CN110135645B - 架空输电线路全光纤动静态监测和趋势预测系统及方法 - Google Patents

架空输电线路全光纤动静态监测和趋势预测系统及方法 Download PDF

Info

Publication number
CN110135645B
CN110135645B CN201910421875.1A CN201910421875A CN110135645B CN 110135645 B CN110135645 B CN 110135645B CN 201910421875 A CN201910421875 A CN 201910421875A CN 110135645 B CN110135645 B CN 110135645B
Authority
CN
China
Prior art keywords
data
transmission line
prediction
model
dynamic
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201910421875.1A
Other languages
English (en)
Other versions
CN110135645A (zh
Inventor
吴慧娟
肖垚
唐波
邱浩宇
杨明儒
路豪
阳思琦
王超群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN201910421875.1A priority Critical patent/CN110135645B/zh
Publication of CN110135645A publication Critical patent/CN110135645A/zh
Application granted granted Critical
Publication of CN110135645B publication Critical patent/CN110135645B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D5/00—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable
    • G01D5/26—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light
    • G01D5/32—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light
    • G01D5/34—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells
    • G01D5/353—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre
    • G01D5/35306—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement
    • G01D5/35309—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer
    • G01D5/35316—Mechanical means for transferring the output of a sensing member; Means for converting the output of a sensing member to another variable where the form or nature of the sensing member does not constrain the means for converting; Transducers not specially adapted for a specific variable characterised by optical transfer means, i.e. using infrared, visible, or ultraviolet light with attenuation or whole or partial obturation of beams of light the beams of light being detected by photocells influencing the transmission properties of an optical fibre using an interferometer arrangement using multiple waves interferometer using a Bragg gratings
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种架空输电线路全光纤动静态监测和趋势预测系统及方法，使用全光纤监测技术实现对架空输电线路多参数监测预警，实现对电力线路周边环境气温、气压等准静态环境数据和输电线路动态风舞数据等动态参数的全方位连续时空在线监测，方法在监测动静态数据的同时，利用前期采集的监测数据并基于LSTM网络模型能够实现对气温、气压等环境变化参数、线路舞动等动态变化参数的预测，及时防范可能发生的气象灾害和以便于对异常舞动线路区段进行有针对性的巡检和重点防护。监测手段属于非电气手段，传感器无源且本质安全，系统具备天然的抗电磁干扰及抗雷击能力，适用于长距离输电线路的野外恶劣环境及极端复杂气候条件。

