CN118157324A - 基于孪生网络的输电线路风偏舞动预警方法及系统 - Google Patents

Abstract

本申请涉及数字孪生技术领域，提供基于孪生网络的输电线路风偏舞动预警方法及系统。所述方法包括：设置传感器，获取状态数据；基于状态数据与案例融合分析，构建样本集；构建孪生网络模型，利用样本集训练；部署舞动监测模块；连接传感器网络，输入数据至监测模块，孪生网络输出异常信息；根据预警等级配置库，配置预警等级，生成预警反馈。本申请解决了在复杂气象条件和线路运行状态下，难以准确判断输电线路是否发生舞动，从而无法及时采取预防措施，保障输电线路的安全运行的技术问题，实现了通过对比两个子网络的输出，对输电线路舞动状态的识别，提升输电线路舞动预警系统的性能，增强了预警的准确性和实时响应能力的效果。

Description

基于孪生网络的输电线路风偏舞动预警方法及系统

技术领域

本申请涉及数字化技术领域，具体涉及数字孪生技术领域，尤其涉及基于孪生网络的输电线路风偏舞动预警方法及系统。

背景技术

随着电力行业的快速发展和电网规模的不断扩大，输电线路的安全稳定运行对于保障电力供应和能源安全至关重要。然而，在实际运行过程中，输电线路在复杂的气象条件和多变的线路运行状态下，准确判断输电线路是否发生舞动成为一项技术难题，导致无法及时有效地应对舞动风险。线路舞动不仅会造成设备损坏和停电事故，还可能对周边环境和人员安全构成威胁。

发明内容

本申请通过提供了基于孪生网络的输电线路风偏舞动预警方法及系统，旨在解决在复杂气象条件和线路运行状态下，难以准确判断输电线路是否发生舞动，从而无法及时采取预防措施，保障输电线路的安全运行的技术问题。

鉴于上述问题，本申请提供了基于孪生网络的输电线路风偏舞动预警方法及系统。

本申请公开的第一个方面，提供了基于孪生网络的输电线路风偏舞动预警方法，所述方法包括：设置输电线传感器，通过传感器网络实时获得输电线路状态数据，包括温度、张力、加速度；连接图像监测设备，获取输电线路监测图像信息，对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征；基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集；构建孪生网络模型，所述孪生网络模型包括两个状态处理子网络，分别用于处理输电线路的正常状态数据和异常状态数据，利用所述正常样本集、异常样本集进行两个状态处理子网络训练，基于训练好的孪生网络模型部署舞动监测模块；连接所述传感器网络将采集到的所述输电线路状态数据输入所述舞动监测模块，通过所述孪生网络模型输出异常偏离信息；通过舞动预警等级配置库，针对所述异常偏离信息进行预警等级配置，生成舞动预警信息进行反馈。

本申请公开的另一个方面，提供了基于孪生网络的输电线路风偏舞动预警系统，所述系统包括：数据获取组件，所述数据获取组件用于设置输电线传感器，通过传感器网络实时获得输电线路状态数据，包括温度、张力、加速度；舞动特征识别组件，所述舞动特征识别组件用于连接图像监测设备，获取输电线路监测图像信息，对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征；融合分析组件，所述融合分析组件用于基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集；模型构建组件，所述模型构建组件用于构建孪生网络模型，所述孪生网络模型包括两个状态处理子网络，分别用于处理输电线路的正常状态数据和异常状态数据，利用所述正常样本集、异常样本集进行两个状态处理子网络训练，基于训练好的孪生网络模型部署舞动监测模块；偏离信息输出模组件，所述偏离信息输出模组件用于连接所述传感器网络将采集到的所述输电线路状态数据输入所述舞动监测模块，通过所述孪生网络模型输出异常偏离信息；等级配置组件，所述等级配置组件用于通过舞动预警等级配置库，针对所述异常偏离信息进行预警等级配置，生成舞动预警信息进行反馈。

本申请中提供的一个或多个技术方案，至少具有如下技术效果或优点：

上述基于孪生网络的输电线路风偏舞动预警方法，该方法通过安装输电线传感器，实时获取输电线路的温度、张力和加速度等状态数据。这些数据与案例数据进行融合分析，形成正常和异常的样本集。随后，构建一个孪生网络模型，包含两个子网络，分别处理正常和异常状态数据。利用这些样本集训练这两个子网络，然后部署舞动监测模块。该模块通过传感器网络接收实时数据，孪生网络模型会分析这些数据并输出异常偏离信息。之后，根据预设的舞动预警等级配置库，确定预警等级并生成相应的预警信息，以便及时采取预防措施，保障输电线路的安全运行。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍，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为一个实施例中基于孪生网络的输电线路风偏舞动预警方法的流程示意图；

图2为一个实施例中基于孪生网络的输电线路风偏舞动预警系统架构图。

附图标记说明：数据获取组件1，舞动特征识别组件2，融合分析组件3，模型构建组件4，偏离信息输出组件5，等级配置组件6。

具体实施方式

本申请实施例通过提供基于孪生网络的输电线路风偏舞动预警方法及系统，解决在复杂气象条件和线路运行状态下，难以准确判断输电线路是否发生舞动，从而无法及时采取预防措施，保障输电线路的安全运行的技术问题。

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整的描述。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。

需要说明的是，术语“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、产品或服务器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模块。

实施例一

如图1所示，本申请提供了基于孪生网络的输电线路风偏舞动预警方法，所述方法包括：

设置输电线传感器，通过传感器网络实时获得输电线路状态数据，包括温度、张力、加速度；

输电线路的舞动是指由于导线不均匀覆冰后，在风的激励下产生的一种低频率、大振幅自激振动现象。当风吹到导线上时，会产生一定的空气动力，从而诱发导线发生低频率、大振幅的振荡，使得输电线路发生偏移，容易导致导线相间放电或对杆塔、边坡、树木等物体放电，进而引发线路跳闸的故障。

在本申请实施例中，设置输电线传感器，这些传感器共同构建成一个传感器网络，能够实时获取输电线路的状态数据，包括温度、张力和加速度等关键信息。这一步骤是实现输电线路舞动预警的重要基础。通过传感器网络，可以实时监测线路在各种环境条件下的运行状态。具体来说，通过将传感器安装在输电线上，能够实时感知并传输线路的温度、张力和加速度等数据。这些数据通过传感器网络被高效汇集，并传输到系统终端中进行分析。温度数据可以反映线路所处环境的温度变化，对于判断线路是否因热胀冷缩而发生形变具有重要价值。张力数据则能够直接展现导线受到的拉力情况，当导线受到风力等外部力的作用时，张力会发生变化，这是判断舞动现象的重要依据。而加速度数据则能够直接提供线路振动的信息，有助于判断是否存在异常的振动现象。通过这一传感器网络，能够全面、准确地掌握输电线路的运行状态，为后续的舞动预警提供坚实的数据基础。这一方法不仅提高了预警的准确性和实时性，也极大地增强了电力系统的安全稳定运行能力。

