输电杆塔作为架空输电线路的支撑物,对电力系统安全运行具有十分重要的作用。由于我国输电线路分布广泛,输电杆塔不可避免的会建设在易发生滑坡灾害或沉降灾害的采空区、河床和山坡等不良地质区,加之输电杆塔会因为极端天气的影响而引起结构受力的变化,从而可能导致输电杆塔倾斜、变形甚至倒塌,进而造成大面积电网故障,最终严重影响人们正常的生产生活。但是由于输电杆塔姿态数据难以精确测量,测量数据难以远距离传输以及杆塔姿态难以及时准确预测,使得输电杆塔姿态在线监测系统的发展比较缓慢,无法满足电力系统可靠运行的现实需求。本文针对输电杆塔姿态在线监测的关键技术,在传感器数据融合方法、物联网技术、支持向量回归和循环神经网络等理论和方法的基础上,研究输电杆塔姿态测量、预处理方法和数据传输方法,探讨了机器学习技术和深度学习技术在输电杆塔姿态预测中的运用。首先,针对于传统输电杆塔姿态测量方法成本高和实时性差的问题,提出了基于MEMS(Micro-Electro-Mechanical System)惯性传感器的输电杆塔姿态测量方法,使用加速度计和陀螺仪作为输电杆塔姿态测量器件,分析了两种传感器测量倾角数据的频率特性,加速度计测量倾角数据伴随有高频噪声,陀螺仪测量倾角数据伴随有低频噪声。随后,本文提出了基于Lo Ra无线通信技术的输电杆塔姿态数据采集与传输方法以实现传感器数据的远距离传输,为了解决Lo Ra节点的供电问题,利用太阳能作为Lo Ra节点的能量来源,并采用超级电容作为备用电源,实现了Lo Ra节点在没有太阳光照情况下的不间断供电,为了验证Lo Ra节点远距离传输传感器数据的可靠性,对Lo Ra信号的传输距离和Lo Ra节点的功耗进行了实验测试。除此之外,为了获得精确的输电杆塔姿态数据,本文采用传感器数据融合方法中的互补滤波器对加速度计和陀螺仪测量的输电杆塔姿态数据进行预处理,通过实验对比,本文提出的基于互补滤波器的输电杆塔姿态数据预处理方法相较于主成分分析、奇异值分解、小波分析方法和Kalman滤波器有更高的处理精度和计算效率。最后,本文分析了输电杆塔姿态数据的长短时特性,提出了基于动态滑动窗的输电杆塔姿态在线预测方法。在传统预测模型的基础上,提出了两种改进的预测模型,分别为稀疏加权最小二乘支持向量回归方法和稀疏的残差LSTM神经网络,两种预测模型相较于原型都具有更好的泛化能力和更高的训练效率。预测模型的超参数采用双链量子遗传算法(Double Chain Quantum Genetic Algorithm,DCQGA)进行寻优。实验结果表明,本文提出的两种预测模型中,稀疏加权最小二乘支持向量回归方法适用于预测效率要求更高的场景,稀疏的残差LSTM神经网络适用于预测精度要求更高的场景。