Description

架空输电线路全光纤动静态监测和趋势预测系统及方法
技术领域
本发明属于电力系统技术领域，具体涉及架空输电线路全光纤动静态监测和趋势预测系统及方法。
背景技术
电力系统架空输电线缆舞动，是一种频率低(频率约0.1Hz到3Hz)、摆幅大(摆幅约为输电线缆直径的5～300倍)、在风激励下产生的负载导线摆动现象。这种舞动可能会导致线路的局部短路、破损与断线，进而造成线路跳闸、甚至大范围的停电，带来经济上的巨大损失。因此，对输电线缆舞动进行连续的时空监测是很有必要的。目前对于电力线缆舞动的监测预警，常用的方法主要包括人工巡检、视频监控和铺设传感器。人工巡检法劳动强度大、成本高，检测结果与实际差距很大。视频监控法能得到现场线缆舞动情况的定性结果，但容易受到恶劣天气的干扰，且范围有限，不适于全方位监控。传感器监控法分为电学传感器监控和光学传感器监控，使用各种类型的电子传感器对风速、风向、压力、温度等现场环境数据进行采集，可以达到对线缆舞动状态进行实时定量测量的目的，但是电学元件的供电和维护相对比较困难，并且还容易受到电缆本身和雷暴的电磁干扰影响。
发明内容
本发明的目的在于：目前对架空输电线路所处环境参数及舞动状态进行监测预警，常采用多种复合方法实现动静态参数全方位监测，且以分立的电学传感器为主，存在监测范围有限，连续时空在线监测困难，传感器易受高压电缆附近强电磁干扰和恶劣天气影响；此外，不同系统及方法的监测数据只能反映历史或当前的线路状态，无法基于历史监测数据对未来即将发生的线路状态进行预测，例如潜在的气候影响及危险事件等，无法做到防患于未然。因此本发明提出一种架空输电线路全光纤动静态监测和趋势预测系统及方法。
本发明采用的技术方案如下：
架空输电线路全光纤动静态监测和趋势预测系统，系统包括对准静态环境数据进行实时测量的光纤传感探头和与光纤传感探头连接的FBG解调系统，还包括对输电线路动态风舞数据实时监测的探测光缆，和与探测光缆连接的P-OTDR解调系统，还包括与FBG解调系统信号输出端和P-OTDR解调系统信号输出端连接的处理终端，处理终端用于对输入的准静态环境数据和输电线路动态风舞数据进行处理。
进一步，所述光纤传感探头采用基于布拉格光栅的光纤传感探头，所述FBG解调系统包括基于光纤传感探头的FBG传感器，和与FBG传感器连接的FBG解调器。
进一步，所述探测光缆为架空输电线路的光纤复合地线中的一根空余纤芯。
进一步，所述P-OTDR解调系统包括依次连接的激光器、声光调制器、掺铒光纤放大器、隔离器、起偏器、环形器、偏振分束器、光电探测器、模数转换的数据采集模块，其中环形器的第一端口连接起偏器，第二端口连接探测光缆，第三端口连接偏振分束器，数据采集模块的输出端连接处理终端。
基于上述架空输电线路全光纤动静态监测和趋势预测系统的架空输电线路动静态监测和趋势预测方法，方法包括：
采集动静态数据：对架空输电线路全光纤动静态监测和趋势预测系统采集的准静态环境数据和输电线路动态风舞数据按时间进行记录，并提取特征，再分别转化为数据序列；
动静态数据预处理：对准静态环境数据和输电线路动态风舞数据得到的数据序列分别进行模型训练的数据预处理步骤，分别得到划分好的训练集和测试集；
构建和训练LSTM模型：基于训练集数据，对准静态环境数据和输电线路动态风舞数据分别进行LSTM模型的构建和训练；
趋势预测计算：分别将准静态环境数据和输电线路动态风舞数据的测试集输入各自训练好的LSTM模型，对准静态环境数据和输电线路动态风舞数据分别进行趋势预测计算；
其中所述LSTM的模型构建和训练方法如下：
LSTM模型的输入层接受训练集数据序列的输入，输入层根据设定的观测长度和预测长度对输入的训练集数据在时间上进行堆叠划分；
LSTM模型的隐藏层接收经过输入层整理后的训练集数据序列作为隐藏层的输入数据，隐藏层使用LSTM细胞构建重复模块链，根据输入数据和历史输出调节3个控制门的门控状态，进而控制隐藏层中数据的流动，进行更新细胞的状态以及计算隐藏层的状态输出；
LSTM模型的输出层接收隐藏层的状态输出结果，输出层的全连接网络对该状态输出结果进行计算处理，输出得到预测结果。
进一步，所述对准静态环境数据和输电线路动态风舞数据按时间进行记录，并提取特征，再分别转化为数据序列的具体方法为：
准静态环境数据：将按时间记录的准静态环境数据按照数据类别分别转换为准静态环境数据序列；
动态风舞数据：将按时间记录的动态风舞数据先进行差分处理，得到差分数据，对差分数据进行特征提取，得到动态风舞数据序列；
所述预处理步骤方法为：
先对得到的数据序列进行归一化处理，然后将归一化处理后的数据序列划分为长度为m的训练集和长度为n的测试集，m，n∈N且m≥n。
进一步，所述LSTM的模型构建和训练方法中：
LSTM模型的输入层具体数据处理过程为：LSTM模型的输入层接受训练集数据序列的输入，选取观测长度Llook和预测长度Lpred，将测试集数据Ftrain和训练集数据Ftest以观测长度Llook和预测长度Lpred在时间上进行堆叠划分，分别得到用于训练过程中输入模型的ms行Llook列数据矩阵Ftrain_x，用于训练过程中验证模型的ms行Lpred列数据矩阵Ftrain_y，以及用于测试过程中输入模型的ns行Llook列数据矩阵Ftest_x，用于测试过程中和模型输出作比较的ns行Lpred列数据矩阵Ftest_y，其中ms＝m-Llook-Lpred+1，ns＝n-Llook-Lpred+1；
LSTM模型的隐藏层具体数据处理过程为：将用于训练的数据矩阵Ftrain_x按行输入模型，t时刻输入隐藏层的数据为Xt，把当前时刻的输入数据Xt与上一时刻的隐藏层输出Ht-1拼接在一起，构成前向计算的输入[Ht-1，Xt]，以[Ht-1，Xt]作为控制依据进行t时刻的前向计算，包括3个控制门的计算，细胞状态的更新以及状态输出的计算，得到隐藏层的状态输出结果Ht，细胞状态和隐藏层的状态输出结果随着时间推移进行反复迭代更新；
LSTM模型的输出层具体数据处理过程为：LSTM模型的输出层接收隐藏层的状态输出结果Ht，按照预测长度Lpred设置全连接网络输出的数据长度，经过全连接网络计算处理输出的结果为LSTM模型的输出Yt。
进一步，所述对准静态环境数据和输电线路动态风舞数据进行趋势预测计算方法包括：
对准静态环境数据采取直接预测的方法：将划分后的准静态环境数据的测试集数据输入训练好的LSTM模型，得到准静态环境数据预测结果；
对输电线路动态风舞数据采取迭代预测的方法：将LSTM模型输出层的全连接网络修改为只输出1个值，将划分后的输电线路动态风舞数据的测试集数据输入训练好的LSTM模型，在模型输出第1个预测结果后，将该输出结果和原有输入数据重新组合，再次输入模型，重复此过程，直至达到预测长度。
进一步，所述针对输电线路动态风舞数据构建和训练的LSTM模型为多层LSTM模型，其在单层LSTM模型基础上增添多个隐藏层，下一个隐藏层使用上一个隐藏层的输出作为输入。
