本發(fā)明涉及輸電線路遠(yuǎn)程監(jiān)測，具體涉及基于光纖震動數(shù)據(jù)層級上下文的輸電線初期覆冰預(yù)警方法。

背景技術(shù)：

1、在北方寒冷地區(qū)輸電線覆冰經(jīng)常發(fā)生，容易造成輸電線設(shè)備損壞，導(dǎo)致巨大的經(jīng)濟(jì)損失和安全事故，因此需要在輸電線覆冰較薄的初期階段盡早處理。輸電線路部署的光纖可以快速收集對應(yīng)線路的震動數(shù)據(jù)，而輸電線路在覆冰之后其震動模式會發(fā)生變化；所以十分有必要利用光纖震動數(shù)據(jù)遠(yuǎn)程監(jiān)測輸電線路覆冰情況，在輸電線初期覆冰時盡早預(yù)警并處理，可顯著提高電網(wǎng)維護(hù)企業(yè)的管理效率。

2、當(dāng)前利用光纖震動數(shù)據(jù)收集輸電線初期覆冰主要手段是：利用相位敏感光時域反射計收集輸電線上的光纖震動數(shù)據(jù)，利用人工智能模型對光纖震動數(shù)據(jù)進(jìn)行分析。目前采用的主要方法包括：1）直接使用人工智能模型來進(jìn)行處理，由于相位敏感光時域反射計收集的光纖震動數(shù)據(jù)頻率較高，所產(chǎn)生的相關(guān)時頻屬性也較多，而對于反映輸電線路初期覆冰狀態(tài)的樣本通常較少，所以該處理模式通常精度有限；2）使用boost或者bagging的集成分類器的方法，該方法可以相對有效的應(yīng)對光纖震動數(shù)據(jù)屬性維度過高的問題；但是，真實應(yīng)用場景下由于輸電線長度、裝配方式不同，會導(dǎo)致光纖震動數(shù)據(jù)特性變化，因此，實驗室獲得的光纖震動數(shù)據(jù)，與實際光纖震動數(shù)據(jù)略有不同，這種模式在實驗室的實驗結(jié)果通常較好，但是在實際應(yīng)用中該方法可能會與特定的模式擬合而導(dǎo)致預(yù)測失效。尤其是輸電線初期覆冰的情況，由于覆冰厚度較低，其模式與未覆冰狀態(tài)近似，以上兩類方法效果均表現(xiàn)不佳;?3）利用較為復(fù)雜的深度神經(jīng)網(wǎng)模型來區(qū)分初期覆冰與未覆冰的核心差別，這種模式的最大問題是“輸電線覆冰”樣本數(shù)量較少，不足以支撐較大型神經(jīng)網(wǎng)的充分訓(xùn)練，從而導(dǎo)致過度擬合現(xiàn)象的發(fā)生，使得預(yù)警精度達(dá)不到要求。

3、因此需要提出一種方法，能夠適應(yīng)輸電線初期較薄覆冰和未覆冰的光纖震動數(shù)據(jù)之間的差別，適應(yīng)不同輸電線路施工導(dǎo)致的差別，準(zhǔn)確及早的進(jìn)行輸電線初期覆冰預(yù)警。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)存在的問題，本發(fā)明提供一種基于光纖震動數(shù)據(jù)層級上下文的輸電線初期覆冰預(yù)警方法，該方法構(gòu)建了光纖震動數(shù)據(jù)層級上下文特性抽取模塊和分層次覆冰決策神經(jīng)網(wǎng)模型，利用分層次的建立光纖震動數(shù)據(jù)的特征并找到輸電線初期較薄覆冰和未覆冰的光纖震動數(shù)據(jù)之間的差別，從而實現(xiàn)輸電線初期覆冰預(yù)警。

2、為了實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

3、本發(fā)明提供基于光纖震動數(shù)據(jù)層級上下文的輸電線初期覆冰預(yù)警方法，包括以下步驟：

4、s1，在輸電線路上安裝光纖和相位敏感光時域反射計；所述相位敏感光時域反射計用于采集光纖震動數(shù)據(jù)，收集所述光纖震動數(shù)據(jù)和輸電線覆冰情況形式形成的歷史數(shù)據(jù)，并存儲到覆冰情況形式歷史數(shù)據(jù)表vblist；獲得覆冰情況形式歷史數(shù)據(jù)表元素個數(shù)vbnum；初始化光纖震動數(shù)據(jù)層級上下文特性列表cjlist；

