基于多源异构监测数据融合的输电线路故障预测方法

《International Transactions on Electrical Energy Systems》：Multisource Heterogeneous Monitoring Data Fusion-Based Transmission Line Galloping Prediction Method

　　**摘要**

输电线的舞动现象带来了严重的安全隐患，对电力系统的安全构成了严重威胁。因此，及时准确地预测舞动行为对于预防和减轻其损害至关重要。现有的舞动预测方法通常依赖于单通道光纤振动信号，但这些信号存在信息表示不完整的问题。这些方法无法有效捕捉实际运行环境中的多源实时监测参数，从而影响了预测的准确性和可靠性。为了解决这些问题，我们提出了一种基于多源异构监测数据融合的输电线舞动预测方法。首先，我们开发了一个改进的灰色目标模型，以评估不同多源异构监测数据对舞动预测的影响。其次，我们提出了一种启发式优化的长短期记忆（LSTM）算法，该算法具有改进的信息处理机制，其中雀鸟算法能够自适应地优化关键的LSTM参数。最后，仿真结果证明了所提算法在预测准确性和收敛性方面的优越性。

**1. 引言**

输电线的舞动是一种低频、大幅度的风致振动现象，对电力系统的安全稳定运行构成了重大威胁[1, 2]。这种振动可能导致导体碰撞、绝缘子损坏、闪络、线路跳闸，甚至引发大规模停电和巨大的经济损失[3–5]。因此，准确及时地预测输电线的舞动行为具有重要意义。传统的舞动预测方法主要依赖于张力传感器，但这些传感器在表示复杂动态环境条件方面存在不足。相比之下，光纤传感技术可以实现对整个线路的分布式、高分辨率振动监测。包括风速、温度和冰荷载在内的气象数据为理解和预测由天气现象驱动的舞动事件提供了必要的外部背景信息[6]。整合这些互补的数据源可以产生多源异构监测数据，从而实现更全面和准确的舞动预测[7, 8]。然而，多源异构数据的融合面临多个挑战，包括采样频率、数据格式和噪声特性的差异，以及需要有效的时空建模来捕捉它们之间的相互依赖性[9, 10]。现有文献中已经研究了对输电线的舞动预测。Yao等人构建了一个基于双通道预分类的级联网络用于判断线路舞动状态[11]。Wei等人开发了一种遗传算法-反向传播-支持向量机（GA-BP-SVM）组合模型进行舞动预测[12]，并采用基于滑动时间窗口的微气象数据修正算法来减少传感器噪声干扰。然而，这些研究并未考虑多源异构监测数据的融合。Liang等人提出了一种基于粒子群优化-条件生成对抗网络的高精度舞动感知模型[13]。Lou等人基于遗传算法构建了一个多目标优化模型用于线路舞动预测[14]。尽管如此，这些研究并未考虑不同监测数据对舞动行为的影响或数据的时间序列特征。长短期记忆（LSTM）网络是一种适用于处理长序列数据的循环神经网络[15]。Guo等人提出了一种基于LSTM的无人机执行器动态飞行状态故障检测方法[16]。Wang等人引入了一种基于LSTM的室内定位系统，利用地磁场读数和Wi-Fi接收信号强度创建连续的室内不确定性地图[17]。Russell和Reale研究了深度学习中的多变量不确定性，探讨了神经网络如何对回归问题进行多变量不确定性建模[18]。他们的方法结合了随机和认知来源的异方差性。灰色目标模型被广泛用于分析和评估不确定因素的影响。该模型将理想最优情况和最坏情况定义为正负目标中心，然后计算评估方案相对于基准方案的偏离程度，并将其分类为不同的等级标准[19]。Liu等人提出了一种灰色目标决策模型[20]。该模型特别适用于基于综合评估的决策制定。Sun等人基于灰色目标模型引入了一个能力评估框架，捕捉了每个层次上因素之间的对称和不对称关系[20]。Razaque等人开发了一个基于灰色目标模型的风险评估系统，从管理、法律和技术风险角度评估云服务供应商的弱点[21]。实验结果证明了所提风险评估系统的增强适用性。尽管在输电线舞动预测方面取得了进展，但仍存在一些挑战。首先，大多数现有方法依赖于单源数据，这提供了有限的环境背景信息，导致对舞动现象的表示不完整。其次，缺乏关于多源监测数据（包括气象、应力和位移信号）对舞动预测贡献的准确评估，阻碍了异构信息的有效融合和利用。第三，现有的基于LSTM的预测模型在参数调整和处理长期依赖性方面往往存在局限性，降低了它们捕捉复杂时空模式的能力，而这些模式对于准确的舞动预测至关重要。为了解决这些挑战，我们提出了一种基于多源异构监测数据融合的输电线舞动预测方法。我们开发了一个改进的灰色目标模型来评估不同多源异构监测数据对舞动预测的影响。随后提出了一种启发式优化的LSTM算法，该算法具有改进的信息处理机制，其中雀鸟算法用于自适应地优化关键的LSTM参数，同时根据每个监测数据源的量化影响配置遗忘门的初始权重，以增强时间特征的保留和预测性能。最后，通过融合多源异构监测数据来进行舞动预测。表1展示了所提工作与其他工作的比较，突出了其新颖性和贡献。尽管参考文献[16, 20]的作者优化了LSTM网络的参数，但他们忽略了多个异构监测源的影响评估和多源异构监测数据融合，导致输电线舞动预测的准确性较低。参考文献[18]评估了多个异构监测源的影响，但忽略了多源异构监测数据的融合，从而无法充分利用多源数据的互补信息，降低了舞动预测的准确性。参考文献[19]中的LSTM参数优化收敛速度较慢，且未对遗忘门的初始权重进行差异化设置。与现有文献相比，本文的具体贡献如下。