连接图像监测设备，获取输电线路监测图像信息，对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征；

在一个实施例中，系统终端连接图像监测设备并获取输电线路的监测图像信息，是后续安全监测的重要步骤。这些图像信息能够实时反映输电线路的状态，包括可能存在的舞动现象。对其进行舞动特征识别分析是关键。这个过程涉及背景模型的构建、图像帧的分割以及特征识别坐标的构建等多种手段的综合应用。通过分析图像中的导线形态、运动轨迹等特征，可以确定是否存在风偏舞动现象，并提取出相关的图像舞动特征。图像舞动特征包括振动的幅度、频率、方向等，这些特征能够反映风偏舞动的严重程度和可能带来的风险。通过对这些特征的分析，可以判断输电线路的舞动状态。总结来说，通过连接图像监测设备获取输电线路的监测图像信息，并进行舞动特征识别分析，可以实现对输电线路风偏舞动现象的实时监测和预警。这有助于及时发现和处理风偏舞动问题，保障输电线路的安全稳定运行。

进一步，本申请提供了对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征，包括：

构建背景模型对所述输电线路监测图像信息进行背景分割，确定前景图像，所述前景图像为输电线路图像；

设置多时间尺度窗口进行图像帧分割，对多时间尺度窗口的图像进行输电线舞动识别，获得各窗口识别特征；

优选的，构建背景模型并对输电线路监测图像信息进行背景分割是图像处理中的一个重要步骤，旨在从复杂的场景中分离出输电线路本身，即前景图像。具体来说，系统终端选择一段没有输电线路舞动或其他动态干扰的时间段，捕获连续的图像帧。并对这些图像帧进行统计和分析，提取出背景区域的特征，如颜色、纹理、亮度等。再利用这些特征构建背景模型。这个模型能够代表输电线路所处环境的稳定背景部分。随后，因为环境条件和光照可能会随着时间的推移发生变化，系统终端对背景模型进行不断的更新，以保持其准确性。在更新过程中，采用衰减平均的方法，将新的图像帧逐渐融入背景模型中，而较旧的图像帧的影响会逐渐减小。之后，开始实时处理输电线路监测图像，系统终端将每一帧图像与当前的背景模型进行比较。通过颜色空间的差值计算每个像素点与背景模型之间的差异。如果某个像素点与背景模型的差异超过了预设像素差阈值，则认为该像素点属于前景，即输电线路的一部分，并进行标记，而背景区域则被忽略。通过背景建模，系统终端能够学习并识别出图像中静态或相对稳定的部分，即背景，进而将动态变化的输电线路部分提取出来。

在获得了前景图像，即输电线路的图像后，系统终端设置多时间尺度窗口，用于捕捉从短时到长时的动态变化，以提高图像特征识别的可靠性。例如，设置短时间窗口，如几秒内，来观察快速变化，同时设置长时间窗口，如几分钟或几小时内，来观察更稳定或更长时间内的变化。随后，根据设定的多时间尺度窗口，将原始的连续图像帧分割成不同的序列。每个序列包含特定时间段内的图像帧。这种分割有助于分析和比较不同时间尺度下的输电线舞动行为。之后，对于每个时间尺度窗口内的图像帧序列，从预设算子库中选择对应的算子进行输电线舞动识别。其中，预设算子库中包含边缘检测算子、纹理分析算子、形状匹配算子，这些算子都是预先编写好的，是顺序调取，用于对分割的图像进行多维度分析。针对每个时间尺度窗口内的图像帧序列，系统终端首先采用算子库中的边缘检测算子初步识别输电线的轮廓，突出图像中的边缘信息，从而帮助系统终端从背景中分离出输电线。再调取纹理分析算子提取出分离出的输电线的表面特征，如粗糙度、方向性等。这些纹理特征在输电线舞动时会有明显的变化，因此是识别舞动的重要线索。之后，调用形状匹配算法对边缘检测算子的识别结果和纹理分析算子的识别结果进行汇总，并结合汇总的特征，对输电线的形状变化进行综合分析。比较当前帧与背景模型的输电线形状，检测形状差异和变化趋势，从而更准确地识别输电线的舞动行为，生成当前窗口的识别特征。这些特征可能包括输电线的形状变化、运动轨迹、振动模式等，它们共同描述了输电线的舞动状态。通过对这些特征的综合分析，能够更准确地判断输电线路是否存在风偏舞动现象，并评估其严重程度。

以时间为横轴，以舞动特征为纵轴，构建特征识别坐标；

根据所述多时间尺度窗口的时间对应关系将各窗口识别特征进行对齐，按照时间将对齐的各窗口识别特征拟合至所述特征识别坐标中进行舞动特征融合，获得所述图像舞动特征。

优选的，系统终端以时间为横轴，舞动特征为纵轴，构建了一个特征识别坐标系统。这个坐标系统为系统终端提供了一个直观的展示平台，用于观察和分析输电线的舞动特征如何随时间变化。随后，系统终端根据设置的多时间尺度窗口，明确每个多时间尺度窗口的开始和结束时间，确定出多时间尺度窗口的时间对应关系。之后，根据这些时间对应关系，将不同时间尺度窗口内识别到的特征进行对齐。对齐的目的是确保在时间轴上，不同窗口的特征数据能够匹配到相同的时刻点。然后，将对齐后的各窗口识别特征按照时间顺序拟合至特征识别坐标中。这个过程是将特征数据点虚拟绘制在构建的特征识别坐标系上，将各个时间尺度的特征信息融合到一起，形成连续的特征曲线。这些曲线反映了不同时间尺度下输电线舞动的动态变化。在特征识别坐标中，系统终端通过观察和分析这些特征曲线，识别出输电线的舞动模式、趋势以及与其他因素的关系。通过这样的舞动特征融合，系统终端获得一个全面而准确的图像舞动特征。这个特征不仅包含了输电线在不同时间尺度下的舞动细节，还展示了这些特征是如何随时间演变的。这样的信息对于分析输电线的舞动行为、预测其发展趋势以及采取相应的措施具有重要的指导意义。

