本发明实施例涉及输电线监测技术领域，具体而言，涉及一种基于浅层CNN分类模型的架空输电线风舞监测预警系统及方法，该基于浅层CNN分类模型的架空输电线风舞监测预警系统包括探测光缆、解调仪和数据处理装置；探测光缆与解调仪之间存在光信号交互，解调仪与数据处理装置通信连接，解调仪用于实时接收所述探测光缆反馈的后向瑞利散射光，对该后向瑞利散射光进行光电转换和模数转换，获得对应的数字信号，将数字信号发送至数据处理装置，数据处理装置用于对各所述空间样本点的数字信号进行差分、分帧、特征提取、特征融合和分类识别，以识别出异常信号并进行预警。该系统及方法能够实现对长距离输电线的实时风舞监测预警。
1.一种基于浅层CNN分类模型的架空输电线风舞监测预警系统，其特征在于，包括：探测光缆、解调仪和数据处理装置；所述探测光缆与所述解调仪之间存在光信号交互；所述解调仪与所述数据处理装置通信连接；
所述解调仪用于产生脉冲光信号，所述探测光缆用于接收所述脉冲光信号，所述解调仪还用于实时接收所述探测光缆反馈的待监测输电线的所有空间样本点的后向瑞利散射光，对所述后向瑞利散射光进行光电转换和模数转换，获得对应的数字信号，将所述数字信号发送至所述数据处理装置；
所述数据处理装置用于接收所述数字信号，将所述数字信号通过显示模块进行实时显示，并对各所述空间样本点的数字信号进行差分，将完成差分的数字信号按预设时间帧间隔进行分帧处理，提取分帧处理之后的数字信号中的时域特征和色谱图特征；对所述时域特征进行归一化处理；以每一帧信号为最小信号处理单元，将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征，采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警；
所述解调仪包括发光件、声光调制器、光放大器、隔离器、环形器、偏振器和探测器；
所述发光件与所述声光调制器固定连接，所述声光调制器与所述光放大器固定连接，所述光放大器与所述隔离器固定连接，所述隔离器与所述环形器固定连接，所述环形器与所述探测光缆固定连接，所述环形器还与所述偏振器固定连接，所述偏振器与所述探测器固定连接，所述探测器与所述数据处理装置通信连接；
所述发光件用于产生脉冲光信号，所述脉冲光信号经所述声光调制器和所述光放大器和所述环形器传输至所述探测光缆；
所述环形器还用于接收所述探测光缆反馈的后向瑞利散射光；
所述偏振器用于接收所述后向瑞利散射光，对所述后向瑞利散射光进行偏振处理；
所述探测器用于接收经过偏振处理之后的后向瑞利散射光，通过解调和模数转换将经过偏振处理之后的后向瑞利散射光转换成数字信号，将所述数字信号发送至所述数据处理装置；
所述环形器环绕设置有第一接口、第二接口和第三接口；
所述第一接口与所述隔离器固定连接，所述脉冲光信号通过第一接口进入所述环形器；
所述第二接口与所述探测光缆固定连接，所述脉冲光信号通过第二接口进入所述探测光缆；所述后向瑞利散射光从所述探测光缆通过所述第二接口进入所述环形器；
所述第三接口与所述偏振器固定连接，所述后向瑞利散射光通过第三接口进入所述偏振器。
2.根据权利要求1所述的基于浅层CNN分类模型的架空输电线风舞监测预警系统，其特征在于，所述数据处理装置通过以下方式实现对分帧处理之后的数字信号中的时域特征和色谱图特征的提取：获取分帧处理之后的数字信号中的短时舞动最大值、短时舞动峰峰值、短时舞动均值、短时舞动标准差和短时舞动均方根，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差和所述短时舞动均方根作为时域特征；
对分帧处理之后的数字信号进行短时傅里叶变换，将变换结果在映射到色谱图中七个音阶对应的十二个频率点，获得色谱图特征；其中，所述色谱图特征为：
3.根据权利要求2所述的基于浅层CNN分类模型的架空输电线风舞监测预警系统，其特征在于，所述数据处理装置通过以下方式对所述时域特征进行归一化处理：采用二十四小时时间滑动窗口对每一帧信号的时域特征在当前时刻至过去二十四小时的时间间隔内作归一化处理。
