光纤复合架空地线(Optical Fiber Composite Overhead Ground Wire,OPGW)是电能传输的重要设备,作为传播电能的载体,其安全运行是电能可靠供应的基础和前提。由于天气等外在因素的影响可能会引起OPGW异常高振幅低频率的摆动致使光缆发生跳闸、破损甚至断裂,不仅造成大规模停电而且还造成巨大的经济损失。因此,对OPGW舞动信号进行识别,及时发现OPGW安全隐患对于确保正常的电力传输非常重要。本文主要完成了以下的研究内容:针对舞动监测数据会掺杂外部环境等随机噪声的问题,提出一种基于CEEMD算法和改进KSVD算法融合的OPGW舞动信号去噪处理方法。首先对采集的舞动信号数据进行信号差分处理,以便于信号分析。然后利用CEEMD算法对OPGW舞动信号进行模态分解获得本征模态函数集,引入结构相似性这一参数,设计信号重构的方法,以获取K奇异值分解学习字典。最后利用稀疏度自适应匹配追踪算法对信号稀疏去噪,完成舞动信号监测数据的预处理。通过与传统的去噪处理方法进行对比,证明本文方法可以有效的去除OPGW舞动信号中的随机噪声,获得更清晰的舞动信号信息。在OPGW舞动信号的特征提取阶段,提出基于多角度信号特征提取方法。该方法针对目前舞动信号特征提取时往往基于信号的时域特征或频域特征等单一参量的提取方式,仅能代表信号的一部分信息的问题,分析OPGW舞动监测数据中正常信号和异常信号的时域和频域特性,分别从信号的时域特征、信号的频域特征、信号的时频域特征和信号的线性预测编码系数特征的多角度提取信号的有效特征,以充分体现OPGW舞动信号的特性,并对所提取的特征采用基于熵值-主成分分析法进行特征选择,利用熵值代替以主成分的方差贡献率为权重的方式,获得特征重要程度的排序。在OPGW舞动信号识别模型的构建阶段,设计基于优化随机森林算法的OPGW舞动信号识别模型。鉴于随机森林适用于量大、不平衡数据、分类效果好的特点,引入随机森林算法对OPGW舞动信号识别,提出基于粒子群算法和改进网格搜索法结合的方法对随机森林进行参数优化,该方法可改进随机森林算法中主观的参数取值会导致分类器精度降低得问题,加速并优化模型的训练。对比传统的光纤信号识别模型,基于优化随机森林算法的OPGW舞动信号识别模型可较好的识别光纤复合架空地线舞动情况,提高识别准确率。