基于双向长短期记忆网络的输电线路舞动参数估计方法与流程

本发明属于信号处理。

背景技术：

1、我国输电电网建设一直朝着特高压和智能化发展，为我国各行业、领域提供了能源的基本保障。然而，电网规模、容量以及地理跨度的不断扩大使其对恶劣气象条件和天气现象的敏感性也随之增加。恶劣的气象条件可能导致输电线路发生各种灾害性事故，尤其是各类输电线路舞动事故。这类事故频繁发生且涉及输电线路等级宽泛，若无法及时发现、维护，那么就会对电网造成严重的影响。与此同时，深度学习技术进步飞速，为舞动智能监测提供了优秀的解决方案。当前输电线路舞动监测系统使用低成本惯性测量单元(inertial measurement units，imus)进行线路舞动参数估计时易出现的测量精度低、稳定性差等问题，而双向长短期记忆网络(bidirectional long short term memory，bi-lstm)能够捕捉序列数据中前后关系，应用在舞动特征这种非单向依赖关系的数据分析中非常合适，能够更全面捕捉到输电线路舞动特征，极大提高估计的精度。

2、但是现有技术中采用双向长短期记忆网络进行输电线路舞动参数估计的方法存在以下缺陷，其一、现有的bi-lstm网络在处理强非线性、时变性大的时间序列数据时，拟合能力较低，特征提取能力欠佳，难以发现时间序列数据中的规律。此外，这类数据的快速变化容易导致bi-lstm网络出现梯度爆炸和梯度消失等问题；在输电线路舞动参数估计过程中，仅使用时域数据难以充分表征线路舞动的动态过程，从而导致预测精度较低。其二、传统方法依赖视频进行舞动参数的识别，受限于天气能见度等气象条件的影响，同时视频中其他活动物体的干扰也会导致监测故障，进一步影响预测精度。因此，以上问题亟需解决。

技术实现思路

1、本发明目的是为了解决传统基于双向长短期记忆网络实现的输电线路舞动参数估计方法，存在依赖视频进行舞动参数的识别，视频受气象条件和活动物体干扰导致参数预测准确度低，以及仅使用时域数据难以充分表征线路舞动的动态过程，从而导致预测精度较低的问题。本发明提供了一种基于双向长短期记忆网络的输电线路舞动参数估计方法。

2、基于双向长短期记忆网络的输电线路舞动参数估计方法，该方法包括如下步骤：

3、步骤1、通过matlab软件中的运动生成模块在不同舞动模式对设置在输电线路上imu传感器进行舞动仿真，实现imu传感器舞动数据采集与数据集构建；

4、仿真过程中各采样时刻下imu传感器采集m种类别状态数据所形成的一组时域数据，并对该组时域数据进行傅利叶变换，得到该采样时刻下的一组频域数据；

5、每n个连续采样时刻下的舞动幅值和舞动频率相同，且将每n个连续采样时刻下得到n组时域数据、n组频域数据、以及该n个连续采样时刻下所对应的舞动幅值和舞动频率作为一个训练样本，形成数据集；

6、步骤2、将每个训练样本中的按时间顺序排列的n组时域数据、以及按时间顺序排列的n组频域数据均作为模型输入数据，每个训练样本中的舞动幅值和舞动频率均作为模型输出数据，并结合构建的时频域混合损失函数对bi-lstm网络模型进行训练，得到训练后的bi-lstm网络模型；

7、步骤3、将当前采样时段n个连续采样时刻下得到n组时域数据，每组时域数据对应一个采样时刻下的m种类别状态数据；

8、将n组时域数据输入至训练后的bi-lstm网络模型，同时，还将n组时域数据进行时频变换，得到的n组频域数据输入至训练后的bi-lstm网络模型进行参数预测，训练后的bi-lstm网络模型输出当前采样时段所对应的舞动幅值和舞动频率，完成舞动参数估计。

9、优选的是，舞动模式包括上下直线舞动、左右直线舞动与近似圆周舞动。

10、优选的是，m种类别状态数据分别为x、y和z轴的加速度、以及x、y和z轴的角速度。

11、优选的是，通过运动生成模块在不同舞动模式设置在输电线路上imu传感器进行舞动仿真的实现方式包括：

12、建立了输电线路姿态解算坐标系，该坐标系下通过运动生成模块对设置在输电线路上的imu传感器进行不同舞动模式下的仿真参数设置，使得imu传感器输出各采样时刻下的所有类别的状态数据；

13、设置的每种舞动模式下的仿真参数，包括imu传感器的舞动频率范围、舞动频率步长、舞动幅值范围、以及舞动幅值步长。

14、优选的是，舞动频率范围为0.1hz～2hz，舞动频率步长为0.1hz；舞动幅值范围为0.1m～8m，舞动幅值步长为0.2m。

15、优选的是，bi-lstm网络模型包括输入层、两个bi-lstm隐藏层、中间向量层和输出层；

16、通过输入层将n组时域数据和n组频域数据分别送至两个bi-lstm隐藏层；其中，第一个bi-lstm隐藏层用于对输入的n组时域数据进行特征提取，形成时域特征向量；第二个bi-lstm隐藏层用于对输入的n组频域数据进行特征提取，形成频域特征向量；

17、时域特征向量和频域特征向量合并后，送至中间向量层进行维度调整后，通过输出层进行线性变换得到舞动幅值和舞动频率。

18、优选的是，输出层采用多层感知机实现。

19、优选的是，构建的时频域混合损失函数的实现方式包括：

20、首先，构建huber损失函数lδ(y,f(x))；

21、lδ(y,f(x))为真实值y与预测值f(x)间的huber损失函数，f(x)为输入数据为变量x时网络模型输出的预测值；

22、其次，根据lδ(y,f(x))，构建时频域混合损失函数lall；

23、lall＝lδ(y,f(xmix))+λtlδ(y,f(xt))+λflδ(y,f(xf))；

24、其中，lδ(y,f(xmix))为真实值y与预测值f(xmix)间的时频混合huber损失，f(xmix)为输入数据为时域数据与频域数据所形成的混合数据xmix时网络模型输出的预测值，λt为时域损失系数，lδ(y,f(xt))为真实值y与预测值f(xt)间的时域huber损失函数，f(xt)为输入数据为时域数据xt时网络模型输出的预测值λf为频域损失系数，lδ(y,f(xf))为真实值y与预测值f(xf)间的频域huber损失函数，f(xf)为输入数据为频域数据xf时网络模型输出的预测值。

25、优选的是，

26、δ为huber损失的参数。

27、优选的是，采用adam优化算法对bi-lstm网络模型进行优化训练。

28、本发明带来的有益效果为：

29、本发明在现有技术基础上提出了一种基于时频域协同的方法，具体而言，分别针对时域数据及其对应的频域数据进行特征提取频域数据，由于具有特征频率点，特征显著且数据平滑、变化稳定，能够有效缓解bi-lstm网络的梯度爆炸和梯度消失问题。通过结合时域和频域数据，全面表征舞动过程，可以显著增强网络的拟合能力，提高预测精度。

30、本发明采用低成本、低功耗的惯性测量传感器作为舞动传感器，并运用深度学习的长短期记忆网络进行舞动特征提取，从而直接估计输电线路的舞动参数。本发明避开了传统视频方法依赖视频进行舞动参数的识别，视频受气象条件和活动物体干扰导致参数预测准确度低的缺陷，具有低成本、高精度的优势。同时，惯性测量传感器的稳定性高、维护成本低、受干扰因素少，进一步提升了监测系统的整体效能。