4.根据权利要求2所述的基于浅层CNN分类模型的架空输电线风舞监测预警系统，其特征在于，所述数据处理装置通过以下方式将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征：针对每一帧信号，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差、所述短时舞动均方根和所述色谱图特征复合成五行十二列的二维数组并将该二维数组作为融合特征；其中，所述短时舞动最大值为timeMax，所述短时舞动峰峰值为timeMaxMin，所述短时舞动均值为timeMean，所述短时舞动标准差为timeStd，所述短时舞动均方根为timeRMS；所述融合特征为：
5.根据权利要求4所述的基于浅层CNN分类模型的架空输电线风舞监测预警系统，其特征在于，所述数据数据处理装置通过以下方式实现采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警：将所述融合特征输入至分类器，所述分类器集成有训练完毕的预设浅层卷积神经网络CNN分类模型；其中，所述预设浅层卷积神经网络CNN分类模型包括顺次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、第三全连接层和第四全连接层；
采用所述分类器对所述融合特征进行分类识别，若识别出所述融合特征为异常信号，发出风舞预警。
6.一种基于浅层CNN分类模型的架空输电线风舞监测预警方法，其特征在于，所述方法应用于权利要求1-5任一所述的基于浅层CNN分类模型的架空输电线风舞监测预警系统，基于浅层CNN分类模型的架空输电线风舞监测预警系统包括探测光缆、解调仪和数据处理装置；所述探测光缆与所述解调仪之间存在光信号交互；所述解调仪与所述数据处理装置通信连接，所述方法包括：所述探测光缆接收所述解调仪产生的脉冲光信号；
所述解调仪实时接收所述探测光缆反馈的待监测输电线的所有空间样本点的后向瑞利散射光，对所述后向瑞利散射光进行光电转换和模数转换，获得对应的数字信号，将所述数字信号发送至所述数据处理装置；
所述数据处理装置接收所述数字信号，将所述数字信号通过显示模块进行实时显示，并对各所述空间样本点的所述数字信号进行差分，将完成差分的数字信号按预设时间帧间隔进行分帧处理，提取分帧处理之后的数字信号中的时域特征和色谱图特征；对所述时域特征进行归一化处理；以每一帧信号为最小信号处理单元，将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征，采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警。
7.根据权利要求6所述的基于浅层CNN分类模型的架空输电线风舞监测预警方法，其特征在于，提取分帧处理之后的数字信号中的时域特征和色谱图特征的步骤，包括：获取分帧处理之后的数字信号中的短时舞动最大值、短时舞动峰峰值、短时舞动均值、短时舞动标准差和短时舞动均方根，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差和所述短时舞动均方根作为时域特征；
对分帧处理之后的数字信号进行短时傅里叶变换，将变换结果在映射到色谱图中七个音阶对应的十二个频率点，获得色谱图特征；其中，所述色谱图特征为：
8.根据权利要求7所述的基于浅层CNN分类模型的架空输电线风舞监测预警方法，其特征在于，对所述时域特征进行归一化处理；以每一帧信号为最小信号处理单元，将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征，采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警的步骤，包括：采用二十四小时时间滑动窗口对每一帧信号的时域特征在当前时刻至过去二十四小时的时间间隔内作归一化处理；
归一化处理之后，针对每一帧信号，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差、所述短时舞动均方根和所述色谱图特征复合成五行十二列的二维数组并将该二维数组作为融合特征；其中，所述短时舞动最大值为timeMax，所述短时舞动峰峰值为timeMaxMin，所述短时舞动均值为timeMean，所述短时舞动标准差为timeStd，所述短时舞动均方根为timeRMS；所述融合特征为：将所述融合特征输入至分类器，所述分类器集成有训练完毕的预设浅层卷积神经网络CNN分类模型；其中，所述预设浅层卷积神经网络CNN分类模型包括顺次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、第三全连接层和第四全连接层；
