一种输电线路舞动在线预测系统及方法与流程
本公开属于输电线路舞动在线预测领域，尤其涉及一种输电线路舞动在线预测系统及方法。
背景技术：
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
输电线路舞动是指风对非圆截面输电线路所产生的一种低频(0.1～3hz)、大振幅的输电线路自激振动。在相应的大气条件下输电线路舞动时常发生，且具有大幅度(最大振幅可达到输电线路直径的5～300倍)、摆动、持续时间长等特点。随着我国恶劣气象的频繁出现和电网规模的不断发展，近年来，输电线路发生舞动事故的频率日趋增加，其危害程度也越来越大。
近几年，随着舞动理论模型的不断完善以及传感器技术，通信技术的发展，输电线路舞动在线监测技术发展迅速，出现了计算机仿真，远程图像/视频监控，传感器监测和光纤传感器监测等方法。其中采用加速度传感器对输电线路舞动实施监测是舞动定量监测的主流方法，通过在输电线路上安装加速度传感器可以实时采集节点加速度值，数据经过监控中心专家软件处理分析，工作人员通过计算机可以直观的观察到舞动轨迹。发明人发现该方法具有较强的可行性，但装置挂网运行效果并不理想，经过对现场数据分析以及实验室测试发现安装在输电线路上的监测单元随着输电线路的舞动而不断运动，加速度传感器不可避免的发生扭转，其空间坐标也随之变化，造成传感器输出数据不在同一个参考系下，由此计算得出的位移和实际运动偏差很大。发明人发现,单纯的测量线路舞动装置只能在事后对输电线路进行加固与检验，不能避免在故障发生时造成的损失。
技术实现要素：
根据本公开的一个或多个实施例的一个方面，提供一种输电线路舞动在线预测系统，其能够结合线路舞动信息、覆冰信息和气象信息并利用训练完成的输电线路舞动模型对输电线路舞动进行预测，准确地预估出输电线路的舞动轨迹。
本公开的一种输电线路舞动在线预测系统，包括：
舞动采集单元，其被配置为采集输电线路的舞动信息和覆冰厚度；
气象采集单元，其被配置为采集当前杆塔附近的气象信息；
主站，其被配置为：
获取当前舞动信息、覆冰厚度和气象信息，并输入至训练完成的输电线路舞动模型中，输出输电线路预测舞动轨迹；
计算置信度确定舞动预警等级，按照等级发布线路舞动预警。
输电线路舞动模型为预设神经网络模型，输电线路舞动模型的训练过程为：
获取历史舞动轨迹相对应的舞动信息、覆冰厚度和气象信息，形成训练集；
将训练集中的数据输入至输电线路舞动模型中，输出预测舞动轨迹并与历史实际舞动轨迹比较，直至两者之间的误差小于预设误差阈值时，输电线路舞动模型训练完成。
在一个或多个实施例中，所述舞动采集单元包括第一处理器，所述第一处理器与九轴传感器相连，所述九轴传感器集成了三轴加速度计、三轴磁力计和三轴陀螺仪；所述九轴传感器用于采集输电线路的舞动信息，所述舞动信息包括平动位移、扭转角度和方向。
在一个或多个实施例中，所述第一处理器被配置为：将三轴磁力计和三轴陀螺仪检测的姿态数据进行线性融合，得到估计姿态数据，所述计姿态数据包括扭转角度和方向；
所述第一处理器还被配置为接收三轴加速度计检测的加速度数据，再通过二次积分得到输电线路的平动位移。
在一个或多个实施例中，所述舞动采集单元还包括第二处理器，所述第二处理器与图像采集装置相连，所述图像采集装置用来采集输电线路图像并传送至第二处理器；
所述第二处理器，被配置为：
以输电线路为特征物进行边缘检测；
采用自动搜索算法定位输电线路轮廓，提取各帧图像中间输电线路位置；
分别生成输电线路瞬时位移与偏移的时间序列；
利用频谱分析输电线路瞬时位移与偏移的时间序列，得到相应覆冰厚度。
在一个或多个实施例中，所述第一处理器还与图像采集装置相连，所述图像采集装置用来采集输电线路图像并传送至第一处理器；
所述第一处理器，还被配置为：
以输电线路为特征物进行边缘检测；
采用自动搜索算法定位输电线路轮廓，提取各帧图像中间输电线路位置；
分别生成输电线路瞬时位移与偏移的时间序列；
利用频谱分析输电线路瞬时位移与偏移的时间序列，得到相应覆冰厚度。