5、s2，建立時域指標(biāo)表達(dá)模塊femodel；所述時域指標(biāo)表達(dá)模塊femodel的輸入為時域指標(biāo)表達(dá)輸入數(shù)組feinput，所述時域指標(biāo)表達(dá)模塊femodel的輸出為時域指標(biāo)表達(dá)輸出數(shù)組feoutput；

6、s3，建立光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel；所述光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel的輸入為4000個元素的浮點型數(shù)組txinput，所述光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel利用所述時域指標(biāo)表達(dá)模塊femodel對所述浮點型數(shù)組txinput進(jìn)行處理，所述光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel的輸出為光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput；

7、s4，利用所述光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel處理所述覆冰情況形式歷史數(shù)據(jù)表vblist的所有內(nèi)容，得到光纖震動數(shù)據(jù)層級上下文特性，并將得到的光纖震動數(shù)據(jù)層級上下文特性存儲在所述光纖震動數(shù)據(jù)層級上下文特性列表cjlist之中；

8、s5，建立分層次覆冰決策神經(jīng)網(wǎng)模型ccnn；利用所述光纖震動數(shù)據(jù)層級上下文特性列表cjlist訓(xùn)練所述分層次覆冰決策神經(jīng)網(wǎng)模型ccnn，得到訓(xùn)練完成的分層次覆冰決策神經(jīng)網(wǎng)模型ccnn；

9、s6，實際監(jiān)測時，利用所述相位敏感光時域反射計采集4秒鐘時長的光纖震動數(shù)據(jù)test，利用所述光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel和訓(xùn)練完成的分層次覆冰決策神經(jīng)網(wǎng)模型ccnn，對采集到的4秒鐘時長的光纖震動數(shù)據(jù)test進(jìn)行分析，判斷是否出現(xiàn)輸電線初期覆冰情況，如果是，則進(jìn)行預(yù)警。

10、優(yōu)選的，s1具體為：

11、s101，在輸電線路上安裝光纖和相位敏感光時域反射計；

12、所述相位敏感光時域反射計以1000赫茲采集光纖震動數(shù)據(jù)，收集所述光纖震動數(shù)據(jù)和輸電線覆冰情況形式形成的歷史數(shù)據(jù)，并存儲到所述覆冰情況形式歷史數(shù)據(jù)表vblist；其中，所述覆冰情況形式歷史數(shù)據(jù)表vblist的每個元素具有2個字段：

13、光纖震動數(shù)據(jù)數(shù)組vbdata：光纖震動數(shù)據(jù)數(shù)組vbdata是一個4000個元素的浮點型數(shù)組，由于相位敏感光時域反射計采集頻率是1000赫茲，所以光纖震動數(shù)據(jù)數(shù)組vbdata對應(yīng)時長為4秒鐘的光纖震動數(shù)據(jù)；

14、是否出現(xiàn)較薄的覆冰vbobserved：是一個整型變量，1表示出現(xiàn)了較為薄的覆冰，此時輸電線覆冰厚度為大于0且小于5毫米，0表示未出現(xiàn)覆冰；

15、s102，覆冰情況形式歷史數(shù)據(jù)表元素個數(shù)vbnum=覆冰情況形式歷史數(shù)據(jù)表vblist的元素個數(shù)；

16、s103，建立光纖震動數(shù)據(jù)層級上下文特性列表cjlist，初始時為空列表；該光纖震動數(shù)據(jù)層級上下文特性列表cjlist的每一個元素結(jié)構(gòu)包含6個字段：

