作为远距离送电的核心手段,架空输电线的运行状况和电力系统的稳定运转息息相关。截至2018年底,导线舞动事故在我国发生超1000余起,受波及的电压等级跨度从35kV至1000kV,总计造成了几百亿元的重大经济损失。所以,对输电线实时在线监测的研究迫在眉睫。本文基于输电线舞动曲线直观重建这一研究背景,针对以往传感器设备布置等监测方案存在的运维成本偏高、重构信号误差偏大等缺点,提出一种基于条件生成对抗网络(CGAN)的舞动曲线重建方案。从网络结构设计和损失函数优化等方面入手,实现对舞动曲线的低采样率重建,研究内容具体包括以下两个方向。(1)基于深度卷积条件生成对抗网络的导线舞动重建方法。以输电线舞动时线上各点空间位置分布情况和不同时刻之间整体舞动状态变化情况作为联合特征信息,利用深度学习中生成对抗网络模型对于未知形式数据分布强大的拟合能力,把导线舞动重建与低采样率下的信号重构问题联系起来。以湖北中山口大跨越姚双线三分裂导线作为舞动数据模型,对抗网络中选择以“卷积层-批量归一化-ReLU激活”为卷积单元组成的深度卷积网络(DCGAN)作为基本的模型架构,完成数据特征的自动提取。采样信号作为模型中生成器的输入,获得对应的重建数据,同时采样信号和原始信号作为一种条件映射关系和判别器一起对生成器的性能不断进行优化。最终在训练结束后,实现了仅通过9个采样点实现了档距跨度为1055m输电线模型舞动曲线完整状态的重建。(2)基于弧长和曲线平滑联合约束的改进W-CGAN舞动曲线重建方法。针对交叉熵损失函数在训练过程中存在的梯度消失情况导致的重建误差偏大的问题,首先提出基于Wasserstein距离的条件生成对抗网络模型,利用Wasserstein距离拥有的极佳梯度表现,可以对模型的数据重建性能有所改善。另外,针对本文舞动重建应用背景所具有的单一时刻曲线波动特征和多个时刻下曲线的时域变化特征,提出基于弧长和曲线平滑的联合约束损失函数,同时对网络中的生成器结构进行修改,在去掉批量归一化操作的基础上再引入最大池化层,使得卷积单元变为“卷积层-卷积层-最大池化层-ReLU激活”的形式。仿真结果表明对于舞动波数为1至4的舞动曲线,相比单纯的W-CGAN算法以及经典的三次B样条插值重建算法,重建效果以及平均误差表现上各有一定程度的改进优化。