CN113269938B - 一种基于输电线路opgw的杆塔防盗在线监测系统及方法 - Google Patents

Abstract

本发明提供一种基于输电线路OPGW的杆塔防盗在线监测系统及方法，该系统包括光缆、分布式光纤振动探测仪、数据处理单元、中枢系统；光缆中的一芯光纤接入分布式光纤振动探测仪；分布式光纤振动探测仪用于对异常振动信号进行监测，实时提取光缆振动信号对应的数据特征向量；数据处理单元用于根据模拟盗窃杆塔行为建立盗窃杆塔与非盗窃杆塔算法模型，根据算法模型判断是否为盗窃杆塔事件；中枢系统用于当数据处理单元发现盗窃杆塔事件时，通过异常振动的时域数据所在的空间点数计算出盗窃杆塔事件发生位置的光纤长度，并告警。本发明可实时监测杆塔防盗监测，一旦发现盗窃杆塔就进行识别告警，提高了杆塔的安全性。

Description

一种基于输电线路OPGW的杆塔防盗在线监测系统及方法

技术领域

本发明涉及电力线路防护领域，具体是一种基于输电线路OPGW的杆塔防盗在线监测系统及方法。

背景技术

近年以来国内的偷盗电力杆塔设施事件屡屡发生，因为电力杆塔设施具有一定的经济价值，在其修建完后，少数犯罪分子会偷盗电力杆塔设施。特别近年来，偷盗电力杆塔设施的不法分子为了获取更多的利益，开始进行团伙作案，作案工具更加智能化，作案手段更加暴力化。恶劣的偷盗电力杆塔设施行为不仅会影响用户安全用电，同时也给基层电力设施的管理带来了新挑战。

对于这种新形势，电力公司已持续投入大量人力、物力，采取针对性防范措施，并且不断扩大宣传覆盖面，可因施工过程中由于现场施工单位安全管理水平参差不齐，及运维管理单位安全措施无法落实等各种原因，偷盗电力杆塔设施治理不彻底造成的电网故障还是屡有发生。依统计数据自2013至2019年，电力线路因偷盗电力杆塔设施造成的故障占线路故障比重为63.54％，从而导致附近工业、居民停电停产，对电力系统造成极大的经济损失及口碑影响，对电力公司的社会形象造成较大的负面影响。所以，快速及准确地判断出偷盗电力杆塔发生的位置及时间，对增加电力系统的稳定安全性、减少偷盗电力杆塔带来的损失有着极为重要的经济意义。

发明内容

鉴于现有的杆塔防盗在线监测方法存在定位及排查困难的问题，本发明提出一种基于输电线路OPGW的杆塔防盗在线监测系统及方法，可实时监测盗窃杆塔情况，一旦发现盗窃杆塔进行识别告警。

本发明在第一方面提供了一种基于输电线路OPGW的杆塔防盗在线监测系统，包括光缆、分布式光纤振动探测仪、数据处理单元、中枢系统；所述光缆中的一芯光纤接入分布式光纤振动探测仪，分布式光纤振动探测仪、数据处理单元、中枢系统依次连接；所述分布式光纤振动探测仪用于对异常振动信号进行监测，实时提取光缆振动信号对应的数据特征向量；所述数据处理单元用于根据模拟盗窃杆塔行为得到的数据样本提取的数据特征向量建立盗窃杆塔与非盗窃杆塔算法模型，并根据算法模型对实时提取的光缆振动信号对应的数据特征向量进行分析，判断其是否为盗窃杆塔事件；所述中枢系统用于当数据处理单元发现盗窃杆塔事件时，通过异常振动的时域数据所在的空间点数计算出盗窃杆塔事件发生位置的光纤长度，并告警。

