本發(fā)明涉及導線溫度預測，尤其涉及一種基于輸電線路的導線溫度預測方法、裝置、終端設備及存儲介質(zhì)。

背景技術：

1、導線作為輸電線路最主要的部件之一，它要滿足線路的主要功能——輸送電能的要求，同時要安全可靠地運行。導線的電阻會隨溫度的變化而變化，進而影響電流傳輸?shù)男?。在高溫下，導線電阻增加，電流傳輸效率降低，可能導致導線過熱甚至引發(fā)火災。通過預測導線表面溫度，可以提前發(fā)現(xiàn)導線過熱或過載的趨勢，從而及時采取相應的措施，如調(diào)整導線負載、增加散熱措施等，以避免導線損壞或事故發(fā)生，有助于保障電網(wǎng)的安全運行。

2、在現(xiàn)有技術中，溫度預測通常直接基于原始溫度數(shù)據(jù)進行，而溫度數(shù)據(jù)往往具有復雜的非線性特征和多種影響因素，如周期性波動以及隨機噪聲等，而這些因素使得直接對原始溫度數(shù)據(jù)進行預測變得困難，則由于溫度數(shù)據(jù)的復雜性和不確定性，直接對原始數(shù)據(jù)進行預測往往會難以準確捕捉其變化趨勢和特征，導致預測結果與實際值之間存在較大的偏差，則不能得到準確的溫度預測結果，從而不能及時采取相應的導線保護措施，無法保障電網(wǎng)線路的安全運行。

技術實現(xiàn)思路

1、本發(fā)明實施例提供了一種基于輸電線路的導線溫度預測方法、裝置、終端設備及存儲介質(zhì)，能夠?qū)囟刃盘柗纸鉃槿舾蓚€不同頻率的待預測子信號，并對每個子信號進行獨立的預測處理，可以更精確地捕捉溫度的變化趨勢和特征，提高了溫度的預測精度，能有效解決現(xiàn)有技術中由于直接對原始數(shù)據(jù)進行預測，導致預測結果與實際值之間存在較大的偏差的問題。

2、本發(fā)明一實施例提供了一種基于輸電線路的導線溫度預測方法，包括：

3、獲取導線在預設時段對應的若干個溫度信號；其中，所述預設時段為在當前時刻之前的時段；

4、將每一溫度信號分解為若干個不同頻率的待預測子信號；

5、對于每一待預測子信號，將待預測子信號輸入到預設的導線溫度預測模型中，以使所述導線溫度預測模型根據(jù)所述待預測子信號中的頻譜特征、用于表征溫度信號分布情況的統(tǒng)計特征以及用于表征溫度隨時間變化的周期特征，生成待預測子信號對應的預測子信號；

6、將各個預測子信號進行重構，生成當前時刻對應的預測溫度信號；

7、其中，所述導線溫度預測模型的訓練過程為：

8、以各個時間段的子信號樣本數(shù)據(jù)為輸入，以樣本數(shù)據(jù)中各子信號對應的實際預測子信號為輸出，對待訓練的導線溫度預測模型進行迭代訓練，直至模型收斂，生成預設的導線溫度預測模型。

9、優(yōu)選地，所述將每一溫度信號分解為若干個不同頻率的待預測子信號，包括：

10、將每一溫度信號分解為對應的子信號；

11、對于每一子信號，基于希爾伯特變換得到每一子信號對應的頻率；

12、對于每一子信號，獲取對應的溫度信號的解調(diào)信號，并根據(jù)所述解調(diào)信號的梯度范數(shù)以及子信號對應的頻率，生成子信號對應的帶寬；

13、根據(jù)各個子信號的帶寬，建立以帶寬之和最小為目標的目標函數(shù)；其中，所述目標函數(shù)包括：子信號的頻率約束；

14、在所述頻率約束下，通過增廣拉格朗日乘子法與交替方向乘子法對所述目標函數(shù)進行求解，在各個待預測子信號的帶寬之和最小時，生成若干個不同頻率的待預測子信號；

15、其中，所述頻率約束為：各個待預測子信號的頻率之和等于一溫度信號的原始頻率。

16、優(yōu)選地，在根據(jù)所述解調(diào)信號的梯度范數(shù)以及子信號對應的頻率生成子信號對應的帶寬之前，還包括:

17、將混合算子應用于子信號的頻率調(diào)整過程中，得到子信號調(diào)整后的頻率；

18、其中，根據(jù)如下公式計算得到子信號調(diào)整后的頻率：

19、fum(t)＝[δ(t)+j/πt)*um(t)]ejwnt；

20、式中，fum(t)為子信號調(diào)整后的頻率，δ(t)為狄拉克分布函數(shù)，um(t)為子信號調(diào)整之前的頻率，ejwnt為混合算子。

