一种导线的弧垂高度预测方法及装置与流程

1.本发明涉及弧垂测量领域，特别是涉及一种导线的弧垂高度预测方法及装置。


背景技术：

2.弧垂指的是两个电塔之间的输电导线垂下来的距离，具体指的是输电导线的最低点和输电导线的最高点之间的垂直于地面的距离，如果弧垂过长，可能会导致地面上的一些物体触碰到输电导线，产生触电事故，还会导致输电导线受风力摆动的距离大，使得电塔受力变大，容易产生倒塔事故；如果弧垂过短，输电导线受到电塔的应力就大，容易产生断线事故。现有技术为了测量弧垂，通常有以下几种方法：
3.1、在输电导线的中心点设置激光传感器，通过激光测距来检测输电导线的中心点与地面的距离，但是当激光传感器的下方存在树木遮挡或者有堆放物品时，会使得激光测距测得的距离变短，导致测量结果不准确；
4.2、通过检测输电导线相对于电塔侧面的倾角来计算输电导线的弯曲程度，结合输电导线本身的长度以及两个电塔之间的距离可以计算出弧垂，但是这种方式需要在输电导线以及电塔上设置多个传感器，提高了整体的安装成本和硬件成本；
5.3、通过获取输电导线在电塔两端处的应力，计算出悬链线方程以得到弧垂，但是这种方式需要在电塔和绝缘子串之间安装应力传感器，只能在电塔投入使用之前预先在电塔中安装应力传感器，对于已经投入使用的电塔，需要非常高昂的安装成本来安装该应力传感器。
6.综上，现有技术的几种方法除了有上述缺点外，还无法预测输电导线在未来的弧垂，无法及时避免发生弧垂过长或过短的情况。


技术实现要素：

7.本发明的目的是提供一种导线的弧垂高度预测方法及装置，可以根据多方面因素准确地预测出弧垂高度，避免了使用单一的检测方法带来的缺点，而且不需要安装多个传感器，节省了硬件成本和安装成本。
8.为解决上述技术问题，本发明提供了一种导线的弧垂高度预测方法，包括：
9.通过惯性导航装置获取输电导线的中心点的第一位置和第一速度；
10.通过卫星导航装置获取所述输电导线的中心点的第二位置和第二速度；
11.将所述第一位置和所述第二位置之间的差值作为位置观测值，并将所述第一速度和所述第二速度之间的差值作为速度观测值；
12.获取所述输电导线所在当地的天气数据；
13.获取所述输电导线的工作热量和工作电流；
14.将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中，以便确定所述输电导线的弧垂高度预测值；
15.判断所述弧垂预测值是否在预设弧垂范围内；
16.若否，则判定所述弧垂的长度异常。
17.优选的，获取所述输电导线在输电时的工作热量，包括：
18.将所述输电导线的预设等效直流电阻值与预设交直流电阻比之间的乘积作为所述输电导线的内部热量系数；
19.根据所述工作电流和所述内部热量系数确定所述输电导线的内部热量；
20.根据所述天气数据和所述输电导线的长度确定所述输电导线的散热热量；
21.根据所述天气数据和所述输电导线的预设吸热系数确定所述输电导线的吸热热量；
22.将所述内部热量、所述散热热量和所述吸热热量共同作为所述工作热量。
23.优选的，在将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中之前，还包括：
24.利用所述内部热量、所述散热热量和所述吸热热量确定所述输电导线的热量场模型；
25.根据所述热量场模型确定所述输电导线的第一预测形状；
26.将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中，包括：
27.将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量、所述工作电流和所述第一预测形状均输入到预设神经网络模型中。
28.优选的，通过惯性导航装置获取输电导线的中心点的第一位置和第一速度，通过卫星导航装置获取所述输电导线的中心点的第二位置和第二速度，包括：
29.通过所述惯性导航装置获取所述输电导线的中心点在预设三维坐标系上的第一坐标点，以及获取所述输电导线的中心点在所述预设三维坐标系的三个坐标轴方向上的第一x轴速度、第一y轴速度和第一z轴速度；
30.通过所述卫星导航装置获取所述输电导线的中心点在所述预设三维坐标系上的第二坐标点，以及获取所述输电导线的中心点在所述预设三维坐标系的三个坐标轴方向上的第二x轴速度、第二y轴速度和第二z轴速度；
31.其中，所述预设三维坐标系的横轴为x轴，纵轴为y轴，竖轴为z轴；
32.将所述第一位置和所述第二位置之间的差值作为位置观测值，将所述第一速度和所述第二速度之间的差值作为速度观测值，包括：
33.将所述第一坐标点和所述第二坐标点之间的坐标差值作为所述位置观测值；
34.将所述第一n轴速度和所述第二n轴速度的差值作为所述输电导线在n轴上的速度观测值，n为x或y或z。
35.优选的，在将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中之前，还包括：
36.根据所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值和所述速度观测值确定所述输电导线的第二预测形状；
37.将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中，包括：