进一步，所述方法还包括衡量LSTM模型的预测效果步骤，衡量LSTM模型的预测效果包括如下方法：
(1)对真实数据和模型预测结果数据计算均方根误差：
Figure BDA0002062450980000041
其中：yi代表真实数据，y′i代表模型预测结果数据，N代表数据序列的长度；
(2)对真实数据和模型预测结果数据计算改进的平均绝对百分比误差：
Figure BDA0002062450980000042
均方根误差和改进的平均绝对百分比误差，都是用于评价预测数据和真实数据之间差异程度的常用指标，其数值越小表明拟合的效果越好；
(3)对真实数据和模型预测结果数据计算Kendall相关系数τ：
Figure BDA0002062450980000043
其中：sgn()代表符号函数；
Kendall相关系数τ反映预测曲线的变化趋势与真实情况的吻合程度，其取值范围在-1到1之间，越接近于1，则两组数据变化趋势之间的正相关性就越强。
综上所述，由于采用了上述技术方案，本发明的有益效果是：
1、本发明中，使用全光纤监测技术实现对架空输电线路多参数监测预警，如光纤传感器和长距离分布式光纤传感技术，可以实现对电力线路周边环境气温、气压等准静态环境数据和输电线路动态风舞数据等动态参数的全方位连续时空在线监测，监测手段属于非电气手段，传感器无源且本质安全，系统具备天然的抗电磁干扰及抗雷击能力，适用于长距离输电线路的野外恶劣环境及极端复杂气候条件。
2、本发明中，所述系统中探测光缆为架空输电线路的光纤复合地线中的一根空余纤芯，不需重新在输电线路中架设探测光缆，使用方便，节省资源。
3、本发明中本发明方法在监测环境参数的同时，利用前期采集的监测数据并基于LSTM网络模型能够实现对气温、气压等环境变化参数的长时、短时预测，及时防范可能发生的气象灾害，在监测线路动态风舞数据变化的同时，利用前期采集的监测数据并基于LSTM网络模型能够实现对线路舞动的低频振动信号及舞动发生间隔、持续时间等动态变化参数进行短期预测，以便于对异常舞动线路区段进行有针对性的巡检和重点防护。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他相关的附图。
图1为本发明实施例1架空输电线路全光纤动静态监测和趋势预测系统框图；
图2为本发明实施例1架空输电线路全光纤动静态监测和趋势预测方法流程示意图；
图3为本发明实施例1架空输电线路全光纤动静态监测和趋势预测方法中预处理流程示意图；
图4为本发明实施例1架空输电线路全光纤动静态监测和趋势预测方法中LSTM网络模型的整体框架示意图；
图5为本发明实施例1架空输电线路全光纤动静态监测和趋势预测方法中LSTM模型的隐藏层内部结构示意图；
图6为本发明实施例2长时间段气温数据的预测结果示意图；
图7为本发明实施例2短时间段气温数据的预测结果示意图；
图8为本发明实施例2长时间段气压数据的预测结果示意图；
图9为本发明实施例2短时间段气压数据的预测结果示意图；
图10为本发明实施例3中3层LSTM网络模型的整体框架示意图；
图11为本发明实施例3对模拟风舞的单频率正弦信号预测结果示意图；
图12为本发明实施例3对多频率混叠的模拟风舞信号的预测结果示意图；
图13为本发明实施例3对实际风舞信号的测试结果示意图；
图14为本发明实施例3风舞发生间隔时间预测结果示意图；
图15为本发明实施例3风舞持续时间的预测结果示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明，即所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明的实施例，本领域技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本发明保护的范围。
需要说明的是，术语“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以下结合实施例对本发明的特征和性能作进一步的详细描述。
实施例1
本发明较佳实施例提供的一种架空输电线路全光纤动静态监测和趋势预测系统，如图1所示，系统包括对准静态环境数据进行实时测量的光纤传感探头和与光纤传感探头连接的FBG解调系统，还包括对输电线路动态风舞数据实时监测的探测光缆，和与探测光缆连接的P-OTDR解调系统，还包括与FBG解调系统信号输出端和P-OTDR解调系统信号输出端连接的处理终端，例如计算机等处理终端，处理终端用于对输入的准静态环境数据和输电线路动态风舞数据进行分析、处理和模型预测。
进一步，所述光纤传感探头采用基于布拉格光栅的光纤传感探头。
所述准静态环境数据包括环境的温度和气压信号等，相应地光纤传感探头也包括温度和气压等的光纤传感探头。
进一步，所述FBG解调系统包括基于光纤传感探头连接的FBG传感器(例如基于温度和气压的光纤传感探头的FBG温度和压力传感器)，和与FBG传感器连接的FBG解调器。
进一步，所述探测光缆为架空输电线路的光纤复合地线中的一根空余纤芯。
进一步，所述P-OTDR解调系统包括依次连接的激光器、声光调制器、掺铒光纤放大器、隔离器、起偏器、环形器、偏振分束器、光电探测器、模数转换的数据采集模块，其中环形器的第一端口连接起偏器，第二端口连接探测光缆，第三端口连接偏振分束器，数据采集模块的输出端连接处理终端。所述数据采集模块可采用数据采集卡。
架空输电线缆的光纤复合地线(OPGW)中的一根空余纤芯作为探测光缆，其一端连接至偏振敏感光时域反射仪的光信号传感解调设备上(即P-OTDR解调系统)。从激光器发出的连续光，先要经过声光调制器的调制后得到窄带光脉冲，再经掺铒光纤放大器的放大，就具有了较高的光功率，经过偏振控制器、起偏器后可以得到偏振光，然后经环形器的1端口注入光纤复合地线光缆。传感光纤中的后向瑞利散射光从环形器的2端口射入，接着从环形器的3端口射出，再经过一个偏振分束器之后传入光电探测器，就可以得到光电转换后的电信号，使用数据采集卡对电信号进行模数转换，传输到处理终端进行下一步的处理。
基于上述架空输电线路全光纤动静态监测和趋势预测系统的架空输电线路动静态监测和趋势预测方法，如图2所示，方法为：
步骤1、对架空输电线路全光纤动静态监测和趋势预测系统采集的准静态环境数据和输电线路动态风舞数据按时间进行记录，并提取特征，再分别转化为数据序列。(需要说明的是方法中并不限于仅能使用架空输电线路全光纤动静态监测和趋势预测系统来采集所需准静态环境数据和输电线路动态风舞数据，也可以采用其它可用设备来实时采集所需准静态环境数据和输电线路动态风舞数据，本实施例中以准静态环境数据为气温和气压数据为例进行说明)该步骤具体为：
(1)FBG温度和压力传感器搜集到的气温和气压信号，经FBG解调系统解调后，传输至处理终端，得到两个准静态数据序列：气温数据序列T＝{T1，T2，...，TL}和气压数据序列R＝{R1，R2，...，RL}。考虑到气温和气压这类环境监测参数一般变化较缓，所以最优按照每小时记录一次。