21、優(yōu)選地，所述目標函數(shù)對應的公式為：

22、

23、其中，bum(t)為第m個子信號的帶寬，k為待預測子信號對應的預設個數(shù)；um(t)子信號調(diào)整之前的頻率，s為一溫度信號的原始頻率，表示對子信號調(diào)整后的頻率進行求偏導。

24、優(yōu)選地，所述導線溫度預測模型由transformer模型組成；其中，所述transformer模型中的解碼模塊由lstm神經(jīng)網(wǎng)絡組成；

25、所述待預測子信號對應的預測子信號的生成過程，包括：

26、將待預測子信號輸入到預設的導線溫度預測模型中，以使所述transformer模型對各個待預測子信號進行位置編碼，繼而將經(jīng)過位置編碼的各個待預測子信號進行比對，并根據(jù)比對結果生成每個待預測子信號的用于表征位置相關性的注意力權重；

27、將每個待預測子信號的注意力權重輸入到所述transformer模型中，以使所述transformer模型根據(jù)各個待預測子信號的注意力權重，提取待預測子信號中的頻譜特征、用于表征溫度信號分布情況的統(tǒng)計特征以及用于表征溫度隨時間變化的周期特征；

28、將待預測子信號的頻譜特征、統(tǒng)計特征以及周期特征輸入到lstm神經(jīng)網(wǎng)絡中，以使所述lstm神經(jīng)網(wǎng)絡根據(jù)所述頻譜特征、統(tǒng)計特征以及周期特征，捕獲到待預測子信號中的上下文依賴關系，繼而根據(jù)所述上下文依賴關系生成待預測子信號對應的預測子信號。

29、優(yōu)選地，所述lstm神經(jīng)網(wǎng)絡包括遺忘門、輸入門和輸出門；

30、所述lstm神經(jīng)網(wǎng)絡根據(jù)所述頻譜特征、統(tǒng)計特征以及周期特征，捕獲到待預測子信號中的上下文依賴關系，包括：

31、將所述頻譜特征、統(tǒng)計特征以及周期特征分別轉(zhuǎn)化為數(shù)值形式的特征，并將各個特征進行組合為初始的詞向量矩陣；

32、將初始的隱藏狀態(tài)作為當前時間步的隱藏狀態(tài)；其中，所述隱藏狀態(tài)用于表征lstm神經(jīng)網(wǎng)絡當前所捕獲的上下文依賴關系；

33、將初始的詞向量矩陣作為當前時間步的詞向量矩陣；

34、重復執(zhí)行以下的上下文依賴關系生成操作，直至達到預設的迭代次數(shù)，生成待預測子信號中的上下文依賴關系：

35、將當前時間步的詞向量矩陣以及當前時間步的隱藏狀態(tài)輸入到lstm神經(jīng)網(wǎng)絡的遺忘門中，以使所述遺忘門通過矩陣乘法以及偏置的加權和，對詞向量矩陣以及隱藏狀態(tài)進行處理，生成詞向量矩陣對應的用于遺忘特征的遺忘因子；

36、將當前時間步的詞向量矩陣以及當前時間步的隱藏狀態(tài)輸入到lstm神經(jīng)網(wǎng)絡的輸入門中，以使所述輸入門通過sigmoid激活函數(shù)對詞向量矩陣以及隱藏狀態(tài)進行處理，生成用于保留特征的更新因子。

37、將當前時間步的詞向量矩陣以及當前時間步的隱藏狀態(tài)輸入到lstm神經(jīng)網(wǎng)絡的輸出門中，以使所述輸出門通過激活函數(shù)對當前時間步的詞向量矩陣以及當前時間步的隱藏狀態(tài)進行處理，生成用于輸出特征的輸出因子；

38、將所述遺忘因子與當前時間步的詞向量矩陣相乘，生成待遺忘的向量特征；繼而將所述更新因子與當前時間步的詞向量矩陣相乘，生成待更新的向量特征；

39、根據(jù)所述待遺忘的向量特征以及待更新的向量特征，生成更新后的詞向量矩陣；

40、將更新后的詞向量矩陣輸入到輸出門，以使所述輸出門根據(jù)所述輸出因子以及更新后的詞向量矩陣，生成更新后的隱藏狀態(tài)；

41、在判定未達到預設的迭代次數(shù)時，將更新后的詞向量矩陣作為下一次執(zhí)行上下文依賴關系生成操作的當前時間步的詞向量矩陣，并將更新后的隱藏狀態(tài)作為下一次執(zhí)行上下文依賴關系生成操作的當前時間步的隱藏狀態(tài)。