进一步，系统终端通过分析特征曲线在水平方向（X轴）上的位移变化。风偏舞动主要表现为输电线在风力作用下的横向偏移，因此，如果特征曲线在X轴上表现出明显的位移或波动，这代表了风偏舞动的可能性较大。随后，分析特征曲线在垂直方向（即Y轴）上的位移变化。舞动主要表现为竖直方向的摆动，因此，如果特征曲线在Y轴上表现出显著的位移或波动，这代表着舞动可能性较大。之后，通过综合考虑特征曲线在水平和垂直方向上的位移变化，系统终端初步判断当前的舞动类型。如果特征曲线主要在X轴上表现出的位移变化大于在Y轴上表现出位移变化，那么系统终端判断当前为风偏舞动；相反，如果特征曲线主要在X轴上表现出的位移变化小于在Y轴上表现出位移变化，则判断当前为舞动。通过上述判断，系统终端可以在后续有针对性的进行舞动预警，确保预警的准确性。

基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集；

在一个实施例中，系统终端根据输电线路状态数据中的温度、张力、加速度以及所述图像舞动特征等信息，结合历史案例数据进行了深度融合分析。这一分析过程旨在识别和理解输电线路在不同状态下的行为模式。通过对大量案例数据进行分类对比，能够识别出输电线路在正常运行时的典型特征，并据此构建正常样本集。这些正常样本集反映了输电线路在理想条件下的状态，是后续预警分析的重要参照。随后，对异常运行时的典型特征进行收集。再将收集到的因风偏舞动导致的横向偏移、摆动幅度及频率变化等特征数据构成历史正例样本，而由舞动导致的温度异常、张力波动或加速度变化则构成历史负例样本。即所述异常样本集包括正例样本及负例样本。这些样本集为系统终端提供了宝贵的经验，帮助系统终端更好地理解和预测输电线路可能出现的异常状况，并利用正例样本与负例样本进行异常子模型训练，提高风偏舞动异常识别的可靠性。通过构建正常样本集和异常样本集，能够建立起一个完整的数据集合，用于后续模型的训练和测试。这不仅提高了模型的准确性和可靠性，也为预防和应对输电线路舞动等风险提供了有力的数据支持。

进一步，本申请提供了基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集，包括：

获取案例数据，对案例数据进行类别划分，包括正常案例、异常案例，其中，所述正常案例、异常案例均包括多个舞动等级区间；

优选的，为了构建有效的样本集合，系统终端获取大量的案例数据，并对这些数据进行细致的类别划分。具体来说，系统终端根据舞动的特性和影响，将数据划分为正常案例和异常案例。正常案例指的是在常规环境条件下，输电线路的舞动幅度和频率处于可接受范围内的案例。而异常案例指的是在特定环境条件下，输电线路的舞动幅度和频率超出正常范围，可能对线路造成损害或影响电力输送的案例。对于每一类别，系统终端根据中间导线的不同舞动幅度进行等级划分，对于舞动幅度较小的案例划分为一级舞动等级，对于导线较大幅度的摆动的案例划分为二级舞动等级，对于导线剧烈摆动的案例划分为三级舞动等级，确定出舞动等级区间。例如，当中间导线的舞动幅度在10厘米至50厘米之间时，将其划分为一级舞动等级。这种幅度的舞动仅表现为导线的小幅振动，对输电线路的影响相对较小，但仍然需要引起注意，因为小幅的舞动可能是更强烈舞动的前兆。当舞动幅度增加到50厘米至1米时，将其归类为二级舞动等级。这种幅度的舞动已经相对明显，导线会有较大幅度的摆动，可能会导致线路稳定性下降，甚至对周围的设备造成一定的干扰，以此类推。这种等级划分有助于系统终端更准确地评估舞动对输电线路的影响，并为模型的构建提供更精确的数据支持。通过对案例数据进行上述细致划分和分析，系统终端能够更准确地理解输电线路在不同条件下的舞动特性，有助于及时发现潜在的舞动风险，并采取相应的预防措施，确保输电线路的安全稳定运行。

分别获取所述正常案例、异常案例的输电线状态数据，包括温度、张力、加速度及图像舞动特征，基于所述舞动等级区间与所述温度、张力、加速度及图像舞动特征进行特征关系分析，配置各参数的样本分布；

优选的，为了构建有效的样本集合，系统终端分别收集了正常案例和异常案例中的输电线状态数据，这些数据主要包括温度、张力、加速度及图像舞动特征等关键指标。随后，系统终端根据划分的舞动等级区间，对这些状态数据与舞动等级之间的关系进行了深入的特征关系分析。通过特征关系分析和确定参数分布约束信息，了解不同舞动等级区间下的温度、张力、加速度及图像舞动特征参数呈现出明显的差异和分布规律。例如，在三级舞动等级下，导线可能因受到较大的风力作用而产生较高的张力和加速度，同时温度也可能因摩擦生热而有所上升。而在正常案例或一级舞动等级下，这些参数通常保持在一个相对稳定的范围内。基于这些分析结果，系统终端进一步配置了各参数的样本分布，以确保能够准确识别不同舞动等级下的状态特征。这些样本分布不仅反映了输电线路在不同舞动情况下的典型状态，也为后续的模型训练提供了宝贵的数据支持。因此，通过深入分析正常案例和异常案例中的输电线状态数据，并与舞动等级区间进行关联，能够更好地理解输电线路舞动的特征和规律，为构建准确可靠的预警系统提供有力支持。

根据所述各参数的样本分布，构建所述正常样本集、异常样本集。

优选的，在获取了正常案例和异常案例的输电线状态数据，并对这些数据进行了特征关系分析后，系统终端根据各参数的样本分布情况，进一步构建了正常样本集和异常样本集。正常样本集主要包含了在正常运行状态下，输电线路的温度、张力和加速度等参数的稳定分布数据。这些数据反映了输电线路在理想条件下的正常行为模式，是后续判断线路是否出现异常的重要参考。异常样本集则涵盖了在不同舞动等级下，输电线路状态数据的异常分布情况。这些数据不仅包括了一级、二级到三级舞动等各种情况下的参数变化，还反映了不同舞动等级对输电线路状态的影响程度。异常样本集的构建，使系统终端能够更全面地了解输电线路在各种异常状态下的表现，为模型提供更丰富的训练数据。通过构建正常样本集和异常样本集，不仅为模型的训练提供了数据支持，还为后续的模型训练和优化奠定了基础。这些样本集将帮助构建出更准确、更可靠的模型，提高输电线路舞动预警的准确性和时效性。