采用所述分类器对所述融合特征进行分类识别，若识别出所述融合特征为异常信号，发出风舞预警。
基于浅层CNN分类模型的架空输电线风舞监测预警系统及
方法
技术领域
[0001] 本发明实施例涉及输电线监测技术领域，具体而言，涉及一种基于浅层CNN分类模型的架空输电线风舞监测预警系统及方法。
背景技术
[0002] 电力系统是现代社会和经济运行的神经中枢、动力之源，是社会和经济运行的总开关。电力系统对于社会的正常生产及民众的日常生活具有极为重要的意义。
[0003] 输电线扮演者电能传输的重要角色，是电力系统的重要组成部分。大风天气会引起输电线的舞动，进而造成不必要的事故和灾害，针对长距离输电线，风舞数据量较大，现有技术处理这些大量数据时大多耗时较长，实时并发处理能力弱，进而难以实现实时的风舞预警。
发明内容
[0004] 有鉴于此，本发明提供了一种基于浅层CNN分类模型的架空输电线风舞监测预警系统及方法，能够对大量风舞数据进行快速处理，实时并发处理能力高，能够实现实时的风舞预警。
[0005] 为实现上述目的，本发明实施例提供了一种基于浅层CNN分类模型的架空输电线风舞监测预警系统，包括：探测光缆、解调仪和数据处理装置；所述探测光缆与所述解调仪之间存在光信号交互；所述解调仪与所述数据处理装置通信连接；
[0006] 所述解调仪用于产生脉冲光信号，所述探测光缆用于接收所述脉冲光信号，所述解调仪还用于实时接收所述探测光缆反馈的待监测输电线的所有空间样本点的后向瑞利散射光，对所述后向瑞利散射光进行光电转换和模数转换，获得对应的数字信号，将所述数字信号发送至所述数据处理装置；
[0007] 所述数据处理装置用于接收所述数字信号，将所述数字信号通过显示模块进行实时显示，并对各所述空间样本点的数字信号进行差分，将完成差分的数字信号按预设时间帧间隔进行分帧处理，提取分帧处理之后的数字信号中的时域特征和色谱图特征；对所述时域特征进行归一化处理；以每一帧信号为最小信号处理单元，将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征，采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警。
[0008] 可选地，所述解调仪包括发光件、声光调制器、光放大器、隔离器、环形器、偏振器和探测器；
[0009] 所述发光件与所述声光调制器固定连接，所述声光调制器与所述光放大器固定连接，所述光放大器与所述隔离器固定连接，所述隔离器与所述环形器固定连接，所述环形器与所述探测光缆固定连接，所述环形器还与所述偏振器固定连接，所述偏振器与所述探测器固定连接，所述探测器与所述数据处理装置通信连接；
[0010] 所述发光件用于产生脉冲光信号，所述脉冲光信号经所述声光调制器和所述光放大器和所述环形器传输至所述探测光缆；
[0011] 所述环形器还用于接收所述探测光缆反馈的后向瑞利散射光；
[0012] 所述偏振器用于接收所述后向瑞利散射光，对所述后向瑞利散射光进行偏振处理；
[0013] 所述探测器用于接收经过偏振处理之后的后向瑞利散射光，通过解调和模数转换将经过偏振处理之后的后向瑞利散射光转换成数字信号，将所述数字信号发送至所述数据处理装置。
[0014] 可选地，所述环形器环绕设置有第一接口、第二接口和第三接口；
[0015] 所述第一接口与所述隔离器固定连接，所述脉冲光信号通过第一接口进入所述环形器；
[0016] 所述第二接口与所述探测光缆固定连接，所述脉冲光信号通过第二接口进入所述探测光缆；所述后向瑞利散射光从所述探测光缆通过所述第二接口进入所述环形器；
[0017] 所述第三接口与所述偏振器固定连接，所述后向瑞利散射光通过第三接口进入所述偏振器。
[0018] 可选地，所述数据处理装置通过以下方式实现对分帧处理之后的数字信号中的时域特征和色谱图特征的提取：
