一种面向输电关键设备的山区滑坡监测与风险预警方法与流程

本技术涉及地质灾害智能监测与多源时序数据融合分析，特别是涉及一种面向输电关键设备的山区滑坡监测与风险预警方法。

背景技术：

1、随着电网建设不断完善，大量输电关键设备布设于山区、丘陵等复杂地貌区域，形成了广域覆盖的电力廊道体系。该类区域地质条件脆弱，受地形地貌、岩土特性、强降雨及工程扰动等因素影响，滑坡、崩塌等地质灾害多发，极易造成电力设备基础沉降、塔身倾斜及结构损毁，引发线路跳闸、大面积停电及电网连锁故障，严重威胁电网安全稳定运行。因此，针对山区电力廊道边坡开展长时序、高精度自动化监测预警，是电网防灾减灾的关键技术需求。

2、当前电力滑坡监测主要依托人工巡线、gnss点位监测、传感器布设及无人机航拍等常规手段，此类方式仅能实现局部、离散监测，存在监测范围有限、成本较高、难以全天候连续监测的问题，无法适配输电线路长距离、线状分布、隐患点分散的监测场景。insar技术凭借全天时、全天候、广域高分辨率的监测优势，已逐步应用于边坡形变监测，可实现电力廊道非接触式长时序观测，但受植被遮挡、大气延迟、观测角度等干扰，单一insar数据噪声大、相干性差，难以完整反映滑坡演化规律。

3、现有研究多融合地形、地质、气象及形变多源数据，结合深度学习模型开展滑坡预测评估。但多源数据存在高频形变、累积气象、静态地质等跨尺度特征差异，现有统一插值、简单拼接的预处理方式，易造成低频驱动因子失真、早期细微形变信号丢失。同时，现有模型未区分高低频特征通道，易被高频形变数据主导，难以刻画滑坡全周期演化规律，且风险评估多采用静态加权方式，无法动态适配灾害演化状态，评估精度与可解释性不足。

4、综上，现有技术存在多源异构数据跨尺度融合效果差、高低频特征协同建模能力不足、动态风险评估机制缺失等缺陷，难以满足山区输电设备高精度早期预警需求，亟需研发一种融合insar与深度学习的滑坡动态监测预警技术方案。

技术实现思路

1、本技术的目的是提供一种面向输电关键设备的山区滑坡监测与风险预警方法，能够提高输电关键设备所在山区滑坡监测与风险预警的精度。

2、为实现上述目的，本技术提供了如下方案：

3、本技术提供了一种面向输电关键设备的山区滑坡监测与风险预警方法，包括：

4、基于输电关键设备山区的多源异构数据构建输入矩阵；

5、按照时间尺度差异将输入矩阵划分为高频特征序列和低频特征序列；

6、基于高频特征序列的时序分布特性与低频特征序列的包络特征，构建动态对齐权重矩阵；

7、利用动态对齐权重矩阵对低频特征序列进行加权重构，并通过反投影操作将重构特征映射至高频特征的时间轴，生成语义对齐的多尺度融合特征矩阵；

8、对informer编码器和informer解码器进行训练；

9、将多尺度融合特征矩阵输入informer编码器输出隐状态序列；

10、调用informer解码器，采用渐进式解码策略对隐状态序列进行多步位移预测，输出形变演化趋势图谱；

11、基于形变演化趋势图谱和多源静态特征的时空分布特性确定综合滑坡风险指数，完成滑坡风险预警。

12、可选地，所述多源异构数据包括：高频动态数据、静态数据和低频动态数据；

13、所述高频动态数据为：insar形变监测点的原始时序数据；

14、所述静态数据为：高程数据；

15、可选地，基于输电关键设备山区的多源异构数据构建输入矩阵，具体包括：

16、利用第一预处理方法处理所述高频动态数据，得到地表形变观测序列；所述第一预处理方法依次包括：邻域时序均值插值方法、z-score异常检测算法、局部二次多项式回归平滑方法和小波去噪算法；

17、对静态数据和低频动态数据进行标准化归一化处理；所述标准化归一化处理依次包括：z-score标准化方法、最小-最大归一化方法、稳健标准化方法和均值方差一致性检验方法；