17、光纖震動特征第一層級上下文特征vb1：為一個40個元素的列表，列表中每個元素為10維的矢量；

18、光纖震動特征第二層級上下文特征vb2：為一個40個元素的列表，列表中每個元素為10維的矢量；

19、光纖震動特征第三層級上下文特征vb3：為一個40個元素的列表，列表中每個元素為10維的矢量；

20、光纖震動特征第四層級上下文特征vb4：為一個40個元素的列表，列表中每個元素為10維的矢量；

21、光纖震動特征第五層級上下文特征vb5：為一個40個元素的列表，列表中每個元素為10維的矢量；

22、光纖震動數(shù)據(jù)層級上下文特性列表cjlist的覆冰決策fbdecison：為一個整數(shù)變量，表達(dá)是否出現(xiàn)覆冰；

23、s104，構(gòu)建光纖震動數(shù)據(jù)層級上下文特性列表計數(shù)器cjcounter=1；

24、s105，建立光纖震動數(shù)據(jù)層級上下文特性列表cjlist的一個元素cjlistitem，元素cjlistitem具有的6個字段：

25、光纖震動特征第一層級上下文特征vb1：為一個40個元素的列表，列表中每個元素為10維的矢量，矢量的內(nèi)部全為0；

26、光纖震動特征第二層級上下文特征vb2：為一個40個元素的列表，列表中每個元素為10維的矢量，矢量的內(nèi)部全為0；

27、光纖震動特征第三層級上下文特征vb3：為一個40個元素的列表，列表中每個元素為10維的矢量，矢量的內(nèi)部全為0；

28、光纖震動特征第四層級上下文特征vb4：為一個40個元素的列表，列表中每個元素為10維的矢量，矢量的內(nèi)部全為0；

29、光纖震動特征第五層級上下文特征vb5：為一個40個元素的列表，列表中每個元素為10維的矢量，矢量的內(nèi)部全為0；

30、覆冰決策fbdecison=0；

31、s106，s1步驟結(jié)束。

32、優(yōu)選的，s2具體為：

33、s201，建立時域指標(biāo)表達(dá)模塊femodel；所述時域指標(biāo)表達(dá)模塊femodel的輸入為時域指標(biāo)表達(dá)輸入數(shù)組feinput，所述時域指標(biāo)表達(dá)輸入數(shù)組feinput為一個100個元素的數(shù)組；

34、s202，對于所述時域指標(biāo)表達(dá)輸入數(shù)組feinput進(jìn)行如下公式計算：

35、（1）時域標(biāo)準(zhǔn)差指標(biāo)：

36、標(biāo)準(zhǔn)差σ：衡量數(shù)據(jù)的離散程度，計算公式為：

37、

38、其中：均值μ計算公式為：

39、

40、其中：表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的第i個元素；n=100，表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的元素數(shù)量；

41、（2）時域峰-峰值指標(biāo)：

42、峰-峰值pp表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的極值范圍，計算公式為：

43、

44、其中：表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的元素最大值；表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的元素最小值；

45、（3）時域偏度指標(biāo)：

46、偏度衡量數(shù)據(jù)分布的對稱性，計算公式為：

47、

48、（4）時域裕度指標(biāo)：

49、裕度r表示峰-峰值與均值的相對大小，計算公式為：

50、

51、（5）時域峭度指標(biāo)：

52、峭度描述數(shù)據(jù)分布的尖銳程度，計算公式為：

53、

54、（6）時域最大值指標(biāo)：

55、最大值max表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的最大元素，計算公式為：

56、

57、（7）時域最小值指標(biāo)：

58、最小值?min表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的最小元素，計算公式為：

59、

60、（8）時域脈沖指標(biāo)：

61、脈沖指標(biāo)p表示信號的脈沖強(qiáng)度，定義為：

62、

63、其中：表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中的第i個元素的絕對值；

64、（9）時域波形值指標(biāo)：

65、波形值衡量信號的整體波動，計算公式為：

66、

67、（10）時域能量指標(biāo)：

68、能量e表示時域指標(biāo)表達(dá)輸入數(shù)組feinput中所有元素的平方和，計算公式為：

69、

70、s203，建立時域指標(biāo)表達(dá)輸出數(shù)組feoutput為10個元素的數(shù)組；

71、s204，將s202計算的10個指標(biāo)結(jié)果順次存儲到時域指標(biāo)表達(dá)輸出數(shù)組feoutput之中；

72、s205，將時域指標(biāo)表達(dá)輸出數(shù)組feoutput作為時域指標(biāo)表達(dá)模塊femodel的結(jié)果輸出。

73、優(yōu)選的，s3具體為：

74、s301，建立光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel；所述光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel的輸入為4000個元素的浮點型數(shù)組txinput；

75、s302，令光纖震動數(shù)據(jù)層級上下文特性抽取模塊第一計數(shù)器txcounter1=1；?構(gòu)建光纖震動數(shù)據(jù)層級上下文特性抽取模塊列表變量txlist=空列表；

