本技术涉及电力，特别是涉及一种覆冰厚度预测模型构建方法、装置、计算机设备、计算机可读存储介质、计算机程序产品、以及覆冰厚度预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
背景技术：
1、随着电力技术领域的不断发展，许多偏远地区也逐步实现了电力的全面覆盖。然而，一些部署在山区的电力设施，在天气恶劣的情况下经常出现电线被冰包裹住的情况，也称为覆冰现象。覆冰现象严重时会影响电线的正常运行、维护工作，因此如何准确预测电力设施的覆冰情况成为待解决的问题之一。
2、在传统技术中，通常是基于物理模型、机器学习模型等方法，例如有限元分析、计算流体动力学、支持向量机、随机森林等模型等预测覆冰厚度，这些模型能够处理一些复杂的非线性关系，在覆冰预测领域内能够达到较高的预测精度。
3、然而，机器学习模型对训练数据有着较高的需求，需要高质量的输入数据，处理过程资源消耗大，物理模型的构建和计算过程也需要严格的参数设定和高性能的计算机平台，这在数据资源和计算资源均有限的山区环境中不易实现，导致覆冰厚度预测效率低下。
技术实现思路
1、基于此，有必要针对上述技术问题，提供一种能够提高覆冰厚度预测效率的覆冰厚度预测模型构建方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，以及覆冰厚度预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
2、第一方面，本技术提供了一种覆冰厚度预测模型构建方法，包括：
3、获取目标区域内电力设施的历史覆冰数据和历史气候特征数据；
4、基于所述历史气候特征数据的数据采集时间，从所述历史气候特征数据中筛选出目标历史气候特征数据；
5、基于所述目标历史气候特征数据和多元线性回归模型，构建初始覆冰厚度预测模型；
6、基于所述目标历史气候特征数据和历史覆冰数据，拟合所述初始覆冰厚度预测模型，确定所述初始覆冰厚度预测模型中多个自变量的回归系数，得到覆冰厚度预测模型。
7、在其中一个实施例中，所述基于所述目标历史气候特征数据和多元线性回归模型，构建初始覆冰厚度预测模型，包括：
8、基于不同维度的目标历史气候特征数据与所述历史覆冰数据的相关程度，将所述目标历史气候特征数据划分为主要自变量和次要自变量；
9、根据所述主要自变量、次要自变量和所述多元线性回归模型，构建初始覆冰厚度预测模型。
10、在其中一个实施例中，所述基于所述目标历史气候特征数据和多元线性回归模型，构建初始覆冰厚度预测模型，包括：
11、基于所述目标历史气候特征数据、以及不同维度的目标历史气候特征数据之间的交互作用，确定影响覆冰厚度的自变量；
12、基于所述影响覆冰厚度的自变量和所述多元线性回归模型，构建初始覆冰厚度预测模型。
13、在其中一个实施例中，所述得到覆冰厚度预测模型之后，方法还包括：
14、评估所述覆冰厚度预测模型的性能，得到性能评估结果；
15、基于所述性能评估结果，调整所述覆冰厚度预测模型中的模型参数，得到目标覆冰厚度预测模型。
16、在其中一个实施例中，所述评估所述覆冰厚度预测模型的性能，得到性能评估结果，包括：
17、确定所述覆冰厚度预测模型的决定系数，所述决定系数用于评估所述所述初始覆冰厚度预测模型的拟合优度；
18、确定所述覆冰厚度预测模型中各所述回归系数的显著性检验指标值，所述显著性检验指标值用于表征各所述自变量对所述覆冰厚度的影响程度；
19、确定所述覆冰厚度预测模型的均方误差；
20、基于所述决定系数、所述显著性检验指标值、以及所述均方误差中的至少一项，确定性能评估结果。
21、在其中一个实施例中，所述基于所述性能评估结果，调整所述覆冰厚度预测模型中的模型参数，得到目标覆冰厚度预测模型，包括：
22、根据所述性能评估结果，通过逐步回归法，从所述覆冰厚度预测模型的自变量中，筛选出影响程度大于预设的影响程度阈值的目标自变量；
23、根据筛选出的所述目标自变量，调整所述覆冰厚度预测模型中的模型参数，得到目标覆冰厚度预测模型。
24、在其中一个实施例中，所述性能评估结果包括所述覆冰厚度预测模型的预测精度；
25、所述基于所述性能评估结果，调整所述覆冰厚度预测模型中的模型参数，得到目标覆冰厚度预测模型，包括：
26、在所述覆冰厚度预测模型的预测精度小于预设的预测精度阈值的情况下，对所述覆冰厚度预测模型的自变量进行非线性转换，得到调整后的覆冰厚度预测模型；
27、基于所述目标历史气候特征数据和历史覆冰数据，重新拟合所述调整后的覆冰厚度预测模型，得到目标覆冰厚度预测模型。