[0019] 获取分帧处理之后的数字信号中的短时舞动最大值、短时舞动峰峰值、短时舞动均值、短时舞动标准差和短时舞动均方根，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差和所述短时舞动均方根作为时域特征；
[0020] 对分帧处理之后的数字信号进行短时傅里叶变换，将变换结果在映射到色谱图中七个音阶对应的十二个频率点，获得色谱图特征；其中，所述色谱图特征为：
[0021]
[0022] 可选地，所述数据处理装置通过以下方式对所述时域特征进行归一化处理：
[0023] 采用二十四小时时间滑动窗口对每一帧信号的时域特征在当前时刻至过去二十四小时的时间间隔内作归一化处理。
[0024] 可选地，所述数据处理装置通过以下方式将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征：
[0025] 针对每一帧信号，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差、所述短时舞动均方根和所述色谱图特征复合成五行十二列的二维数组并将该二维数组作为融合特征；其中，所述短时舞动最大值为timeMax，所述短时舞动峰峰值为timeMaxMin，所述短时舞动均值为timeMean，所述短时舞动标准差为timeStd，所述短时舞动均方根为timeRMS；所述融合特征为：
[0026]
[0027] 可选地，所述数据数据处理装置通过以下方式实现采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警：
[0028] 将所述融合特征输入至分类器，所述分类器集成有训练完毕的预设浅层卷积神经网络CNN分类模型；其中，所述预设浅层卷积神经网络CNN分类模型包括顺次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、第三全连接层和第四全连接层；
[0029] 采用所述分类器对所述融合特征进行分类识别，若识别出所述融合特征为异常信号，发出风舞预警。
[0030] 本发明实施例还提供了一种基于浅层CNN分类模型的架空输电线风舞监测预警方法，所述方法应用于上述基于浅层CNN分类模型的架空输电线风舞监测预警系统，基于浅层CNN分类模型的架空输电线风舞监测预警系统包括探测光缆、解调仪和数据处理装置；所述探测光缆与所述解调仪之间存在光信号交互；所述解调仪与所述数据处理装置通信连接，所述方法包括：
[0031] 所述探测光缆接收所述解调仪产生的脉冲光信号；
[0032] 所述解调仪实时接收所述探测光缆反馈的待监测输电线的所有空间样本点的后向瑞利散射光，对所述后向瑞利散射光进行光电转换和模数转换，获得对应的数字信号，将所述数字信号发送至所述数据处理装置；
[0033] 所述数据处理装置接收所述数字信号，将所述数字信号通过显示模块进行实时显示，并对各所述空间样本点的所述数字信号进行差分，将完成差分的数字信号按预设时间帧间隔进行分帧处理，提取分帧处理之后的数字信号中的时域特征和色谱图特征；对所述时域特征进行归一化处理；以每一帧信号为最小信号处理单元，将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征，采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警。
[0034] 可选地，提取分帧处理之后的数字信号中的时域特征和色谱图特征的步骤，包括：
[0035] 获取分帧处理之后的数字信号中的短时舞动最大值、短时舞动峰峰值、短时舞动均值、短时舞动标准差和短时舞动均方根，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差和所述短时舞动均方根作为时域特征；
[0036] 对分帧处理之后的数字信号进行短时傅里叶变换，将变换结果在映射到色谱图中七个音阶对应的十二个频率点，获得色谱图特征；其中，所述色谱图特征为：
[0037]
[0038] 可选地，对所述时域特征进行归一化处理；以每一帧信号为最小信号处理单元，将归一化之后的时域特征和所述色谱图特征进行融合以获得融合特征，采用预设浅层卷积神经网络CNN分类模型对所述融合特征进行分类识别，以识别出异常信号并进行预警的步骤，包括：