38.将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量、所述工作电流和所述第二预测形状均输入到预设神经网络模型中。
39.优选的，所述预设神经网络模型为ann。
40.优选的，所述预设神经网络模型的学习率为以40％为中心的预设范围内的任一学习率。
41.优选的，通过卫星导航装置获取所述输电导线的中心点的第二位置，包括：
42.通过所述卫星导航装置获取所述输电导线的中心点的定位坐标；
43.通过所述卫星导航装置获取所述输电导线对应的卫星导航基站的定位坐标；
44.根据所述卫星导航基站的定位坐标和所述卫星导航基站的预设真实定位坐标确定所述卫星导航装置的定位误差；
45.将所述输电导线的中心点的定位坐标与所述卫星导航装置的定位误差之间的差值作为所述输电导线的中心点的第二位置。
46.优选的，通过所述卫星导航装置获取所述输电导线对应的卫星导航基站的定位坐标，包括：
47.通过4g网络从所述卫星导航基站对应的主机中获取所述主机通过lora无线通信技术从所述卫星导航基站处得到的卫星导航装置卫星观测数据，将所述卫星导航装置卫星观测数据作为所述卫星导航基站的定位坐标。
48.本技术还提供一种导线的弧垂高度预测装置，包括：
49.存储器，用于存储计算机程序；
50.处理器，用于执行所述计算机程序时实现如上述的导线的弧垂高度预测方法的步骤。
51.综上，本技术提供了一种导线的弧垂高度预测方法及装置，通过惯性导航装置获取输电导线的中心点的第一位置和第一速度，并通过卫星导航装置获取输电导线的中心点的第二位置和第二速度，将第一位置和第二位置之间的差值作为位置观测值，并将第一速度和第二速度之间的差值作为速度观测值，再获取输电导线所在当地的天气数据和输电导线的工作热能和工作电流，将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流均输入到预设神经网络模型中，以便确定输电导线的弧垂高度预测值，预设神经网络模型预先由预设数量的第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流训练得到的，最后判断弧垂预测值是否在预设弧垂范围内，若否则判定弧垂的长度异常。通过惯性导航和卫星导航装置两种方式共同检测弧垂点的位置和速度，并结合热能和天气检测来确定弧垂点处受环境的影响，最后将这些参数输入到神经网络模型中来预测弧垂高度，可以根据多方面因素准确地预测出弧垂高度，避免了使用单一的检测方法带来的缺点，而且不需要安装多个
传感器，节省了硬件成本和安装成本。
附图说明
52.为了更清楚地说明本发明实施例中的技术方案，下面将对现有技术和实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，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的附图。
53.图1为本技术提供的一种导线的弧垂高度预测方法的流程图；
54.图2为本技术提供的一种弧垂点的位置和速度的综合测量系统的结构示意图；
55.图3为本技术提供的一种卫星数据传输过程的流程图；
56.图4为本技术提供的一种lora无线通信方法的示意图；
57.图5为本技术提供的一种差分卫星定位方法的示意图；
58.图6为本技术提供的一种神经网络模型的结构示意图；
59.图7为本技术提供的一种导线的弧垂高度预测装置的结构示意图。
具体实施方式
60.本发明的核心是提供一种导线的弧垂高度预测方法及装置，可以根据多方面因素准确地预测出弧垂高度，避免了使用单一的检测方法带来的缺点，而且不需要安装多个传感器，节省了硬件成本和安装成本。
61.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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做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。
62.弧垂的长度对于输电导线周围的人员安全以及电塔本身的安全尤为重要，需要保证弧垂长度在一定范围内，不宜过短或过长。传统的弧垂测量手段，通常需要工作人员到达现场，利用光学仪器来手动对输电导线的中心点，也就是对弧垂点进行测量(为了简单称呼，以下实施例中均将输电导线的中心点称为弧垂点)，如果工作环境复杂和恶劣，会导致测量效率非常低下。
63.可见，实现弧垂高度持续且全自动的测量，对保证输电导线安全运行起到非常大的帮助。在现有技术中，通常以下有4种方法实现这一目的：
64.1、激光法：将带有激光测距单元的传感器设置在弧垂点，通过激光测距单元向地面发射测距激光，基于发射激光和反射激光之间的时间差计算得到传感器与地面之间的距离。这种方法可实现长时间的测量，但在测量过程中，一旦传感器下方有植被和物体等(例如突然搬运过来的物体或随着时间而成长起来的树木)，或是输电线路所在地区锁着时间推移而发生地质沉降，都将导致激光测距测量得到的结果失效。
65.2、倾角法：通过在输电导线连接到两个电塔的端点处分别安装倾角传感器，可以得到以该端点为夹角的电塔与输电导线之间的夹角(也即倾角)，在此基础上结合输电导线本身的自重和长度等参数，计算得到导线两端与弧垂点的水平距离，从而确定输电导线悬链线方程，最终计算出弧垂高度。但在实际应用场景中，输电导线经常会出现载荷不均匀的
