CN114812491B - 基于长时间序列分析的输电线路地表形变预警方法及装置 - Google Patents
基于长时间序列分析的输电线路地表形变预警方法及装置 Download PDFInfo
- Publication number
- CN114812491B CN114812491B CN202210059567.0A CN202210059567A CN114812491B CN 114812491 B CN114812491 B CN 114812491B CN 202210059567 A CN202210059567 A CN 202210059567A CN 114812491 B CN114812491 B CN 114812491B
- Authority
- CN
- China
- Prior art keywords
- deformation
- time sequence
- transmission line
- power transmission
- model
- 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.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B21/00—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant
- G01B21/32—Measuring arrangements or details thereof, where the measuring technique is not covered by the other groups of this subclass, unspecified or not relevant for measuring the deformation in a solid
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
- G01S13/88—Radar or analogous systems specially adapted for specific applications
- G01S13/89—Radar or analogous systems specially adapted for specific applications for mapping or imaging
- G01S13/90—Radar or analogous systems specially adapted for specific applications for mapping or imaging using synthetic aperture techniques, e.g. synthetic aperture radar [SAR] techniques
- G01S13/9021—SAR image post-processing techniques
- G01S13/9023—SAR image post-processing techniques combined with interferometric techniques
Landscapes
- Engineering & Computer Science (AREA)
- Remote Sensing (AREA)
- Radar, Positioning & Navigation (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Electromagnetism (AREA)
- Computer Networks & Wireless Communication (AREA)
- Radar Systems Or Details Thereof (AREA)
Abstract
本发明提出了一种基于长时间序列分析的输电线路地表形变预警方法及装置,包括:获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图;在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型;通过长时间序列分析模型对兴趣点的地表形变进行预测。本发明解决了目前有关输电线路地表形变的预测与预警问题,基于地表形变时间序列,引入差分自回归移动平均模型,能够对兴趣点的地表形变进行后续时间序列地表形变值的预测,实现高精度的输电线路地表形变预测,突破了现有输电线路地表形变停留在形变监测的局面。
Description
技术领域
本发明属于地表形变勘测领域,尤其涉及一种基于长时间序列分析的输电线路地表形变预警方法及装置。
背景技术
随着我国经济社会的不断发展,电力需求快速增长,使得电力系统规模逐渐扩大,网架结构日益复杂,电网负荷变动剧烈。由于某些现实条件的限制,部分输电线路被迫经过自然条件复杂,地质灾害频发,交通设施薄弱的区域,比如我国西南地区输电通道。对输电铁塔而言,长期连续的地表形变会导致塔基的起伏,造成塔身的倾斜,威胁整条输电线路的安全运行。
对于输电铁塔的监测,主要还是依靠人工巡线为主。而人工巡检,对于微小形变很难做到及时发现,只有当发生重大事故或明显形变时才能发现。这将增加运维人员的维护时间,同时也增加维护成本。对于那些无人职守的地区只有当事故发生时才能获悉。因此实现输电线路地表形变时时监测、精准预测、精确预警对于输电线路的安全运行具有重大的意义。