42、優(yōu)選地，在對待訓練的導線溫度預測模型進行迭代訓練時，還包括：

43、在每次訓練時，將一子信號樣本數(shù)據(jù)輸入到導線溫度預測模型中，以使所述導線溫度預測模型根據(jù)子信號樣本數(shù)據(jù)中的頻譜特征、用于表征溫度信號分布情況的統(tǒng)計特征以及用于表征溫度隨時間變化的周期特征，生成子信號樣本數(shù)據(jù)所對應的子信號預測結果；

44、將子信號預測結果與實際的子信號結果進行比對，根據(jù)比對結果對導線溫度預測模型的網(wǎng)絡參數(shù)進行調(diào)整。

45、在上述的方法實施例的基礎上，本發(fā)明對應提供了裝置項實施例。

46、本發(fā)明一實施例提供了一種基于輸電線路的導線溫度預測裝置，包括：溫度信號獲取模塊、子信號分解模塊、子信號預測模塊以及溫度信號預測模塊；

47、所述溫度信號獲取模塊，用于獲取導線在預設時段對應的若干個溫度信號；其中，所述預設時段為在當前時刻之前的時段；

48、所述子信號分解模塊，用于將每一溫度信號分解為若干個不同頻率的待預測子信號；

49、所述子信號預測模塊，用于對于每一待預測子信號，將待預測子信號輸入到預設的導線溫度預測模型中，以使所述導線溫度預測模型根據(jù)所述待預測子信號中的頻譜特征、用于表征溫度信號分布情況的統(tǒng)計特征以及用于表征溫度隨時間變化的周期特征，生成待預測子信號對應的預測子信號；

50、所述溫度信號預測模塊，用于將各個預測子信號進行重構，生成當前時刻對應的預測溫度信號；

51、其中，所述導線溫度預測模型的訓練過程為：

52、以各個時間段的子信號樣本數(shù)據(jù)為輸入，以樣本數(shù)據(jù)中各子信號對應的實際預測子信號為輸出，對待訓練的導線溫度預測模型進行迭代訓練，直至模型收斂，生成預設的導線溫度預測模型。

53、在上述的方法實施例的基礎上，本發(fā)明對應提供了終端設備項實施例。

54、本發(fā)明另一實施例提供了一種終端設備，包括處理器、存儲器以及存儲在所述存儲器中且被配置為由所述處理器執(zhí)行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述發(fā)明實施例所述的一種基于輸電線路的導線溫度預測方法。

55、在上述的方法實施例的基礎上，本發(fā)明對應提供了存儲介質(zhì)項實施例。

56、本發(fā)明另一實施例提供了一種存儲介質(zhì)，所述計算機可讀存儲介質(zhì)包括存儲的計算機程序，其中，在所述計算機程序運行時控制所述計算機可讀存儲介質(zhì)所在設備執(zhí)行上述發(fā)明實施例所述的一種基于輸電線路的導線溫度預測方法。

57、通過實施本發(fā)明具有如下有益效果：

58、本發(fā)明實施例提供了一種基于輸電線路的導線溫度預測方法、裝置、終端設備及存儲介質(zhì)，本發(fā)明為了預測出當前時刻的導線溫度，以當前時刻為基準點，往前獲取預設時段的若干個溫度信號作為待處理的溫度數(shù)據(jù)，以得出當前時刻所預測的溫度信號。具體的，為了可以更好地捕捉溫度的變化趨勢和特征，本發(fā)明首先將溫度信號分解為若干個不同頻率的待預測子信號后，再對每個待預測子信號進行模型預測出對應的預測子信號，而在模型的處理過程中，可通過導線溫度預測模型提取待預測子信號中的頻譜特征、統(tǒng)計特征以及周期特征，從而基于上述的特征進行預測出對應的子信號，最后將各個預測的子信號進行重構后，可以得出導線在當前時刻所對應的預測溫度信號，即可以得出導線當前時刻的溫度。本發(fā)明通過將溫度信號分解為若干個不同頻率的待預測子信號，并對每個子信號進行獨立的預測處理，能夠使得后續(xù)模型在根據(jù)特征進行預測時可以更精確地捕捉溫度的變化趨勢和特征，相比于現(xiàn)有技術直接對整體溫度信號進行預測，能夠顯著提高溫度的預測精度，則通過本發(fā)明的及時且準確的溫度預測，可以及時發(fā)現(xiàn)導線過熱等潛在的安全隱患，并采取相應的保護措施，從而極大保障了電網(wǎng)線路的安全運行。