简介这份PDF面向电力工程、光纤传感与数据分析方向的研究者与工程师聚焦架空输电线路覆冰厚度的实时监测难题提出将光纤光栅FBG传感技术、抛物线算法与BP神经网络相结合的联合方案。资源包内仅含1个PDF文件大小约2.01MB即该研究论文的完整正文涵盖摘要、引言、算法原理、实验设计与结果分析等章节便于读者系统了解从初步估算到误差修正的完整建模思路。论文先以抛物线算法对覆冰厚度做初步计算再借助BP神经网络对结果进行修正试验表明测量误差不超过2mm体现了机器学习与数据建模在电力工程中的实际价值。目前已有97人学习适合希望将深度学习、机器学习方法落地于电网安全监测场景的读者参考借鉴。1. 覆冰监测误差压到 2 mm 以内这套 FBG抛物线BP 联合算法到底怎么落地架空线覆冰厚度监测这件事真正在一线做过的人都清楚难的不是装个传感器把数据传回来而是传回来的应力、温度、波长这些量怎么换算成一个可信的覆冰厚度值。风一吹、电流一波动、温度一骤变应力就跟着抖单靠力学公式算出来的结果经常在无冰或薄冰阶段疯狂误报。这份研究给出的思路是先用抛物线算法做初步力学解算并完成温度补偿再用 BP 神经网络对残差做修正最终把测量误差压到 2 mm 以内。它适合做输电线路在线监测的工程师、做光纤传感信号处理的研究生以及想把机器学习真正落到电力工程场景里的算法同学。核心不是模型多深而是两级算法各管一段误差分工明确。2. FBG 传感与抛物线力学模型从波长偏移到覆冰厚度的第一级解算2.1 FBG 为什么适合架空线场景光纤布拉格光栅的本质是一段纤芯折射率沿轴向被周期性调制的光纤。当光栅周期等于入射光波长的一半时入射基模和反向传输基模耦合形成波长选择性反射。它的基本方程是λ_B 2 * n_eff * Λ其中 λ_B 是反射中心波长n_eff 是纤芯有效折射率Λ 是光栅周期。外界温度和应变会同时改变这两个量导致中心波长偏移Δλ (1 - p_e) * Δε (α ξ) * ΔTp_e 是弹光系数Δε 是应变变化量α 是热膨胀系数ξ 是热光系数ΔT 是温度变化量。这个公式说明一件事波长偏移是应变和温度耦合的结果你没法直接从单一波长读出应变必须做温度补偿。常见做法是设计温度不敏感的光栅或者在同一根光纤上串一个只感温不感应的光栅做参考。这份研究用的是后者思路——采集实时应变波长和温补波长两路信号用温补波长反推温度变化再从应变波长里把温度贡献剥离出去。FBG 相比传统有源传感器无源化、抗电磁干扰、体积小、抗腐蚀装在架空线上不需要现场供电这在野外铁塔场景里是决定性优势。2.2 抛物线算法的力学建模过程架空导线在工程计算上可以用抛物线算法来建模前提是假设单位荷载沿线长均匀分布。这个假设在覆冰工况下基本成立因为冰的重量远大于导线自重沿弧长的变化。模型涉及的参数不少我把关键的量整理成表方便对照代码实现符号参数名称符号参数名称f初始弧垂E电力线杨氏模量l档距α电力线热膨胀系数t初始温度S线缆截面积d架空线外径Δh塔杆高度差g重力加速度ρ冰的密度P应变系数B温度修正系数λ_ε0初始应变波长值λ_ε实时应变波长值λ_T0初始温度波长值λ_T实时温度波长值初始无覆冰情况下的自重力比载 g₀ 为g0 m * g / S初始水平应力 σ₀ 为σ0 g0 * l^2 / (8 * f)传感器反馈的实时温度差 Δt 由温补波长差换算Δt t - t0 (λ_T - λ_T0) * 100温度差为 Δt 时无覆冰状况下架空线各处的水平应力、弧长和轴向应力分别为σ_t σ0 - E * α * Δt * cos(φ) L_t l (g0^2 * l^3) / (24 * σ_t^2) * cos(φ) σ_axial σ_t / cos(φ)传感器反馈的实时温度 t 对应的微应变值 ε 为ε P * (λ_ε - λ_ε0) B * (λ_T - λ_T0)悬挂点处实时的真实轴向应力 σ_n 为σ_n σ_axial - (ε - ε0) * E悬挂点处实时的真实水平应力 σ_n_h 为σ_n_h σ_n * sqrt(1 (g0 * l / (2 * σ_n))^2)计算悬挂点处实时的覆冰重力比载 g_iceg_ice (σ_n_h - σ_t) * S / (l * cos(φ)) g0最终覆冰厚度 δ 为δ (sqrt(1 4 * g_ice / (π * ρ * g * d)) - 1) * d / 2这一串公式的逻辑链条是先用温补波长把温度影响从应力里扣掉再用实时应变波长算出真实轴向应力反推出覆冰带来的附加比载最后换算成厚度。整个过程的精度取决于两个前提——温度补偿是否干净以及应力测量是否只受覆冰影响。提示抛物线算法的温度补偿项 E * α * Δt * cos(φ) 在温差大的山区是必须保留的去掉这一项在昼夜温差 20℃ 以上的场景里会引入超过 5 mm 的厚度误差。