目前有关地表形变研究最先进的是采用时序差分干涉技术对其进行地表形变监测。合成孔径雷达干涉测量技术(Interferometric Synthetic Aperture Radar,InSAR)以其全天时、全天候、监测范围广、精度高等优势,克服传统的地表形变监测方法的不足,成为地表形变监测实践应用上新的研究热点,它改善了传统监测技术的局限性,扩大了应用场景,并且监测精度有了很大的提升。对于输电线路这一特殊的地表建筑,在形变监测方面,已有较为系统的基于PS的时序InSAR技术、SBAS-InSAR技术,可以获得较为准确的形变信息;而有关预测预警方面,现有相关预测技术一般是针对某一建筑或特定地区,如大桥、矿区的地形观测值,采用数学统计模型等进行预测。而对于输电线路这一特殊的地表建筑,暂时很少有专门的预测模型可以精准的预测其地形变化,因此还不能实现对形变异常值提前做到预警。
发明内容
为了解决现有技术中存在的缺点和不足,本发明提出了一种长时间序列分析的输电线路地表形变预警方法,包括:
获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图;
在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型;
通过长时间序列分析模型对兴趣点的地表形变进行预测。
可选的,所述获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图,包括:
通过SAR传感器采集输电线路地表在预设的时间基线上的SAR影像;
对SAR影像进行配准得到SAR影像中的立体像对,对立体像对进行共轭相乘操作,得到输电线路地表形变的干涉纹图;
对干涉纹图进行去除平地效应处理,得到差分干涉图;
结合最小二乘法和奇异值分解法对差分干涉图进行相位解缠,得到输电线路地表的形变图
可选的,在对差分干涉图进行相位解缠,得到输电线路地表的形变图之前,所述预警方法还包括对差分干涉纹图进行高斯滤波处理。
可选的,所述结合最小二乘法和奇异值分解法对差分干涉图进行相位解缠,得到输电线路地表的形变图,包括:
分别对每一幅差分干涉图列写相位解缠表达式,得到若干个相位解缠表达式组成的方程组为:
其中,δφ(x,r)表示差分干涉图中坐标为(x,r)的像元的解缠相位,A表示维度为M*N的系数矩阵,N为SAR影像的数量,每一幅SAR影响对应一个时刻,M为差分干涉图的数量,且有(N+1)/2≤M≤N(N+1)/2,表示由差分干涉图中像元(x,r)未知形变相位构成的矩阵;
对所述方程组进行求解,得到求解结果,其中,当M≥N时,采用最小二乘法进行求解,当M<N时,采用奇异值分解法进行求解,根据所述求解结果确定各个相元在各个时刻之间的形变量并生成形变图。
可选的,所述在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型,包括:
计算形变图中各像元的相干系数,提取相干系数大于预设阈值的像元作为兴趣点;
根据形变图获取兴趣点的形变量,将形变量按照时间顺序排列得到地表形变时间序列;
将地表形变时间序列进行预处理得到平稳时间序列,根据平稳时间序列的偏自相关函数和自相关函数,确定差分自回归移动平均模型中ARIMA模型的阶数;
分析所述阶数是否通过白噪声检验,若通过检验,结合预设识别规则构建长时间分析模型,否则对阶数进行调整直至通过检验。
可选的,所述分析所述阶数是否通过白噪声检验,包括:
将平稳时间序列输入ARIMA模型中,计算ARIMA模型的残差;
检验所述残差是否满足白噪声条件,若满足则当前确定的ARIMA模型的阶数通过白噪声检验;
所述白噪声条件为:
其中,yt表示t时刻的残差序列值,E(yt)表示残差序列值的均值,Var(yt)表示残差序列值的方差,Cov(yt,yt-j)表示残差序列值的协方差,σ表示预设定值。
可选的,所述结合预设识别规则构建长时间分析模型,包括:
若平稳时间序列的偏相关函数是截尾的,而自相关函数是拖尾的,则将ARIMA模型设置为AR模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数是拖尾的,而自相关函数是截尾的,则将ARIMA模型设置为MA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数和自相关函数均是拖尾的,则基于ARIMA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果。
本发明还提出了一种基于长时间序列分析的输电线路地表形变预警装置,包括:
形变图单元:用于获取输电线路地表的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图;
建模单元:用于在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型;
预测单元:用于通过长时间序列分析模型对兴趣点的地表形变进行预测。
本发明还提出了一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述输电线路地表形变预警方法的步骤。
本发明还提出了一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行上述输电线路地表形变预警方法。
本发明提供的技术方案带来的有益效果是:
本发明解决了目前有关输电线路地表形变的预测与预警问题,基于多源时间序列的雷达影像,首先采用InSAR技术方法对输电线路进行地表形变监测,此方法有效地减弱时空失相干的影响,使得到的形变图在时间和空间上更为连续,其次基于地表形变时间序列,引入差分自回归移动平均ARIMA(p,d,q)模型构建长时间序列分析模型,能够对兴趣点的地表形变进行后续时间序列地表形变值的预测,实现高精度的输电线路地表形变预测,最终对预测形变值超出设定阈值的情况提前做出预警,突破了现有输电线路地表形变停留在形变监测的局面。