情况，导致自身的某些参数出现波动，所以输电导线的实际情况与通过方程计算得到的情况存在偏差。而且这种方法还需要在电塔以及输电导线上各处设置多个传感器来提高计算精度，这会提高整体的安装成本和硬件成本。
66.3、热能法：输电导线具有较为明显的热胀冷缩的性质，输电导线的长度与导线热能之间的关系近似为正比，热能法利用这种性质，在输电导线上安装热能传感器，利用热能状态方程推导出输电导线的曲线方程，也就是推导出输电导线的实际形状来得知输电导线的弯曲程度和弧垂高度。但在实际应用场景中，输电导线通常为钢芯铝绞线，钢和铝在受到同等程度的热胀冷缩时会有不同的热膨胀系数和杨氏模量，使得输电导线整体的形状变化并非理想情况，与通过方程计算得到的结果存在偏差。
67.4、拉力法：在输电导线中，两端电塔固定结构的拉力数值之和等于整条输电导线的重力，水平应力处处相等。基于此，可以测出输电导线上的某个确定点的应力，利用悬链线的微分方程计算得到输电导线上任一其他点与该确定点之间的应力。目前，测量应力的方式通常都是通过在电塔和绝缘子串之间安装应力传感器来实现。通过应力传感器获取输电导线在电塔处的端点的应力，将该端点作为上述的确定点来计算出输电导线各处的应力，从而计算得到悬链线的方程与弧垂高度。但是，这种方法需要在电塔和绝缘子串之间安装传感器，只能在新建电塔之前先将传感器安装进去，如果要在已经投入使用的电塔上安装传感器，则需要非常高昂的安装成本。
68.根据上述内容可知，现有技术的几种弧垂检测方法，基本都存在一些缺点，而且只能观测到实时的弧垂高度，不能对未来的弧垂高度进行预测。
69.为了解决这些现有技术的问题，请参照图1，图1为本技术提供的一种导线的弧垂高度预测方法的流程图，包括：
70.s1：通过惯性导航装置获取输电导线的中心点的第一位置和第一速度；
71.输电导线通常是保持静止稳定的状态，此时的弧垂高度较容易计算。但是，当输电导线受到周围环境影响时，例如被风吹动的情况，这种情况属于往复运动，相比于通常测量到的静止物体或者车和无人机等线性运动的物体，这种往复运动的情况较为复杂，仅根据gps定位或者其他的定位难以得到准确地测量结果。
72.惯性导航装置指的是包含陀螺仪、指南针、加速度传感器和速度传感器等这类可以检测到观测点的运动特征的设备的一个装置，原理是通过测量惯性元件的数据，再利用牛顿力学进行惯导解算，分别测量弧垂点的角速度和加速度等导航信息，并通过数学模型计算出载体的速度、位置和姿态角，最终实现导航定位的目的。安装惯性导航装置的原因是考虑到输电导线的弧垂高度不仅会受到线路载荷和热能等导线自身参数的影响，还会受到周围环境的影响，例如，输电导线受风晃动导致弧垂变化以及应力变化的情况，因为周围环境的情况比较复杂，所以输电导线的弧垂高度的变化也非常大，特别在某些昼夜温差大或者风速高的地区。因此，为了检测到输电导线受周围环境的影响，可以直接在弧垂点处设置一个惯性导航装置，也就是在输电导线的中间点挂上该装置，利用惯性导航装置检测弧垂点处的实际速度和速度方向，通过速度和时间来计算出弧垂点的实际位置，而且还可以通过速度和时间来预测出弧垂点在未来的大概位置。
73.s2：通过卫星导航装置获取输电导线的中心点的第二位置和第二速度；
74.为了准确地确定和预测弧垂点的位置，考虑到仅通过惯性导航装置得到的单一结
果可能存在一定的偏差，因此还设置了卫星导航装置来实现和惯性导航装置相同的功能，在本技术中，主要采用的卫星导航装置为北斗定位系统，采用的定位方法为北斗差分法，下述实施例中会采用北斗来代称卫星导航装置。
75.通过卫星导航装置直接获取安装在弧垂点上的传感器三维坐标，通过连续采集多个三维坐标并进行整理汇总，确定出弧垂点的速度和弧垂点随速度运动的轨迹。考虑到北斗差分法为了获取高精度定位结果，需要在输电导线现场架设卫星导航基站作为误差参考，这种方式所需要的成本较高，因此，可以将附近城镇里的现有的卫星导航基站作为输电导线的基站，通过4g或5g等无线通信技术来获取远在城镇里的卫星导航基站中的数据，以便在实现卫星导航装置的前提上节约建立基站的成本。此外，除了采用卫星导航装置实现上述内容以外，还可以用gps来实现。
76.s3：将第一位置和第二位置之间的差值作为位置观测值，并将第一速度和第二速度之间的差值作为速度观测值；
77.考虑到惯性导航系统和卫星导航装置在测量时，可能会因为获取到的参数存在偏差而导致计算出来的结果出现误差的情况，以及因为受到环境干扰而导致参获取参数或计算过程受到影响而导致结果出现误差的情况，因此，还可以将两个系统计算出来的位置和速度结果相减，相减的差值是两个系统针对于同一个点的计算结果的差距。在实际应用时，通过多个差值可以确定出来这两个系统一般的差距是多少。
78.请参照图2，图2为本技术提供的一种弧垂点的位置和速度的综合测量系统的结构示意图，本技术结合了惯性导航系统(ins，inertial navigation system)和卫星导航装置，分别计算出位置和速度，再通过组合滤波的方式实现信息融合，这种组合方式下惯性导航系统和卫星导航系统能够进行独立的工作。首先分别对惯性导航系统和卫星导航系统进行解算，得到惯导和卫星导航系统的位置和速度，再把位置和速度的差值当成输入量送给组合滤波系统，从而得到组合系统的估计误差值。
79.s4：获取输电导线所在当地的天气数据；