**2. 系统架构**

基于多源异构监测数据融合的输电线舞动预测系统架构如图1所示。所提出的框架包含两个层次，旨在解决异构数据集成和准确舞动预测的挑战。

- **第一层**实现了改进的基于双向灰色目标模型的影响评估方法，用于定量评估不同多源异构监测数据类型对舞动预测准确性的影响。该层建立了正目标中心向量d+和负目标中心向量d?，以捕捉正向和反向参考场景，从而全面评估数据源的贡献。通过灰色目标转换、熵权重分配和相对偏离计算Rm(t)，第一层量化了多源数据对后续输电线舞动预测的双向影响。

- **第二层**采用了一种启发式优化的LSTM算法，该算法具有改进的信息处理机制，结合了雀鸟算法优化和增强的LSTM架构（遗忘门权重初始化）进行舞动预测。雀鸟算法自适应地优化了关键LSTM超参数，包括学习率、迭代次数和隐藏层节点。LSTM网络通过根据影响评估结果初始化遗忘门权重Wg和Ug，实现了对高影响数据源的时间特征的选择性保留，同时过滤低相关性信息。

**3. 基于改进的双向灰色目标模型的多源异构监测数据影响评估**

传统的灰色目标模型仅考虑正向场景。它们的定量结果只能反映评估对象与目标中心之间的单向趋势。这一局限性使得它们不适合用于输电线结冰舞动预测等动态场景。因此，我们提出了一种基于改进的双向灰色目标模型的多源异构监测数据影响评估方法。为了满足所提方法的性能要求，本文选择了具有三个关键特征的学习数据：时间相关性、跨源互补性和关键触发特征。此外，由于这些数据与舞动机制高度相关、具有时空多样性和高信噪比，它们为网络提供了与机制相关、多样化和高质量的特征。这种协同作用确保了模型性能的可解释性、可靠性和泛化能力。我们考虑了来自气象、光纤、应力和其他传感方法的多源异构监测数据。定义多源异构监测数据类型集合为M，定义线路监测数据收集点集合为，定义收集时刻集合为。多源异构监测数据影响评估空间的构建表示为：

$$
(1)
$$

其中dm,k(t)表示时间段t内收集点sk处的多源异构监测数据类型fm的值。Im(t) = [dm,1(t), ?, dm,K(t)]表示多源异构监测数据类型fm的评估向量。灰色目标模型的正目标中心向量通过考虑正目标中心向量d+来设置。同时，反向参考场景用于设置负目标中心向量d?。正负目标中心向量表示为：

