本技术涉及输电线风振监测与预警，尤其涉及一种基于局部输电线风振频率监测的全局安全预警方法及系统。
背景技术：
1、输电塔-线体系作为特高压输电线路的支撑体，它是由导线、绝缘子和输电塔组成的具有强烈非线性的复杂耦联体系。由于输电塔-线体系高度高、跨度大，在风荷载作用下的动力响应非常复杂而强烈，其损伤失效会导致整个供电系统的瘫痪，不仅严重影响人们生产、生活秩序，还会产生多种次生灾害，给社会和人民的生命财产造成非常严重的后果。
2、现有的输电线风振频率监测系统主要是通过分别在输电线路上的各个输电线段安装多个传感器，获取输电线路运行过程中的多个物理参量，进而计算得到各个输电线段当前的风振频率，并基于预设值进行状态评估，实现输电线的实时风振检测与预警。该方法需要在各个输电线分段中提前部署多个传感器，当输电规模较大时，部署传感器的成本与难度较高，另一方面，各个传感器只负责各自监测的输电线段，不同线段的物理参量只用于评估各自对应的线段，无法实现信息的有效利用与提前预警，当某个线段的传感器发生故障时，监测系统会完全丢失对该线段的状态信息的掌控。
3、另一种方法是通过研究输电单塔在风振作用下的响应实现对输电线的风振监测预警。在动力分析中，输电单塔在风振作用下的响应比加入导线后输电塔-线体系风振作用下的响应要简单得多，因此可以预先结合输电塔自身结构和所在地形进行不同风向角度的风振试验，总结出对输电塔-线结构最不利的风向角与风振系数，并在此基础上通过监测输电单塔的各项物理参数实现输电线的风振监测预警。这种方法针对性强，在具备预实验的数据支持下具有较高的准确性，但对于大规模大范围的输电线路，不同输电塔所处的地形各不相同，因此该方法难以应用于大规模大范围的输电场景。
技术实现思路
1、针对上述技术问题，本技术提供一种基于局部输电线风振频率监测的全局安全预警方法及系统，通过对输电线路中局部位置的风振频率监测实现输电线路全局的安全预警，在降低部署成本的同时提高预警的及时性。
2、第一方面，本技术提供一种基于局部输电线风振频率监测的全局安全预警方法，包括：
3、获取输电线路的多个预设位置对应实时监测数据，其中，所述实时监测数据包括对应的所述预设位置的风振频率、风速以及风向，所述预设位置基于输电线路中各个位置的重要程度和耦合连接度确定；
4、将所述多个实时监测数据输入至预设的风振频率预测模型，以使所述风振频率预测模型根据所述多个实时监测数据和预设的输电线路拓扑图生成下一个预设时间段内所述输电线路中各个位置的风振频率变化的预测数据集，其中，所述风振频率预测模型是基于多任务学习模型构建并基于历史监测数据训练获得；
5、根据所述预测数据集与预设阈值进行评估，获得所述输电线路中各个位置的安全等级；
6、根据所述输电线路中各个位置的安全等级与各自对应的预设重要性系数进行综合计算，获得所述输电线路中各个位置的预警等级；
7、根据所述预警等级进行安全预警。
8、本技术实施例提供一种基于局部输电线风振频率监测的全局安全预警方法，通过获取预设位置的实时监测数据，并输入至风振频率预测模型进行全局风振频率预测，可以得到输电线路中各个位置的风振频率变化的预测数据集，进一步根据预测数据集确定各个位置的安全等级并综合各个位置对应的重要性系数计算获得各个位置的预警等级，最后根据预警等级进行安全预警。本技术实施例仅需在指定位置部署传感器即可实现输电线路全局的监测预警，相比于现有技术，有效地降低了传感器部署成本与风振监测成本。此外，对于输电线路的安全预警是基于下一个预设时间段内的预测数据进行的，可以实现提前预警，提高了预警的及时性。