进一步，本申请提供了基于所述舞动等级区间与所述温度、张力、加速度进行特征关系分析，配置各参数的样本分布，方法还包括：

基于所述舞动等级区间分别与所述温度、张力、加速度进行特征关系分析，确定温度-舞动、张力-舞动、加速度-舞动等级关系，获得各参数的临界等级分布；

可选的，为了深入理解输电线路舞动与不同物理参数之间的关系，系统终端针对舞动等级区间与温度、张力、加速度等参数进行了详细的特征关系分析。首先，系统终端根据舞动等级区间对收集到的数据进行分类。从每类数据中提取对应的温度、张力和加速度值。随后，统计每个舞动等级区间内的温度分布情况，分析温度随舞动等级变化的趋势，确定温度与舞动等级之间的正相关或负相关关系，再基于确定的关系，设定不同舞动等级下的温度临界值。例如，通过对比不同舞动等级下的温度数据，若发现随着舞动等级的提升，导线温度呈现出上升的趋势。这是因为导线在舞动过程中摩擦生热，导致温度升高。因此，确定温度与舞动等级之间为正相关关系，并结合历史经验，确定不同舞动等级下的温度临界值。之后，系统终端使用类似的方法，对每个舞动等级区间内的张力分布情况和加速度数据随舞动等级的变化情况进行特征关系分析，确定出不同舞动等级下的张力临界值和加速度临界值。总结来说，通过特征关系分析，系统终端获得了温度、张力、加速度与舞动等级之间的关系，并确定了各参数的临界等级分布。这些临界值不仅提供了判断舞动等级的依据，也为后续的模型构建提供了重要的数据支持。

按照所述各参数的临界等级分布，配置参数分布约束信息，所述参数分布约束信息为对各参数取值分布均匀性的限制条件；

可选的，在配置各参数的样本分布时，系统终端需要确保样本数据的均匀性，这是为了后续模型能够更准确地学习不同参数与舞动等级之间的关系。因此，根据之前分析得到的各参数的临界等级分布，配置了参数分布约束信息。具体来说，系统终端根据分析的临界等级分布，明确温度、张力和加速度在不同舞动等级下的取值范围。这些范围将作为配置约束信息的基础。随后，结合实际情况和模型训练的需要，系统终端制定各参数取值分布的均匀性要求。对于分布范围较广的数据，例如，温度数据，从零下几十度到几十度都有可能。由于不同温度对导线材料性能的影响程度不同，模型需要充分学习不同温度下的导线行为。在这种情况下，需要确保在每个舞动等级下，温度的样本数据能够均匀分布在整个取值范围内。即从最低温度到最高温度，每个温度区间都应有一定数量的样本数据，避免数据集中在某些特定值或区间内，导致模型对某些温度段的预测能力不足。对于分布呈现明显趋势的数据，例如，加速度数据，随着舞动等级的提升，加速度的取值呈现明显的上升趋势。这代表高舞动等级下，加速度的取值普遍较高。在这种情况下，尽管加速度的取值分布呈现出一定的趋势，但仍需要确保在每个舞动等级下，加速度的样本数据能够在其可能的取值范围内保持一定的均匀性。即在高舞动等级下加速度取值普遍较高，仍需要确保低加速度值区域也有足够的样本数据，以便模型能够学习到完整的加速度分布特征，并避免过拟合于高加速度值。之后，为了更精细地控制数据的均匀性，系统终端将每个参数的取值范围进一步划分为若干个子区间。这些子区间的划分可以根据实际情况进行动态调整的，以确保它们能够覆盖整个取值范围并体现参数的分布特点。然后，针对每个参数和子区间，系统终端设置具体的约束条件。这些条件包括每个子区间内应包含的样本点数量、比例和分布形态等。通过这些约束条件，可以确保样本数据在各参数取值上的均匀性，使得各参数的取值能够覆盖其可能的范围。总结来说，为了保证模型训练的准确性和有效性，系统终端按照参数的范围进行均匀性取值，确保样本数据在各个参数维度上都具有代表性，从而避免模型因为数据偏斜而产生误导性的预测结果。

根据所述各参数的临界等级分布、参数分布约束信息，配置所述各参数的样本分布。

可选的，在配置各参数的样本分布时，系统终端通过临界等级分布，明确不同参数在不同舞动等级下的取值范围和临界值。这些临界值为系统终端设定样本分布的边界提供了依据。随后，根据参数分布约束信息，进一步明确了样本分布的具体要求。这些约束信息确保了样本数据在各参数取值上的均匀性，避免了数据集中或缺失的情况。之后，结合临界等级分布和约束信息，系统终端配置了各参数的样本分布。通过调整样本数据的数量和分布，确保每个参数在每个舞动等级下都有足够的代表性数据，从而提高了模型训练的准确性和泛化能力。此外，在进行各参数的样本分布配置中，系统终端还引入样本约束条件，用于增加不同类型的样本占比，提高模型训练的可靠性和模型的泛化能力，避免鲁棒性。总结来说，配置各参数的样本分布是一个综合考虑临界等级分布和参数分布约束信息的过程，旨在确保样本数据的均匀性和代表性，为后续的模型训练提供高质量的数据支持。

进一步，本申请提供了，所述配置各参数的样本分布，方法还包括：

基于所述舞动等级区间的图像舞动特征进行案例分类，所述图像舞动特征与舞动方向相对应，案例类型包括竖直舞动、横向舞动；

根据所述案例类型，获取各案例类型的所述各参数的临界等级分布；

可选的，系统终端根据获得的图像舞动特征来判断输电线舞动的具体类型。在这个过程中，首先分析图像中输电线的舞动特征，这些特征与舞动方向紧密相关。具体来说，系统终端从图像舞动特征中提取输电线的舞动特征。这包括运动轨迹、位移变化等。随后，提取到的舞动特征与舞动方向进行匹配。竖直舞动主要表现为输电线在垂直方向上的摆动，而横向舞动则是指输电线在水平方向上的偏移或摆动。通过比较特征数据与这两种舞动类型的典型模式，可以初步判断输电线的舞动方向。之后，基于上述分析，系统终端将案例分类为竖直舞动或横向舞动。竖直舞动主要指的是输电线在垂直方向上的大幅度摆动，这种摆动可能是由于风力、温度或其他外部因素引起的。而横向舞动，也称为风偏舞动，是指输电线在水平方向上因风力作用而产生的偏移或摆动。这种舞动类型在风力较大的情况下尤为常见，可能对输电线路的稳定性和安全性造成威胁。这样的分类不仅有助于更好地理解输电线的舞动特性，还能为后续的故障预防提供有力支持。