80.考虑到周围环境对输电导线也有影响，例如：大风会给输电导线和电塔带来额外的受力，可能会导致输电导线下压，弧垂点更低；高温或低温会让输电导线因为热胀冷缩的原因延长或缩短，延长就会导致输电导线弧垂点下降，缩短可能会给输电导线带来额外应力。因此，本技术还获取了当地的一些天气数据，主要获取的是环境的热能、湿度、风速、风向、光照强度这些参数。具体的，输电导线工作时会发热，发热就会向周围环境散发热量，环境热能越高，输电导线的散热能力越差，输电导线本身的热能就会越高，反之则越低；湿度和热能同理；风力会吹动输电导线左右晃动，在输电导线往垂直于地面的方向晃动时会产生向下的力，给输电导线本身以及电塔带来额外受力，使得弧垂点下降，越高的风速带来的影响越大；风向则可以辅助上述的两个装置确定出速度方向；光照强度主要指的是太阳的日照强度，因为日照存在热辐射，输电导线越是被晒，受到的热辐射就越是高，热胀的现象就会越严重。基于此，通过获取上述的这些天气数据，可以得知周围环境对输电导线的影响，使后续可以准确地预测出弧垂高度
81.s5：获取输电导线的工作热能和工作电流；
82.除了周围环境的影响外，输电导线本身的热能也会产生影响，因此需要获取输电导线本身的热能；同理，因为电流和热能呈正相关，电流的实际值可以反映出工作热能的大
小，所以还需要获取工作电流的实际大小。
83.s6：将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流均输入到预设神经网络模型中，以便确定输电导线的弧垂预测值；
84.为了准确地预测出弧垂高度，本技术引入了神经网络模型，神经网络模型根据历史上获取到的第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流这些参数以及对应的历史的实际弧垂高度测量结果进行训练，在实际应用时，将上述的这些参数都作为输入来输入到神经网络模型中，根据以前的训练结果，找出本次的输入对应的弧垂高度预测结果并输出。也就是说，预设神经网络模型是预先由预设数量的第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流训练得到的。
85.s7：判断弧垂预测值是否在预设弧垂范围内；
86.s8：若否，则判定弧垂的长度异常。
87.考虑到弧垂过高或者过低都有不同的坏处，弧垂过高也就是输电导线较为绷直，受到来自电塔的力和风力时的应力较大，输电导线容易断开；弧垂过低则容易触碰到地面上的物体，存在危险隐患。因此，预先根据输电导线本身以及电塔的应力承受能力，加上输电导线的长度和电塔的高度，计算出输电导线合理的弧垂高度范围，在实际应用时，经过神经网络模型的计算后，判断计算得到的弧垂预测值是否在该弧垂高度范围内，若不在则说明弧垂高度存在过高或者过低的问题。
88.综上，通过惯性导航装置获取输电导线的中心点的第一位置和第一速度，并通过卫星导航装置获取输电导线的中心点的第二位置和第二速度，将第一位置和第二位置之间的差值作为位置观测值，并将第一速度和第二速度之间的差值作为速度观测值，再获取输电导线所在当地的天气数据和输电导线的工作热能和工作电流，将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流均输入到预设神经网络模型中，以便确定输电导线的弧垂高度预测值，预设神经网络模型预先由预设数量的第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流训练得到的，最后判断弧垂预测值是否在预设弧垂范围内，若否则判定弧垂的长度异常。通过惯性导航和卫星导航装置两种方式共同检测弧垂点的位置和速度，并结合热能和天气检测来确定弧垂点处受环境的影响，最后将这些参数输入到神经网络模型中来预测弧垂高度，可以根据多方面因素准确地预测出弧垂高度，避免了使用单一的检测方法带来的缺点，而且不需要安装多个传感器，节省了硬件成本和安装成本。
89.在上述实施例的基础上：
90.作为一种优选的实施例，获取输电导线在输电时的工作热能，包括：
91.将输电导线的预设等效直流电阻值与预设交直流电阻比之间的乘积作为输电导线的内部热能系数；
92.根据工作电流和内部热能系数确定输电导线的内部热能；
93.根据天气数据和输电导线的长度确定输电导线的散热热能；
94.根据天气数据和输电导线的预设吸热系数确定输电导线的吸热热能；
95.将内部热能、散热热能和吸热热能共同作为工作热能。
96.为了准确地确定输电导线的工作热能，也就是确定输电导线整体的实际热能，考
虑到输电导线的热能除了与电流的大小有关之外，还与输电导线的散热能力和周围环境带来的影响有关，因此需要计算出输电导线内外的热能结合来得到输电导线的实际工作热能。具体的，如下：
97.对于内部热能，电流的大小主要和输电导线内部的导电芯的热能有关，假设：输电导线内部热能为e1，输电导线整体的在测试热能t下的等效直流电阻为rd，输电导线的交直流电阻比为k，输电导线此时的实际工作电流为i，由e1＝(rd*k)*i2得到输电导线的内部热能。
98.对于散热热能，散热热能指的是输电导线本体经过热传导把自身热量散发到周围空间中的热能，因为周围的热能越高说明输电导线本体的表面热能越高，所以需要获取散热热能来确定输电导线的外部热能，散热主要由热对流和热辐射这两种形式构成，热对流指的是输电导线周围的空气流动使输电导线表面的热能传递到空气中，热辐射指的是输电导线的热能散发传到空气中。假设，热对流能量为e2，v为当地的风速，d为输电导线的横截面的直径，连接输电导线两端点的线段，再连接该线段的的中间点与弧垂点的线段，该条线段和当地的风向之间的夹角为θ，由e2＝9.92*θ*(v*d)