9、在一种可能实现的方式中，所述风振频率预测模型根据所述多个实时监测数据和预设的输电线路拓扑图生成下一个预设时间段内所述输电线路中各个位置的风振频率变化的预测数据集，包括：
10、根据所述实时监测数据的位置标签，将各个实时监测数据分配至对应的预测器以使所述各个预测器输出对应的预测结果，其中，所述各个预测器是基于多任务学习模型训练获得，每个所述预测结果包括对应的输电线路位置、风振传递方向以及风振传递能量；
11、根据各个预测结果、风振频率以及所述输电线路拓扑图进行若干次风振传递推演，生成所述输电线路中各个位置在未来多个时刻所对应的风振频率；
12、将所述输电线路中各个位置在未来多个时刻所对应的风振频率相结合，构建所述下一个预设时间段内所述输电线路中各个位置的风振频率变化的预测数据集。
13、本技术实施例进一步说明了风振频率预测模型生成预测数据集的具体过程，首先基于实时监测数据可以得到多个特定位置的预测结果，并且在预测的过程中是将各个实时监测数据分配至对应的预测器，避免使用同一个预测器进行预测，提高了预测的准确性。进一步的，利用了风振可以在输电线路中传播的特性，当某些特定位置产生风振时，风振会基于输电线路的连接结构将振动传递至输电线路的其他位置，进而对其他位置造成影响。因此本技术实施例根据多个特定位置的预测结果进行多次风振传递推演，得到输电线路中各个位置在未来多个时刻所对应的风振频率并整合为预测数据集，实现了基于局部信息预测全局信息，为后续的安全预警提供数据支持，有效地降低了传感器部署成本与风振监测成本。
14、进一步的，所述根据各个预测结果、风振频率以及所述输电线路拓扑图进行若干次风振传递推演，生成所述输电线路中各个位置在未来多个时刻所对应的风振频率，包括：
15、所述风振传递推演基于输电线路拓扑图进行，包括输入数据、模拟推演以及预测数据，其中，在第一次风振传递推演中，输入数据为所述各个预测结果和对应的风振频率；
16、在每一次所述风振传递推演中，根据所述输入数据预测下一时刻将产生风振频率变化的各个输电线路位置，并生成所述各个输电线路位置对应的预测数据，将所述各个预测数据作为下一次风振传递推演的输入数据，其中，每个所述预测数据包括对应的输电线路位置、对应位置的风振频率、风振传递方向以及风振传递能量；
17、当风振传递推演次数达到第一预设值或当前的风振传递推演所得到的各个风振传递能量数据小于第二预设值时，停止所述风振传递推演，得到所述输电线路中各个位置在未来多个时刻所对应的风振频率。
18、本技术实施例进一步说明了风振传递推演的具体过程，由于在风振传递的实际过程中，风振会基于输电线路的连接结构将振动传递至输电线路的其他位置，因此本技术实施例的风振传递推演也是基于输电线路拓扑图进行，尽可能模拟风振传递的真实过程，提高预测的准确性。其中，在第一次风振传递推演中，依赖各个预测器输出的预测结果以及实时监测的风振频率，根据这些数据可以推演出下一时刻将产生风振频率变化的各个输电线路位置和对应的预测数据。而此后每一次风振传递推演都可以根据当前时刻的预测数据推演得到下一时刻的预测数据。通过多次风振传递推演，最终可以得到在预设时间段内，输电线路在各个时刻的全局风振频率数据。此外，考虑到各个位置不同风振频率和不同风振传递方向对某个位置的联合影响，本技术实施例在每一次风振传递推演中都用到了多个位置的预测数据进行综合判断，保障了推演预测的准确性。
19、在一种可能实现的方式中，所述基于多任务学习模型构建并基于历史监测数据训练获得所述风振频率预测模型，包括：
20、根据预设的任务数量t将所述输电线路中各个位置分为t个区域；