本发明在第二方面提供了一种基于输电线路OPGW的杆塔防盗在线监测方法，包络以下步骤：

一种基于输电线路OPGW的杆塔防盗在线监测方法，包括以下步骤：

S1：将光缆里的一芯光纤与分布式光纤振动探测仪进行连接，并实时地对光缆振动信号进行监测；对所测得的振信号据按照“空间-时间”整理为大小为M×N的二维数组X，其元素X(k,j)指空间点k在时刻j的振动信号强度；

S2：找到线路上的一处杆塔，模拟盗窃杆塔行为，标记分布式光纤振动探测仪采集到的此杆塔附近的数据样本为盗窃杆塔的样本，并提取盗窃杆塔的样本的数据特征向量；

S3：标记分布式光纤振动探测仪采集到的此杆塔附近的无模拟盗窃杆塔行为的数据为非盗窃杆塔样本，按照S2中相同的方式提非盗窃杆塔样本的数据特征向量；

S4：提取上述每一个样本信号的数据特征向量组成数据特征向量集以及每一个样本的标签集,根据积累的样本集合{x1,x2,…,xi,…xn}，提取每一个样本信号xi的数据特征向量集Pi、标签Labi，组成数据特征向量集Ω＝{P1,P2,…,Pi,…Pn}，以及每一个样本的标签集F＝{Lab1,Lab2,…,Labi,…Labn}，其中Labi的内容为1或0中的一种，其中标签里为1示为盗窃杆塔、0示为非盗窃杆塔；

S5：依据收集的数据特征向量集和标签集，通过逻辑斯蒂回归算法对样本进行训练，并将其划分为盗窃杆塔与非盗窃杆塔两个类别，建立相应的算法模型；

S6：实时提取光缆振动信号对应的数据特征向量，利用所述算法模型判断是否为盗窃杆塔事件；

S7：当发现盗窃杆塔事件时，中枢系统通过异常振动的时域数据所在的空间点数计算出盗窃杆塔事件发生位置的光纤长度，并告警。

进一步的，所述模拟盗窃杆塔行为包括敲击、切割杆塔上的钢材、爬塔。

进一步的，所述数据特征向量包括因峰值因子、脉冲因子、裕度因子与波形因子。

进一步的，峰值因子CF的定义为信号最大值X_max与信号均方根X_RMS的比值，反映的是信号在短时间内波动的剧烈情况，如式(1-1)所示：

脉冲因子IF能够用来检测信号中冲击的烈度，定义为信号最大值X_max与信号平均值

的比值，如式(1-2)所示，为无量纲量；

裕度因子CL为信号的最大值X_max与信号幅值方根求和均值的平方的比值，是一个为对外界振动较为敏感的参数，定义为式(1-3)的形式：

波形因子SF用于反映信号在短时间内的变化，定义为信号均方根X_RMS与平均值

的比值，如式(1-4)所示：

进一步的，步骤S5中建立相应的算法模型如下:

其中

x_i是x在第i个属性上的取值，而w＝(w₁；w₂；...；w_d)，w^T表示转置，参数w和b可以通过数据模型学习确定，通过“极大似然法”来估计w和b，给定数据集，对逻辑斯蒂回归模型进行最大化“对数似然”(loglikehood)计算：

即令每个样本真实标记的概率越大越好，为便于计算，令β＝(w；b),

则w^Tx+b简写为/>

再令/>

则式(1-7)中的似然项重写为

将式(1-8)代入(1-7)，并根据式(1-5)和(1-6)可知，最大化(1-7)等价于最小化：

式(1-9)是关于β的高阶可导连续凸函数，根据凸优化理论求得其最优解，于是得到

通过对以上算法的计算机实现，建立相应的算法模型。

本发明通过模拟盗窃杆塔行为获得盗窃杆塔与非盗窃杆塔两个类别的算法模型，然后实时取光缆振动信号对应的数据特征向量，根据所获得的算法模型对光缆振动信号对应的数据特征向量进行判断是否为盗窃杆塔事件，判断出盗窃杆塔事件后再通过时域数据所在的空间点数即可计算出盗窃杆塔事件发生位置的光纤长度，从而可实时监测盗窃杆塔情况，一旦发现盗窃杆塔就进行识别告警，可快速及准确地判断出偷盗电力杆塔发生的位置及时间，提高了杆塔的安全性。