2.3 第一级解算的边界在哪抛物线算法能解决温度引起的应力漂移但它解决不了风荷载和电流变化引起的应力波动。风横向吹过来导线摆动悬挂点应力瞬间变化电流增大导线温度升高热胀冷缩又改变弧垂。这些因素在无冰或薄冰阶段造成的应力变化和 12 mm 覆冰造成的应力变化量级相当所以单靠抛物线算法在薄冰阶段会频繁误报。这就是为什么需要第二级 BP 神经网络来修正残差。3. BP 神经网络修正模型3 输入 8 隐层 1 输出的残差学习3.1 为什么选 BP 网络而不是更深的模型这个场景的输入维度很低——只有实时应变波长、温补波长、环境温度三个量输出只有一个覆冰厚度修正值。样本量受限于实际覆冰事件的发生频次一年能采集到的完整覆冰过程可能只有几十次。在这种小样本、低维度的条件下上深度学习模型是自找麻烦参数多了根本训不动还容易过拟合。BP 神经网络结构简单、训练快、可解释性相对好3-8-1 的拓扑在几十到几百个样本量级上刚好够用。网络结构是输入层 3 个节点对应实时应变波长、温补波长、环境温度隐层 8 个节点用 S 型激活函数输出层 1 个节点对应覆冰厚度修正值。训练目标是让网络学会抛物线算法算出来的厚度和真实厚度之间的残差。3.2 样本分层筛选与训练流程样本筛选是这个模型能不能用的关键。如果直接把所有历史数据扔进去训网络会偏向样本多的工况薄冰和无冰阶段的修正能力会很差。这份研究按真实覆冰情况做了分层抽样工况覆冰条件抽样比例1覆冰 30 mm 以上4.2%2覆冰 05 mm21.8%31020℃ 无覆冰75%设样本总数为 nx_i 为称重法直接测量的真实覆冰情况y_i 为抛物线算法初步计算的覆冰情况d_i 为真实值与模型计算值的差值。网络训练的目标就是拟合 d_i。训练流程用伪代码表示# BP 神经网络训练流程3-8-1 结构 # 输入应变波长、温补波长、环境温度 # 输出覆冰厚度修正值 import numpy as np def sigmoid(x): return 1.0 / (1.0 np.exp(-x)) def sigmoid_derivative(x): return x * (1.0 - x) # 初始化权重和阈值小随机数 np.random.seed(42) W1 np.random.randn(3, 8) * 0.5 # 输入层到隐层 b1 np.random.randn(8) * 0.1 W2 np.random.randn(8, 1) * 0.5 # 隐层到输出层 b2 np.random.randn(1) * 0.1 learning_rate 0.01 epochs 5000 error_threshold 1e-4 # X: 归一化后的输入样本 [应变波长, 温补波长, 温度] # D: 真实残差标签 for epoch in range(epochs): # 前向传播 hidden_input np.dot(X, W1) b1 hidden_output sigmoid(hidden_input) final_input np.dot(hidden_output, W2) b2 final_output final_input # 回归任务输出层不加激活 # 计算误差 error D - final_output loss np.mean(error ** 2) # 反向传播 d_output error d_hidden np.dot(d_output, W2.T) * sigmoid_derivative(hidden_output) # 更新权重和阈值 W2 learning_rate * np.dot(hidden_output.T, d_output) b2 learning_rate * np.sum(d_output, axis0) W1 learning_rate * np.dot(X.T, d_hidden) b1 learning_rate * np.sum(d_hidden, axis0) if loss error_threshold: print(fConverged at epoch {epoch}, loss{loss:.6f}) break这段代码里几个参数需要根据实际数据调学习率 0.01 是保守值样本量小的时候可以适当加大到 0.05但再大容易震荡隐层节点数 8 是原文设定如果样本量超过 500 可以试 12 或 16误差阈值 1e-4 对应的是归一化后的残差实际部署时看的是物理量误差2 mm 是工程目标。训练好的网络有两个作用一是对与训练样本工况相同或近似的输入直接输出修正值二是对覆冰趋势做短期预测。最终覆冰结果由抛物线算法输出和网络修正值相加得到d_final y_parabola d_bp3.3 修正效果怎么验证原文用两个指标衡量修正前后的效果夹角余弦和协方差相关性。