[0039] 采用二十四小时时间滑动窗口对每一帧信号的时域特征在当前时刻至过去二十四小时的时间间隔内作归一化处理；
[0040] 归一化处理之后，针对每一帧信号，将所述短时舞动最大值、所述短时舞动峰峰值、所述短时舞动均值、所述短时舞动标准差、所述短时舞动均方根和所述色谱图特征复合成五行十二列的二维数组并将该二维数组作为融合特征；其中，所述短时舞动最大值为timeMax，所述短时舞动峰峰值为timeMaxMin，所述短时舞动均值为timeMean，所述短时舞动标准差为timeStd，所述短时舞动均方根为timeRMS；所述融合特征为：
[0041]
[0042] 将所述融合特征输入至分类器，所述分类器集成有训练完毕的预设浅层卷积神经网络CNN分类模型；其中，所述预设浅层卷积神经网络CNN分类模型包括顺次连接的第一卷积层、第一池化层、第二卷积层、第二池化层、第一全连接层、第二全连接层、第三全连接层和第四全连接层；
[0043] 采用所述分类器对所述融合特征进行分类识别，若识别出所述融合特征为异常信号，发出风舞预警。
[0044] 本发明实施例所提供的基于浅层CNN分类模型的架空输电线风舞监测预警系统及方法，解调仪能够接收探测光缆探测到的后向瑞利散射光，并将该后向瑞利散射光进行光电转换和模数转换，得到对应的数字信号，通过探测光缆和解调仪组成的分布式光纤传感系统能够获得大量的长距离输电线风舞数据，方便制作训练集训练所述用于风舞信号分类的浅层CNN分类器，数据处理装置对数字信号进行差分、分帧、特征提取、归一化和特征融合处理，并采用预设浅层卷积神经网络CNN分类模型对融合特征进行分类识别，通过集成在系统中预先训练好的CNN分类模型能够相对已有技术减少识别风舞异常所用时间，实时并发处理能力强，进而实现对长距离输电线的各个空间样本点的实时风舞预警。
[0045] 进一步地，大量数据的获得使分类器能够更方便、实时、准确地解决问题。
附图说明
[0046] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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相关的附图。
[0047] 图1为本发明实施例所提供的一种基于浅层CNN分类模型的架空输电线风舞监测预警系统的结构示意图。
[0048] 图2为本发明实施例所提供的一种探测光缆的结构示意图。
[0049] 图3为本发明实施例所提供的一种数据处理装置的结构框图。
[0050] 图4为本发明实施例所提供的风舞监测预警的方法流程图。
[0051] 图5为本发明实施例所提供的二十四小时时间滑动窗口的工作原理图。
[0052] 图标：1-探测光缆；2-解调仪；21-发光件；22-声光调制器；23-光放大器；24-隔离器；25-环形器；251-第一接口；252-第二接口；253-第三接口；26-偏振器；27-探测器；3-数据处理装置；31-数据接收模块；32-显示模块；33-数据存储模块；34-风舞异常监测预警模块。
具体实施方式
[0053] 电力系统是现代社会和经济运行的神经中枢、动力之源，是社会和经济运行的总开关。电力系统对于社会的正常生产及民众的日常生活具有极为重要的意义。输电线扮演者电能传输的重要角色，是电力系统的重要组成部分。大风天气会引起输电线的舞动，进而造成不必要的事故和灾害。因此，需要对输电线的风舞情况进行监测预警。
[0054] 经发明人调查和研究发现，针对长距离输电线，风舞数据量较大，现有技术处理这些大量数据时大多耗时较长，实时并发处理能力弱，进而难以实现实时的风舞预警。
[0055] 针对现有的风舞监测技术，发明人经研究分析发现，现有的输电线路风舞监测系统包括了基于网络摄像头的监测系统、基于电学传感器的监测系统和基于光纤布拉格光栅传感器阵列的监测系统。基于摄像头的监测系统能够实现对风舞信号的定性观察和简单的定量监测，但其无法获得较为精确的定量监测结果，也无法做如频谱分析之类的定量分析；基于电学传感器的监测系统需要大量供电，而在实际情况下往往无法满足这一供电需求，且电学传感器抗干扰能力弱、不易于维护；光纤布拉格光栅传感器阵列兼具定量监测、抗干扰、易于维护、分布式监测等优点，但对于传感器节点较多的分布式监测场景，其传输传感数据的负载能力较弱，不太适用于输电线风舞监测这样的长距离监测场景。