$$
(2)
$$

如果多源异构监测数据类型fm的状态向量更接近d+且远离d?，则意味着该多源异构监测数据对结冰舞动的影响更大，反之亦然。由于这些指标的尺度不同，需要对它们进行灰色目标转换，即G(dm,k(t)) = bm,k(t)，可以表示为：

$$
(3)
$$

$$
(4)
$$

$$
(5)
$$

其中ΨJ、ΨE和ΨF分别表示基于成本、基于收益和固定指标的集合。I(t)的灰色目标转换得到。同时，d+和d?被转换得到标准正目标中心向量b+ = [1, ?1]和标准负目标中心向量b? = [0, ?0]。基于d+和d?，建立了一个改进的灰色目标模型B′(t)，可以表示为：

$$
(6)
$$

我们使用改进的熵权重方法来计算每个收集点的权重。首先，计算第k个收集点的特征权重rm,k(t)和表征收集点重要性的熵Hk(t)，可以表示为：

$$
(7)
$$

$$
(8)
$$

其中bm,k(t)加1是为了避免指标的熵值过大。计算第k个收集点位置的权重并表示为：

$$
(9)
$$

结合不同收集点的权重和欧几里得距离，计算加权正目标中心距离和加权负目标中心距离，表示为：

$$
(10)
$$

为了有效衡量每个收集点对结冰舞动影响的作用，定义了多源异构监测数据类型fm的相对偏离程度：

$$
(11)
$$

相对偏离程度取值范围为[0, 1]。数值越接近1，表示该多源异构监测数据的影响越大。通过识别上述关键因素，选择了受结冰跳跃影响较大的N个多源异构监测数据来构建跳跃预测数据源。这为构建线路结冰跳跃预测模型提供了数据基础。

4. 基于启发式优化LSTM的传输线路跳跃预测算法及改进的信息处理机制
在本文中，提出了一种基于启发式优化LSTM的传输线路跳跃预测算法，并改进了其信息处理机制，如图2所示。该算法旨在充分利用多源异构监测数据中的时间依赖性，以准确预测线路跳跃现象。其核心优势在于将启发式优化与神经网络相结合，以提高预测精度和模型泛化能力。

基于启发式优化LSTM的传输线路跳跃预测算法及改进的信息处理机制。改进的启发式组件采用了麻雀算法，该算法受到麻雀捕食和反捕食行为的启发。在此机制中，种群被划分为发现者和加入者。通过动态监测、竞争和适应，这些个体能够自我组织，实现强大的全局搜索能力。通过将麻雀算法嵌入LSTM中，算法能够自适应地优化关键的LSTM超参数，如学习率、迭代次数和隐藏层神经元数量，从而克服手动调整的局限性，并降低陷入局部最优解的风险。算法用[0, 1]范围内的权重初始化遗忘门，使门控机制能够选择性地保留有价值的长时序特征，同时丢弃无关或影响较小的信息。输入门结合历史跳跃数据，输出门执行多源数据融合，生成最终预测结果。麻雀种群的初始化表示为

其中N表示种群中个体的数量，P表示空间的维度大小，与LSTM需要优化的参数数量相同，表示种群中第n个个体的第p个维度。麻雀种群的适应度矩阵OX表示为

其中表示种群中第n个个体的适应度值。麻雀发现者的位置信息更新表示为

其中表示位置信息。表示正态分布的随机数。α表示[0, 1]范围内的随机数。L表示1 × P的全1矩阵。R2是[0, 1]范围内的随机数。ST表示安全值。麻雀加入者的位置信息更新计算为

其中n仅遍历加入者，yb(i + 1)表示第(i + 1)次迭代中的最优解位置，yworse(i)表示第i次迭代中的最差解位置，A表示1 × P矩阵。A中的元素随机赋值为1或?1。意识到危险的麻雀的位置更新表示为

