基于卷积神经网络的电力电缆分布式光纤温度传感系统降噪方法的研究

电力电缆沿线温度的实时在线监测能够有效避免电缆过热导致的安全事故发生,分布式光纤温度传感技术由于具有耐高温、灵敏度高和抗电磁干扰等优点在电缆温度监测中得到了广泛应用。然而对长距离的电力电缆进行分布式测温时,温度信号的信噪比随距离的增长而降低,影响电缆温度测量的准确度。针对此问题,本文设计了一种基于卷积神经网络的降噪方法,在大量先验数据的基础上对神经网络的参数进行优化更新,将其应用于长距离分布式测温信号进行噪声的滤除。实验结果表明,本文的消噪方法能够将长度为11 km的分布式测温信号的噪声水平从原始的±17.5℃抑制到±1℃内,有效抑制了噪声,提高了测温准确度。

基于压缩感知的空间场传感网络优化方法研究

为解决现有空间场传感网络中的传感节点密集、数据冗余和监测响应慢等问题,实现对空间场信息的实时监测,将压缩感知技术引入空间场传感网络优化中。本文提出了对历史数据进行学习的自适应稀疏正交字典的建立方法,通过对稀疏字典的分析改进了传统观测矩阵的建立方法,实现了空间场传感节点布局的最优化;通过聚类方法分析观测数据在字典上的投影系数,获得了空间场正常工作情况下的分布状态曲线,实现了对异常故障点的精准识别。最后,对二源温度场数据进行实验验证,结果表明本文所提出的压缩感知技术可以在完整保留温度场分布特征的前提下,有效降低感知数据的密集程度,并利用稀疏采样的数据,实现对温度场的实时监测和故障识别。该研究对温度场中传感节点高效布置给出了科学指导,避免了空间密集采样的资源浪费,同时也为如何在空间场采样数据欠缺的情况下,精确获取完整的温度场分布提供了新的技术思路。

基于分布式温度传感的在线学习自适应模糊温度预测法

基于拉曼散射的分布式光纤温度传感器(RDTS)能够沿光纤沿线测量数十公里的温度,被广泛用于监测关键设施的温度状况。由于受到温度传递滞后和单次解调运行时间的影响,系统在面对火灾等温度突变事故中还无法快速有效地实现对安全隐患的超前预警。为从源头上对安全隐患采取预防措施,做到安全准确和防患于未然,研究人员提出了阈值预警、温差预警以及建立基于多阶实时移动平均法的预警模型等多种方法。然而,这些方法都有其局限性,为此本文提出了一种基于分布式温度传感的在线学习自适应模糊温度预测法。实验结果表明,基于在线学习的自适应模糊温度预测方法能够在保证预测精度的前提下有效地提高预警时间。与传统方案相比,该方法不受系统硬件的限制,超前预警时间可根据需求自由设置,能同时对被测光纤任意位置进行分布式预测,其在实际应用中具有显著优势。当超前点数设定为2时,系统能够达到的平均预测温度的绝对误差为1.1℃,平均预测误差的百分率为3.06%,预测误差的波动范围约为±2.3℃。