[0056] 对于风舞信号的分析处理和异常识别，现有技术大多采用力学建模分析如有限元分析等，或是较为直接地人为设置一个风舞信号舞动幅度阈值然后对舞动幅值超过该阈值的风舞信号进行预警。对于采用力学分析的方法，前期需要较为精确的力学测量数据以及合适的实验环境能够产生出同真实环境相同的风舞异常信号，而搭建这样的实验环境需要投入大量的人力物力乃至时间成本。对于人为设定预警阈值的方法，其设定的阈值是固定的，且仅仅通过舞动幅值大小是否超过设定阈值来判断信号是否异常而不考虑信号是否满足低频谐振特性有可能误把噪声信号识别为异常信号，因而该方法只能对风舞异常有个粗略的判断而无法精确地识别风舞异常进而进行预警。
[0057] 以上现有技术中的方案所存在的缺陷，均是发明人在经过实践并仔细研究后得出的结果，因此，上述问题的发现过程以及下文中本发明实施例针对上述问题所提出的解决方案，都应该是发明人在本发明过程中对本发明做出的贡献。
[0058] 基于上述研究，本发明实施例提供了一种基于浅层CNN分类模型的架空输电线风舞监测预警系统及方法，能够对大量风舞数据进行快速处理，实时并发处理能力高，能够实现实时的风舞预警。
[0059] 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，所描述的实施例只是本发明的一部分实施例，而不是全部的实施例。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
[0060] 因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
[0061] 应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
[0062] 图1示出了本发明实施例所提供的一种基于浅层CNN分类模型的架空输电线风舞监测预警系统的结构示意图。由图可见，该基于浅层CNN分类模型的架空输电线风舞监测预警系统包括探测光缆1、解调仪2和数据处理装置3。其中，探测光缆1与解调仪2之间存在光信号交互，解调仪2与数据处理装置3通信连接。
[0063] 其中，解调仪2用于产生脉冲光信号，探测光缆1用于接收脉冲光信号，解调仪2还用于实时接收探测光缆反馈的待监测输电线的所有空间样本点的后向瑞丽散射光信号。请结合参阅图2，为本发明实施例所提供的一种探测光缆1的结构示意图，在本实施例中，探测光缆1采用光纤复合架空地线(Optical Power Grounded Waveguide)。由图2可见，当脉冲光信号L1通过探测光缆时，会产生后向瑞利散射光L2，当风负载Fv(振动信号)作用于探测光缆1时，探测光缆1会产生应变效应、弹光效应和泊松效应，进而导致后向瑞利散射光的光强产生变化，通过对变化前后的后向瑞利散射光进行相应分析(例如在时间上作差分获得差值信号)，可以获得对应的风舞情况。
[0064] 请继续参图1，解调仪2还用于对后向瑞利散射光进行光电转换和模数转换，获得对应的数字信号，将数字信号发送至数据处理装置3。
[0065] 数据处理装置3用于获得这些数字信号，将这些数字信号进行实时显示，并对这些数字信号进行一系列分析，例如，差分、分帧处理、特征提取、归一化处理、特征融合，然后采用预设浅层卷积神经网络CNN分类模型对融合特征进行分类识别，以识别出异常信号并进行预警。
[0066] 该系统能够将模拟信号转化为数字信号，并进行定量分析，解决了现有技术大多只能进行定性分析的问题，通过对数字信号的定量分析能够实时准确地识别出异常信号并进行预警。
[0067] 请继续参阅图1，由图可见，解调仪2包括发光件21、声光调制器22、光放大器23、隔离器24、环形器25、偏振器26和探测器27，其中，环形器环绕设置有第一接口251、第二接口252和第三接口253。进一步地，发光件21与声光调制器22固定连接，声光调制器22与光放大器23固定连接，光放大器23与隔离器24固定连接，隔离器24与第一接口251固定连接，第二接口252与探测光缆1固定连接，第三接口253与偏振器26固定连接，偏振器26与探测器27固定连接，探测器27与数据处理装置3通信连接。