在案例类型划分后，针对不同案例类型，系统终端利用前述类似的方法，进一步获取了各案例类型中相关参数的临界等级分布。这些参数同样包括温度、张力、加速度等，它们在舞动过程中起着关键作用。总结来说，根据舞动方向将舞动案例分为不同类型，并针对不同案例类型收集了相关参数的临界等级分布信息。这些信息有助于更深入地理解不同舞动类型下参数的变化规律，为后续的模型构建提供了重要依据。

配置所述案例类型的样本约束条件，基于所述案例类型的样本约束条件及其临界等级分布，配置所述各参数的样本分布。

可选的，系统终端利用前述配置参数分布约束信息相同的方式，为每种案例类型配置温度、张力、加速度等参数的样本约束条件。这些约束条件将帮助筛选出符合特定案例类型的样本数据，确保数据的准确性和代表性。随后，将获得的案例类型的样本约束条件和案例类型临界等级分布融入前述配置各参数的样本分布中，对配置的各参数的样本分布进行补充，使得各参数的样本分布不止包含不同舞动等级区间下的参数分布，还包含了案例类型下的参数分布，提高了后续模型训练的可靠性和模型的泛化能力。总结来说，配置各参数的样本分布是一个多方面的过程，它旨在确保样本集在满足准确性和代表性的基础上，还具有数据的多样性，以便基于样本集构建的模型能够更准确地分析舞动事件，为电网的安全运行提供有力支持。

进一步，本申请提供了对常样本集进行类别优化调整，方法还包括：

提取所述正常样本集、异常样本集中案例类型，构建多舞动类别；

通过公式，计算所述多舞动类别在正常样本集或异常样本集的基尼不纯度指数，其中，N为正常样本集或异常样本集、m为多舞动类别的数量、/>为第i个舞动类别；

根据所述基尼不纯度指数，对所述正常样本集、异常样本集进行类别优化调整。

可选的，在构建多舞动类别时，系统终端从正常样本集和异常样本集中提取案例类型。正常样本集通常包含电网正常运行时的导线舞动数据，这些数据反映了导线在正常工作条件下的振动特性。而异常样本集则包含了电网中发生的各种异常舞动事件的数据，这些数据涵盖了不同类型的舞动案例，如杆塔碰撞舞动、导线自舞动等。随后，基于提取的案例类型，系统终端开始构建多舞动类别。这代表系统终端将不同的舞动案例类型作为独立的类别进行组织和管理。每个类别都包含了与该类型舞动相关的样本数据，这些数据反映了该类型舞动的独特特征和表现。通过构建多舞动类别，系统终端可以更好地理解和分析不同类型的舞动事件。这有助于深入了解每种舞动类型的成因、特点和影响，从而制定更有效的预防和应对措施。

在获得多舞动类别后，系统终端利用基尼不纯度指数公式计算多舞动类别在正常样本集或异常样本集的基尼不纯度指数。具体公式如下：；

其中，为基尼不纯度指数，用于衡量随机选中的一个样本在子集中被错误标记为其他类别的概率，从而评估数据集的混乱程度和不确定性。N 代表样本集的总数，可以是正常样本集的总数，也可以是异常样本集的总数。它表示需要考虑的数据集的大小。m表示多舞动类别的数量，这是指在正常样本集或异常样本集中，有多少种不同的舞动类别。/>表示第i个舞动类别的样本数量。在计算基尼不纯度指数时，系统终端首先将每个舞动类别的样本数量/>与样本集总数N进行比值运算，并将计算结果与自身相乘。随后，将所有类别的计算结果相加，并用1减去相加的结果，得到基尼不纯度指数的值。基尼不纯度指数的计算结果反映了样本集中各个舞动类别分布的均匀程度。在一个理想的均匀样本集中，期望各个类别的样本数量大致相等，这样模型在训练时能够充分学习到每个类别的特征，从而提高分类的准确性。如果基尼不纯度指数的值较小，则样本集中不同类别的分布较为均匀，即每个类别的样本数量相对接近，代表构建的样本集是比较均匀的，每个类别的样本都得到了充分的考虑。这样的样本集有助于模型更好地学习各个类别的特征，提高分类性能。然而，如果基尼不纯度指数的值越大，则代表样本集中存在某个或某些类别的样本数量占据主导地位，而其他类别的样本数量相对较少。这种情况下，模型可能会偏向于学习主导类别的特征，而忽略其他少数类别的特征，导致分类性能下降。

在获得基尼不纯度指数后，系统终端对比正常样本集和异常样本集的基尼不纯度指数值。识别哪些类别的样本数量过多或过少。随后，系统终端增加少数类别的样本数量，使其与其他类别更加平衡。再减少多数类别的样本数量，避免模型对多数类别的过度偏向。通过上述类别优化调整，可以使样本集更加均匀。在进行类别优化调整后，系统终端重新计算基尼不纯度指数，以验证调整后的样本集是否更加均匀。如果指数值有所下降，代表调整是有效的，样本集的均匀性得到了改善。重复此过程，直到基尼不纯度指数呈现稳定。总结来说，通过利用基尼不纯度指数对正常样本集和异常样本集进行类别优化调整，可以构建一个更加均匀的样本集，从而提高模型的性能。这样的样本集有助于模型更好地学习各个类别的特征，减少分类错误，提高整体分类准确率。

构建孪生网络模型，所述孪生网络模型包括两个状态处理子网络，分别用于处理输电线路的正常状态数据和异常状态数据，利用所述正常样本集、异常样本集进行两个状态处理子网络训练，基于训练好的孪生网络模型部署舞动监测模块；

在一个实施例中，孪生网络模型是一种特殊的神经网络结构，其核心思想在于利用两个结构相同但权重独立的子网络来同时处理不同状态的数据。在舞动监测模块部署中，系统终端首先设定孪生网络模型的基本架构，该模型包含两个结构相同但权重独立的子网络，分别处理输电线路的正常状态数据和异常状态数据。这种结构使得模型能够学习到正常状态和异常状态之间的内在差异和联系，从而提高对风偏舞动等异常状态的监测准确性。具体来说，系统终端首先利用构建的正常样本集和异常样本集，分别对两个状态处理子网络进行训练。通过大量数据的反复学习和迭代，这两个子网络能够逐渐掌握正常状态和异常状态的特征，并能够在后续的实际应用中准确地识别出输电线路的当前状态。在训练完成后，系统终端将训练好的孪生网络模型集成到舞动监测模块中。当实际输电线路的数据输入到这个舞动监测模块时，舞动监测模块中的两个状态处理子网络会分别对其进行处理，并输出各自的结果。通过比较这两个结果，可以帮助系统终端判断输电线路是否处于风偏舞动等异常状态。总的来说，孪生网络模型通过其独特的双网络结构，有效地提高了对输电线路状态监测的准确性和效率。它不仅能够学习到正常状态和异常状态的特征，还能够在实际应用中快速准确地识别出输电线路的当前状态，为电力系统的安全稳定运行提供了有力保障。