附图说明

图1为本发明一种基于输电线路OPGW的杆塔防盗在线监测系统其中一个实施例的结构示意图；

图2为本发明一种基于输电线路OPGW的杆塔防盗在线监测方法其中一个实施例的流程图；

图3为敲击行为时域信号；

图4为切割钢材时域信号；

图5为爬塔行为时域信号；

图6为大风时域信号。

具体实施方式

为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通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。

实施例1

如图1所示，本发明实施例提供一种基于输电线路OPGW的杆塔防盗在线监测系统，包括：光缆1、分布式光纤振动探测仪(DVS)2、数据处理单元3、中枢系统4。所述光缆1中的一芯光纤接入分布式光纤振动探测仪2，分布式光纤振动探测仪2、数据处理单元3、中枢系统4依次连接，所述分布式光纤振动探测仪2用于对异常振动信号进行监测，实时提取光缆振动信号对应的数据特征向量；所述数据处理单元3用于根据模拟盗窃杆塔行为得到的数据样本提取的数据特征向量建立盗窃杆塔与非盗窃杆塔算法模型，并根据算法模型对实时提取的光缆振动信号对应的数据特征向量进行分析，判断其是否为盗窃杆塔事件；所述中枢系统4用于当数据处理单元3发现盗窃杆塔事件时，通过异常振动的时域数据所在的空间点数计算出盗窃杆塔事件发生位置的光纤长度，并告警。

实施例2

如图2所示的一种基于输电线路OPGW的杆塔防盗在线监测方法，用于实施例1所述的一种基于输电线路OPGW的杆塔防盗在线监测系统，具体包括以下步骤：

S1：将光缆里的一芯光纤与分布式光纤振动探测仪2进行连接，并实时地对异常振动信号进行监测；对所测得的振动信号据按照“空间-时间”整理为大小为M×N的二维数组X，其元素X(k,j)指空间点k在时刻j的振动信号强度；

S2：找到线路上的一处杆塔，模拟盗窃杆塔行为(如进行敲击、切割杆塔上的钢材、爬塔等行为)，标记分布式光纤振动探测仪2采集到的此杆塔附近的数据样本为盗窃杆塔的样本，并提取此样本数据的数据特征向量，包括因峰值因子、脉冲因子、裕度因子与波形因子等。图3为敲击行为时域信号，图4为切割钢材时域信号，图5为爬塔行为时域信号，图6为大风时域信号。

从图3-6可以看出，不同事件的时域信号不同，敲击行为时振动信号强烈且为脉冲式；切割钢材时振动信号持续信号平稳；爬塔行为时振动信号持续信号微弱；大风振动时振动信号持续信号影响区域范围更广。

其中特征提取是信号模式识别的关键步骤，如果提取的特征不具有代表性和稳定性，输入分类器分类时会有很高的误报率。

因峰值因子、脉冲因子、裕度因子与波形因子四种特征量能够反映信号的在短时间内冲击程度。敲击、切割杆塔上的钢材、爬塔一类事件具有明显的冲击特点，因此可在信号的时域数据中，通过阈值分割提取事件的空间范围，然后计算数据在影响范围内的均值，进而按照以下定义计算信号的冲击特征。