其中n仅遍历意识到危险的麻雀。ybest(i)表示第i次迭代的全局最优解位置。fn、fg和fw分别表示第n个个体的适应度值、当前最大适应度值和当前最小适应度值。U是[?1, 1]范围内的随机数，正负符号表示麻雀的移动方向。表示步长控制参数。β表示服从均值为0、方差为1的正态分布的随机数，ε表示非零的随机常数。发现者和加入者的位置不断更新，直到达到迭代阈值。终止时，适应度最高的麻雀被确定为全局最优解。为了增强麻雀算法的全局搜索能力并防止其陷入局部最优解，首先使用混沌映射完成麻雀种群的初始化。这确保每个麻雀在搜索空间内均匀分布，从而避免由于种群分布不均导致的过早局部搜索。其次，在觅食过程中，加入者总是能够寻找食物资源最丰富的发现者。加入者会在附近觅食，甚至会为食物竞争，从而使双方的身份发生变化。为了避免算法陷入局部最优解空间，引入了柯西变异策略来扰动加入者，增强全局优化能力，扩大搜索范围，并提高全局搜索能力。逻辑帐篷混沌映射过程表示为

其中r ∈ (0, 1)表示控制参数。使用柯西变异可以在更新麻雀个体的全局最优位置时产生更广泛的扰动，使其更容易跳出局部最优解空间，从而加快收敛速度，表示为

在获得LSTM的最优参数后，线路跳跃预测的步骤如下：

步骤1：根据前一时刻的隐藏状态ht?1和当前时刻的输入xt，计算遗忘门gt，表示为

其中Wg、Ug表示权重矩阵。它们根据前一节中传感器（如气象、光纤和应力）传输的多源异构监测数据对传输线路结冰跳跃的定量影响进行设置。bg表示偏置项，σ表示Sigmoid激活函数。
步骤2：根据前一时刻的隐藏状态ht?1和当前时刻的输入xt，计算输入门it，表示为

其中Wi、Ui表示权重矩阵，bi表示偏置项。
步骤3：根据前一时刻的隐藏状态ht?1和当前时刻的输入xt，计算输入门ot，表示为

其中Wo、Uo表示权重矩阵，bo表示偏置项。
步骤4：使用tanh函数作为神经元的激活函数。根据前一时刻的隐藏状态ht?1和当前时刻的输入xt，计算候选记忆单元ct，表示为

其中Wc、Uc表示权重矩阵，bc表示偏置项。
步骤5：结合前一时刻的记忆单元和当前时刻的候选记忆单元的信息，通过遗忘门和输入门调节信息流动，计算当前时刻的记忆单元ct，表示为

步骤6：通过tanh激活函数和输出门，ct可以获得新的隐藏状态，即线路跳跃的预测值，表示为

5. 仿真结果
为了系统验证所提出的线路跳跃预测方法的有效性，在实际工作条件下进行了案例验证。我们使用省级电网实际分布网络中的多源异构监测数据集进行验证。我们收集了传输线路的历史数据作为算法训练和验证样本，包括光纤数据、应力数据（反映线路老化）和气象数据（反映环境变化）。同时，我们还收集了极端天气条件下的传输线路跳跃数据，包括大风天气和降雪天气。其中，大风占50%，降雪占50%。温度范围从?20°C到40°C。原始数据来自500 kV韩郑特高压传输线路。韩郑线路穿过郑州西南部新密市海拔1100米的 Songshan 山脉地区。由于复杂的地理环境，该线路极易受到极端天气条件的影响。因此，选择500 kV韩郑线路的运行状态作为仿真场景足以覆盖不同的地理和温度环境。原始数据被分为训练集和测试集。数据集的前7500个样本被选为训练集，后2500个样本作为测试集。训练集的数据和结果用于训练基于多源异构监测数据的线路跳跃预测模型，而测试集的多源异构监测数据被输入到训练好的网络中进行线路跳跃预测。使用的硬件配置如下：CPU：Intel Xeon Gold 5318Y（24核）；GPU：NVIDIA RTX 4000 Ada 20 GB；内存：128 GB DDR4 ECC RAM；存储：2 TB NVMe SSD（系统驱动器）+ SAS/SATA HDD（数据存储驱动器，配置为RAID，32 TB）。仿真参数见表2 [22, 23]。

