基于双光纤传感和弱监督学习的长距离输电线路分布式振动信号去噪方法研究

《Scientific Reports》：Research on a long-haul transmission-line distributed vibration signal denoising method based on dual-fiber sensing and weakly supervised learning

　　

摘要

针对架空输电线路的远距离分布式光纤振动监测技术可以实现沿整个线路走廊的连续感测。然而，随着感测距离的增加，信号衰减和环境/系统噪声的累积会导致信噪比（SNR）显著下降，从而降低特征提取和状态评估的可靠性。为了解决在现场环境中获取“高质量”样本的困难以及传统滤波技术在抑制带内噪声方面的局限性，本文提出了一种基于双光纤感测的弱监督去噪方法，用于远距离分布式振动信号的处理。通过在同一OPGW（光纤复合架空地线）内串联两根光纤，可以获得对应于相同空间位置的两个DAS（分布式声学传感器）观测数据，并利用它们之间的噪声差异构建Noise2Noise（N2N）训练对。在此基础上，开发了一种结合注意力机制的N2N-Attention-U-Net网络，以实现DAS时空数据块的端到端自适应去噪。使用从中国辽宁省鞍山市的一条220千伏架空输电线路收集的60公里实地数据集，与带通滤波、维纳滤波和jDAS模型进行了对比实验，评估指标包括时空图、频率-空间分布、代表性感测点处的时域波形以及频率-时间演化模式等多个方面。实验结果表明，基于深度学习的方法具有更优的整体性能；特别是所提出的方法大幅降低了噪声水平并减少了条纹状伪影，同时更好地保留了微弱的谱线和时变谱结构。进一步在训练集之外的样本上进行验证表明，该方法保持了最佳的总体去噪性能，并具有良好的泛化能力和鲁棒性，为后续的远距离输电线路振动监测中的状态识别提供了高保真度的预处理数据。