21、基于多任务学习模型与支持向量机模型，构建初始风振频率预测模型，其中，所述初始风振频率预测模型包括与各个区域对应的t个初始预测器，各个所述初始预测器之间存在共享参数，各个所述初始预测器自身存在独立参数；
22、通过所述历史监测数据同时训练所述t个初始预测器，更新所述共享参数和各个独立参数，进而获得所述风振频率预测模型。
23、本技术实施例提供一种风振频率预测模型的训练方法，首先将输电线路分为若干区域，每个区域对应一个学习任务，由于各个学习任务之间存在较强的相关性，因此本技术实施例使用多任务学习的方式对初始风振频率预测模型进行训练，通过设置共享参数，使得模型可以同时学习多个任务，每个任务都可以利用其它任务学习到的知识辅助自身进行学习，提高模型的训练效率，而在后续预测的过程中，又能将不同的预测任务针对性地分配至不同的预测器，提高模型的预测准确性。
24、进一步的，所述基于多任务学习模型与支持向量机模型，构建初始风振频率预测模型，具体公式为：
25、ft＝w′tx+bt
26、wt＝w0+vt
27、其中，ft为第t个初始预测器，wt和bt为第t个初始预测器的待确定参数，w0为各个初始预测器的共享参数，vt为第t个初始预测器的独立参数。
28、第二方面，相应的，本技术提供一种基于局部输电线风振频率监测的全局安全预警系统，包括获取模块、预测模块、评估模块、综合计算模块以及预警模块；
29、其中，所述获取模块用于获取输电线路的多个预设位置对应实时监测数据，其中，所述实时监测数据包括对应的所述预设位置的风振频率、风速以及风向，所述预设位置基于输电线路中各个位置的重要程度和耦合连接度确定；
30、所述预测模块用于将所述多个实时监测数据输入至预设的风振频率预测模型，以使所述风振频率预测模型根据所述多个实时监测数据和预设的输电线路拓扑图生成下一个预设时间段内所述输电线路中各个位置的风振频率变化的预测数据集，其中，所述风振频率预测模型是基于多任务学习模型构建并基于历史监测数据训练获得；
31、所述评估模块用于根据所述预测数据集与预设阈值进行评估，获得所述输电线路中各个位置的安全等级；
32、所述综合计算模块用于根据所述输电线路中各个位置的安全等级与各自对应的预设重要性系数进行综合计算，获得所述输电线路中各个位置的预警等级；
33、所述预警模块用于根据所述预警等级进行安全预警。
34、在一种可能实现的方式中，所述预测模块包括预测单元、推演单元以及数据集构建单元；
35、其中，所述预测单元用于根据所述实时监测数据的位置标签，将各个实时监测数据分配至对应的预测器以使所述各个预测器输出对应的预测结果，其中，所述各个预测器是基于多任务学习模型训练获得，每个所述预测结果包括对应的输电线路位置、风振传递方向以及风振传递能量；
36、所述推演单元用于根据各个预测结果、风振频率以及所述输电线路拓扑图进行若干次风振传递推演，生成所述输电线路中各个位置在未来多个时刻所对应的风振频率；
37、所述数据集构建单元用于将所述输电线路中各个位置在未来多个时刻所对应的风振频率相结合，构建所述下一个预设时间段内所述输电线路中各个位置的风振频率变化的预测数据集。
38、进一步的，所述推演单元根据各个预测结果、风振频率以及所述输电线路拓扑图进行若干次风振传递推演，生成所述输电线路中各个位置在未来多个时刻所对应的风振频率，包括：
39、所述风振传递推演基于输电线路拓扑图进行，包括输入数据、模拟推演以及预测数据，其中，在第一次风振传递推演中，输入数据为所述各个预测结果和对应的风振频率；
40、在每一次所述风振传递推演中，根据所述输入数据预测下一时刻将产生风振频率变化的各个输电线路位置，并生成所述各个输电线路位置对应的预测数据，将所述各个预测数据作为下一次风振传递推演的输入数据，其中，每个所述预测数据包括对应的输电线路位置、对应位置的风振频率、风振传递方向以及风振传递能量；