连接所述传感器网络将采集到的所述输电线路状态数据输入所述舞动监测模块，通过所述孪生网络模型输出异常偏离信息；

在一个实施例中，系统终端将传感器网络与舞动监测模块进行连接，传感器网络负责实时采集输电线路的状态数据，这些数据随后被输入到舞动监测模块中。该监测模块的核心是训练好的孪生网络模型，它能够对输入的数据进行快速而准确的处理。孪生网络模型利用两个状态处理子网络分别处理正常状态和异常状态的数据特征，舞动监测模块通过比较两者的输出结果，计算出两个结果的偏差值，判断输电线路是否出现风偏舞动等异常偏离情况。总结来说，通过传感器网络的数据采集和孪生网络模型的智能处理，舞动监测模块实现了对输电线路状态的实时监控功能，为电力系统的安全稳定运行提供了有力保障。

进一步，本申请提供了通过所述孪生网络模型输出异常偏离信息，方法还包括：

分别获得两个状态处理子网络的输出结果，包括正常状态处理结果、异常状态处理结果；

计算所述正常状态处理结果、异常状态处理结果的偏差值，获得所述异常偏离信息。

优选的，在两个状态处理子网络接收到输电线路的状态数据后，会分别对这些数据进行处理，并输出各自的结果。其中，一个子网络专注于处理正常状态的数据，输出正常状态处理结果；另一个子网络则负责处理异常状态的数据，输出异常状态处理结果。随后，系统终端对这两个输出结果进行比较，计算它们之间的偏差值。这个偏差值反映了实际输电线路状态与预期状态之间的差异。具体来说，系统终端将正常状态处理结果和异常状态处理结果输入到均方误差损失函数中。均方误差损失函数会计算每一对处理结果之间的差的平方，并将这些平方值加起来，最后除以样本数量，得到平均偏差值。这个平均偏差值代表了正常状态处理结果和异常状态处理结果之间的偏差程度。如果偏差值很大，说明两者之间的差异很大，代表输电线路出现了异常偏离；如果偏差值很小，说明两者之间的差异很小，代表输电线路处于正常状态。因此，通过比较两个状态处理子网络的输出结果并计算偏差值，系统能够准确获得异常偏离信息，为后续的预警提供了重要依据。这样，可以实现对输电线路状态的实时监测和预警，确保电力系统的安全稳定运行。

通过舞动预警等级配置库，针对所述异常偏离信息进行预警等级配置，生成舞动预警信息进行反馈。

在一个实施例中，舞动预警等级配置库是一个预先设定好的配置数据库，它根据异常偏离信息的严重程度和特定标准，为不同等级的异常偏离情况分配相应的预警等级。当输电线路发生风偏舞动，系统终端会计算出这种异常偏离的异常偏离信息。随后，将这些异常偏离信息与舞动预警等级配置库中的预设标准进行对比和匹配。根据对比结果，能够自动确定异常偏离所对应的预警等级。这个预警等级分为多个不同的级别，例如，一级、二级、三级等，每个级别对应着不同的应对措施和紧急程度。一旦预警等级确定，系统终端会生成相应的舞动预警信息。这些预警信息包含了异常偏离的详细描述、预警等级、可能的影响范围以及建议的应对措施等内容。这些预警信息会及时反馈给用户，以便能够根据预警信息的提示，迅速采取相应的措施，防止风偏舞动对输电线路造成进一步的损害，确保电力系统的安全稳定运行。总结来说，通过舞动预警等级配置库对异常偏离信息进行预警等级配置，并生成舞动预警信息进行反馈，可以实现对输电线路状态的实时监测和预警，提高电力系统的安全性和可靠性。

进一步，本申请提供了风偏舞动状态预测，方法还包括：

连接气象信息模块，获取气象信息时序数据，气象信息包括温度、风向、风力；

建立所述输电线路状态数据与所述气象信息时序数据的时序对应关系，构建马尔科夫链预测模型，其中马尔科夫链预测模型为通过气象信息与风偏舞动状态影响关系的样本数据集训练获得；

优选的，为了能够使预警更加准确，并且为用户留有时间进行维护，系统终端与气象信息模块建立连接关系，这样系统终端就可以实时获取到包括温度、风向和风力等在内的气象信息时序数据。这些数据对于分析输电线路的状态变化，特别是风偏舞动现象，具有重要的参考价值。随后，根据时间戳，将输电线路状态数据与气象信息时序数据进行精确匹配，确保每一个状态数据点都对应着一组气象信息数据。建立这种时序对应关系后，系统终端进一步分析气象信息如何影响输电线路的状态变化。之后，系统终端结合历史数据和分析结果，确定输电线路状态在不同气象条件下的转移概率。这个转移概率是指在不同气象条件下，输电线路从当前状态转移到另一个状态的可能性。例如，从正常状态转变为风偏舞动状态。然后，根据转移概率构建马尔科夫链，该链描述了输电线路状态在不同气象条件下的可能变化路径。进一步，系统终端使用气象信息与风偏舞动状态影响关系的样本数据集对训练马尔科夫链进行训练，来获得需要的马尔科夫链预测模型。在训练过程中，马尔科夫链预测模型会学习如何根据当前的气象信息和状态转移概率来预测未来的输电线路状态。在训练完成后，系统终端使用独立于样本数据的验证集来评估马尔科夫链预测模型的预测性能。通过与实际观测数据进行对比，检查马尔科夫链预测模型的准确性、稳定性和可靠性。通过构建马尔科夫链预测模型，系统终端可以根据气象条件的变化，提前采取预防措施，确保输电线路的安全运行。

根据所述马尔科夫链预测模型进行时序风偏舞动状态预测，获得风偏舞动预测信息，包括风偏舞动状态发生概率、时间节点；

根据所述风偏舞动预测信息与所述舞动预警等级配置库进行比对，生成舞动预警信息。

优选的，根据构建的马尔科夫链预测模型，系统终端进行时序风偏舞动状态的预测。马尔科夫链预测模型会基于当前的气象信息和输电线路状态，以及模型内部的状态转移概率，来预测未来某一时刻输电线路风偏舞动的可能状态。这些预测结果包含风偏舞动状态的发生概率以及预测的时间节点。在得到风偏舞动预测信息后，系统终端这些信息与舞动预警等级配置库进行比对。通过比对，确定预测的风偏舞动状态所对应的预警等级。随后，基于比对结果，系统会生成相应的舞动预警信息。这些信息包含了预测的风偏舞动状态、其发生的概率、预计的时间节点，以及根据预警等级配置库确定的预警等级和建议的应对措施。这些预警信息会及时发送给用户，以便能够根据预警信息的提示，采取相应的预防和应对措施，确保电力系统的安全稳定运行。总结来说，通过马尔科夫链预测模型进行风偏舞动状态预测，并与舞动预警等级配置库进行比对，可以生成及时、准确的舞动预警信息，为电力系统的运维提供有力的支持。