0.485
得到输电导线的热对流能量；热辐射能量为e3，ε为输电导线表面的辐射系数，s为斯蒂芬-玻尔兹曼常数s＝5.67*10-8，φ为输电导线的平均温升，ta为当地的环境热能(并非输电导线周围的热能，因为输电导线周围的热能会受到输电导线散热的影响)，由e3＝π*ε*s*d[(φ+ta+273)4—(ta+273)4]。得到输电导线的热辐射能量，两者并成为输电导线的散热热能。
[0099]
对于吸热热能，吸热热能指的是输电导线因为太阳照射而吸收的热辐射，可以理解的是，吸收的热辐射越多，输电导线表面的热能越高，影响到输电导线的散热能力，因此需要获取吸热热能来确定输电导线所吸收到的热辐射，假设吸热热能为e4，as为输电导线外表表面的吸热系数，is为当地的太阳日照强度，a为输电导线的热扩散系数，由e4＝as*is*a得到输电导线的吸热热能。
[0100]
作为一种优选的实施例，在将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流均输入到预设神经网络模型中之前，还包括：
[0101]
利用内部热能、散热热能和吸热热能确定输电导线的热能场模型；
[0102]
根据热能场模型确定输电导线的第一预测形状；
[0103]
将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能和工作电流均输入到预设神经网络模型中，包括：
[0104]
将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热能、工作电流和第一预测形状均输入到预设神经网络模型中。
[0105]
为了准确地预测弧垂高度，本技术中，在获取到输电导线的各种热能之后，根据内部热量、散热热量以及吸热热量可以构建输电导线的温度场模型，或者说热能场分布模型，温度场模型可以反映出温度在空间和时间上的分布，根据温度场模型可以通过仿真计算的方式确定输电导线内外的温度分布，从而可以根据温度分布得到输电导线上不同位置的膨胀系数和杨氏模量，进而确定输电导线各个位置的形状，最后将各个位置映射到空间坐标系中来预估线路的轮廓和形状，相当于通过热能和温度这一角度预测出整条输电导线的大概形状，将第一预测形状也作为神经网络模型的输入，神经网络模型在计算时，则可以将第
一预测形状作为参考，以便得到更准确的弧垂高度预测结果。
[0106]
作为一种优选的实施例，通过惯性导航装置获取输电导线的中心点的第一位置和第一速度，通过卫星导航装置获取输电导线的中心点的第二位置和第二速度，包括：
[0107]
通过惯性导航装置获取输电导线的中心点在预设三维坐标系上的第一坐标点，以及获取输电导线的中心点在预设三维坐标系的三个坐标轴方向上的第一x轴速度、第一y轴速度和第一z轴速度；
[0108]
通过卫星导航装置获取输电导线的中心点在预设三维坐标系上的第二坐标点，以及获取输电导线的中心点在预设三维坐标系的三个坐标轴方向上的第二x轴速度、第二y轴速度和第二z轴速度；
[0109]
其中，预设三维坐标系的横轴为x轴，纵轴为y轴，竖轴为z轴；
[0110]
将第一位置和第二位置之间的差值作为位置观测值，将第一速度和第二速度之间的差值作为速度观测值，包括：
[0111]
将第一坐标点和第二坐标点之间的坐标差值作为位置观测值；
[0112]
将第一n轴速度和第二n轴速度的差值作为输电导线在n轴上的速度观测值，n为x或y或z。
[0113]
为了准确地定位弧垂点的位置，本技术中，在通过惯性导航装置和卫星导航装置获取弧垂点的位置和速度时，可以预先建立一个三维坐标系，在确定位置时，对于卫星导航装置这一方面，可以预先将弧垂点在没有受到任何外力时的静止点处的卫星导航装置坐标作为参考点映射到三维坐标系中，当弧垂点变化时，将接收到的卫星导航装置定位信号中的坐标映射到三维坐标系中，将其与参考点相互参考来实时确定弧垂点的位置，速度可以根据相邻两次获取到的坐标点在三个轴的差值以及卫星导航信号的获取间隔时间来计算。同理，对于惯性导航装置这一方面，也可以预先将弧垂点速度和加速度都为零时的静止点作为参考点映射到三维坐标系中，当弧垂点运动时，通过速度传感器采集弧垂点在三个方向上的速度，通过参考点的坐标和弧垂点运动的时间和速度计算出弧垂点的位置。
[0114]
具体的，惯性导航系统测得的第一位置为：
[0115][0116]
其中，li、λi、hi指的是第一位置在三维坐标系上的三个轴方向上的坐标值，l、λ、h指的是惯性导航系统测得的坐标值，δl、δλ、δh指的是惯性导航系统本身的测量误差。
[0117]
卫星导航装置测得的第二位置为：
[0118][0119]
其中，lg、λg、hg指的是第二位置在三维坐标系上的三个轴方向上的坐标值，l、λ、h指的是卫星导航装置测得的坐标值，nn、ne和nu指的是卫星导航装置本身的测量误差，rn和re指的是地球子午面内的曲率半径值和卯酉圈半径曲率值。
[0120]
同理，对于速度，惯性导航系统测得的第一速度为：
[0121][0122]
其中，vnl、vel、vul指的是弧垂点在三维坐标系上的三个轴方向上的速度，vn、ve、vu指的是惯性导航系统测得的三个方向上的速度，δvnl、δvel、δvul指的是惯性导航系统本身的测量误差。