同时,差分自回归移动平均ARIMA(p,d,q)预测模型相较于其他预测模型,例如一般地表沉降运用的数学统计模型中的解释性预测法以及灰色模型等存在的倚赖原始数据、预测所需参数多,操作复杂等问题,作为时间序列预测方法的一种,ARIMA模型将数据按照时间顺序排列,对数据进行相互关联处理,找到数据随时间变化的规律,并利用数据之间的自相关性建立合适使用的预测模型,不完全依赖于历史数据质量,也不需要建立显示数学函数,能够挖掘数据的内在关系,所需参数少,操作简单,还能够降低实测数据中白噪声的影响,从而使形变预测的精度更高,能够适用于长期预测。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明实施例提出的基于长时间序列分析的输电线路地表形变预警方法的流程示意图;
图2为ARIMA模型预测的效果图;
图3为本发明另一实施例提出的基于长时间序列分析的输电线路地表形变预警装置的结构框图。
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,所描述的实施例仅仅是本发明一部分实施例,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。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
应当理解,在本发明的各种实施例中,各过程的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
应当理解,在本发明中,“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应当理解,在本发明中,“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含A、B和C”、“包含A、B、C”是指A、B、C三者都包含,“包含A、B或C”是指包含A、B、C三者之一,“包含A、B和/或C”是指包含A、B、C三者中任1个或任2个或3个。
应当理解,在本发明中,“与A对应的B”、“与A相对应的B”、“A与B相对应”或者“B与A相对应”,表示B与A相关联,根据A可以确定B。根据A确定B并不意味着仅仅根据A确定B,还可以根据A和/或其他信息确定B。A与B的匹配,是A与B的相似度大于或等于预设的阈值。
取决于语境,如在此所使用的“若”可以被解释成为“在……时”或“当……时”或“响应于确定”或“响应于检测”。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例不再赘述。
实施例一
如图1所示,本实施例提出了一种基于长时间序列分析的输电线路地表形变预警方法,包括:
S1:获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图;
S2:在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型;
S3:通过长时间序列分析模型对兴趣点的地表形变进行预测。
本实施例通过构建长时间序列分析模型对输电线路地表形变进行预测预警,突破了现有输电线路地表形变停留在形变监测的局面,提供了一种新的高精度预测预警方法。
首先根据输电线路的经纬度确定待分析的区域,并采集该区域的SAR影像,通过SAR传感器,按照时间顺序获取N景SAR数据影像通过SAR传感器,本实施例中采集的时间间隔为半个月,时间跨度为1年。
本实施例通过InSAR技术分析SAR影像,进而生成输电线路地表的形变图,实现地表沉降监测。InSAR技术是一种应用于测绘和遥感的雷达技术,它是利用合成孔径雷达对同一地区观测的两幅既有幅值又有相位的复数值影像数据进行相干处理,以获取地表高程信息的技术。在本实施例中具体为:
通过SAR传感器采集输电线路地表在预设的时间基线上的SAR影像;对SAR影像进行配准得到SAR影像中的立体像对,对立体像对进行共轭相乘操作,得到输电线路地表形变的干涉纹图。本实施例使用ENVI5.3软件的SARscape模块,应用SARscape\Basic\IntensityProcessing\Coregistration工具,将多幅SAR影像进行地理配准,统一栅格单元的位置,根据配准多项式将图像的配准误差控制在1/8个像元以下。
对干涉纹图进行去除平地效应处理,得到差分干涉图。平地效应是指水平地面上高度相同的两个物体由于卫星的距离不同所产生的相位差异,造成这种现象的根本原因是合成孔径雷达采用的是斜距成像的方式,它是依据接收回波信号的先后顺序成像的,先接受的信号被先记录。平地效应使得产生的干涉条纹过于密集,对相位解缠造成很大困难,因此在进行相位解缠之前需要去除平地效应。一般通过卫星轨道数据、DEM以及几何模型去除平地和地形相位,实际处理中,利用参考DEM进行广义平地相位去除可以分为两步进行:结合系统参数和几何关系,将低分辨率的参考DEM转换为相位值,将求出的相位值从干涉图中减去,得到干涉图去平地后的结果。需要说明的是,平地相位的去除只是为了减小干涉条纹密度,从而减轻相位滤波或展开的难度,在高程重建之前,需要将去平地后剩余的绝对相位分量再加入到参考DEM对应的绝对相位中,得到完整的绝对相位,才能正确恢复高程信息。本实施例中先使用ENVI5.3软件的SARscape模块,应用SARscape\InterferometricStacking\SBAS\1-Connection Graph生成连接图;再用SARscape\InterferometricStacking\SBAS\2-Interferometric Process工具,通过输入卫星轨道数据、DEM数据等同步去除平地相位,直接获得差分干涉图,此步骤同时生成相干系数信息。
