1.用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于，建立了用于预测覆冰厚度的深度学习网络模型，所述深度学习网络模型包括降维深度可分离模块、特征提取模型和主干分类网络；深度学习网络模型的建立包括如下步骤：步骤1：提取待测杆塔周围一定地理范围内网格中心点的六个局部气象要素的数据、三个全局气象要素的数据以及该杆塔周围的三种地形要素数据，六个局部气象要素包括温度、湿度、降雨、风速、风向、气压，三个全局气象要素包括南亚高压强度、杆塔与高压中心的距离以及该距离连线与赤道所形成的角度，三种地形要素数据包括海拔、坡度、坡向；将六个局部气象要素和三个全局气象要素在多个时间点的数据整合成气象要素信息，将三种地形要素数据整合成地形要素信息；

步骤2：将气象要素信息和地形要素信息输入降维深度可分离模块，所述降维深度可分离模块包括归一化模块和深度可分离卷积块，气象要素信息和地形要素信息首先分别经过归一化模块进行归一化处理，然后通过深度可分离卷积块进行深度可分离卷积，对输入的气象要素信息和地形要素信息分别进行特征提取，得到气象要素特征和地形要素特征；

步骤3：将步骤2提取的气象要素特征按时序输入特征提取模型中，所述特征提取模型采用长短时记忆网络，实现融合的气象要素特征的提取；

步骤4：将步骤2提取的地形要素特征和步骤3提取的气象要素特征进行特征融合，并将融合特征输入主干分类网络；

步骤5：将当前时刻的单个杆塔覆冰厚度由低到高划分等级，将划分的覆冰厚度等级作为数据集标签，将步骤1提取的气象要素信息和地形要素信息作为数据集输入特征，搭建数据集；

步骤6：根据步骤5搭建的数据集，计算深度学习网络模型的模型损失，训练深度学习网络模型，优化深度学习网络模型的参数。

2.如权利要求1所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于：所述步骤1中，在待测杆塔周围597km×597km范围内，以3km×3km为一个基本格点形成199×199的网格，提取网格中心点处六个局部气象要素的数据；

在当前t时刻、t‑1h时刻至t‑9h时刻共10个时间点处，h表示时间间隔，提取六个局部气象要素的数据、三个全局气象要素的数据以及地形要素信息数据，将六个局部气象要素和三个全局气象要素在10个时间点的数据整合成10个维度为（9，199，199）的气象要素信息，并且将三种地形要素数据整合成1个维度为（3，199，199）的地形要素信息。

3.如权利要求1所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于：所述步骤2中，归一化模块对输入的气象要素信息和地形要素信息进行数据归一化，使得每种要素的值都处于0‑255之间，数据归一化公式为：式中，Ymax = 255代表目标数值区间最大数值；Ymin = 0代表目标数值区间最小数值；Xmax为当前要素中结合实际情况所设置的数值的最大值；Xmin为当前要素中结合实际情况所设置的数值的最小值；XC为归一化模块输入的特征单元值。

4.如权利要求1所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于：所述步骤2中，深度可分离卷积块中Depthwise卷积核尺寸为3×3，Pointwise卷积核尺寸为1×1×被卷积特征的深度。

5.如权利要求2所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于：所述步骤3中，将由步骤2得到的10个维度为（9，199，199）的气象要素特征按时序输入长短时记忆网络中，长短时记忆网络最后一个模型块的状态信息作为气象要素特征的融合特征。

6.如权利要求5所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于：所述步骤4中，将步骤2中提取的维度为（3，199，199）的地形要素特征和步骤3提取的维度为（9，199，199）的气象要素特征通过concat方式进行特征融合，融合后的特征维度为（12，199，199），并将融合特征输入主干分类网络。

7.如权利要求6所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于：所述主干分类网络由5个卷积层、4个最大池化层与2个全连接层组成：第一个卷积层卷积核尺寸为3×3，数量为512，池化层滤波器的尺寸为2×2，步长为2；第二个卷积层卷积核尺寸为3×3，数量为256，池化层滤波器的尺寸为2×2，步长为2；第三个卷积层卷积核尺寸为3×3，数量为256，池化层滤波器的尺寸为2×2，步长为2；第四个卷积核尺寸为3×3，数量为64，池化层滤波器的尺寸为2×2，步长为2；第五个卷积核的尺寸为3×3，数量为32，此时卷积层输出的特征尺度为（12，12，32），将该特征铺平成一个维度为1×1×4068的神经元，将该神经元输入由2个全连接层组成的2层全连接网络，全连接网络的输出的神经元数量为20。

8.如权利要求7所述的用于预测超高压输电线路杆塔覆冰厚度的深度学习方法，其特征在于：所述步骤5中，将当前t时刻的单个杆塔覆冰厚度由低到高划分为0 5、5 10、10 15、~ ~ ~

15 20、20 25、25 30、30 35、35 40、40 45、45 50、50 55、55 60、60 65、65 70、70 75、75~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~ ~

80、80 85、85 90、90 95、95 100共20个等级，单位为毫米，每个等级分别代表不同程度的覆~ ~ ~ ~

冰并将其作为深度学习网络模型的输出分类。