[0123]
卫星导航装置测得的第二速度为：
[0124][0125]
其中，vng、veg、vug指的是弧垂点在三维坐标系上的三个轴方向上的速度，vn、ve、vu指的是卫星导航装置测得的三个方向上的速度，mn、me、mu指的是卫星导航装置本身的测量误差。
[0126]
作为一种优选的实施例，在将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热量和工作电流均输入到预设神经网络模型中之前，还包括：
[0127]
根据第一位置、第二位置、第一速度、第二速度、位置观测值和速度观测值确定输电导线的第二预测形状；
[0128]
将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热量和工作电流均输入到预设神经网络模型中，包括：
[0129]
将第一位置、第二位置、第一速度、第二速度、位置观测值、速度观测值、天气数据、工作热量、工作电流和第二预测形状均输入到预设神经网络模型中。
[0130]
为了准确地预测弧垂高度，本技术中，在通过惯性导航系统和卫星导航装置分别获取到弧垂点处的位置和速度后，因为输电导线的端点位置是固定的，而且输电导线在固定温度下的长度和重量也是固定的，电塔的高度通常也是固定的，所以可以根据位置和速度加上这些参数计先计算出整条输电导线的轨迹和形状，将计算出来的形状作为神经网络模型的参考，以便根据形状来预测弧垂高度的高低。具体的，根据上述实施例中的位置和速度的参数，两者相减有：
[0131][0132]
其中，h(t)为观测矢量，x(t)为要求的物理量(也就是位置和速度)，n(t)为卫星导航装置本身测得的环境白噪声。
[0133]
h(t)具体为：
[0134][0135]
n(t)具体为：
[0136]
n(t)＝[n
n n
e n
u m
n m
e mu]
[0137]
根据h(t)和n(t)计算出实际的x(t)，即可得到第二预测形状。
[0138]
为了准确地预测弧垂高度，本技术中，在获取到速度观测值和位置观测值后，可以根据观测值
[0139]
作为一种优选的实施例，预设神经网络模型为ann。
[0140]
为了准确地预测弧垂高度，本技术中，请参照图6，图6为本技术提供的一种神经网络模型的结构示意图，所采用的神经网络模型为ann(artificial neural network，人工神经网络)，ann具有自学习、自组织、自适应以及很强的非线性函数逼近能力，拥有强大的容错性，ann通常包含一层输入层、一层输出层和多个隐含层，每一层都包含多个神经元，两个相邻层的神经元之间用带可变权重的有向弧连接，网络通过对已知信息的反复学习训练，通过逐步调整改变神经元连接权重的方法，达到处理输入和输出之间关系的目的。因为ann只需要知道引起输出变化的非恒定因素，即非常量性参数，不需要知道输入和输出之间的实际联系，因此，将ann应用在受到复杂天气(输入量复杂)影响的弧垂高度的计算场景中尤为适用。
[0141]
此外，除了采用ann，还可以采用bp(back propagation，反向传播)神经网络模型或者其他的多层前馈神经网络模型等模型作为神经网络模型，以bp神经网络模型为例，由于需要输入的参数较多，为了提升bp神经网络模型的精度，可以选取s形转移函数logsig以及线性函数purelin分别作为隐含层与输出层的激活函数，在训练函数的选择上采用traingdx函数，该函数是梯度下降法训练函数，不容易陷入局部最小的情况而且网络精度较高。
[0142]
综上，通过选用ann作为预设神经网络模型，可以准确地预测弧垂高度。
[0143]
作为一种优选的实施例，预设神经网络模型的学习率为以40％为中心的预设范围内的任一学习率。
[0144]
学习率是神经网络模型中的一个超参数，用户通过设置不同的学习率来调整网络的权重，以符合梯度损失。学习率如果过大，可能会使损失函数越过全局最优点，导致神经网络模型几乎没有训练效果；学习率如果过小，虽然可以找到所有的全局最优点和局部最优点，但是损失函数的变化速度非常慢，需要非常长的时间来收敛，大大增加神经网络模型的收敛复杂度。因此，为了较好地训练神经网络模型，本技术将神经网络模型学习率设置为40％左右，避免参数过多学习速度过快或过慢，精度可以选择1*e-4左右，最大迭代次数设置为20000次左右。在训练过程中，若发现模型输出和期望值之间的误差大于用户能够容忍的程度时，则需要修正各神经网络模型中各层的各神经元的权重和偏差，使误差函数沿负梯度方向减小，保证模型输出不会偏差过大。基于此，可以较好地训练神经网络模型。
[0145]
作为一种优选的实施例，通过卫星导航装置获取输电导线的中心点的第二位置，包括：
[0146]
通过卫星导航装置获取输电导线的中心点的定位坐标；
[0147]
通过卫星导航装置获取输电导线对应的卫星导航基站的定位坐标；
[0148]
根据卫星导航基站的定位坐标和卫星导航基站的预设真实定位坐标确定卫星导航装置的定位误差；
[0149]
将输电导线的中心点的定位坐标与卫星导航装置的定位误差之间的差值作为输电导线的中心点的第二位置。
[0150]
为了准确地获取到第二位置，本技术中，考虑到通过卫星导航装置获取弧垂点位置的过程中，卫星导航信号的强度会决定获取到的弧垂点的位置是否精确，如果因为气候变化而导致云层变厚，这种情况会导致卫星导航信号变弱，当卫星导航信号变弱时，会导致获取到的第二位置不准确。基于此，可以通过北斗差分法的方式来确定第二位置，
