【技术实现步骤摘要】
本专利技术涉及地质灾害监测预警，特别涉及一种基于时空注意力机制的电杆塔地基失稳预警方法。
技术介绍
1、在矿山开采过程中，原生地质环境被破坏是难以避免的。富存于地面以下的矿产被开采后将导致矿体围岩应力应变发生变化，打破原有平衡，进而诱发地基沉降问题。若不在矿山开采建设过程中进行地基沉降的监测和预测，其后果轻则劣化土地资源，重则矿井变形塌陷，直接威胁到矿区地基沉降，影响范围人类生活基础设施的稳定性和安全性。尤其是对于电杆塔，当矿区地基沉降可能会导致电杆塔地基失稳，而电杆塔地基失稳不仅会对范围内的正常供电产生影响，而且可能会引发重大的安全事故。因此，需要对电杆塔的地基失稳情况进行监测预警。
2、地基沉降的传统预测方法有经验公式法、数值模拟法、理论解析法等，但传统的预测方法存在参数难以确定、模型比较复杂、非线性不强等问题。未解决这些问题，后续提出了将机器学习应用于地基沉降的预测。由于地基沉降监测的数据属于时间序列数据，目前基于机器学习的地基沉降预测方法主要通过lstm网络来处理长期依赖特性的序列数据。然而，监测点的沉降数据不仅与时间维度有关，而且还与空间维度有关，lstm难以学习到不同数据之间的空间特征，进而导致现有的地基沉降失稳预测预警的准确性较低。
技术实现思路
1、有鉴于此，针对以上不足，有必要提出一种基于时空注意力机制的电杆塔地基失稳预警方法，以提高电杆塔地基失稳预测预警的准确性。
2、本专利技术提供了一种基于时空注意力机制的电杆塔地基失稳预警方法，该方法
3、采集电杆塔基座四角位置的监测数据，得到沉降监测数据；
4、对所述沉降监测数据进行预处理，得到适合输入沉降预测模型的输入特征；
5、将所述输入特征输入到预先训练的沉降预测模型中，输出电杆塔的沉降预测结果；
6、根据所述沉降预测结果和预警机制，对电杆塔地基的失稳状态进行预警；
7、其中，所述沉降预测模型包括空间部分、时间部分和全连接层；所述空间部分包括卷积神经网络和卷积注意力模块，用于提取数据的空间特征，并动态赋予输入数据空间注意力权重；所述时间部分包括长短时记忆网络和时间注意力模块，用于提取数据的时间特征，并动态赋予输入数据时间注意力权重；所述全连接层用于将空间特征和时间特征拼接后得到的特征映射出最终的沉降预测结果。
8、优选的，所述集电杆塔基座四角位置的监测数据，包括：
9、分别通过全球导航卫星系统gnss和光纤分布式拉满散射系统ofdr采集电杆塔的位移、速度和加速度数据；
10、其中，gnss的传感器安装在电杆塔中部四个角的位置，且高度设置在电杆塔总高度1/3的位置；ofdr的光缆以围绕的方式安装在电杆塔基座上，且围绕满一圈。
11、优选的，所述对所述沉降监测数据进行预处理，包括：
12、分别针对gnss和ofdr采集到的数据，通过滑动窗口法对超出均值±d倍的异常数据点进行检测，并采用三次样条插值法对异常值进行处理，得到异常值处理数据；
13、针对4组gnss的异常值处理数据和ofdr的异常值处理数据，利用线性插值的方法将数据扩充至3*3网格的9个点的监测数据，得到的扩充监测数据；
14、对所述扩充监测数据进行标准化处理，得到标准化数据；
15、将所述标准化数据构建为三维张量，同时按照时间顺序构建时间序列，得到所述输入特征；其中，所述三维张量的3个通道分别为位移、速度和加速度；所述三维张量用于输入所述沉降预测模型的空间部分，所述时间序列用于输入所述沉降预测模型的时间部分。
16、优选的，所述沉降预测模型的训练过程包括：
17、获取电杆塔基座的历史沉降监测数据；
18、对所述历史沉降监测数据进行预处理，得到三维张量样本数据和时间序列样本数据；
19、将所述三维张量样本数据作为模型空间部分的输入，将所述时间序列样本数据作为时间部分的输入，基于反向传播算法进行模型训练，得到所述沉降预测模型。
20、优选的，模型训练时的损失函数为：
21、
22、式中，为模型预测值，yi为真实值，n为样本数，λ为正则化系数，θj为第j层的模型参数；
23、且采用三组不同的训练条件训练得到三个模型，并利用均方根误差和平均绝对百分比误差分别对三个模型的性能进行评估，将评估结果最优的模型确定为所述沉降预测模型；其中，三个模型训练时的初始学习率和正则化系数不同。
24、优选的，在训练模型时，所述空间部分的过程包括：
25、卷积神经网络在输入特征f上移动滤波器执行卷积操作，以提取得到卷积特征矩阵x；
26、将卷积神经网络得到的卷积特征矩阵x输入至卷积注意力模块中，卷积注意力模块对不同的通道和位置进行动态权重分配，得到空间特征输出。
27、优选的，所述卷积注意力模块对不同的通道和位置进行动态权重分配，包括：
28、利用如下计算式进行动态权重分配：
29、
30、式中，表示矩阵相乘，xc为通道注意力结果，x′为空间部分最终输出的空间输出特征，ac为通道注意力权重，as为空间注意力权重；