(2)P-OTDR系统得到的输电线路动态风舞监测数据，是沿光缆分布的原始光时域反射信号，为了表征信号的前后变化，需要对其进行差分处理，使用后一时刻的数据减去前一时刻的数据，得到差分数据。为提升模型学习效果，减少干扰信息，需要对差分数据进行特征提取，这里以能量计算为例，可以得到一个线缆舞动动态监测数据序列X＝{X1，X2，...，XL}。
步骤2、对准静态环境数据和输电线路动态风舞数据得到的数据序列进行模型训练的数据预处理步骤，得到划分好的训练集和测试集。方法流程如图3所示，具体为：
首先，对数据序列Fo进行归一化处理，采用Min-Max标准化方法，这是一种对数据的线性变换，能够使结果值映射到[0，1]之间：
Figure BDA0002062450980000071
然后，将归一化处理后的的数据序列F′o＝{f1，f2，...，fm+n}划分为长度为m的训练集Ftrain＝{f1，f2，...，fm}和长度为n的测试集Ftest＝{fm+1，fm+2，...，fm+n}，根据实际情况可以调整m和n的比例，但应当保证测试集的长度不超过训练集的长度，即满足约束条件m≥n和m，n∈N。
步骤3、构建和训练LSTM模型：基于训练集数据，对准静态环境数据和输电线路动态风舞数据分别进行LSTM的模型构建和训练。
其中LSTM网络模型的输入层根据设定的观测长度和预测长度对输入的训练集数据在时间上进行堆叠划分，隐藏层使用LSTM细胞构建重复模块链，根据输入数据和历史输出调节3个控制门的门控状态，进而控制隐藏层中数据的流动，更新细胞状态并由输出层计算当前时刻的状态输出。LSTM网络模型的整体框架如图4所示，包括输入层、隐藏层、输出层三个功能模块。构建和训练过程包括：
(1)、LSTM网络模型的输入层接受训练集数据序列的输入。根据应用需求选取观测长度Llook和预测长度Lpred，即使用长度为Llook的数据输入模型，模型输出长度为Lpred的预测数据。为满足LSTM模型的输入条件，需要将测试集数据Ftrain和训练集数据Ftest以观测长度Llook和预测长度Lpred在时间上进行堆叠划分，分别得到：用于训练过程中输入模型的ms行Llook列数据矩阵Ftrain_x，用于训练过程中验证模型的ms行Lpred列数据矩阵Ftrain_y，以及用于测试过程中输入模型的ns行Llook列数据矩阵Ftest_x，用于测试过程中和模型输出作比较的ns行Lpred列数据矩阵Ftest_y，其中
Figure BDA0002062450980000081
Figure BDA0002062450980000082
Figure BDA0002062450980000083
Figure BDA0002062450980000091
在式(2)-(5)中，ms和ns分别为：
ms＝m-Llook-Lpred+1 (6)
ns＝n-Llook-Lpred+1 (7)
通过上述过程整理后的数据，就可以传递到LSTM模型的隐藏层进行下一步的计算。
(2)、LSTM模型的隐藏层内部结构如图5所示，对其进行更新，具体更新过程如下：
将用于训练的数据矩阵Ftrain_x按行输入模型，t时刻输入隐藏层的数据为
Figure BDA0002062450980000096
其中。此处假设LSTM隐藏层神经元的数量为nunit。把当前时刻的输入数据Xt与上一时刻的隐藏层输出
Figure BDA0002062450980000097
其中，拼接在一起，构成前向计算的输入
Figure BDA0002062450980000095
前向计算以[Ht-1，Xt]作为控制依据，包括3个控制门的计算，细胞状态的更新以及状态输出的计算。
遗忘门(forget gate)的作用是决定应丢弃或保留哪些信息，即控制上一时刻细胞状态Ct-1中有多少信息可以传递到当前时刻的细胞状态Ct中。遗忘门状态ft的计算公式为
ft＝σ(Wf·[Ht-1，Xt]+bf) (8)
式(8)中，Wf为权重系数矩阵，bf为偏置项，点号代表作矩阵乘法，σ为sigmoid函数，可以将输入映射到0到1的范围内，sigmoid函数σ公式为：
Figure BDA0002062450980000092
当前时刻新生成的候选信息
Figure BDA0002062450980000093
也是根据输入[Ht-1，Xt]来生成，不同的是此处使用双曲正切函数tanh函数，它可以将一个实际输入值映射到[-1，1]区间内。tanh函数公式为：
Figure BDA0002062450980000094
新生成的候选信息
Figure BDA0002062450980000101
计算公式为：
Figure BDA0002062450980000102
式(11)中，Wc为权重系数矩阵，bc为偏置项，均为隐藏层的内部参数。
输入门(input gate)的作用是控制当前时刻新生成的候选信息
Figure BDA0002062450980000103
中有多少信息可以加入到细胞状态Ct中。输入门状态it的计算公式为
it＝σ(Wi·[Ht-1，Xt]+bi) (12)
式(12)中，Wi为权重系数矩阵，bi为偏置项，均为隐藏层的内部参数。
如前所述，细胞状态Ct的更新基于遗忘门和输入门的控制。更新过程中，细胞状态由两部分构成，一是来自上一时刻旧的细胞状态信息Ct-1，二是当前时刻新生成的候选信息
Figure BDA0002062450980000104
旧信息由遗忘门ft控制，通过将遗忘门的输出与旧细胞状态Ct-1作点乘运算；新信息则由输入门it控制，通过将输入门的输出与新生成的候选信息
Figure BDA0002062450980000107
作点乘运算。更新细胞状态的计算公式为
Figure BDA0002062450980000106
式(13)中，×代表按对应元素相乘。
输出门(output gate)的作用是控制当前时刻细胞状态Ct中有多少信息可以作为当前时刻隐藏层的输出Ht。输出门状态ot的计算公式为
ot＝σ(Wo·[Ht-1，Xt]+bo) (14)
式(14)中，Wo为权重系数矩阵，bo为偏置项，均为隐藏层的内部参数。
当前时刻隐藏层的输出Ht基于当前时刻的细胞状态Ct，同样使用tanh激活函数，并与输出门的输出结果进行点乘运算，计算公式为
Ht＝ot×tanh(Ct) (15)
以上是LSTM隐藏层在t时刻的前向计算过程。随着时间的推移，LSTM模型的细胞状态和隐藏层输出会反复迭代更新，累积下长时段学习的结果。
(3)、LSTM模型的输出层进行计算输出预测结果。通过前向计算得到的隐藏层输出
Figure BDA0002062450980000111
其长度由LSTM隐藏层神经元的数量nunit决定，与预测长度Lpred一般不同，还需要经过一个全连接网络才能得到输出结果。按照预测长度Lpred设置全连接网络输出的数据长度，经过全连接网络输出的结果为LSTM模型的输出
