基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法
【技术领域】
[0001] 本发明属于电力设备维护与监测技术领域，涉及一种基于机器学习的北斗II代导 航系统电力铁塔变形监测设备安装和调试方法。本发明利用机器学习可持续提高设备安装 调试的工作效率和质量，降低设备安装调试的难度。
【背景技术】
[0002] 传统电力塔变形监测一般采用地面常规测量技术、地面摄影测量技术、GPS空间定 位技术应用，使用全站仪、照相机/摄像机、GPS导航定位设备，采用人工方式进行设备安装 和调试。采用人工方式进行变形监测设备安装和调试，量程受限于设备的使用特性，安装 精度取决于安装人员个人经验和技能，存在较大的误差和使用环境限制，无法适应电力铁 塔变形监测的极端环境要求。安装调试人的技能经验积累无法大规模复用和智能化持续改 进，仅局限于小部分人群，无法满足大批量应用的安装工作效率和精度要求。
【发明内容】
[0003] 本发明的目的在于克服现有技术的上述不足，本发明要利用北斗II代导航系统， 并结合设备自身机器学习算法，解决传统电力塔变形监测设备在采用人工进行安装与调试 过程中安装精度不高、效率低和适应性差等问题。
[0004] 本发明解决其技术问题所采用的技术方案是：首先对铁塔采集数据进行一元线性 回归分析与最小二乘法校核，其次采用小波变换方法对调试数据信噪分离，然后采用时间 序列分析方法对调试数据建立自回归滑动平均（Auto-Regressive and Moving Average简 称ARMA)模型，最后采用评估假设进行预测精度的经验评估，分析测定传感器的最优数量、 最佳位置和角度。
[0005] 所述的一种基于机器学习的北斗II代导航系统电力铁塔变形监测设备安装和调 试方法，所述的对铁塔采集数据进行一元线性回归分析与最小二乘法校核包括以下几个具 体步骤：
[0006] 第一步：根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态系统算 法（Real-time kinematic简称RTK)解算的数据，加速度与风速的相关系数；
[0007] 第二步：建立加速度与倾角，加速度和RTK解算数据，加速度与风速的方程；
[0008] 第三步：使用最小二乘法计算上述三个方程的回归参数；
[0009] 第四步：使用方程计算数据，对比采集数据，找出问题数据。
[0010] 所述的一种基于机器学习的北斗II代导航系统电力铁塔变形监测设备安装和调 试方法，所述的采用小波变换方法对调试数据信噪分离具体方式如下：
[0011] 第一步：利用小波算法对采集到的数据进行分解；
[0012] 第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；
[0013] 第三步：利用小波算法对采集数据重构。小波分解的第n层低频系数和经过阈值 量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列 估计值，即观测精度估计值。
[0014] 所述的一种基于机器学习的北斗II代导航系统电力铁塔变形监测设备安装和调 试方法，所述的采用时间序列分析方法对调试数据建立自回归滑动平均（Auto-Regressive and Moving Average简称ARMA)模型具体方式如下：
[0015] 第一步：ARMA混合回归模型因子阶数的确定；
[0016] 第二步：自变量因子的选择；
[0017] 第三步：原始观测资料的预处理；
[0018] 第四步：计算结果分析。
[0019] 所述的一种基于机器学习的北斗II代导航系统电力铁塔变形监测设备安装和调 试方法，所述的采用评估假设进行预测精度的经验评估，分析测定传感器的最优点位，具体 步骤如下：
[0020] 第一步：观测数据与ARMA模型预测数据，计算双观测值的单位权方差估值0 2。根 据两周期的观测成果计算联合单位权方差估值y2,应用r检验法求在原假设ho下的r 值，选择置信水平a，查取在a置信水平下的分位值，如果r值小于分位值则接受原假 设，否则拒绝原假设；利用评估假设来判断不稳定的点；
[0021] 第二步：剔除其中不稳定点重新进行上述检验，直到确定最优点为止。
[0022] 本发明具有如下的有益效果：
[0023] 本发明提供一种基于机器学习的北斗II代导航系统电力铁塔变形监测设备安装 和调试方法，利用北导航系统高精度、大范围定位监测的优点，结合使用倾角传感器、加速 度传感器，以及气象传感器等设备，通过建立铁塔变形分析和预测模型，反向测算监测设备 的最优数量、最佳安装位置和角度。采用机器学习方法建立时间序列模型，能反向测算监测 设备的最优数量以及在铁塔安装最佳位置和角度，提高监测设备安装精度和自动化程度。 机器学习还能实现历史经验数据的自动改进和积累，持续提高设备安装调试的工作效率和 质量，降低设备安装调试的难度。
【附图说明】
[0024] 图1为基于机器学习的北斗II电力铁塔变形监测设备安装和调试方法实施流程 图。
【具体实施方式】
[0025] 下面结合实施例，对本发明的【具体实施方式】作进一步详细描述。以下实施例用于 说明本发明，但不用来限制本发明的范围。
[0026] 基于机器学习的北斗II电力铁塔变形监测设备安装和调试方法的实施流程如图 1所示。具体实施过程如下：
[0027] -、一元线性回归和最小二乘法数据校验
[0028] 根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态系统算法 (Real-time kinematic简称RTK)解算的数据，利用式（1)计算加速度与倾角，加速度和RTK 解算数据，加速度与风速的相关系数P。
[0030] 参照表1，当计算的卢大于表中相应值，可以认为相关性满足配置回归直线的条 件，即可使用最小二乘法建立算加速度与倾角，加速度和RTK解算数据，加速度与风速的相 关系数三个方程的回归参数方程。
[0031] 表1相关系数检验法临界值
[0034] 建立三个一元线性方程，计算预测数据，对比采集数据找出问题数据。
[0035] 二、小波理论进行数据分层滤波
[0036] 电力铁塔变形监测在实际观测应用中，测得的数据往往会受到多种随机或不确定 性因素影响而产生误差干扰，这些误差干扰一般较小，且具有随机性，对信号的综合影响表 现为在信号中叠加随机误差，即观测序列中含有高斯白噪声，以及随机误差和系统性干扰， 同时还会含有突变干扰或粗差，需要采用基于小波包变换的变形时间序列数据消噪。
[0037] 第一步：利用小波算法对采集到的数据进行分解；
[0038] 分解层次越大，被滤掉的噪声越多，同时信号的失真也越大，所以必须选择一个最 佳的分解层次j，在保证信号不失真的前提下，最大程度的滤掉噪声。
[0039] 实测的变形观测数据的信噪比事先未知，可采用估计方法确定最佳分解层次，逐 渐增加分解层次，然后根据均方误差（RMSE)的变化是否趋于稳定来确定最佳分解层次j。
[0041] 并依次计算出：
[0043] 一般，总有r>l，当r接近1时，一般可认为r彡1. 1，则认为噪声已基本去除。最 佳分解层次j为使r接近1时的j或j+1。通过试验，j 一般取3- 5即可。
[0044] 第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；
[0045] 阈值估计是铁塔变形监测信号的小波包阈值消噪的关键之一，如果阈值太小，消 噪后的信号仍然存在噪声；而阈值太大，重要的信号特征又将被滤掉，引起偏差。
[0046] 表2参照各种阈值估计准则消噪的SNR和RMSE对比表
[0048] 选择Birge-massart阈值准则计算：
[0050] 式中，c(k)是小波包系数，它是按绝对值递减的顺序排列的；n是系数个数；alpha 是调整参数，必须是大于1的实数，其值越大，降噪信号的小波包表示越稀疏，alpha的典型 值是2。