31、其中，通道注意力权重ac和空间注意力权重as通过如下方式得到：
32、
33、式中，σ为sigmoid函数，avgpool为平均池化，maxpool为最大池化，f7×7为卷积核大小为7×7的卷积层。
34、优选的，在训练模型时，所述时间部分的过程包括：
35、将所述时间序列样本数据输入长短时记忆网络，并通过因子注意力机制在单个时间步中将权值动态分配给不同的环境因子，以及通过时间注意力机制将权重分配给每个时间步的隐藏状态，得到时间特征输出。
36、优选的，所述通过因子注意力机制在单个时间步中将权值动态分配给不同的环境因子，包括：
37、对于时间序列数据x＝(x1,x2,…,xt)＝(x1,x2,…,xm)t∈rt×m，t表示时间步长数，m表示特征数；在时间步t中，第k个特征矩阵该因子在t时刻的注意权值通过如下计算式计算：
38、
39、式中，vf∈rt、wf∈rt×2p、uf∈rt×t为多层感知机mlp的权值矩阵，σc为激活函数，bf∈rt为相应的偏置，ht-1∈rp和ct-1∈rp为前一时刻的隐藏状态和单元状态；
40、t时刻长短时记忆网络的加权输入矩阵、隐藏状态和单元状态通过如下式更新：
41、
42、式中，σs表示softmax函数，f为一个长短时记忆网络单元；
43、所述通过时间注意力机制将权重分配给每个时间步的隐藏状态，包括：
44、通过如下计算式将权重分配给每个时间步的隐藏状态：
45、
46、式中，h为隐藏状态矩阵，hk是第k步中长短时记忆网络单本文档来自技高网...
【技术保护点】
1.一种基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述集电杆塔基座四角位置的监测数据，包括：
3.根据权利要求2所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述对所述沉降监测数据进行预处理，包括：
4.根据权利要求1所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述沉降预测模型的训练过程包括：
5.根据权利要求4所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，模型训练时的损失函数为：
6.根据权利要求4所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，在训练模型时，所述空间部分的过程包括：
7.根据权利要求6所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述卷积注意力模块对不同的通道和位置进行动态权重分配，包括：
8.根据权利要求4所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，在训练模型时，所述时间部
9.根据权利要求8所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述通过因子注意力机制在单个时间步中将权值动态分配给不同的环境因子，包括：
10.根据权利要求1所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述根据所述沉降预测结果和预警机制对电杆塔地基的失稳状态进行预警，包括：
...【技术特征摘要】
1.一种基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，该方法包括：
2.根据权利要求1所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述集电杆塔基座四角位置的监测数据，包括：
3.根据权利要求2所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述对所述沉降监测数据进行预处理，包括：
4.根据权利要求1所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，所述沉降预测模型的训练过程包括：
5.根据权利要求4所述的基于时空注意力机制的电杆塔地基失稳预警方法，其特征在于，模型训练时的损失函数为：
6.根据权利要求4所述的基于时空注意力机制的电杆塔地基失稳预警方法，...
【专利技术属性】
技术研发人员：曹凯，庞小龙，卢渊，贺志华，马玉慧，张维，任大江，王龙，贺雷，丁士君，石增利，马山青，吴建宁，白陆，潘伟峰，
申请(专利权)人：国网宁夏电力有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。