[0151]
具体的，请参照图5，图5为本技术提供的一种差分卫星定位方法的示意图差分定位是用两台及以上的卫星定位设备分别设置在不同地点，预先将其中一个卫星定位设备作为参考设备，预先记录该参考设备的真实坐标，在实际使用时，这些卫星定位装置同步观测同一点的卫星，分别确定出各个地点的坐标，然后在相对定位时，把参考装置测得的坐标与预先记录的真实坐标求差，得到该卫星定设备的测量误差，该误差主要由卫星的钟差、接收机钟差，削弱电离层、对流层折射的影响以及整周模糊度参数等构成的，然后将该误差应用到其他卫星定位设备，即可得到每个地点的真实坐标，使得定位精度提高。基于此，可以将设置在弧垂点上的卫星导航装置与当地最近的卫星导航基站联系起来，可以将图5中左侧的房子视为基站，右侧的小树视为弧垂点，当卫星导航信号变弱时，卫星导航基站获取到的卫星导航信号和弧垂点处的卫星导航信号通常会一起受到影响，由于卫星导航基站的坐标是已知的，可以计算出卫星导航基站已知的坐标和获取到的卫星导航信号中的坐标之间的差值，该差值即为卫星导航装置定位误差，将该差值应用到弧垂点处获取到的卫星导航信号坐标上，两者相减即可反推出弧垂点处的实际坐标。基于此，通过北斗差分法，可以在卫星导航信号弱的情况下保证准确地获取到第二位置。另外，除了使用卫星导航装置和北斗差分法外，还可以用gps和差分gps来实现。
[0152]
作为一种优选的实施例，通过卫星导航装置获取输电导线对应的卫星导航基站的定位坐标，包括：
[0153]
通过4g网络从卫星导航基站对应的主机中获取主机通过lora无线通信技术从卫星导航基站处得到的卫星导航装置卫星观测数据，将卫星导航装置卫星观测数据作为卫星导航基站的定位坐标。
[0154]
为了得到准确的卫星导航装置坐标，本技术中，卫星导航装置对应的基站以及设置在弧垂点处的卫星导航装置都是通过卫星定位天线观测卫星来得到卫星观测原始数据，基站和装置都通过专用数据通讯网络把数据发送到处理器所在的专有服务云平台，通过高精度后处理算法，实时解算出基站和弧垂点的三维坐标，进一步还可以实时获取基站和弧垂点处的实时的三维坐标，获得该这两个点的位移变化量。
[0155]
请参照图3，图3为本技术提供的一种卫星数据传输过程的流程图，基站处和弧垂点处输出rinex卫星观测原始数据，卫星观测数据通过lora无线通信技术传输到对应的边缘计算主机，再通过4g移动网络同时发送到高精度位置解算服务平台和输电线路数据展示及管控平台中，高精度位置解算服务平台也就是用来实现北斗差分法或差分gps的平台，其
主要依托于国家卫星定位的地基增强站，利用这些本来就存在的增强站来实现差分，以节省处理器的计算资源以及建造增强站的成本；圣诞线路数据展示及管控平台则是工作人员操作的平台，通过将预测出来的弧垂高度以及其他的一些实际参数发送给工作人员，以便工作人员可以及时地对输电导线进行处理。lora无线通信技术实现简单，可以很容易地部署到各种现有的设备中，而且lora无线通信有着距离长、功耗低和传输损耗低的特性，可以保证卫星导航基站处的卫星观测数据清楚地发送到主机中，请参照图4，图4为本技术提供的一种lora无线通信方法的示意图，因为lora的低功耗特性，lora通讯模模组可以跟用来获取卫星观测数据的高精度卫星定位模组共同用同一个锂亚电池供电，只需要太阳能充电即可满足工作需要。4g无线传输的信号较为稳定，数据的传输速率也较高，而且也可以较简单地部署到各种现有设备中，在目前4g通信技术成熟的当下，利用4g通信将基站处的卫星导航装置坐标发送到处理器的方式有着稳定、快速、方便、成本低的优点。
[0156]
此外，除了使用lora以外，也可以使用sigfox等无线传输方式；除了使用4g以外，也可以使用5g或者wlan(wireless local area network，无线局域网)等无线传输方式，本身对比不做限定。
[0157]
请参照图7，图7为本技术提供的一种导线的弧垂高度预测装置的结构示意图，包括：
[0158]
存储器21，用于存储计算机程序；
[0159]
处理器22，用于执行计算机程序时实现如上述的导线的弧垂高度预测方法的步骤。
[0160]
对于本技术提供的一种导线的弧垂高度预测装置的详细介绍，请参照上述导线的弧垂高度预测方法的的实施例，本技术在此不再赘述。
[0161]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0162]
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

技术特征：