峰值因子CF的定义为信号最大值X_max(峰值)与信号均方根X_RMS(有效值)的比值，反映的是信号在短时间内波动的剧烈情况，如式(1-1)所示：

脉冲因子IF能够用来检测信号中冲击的烈度，定义为信号最大值X_max(峰值)与信号平均值

的比值，如式(1-2)所示，为无量纲量。

裕度因子CL为信号的最大值X_max(峰值)与信号幅值方根求和均值的平方的比值，是一个为对外界振动较为敏感的参数，定义为式的形式：

波形因子SF用于反映信号在短时间内的变化，定义为信号均方根X_RMS与平均值

的比值，如式(1-4)所示：

S3：标记分布式光纤振动探测仪2采集到的此杆塔附近的无模拟盗窃杆塔行为的数据为非盗窃杆塔样本，按照步骤S2中相同的方式提取此样本数据的数据特征向量；

S4：提取上述每一个样本信号的数据特征向量组成数据特征向量集以及每一个样本的标签集,根据积累的样本集合{x1,x2,…,xi,…xn}，提取每一个样本信号xi的数据特征向量集Pi、标签Labi，组成数据特征向量集Ω＝{P1,P2,…,Pi,…Pn}，以及每一个样本的标签集F＝{Lab1,Lab2,…,Labi,…Labn}，其中Labi的内容为1或0中的一种，其中标签里为1示为盗窃杆塔、0示为非盗窃杆塔；

S5：依据收集的数据特征向量集和标签集，通过逻辑斯蒂回归算法对样本进行训练，并将其划分为盗窃杆塔与非盗窃杆塔两个类别，建立相应的算法模型:

其中

x_i是x在第i个属性上的取值，而w＝(w₁；w₂；...；w_d)，w^T表示转置，参数w和b可以通过数据模型学习可以确定，通过“极大似然法”(maximum likelihoodmethod)来估计w和b，给定数据集，对逻辑斯蒂回归模型进行最大化“对数似然”(loglikehood)计算：

即令每个样本真实标记的概率越大越好，为便于计算，令β＝(w；b),

则w^Tx+b可简写为/>

再令/>

则式(1-7)中的似然项可重写为

将式(1-8)代入(1-7)，并根据式(1-5)和(1-6)可知，最大化(1-7)等价于最小化：

式(1-9)是关于β的高阶可导连续凸函数，根据凸优化理论可求得其最优解，于是可得到

通过对以上算法的计算机实现，建立相应的算法模型。

建立模型后，利用训练模拟样本进行回测，得到的混淆矩阵如下表1，分类准确率为96.7％，分类效果较好，可应用模型进行盗窃事件预测。

表1

S6：分布式光纤振动探测仪2连接光缆1用于实时提取光缆振动信号，对异常振动信号进行监测；将光缆振动信号传送至与分布式光纤振动探测仪2，实时提取光缆振动信号对应的数据特征向量，然后通过数据处理单元3得出的算法模型对振动数据进行进行分析，判断其是否为盗窃杆塔事件；

S7：当数据处理单元3发现盗窃杆塔事件时，连接数据处理单元3的中枢系统4通过异常振动的时域数据所在的空间点数计算出盗窃杆塔事件发生位置的光纤长度，并告警；例如数据X(k,j)指空间点k在时刻j的振动信号数据判断为盗窃事件时(在对数据进行采样时，每条数据本身包含相应的时空信息)，则可判断出在这条光纤的空间点k在时刻j位置发现盗窃事件。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何属于本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (4)

1.一种基于输电线路OPGW的杆塔防盗在线监测方法，其特征在于采用基于输电线路OPGW的杆塔防盗在线监测系统进行，所述基于输电线路OPGW的杆塔防盗在线监测系统包括光缆、分布式光纤振动探测仪、数据处理单元、中枢系统；所述光缆中的一芯光纤接入分布式光纤振动探测仪，分布式光纤振动探测仪、数据处理单元、中枢系统依次连接；所述分布式光纤振动探测仪用于对异常振动信号进行监测，实时提取光缆振动信号对应的数据特征向量；所述数据处理单元用于根据模拟盗窃杆塔行为得到的数据样本提取的数据特征向量建立盗窃杆塔与非盗窃杆塔算法模型，并根据算法模型对实时提取的光缆振动信号对应的数据特征向量进行分析，判断其是否为盗窃杆塔事件；所述中枢系统用于当数据处理单元发现盗窃杆塔事件时，通过异常振动的时域数据所在的空间点数计算出盗窃杆塔事件发生位置的光纤长度，并告警，所述方法包括以下步骤：

