1.一种基于Informer模型的输电线路覆冰预测方法，它包括：步骤1、采集历史覆冰数据、终端拉力数据、气象站预报数据、气象站监测数据和终端信息数据，对采集的信息数据进行数据预处理；步骤2、构建训练集D train 、验证集D vail 和测试集D test ；步骤3、在设定好迭代次数Epochs、批处理样本数batch_size和学习率lr后之后，依次从训练集D train 取出batch_size大小的样本数，进行输入统一转换；步骤4、生成编码器，对输入特征进行编码；步骤5、通过对Decoder的堆叠，来更好的获得输入输出间的映射关系，以此来提高预测精度；最终通过一个全连接层，得到最后的输出；将预测得到的输出和真实值进行损失函数Loss计算；步骤6、模型迭代，重复步骤3、4和5；，直至训练条件终止，生成训练好的model，用于预测未来时刻的输电电缆的拉力值，通过拉力值进而计算当前输电电缆的覆冰厚度。
2.根据权利要求1所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：数据预处理的方法为：进行异常值处理和缺失值填补，构建拉力相关的多变量序列数据集： 数据集以拉力值为预测对象，以日期、温度、湿度、温度和拉力值覆冰影响因素为特征输入；设输入历史序列长度为L x ，前向预测长度为p，覆冰相关影响变量个数为i，预测拉力值为f t ，预处理后的数据集dataset表示如下：
3.根据权利要求1所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：数据预处理后得到拉力多变量数据集 进行进一步标准化，使用均值mean和方差σ对数据进行Z-score归一化，归一化计算公式：X＝(x-mean)/σ；取数据集的前70％为训练集D train ，10％为验证集D vail ，最后20％为测试集D test 。
4.根据权利要求1所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：进行输入统一转换的方法为：模型输入由特征标量 局部时间戳(PE)和全局时间戳(SE)组成；转换公式为：式中：i∈{1,…,L x }，α为平衡标量映射和局部/全局嵌入之间大小的因子。
5.根据权利要求4所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：特征标量所对应公式中的 具体操作为通过Conv1D将i维转换为512维向量。
6.根据权利要求4所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：局部时间戳(PE)采用Transformer中的Positional Emebdding，计算公式为：其中d model 为输入的特征维度，
7.根据权利要求4所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：全局时间戳(SE)使用一个全连接层将输入的时间戳映射到512维的embedding。
8.根据权利要求1所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：生成编码器的具体方法包括：统一转换后的输入 输入到模型的编码器Encoder部分，在注意力模块进行稀疏性自注意力(ProbSparse Self-attention)计算，每个key只关注u个主要query，计算公式为：其中， 是大小与Q相同的稀疏矩阵且只包含稀疏度量M(q i ,K)下的Top-u个query；加入一个采样因子c，设定u＝clnL Q ；为每个query都随机采样c*lnL个key，并计算每个query的稀疏性得分M(q i ，K)；稀疏度量M(q i ，K)的计算公式为：选择稀疏性得分最高的N个query，N默认为c*lnL，只计算N个query和key的点积结果，剩下的L-N个query不计算；经过稀疏性自注意力计算后的输出存在V值的冗余组合，因此采用Distilling操作对具有主要特征的优势特征赋予更高的权重，并在下一层生成聚焦的自注意力特征图；具体通过四层Conv1d卷积层和一个最大Maxpooling池化层来实现；重复迭代Multi-headProbSparse Self-attention+Distilling的组合之后，得到解码器Decoder的输入之一。
9.根据权利要求1所述的一种基于Informer模型的输电线路覆冰预测方法，其特征在于：步骤5所述通过对Decoder的堆叠，来更好的获得输入输出间的映射关系，以此来提高预测精度；最终通过一个全连接层，得到最后的输出；将预测得到的输出和真实值进行损失函数Loss计算的具体过程包括：Informer使用的Decoder和传统的Decoder类似，为了让算法生成长序列的输出，Decoder需要输入：其中， 为start token序列， 为需要预测序列，用0填充，随后将序列通过一个Masked ProbSparse Self-Attention层，将该层的输出再传递给一个Multi-headProbSparse Self-Attention层后，再将输出传递给另一个Masked ProbSparse Self-Attention+Multi-headProbSparse Self-Attention的组合；通过这样对Decoder的堆叠，来更好的获得输入输出间的映射关系，以此来提高预测精度；进行损失函数Loss计算时，损失函数采用MSE，计算公式为：其中，m为样本数，y i 为真实数据， 为预测数据。