Figure BDA0002062450980000112
按照实际应用的需求，可以对LSTM模型的输出进行反标准化处理，以恢复其物理意义。
LSTM模型在训练过程中需要定义损失函数，用于评估模型输出和理论输出的差异程度，一般选择均方误差MSE或者均方根误差RMSE。根据设定的学习率η以及训练步数train_steps，以损失函数最小为优化目标，通过迭代不断更新网络权重，进而完成对模型的训练。
进一步，其中所述针对准静态环境数据和针对输电线路动态风舞数据构建和训练的LSTM模型可采取不同的LSTM模型，准静态环境数据可采取上述LSTM模型(即单层LSTM模型)，由于风舞信号变化相对于缓慢规律变化的气温、气压随机性较强，直接使用普通的LSTM模型进行预测效果不会太好，为提升LSTM模型的学习能力，使其能挖掘到更深入的信息，输电线路动态风舞数据可采取多层LSTM模型，其在单层LSTM模型基础上增添多个隐藏层，下一个隐藏层使用上一个隐藏层的输出作为输入。
步骤4、趋势预测计算：分别将准静态环境数据和输电线路动态风舞数据的测试集输入各自训练好的LSTM模型，对准静态环境数据和输电线路动态风舞数据分别进行趋势预测计算。
进一步，所述对准静态环境数据和输电线路动态风舞数据进行趋势预测计算方法包括：
(1)对于气温、气压准静态环境数据的直接预测(单步预测)方法：直接预测方法能够快速地计算出预测结果，但对模型本身的要求较高，为了学习长期变化规律，一般需要较大的数据量用于训练。将用于测试的数据矩阵Ftest_x按行输入LSTM模型，可以得到预测结果矩阵Ftest_predict，将模型输出和测试集数据矩阵Ftest_y作比较，可以对模型的预测效果进行评估。
(2)对于输电线路动态风舞数据采用的迭代预测(多步预测)方法：对于数据量较小或者作短期预测的应用，可以考虑使用迭代预测的方法，迭代预测中将输出层的全连接网络修改为只输出1个值，在模型输出第1个预测结果后，需要将该输出结果和原有输入数据重新组合，再次输入网络，重复此过程，直至达到预测长度。这里以用于测试的数据矩阵Ftest_x的第一行数据为例，也就是把tf＝m+1时刻的数据
Figure BDA0002062450980000113
输入到训练好的LSTM模型中，输出结果表示为
Figure BDA0002062450980000114
即模型给出的第tf+1时刻的预测数据；然后，将第一行数据的后Llook-1个数据点和
Figure BDA00020624509800001210
合并为新的输入数据
Figure BDA0002062450980000122
作为tf+1时刻的输入，将
Figure BDA0002062450980000129
输入到训练好的LSTM模型中，输出结果表示为
Figure BDA00020624509800001211
以此类推，可以得到模型对第一行数据的预测输出
Figure BDA0002062450980000125
同样，将模型输出和测试集数据矩阵Ftest_y作比较，可以对模型的预测效果进行评估。
进一步，所述方法还包括衡量LSTM模型的预测效果步骤，衡量LSTM模型的预测效果引入了3个评价指标，包括如下方法：
(1)对真实数据和模型预测结果数据计算均方根误差(Root Mean Square Error，RMSE)：
Figure BDA0002062450980000126
其中：yi代表真实数据，y′i代表模型预测结果数据，N代表数据序列的长度；
均方根误差也即均方误差的算术平方根，是用于评价预测数据和真实数据之间差异程度的常用指标，其数值越小表明拟合的效果越好。
(2)对真实数据和模型预测结果数据计算改进的平均绝对百分比误差(AdvancedMean Absolute Percentage Error，AMAPE)：
Figure BDA0002062450980000127
通过计算残差占真实数据均值的百分比，能够反映出预测效果的好坏。与均方根误差一样，也是越小越好。
(3)对真实数据和模型预测结果数据计算Kendall相关系数τ：
Figure BDA0002062450980000128
其中：sgn()代表符号函数。
Kendall相关系数τ用于描述两个数据量变化趋势之间的相关程度，其取值范围在-1到1之间，越接近于1，说明两个数据间的正相关性就越强，一般当τ高于0.6时，认为两组数据的线性正相关性较强，高于0.8时，正相关性极强。为保证结果具有统计意义，在使用相关系数前还应当对数据进行显著性检验。相关系数τ可以反映出预测曲线的变化趋势与真实情况的吻合程度。
通过计算预测数据和真实数据之间RMSE、AMAPE和相关系数τ这3个指标，能够对模型的预测效果作出定量评价。
实施例2
本发明较佳实施例在实施例1的基础上，首先基于FBG传感器采集到的外部环境准静态气温和气压数据训练LSTM模型并分别作长时间段、短时间段预测。具体测试过程及结果如下：
(1)气温数据预测测试
①气温长时间段预测
考虑到长时间段数据量较大，先对5年的气温数据按天作平均处理，即每24个数据取一次平均，相当于得到了长时的每日平均气温数据。使用前5/7的数据用于模型训练，后2/7的数据作测试，即训练集∶测试集＝5∶2。长时间段气温数据以年作为变化周期，训练集数据含有约3.5个变化周期，测试集数据含有约1.5个变化周期。
长时间段气温数据的预测结果如图6所示。图中，黑色曲线表示用于模型训练的真实数据，蓝色曲线为测试集的真实数据，红色曲线为模型给出的预测结果。通过计算评价指标，可以得到RMSE＝0.1063，AMAPE＝0.1461，相关系数τ＝0.7379。同时得到p值为0.0000，说明预测值与实际值之间的统计相关性成立。从图示结果和评价指标可见：对于长时间段气温数据，RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.6，说明预测结果和真实数据间有较强的相关性。LSTM模型对未来一年半气温变化趋势的预测较为准确。
②气温短时间段预测
短时间段预测直接使用按小时记录的气温数据序列，选取16天的数据，将前14天的数据用于模型训练，之后的2天数据作测试，即训练集：测试集＝7：1。短时间段气温数据以日作为变化周期，训练集数据含有14个变化周期，测试集数据含有2个变化周期。
短时间段气温数据的预测结果如图7所示。通过计算评价指标，可以得到RMSE＝0.1533，AMAPE＝0.2033，相关系数τ＝0.7030。同时得到p值为0.0000，说明预测值与实际值之间的统计相关性成立。从图示结果和评价指标可见：对于短时间段气温数据，RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.6，说明预测结果和真实数据间有较强的相关性。LSTM模型对未来两天气温变化趋势的预测较为准确。