表2. 仿真参数。
数据来源
参数 值或范围

光纤数据
最大冲击响应 100 g
最大响应频率 700 Hz
弯曲半径 ≥ 17 mm

应力数据
弹性系数 84,900 (N/mm2)
组合破坏应力 280 (N/mm2)
温度伸长系数 18.86 × 10?? (1/°C)

气象数据
风速 4–15 m/s
平均相对湿度 70%–100%
温度 ?5°C–3°C

LSTM网络
记忆单元 128
全连接层 1
全连接层节点 30
丢弃率 [0.02, 0.09, 0.04]

首先，将数据集导入MATLAB形成10,000 × 11的矩阵。第1-10列代表影响传输线路振动的监测数据（即输入层），第11列代表传输线路状态（即输出层）。随后，将10,000个样本数据点随机打乱形成随机矩阵。然后根据神经网络结构将随机矩阵分为输入层和输出层，并将输出结果从一维数值转换为二维向量。最后，使用mapminmax函数将输入数据归一化到[?1, 1]区间。为了确保收集数据的有效性并消除由于随机因素导致的数据序列中的不规则或非线性波动，进行了数据预处理。由于数据来自传感器，因此使用最近邻插值方法补充了在传感器采集和传输过程中可能丢失的数据。最近邻插值方法利用缺失数据的前后值。设时间t1的值为空缺值x1，时间t2的值为空缺值x2，时间t3的值为空缺值x3。当时间t2的值缺失时，使用以下公式计算x2的值：

不同的特征向量具有不同的单位。为了促进平衡和稳定的训练，对输入向量进行归一化。这个过程确保所有特征对神经网络产生一致的影响，防止权重过于集中，加快收敛速度，并避免梯度爆炸。公式如下：

选择四种基线算法进行比较和分析。基线1是L2-SSA-LSTM算法[24]，它使用LSTM预测数据并通过计算误差来检测异常。它还引入了一种无监督的非参数异常阈值策略，考虑了监测数据的时间依赖性和特征相关性，但没有考虑多源数据在LSTM线路跳跃预测中的影响。基线2使用双LSTM预测模型[25]，它以全局数据作为输入进行长期数据预测，但没有考虑多源数据的差异性影响。该算法根据历史数据驱动LSTM网络模型参数的更新，但没有考虑多源融合数据的定量影响。基线3是一种基于物联网（IoT）的传输线路跳跃预警方法[26]，它通过自适应加权融合和BP神经网络融合整合了光纤传感数据和天气预报信息。本文介绍了一种改进的门循环单元（GRU）网络，该网络结合了基于注意力的闭环反馈机制，用于时间序列预测。然而，复杂的融合结构增加了计算开销，限制了其实时应用的可行性。Baseline 4是一种基于有限元方法（FEM）和随机森林以及BP神经网络的混合传输线舞动预警模型[10]，它利用结构、冰层和风速参数来预测舞动模式和振动特征。该模型能够有效量化特征的重要性和敏感性，但缺乏参数优化，这限制了其在实际传输线舞动预测中的适应性。所有算法都使用相同的训练集进行训练。为了验证所提算法的预测准确性，采用了多种评估指标，包括相对偏差、位移/角度预测误差和准确率。通过比较多源异构监测数据的评估指标，验证了所提算法的能力。表3展示了不同算法的传输线舞动预测准确性对比结果。可以看出，在不同的舞动场景下，所提算法的准确性均优于Baseline 1-4。这是因为所提算法构建了双向灰色目标模型，并将其与具有改进信息处理机制的启发式优化LSTM相结合，从而能够有效整合来自多个来源的异构监测数据，并充分利用这些数据的互补信息，显著提高了在恶劣环境下的预测准确性和实时性能。

表3. 不同算法的传输线舞动预测准确性对比

表4. 不同算法的传输线舞动评估指标对比。我们考虑了四种评估指标，包括均方根误差（RMSE）、平均绝对百分比误差（MAPE）、Nash-Sutcliffe效率（NSE）和平均绝对误差（MAE）。