1.一种导线的弧垂高度预测方法，其特征在于，包括：通过惯性导航装置获取输电导线的中心点的第一位置和第一速度；通过卫星导航装置获取所述输电导线的中心点的第二位置和第二速度；将所述第一位置和所述第二位置之间的差值作为位置观测值，并将所述第一速度和所述第二速度之间的差值作为速度观测值；获取所述输电导线所在当地的天气数据；获取所述输电导线的工作热量和工作电流；将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中，以便确定所述输电导线的弧垂高度预测值；判断所述弧垂预测值是否在预设弧垂范围内；若否，则判定所述弧垂的长度异常。2.如权利要求1所述的导线的弧垂高度预测方法，其特征在于，获取所述输电导线在输电时的工作热量，包括：将所述输电导线的预设等效直流电阻值与预设交直流电阻比之间的乘积作为所述输电导线的内部热量系数；根据所述工作电流和所述内部热量系数确定所述输电导线的内部热量；根据所述天气数据和所述输电导线的长度确定所述输电导线的散热热量；根据所述天气数据和所述输电导线的预设吸热系数确定所述输电导线的吸热热量；将所述内部热量、所述散热热量和所述吸热热量共同作为所述工作热量。3.如权利要求2所述的导线的弧垂高度预测方法，其特征在于，在将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中之前，还包括：利用所述内部热量、所述散热热量和所述吸热热量确定所述输电导线的热量场模型；根据所述热量场模型确定所述输电导线的第一预测形状；将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中，包括：将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量、所述工作电流和所述第一预测形状均输入到预设神经网络模型中。4.如权利要求1所述的导线的弧垂高度预测方法，其特征在于，通过惯性导航装置获取输电导线的中心点的第一位置和第一速度，通过卫星导航装置获取所述输电导线的中心点的第二位置和第二速度，包括：通过所述惯性导航装置获取所述输电导线的中心点在预设三维坐标系上的第一坐标点，以及获取所述输电导线的中心点在所述预设三维坐标系的三个坐标轴方向上的第一x轴速度、第一y轴速度和第一z轴速度；通过所述卫星导航装置获取所述输电导线的中心点在所述预设三维坐标系上的第二坐标点，以及获取所述输电导线的中心点在所述预设三维坐标系的三个坐标轴方向上的第
二x轴速度、第二y轴速度和第二z轴速度；其中，所述预设三维坐标系的横轴为x轴，纵轴为y轴，竖轴为z轴；将所述第一位置和所述第二位置之间的差值作为位置观测值，将所述第一速度和所述第二速度之间的差值作为速度观测值，包括：将所述第一坐标点和所述第二坐标点之间的坐标差值作为所述位置观测值；将所述第一n轴速度和所述第二n轴速度的差值作为所述输电导线在n轴上的速度观测值，n为x或y或z。5.如权利要求4所述的导线的弧垂高度预测方法，其特征在于，在将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中之前，还包括：根据所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值和所述速度观测值确定所述输电导线的第二预测形状；将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量和所述工作电流均输入到预设神经网络模型中，包括：将所述第一位置、所述第二位置、所述第一速度、所述第二速度、所述位置观测值、所述速度观测值、所述天气数据、所述工作热量、所述工作电流和所述第二预测形状均输入到预设神经网络模型中。6.如权利要求1所述的导线的弧垂高度预测方法，其特征在于，所述预设神经网络模型为ann。7.如权利要求1所述的导线的弧垂高度预测方法，其特征在于，所述预设神经网络模型的学习率为以40％为中心的预设范围内的任一学习率。8.如权利要求1至7任一项所述的导线的弧垂高度预测方法，其特征在于，通过卫星导航装置获取所述输电导线的中心点的第二位置，包括：通过所述卫星导航装置获取所述输电导线的中心点的定位坐标；通过所述卫星导航装置获取所述输电导线对应的卫星导航基站的定位坐标；根据所述卫星导航基站的定位坐标和所述卫星导航基站的预设真实定位坐标确定所述卫星导航装置的定位误差；将所述输电导线的中心点的定位坐标与所述卫星导航装置的定位误差之间的差值作为所述输电导线的中心点的第二位置。9.如权利要求8所述的导线的弧垂高度预测方法，其特征在于，通过所述卫星导航装置获取所述输电导线对应的卫星导航基站的定位坐标，包括：通过4g网络从所述卫星导航基站对应的主机中获取所述主机通过lora无线通信技术从所述卫星导航基站处得到的卫星导航装置卫星观测数据，将所述卫星导航装置卫星观测数据作为所述卫星导航基站的定位坐标。10.一种导线的弧垂高度预测装置，其特征在于，包括：存储器，用于存储计算机程序；处理器，用于执行所述计算机程序时实现如权利要求1至9任一项所述的导线的弧垂高度预测方法的步骤。

技术总结
本发明公开了一种导线的弧垂高度预测方法及装置，涉及弧垂测量领域，通过惯性导航装置和卫星导航装置共同获取输电导线的中心点的位置和第度，并获取输电导线所在当地的天气数据以及输电导线的工作热能和工作电流，将这些参数均输入到预设神经网络模型中，确定输电导线的弧垂高度预测值，最后判断弧垂预测值是否在预设弧垂范围内，若否则判定弧垂的长度异常。通过惯性导航和卫星导航装置两种方式共同检测弧垂点的位置和速度，并结合热能、电流和天气检测来确定弧垂点处受温度和周围环境的影响，可以根据多方面因素准确地预测出弧垂高度，避免了使用单一的检测方法带来的缺点，而且不需要安装多个传感器，节省了硬件成本和安装成本。装成本。装成本。


技术研发人员：李勇 蒋西平 王谦 刘佳 曾现均 周全 黄林 李汶江 黄会贤
受保护的技术使用者：国网重庆市电力公司 国家电网有限公司
技术研发日：2023.04.25
技术公布日：2023/8/21