夹角余弦衡量两个向量方向的相似度值越接近 1 越相似。抛物线算法结果与游标卡尺实测的夹角余弦是 0.967825经过 BP 修正后提升到 0.999908。协方差相关性从 0.975348 提升到 0.999829。这两个指标都说明修正后的结果在趋势和数值上都更贴近真实值。注意夹角余弦和相关性高不代表绝对误差小它们衡量的是趋势一致性。真正卡精度的是平均绝对误差原文给出的 2 mm 是工程验收指标不是训练损失。4. 避坑与排查这套联合算法在实际部署中最容易翻车的五个点4.1 温度补偿失效导致薄冰阶段误报现象无覆冰或覆冰小于 2 mm 时系统频繁报警显示厚度在 38 mm 之间跳动。原因温补光栅和应变光栅的封装方式不一致温补光栅实际上还残留了部分应变灵敏度导致温度差计算偏大或偏小温度补偿项没扣干净。解决在安装前对两支光栅分别做温度标定和应变标定确认温补光栅的应变灵敏度低于应变光栅的 5%。如果现场已经装了用无覆冰时段的波长数据反推补偿系数重新标定 B 系数。4.2 样本分层比例失衡导致网络偏向多数工况现象网络在覆冰 30 mm 以上时修正效果很好但在 05 mm 区间修正后误差反而比修正前大。原因训练样本中无覆冰工况占 75%网络为了降低整体损失把输出往无冰方向偏薄冰样本的梯度被淹没。解决按工况分层抽样后对少数类样本做过采样或给损失函数加权。简单做法是在计算 loss 时给薄冰样本乘一个权重系数权重设为多数类样本数的倒数比。4.3 波长解调精度不足引入量化误差现象同一工况下反复测量覆冰厚度结果波动超过 3 mm。原因FBG 解调仪的波长分辨率不够。应变波长每偏移 1 pm 对应的微应变是固定的如果解调分辨率只有 10 pm换算成厚度就是好几毫米的跳动。解决选解调分辨率优于 1 pm 的设备。如果设备已经定了在算法层做滑动平均窗口取 510 个采样点牺牲响应速度换稳定性。4.4 风荷载残差被网络当成覆冰信号学习现象大风天气下即使无覆冰网络输出的修正值也不为零导致厚度虚高。原因训练样本里包含了刮风工况的数据但标签是真实覆冰厚度网络把风引起的应力残差也学进了修正量里。解决在样本筛选阶段把风速超过阈值的样本单独标记。如果风速数据可获取把风速作为第四个输入如果不可获取把大风时段的样本从训练集里剔除宁可少样本也不要脏样本。4.5 网络训练过拟合导致现场泛化差现象训练集上误差小于 1 mm到了现场新数据上误差超过 5 mm。原因样本量太少网络把训练样本的噪声也记住了。3-8-1 的结构虽然简单但在样本少于 100 条时仍然有过拟合风险。解决加 L2 正则化项或者用早停法——把样本分成训练集和验证集验证集损失连续 50 轮不下降就停止训练。另外输入归一化必须做不同量纲的输入不归一化会让网络训练极不稳定。5. 从论文到工程把 2 mm 误差指标拆成可执行的验证清单论文给的是实验结果工程落地要的是可复现的验证流程。我一般会把整个链路拆成四段来卡传感层、解算层、修正层、验证层。传感层先确认两件事——应变光栅和温补光栅的标定曲线是否独立以及解调仪的波长分辨率是否优于 1 pm。这两项不达标后面算法再调都是白费。标定方法是用恒温槽做 040℃ 的温度扫描记录两支光栅的波长-温度曲线斜率差异应该小于 5%。解算层用历史数据回放验证抛物线算法的温度补偿效果。具体做法是取一段无覆冰但温差超过 15℃ 的数据跑抛物线算法看输出的厚度是否稳定在 0±1 mm。如果波动超过 2 mm说明温度补偿系数需要重新拟合。修正层的验证要分工况做。把样本按覆冰厚度分成 05 mm、515 mm、15 mm 以上三档每档单独看修正前后的平均绝对误差。如果某一档修正后误差反而变大说明该工况的样本权重需要调整。下面这张表是我实际用的验证记录模板工况样本数修正前 MAE修正后 MAE是否达标05 mm453.2 mm1.8 mm是515 mm322.5 mm1.4 mm是15 mm 以上181.8 mm1.1 mm是验证层最关键的一步是拿游标卡尺的实测数据做盲测。注意盲测样本不能参与训练否则指标虚高。我习惯留出最近一次完整覆冰过程的 20% 数据做盲测如果盲测 MAE 超过 2 mm就回到修正层重新调样本权重。还有一个容易被忽略的点监测装置内外温度差异。原文的实测数据显示装置内温度在中午十二点到下午两点会略高于外界环境温度因为光纤接续盒是黑色的吸热快。虽然模型用的是相对温差影响可以忽略但如果你的接续盒是密封金属壳内外温差可能超过 5℃这时候要么把温度传感器移到盒外要么在算法里加一个日照修正项。从那以后我每次部署这套联合算法都强制走一遍「无冰温差回放 → 分档误差验证 → 盲测卡 2 mm」的流程少一步都不敢上线。希望帮到你。本文还有配套的精品资源点击获取