[0068] 发光件21用于产生脉冲光信号，该脉冲光信号经声光调制器22、光放大器23、隔离器24、第一接口251和第二接口252传输至探测光缆1。第二接口252接收探测光缆1反馈的后向瑞利散射光，偏振器26通过第三接口253接收该后向瑞利散射光，对该后向瑞利散射光进行偏振处理，探测器27接收经过偏振处理之后的后向瑞利散射光，通过解调和模数转换将经过偏振处理之后的后向瑞利散射光转换成数字信号，将这些数字信号发送至所述数据处理装置3。
[0069] 可以理解，解调仪2和探测光缆1之间存在实时的光信号交互，请继续参阅图2，探测光缆1实时接收解调仪2产生的脉冲光信号，解调仪2实时接收探测光缆1反馈的后向瑞利散射光。通过这种实时的光信号交互，该基于浅层CNN分类模型的架空输电线风舞监测预警系统及方法能够获取原始的、准确的光信号资料，为之后的数据分析奠定基础。
[0070] 进一步地，请继续参阅图1，数据处理装置3实时接收探测器27发送的数字信号。可以理解，这些数字信号对应待监测输电线的所有空间样本点。例如，待监测输电线有十个空间样本点，这些数字信号对应的是十个空间样本点的实时数字信号。下面对数据处理装置3的功能模块进行说明。
[0071] 图3示出了本发明实施例所提供的一种数据处理装置的结构框图。由图可见该数据处理装置3包括数据接收模块31、显示模块32、数据存储模块33和风舞异常监测预警模块34。其中，数据接收模块31用于实时接收探测器发送的数字信号，并将这些数字信号分两路传输至显示模块32和数据存储模块33，进一步地，显示模块32根据数字信号实时显示风舞监测数据波形，数据存储模块33用于对接收到的数字信号进行存储。风舞异常监测预警模块34定时读取已存入数据存储模块33中的数字信号(实现了对数字信号的一步读取)，对读取的信号进行差分、分帧、提取特征、融合特征和分类，最后实现风舞异常的在线监测与预警。
[0072] 请参阅图4，为本发明实施例所提供的风舞监测预警的方法流程图，该方法应用于上述架空输电风舞监测系统，下面将对图4所示的具体流程进行详细阐述：
[0073] 步骤S41，针对每个空间样本点，对该空间样本点的数字信号进行差分，获得差分数字信号。
[0074] 需要注意的是，无论是显示模块32对风舞监测数据波形的实时同步波形显示，还是舞异常监测预警模块34对数字信息的异步读取与处理，都需要对获取的原始数字信号在时间上进行差分，得到差分数字信号。这是因为所获取的数字信号对应于探测光缆中的后向瑞利散热光的光强，探测光缆本身的舞动或是受到外部扰动导致后向瑞利散射光光强发生改变，当且仅当对相邻时刻的风舞监测信号做差分能够反映出输电线当前时刻相较前一时刻的舞动情况，进而实现输电线的舞动监测。
[0075] 步骤S42，对差分数字信号按预设时间帧间隔进行分帧处理，获得分帧后的差分数字信号。
[0076] 在本实施例中，针对每个空间点，先将单点24小时内的差分数字信号分成1728各时间帧，可以理解，每个时间帧对应时长为50s。
[0077] 步骤S43，对分帧之后的差分数字信号中的时域特征和色谱图特征进行提取。
[0078] 针对时域特征的提取，计算分帧之后的差分数字信号中的各个短时特征值，在本实施例中，短时特征值包括短时舞动最大值timeMax、短时舞动峰峰值timeMaxMin、短时舞动均值timeMean、短时舞动标准差timeStd和短时舞动均方根timeRMS。其中，这五个短时特征值可作为时域特征。
[0079] 针对色谱图特征的提取，对分帧之后的差分数字信号做短时傅里叶变换，将变换结果在频率上映射到七个音阶对应的十二个频率点，进而获得色谱图特征，其中，色谱图特征为：
[0080]
[0081] 步骤S44，以每一帧信号为最小信号处理单元，对时域特征进行归一化处理。
[0082] 由于每一帧信号的时域特征是离散的，难以获取离散特征之间的联系，因此需要对每一帧信号的时域特征进行归一化处理，进而将离散的特征连续化，便于后续的分类识别。
[0083] 如图5所示，在本实施例中，采用二十四小时时间滑动窗口对每一帧信号的时域特征在当前时刻至过去二十四小时时间间隔内作归一化处理。