综上所述，本申请实施例至少具有如下技术效果：

本申请实施例通过设置输电线传感器以实时获取输电线路的状态数据。接随后，基于这些数据和案例数据进行融合分析，构建正常样本集和异常样本集。这些样本集用于后续训练孪生网络模型。这个孪生网络模型由两个状态处理子网络组成，分别处理输电线路的正常状态和异常状态数据。通过训练这两个子网络，孪生网络模型能够识别输电线路状态的异常偏离。当孪生网络模型训练完成后，将孪生网络模型部署在舞动监测模块中。之后，将采集到的输电线路状态数据输入到舞动监测模块中。舞动监测模块中的孪生网络模型对这些数据进行处理，并输出异常偏离信息。这些异常偏离信息会与舞动预警等级配置库进行比对，以确定预警等级，并生成相应的舞动预警信息进行反馈。此外，还通过获取气象信息时序数据，并与输电线路状态数据建立时序对应关系，构建出马尔科夫链预测模型。马尔科夫链预测模型能够基于气象信息进行时序风偏舞动状态预测，提供风偏舞动状态的发生概率和时间节点。这些信息与舞动预警等级配置库进行比对后，可以生成更精确的舞动预警信息。该方法利用孪生网络模型对输电线路状态进行实时监测，并结合气象信息进行预测，从而实现对输电线路舞动的有效预警。这些技术效果共同解决了在复杂气象条件和线路运行状态下，难以准确判断输电线路是否发生舞动，从而无法及时采取预防措施，保障输电线路的安全运行的技术问题，实现了通过对比两个子网络的输出，对输电线路舞动状态的识别，提升输电线路舞动预警系统的性能，增强了预警的准确性和实时响应能力的效果。

实施例二

基于与前述实施例中基于孪生网络的输电线路风偏舞动预警方法相同的发明构思，如图2所示，本申请提供了基于孪生网络的输电线路风偏舞动预警系统，所述系统包括：

数据获取组件1：所述数据获取组件1用于设置输电线传感器，通过传感器网络实时获得输电线路状态数据，包括温度、张力、加速度；

舞动特征识别组件2：所述舞动特征识别组件2用于连接图像监测设备，获取输电线路监测图像信息，对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征；

融合分析组件3：所述融合分析组件3用于基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集；

模型构建组件4：所述模型构建组件4用于构建孪生网络模型，所述孪生网络模型包括两个状态处理子网络，分别用于处理输电线路的正常状态数据和异常状态数据，利用所述正常样本集、异常样本集进行两个状态处理子网络训练，基于训练好的孪生网络模型部署舞动监测模块；

偏离信息输出模组件5：所述偏离信息输出模组件5用于连接所述传感器网络将采集到的所述输电线路状态数据输入所述舞动监测模块，通过所述孪生网络模型输出异常偏离信息；

等级配置组件6：所述等级配置组件6用于通过舞动预警等级配置库，针对所述异常偏离信息进行预警等级配置，生成舞动预警信息进行反馈。

进一步地，所述融合分析组件3还用于执行如下方法：

获取案例数据，对案例数据进行类别划分，包括正常案例、异常案例，其中，所述正常案例、异常案例均包括多个舞动等级区间；

分别获取所述正常案例、异常案例的输电线状态数据，包括温度、张力、加速度，基于所述舞动等级区间与所述温度、张力、加速度进行特征关系分析，配置各参数的样本分布；

根据所述各参数的样本分布，构建所述正常样本集、异常样本集。

进一步地，所述舞动特征识别组件2还用于执行如下方法：

构建背景模型对所述输电线路监测图像信息进行背景分割，确定前景图像，所述前景图像为输电线路图像；

设置多时间尺度窗口进行图像帧分割，对多时间尺度窗口的图像进行输电线舞动识别，获得各窗口识别特征；

以时间为横轴，以舞动特征为纵轴，构建特征识别坐标；

根据所述多时间尺度窗口的时间对应关系将各窗口识别特征进行对齐，按照时间将对齐的各窗口识别特征拟合至所述特征识别坐标中进行舞动特征融合，获得所述图像舞动特征。

进一步地，所述舞动特征识别组件2还用于执行如下方法：

基于所述舞动等级区间的图像舞动特征进行案例分类，所述图像舞动特征与舞动方向相对应，案例类型包括竖向舞动、横向舞动；

根据所述案例类型，获取各案例类型的所述各参数的临界等级分布；

配置所述案例类型的样本约束条件，基于所述案例类型的样本约束条件及其临界等级分布，配置所述各参数的样本分布。

进一步地，所述舞动特征识别组件2还用于执行如下方法：

提取所述正常样本集、异常样本集中案例类型，构建多舞动类别；

通过公式，计算所述多舞动类别在正常样本集或异常样本集的基尼不纯度指数，其中，N为正常样本集或异常样本集、m为多舞动类别的数量、/>为第i个舞动类别；

根据所述基尼不纯度指数，对所述正常样本集、异常样本集进行类别优化调整。

进一步地，所述融合分析组件3还用于执行如下方法：

基于所述舞动等级区间分别与所述温度、张力、加速度进行特征关系分析，确定温度-舞动、张力-舞动、加速度-舞动等级关系，获得各参数的临界等级分布；

按照所述各参数的临界等级分布，配置参数分布约束信息，所述参数分布约束信息为对各参数取值分布均匀性的限制条件；

根据所述各参数的临界等级分布、参数分布约束信息，配置所述各参数的样本分布。

进一步地，所述偏离信息输出模组件5还用于执行如下方法：

分别获得两个状态处理子网络的输出结果，包括正常状态处理结果、异常状态处理结果；

计算所述正常状态处理结果、异常状态处理结果的偏差值，获得所述异常偏离信息。

进一步地，所述等级配置组件6还用于执行如下方法：

连接气象信息模块，获取气象信息时序数据，气象信息包括温度、风向、风力；

建立所述输电线路状态数据与所述气象信息时序数据的时序对应关系，构建马尔科夫链预测模型，其中马尔科夫链预测模型为通过气象信息与风偏舞动状态影响关系的样本数据集训练获得；

