本发明涉及电网强风灾害风险评估，具体涉及一种基于神经网络的长时间序列输电杆塔观测风速重构方法。
背景技术：
1、电能是保障现代经济社会发展的重要基础能源。
2、由于特高压交直流输电线路输送距离长，所经地区地形地貌复杂多样且沿线气象条件恶劣多变，强对流大风等极端天气严重威胁着线路的安全稳定运行和电网的可靠供电。输电杆塔风速数据的准确预测和历史观测数据的重构对于输电线路风害风险评估及风害防护具有重要作用。长时间序列的输电杆塔风速观测数据可以提供关于杆塔周围风场特性的重要信息，这些信息对于输电线路的风害预警及确保电网的安全稳定运行极为关键。
3、在输电线路经过的偏远山区，由于缺乏长期的风速观测设备，难以获得充足的历史风速数据。现有的气象站点虽然能够提供一些历史数据，但这些站点往往与输电杆塔存在距离、海拔和下垫面条件的差异。更复杂的是，观测站点通常提供的是10米高度的风速数据，而特高压交直流输电线路杆塔的高度平均在60米左右，电压等级越高，高塔高度越高，1000千伏特高压输电杆塔甚至达到90~110米的高度，这使得直接利用这些数据进行风害风险评估预警存在一定局限性。此外，即使在有观测记录的地区，数据也可能由于设备故障、维护不善或其他外部因素而出现缺失或不准确的情况。这些问题都限制了输电杆塔风害风险评估及预警的准确性。
4、目前，气象再分析模型能够提供大范围的格点风速数据，但这些数据的分辨率和精度无法满足逐基输电杆塔风速预测的需求。与站点数据一样，其提供的也主要是10m高度的风场实况。为了解决这一问题，需要开发新的方法来重构和优化风速数据。
5、本发明针对上述问题，提出了一种利用神经网络对长时间序列输电杆塔风速数据进行高效重构的方法。该方法通过集成多源数据，并应用机器学习技术，自动学习数据间的关系，提高重构数据的准确性和可靠性。这种方法为输电杆塔风害风险评估及预警提供了一种新的解决策略，尤其适用于缺少长期观测数据的偏远山区等，对支撑保障电网的安全稳定运行和可靠供电具有积极意义。
技术实现思路
1、一种基于神经网络的长时间序列输电杆塔观测风速重构方法，包括以下步骤：
2、s1.收集气象站点和格点气象模型提供的设定时间内10米高度风速数据，涵盖预定输电杆塔位置处的扫描半径内的区域，计算出风俗的平均值和标准差，并去除比平均值大于3个标准差的数据；
3、s2.使用已训练的神经网络模型对缺失的所述风速数据进行填充和预测；将预测值整合到时间序列中，形成目标位置完整的设定时间的长时间序列数据集，覆盖所需的设定时间段和地理区域；
4、s3.将s2中形成长时间序列数据集输入到rnn神经网络模型进行预测处理，基本的rnn单元为以下公式描述：
5、
6、
7、其中：
8、是时间步t的输入；
9、是时间步t的隐状态；
10、是时间步t的输出；
11、、和是网络参数；
12、和是偏置项；
13、activation是激活函数，本发明取relu函数；
14、s4.输出预测的最新时刻目标位置的风速。
15、作为一种优选方案，所述扫描半径通过使用梯度下降优化算法找到最佳值。
16、作为一种优选方案，收集的数据还包括周围站点的相对位置坐标、海拔高程和地理信息，构建完整的空间特征集。
17、作为一种优选方案，所述神经网络模型包括输入层、rnn层和输出层，rnn层包括堆叠的多层循环单元。
18、作为一种优选方案，利用时间序列交叉验证方法，对rnn神经网络模型进行训练，将长时间序列数据集分为训练集和验证集，设定一个时间阈值t，验证集中的任何时间点都满足，而训练集中的所有时间点都满足，训练过程中，任两个选定的时间点和之间应有足够的时间间隔。
19、进一步地，所述时间序列交叉验证方法为k折交叉验证，将分为k个子集，每次使用k−1个子集进行训练，剩下的一个子集用于验证，第k个验证集，模型的mse定义为：
20、
21、其中，是第k个验证集中的样本数量，是实际值，是模型预测值。
22、交叉验证误差是所有k个验证集上mse的平均值：，选择最小的模型作为最终模型。
23、本发明有益效果在于：
24、本发明能够针对输电杆塔地点的特殊需求，提供定制化的长时间序列风速数据重构方案。此方法不仅适用于输电杆塔风害风险评估及预警，也可广泛应用于风电场的选址和规划、气象预报、气候研究以及任何需要长时间序列风速数据的领域。通过这种方法可以更准确地评估输电杆塔风害风险大小，进而保障电网的安全稳定运行和可靠供电。
1.一种基于神经网络的长时间序列输电杆塔观测风速重构方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于神经网络的长时间序列输电杆塔观测风速重构方法，其特征在于：所述扫描半径通过使用梯度下降优化算法找到最佳值。
3.根据权利要求1所述的基于神经网络的长时间序列输电杆塔观测风速重构方法，其特征在于：收集的数据还包括周围站点的相对位置坐标、海拔高程和地理信息，构建完整的空间特征集。
4.根据权利要求1所述的基于神经网络的长时间序列输电杆塔观测风速重构方法，其特征在于：所述神经网络模型包括输入层、rnn层和输出层，rnn层包括堆叠的多层循环单元。
5.根据权利要求1所述的基于神经网络的长时间序列输电杆塔观测风速重构方法，其特征在于：利用时间序列交叉验证方法，对rnn神经网络模型进行训练，将长时间序列数据集分为训练集和验证集，设定一个时间阈值t，验证集中的任何时间点都满足，而训练集中的所有时间点都满足。
6.根据权利要求5所述的基于神经网络的长时间序列输电杆塔观测风速重构方法，其特征在于：所述时间序列交叉验证方法为k折交叉验证，将分为k个子集，每次使用k−1个子集进行训练，剩下的一个子集用于验证，第k个验证集，模型的mse定义为：
7.根据权利要求1所述的基于神经网络的长时间序列输电杆塔观测风速重构方法，其特征在于：所述激活函数取relu函数。
