(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211143199.4 (22)申请日 2022.09.20 (71)申请人 国网福建省电力有限公司电力科 学 研究院 地址 350007 福建省福州市仓山区复园支 路48号 申请人 国网福建省电力有限公司 (72)发明人 陈垚　李熙　江世雄　刘沁　 王重卿　方克艳　江能明　翁孙贤　 罗立津　陈鸿　车艳红　陈秉乾　 (74)专利代理 机构 福州科扬专利事务所(普通 合伙) 35001 专利代理师 张红艳 (51)Int.Cl. G06Q 10/04(2012.01)G06Q 50/26(2012.01) G06V 20/10(2022.01) G06N 20/10(2019.01) G06F 16/29(2019.01) (54)发明名称 基于机器学习的输电线路水土流失智能预 测方法及系统 (57)摘要 本发明涉及一种基于机器学习的输电线路 水土流失智 能预测方法， 包括以下步骤： 获取若 干输电线路区域的历史地理信息数据集 以及遥 感影像， 并提取对应的输电线路区域的地理特征 因子； 根据各输电线路区域的地理特征因子， 计 算各输电线路区域的年平均水土流失量， 以一对 地理特征因子和年平均水土流失量作为一训练 样本， 生成训练样本集； 建立基于机器学习的预 测模型， 将训练样本集中的地理特征因子输入至 预测模型中， 对预测模型进行迭代训练， 得到土 壤侵蚀量预测模 型； 获取目标输电线路区域的实 时地理信息数据和遥感影像， 并获取对应的地理 特征因子输入至土壤侵蚀量预测模 型， 输出目标 输电线路区域的预测水土流水量。 权利要求书3页 说明书9页 附图1页 CN 115392590 A 2022.11.25 CN 115392590 A 1.一种基于 机器学习的输电线路水土流失智能预测方法， 其特 征在于， 包括以下步骤： 获取若干输电线路区域的历史地理信 息数据集以及遥感影像， 根据历史地理信 息数据 集以及遥感影 像提取对应的输电线路区域的地理特 征因子； 根据各输电线路区域的地理特征因子， 计算各输电线路区域的年平均水土流失量， 以 一对地理特 征因子和年平均水土流失量作为 一训练样本， 生成训练样本集； 建立基于机器学习的预测模型， 将训练样本集中的地理特征因子输入至预测模型中， 预测模型输出预测水土流水量， 获取预测水土流水量与年平均水土流失量的误差， 根据误 差对预测模型进行迭代训练， 得到 土壤侵蚀量预测模型； 获取目标输电线路区域的实时地理信 息数据和遥感影像， 并获取对应的地理特征因子 输入至土壤侵蚀量预测模型， 输出目标输电线路区域的预测水土流水量。 2.根据权利要求1所述的一种基于机器学习的输电线路水土流失智能预测方法， 其特 征在于， 所述获取若干输电线路区域的历史地理信息数据集以及遥感影像， 根据历史地理 信息数据集以及遥感影 像提取对应的输电线路区域的地理特 征因子的方法具体为： 通过地理信 息数据库获取各输电线路区域的历史日降水量数据， 并根据 各输电线路区 域的历史日降水量数据计算各输电线路区域的降雨侵蚀力因子和降水参数； 通过地理信息数据库获取 各输电线路区域的遥感影 像， 并对遥感影 像进行预处理； 通过GIS系统对预处理后的各输电线路区域的遥感影像进行计算， 获取各输电线路区 域的土地利用类型； 将预处理后的各输电线路区域的遥感影像与通过地理信息数据库获取的土壤数据库 矢量图进行比对， 获取 各输电线路区域的 的土壤类型； 将预处理后的各输电线路区域的遥感影像与通过地理信息数据库获取的数字高程模 型进行计算， 获取 各输电线路区域的地形参数和土壤信息参数。 3.根据权利要求2所述的一种基于机器学习的输电线路水土流失智能预测方法， 其特 征在于， 所述对遥感影 像进行预处理的方法具体为： 对遥感影 像图进行包括灰度化、 滤波 去噪、 分割 、 二值化、 边缘提取处理； 在上述处 理过后的遥感影 像图中进行 标记， 标记遥感影 像图中的标志性 地形特征。 