本实施例中,在对差分干涉图进行相位解缠之前,所述预警方法还包括对差分干涉纹图进行高斯滤波处理,具体为:使用ENVI5.3软件的SARscape模块,使用SARscape\Interferometry\Adaptive Filter and Coherence Generation工具,对上一步去除平地效应后的干涉图进行滤波,去掉由平地干涉引起的位相噪声。
滤波处理后,本实施例结合最小二乘法和奇异值分解法对差分干涉图进行相位解缠,得到输电线路地表的形变图,具体为:使用ENVI5.3软件的SARscape模块,应用SARscape\Interferometry\Phase Unwrapping工具,输入上一步滤波后生成的图像,确定相干性阈值为0.75,采用最小二乘法进行相位解缠干涉相位,根据相干像元相位和观测时间的关系,利用奇异值分解法得到最小二乘解估计时间序列的非线性变形,生成地表形变图。
在进行相位解缠时,某像元(x,r)对应的解缠相位可表示为:
其中,表示差分干涉图j中像元(x,r)的解缠相位,/>表示差分干涉图j中像元(x,r)处由DEM误差形成的相位,/>表示差分干涉图j中像元(x,r)在时刻tB与时刻tA间大气影响产生的相位,/>表示差分干涉图j中像元(x,r)处由噪声导致的相位,并有:
式中λ为波长,B⊥j为波兹曼常量,θ为雷达视角,ΔZ为DEM误差,R为雷达距观测物的斜距,d(tB,x,r)和d(tA,x,r)分别表示相对于参考时间的视向累积变形量,表示差分干涉图中像元(x,r)在时刻tB大气影响产生的相位,表示差分干涉图中像元(x,r)在时刻tA大气影响产生的相位。
由于在处理过程中产生M幅干涉图,根据式(2)可得M个方程,以矩阵形式表示为式(3):
其中,δφ(x,r)表示差分干涉图中坐标为(x,r)的像元的解缠相位,A表示维度为M*N的系数矩阵,N为SAR影像的数量,每一幅SAR影响对应一个时刻,M为差分干涉图的数量,且有(N+1)/2≤M≤N(N+1)/2,表示由差分干涉图中像元(x,r)未知形变相位构成的矩阵。
对所述方程组进行求解,得到求解结果,其中,当M≥N时,采用最小二乘法进行求解,得到式(4):
其中,矩阵A是具有M行N列的矩阵,AT是矩阵A的秩。
当M<N时,方程有无数解,使用奇异值分解的方法采用奇异值分解法进行求解,最终可得到不同时刻所对应的累积形变量,具体包括:
将式(3)中相位表示为两个获取时间之间的平均相位速度和时间的乘积,即:
式(5)中,ν1、νM-1表示相邻两幅差分干涉图之间的形变速度,φ1、φ2、φM-1、φM依次表示第1幅、第2副、第M-1幅、第M幅差分干涉图的相位,t1、t2、tM-1、tM依次表示各个差分干涉图对应的时刻。
代替式(1)中的相位,得:
δφ(j)=∑(tk+1-tk)νk (6)
式(6)中,j=0、1、…、N-1,表示第j幅差分干涉图的相位值等于各时段速度νk在主、辅影像时间间隔上的积分,写成矩阵形式,从而得到一个新的矩阵方程:
δφdef=Dv (7)
式中,D是一个N*M的矩阵,对第j行,位于主辅影像获取时间之间的列,D(j,k)=tk-tk-1,其他D(j,k)=0,在这种情况下,将奇异值分解应用于矩阵D,就可以得到速度νk构成的矩阵v的最小范数解。根据各个时间区间的形变速度,对各时段速度在时间域上进行积分即可得到各个时间段的形变量。
此外,在线性模型的基础上,继续通过对残余相位进行空间和时间上的滤波,就可以分离出大气相位和非线性形变相位,将非线性形变叠加到线性形变中,即可求出总的地表形变量。
本实施例在基于InSAR技术实现对输电线路地表形变监测的基础上,通过构建长时间序列分析模型对形变量序列进行分析与预测。
为了构建长时间序列分析模型,首先在形变图中选取兴趣点,具体为:计算形变图中各像元的相干系数,提取相干系数大于预设阈值的像元作为兴趣点,即将高相干性散射体点作为兴趣点,用于后续的预测与预警。高相干性散射体点的提取原则有两个:(1)在时间序列SAR数据中,保持较高的回波信号强度;(2)在SAR干涉像对中,持续保持较高的相干性。
随后,通过形变图获取兴趣点的地表形变时间序列,即根据形变图获取兴趣点的形变量,将形变量按照时间顺序排列得到地表形变时间序列。
再结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型,差分自回归移动平均模型(ARIMA)中,AR表示自回归模型,p为自回归项数,自回归模型AR描述当前值与历史值之间的关系,用变量自身的历史时间数据对自身进行预测,等同于ARIMA(p,0,0)。I为差分,d为使之成为平稳序列所做的差分次数(阶数)。MA表示滑动平均模型,移动平均模型关注的是自回归模型中的误差项的累加,等同于ARIMA(0,0,q)。
本实施例中,构建长时间序列模型的具体过程包括:
将地表形变时间序列进行预处理得到平稳时间序列,在本实施例中,平稳性检测就是观测获取的时间序列数据是否为平稳时间序列,若为非平稳时间序列要先进行d阶差分处理化为平稳时间序列。差分就是求时间序列在t时刻的值与t-1时刻的值的差,记作dt,进而得到了一个新序列{dt},记为一阶差分,对新序列{dt}再做同样的操作,则记为二阶差分。通常非平稳序列可以经过d次差分,处理成弱平稳或者近似弱平稳时间序列,此处的d即为差分自回归移动平均模型ARIMA(p,d,q)中的d。本实施例中确定差分自回归移动平均模型中的d为1。
