模型通过样本训练得到，每个所述样本均以预设时间段内的输电线路处的微气象数据以及对应的待预测时刻的微气象数据为特征，以与对应的待预测时刻的输电线覆冰厚度为标签。
7.根据权利要求1所述的方法，其特征在于，所述深度学习模型为resnet回归网络，其训练通过输电线覆冰图片样本集来进行。
8.基于输电线图像和微气象的覆冰厚度预测系统，其特征在于，所述系统包括：厚度识别模块，用于获取设定历史周期内的输电线图片序列，输入至训练好的深度学习模型中，识别得到与所述输电线图片序列对应的覆冰厚度序列；第一预测模块，用于将所述覆冰厚度序列输入至训练好的第一bp神经网络模型中，输出得到待预测时刻的覆冰厚度值a；第二预测模块，用于分别获取预设时间段内和待预测时刻的输电线路处的微气象数据，将所述微气象数据输入已训练好的第二bp神经网络模型中，输出待预测时刻的覆冰厚度值b；结果计算模块，用于以覆冰厚度值a和覆冰厚度值b的平均值作为待预测时刻的覆冰厚度。