4.根据权利要求1所述的一种基于机器学习的输电线路水土流失智能预测方法， 其特 征在于： 所述基于 机器学习的预测模型 具体为SVM支持向量机模型； 在建立SVM支持向量机模型步骤中， 预先根据年平均水土流失量计算公式对SVM支持 向 量机模型进行 数据回归， 回归函数 具体为： 其中， 与ai均为拉格朗日乘子； b为偏执向量； xi与x为函数自变量； 利用进行数据回归后的SVM支持向量机模型对年平均水土流失量进行分类， 分别为轻 微侵蚀、 轻度侵蚀、 中度侵蚀、 强度寝室、 极强度侵蚀及剧烈侵蚀工五个水土流失类别。 5.一种基于 机器学习的输电线路水土流失智能预测系统， 其特 征在于， 包括： 特征因子获取模块， 用于获取若干输电线路区域的历史地理信息数据集以及遥感影 像， 根据历史地理信息数据集以及遥感影 像提取对应的输电线路区域的地理特 征因子；权　利　要　求　书 1/3 页 2 CN 115392590 A 2样本构建模块， 用于根据各输电线路区域的地理特征因子， 计算各输电线路区域的年 平均水土流失量， 以一对地理特征因子和年平均水土流失量作为一训练样本， 生成训练样 本集； 预测模型构建模块， 用于建立基于机器学习的预测模型， 将训练样本集中的地理特征 因子输入至预测模型中， 预测模型输出预测水土流水量， 获取预测水土流水量与年平均水 土流失量的误差， 根据误差对预测模型进行迭代训练， 得到 土壤侵蚀量预测模型； 预测模块， 用于获取目标输电线路区域的实时地理信息数据和遥感影像， 并获取对应 的地理特 征因子输入至土壤侵蚀量预测模型， 输出目标输电线路区域的预测水土流水量。 6.根据权利要求5所述的一种基于机器学习的输电线路水土流失智能预测系统， 其特 征在于， 所述特 征因子获取模块具体包括： 降雨侵蚀力因子获取单元， 用于通过地理信 息数据库获取各输电线路区域的历史日降 水量数据， 并根据各输电线路区域的历史日降水量数据计算各输电线路区域的降雨侵 蚀力 因子和降水参数； 遥感影像获取单元， 用于通过地理信息数据库获取各输电线路区域的遥感影像， 并对 遥感影像进行预处理； 土地利用类型获取单元， 用于通过GIS系统对预处理后的各输电线路区域的遥感影像 进行计算， 获取 各输电线路区域的土地利用类型； 土壤类型获取单元， 用于将预处理后的各输电线路区域的遥感影像与通过地理信 息数 据库获取的土壤数据库矢量图进行比对， 获取 各输电线路区域的 的土壤类型； 地形参数及土壤信 息参数获取单元， 用于将预处理后的各输电线路区域的遥感影像与 通过地理信息数据库获取的数字高程模型进 行计算， 获取各输电线路区域的地形参数和土 壤信息参数。 7.根据权利要求6所述的一种基于机器学习的输电线路水土流失智能预测系统， 其特 征在于， 所述遥感影 像获取单元中， 对遥感影 像进行预处理的方法具体为： 对遥感影 像图进行包括灰度化、 滤波 去噪、 分割 、 二值化、 边缘提取处理； 在上述处 理过后的遥感影 像图中进行 标记， 标记遥感影 像图中的标志性 地形特征。 8.根据权利要求5所述的一种基于机器学习的输电线路水土流失智能预测系统， 其特 征在于： 所述基于 机器学习的预测模型 具体为SVM支持向量机模型； 在建立SVM支持向量机模型步骤中， 预先根据年平均水土流失量计算公式对SVM支持 向 量机模型进行 数据回归， 回归函数 具体为： 其中， 与ai均为拉格朗日乘子； b为偏执向量； xi与x为函数自变量； 利用进行数据回归后的SVM支持向量机模型对年平均水土流失量进行分类， 分别为轻 微侵蚀、 轻度侵蚀、 中度侵蚀、 强度寝室、 极强度侵蚀及剧烈侵蚀工五个水土流失类别。 9.一种电子设备， 包括存储器、 处理器及存储在存储器上并可在处理器上运行的计算 机程序， 其特征在于， 所述处理器执行所述程序时实现如权利要求1至4任一项所述的基于 机器学习的输电线路水土流失智能预测方法。权　利　要　求　书 2/3 页 3 CN 115392590 A 3