System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本申请涉及分布式光纤检测,尤其涉及一种基于分布式光纤传感和深度学习的风速测量方法及系统。
技术介绍
1、风速测量一直是气象测量、工业农业等领域中的热点研究问题。在风力发电领域中,对风电场影响最大的自然灾害即为热带气旋,龙卷风及沙尘暴等,为了实现安全的风力发电,需要对风速进行实时测量与监控,实时观察自然灾害下的风速变化,以警惕可能发生的自然损害,同时根据风速的变化方向,来调整风力发电结构,对于风电场机组的正常运营及风功率预测系统等都有重大的意义。在农业生产中,正常范围的风可以帮助植物传播花粉和种子,对植物的光合作用和蒸腾作用也有一定的帮助,而过强的风会导致倒伏、树枝折叠,严重影响农作物的产量。
2、随着农业生产的规模和集约化水平的持续提升,对于风等气候因素的敏感程度也在持续加强,因而需要更多、更有效的预告预警信息来保证生产,所以对风速的精准测量已经成为了农业生产中的至关重要的问题。
3、然而现有的风速测量方法中,多受环境因素的限制,无法实现长距离、大规模的检测,同时检测精度较低,影响检测效率。
技术实现思路
1、本申请提供了一种基于分布式光纤传感和深度学习的风速测量方法及系统,以解决现有检测方法中无法实现长距离、大规模的检测,同时检测精度低,影响检测效率的技术问题。
2、本申请第一方面提供的基于分布式光纤传感和深度学习的风速测量方法包括:获取训练数据;其中,训练数据包括光缆的振动频率、第一风速和第二风速,其中,第一风速根据风速计检测得到,光缆的振动
3、在一些可行的实现中,第二风速根据振动频率计算得到,包括:;其中,为振动频率,为常数,为第二风速;为光缆的直径。
4、在一些可行的实现中,一维卷积网络模型包括依次连接的第一一维卷积层、第二一维卷积层、第一池化层、第三一维卷积层、第四一维卷积层、第二池化层、dropout层、全连接层和softmax层;其中,第一一维卷积层和第二一维卷积层的卷积尺度均为8,卷积核个数均为110,第三一维卷积层和第四一维卷积层的卷积尺度均为8,卷积核个数均为150;第一池化层的长度为3。
5、在一些可行的实现中,第一一维卷积层的卷积公式为:,其中,是第个卷积核,是第次卷积运算,是输入数据长度,是卷积核的尺度,为第个卷积核经次卷积运算后的向量,为激活函数,为光缆采集到的一维振动信号,,是第个数据点,为第个卷积初始化参数后的权重矩阵,,为偏置单元。
6、在一些可行的实现中,第一池化层为最大池化层,第一池化层的池化公式为:,其中,为第层的池化结果,为设置步长,为卷积核大小。
7、本申请第二方面提供的基于分布式光纤传感和深度学习的风速测量系统,包括分布式光纤声波检测子系统,被配置为,向铺设在多个固定支架顶部的光缆发送检测光信号,并接收光缆返回的反射光信号,其中,多个固定支架的顶部处于同一水平面;获取模块,被配置为,获取训练数据;其中,训练数据包括光缆的振动频率、第一风速和第二风速,其中,第一风速根据风速计检测得到,光缆的振动频率根据反射光信号解调得到,第二风速根据振动频率计算得到;构建模块,被配置为,构建一维卷积网络模型;其中,一维卷积网络模型的输入为多个振动频率,一维卷积网络模型的输出为多个第二风速;其中,第一风速为第二风速的参考标签;训练模块,被配置为,利用训练数据训练一维卷积网络模型;计算模块,被配置为,根据光缆采集到的实时振动频率和训练后的一维卷积网络模型计算实时风速的预测值。
8、在一些可行的实现中,在构建模块中,第二风速根据振动频率计算得到,包括:;其中,为振动频率,为常数,为第二风速;为光缆的直径。
9、在一些可行的实现中,一维卷积网络模型包括依次连接的第一一维卷积层、第二一维卷积层、第一池化层、第三一维卷积层、第四一维卷积层、第二池化层、dropout层、全连接层和softmax层;其中,第一一维卷积层和第二一维卷积层的卷积尺度均为8,卷积核个数均为110;第三一维卷积层和第四一维卷积层的卷积尺度均为8,卷积核个数均为150;第一池化层的长度为3。
10、在一些可行的实现中,第一一维卷积层的卷积公式为:,其中,是第个卷积核,是第次卷积运算,是输入数据长度,是卷积核的尺度,为第个卷积核经次卷积运算后的向量,为激活函数,为光缆采集到的一维振动信号,,是第个数据点,为第个卷积初始化参数后的权重矩阵,,为偏置单元。