76、s303，光纖震動數(shù)據(jù)層級上下文特性抽取模塊第一暫存變量txtemp1=取出浮點型數(shù)組txinput的第（txcounter1-1）×100至第（txcounter1-1）×100+99個元素，共計100個元素；

77、s304，光纖震動數(shù)據(jù)層級上下文特性抽取模塊第二暫存變量txtemp2：

78、利用時域指標(biāo)表達(dá)模塊femodel對光纖震動數(shù)據(jù)層級上下文特性抽取模塊第一暫存變量txtemp1進(jìn)行處理，時域指標(biāo)表達(dá)模塊femodel的時域指標(biāo)表達(dá)輸入數(shù)組feinput=光纖震動數(shù)據(jù)層級上下文特性抽取模塊第一暫存變量txtemp1，獲得時域指標(biāo)表達(dá)輸出數(shù)組feoutput；使光纖震動數(shù)據(jù)層級上下文特性抽取模塊第二暫存變量txtemp2=時域指標(biāo)表達(dá)輸出數(shù)組feoutput；

79、s305，將光纖震動數(shù)據(jù)層級上下文特性抽取模塊第二暫存變量txtemp2加入到光纖震動數(shù)據(jù)層級上下文特性抽取模塊列表變量txlist之中；

80、s306，txcounter1=txcounter1+1；

81、s307，如果txcounter1小于等于40，則轉(zhuǎn)到s303；否則轉(zhuǎn)到s308；

82、s308，建立光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput，光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的結(jié)構(gòu)與光纖震動數(shù)據(jù)層級上下文特性列表cjlist的一個元素結(jié)構(gòu)相同，包含6個字段：

83、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb1字段=光纖震動數(shù)據(jù)層級上下文特性抽取模塊列表變量txlist；具體的，光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb1字段為一個40個元素的列表，列表中每個元素為10維的矢量；

84、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb2字段=建立一個新的列表，其值為在其vb1字段的第一個元素之前插入一個全是0的10維矢量，并刪除其vb1字段末尾的一個元素；

85、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb3字段=建立一個新的列表，其值為在其vb2字段的第一個元素之前插入一個全是0的10維矢量，并刪除其vb2字段末尾的一個元素；

86、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb4字段=建立一個新的列表，其值為在其vb3字段的第一個元素之前插入一個全是0的10維矢量，并刪除其vb3字段末尾的一個元素；

87、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb5字段=建立一個新的列表，其值為在其vb4字段的第一個元素之前插入一個全是0的10維矢量，并刪除其vb4字段末尾的一個元素；

88、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的覆冰決策fbdecison字段：為一個整數(shù)變量，表達(dá)是否出現(xiàn)覆冰；

89、s309，更新s308建立的光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的各字段：

90、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb2字段=光纖震動數(shù)據(jù)層級上下文特性抽取模塊列表變量txlist-光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb2字段；

91、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb3字段=光纖震動數(shù)據(jù)層級上下文特性抽取模塊列表變量txlist-光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb3字段；

92、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb4字段=光纖震動數(shù)據(jù)層級上下文特性抽取模塊列表變量txlist-光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb4字段；

93、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb5字段=光纖震動數(shù)據(jù)層級上下文特性抽取模塊列表變量txlist-光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的vb5字段；

94、光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput的覆冰決策fbdecison字段=0；

95、s310，將光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput作為光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel的結(jié)果輸出。

96、優(yōu)選的，s4具體為：

97、s401，結(jié)果處理計數(shù)器clcounter=1；

98、s402，結(jié)果處理第一暫存變量cltemp1：

99、取出覆冰情況形式歷史數(shù)據(jù)表vblist的第clcounter個元素，賦值給結(jié)果處理第一暫存變量cltemp1；

100、s403，結(jié)果處理第二暫存變量cltemp2：

101、利用光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel進(jìn)行處理，輸入光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel的浮點型數(shù)組txinput為結(jié)果處理第一暫存變量cltemp1，處理獲得光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput，并賦值給結(jié)果處理第二暫存變量cltemp2；

102、s404，將結(jié)果處理第二暫存變量cltemp2，賦值給光纖震動數(shù)據(jù)層級上下文特性列表cjlist的第clcounter個元素；

103、s405，取出覆冰情況形式歷史數(shù)據(jù)表vblist的第clcounter個元素的是否出現(xiàn)較薄的覆冰vbobserved字段，并賦值給光纖震動數(shù)據(jù)層級上下文特性列表cjlist的第clcounter個元素的覆冰決策fbdecison字段；