(2)气压数据预测测试
①气压长时间段预测
考虑到长时间段数据量较大，先对5年的气压数据按天作平均处理，即每24个数据取一次平均，相当于得到了长时的每日平均气压数据。使用前5/7的数据用于模型训练，后2/7的数据作测试，即训练集∶测试集＝5∶2。长时间段气压数据以年作为变化周期，训练集数据含有约3.5个变化周期，测试集数据含有约1.5个变化周期。
长时间段气压数据的预测结果如图8所示。通过计算评价指标，可以得到RMSE＝0.1329，AMAPE＝0.2198，相关系数τ＝0.6297。同时得到p值为0.0000，说明预测值与实际值之间的统计相关性成立。从图示结果和评价指标可见：对于长时间段气压数据，RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.6，说明预测结果和真实数据间有较强的相关性。LSTM模型对未来一年半气压变化趋势的预测较为准确。
②气压短时间段预测
短时间段预测直接使用按小时记录的气压数据序列，选取16天的数据，将前14天的数据用于模型训练，之后的2天数据作测试，即训练集∶测试集＝7∶1。短时间段气压数据以日作为变化周期，训练集数据含有14个变化周期，测试集数据含有2个变化周期。
短时间段气压数据的预测结果如图9所示。通过计算评价指标，得到p值为0.1310，大于0.05，说明预测值与实际值之间的不具有统计相关性。观察图示结果，可以发现预测曲线的前半部分和实际值还是比较吻合的，因此只对预测长度前一半的数据计算评价指标，得到p值为0.0000，说明预测值与实际值的前半部分之间的统计相关性成立。同时可以得到RMSE＝0.0642，AMAPE＝0.0802，相关系数τ＝0.7246。
对于短时间段气压数据，在1个变化周期的预测中，RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.6，说明预测结果和真实数据间有较强的相关性。气压数据的变化不如气温数据规律，预测难度更大一些，LSTM模型对未来一天气压变化趋势的预测较为准确，但对一天之后的变化预测误差偏大。
实施例3
本发明较佳实施例在实施例1的基础上，针对动态风舞数据，训练对应的LSTM模型并作预测。
由于风舞信号变化相对于缓慢规律变化的气温、气压随机性较强，直接使用普通的LSTM模型进行预测效果不会太好，为提升LSTM模型的学习能力，使其能挖掘到更深入的信息，对于动态风舞数据，使用多层LSTM模型，同时在预测时应使用迭代预测的方法。图10展示了3层LSTM网络模型的整体框架。多层LSTM模型在单层LSTM模型基础上增添了多个隐藏层，下一个隐藏层使用上一个隐藏层的输出作为输入，经过多层网络连接(本专利中采用3层网络)，模型能够适应变化更为复杂的输入数据。
考虑到风舞信号的基本变化规律是一种低频振动，结合实际数据的频率分布，这里选取了频率为0.75Hz的正弦信号和0.3Hz、0.75Hz两个频率叠加的正弦信号作为风舞信号的模拟进行预测。
(1)单频率风舞振动模拟信号预测测试
在频率为0.75Hz的正弦信号上叠加少量均匀分布的噪声用以模拟单频振动的风舞信号，使用长度为1000个数据点的数据用于模型训练，长度为200个数据点的数据作测试，即训练集∶测试集＝5∶1。训练集数据含有约7.5个变化周期，测试集数据含有约1.5个变化周期。
对模拟风舞的单频率正弦信号预测结果如图11所示，图中曲线的含义与之前相同。通过计算评价指标，可以得到RMSE＝0.0499，AMAPE＝0.1048，相关系数τ＝0.8581。同时得到p值为0.0000，说明预测值与实际值之间的统计相关性成立。从图示结果和评价指标可见：RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.8，说明预测结果和真实数据间有很强的相关性。对于单频率正弦信号，LSTM模型能够对其变化趋势作出准确的预测。
(2)多频率风舞振动模拟信号预测测试
将频率为0.75Hz的余弦信号与频率为0.3Hz的正弦信号叠加在一起用以模拟复杂的风舞信号，再叠加上少量均匀分布的噪声，使用长度为3000个数据点的数据用于模型训练，长度为300个数据点的数据作测试，即训练集∶测试集＝10∶1。训练集数据含有约4.5个变化周期，测试集数据含有约0.5个变化周期。
对多频率混叠的模拟风舞信号的预测结果如图12所示。通过计算评价指标，可以得到RMSE＝0.1056，AMAPE＝0.1600，相关系数τ＝0.7428。同时得到p值为0.0000，说明预测值与实际值之间的统计相关性成立。从图示结果和评价指标可见：RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.6，说明预测结果和真实数据间有较强的相关性。对于多频率叠加的正弦信号，LSTM模型仍然能够对其变化趋势作出较为准确的预测。
对实际风舞信号的测试结果，如图13所示，针对某电网输电线路某点14天的实际风舞数据，按半小时计算能量值，选取最大值的10％为阈值进行二值化：大于等于阈值为1，小于阈值为0，由此得到一条只含有0、1的二值化数据。针对二值化序列，分别统计0的长度和1的长度，即风舞发生的间隔时间和持续时间。针对间隔时间和持续时间两个序列进行预测分析的结果如下：
(3)风舞发生间隔时间预测测试
使用风舞发生的间隔时间来训练LSTM模型，前5/7的数据用于模型训练，后2/7的数据作测试，即训练集∶测试集＝5∶2。
风舞发生间隔时间预测结果如图14所示。通过计算评价指标，可以得到RMSE＝0.1997，AMAPE＝1.4541，相关系数τ＝0.6346。同时得到p值为0.0000，说明预测值与实际值之间的统计相关性成立。从图示结果和评价指标可见：RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.6，说明预测结果和真实数据间有较强的相关性。LSTM模型对风舞发生间隔时间变化趋势的预测较为准确。
(4)风舞持续时间预测测试
使用风舞持续时间来训练LSTM模型，前5/7的数据用于模型训练，后2/7的数据作测试，即训练集∶测试集＝5∶2。
风舞持续时间的预测结果如图15所示。通过计算评价指标，可以得到RMSE＝0.1779，AMAPE＝1.5810，相关系数τ＝0.6356。同时得到p值为0.0000，说明预测值与实际值之间的统计相关性成立。从图示结果和评价指标可见：RMSE和AMAPE的值都比较小，说明预测结果和真实数据间的误差较小；相关系数大于0.6，说明预测结果和真实数据间有较强的相关性。LSTM模型对风舞持续时间变化趋势的预测较为准确。