根据平稳时间序列的偏自相关函数PACF和自相关函数ACF,确定差分自回归移动平均模型的阶数,PACF决定了p值,表示剔除了中间k-1个随机变量x(t-1)、x(t-2)、……、x(t-k+1)的干扰之后x(t-k)对x(t)影响的相关程度,ACF决定了q值,反映了同一序列在不同时序的取值之间的相关性。本实施例中通过对对自相关图和偏自相关图的分析,得到最佳的阶数p为5,q为4。
分析所述阶数是否通过白噪声检验,若通过检验,结合预设识别规则构建长时间分析模型,否则对阶数进行调整直至通过检验。具体的,所述分析所述阶数是否通过白噪声检验,包括:
将平稳时间序列输入ARIMA模型中,计算ARIMA模型的残差;
检验所述残差是否满足白噪声条件,若满足则当前确定的ARIMA模型的阶数通过白噪声检验。
白噪声是指一个随机过程,组成该过程的所有随机序列彼此互相独立,并且均值为0,方差为恒定不变值。所述白噪声检验是指,对模型残差进行检验,如果残差是白噪声序列,说明时间序列中有用的信息已经被提取完毕了,剩下的全是随机扰动,是无法预测和使用的;如果通过了白噪声检验,则建模就可以终止了,因为没有信息可以继续提取;如果残差如果未通过白噪声检验,说明残差中还有有用的信息,需要修改模型。
本实施例中,所述白噪声条件为:
其中,yt表示t时刻的残差序列值,E(yt)表示残差序列值的均值,Var(yt)表示残差序列值的方差,Cov(yt,yt-j)表示残差序列值的协方差,σ表示预设定值。当满足上述条件,则通过白噪声检验,反之,则不通过。
最后,结合预设识别规则构建长时间分析模型,包括:
若平稳时间序列的偏相关函数是截尾的,而自相关函数是拖尾的,则将差分自回归移动平均模型设置为AR模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数是拖尾的,而自相关函数是截尾的,则将差分自回归移动平均模型设置为MA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数和自相关函数均是拖尾的,则将差分自回归移动平均模型设置为ARIMA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果。
所述截尾指时间序列的自相关函数(ACF)或偏自相关函数(PACF)在某阶后均为0的性质(比如AR的PACF),所述拖尾指ACF或PACF并不在某阶后均为0的性质(比如AR的ACF)。
后续将通过长时间序列模型对平稳序列进行分析与预测,得到对兴趣点的地表形变预测结果,同时设定形变阈值为已准确获得地表形变的最大形变速率的N倍,一旦预测值超出这个阈值,提前做出预警,以此利用数据之间的自相关性建立合适使用的预测模型,不完全依赖于历史数据的质量的前提下解决输电线路地表形变的预警难题。
本实施例提出的预警方法在仿真环境下进行实验,在PC机(Intel Core,主频3.40GHZ,内存32GB)的仿真环境下,对安徽省黄山市休宁县北部区域输电线路对地表形变进行检测,取得部分结果如图2所示,共选取时间跨度为2020年3月到2021年2月、时间间隔为半个月的30期影像中的50个兴趣点,用前15期数据的形变值构建模型并进行样本训练,模型预测后15期的地表形变,经检验预测精度为82.5%。结果表明,本发明提出的方法对输电线路地表形变的预测效果很好,同时做到了对形变异常值的预警。
实施例二
如图3所示,本实施例对于实施例一提出的预警方法,提出了一种基于长时间序列分析的输电线路地表形变预警装置4,包括:
形变图单元41:用于获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图;
建模单元42:用于在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型;
预测单元43:用于通过长时间序列分析模型对兴趣点的地表形变进行预测。
本发明实施例还提供一种电子设备,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现上述输电线路地表形变预警方法的步骤。
本发明实施例还提供一种计算机可读存储介质,存储有计算机可执行指令,所述计算机可执行指令用于执行上述输电线路地表形变预警方法。
上述实施例中的各个序号仅仅为了描述,不代表各部件的组装或使用过程中的先后顺序。
以上所述仅为本发明的实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.基于长时间序列分析的输电线路地表形变预警方法,其特征在于,包括:
获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图;
在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型,
包括:
计算形变图中各像元的相干系数,提取相干系数大于预设阈值的像元作为兴趣点;
根据形变图获取兴趣点的形变量,将形变量按照时间顺序排列得到地表形变时间序列;
将地表形变时间序列进行预处理得到平稳时间序列,根据平稳时间序列的偏相关函数和自相关函数,确定差分自回归移动平均模型的阶数;
分析所述阶数是否通过白噪声检验,若通过检验,结合预设识别规则构建长时间分析模型,否则对阶数进行调整直至通过检验;
通过长时间序列分析模型对兴趣点的地表形变进行预测;