18、根据地表形变观测序列的采集频率与更新周期，构建固定时间窗采样机制对地表形变观测序列进行滑动窗口切片，生成高频通道的高密度时间嵌入向量；

19、利用分段常数插值操作和一致性校验方法，将低频动态数据扩充为与地表形变观测序列对齐的高粒度数据集；

20、利用滑动平均滤波器从高粒度数据集中提取低频通道的趋势包络特征向量；

21、利用时间轴索引匹配方法将高频通道的高密度时间嵌入向量与低频通道的趋势包络特征向量按时间轴对齐拼接，生成输入矩阵；所述时间轴索引匹配方法依次包括：通道拼接算法、缺失值补偿插值算法、特征标准化处理和矩阵维度校验算法。

22、可选地，按照时间尺度差异将输入矩阵划分为高频特征序列和低频特征序列，具体包括：

23、基于时间频率特性对输入矩阵进行频域分离处理，得到高频动态特征序列与低频静态特征序列；

24、基于高频动态数据的采样频率和时间分辨率，对高频动态特征序列进行滑动窗口局部序列提取，得到高频局部波动模式特征；

25、对低频静态特征序列进行分段常数插值操作，得到扩展后的低频特征序列；

26、采用滑动平均滤波算法提取从扩展后的低频特征序列中提取低频趋势包络特征；

27、对高频局部波动模式特征和低频趋势包络特征进行通道划分，生成高频特征序列与低频特征序列；所述高频特征序列与所述低频特征序列均为结构化数据。

28、基于高频特征序列的时序分布特性与低频特征序列的包络特征，构建动态对齐权重矩阵，具体包括：

29、基于高频特征序列的时序分布特性，利用共享权重的时序卷积核组对高频局部波动模式特征进行卷积处理，提取高频特征的时序动态表征；

30、对低频特征序列的低频趋势包络执行滑动窗口切片操作，生成与高频特征时间窗口对齐的低频局部上下文片段；

31、利用多头注意力机制，将高频特征的时序动态表征与低频局部上下文片段在语义与时间位置进行匹配，得到反映跨尺度关联性的相关性得分；

32、根据所述相关性得分，利用第二预处理方法构建动态对齐权重矩阵；所述第二预处理方法依次包括：归一化处理算法、权重平滑算法、重要性重标定算法、矩阵归一化方法和加性注意力权重调优算法。

33、利用动态对齐权重矩阵对低频特征序列进行加权重构，并通过反投影操作将重构特征映射至高频特征的时间轴，生成语义对齐的多尺度融合特征矩阵，具体包括：

34、基于动态对齐权重矩阵，对低频特征序列中的每一时间步特征向量执行加权映射操作，获得低频特征在高频时间轴上的初步对齐表示；

35、基于初步对齐表示，采用可微分的反投影变换函数将加权后的低频特征从局部窗口映射回原始高频时间轴，构建与高频特征在时间维度上对齐的重构低频特征序列；

36、基于高频特征序列的局部波动模式，计算各时间步对应的注意力权重分布；

37、基于注意力权重分布，动态调控重构低频特征的时间对齐精度；

38、将经动态调控后的重构低频特征与高频特征在通道维度进行拼接，得到初始多尺度融合特征矩阵；

39、对初始多尺度融合特征矩阵执行归一化处理，得到语义对齐且时间同步的多尺度融合特征矩阵。

40、对informer编码器和informer解码器进行训练，具体包括：

41、基于多尺度融合特征矩阵的梯度分布特性，利用自动微分机制获取高频特征通道与低频特征通道在反向传播过程中对应的原始梯度幅值；

42、根据高频特征通道与低频特征通道的原始梯度幅值，计算各通道的梯度能量密度；

43、基于梯度能量密度的分布统计结果构建动态归一化系数生成函数；

44、利用动态归一化系数生成函数对高频特征通道与低频特征通道的梯度幅值分别进行归一化处理，生成归一化后的梯度向量；

45、基于归一化后的梯度向量执行参数更新操作，将更新后的模型参数反馈至informer编码器和informer解码器。

46、所述informer编码器的原理为：

47、对多尺度融合特征矩阵执行线性映射操作，生成高频特征主导的查询向量；

48、对加权重构后的多尺度融合特征执行键向量与值向量的生成操作，得到键向量和值向量；

49、基于查询向量、键向量和值向量执行多头自注意力机制计算：利用多尺度特征之间的相关性得分，引导模型在不同时间尺度上识别协同演化的特征交互模式，输出注意力加权的隐状态特征矩阵；