本发明实施例中列举的是架空输电线路全光纤动静态多参数监测及趋势预测方法，该发明方法中的环境监测参数，特征提取方法，LSTM网络结构，激活函数类型，观测长度和预测长度等可根据实际应用情况进行选择，相关参数根据需求进行调整，实施例方法也完全可以应用到其他类型传感监测信号变化趋势预测中。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.架空输电线路动静态监测和趋势预测方法，其特征在于：该方法应用于架空输电线路全光纤动静态监测和趋势预测系统，系统包括对准静态环境数据进行实时测量的光纤传感探头和与光纤传感探头连接的FBG解调系统，还包括对输电线路动态风舞数据实时监测的探测光缆，和与探测光缆连接的P-OTDR解调系统，还包括与FBG解调系统信号输出端和P-OTDR解调系统信号输出端连接的处理终端，处理终端用于对输入的准静态环境数据和输电线路动态风舞数据进行处理；
采集动静态数据：对架空输电线路全光纤动静态监测和趋势预测系统采集的准静态环境数据和输电线路动态风舞数据按时间进行记录，并提取特征，再分别转化为数据序列；
动静态数据预处理：对准静态环境数据和输电线路动态风舞数据得到的数据序列分别进行模型训练的数据预处理步骤，分别得到划分好的训练集和测试集；
构建和训练LSTM模型：基于训练集数据，对准静态环境数据和输电线路动态风舞数据分别进行LSTM模型的构建和训练；
趋势预测计算：分别将准静态环境数据和输电线路动态风舞数据的测试集输入各自训练好的LSTM模型，对准静态环境数据和输电线路动态风舞数据分别进行趋势预测计算；
其中所述LSTM的模型构建和训练方法如下：
LSTM模型的输入层接受训练集数据序列的输入，输入层根据设定的观测长度和预测长度对输入的训练集数据在时间上进行堆叠划分；
LSTM模型的隐藏层接收经过输入层整理后的训练集数据序列作为隐藏层的输入数据，隐藏层使用LSTM细胞构建重复模块链，根据输入数据和历史输出调节3个控制门的门控状态，进而控制隐藏层中数据的流动，进行更新细胞的状态以及计算隐藏层的状态输出；
LSTM模型的输出层接收隐藏层的状态输出结果，输出层的全连接网络对该状态输出结果进行计算处理，输出得到预测结果；
具体地：所述LSTM的模型构建和训练方法中：
LSTM模型的输入层具体数据处理过程为：LSTM模型的输入层接受训练集数据序列的输入，选取观测长度Llook和预测长度Lpred，将测试集数据Ftrain和训练集数据Ftest以观测长度Llook和预测长度Lpred在时间上进行堆叠划分，分别得到用于训练过程中输入模型的ms行Llook列数据矩阵Ftrain_x，用于训练过程中验证模型的ms行Lpred列数据矩阵Ftrain_y，以及用于测试过程中输入模型的ns行Llook列数据矩阵Ftest_x，用于测试过程中和模型输出作比较的ns行Lpred列数据矩阵Ftest_y，其中ms＝m-Llook-Lpred+1，ns＝n-Llook-Lpred+1；
LSTM模型的隐藏层具体数据处理过程为：将用于训练的数据矩阵Ftrain_x按行输入模型，t时刻输入隐藏层的数据为Xt，把当前时刻的输入数据Xt与上一时刻的隐藏层输出Ht-1拼接在一起，构成前向计算的输入[Ht-1,Xt]，以[Ht-1,Xt]作为控制依据进行t时刻的前向计算，包括3个控制门的计算，细胞状态的更新以及状态输出的计算，得到隐藏层的状态输出结果Ht，细胞状态和隐藏层的状态输出结果随着时间推移进行反复迭代更新；
LSTM模型的输出层具体数据处理过程为：LSTM模型的输出层接收隐藏层的状态输出结果Ht，按照预测长度Lpred设置全连接网络输出的数据长度，经过全连接网络计算处理输出的结果为LSTM模型的输出Yt。
2.根据权利要求1所述的架空输电线路动静态监测和趋势预测方法，其特征在于：所述对准静态环境数据和输电线路动态风舞数据按时间进行记录，并提取特征，再分别转化为数据序列的具体方法为：
准静态环境数据：将按时间记录的准静态环境数据按照数据类别分别转换为准静态环境数据序列；
动态风舞数据：将按时间记录的动态风舞数据先进行差分处理，得到差分数据，对差分数据进行特征提取，得到动态风舞数据序列；
所述预处理步骤方法为：
先对得到的数据序列进行归一化处理，然后将归一化处理后的数据序列划分为长度为m的训练集和长度为n的测试集，m,n∈Ν且m≥n。
3.根据权利要求1所述的架空输电线路动静态监测和趋势预测方法，其特征在于：所述对准静态环境数据和输电线路动态风舞数据进行趋势预测计算方法包括：
对准静态环境数据采取直接预测的方法：将划分后的准静态环境数据的测试集数据输入训练好的LSTM模型，得到准静态环境数据预测结果；
对输电线路动态风舞数据采取迭代预测的方法：将LSTM模型输出层的全连接网络修改为只输出1个值，将划分后的输电线路动态风舞数据的测试集数据输入训练好的LSTM模型，在模型输出第1个预测结果后，将该输出结果和原有输入数据重新组合，再次输入模型，重复此过程，直至达到预测长度。
4.根据权利要求1所述的架空输电线路动静态监测和趋势预测方法，其特征在于：所述方法中针对输电线路动态风舞数据构建和训练的LSTM模型为多层LSTM模型，其在单层LSTM模型基础上增添多个隐藏层，下一个隐藏层使用上一个隐藏层的输出作为输入。
5.根据权利要求1所述的架空输电线路动静态监测和趋势预测方法，其特征在于：所述方法还包括衡量LSTM模型的预测效果步骤，衡量LSTM模型的预测效果包括如下方法：
(1)对真实数据和模型预测结果数据计算均方根误差：
Figure FDA0003649154210000031
其中：yi代表真实数据，yi′代表模型预测结果数据，N代表数据序列的长度；
(2)对真实数据和模型预测结果数据计算改进的平均绝对百分比误差：
Figure FDA0003649154210000032
均方根误差和改进的平均绝对百分比误差，都是用于评价预测数据和真实数据之间差异程度的指标，其数值越小表明拟合的效果越好；
(3)对真实数据和模型预测结果数据计算Kendall相关系数τ：
Figure FDA0003649154210000033
其中：sgn()代表符号函数；
Kendall相关系数τ反映预测曲线的变化趋势与真实情况的吻合程度，其取值范围在-1到1之间，越接近于1，则两组数据变化趋势之间的正相关性就越强。
CN201910421875.1A 2019-05-16 2019-05-16 架空输电线路全光纤动静态监测和趋势预测系统及方法 Expired - Fee Related CN110135645B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910421875.1A CN110135645B (zh) 2019-05-16 2019-05-16 架空输电线路全光纤动静态监测和趋势预测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910421875.1A CN110135645B (zh) 2019-05-16 2019-05-16 架空输电线路全光纤动静态监测和趋势预测系统及方法