若平稳时间序列的偏相关函数是截尾的,而自相关函数是拖尾的,则将差分自回归移动平均模型设置为AR模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数是拖尾的,而自相关函数是截尾的,则将差分自回归移动平均模型设置为MA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数和自相关函数均是拖尾的,则将差分自回归移动平均模型设置为ARIMA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果。
2.根据权利要求1所述的基于长时间序列分析的输电线路地表形变预警方法,其特征在于,所述获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图,包括:
通过SAR传感器采集输电线路地表在预设的时间基线上的SAR影像;
对SAR影像进行配准得到SAR影像中的立体像对,对立体像对进行共轭相乘操作,得到输电线路地表形变的干涉纹图;
对干涉纹图进行去除平地效应处理,得到差分干涉图;
结合最小二乘法和奇异值分解法对差分干涉图进行相位解缠,得到输电线路地表的形变图。
3.根据权利要求2所述的基于长时间序列分析的输电线路地表形变预警方法,其特征在于,在所述对差分干涉图进行相位解缠之前,所述预警方法还包括对差分干涉纹图进行高斯滤波处理。
4.根据权利要求2所述的基于长时间序列分析的输电线路地表形变预警方法,其特征在于,所述结合最小二乘法和奇异值分解法对差分干涉图进行相位解缠,得到输电线路地表的形变图,包括:
分别对每一幅差分干涉图列写相位解缠表达式,得到若干个相位解缠表达式组成的方程组为:
其中,δφ(x,r)表示差分干涉图中坐标为(x,r)的像元的解缠相位,A表示维度为M*N的系数矩阵,N为SAR影像的数量,每一幅SAR影响对应一个时刻,M为差分干涉图的数量,且有(N+1)/2≤M≤N(N+1)/2,表示由差分干涉图中像元(x,r)未知形变相位构成的矩阵;
对所述方程组进行求解,得到求解结果,其中,当M≥N时,采用最小二乘法进行求解,当M<N时,采用奇异值分解法进行求解;
根据所述求解结果确定各个相元在各个时刻之间的形变量并生成形变图。
5.根据权利要求1所述的基于长时间序列分析的输电线路地表形变预警方法,其特征在于,所述分析所述阶数是否通过白噪声检验,包括:
将平稳时间序列输入ARIMA模型中,计算ARIMA模型的残差;
检验所述残差是否满足白噪声条件,若满足则当前确定的ARIMA模型的阶数通过白噪声检验;
所述白噪声条件为:
yt表示t时刻的残差序列值,E(yt)表示残差序列值的均值,Var(yt)表示残差序列值的方差,Cov(yt,yt-j)表示残差序列值的协方差,σ表示预设定值。
6.基于长时间序列分析的输电线路地表形变预警装置,其特征在于,包括:
形变图单元:用于获取输电线路的SAR影像,通过InSAR技术处理SAR影像生成输电线路地表的形变图;
建模单元:用于在形变图中选取兴趣点,通过形变图获取兴趣点的地表形变时间序列,结合预设识别规则与差分自回归移动平均模型,构建长时间序列分析模型,包括:
计算形变图中各像元的相干系数,提取相干系数大于预设阈值的像元作为兴趣点;
根据形变图获取兴趣点的形变量,将形变量按照时间顺序排列得到地表形变时间序列;
将地表形变时间序列进行预处理得到平稳时间序列,根据平稳时间序列的偏自相关函数和自相关函数,确定差分自回归移动平均模型的阶数;
分析所述阶数是否通过白噪声检验,若通过检验,结合预设识别规则构建长时间分析模型,否则对阶数进行调整直至通过检验;
预测单元:用于通过长时间序列分析模型对兴趣点的地表形变进行预测;
若平稳时间序列的偏相关函数是截尾的,而自相关函数是拖尾的,则将差分自回归移动平均模型设置为AR模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数是拖尾的,而自相关函数是截尾的,则将差分自回归移动平均模型设置为MA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果;
若平稳时间序列的偏相关函数和自相关函数均是拖尾的,则将差分自回归移动平均模型设置为ARIMA模型对平稳时间序列进行预测分析,得到后续时间序列的形变量预测结果。
7.一种电子设备,其特征在于,包括:存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至5中任一项所述的输电线路地表形变预警方法的步骤。
8.一种计算机可读存储介质,其特征在于,存储有计算机可执行指令,所述计算机可执行指令用于执行如权利要求1至5中任一项所述的输电线路地表形变预警方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059567.0A CN114812491B (zh) | 2022-01-19 | 2022-01-19 | 基于长时间序列分析的输电线路地表形变预警方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210059567.0A CN114812491B (zh) | 2022-01-19 | 2022-01-19 | 基于长时间序列分析的输电线路地表形变预警方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114812491A CN114812491A (zh) | 2022-07-29 |
CN114812491B true CN114812491B (zh) | 2023-10-20 |
Family
ID=82527667