41、当风振传递推演次数达到第一预设值或当前的风振传递推演所得到的各个风振传递能量数据小于第二预设值时，停止所述风振传递推演，得到所述输电线路中各个位置在未来多个时刻所对应的风振频率。
42、在一种可能实现的方式中，所述全局安全预警系统还包括模型构建模块，所述模型构建模块用于基于多任务学习模型构建并基于历史监测数据训练获得所述风振频率预测模型，包括分区单元、初始模型构建单元以及模型训练单元；
43、其中，所述分区单元用于根据预设的任务数量t将所述输电线路中各个位置分为t个区域；
44、所述初始模型构建单元用于基于多任务学习模型与支持向量机模型，构建初始风振频率预测模型，其中，所述初始风振频率预测模型包括与各个区域对应的t个初始预测器，各个所述初始预测器之间存在共享参数，各个所述初始预测器自身存在独立参数；
45、所述模型训练单元用于通过所述历史监测数据同时训练所述t个初始预测器，更新所述共享参数和各个独立参数，进而获得所述风振频率预测模型。
46、进一步的，所述初始模型构建单元基于多任务学习模型与支持向量机模型，构建初始风振频率预测模型，具体公式为：
47、ft＝w′tx+bt
48、wt＝w0+vt
49、其中，ft为第t个初始预测器，wt和bt为第t个初始预测器的待确定参数，w0为各个初始预测器的共享参数，vt为第t个初始预测器的独立参数。
1.一种基于局部输电线风振频率监测的全局安全预警方法，其特征在于，包括：
2.如权利要求1所述的一种基于局部输电线风振频率监测的全局安全预警方法，其特征在于，所述风振频率预测模型根据所述多个实时监测数据和预设的输电线路拓扑图生成下一个预设时间段内所述输电线路中各个位置的风振频率变化的预测数据集，包括：
3.如权利要求2所述的一种基于局部输电线风振频率监测的全局安全预警方法，其特征在于，所述根据各个预测结果、风振频率以及所述输电线路拓扑图进行若干次风振传递推演，生成所述输电线路中各个位置在未来多个时刻所对应的风振频率，包括：
4.如权利要求1所述的一种基于局部输电线风振频率监测的全局安全预警方法，其特征在于，所述基于多任务学习模型构建并基于历史监测数据训练获得所述风振频率预测模型，包括：
5.如权利要求4所述的一种基于局部输电线风振频率监测的全局安全预警方法，其特征在于，所述基于多任务学习模型与支持向量机模型，构建初始风振频率预测模型，具体公式为：
6.一种基于局部输电线风振频率监测的全局安全预警系统，其特征在于，包括获取模块、预测模块、评估模块、综合计算模块以及预警模块；
7.如权利要求6所述的一种基于局部输电线风振频率监测的全局安全预警系统，其特征在于，所述预测模块包括预测单元、推演单元以及数据集构建单元；
8.如权利要求7所述的一种基于局部输电线风振频率监测的全局安全预警系统，其特征在于，所述推演单元根据各个预测结果、风振频率以及所述输电线路拓扑图进行若干次风振传递推演，生成所述输电线路中各个位置在未来多个时刻所对应的风振频率，包括：
9.如权利要求6所述的一种基于局部输电线风振频率监测的全局安全预警系统，其特征在于，所述全局安全预警系统还包括模型构建模块，所述模型构建模块用于基于多任务学习模型构建并基于历史监测数据训练获得所述风振频率预测模型，包括分区单元、初始模型构建单元以及模型训练单元；
10.如权利要求9所述的一种基于局部输电线风振频率监测的全局安全预警系统，其特征在于，所述初始模型构建单元基于多任务学习模型与支持向量机模型，构建初始风振频率预测模型，具体公式为：