50、对隐状态特征矩阵执行位置编码增强操作；

51、对位置编码增强操作后的隐状态特征矩阵执行前馈神经网络处理，提取高阶非线性特征表达作为输出隐状态序列。

52、调用informer解码器，采用渐进式解码策略对隐状态序列进行多步位移预测，输出形变演化趋势图谱，具体包括：

53、调用informer解码器，基于隐状态序列，采用注意力机制计算当前隐状态与历史多尺度融合特征之间的时序相关性权重，生成上下文感知的解码初始状态向量；

54、对解码初始状态向量执行多层门控循环单元处理，以生成当前预测时间步的隐变量输出；多层门控循环单元中每个门控循环单元引入时间衰减因子调节历史信息的保留比例；

55、基于当前预测时间步的隐变量输出，通过全连接层映射生成对应监测点的单步位移预测值，并将单步位移预测作为下一时间步的输入反馈至门控循环单元解码器，生成渐进式位移序列；

56、基于预测误差协方差矩阵对渐进式位移序列执行滑动窗口平滑处理，得到位移预测序列；

57、基于位移预测序列，结合各监测点的空间坐标与地质属性标签，生成具有时空语义的形变演化趋势图谱。

58、基于形变演化趋势图谱和多源静态特征的时空分布特性确定综合滑坡风险指数，完成滑坡风险预警，具体包括：

59、对形变演化趋势图谱执行一阶差分运算，得到各监测点的位移加速度时序特征；

60、基于形变演化趋势图谱、地质岩性图与高程模型，生成地质脆弱度空间分布图层；其中，地质脆弱度是根据岩性类型、坡度、历史形变速率进行加权计算得到的；

61、利用气象因子时序数据构建气象触发指数；所述气象触发指数是基于逐日降雨量、土壤含水量变化率与温度异常值，执行归一化加权法生成的；

62、基于位移加速度、地质脆弱度和气象触发指数构建多维度滑坡风险因子矩阵；

63、对多维度滑坡风险因子矩阵执行z-score标准化处理；

64、利用动态权重分配机制模型确定动态权重向量；所述动态权重分配机制模型是基于历史滑坡事件样本集对多层感知机模型进行训练得到的；所述动态权重分配机制模型用于识别不同风险因子在不同时间与空间位置下的相对贡献度，生成随时间与区域变化的动态权重向量；

65、利用动态权重向量对标准化处理后的多维度滑坡风险因子矩阵进行加权融合，生成时空连续的综合滑坡风险指数；

66、确定综合滑坡风险指数所在区间对应的滑坡风险等级为当前滑坡风险等级；

67、驱动当前滑坡风险等级对应的预警与应急响应机制。

68、根据本技术提供的具体实施例，本技术公开了以下技术效果：

69、本技术提供了一种面向输电关键设备的山区滑坡监测与风险预警方法，该方法，基于输电关键设备山区的多源异构数据构建高频特征序列和低频特征序列；基于高频特征序列的时序分布特性与低频特征序列的包络特征，构建动态对齐权重矩阵；利用动态对齐权重矩阵对低频特征序列进行加权重构，并通过反投影操作将重构特征映射至高频特征的时间轴，生成语义对齐的多尺度融合特征矩阵；对informer编码器和informer解码器进行训练；将多尺度融合特征矩阵输入informer编码器输出隐状态序列；调用informer解码器，采用渐进式解码策略对隐状态序列进行多步位移预测，输出形变演化趋势图谱；基于形变演化趋势图谱和多源静态特征的时空分布特性确定综合滑坡风险指数，完成滑坡风险预警，显著提升了复杂环境下电力廊道设备山区滑坡监测的精度。