28、第二方面，本技术还提供了一种覆冰厚度预测方法，包括：
29、获取预设时间段内目标区域的气候特征数据；
30、以所述气候特征数据为输入，调用预设的覆冰厚度预测模型，得到所述目标区域内电力设施的覆冰厚度；
31、其中，所述预设的覆冰厚度预测模型基于任一覆冰厚度预测模型构建方法实施例的步骤构建得到。
32、第三方面，本技术还提供了一种覆冰厚度预测模型构建装置，包括：
33、历史数据获取模块，用于获取目标区域内电力设施的历史覆冰数据和历史气候特征数据；
34、数据筛选模块，用于基于所述历史气候特征数据的数据采集时间，从所述历史气候特征数据中筛选出目标历史气候特征数据；
35、模型构建模块，用于基于所述目标历史气候特征数据和多元线性回归模型，构建初始覆冰厚度预测模型；
36、模型拟合模块，用于基于所述目标历史气候特征数据和历史覆冰数据，拟合所述初始覆冰厚度预测模型，确定所述初始覆冰厚度预测模型中多个自变量的回归系数，得到覆冰厚度预测模型。
37、第四方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现任一覆冰厚度预测模型构建方法实施例的步骤。
38、第五方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一覆冰厚度预测模型构建方法实施例的步骤。
39、第六方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现任一覆冰厚度预测模型构建方法实施例的步骤。
40、第七方面，本技术还提供了一种覆冰厚度预测装置，包括：
41、数据获取模块，用于获取预设时间段内目标区域的气候特征数据；
42、覆冰厚度预测模块，用于以所述气候特征数据为输入，调用预设的覆冰厚度预测模型，得到所述目标区域内电力设施的覆冰厚度；
43、其中，所述预设的覆冰厚度预测模型基于任一覆冰厚度预测模型构建方法实施例的步骤构建得到。
44、第八方面，本技术还提供了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现任一覆冰厚度预测方法实施例的步骤。
45、第九方面，本技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现任一覆冰厚度预测方法实施例的步骤。
46、第十方面，本技术还提供了一种计算机程序产品，包括计算机程序，该计算机程序被处理器执行时实现任一覆冰厚度预测方法实施例的步骤。
47、上述覆冰厚度预测方法、装置、计算机设备、计算机可读存储介质和计算机程序产品，区别于传统的方案，将历史覆冰数据、历史气候特征数据与多元线性回归模型相结合，相较于传统方案中的物理模型和机器学习模型，多元线性回归模型消耗的计算资源相对较小，对数据的处理也更为快速，从而能够在短时间内快速预测出目标区域内的电力设施的覆冰厚度，提高了预测效率。进一步地，基于历史气候特征数据的数据采集时间，从历史气候特征数据中筛选出的目标历史气候特征数据能够更好地反映出未来的覆冰情况，进而基于目标历史气候特征数据、和历史覆冰厚度数据，对初始覆冰厚度预测模型拟合得到的覆冰厚度预测模型，能够很好处理气候与覆冰厚度的相关性，从而在有限的数据条件下依然能够提供相对准确的预测结果，因此上述方案能够在数据资源、计算资源比较匮乏的山区环境中依然能够高效预测出电力设备的覆冰厚度。
1.一种覆冰厚度预测模型构建方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述基于所述目标历史气候特征数据和多元线性回归模型，构建初始覆冰厚度预测模型，包括：
3.根据权利要求1所述的方法，其特征在于，所述基于所述目标历史气候特征数据和多元线性回归模型，构建初始覆冰厚度预测模型，包括：
4.根据权利要求1至3任意一项所述的方法，其特征在于，所述得到覆冰厚度预测模型之后，方法还包括：
5.根据权利要求4所述的方法，其特征在于，所述评估所述覆冰厚度预测模型的性能，得到性能评估结果，包括：
6.根据权利要求4所述的方法，其特征在于，所述基于所述性能评估结果，调整所述覆冰厚度预测模型中的模型参数，得到目标覆冰厚度预测模型，包括：
7.根据权利要求4所述的方法，其特征在于，所述性能评估结果包括所述覆冰厚度预测模型的预测精度；
8.一种覆冰厚度预测方法，其特征在于，所述方法包括：
9.一种覆冰厚度预测模型构建装置，其特征在于，所述装置包括：
10.一种覆冰厚度预测装置，其特征在于，所述装置包括：