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210059567.0A Active CN114812491B (zh) | 2022-01-19 | 2022-01-19 | 基于长时间序列分析的输电线路地表形变预警方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114812491B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117122312B (zh) * | 2023-10-26 | 2024-01-05 | 四川大学华西医院 | 防摔倒预警系统、方法、设备、存储介质和足底电子皮肤 |
CN117633494A (zh) * | 2023-11-20 | 2024-03-01 | 中国矿业大学 | 一种基于awc-lstm模型的煤矿地表形变预测方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS57142241A (en) * | 1981-01-24 | 1982-09-02 | Pfister Gmbh | Method and apparatus for continuously measuring body dimension and/or ratio of body dimension |
WO2006032138A1 (en) * | 2004-09-23 | 2006-03-30 | Ulysses Pharmaceutical Products Inc. | Carbo- and hetero-cyclic antibiotics and use thereof |
WO2016056996A1 (en) * | 2014-10-07 | 2016-04-14 | Nanyang Technological University | Methods to improve axial resolution in optical coherence tomography |
CN107843285A (zh) * | 2017-10-20 | 2018-03-27 | 国网浙江省电力公司经济技术研究院 | 一种输电塔线的风致动力效应远程监测系统及应用 |
WO2019200613A1 (zh) * | 2018-04-20 | 2019-10-24 | 华为技术有限公司 | 一种降低电磁辐射比吸收率的方法及设备 |
CN111474544A (zh) * | 2020-03-04 | 2020-07-31 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
CN112330079A (zh) * | 2021-01-07 | 2021-02-05 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112966435A (zh) * | 2021-03-01 | 2021-06-15 | 重庆交通大学 | 一种桥梁变形实时预测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200034859A1 (en) * | 2018-07-26 | 2020-01-30 | Walmart Apollo, Llc | System and method for predicting stock on hand with predefined markdown plans |
-
2022
- 2022-01-19 CN CN202210059567.0A patent/CN114812491B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS57142241A (en) * | 1981-01-24 | 1982-09-02 | Pfister Gmbh | Method and apparatus for continuously measuring body dimension and/or ratio of body dimension |
WO2006032138A1 (en) * | 2004-09-23 | 2006-03-30 | Ulysses Pharmaceutical Products Inc. | Carbo- and hetero-cyclic antibiotics and use thereof |
WO2016056996A1 (en) * | 2014-10-07 | 2016-04-14 | Nanyang Technological University | Methods to improve axial resolution in optical coherence tomography |
CN107843285A (zh) * | 2017-10-20 | 2018-03-27 | 国网浙江省电力公司经济技术研究院 | 一种输电塔线的风致动力效应远程监测系统及应用 |
WO2019200613A1 (zh) * | 2018-04-20 | 2019-10-24 | 华为技术有限公司 | 一种降低电磁辐射比吸收率的方法及设备 |
CN111474544A (zh) * | 2020-03-04 | 2020-07-31 | 广东明源勘测设计有限公司 | 一种基于sar数据的滑坡形变监测及预警方法 |
CN112364802A (zh) * | 2020-11-19 | 2021-02-12 | 中国地质调查局水文地质环境地质调查中心 | 一种崩塌滑坡灾害体的变形监测方法 |