104、s406，clcounter=clcounter+1；

105、s407，如果clcounter小于等于vbnum，則轉(zhuǎn)到s402；否則轉(zhuǎn)到s408；

106、s408，s4步驟處理過程結(jié)束。

107、優(yōu)選的，s5具體為：

108、s501，建立分層次覆冰決策神經(jīng)網(wǎng)模型ccnn，包含如下結(jié)構(gòu)：

109、具有5個輸入分支，每個輸入分支經(jīng)過一個lstm層輸出一個100個元素的輸出數(shù)組；5個輸入分支處理完成之后，將輸出合并為一個100×5的特征圖；對于該特征圖，利用2個卷積層1個最大池化層和一個三次的mlp網(wǎng)形成決策；

110、s502，分層次覆冰決策神經(jīng)網(wǎng)模型ccnn的五個輸入分支分別接入光纖震動數(shù)據(jù)層級上下文特性列表cjlist的vb1,?vb2,?vb3,?vb4和vb5字段，分層次覆冰決策神經(jīng)網(wǎng)模型ccnn的決策輸出接入光纖震動數(shù)據(jù)層級上下文特性列表cjlist的覆冰決策fbdecison字段；

111、s503，利用光纖震動數(shù)據(jù)層級上下文特性列表cjlist的數(shù)據(jù)訓(xùn)練分層次覆冰決策神經(jīng)網(wǎng)模型ccnn，使得分層次覆冰決策神經(jīng)網(wǎng)模型ccnn具備決策能力；

112、s504，?s5步驟處理過程結(jié)束。

113、優(yōu)選的，s6具體為：

114、s601，利用相位敏感光時域反射計采集4秒鐘時長的光纖震動數(shù)據(jù)test；

115、s602，用于判斷的第一暫存變量pdtemp1：

116、利用光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel進(jìn)行處理，輸入光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel的浮點型數(shù)組txinput為光纖震動數(shù)據(jù)test，獲得光纖震動數(shù)據(jù)層級上下文特性抽取模塊txmodel的光纖震動數(shù)據(jù)層級上下文特性輸出結(jié)果txoutput，并賦值給用于判斷的第一暫存變量pdtemp1；

117、s603，將用于判斷的第一暫存變量pdtemp1輸入給分層次覆冰決策神經(jīng)網(wǎng)模型ccnn，分層次覆冰決策神經(jīng)網(wǎng)模型ccnn的五個輸入分支分別接入用于判斷的第一暫存變量pdtemp1的vb1,?vb2,?vb3,?vb4和vb5字段；

118、s604，用于判斷的第二暫存變量pdtemp2：

119、分層次覆冰決策神經(jīng)網(wǎng)模型ccnn的決策輸出，賦值給用于判斷的第二暫存變量pdtemp2；

120、s605，如果用于判斷的第二暫存變量pdtemp2等于0，則轉(zhuǎn)到s606；否則轉(zhuǎn)到s607；

121、s606，輸出沒有出現(xiàn)輸電線初期覆冰情況，轉(zhuǎn)到s608；

122、s607，表示出現(xiàn)了輸電線初期覆冰情況，進(jìn)行預(yù)警，轉(zhuǎn)到s608；

123、s608，結(jié)束。

124、本發(fā)明提供的基于光纖震動數(shù)據(jù)層級上下文的輸電線初期覆冰預(yù)警方法具有以下優(yōu)點：

125、通過本發(fā)明的分層次結(jié)構(gòu)，可以描述光纖震動數(shù)據(jù)不同周期之間的變化過程，一方面，這使得神經(jīng)網(wǎng)必然可以找到一個特定層級對應(yīng)覆冰預(yù)警，適應(yīng)不同施工方式、裝配方式導(dǎo)致的光纖震動數(shù)據(jù)特性變化；另一方面，在層級之間通過公式計算出來的差異可以不依賴樣本，更加明確的表達(dá)光纖震動數(shù)據(jù)不同周期間的差異，為應(yīng)對輸電線初期覆冰樣本較少的情況帶來了幫助。通過本發(fā)明，可以更加有效的進(jìn)行輸電線初期覆冰預(yù)警，提高電網(wǎng)巡檢管理的效率。