S1：将光缆里的一芯光纤与分布式光纤振动探测仪进行连接，并实时地对光缆振动信号进行监测；对所测得的振信号据按照“空间-时间”整理为大小为M×N的二维数组X，其元素X(k,j)指空间点k在时刻j的振动信号强度；

S2：找到线路上的一处杆塔，模拟盗窃杆塔行为，标记分布式光纤振动探测仪采集到的此杆塔附近的数据样本为盗窃杆塔的样本，并提取盗窃杆塔的样本的数据特征向量；

S3：标记分布式光纤振动探测仪采集到的此杆塔附近的无模拟盗窃杆塔行为的数据为非盗窃杆塔样本，按照S2中相同的方式提非盗窃杆塔样本的数据特征向量；

S4：提取每一个样本的数据特征向量组成数据特征向量集以及每一个样本的标签集,根据积累的样本集合{x1,x2,…,xi,…xn}，提取每一个样本xi的数据特征向量集Pi、标签Labi，组成数据特征向量集Ω＝{P1,P2,…,Pi,…Pn}，以及每一个样本的标签集F＝{Lab1,Lab2,…,Labi,…Labn}，其中Labi的内容为1或0中的一种，其中标签里为1示为盗窃杆塔、0示为非盗窃杆塔；

S5：依据收集的数据特征向量集和标签集，通过逻辑斯蒂回归算法对样本进行训练，并将其划分为盗窃杆塔与非盗窃杆塔两个类别，建立相应的算法模型；

S6：实时提取光缆振动信号对应的数据特征向量，利用所述算法模型判断是否为盗窃杆塔事件；

S7：当发现盗窃杆塔事件时，中枢系统通过异常振动的时域数据所在的空间点数计算出盗窃杆塔事件发生位置的光纤长度，并告警；

步骤S5中建立相应的算法模型如下:

其中x＝(x₁；x₂；...；x_d)，x_i是x在第i个属性上的取值，而w＝(w₁；w₂；...；w_d)，w^T表示转置，参数w和b可以通过数据模型学习确定，通过“极大似然法”来估计w和b，给定数据集，对逻辑斯蒂回归模型进行最大化“对数似然”(loglikehood)计算：

即令每个样本真实标记的概率越大越好，为便于计算，令β＝(w；b),

则w^Tx+b简写为/>

再令/>

则式(1-7)中的似然项重写为

将式(1-8)代入式(1-7)，并根据式(1-5)和式(1-6)可知，最大化式(1-7)等价于最小化式(1-9)：

式(1-9)是关于β的高阶可导连续凸函数，根据凸优化理论求得其最优解，于是得到

通过对以上算法的计算机实现，建立相应的算法模型。

2.如权利要求1所述的基于输电线路OPGW的杆塔防盗在线监测方法，其特征在于：所述模拟盗窃杆塔行为包括敲击、切割杆塔上的钢材、爬塔。

3.如权利要求1所述的基于输电线路OPGW的杆塔防盗在线监测方法，其特征在于：所述数据特征向量包括因峰值因子、脉冲因子、裕度因子与波形因子。

4.如权利要求3所述的基于输电线路OPGW的杆塔防盗在线监测方法，其特征在于：

峰值因子CF的定义为信号最大值X_max与信号均方根X_RMS的比值，反映的是信号在短时间内波动的剧烈情况，如式(1-1)所示：

脉冲因子IF能够用来检测信号中冲击的烈度，定义为信号最大值X_max与信号平均值

的比值，如式(1-2)所示，为无量纲量；

裕度因子CL为信号的最大值X_max与信号幅值方根求和均值的平方的比值，是一个为对外界振动较为敏感的参数，定义为式(1-3)的形式：

波形因子SF用于反映信号在短时间内的变化，定义为信号均方根X_RMS与平均值

的比值，如式(1-4)所示：

Images