CN112330079A (zh) * | 2021-01-07 | 2021-02-05 | 四川大汇大数据服务有限公司 | 地表信息预测方法及装置 |
CN112966435A (zh) * | 2021-03-01 | 2021-06-15 | 重庆交通大学 | 一种桥梁变形实时预测方法 |
Non-Patent Citations (3)
Title |
---|
ARIMA模型和Holt-Winters方法在边坡土体深层水平位移预测中的比较;晏凯;吴佳晔;张应迁;杨露;;科学技术与工程(第04期);全文 * |
基于季节分解和SARIMA-GARCH模型的铁路月度客运量预测方法;钱名军;李引珍;阿茹娜;;铁道学报(第06期);全文 * |
基于时序InSAR的覆砂石尾矿坝形变演化研究;陈娅男;李素敏;郭瑞;袁利伟;;中国安全生产科学技术(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114812491A (zh) | 2022-07-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11333796B2 (en) | Spatial autocorrelation machine learning-based downscaling method and system of satellite precipitation data | |
CN114812491B (zh) | 基于长时间序列分析的输电线路地表形变预警方法及装置 | |
Hostache et al. | Water level estimation and reduction of hydraulic model calibration uncertainties using satellite SAR images of floods | |
CN111999733B (zh) | 海岸带大坝稳定性监测与淹没脆弱性评估方法、系统 | |
CN110174044B (zh) | 一种基于psi技术的桥梁纵向位移形变监测的方法 | |
Schlögl et al. | Comprehensive time-series analysis of bridge deformation using differential satellite radar interferometry based on Sentinel-1 | |
CN108802727B (zh) | 一种顾及流变参数的时序InSAR公路形变监测模型及解算方法 | |
CN106204539A (zh) | 一种基于形态学梯度的反演城区建筑物沉降的方法 | |
CN108919266A (zh) | 一种基于PSInSAR技术的桥梁安全预警方法 | |
Anders et al. | 4D objects-by-change: Spatiotemporal segmentation of geomorphic surface change from LiDAR time series | |
CN112444188B (zh) | 一种多视角InSAR海堤高精度三维形变测量方法 | |
CN114440758B (zh) | 一种区域尺度上滑坡对降雨响应的分析方法 | |
Propastin et al. | Reducing uncertainty in modeling the NDVI-precipitation relationship: a comparative study using global and local regression techniques | |
CN109444879A (zh) | 一种DInSAR近断层同震形变场提取方法 | |
Chen et al. | ARU-net: Reduction of atmospheric phase screen in SAR interferometry using attention-based deep residual U-net | |
CN113251914A (zh) | InSAR技术与长短时记忆神经网络结合的地表形变预测方法 | |
CN103454636A (zh) | 基于多像素协方差矩阵的差分干涉相位估计方法 | |
CN114858238A (zh) | 地下水蓄变监测预警系统 | |
CN112051572A (zh) | 一种融合多源sar数据三维地表形变监测方法 | |
CN113281744A (zh) | 基于假设检验和自适应形变模型的时序InSAR方法 | |
CN114091274A (zh) | 一种滑坡易发性评价方法及系统 | |
CN116068511B (zh) | 一种基于深度学习的InSAR大尺度系统误差改正方法 | |
CN110657742A (zh) | 含水层形变信号分离方法、装置、设备及可读存储介质 | |
Gong et al. | Methods of INSAR atmosphere correction for volcano activity monitoring | |
Senogles et al. | LADI: Landslide displacement interpolation through a spatial-temporal Kalman filter |
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 |