可以看出，与Baseline 1-4相比，所提算法的评估指标平均提高了14.63%、28.37%、6.65%和12.62%。这是因为所提算法考虑了多源异构监测数据对传输线舞动预测的定量影响，并基于改进的Sparrow算法优化了网络参数搜索，从而提高了算法的全局搜索能力，有效整合了多源异构监测数据，实现了传输线舞动的准确预测。图3显示了不同算法的RMSE随迭代次数的变化情况。与Baseline 1、2和3相比，所提算法的收敛速度分别提高了28.39%、35.99%和40.45%。当迭代次数达到200时，所提算法的收敛值分别提高了18.21%、6.67%、0.04%和14.49%。这是因为所提算法基于多源异构监测数据考虑，引入了双向灰色目标模型，以评估多源异构监测数据对传输线舞动预测的影响，从而逐步降低了预测模型中的误差函数，实现了最佳的预测准确性。尽管Baseline 3的收敛值与所提算法接近，但其较长的收敛时间限制了其实际应用性；而Baseline 4虽然收敛速度提高了2.95%，但收敛值却降低了14.49%。

图4显示了不同算法的平面振幅和扭转角度对比结果。在Baseline算法中，最大平面振幅误差达到了0.08米，最大平均扭转角度误差达到了2.9×10^-3弧度，这表明与目标值存在显著偏差。所提算法的最大平面振幅误差小于5×10^-3米，最大平均扭转角度误差小于5×10^-4弧度。这是因为所提算法采用了改进的双向灰色目标模型，细化了导致冰冻舞动的关键因素，并结合了改进的Sparrow算法来优化LSTM参数，从而增强了关键因素对传输线舞动预测结果的影响，并有效融合了多源异构监测数据，提高了预测准确性。

图5显示了不同算法的传输线舞动预测结果对比。与四个Baseline算法相比，所提算法在风速条件下的平均舞动预测误差分别降低了34.3%、14.4%、1.2%和26.3%。这是因为所提算法基于改进的双向灰色目标模型来获取监测数据的影响，并将数据输入LSTM网络，增强了预测结果的准确性。

图6展示了三种监测数据类型（气象、光纤和应力）在不同时间段内的相对偏差对比。在0-50时间段内，所提算法的气象数据相对偏差较高，接近0.9；而光纤数据和应力数据的相对偏差较低，约为0.7和0.8。与气象预报相比，该时间段内存在降雪、结冰等现象，以及气象数据对传输线舞动预测的影响。在50-200时间段内，光纤数据的相对偏差上升到0.6-0.8，应力数据的相对偏差上升到0.7-0.8。与气象预报相比，气象数据的相对偏差有所下降，保持在约0.5。这一时期有强风导致线路扭曲变形，光纤数据和应力数据对传输线舞动预测的影响更大。所提算法的影响评估方法与实际情况更为吻合，同时能够准确判断不同时刻不同监测数据的影响。

图7比较了所提算法是否采用双向灰色目标模型对预测结果的影响。从图中可以看出，未采用双向灰色目标模型的算法与实际值相比存在明显误差，无法正确反映气象监测数据对传输线舞动预测的影响。而采用灰色目标模型的所提算法能够相对准确地反映不同时刻气象监测数据的影响。这是因为所提算法基于改进的双向灰色目标模型，充分考虑了影响传输线舞动幅度的不确定因素，对多源异构监测数据进行了综合评估。

图8展示了为了评估各组件的贡献而进行的消融研究。与未采用改进双向灰色目标模型的算法相比，采用改进Sparrow算法和遗忘门初始化的算法，所提算法的收敛速度分别提高了43.48%、27.10%和15.22%，且收敛后的RMSE分别降低了16.93%、11.61%和3.73%。

本研究得到了国家电网有限公司科技项目（项目编号5500-202424166A-1-1-ZN）的资助。**披露**

所有作者均隶属于国家电网河南电力公司；该公司对研究设计、数据收集、分析、解释或决定提交该作品发表均无任何影响。所有作者均已阅读并同意发表的手稿版本。

**利益冲突**

作者声明不存在任何利益冲突。

**数据可用性声明**

本研究使用的数据集包含与国家电网河南电力公司电力系统运营相关的敏感信息，因此由于隐私、安全和保密方面的限制，无法公开发布。如需获取支持本研究结果的数据，可向相应作者提出合理请求。