11、在一些可行的实现中,第一池化层为最大池化层,第一池化层的池化公式为:,其中,为第层的池化结果,为设置步长,为卷积核大小。
12、本申请提供的基于分布式光纤传感和深度学习的风速测量方法及系统,基于分布式光纤传感和深度学习的风速测量方法应用在基于分布式光纤传感和深度学习的风速测量系统中,基于分布式光纤传感和深度学习的风速测量系统包括多个固定支架、光缆和分布式光纤传感检测子系统,其中,多个固定支架按照预设间隙设置在地面,且多个固定支架的顶部在同一水平面,光缆铺设在多个固定支架的顶部,分布式光纤传感检测子系统用于向光缆发送检测光信号,并接收光缆返回的反射光信号,基于分布式光纤传感和深度学习的风速测量方法包括:获取训练数据;其中,训练数据包括光缆的振动频率、第一风速和第二风速,其中,第一风速根据风速计检测得到,光缆的振动频率根据反射光信号解调得到,第二风速根据振动频率计算得到;构建一维卷积网络模型;其中,一维卷积网络模型的输入为多个振动频率,一维卷积网络模型的输出为多个第二风速;其中,第一风速为第二风速的参考标签;利用训练数据训练一维卷积网络模型;根据光缆采集到的实时振动频率和训练后的一维卷积网络模型计算实时风速的预测值。该基于分布式光纤传感和深度学习的风速测量方法,兼备分布式光纤声波检测子系统和一维卷积网络模型的优点,分布式光纤声波检测子系统中的光纤传感器具有绝缘,抗电磁干扰、损耗低、抗腐蚀等独特的优势,在恶劣环境下也能正常工作,而且光缆属于无源器件,无需大规模供电,铺设方便,成本较低。一维卷积网络模型可以直接将分布式光纤声波检测子系统所采集的一维振动信号作为输入,从而有效避免了数据库转化过程中容易造成的特征丢失问题。同时由于本申请实施例提供的基于分布式光纤传感和深度学习的风速测量方法中,光缆的使用不会被环境所限制,因此,本申请实施例提供的基于分布式光纤传感和深度学习的风速测量方法可以广泛应用于农业、工业、军事、民用设施等领域。
本文档来自技高网...【技术保护点】
1.一种基于分布式光纤传感和深度学习的风速测量方法,其特征在于,所述基于分布式光纤传感和深度学习的风速测量方法包括:
2.根据权利要求1所述的基于分布式光纤传感和深度学习的风速测量方法,其特征在于,
3.根据权利要求1所述的基于分布式光纤传感和深度学习的风速测量方法,其特征在于,所述一维卷积网络模型包括依次连接的第一一维卷积层、第二一维卷积层、第一池化层、第三一维卷积层、第四一维卷积层、第二池化层、Dropout层、全连接层和Softmax层;
4.根据权利要求3所述的基于分布式光纤传感和深度学习的风速测量方法,其特征在于,
5.根据权利要求4所述的基于分布式光纤传感和深度学习的风速测量方法,其特征在于,
6.一种基于分布式光纤传感和深度学习的风速测量系统,其特征在于,包括:
7.根据权利要求6所述的基于分布式光纤传感和深度学习的风速测量系统,其特征在于,
8.根据权利要求6所述的基于分布式光纤传感和深度学习的风速测量系统,其特征在于,
9.根据权利要求8所述的基于分布式光纤传感和深度
10.根据权利要求8所述的基于分布式光纤传感和深度学习的风速测量系统,其特征在于,
...【技术特征摘要】
1.一种基于分布式光纤传感和深度学习的风速测量方法,其特征在于,所述基于分布式光纤传感和深度学习的风速测量方法包括:
2.根据权利要求1所述的基于分布式光纤传感和深度学习的风速测量方法,其特征在于,
3.根据权利要求1所述的基于分布式光纤传感和深度学习的风速测量方法,其特征在于,所述一维卷积网络模型包括依次连接的第一一维卷积层、第二一维卷积层、第一池化层、第三一维卷积层、第四一维卷积层、第二池化层、dropout层、全连接层和softmax层;
4.根据权利要求3所述的基于分布式光纤传感和深度学习的风速测量方法,其特征在...
【专利技术属性】
技术研发人员:曹冰,尚盈,王晨,黄胜,乔晓晗,赵文安,王伟涛,渠帅,李常,倪家升,
申请(专利权)人:山东省科学院激光研究所,
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。