[0084] 例如，归一化的过程可以理解为，原来时间滑动窗口中的信号为A1、A2和A3，当新的信号A4进入后，时间滑动窗口变为A2、A3和A4，同时对新进入时间窗的A4进行归一化处理。需要注意的是，放入时间滑动窗口的分帧信号特征值是归一化处理之前的分帧信号统计特征值。
[0085] 以短时舞动最大值timeMax为例，归一化公式为：
[0086]
[0087] 其中，等式右边的timeMax为当前分帧信号归一化之前的时域特征，等式左边为归一化之后的时域特征；timeMax(i)为分帧信号所在24小时时间范围内第i帧信号归一化之前的时域特征，N为分帧信号所在24小时时间范围内多包含的信号帧数。
[0088] 可以理解，其它短时特征值也通过上述相似的公式进行归一化，因此在此不作更多说明。
[0089] 步骤S45，将归一化之后的时域特征和色谱图特征进行融合以获得融合特征。
[0090] 例如，将短时舞动最大值timeMax、短时舞动峰峰值timeMaxMin、短时舞动均值timeMean、短时舞动标准差timeStd、短时舞动均方根timeRMS和色谱图特征复合成五行十二列的二维数组并将该二维数组作为融合特征Q，其中融合特征Q为：
[0091]
[0092] 步骤S46，采用预设浅层卷积神经网络CNN分类模型对融合特征进行分类识别，以识别出异常信号并进行预警。
[0093] 将融合特征输入至分类器，其中，分类器集成有训练完毕的预设浅层卷积神经网络CNN分类模型，分类器对融合特征进行分类识别，若识别出融合特征为异常信号，发出风舞预警。
[0094] 其中，预设浅层卷积神经网络CNN分类模型包括卷积层、池化层和全连接层组合而成的8层神经网络结构模型。进一步地，卷积层1、池化层1、卷积层2、池化层2、全连接层1、全连接层2、全连接层3和全连接层4顺次连接，可以理解，上一层的输出为下一层的输入，该神经网络结构模型用作对输入风舞分帧信号的融合特征进行分类和异常识别预警。
[0095] 进一步地，卷积层和池化层的参数设计如表1所示。
[0096] 表1
[0097]
[0098] 进一步地，全连接层参数设计如表2所示。
[0099] 表2
[0100] 全连接层1 全连接层2 全连接层3 全连接层4浅层CNN模型 512units 512units 256units 2units
[0101] 在集成了分类器的系统里，由于分类器被预先训练好，因而只需输入所需特征到分类器进行识别即可。对于多个空间点的情况，则使用多个训练好的分类器多线程工作，可实现实时的输电线长距离风舞预警，提高并发处理能力。进一步地，由于可获得大量数据，可随时制作训练集训练分类器，故采用分类器能更方便、实时、准确地解决问题。
[0102] 综上，本发明实施例所提供的基于浅层CNN分类模型的架空输电线风舞监测预警系统及方法，能够对大量风舞数据进行快速处理，实时并发处理能力高，能够实现实时的风舞预警。
[0103] 在本发明实施例所提供的几个实施例中，应该理解到，所揭露的装置和方法，也可以通过其它的方式实现。以上所描述的装置和方法实施例仅仅是示意性的，例如，附图中的流程图和框图显示了根据本发明的多个实施例的装置、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现方式中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或动作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
[0104] 另外，在本发明各个实施例中的各功能模块可以集成在一起形成一个独立的部分，也可以是各个模块单独存在，也可以两个或两个以上模块集成形成一个独立的部分。
[0105] 所述功能如果以软件功能模块的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，电子设备10，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
[0106] 以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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。