根据所述马尔科夫链预测模型进行时序风偏舞动状态预测，获得风偏舞动预测信息，包括风偏舞动状态发生概率、时间节点；

根据所述风偏舞动预测信息与所述舞动预警等级配置库进行比对，生成舞动预警信息。

需要说明的是，上述本申请实施例先后顺序仅仅为了描述，不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下，在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外，在附图中描绘的过程不一定要求示出的特定顺序和连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。

以上所述仅为本申请的较佳实施例，并不用以限制本申请，凡在本申请的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。

本说明书和附图仅仅是本申请的示例性说明，且视为已覆盖本申请范围内的任意和所有修改、变化、组合或等同物。显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的范围。这样，倘若本申请的这些修改和变型属于本申请及其等同技术的范围之内，则本申请意图包括这些改动和变型在内。

Claims (9)

1.基于孪生网络的输电线路风偏舞动预警方法，其特征在于，所述方法包括：

设置输电线传感器，通过传感器网络实时获得输电线路状态数据，包括温度、张力、加速度；

连接图像监测设备，获取输电线路监测图像信息，对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征；

基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集；

构建孪生网络模型，所述孪生网络模型包括两个状态处理子网络，分别用于处理输电线路的正常状态数据和异常状态数据，利用所述正常样本集、异常样本集进行两个状态处理子网络训练，基于训练好的孪生网络模型部署舞动监测模块；

连接所述传感器网络将采集到的所述输电线路状态数据输入所述舞动监测模块，通过所述孪生网络模型输出异常偏离信息；

通过舞动预警等级配置库，针对所述异常偏离信息进行预警等级配置，生成舞动预警信息进行反馈。

2.如权利要求1所述的方法，其特征在于，基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集，包括：

获取案例数据，对案例数据进行类别划分，包括正常案例、异常案例，其中，所述正常案例、异常案例均包括多个舞动等级区间；

分别获取所述正常案例、异常案例的输电线状态数据，包括温度、张力、加速度以及所述图像舞动特征，基于所述舞动等级区间与所述温度、张力、加速度及图像舞动特征进行特征关系分析，配置各参数的样本分布；

根据所述各参数的样本分布，构建所述正常样本集、异常样本集。

3.如权利要求2所述的方法，其特征在于，基于所述舞动等级区间与所述温度、张力、加速度进行特征关系分析，配置各参数的样本分布，包括：

基于所述舞动等级区间分别与所述温度、张力、加速度进行特征关系分析，确定温度-舞动、张力-舞动、加速度-舞动等级关系，获得各参数的临界等级分布；

按照所述各参数的临界等级分布，配置参数分布约束信息，所述参数分布约束信息为对各参数取值分布均匀性的限制条件；

根据所述各参数的临界等级分布、参数分布约束信息，配置所述各参数的样本分布。

4.如权利要求1所述的方法，其特征在于，对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征，包括：

构建背景模型对所述输电线路监测图像信息进行背景分割，确定前景图像，所述前景图像为输电线路图像；

设置多时间尺度窗口进行图像帧分割，对多时间尺度窗口的图像进行输电线舞动识别，获得各窗口识别特征；

以时间为横轴，以舞动特征为纵轴，构建特征识别坐标；

根据所述多时间尺度窗口的时间对应关系将各窗口识别特征进行对齐，按照时间将对齐的各窗口识别特征拟合至所述特征识别坐标中进行舞动特征融合，获得所述图像舞动特征。

5.如权利要求4所述的方法，其特征在于，所述配置各参数的样本分布，还包括：

基于所述舞动等级区间的图像舞动特征进行案例分类，所述图像舞动特征与舞动方向相对应，案例类型包括竖向舞动、横向舞动；

根据所述案例类型，获取各案例类型的所述各参数的临界等级分布；

配置所述案例类型的样本约束条件，基于所述案例类型的样本约束条件及其临界等级分布，配置所述各参数的样本分布。

6.如权利要求5所述的方法，其特征在于，所述方法还包括：

提取所述正常样本集、异常样本集中案例类型，构建多舞动类别；

通过公式，计算所述多舞动类别在正常样本集或异常样本集的基尼不纯度指数，其中，N为正常样本集或异常样本集、m为多舞动类别的数量、/>为第i个舞动类别；

根据所述基尼不纯度指数，对所述正常样本集、异常样本集进行类别优化调整。

7.如权利要求1所述的方法，其特征在于，通过所述孪生网络模型输出异常偏离信息，包括：

分别获得两个状态处理子网络的输出结果，包括正常状态处理结果、异常状态处理结果；

计算所述正常状态处理结果、异常状态处理结果的偏差值，获得所述异常偏离信息。

8.如权利要求1所述的方法，其特征在于，所述方法还包括：

连接气象信息模块，获取气象信息时序数据，气象信息包括温度、风向、风力；

建立所述输电线路状态数据与所述气象信息时序数据的时序对应关系，构建马尔科夫链预测模型，其中马尔科夫链预测模型为通过气象信息与风偏舞动状态影响关系的样本数据集训练获得；

根据所述马尔科夫链预测模型进行时序风偏舞动状态预测，获得风偏舞动预测信息，包括风偏舞动状态发生概率、时间节点；

根据所述风偏舞动预测信息与所述舞动预警等级配置库进行比对，生成舞动预警信息。

9.基于孪生网络的输电线路风偏舞动预警系统，其特征在于，用于实施所述基于孪生网络的输电线路风偏舞动预警方法1-8中任意一项，所述系统包括：

数据获取组件：设置输电线传感器，通过传感器网络实时获得输电线路状态数据，包括温度、张力、加速度；

舞动特征识别组件：连接图像监测设备，获取输电线路监测图像信息，对所述输电线路监测图像信息进行舞动特征识别分析，确定图像舞动特征；

融合分析组件：基于所述输电线路状态数据中温度、张力、加速度以及所述图像舞动特征，根据案例数据进行融合分析，构建正常样本集、异常样本集；

模型构建组件：构建孪生网络模型，所述孪生网络模型包括两个状态处理子网络，分别用于处理输电线路的正常状态数据和异常状态数据，利用所述正常样本集、异常样本集进行两个状态处理子网络训练，基于训练好的孪生网络模型部署舞动监测模块；

偏离信息输出模组件：连接所述传感器网络将采集到的所述输电线路状态数据输入所述舞动监测模块，通过所述孪生网络模型输出异常偏离信息；

等级配置组件：通过舞动预警等级配置库，针对所述异常偏离信息进行预警等级配置，生成舞动预警信息进行反馈。