Publications (2)

Publication Number Publication Date
CN110135645A CN110135645A (zh) 2019-08-16
CN110135645B true CN110135645B (zh) 2022-06-28

Family

ID=67571719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910421875.1A Expired - Fee Related CN110135645B (zh) 2019-05-16 2019-05-16 架空输电线路全光纤动静态监测和趋势预测系统及方法

Country Status (1)

Country Link
CN (1) CN110135645B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112345128B (zh) * 2020-09-22 2022-09-02 国家电网有限公司 一种架空输电线路导地线机械力学监测分析方法
CN112329346B (zh) * 2020-11-06 2022-06-14 国网四川省电力公司泸州供电公司 一种输电线路雷电地闪数据分析优化方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239970A (zh) * 2014-09-04 2014-12-24 国家电网公司 一种基于Adaboost的输电线舞动风险预警方法
CN106570582A (zh) * 2016-10-26 2017-04-19 中国电力科学研究院 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10677685B2 (en) * 2013-04-05 2020-06-09 Aktiebolaget Skf Method, computer program product and system
CN103778476B (zh) * 2013-07-03 2017-03-22 国家电网公司 一种基于视频分析的输电导线舞动实时监测与预测方法
CN103559557A (zh) * 2013-11-01 2014-02-05 国家电网公司 基于电力系统输电线路的舞动预警方法及系统
CN106652534B (zh) * 2016-12-14 2019-08-16 北京工业大学 一种预测公交车到站时间的方法
US10168704B2 (en) * 2017-06-05 2019-01-01 Hanzhou Zero Zero Technology Co., Ltd. System and method for providing easy-to-use release and auto-positioning for drone applications
CN109754605B (zh) * 2019-02-27 2021-12-07 中南大学 一种基于注意力时态图卷积网络的交通预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104239970A (zh) * 2014-09-04 2014-12-24 国家电网公司 一种基于Adaboost的输电线舞动风险预警方法
CN106570582A (zh) * 2016-10-26 2017-04-19 中国电力科学研究院 一种用于建立输电线路舞动跳闸风险预测的网络模型的方法及系统
CN108280551A (zh) * 2018-02-02 2018-07-13 华北电力大学 一种利用长短期记忆网络的光伏发电功率预测方法

Also Published As

Publication number Publication date
CN110135645A (zh) 2019-08-16

Similar Documents

Publication Publication Date Title
US11562224B2 (en) 1D-CNN-based distributed optical fiber sensing signal feature learning and classification method
Wu et al. One-dimensional CNN-based intelligent recognition of vibrations in pipeline monitoring with DAS
CN103268519B (zh) 基于改进Lyapunov指数的电力系统短期负荷预测方法及装置
CN114692681B (zh) 基于scnn的分布式光纤振动及声波传感信号识别方法
CN109344195A (zh) 基于hmm模型的管道安全事件识别及知识挖掘方法
CN108444662B (zh) 一种基于日温度效应的桥梁损伤在线监测方法
CN112749637B (zh) 一种基于snn的分布式光纤传感信号识别方法
Yang et al. Pipeline safety early warning by multifeature-fusion CNN and LightGBM analysis of signals from distributed optical fiber sensors
CN110135645B (zh) 架空输电线路全光纤动静态监测和趋势预测系统及方法
Wu et al. Monitoring of the transmission line galloping with a novel distributed optical fibre sensor and its statistical data analysis
CN112070322A (zh) 基于长短期记忆网络的高压电缆线路运行状态预测方法
CN113988210A (zh) 结构监测传感网失真数据修复方法、装置及存储介质
CN116248176B (zh) 一种光纤状态监测预警方法、系统、设备和介质
CN116797028A (zh) 基于智慧物联网的电缆隧道综合监控系统及方法
CN114684217A (zh) 一种轨道交通健康监测系统及方法
Faceira et al. Prediction of solar radiation using artificial neural networks
CN117191147A (zh) 一种泄洪大坝水位监测预警方法及系统
CN117353811B (zh) 一种电力光通信系统多工况状态监测及分析方法
Gjorgiev et al. Simulation-driven deep learning for locating faulty insulators in a power line
Shi et al. Φ-OTDR Event Recognition System Based on Valuable Data Selection
CN116777088B (zh) 用于保障生命安全的供电应急抢修环境监测方法及系统
CN117346917A (zh) 电缆接头温度预测系统及预测方法
Tao et al. A structural monitoring data processing model based on signal musicalization
CN112697179A (zh) 一种基于AdaBoost的布里渊频移提取方法
CN112418529A (zh) 基于lstm神经网络的户外广告在线倒塌预测方法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20220628