在一个或多个实施例中，所述舞动采集单元通过gprs通信模块与主站相互通信。
在一个或多个实施例中，所述气象采集单元通过gprs通信模块与主站相互通信。
在一个或多个实施例中，所述主站还被配置为将输电线路预测舞动轨迹与输电线路舞动安全范围比较，若是前者超出后者，则主站发出预警信息，并通过web服务器传送至监控终端。
根据本公开的一个或多个实施例的另一个方面，提供一种输电线路舞动在线预测方法，其能够结合线路舞动信息、覆冰信息和气象信息并利用训练完成的输电线路舞动模型对输电线路舞动进行预测，准确地预估出输电线路的舞动轨迹。
本公开的一种输电线路舞动在线预测方法，包括：
获取当前舞动信息、覆冰厚度和气象信息；
输入至训练完成的输电线路舞动模型中；
输出输电线路预测舞动轨迹；
计算置信度确定舞动预警等级，按照等级发布线路舞动预警；
其中，输电线路舞动模型为预设神经网络模型；
输电线路舞动模型的训练过程为：
获取历史舞动轨迹相对应的舞动信息、覆冰厚度和气象信息，形成训练集；
将训练集中的数据输入至输电线路舞动模型中，输出预测舞动轨迹并与历史实际舞动轨迹比较，直至两者之间的误差小于预设误差阈值时，输电线路舞动模型训练完成。
在一个或多个实施例中，利用九轴传感器获取当前舞动信息；其中，九轴传感器集成了三轴加速度计、三轴磁力计和三轴陀螺仪。
在一个或多个实施例中，获取覆冰厚度的过程为：
获取输电线路图像；
以输电线路为特征物进行边缘检测；
采用自动搜索算法定位输电线路轮廓，提取各帧图像中间输电线路位置；
分别生成输电线路瞬时位移与偏移的时间序列；
利用频谱分析输电线路瞬时位移与偏移的时间序列，得到相应覆冰厚度。
本公开的有益效果是：
(1)本公开通过结合线路舞动信息、覆冰信息和气象信息并利用训练完成的输电线路舞动模型对输电线路舞动进行实时在线预测，准确地预估出输电线路的舞动轨迹，解决了传统舞动监测系统只能监测线路自身舞动且偏差很大，只能作为事后分析，不能实时在线预测或预警的缺陷。
(2)本公开的主站还将输电线路预测舞动轨迹与输电线路舞动安全范围比较，若是前者超出后者，则主站发出预警信息，并通过web服务器传送至监控终端，提高了输电线路的监控效率。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例提供的一种输电线路舞动在线预测系统结构示意图。
图2是本公开实施例提供的舞动采集单元框图。
图3是本公开实施例提供的舞动采集单元主板框图。
图4是本公开实施例提供的舞动采集单元传感器通信模块框图。
图5是本公开实施例提供的舞动采集单元摄像头模块框图。
图6是本公开实施例提供的基于adaboost分类器的线路舞动预警模型原理图。
图7是本公开实施例提供的舞动预警的流程图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
一般认为输电线路舞动的形成取决于3个因素，即输电线路覆冰、风激励和线路结构与参数。覆冰包括覆冰类型，覆冰形状，覆冰厚度，覆冰重量等，输电线路上要形成覆冰，必须具备3个条件：①空气湿度比较大，一般为90％～95％，干雪不易凝结在输电线路上，雨凇、冻雨或雨夹雪是输电线路覆冰常见的气象条件；②需要合适的温度，一般为-5～0℃，温度过高或过低均不易形成输电线路覆冰；③空气中水滴运动的风速，一般大于1m/s，偏心覆冰改变输电线路截面，改变空气动力特性，产生负阻尼效应，积累能量，激发舞动。风激励主要是指风速、风向以及流态等：风速影响输电线路覆冰的形状，舞动与风速成正态分布，最小风速为4m/s，最大风速为25m/s，中心风速为17m/s；线方向与风向成45°～90°交角时，诱发舞动的几率最大。线路结构与参数包括输电线路结构参数、连接方式、金具、绝缘子及附加装置等：在相同条件下，大档距、多分裂、大截面输电线路发生舞动几率大。
基于上述原因，本公开对输电线路舞动在线预测之前，还获取了输电线路的覆冰厚度该参数。
图1是本公开的一种输电线路舞动在线预测系统实施例结构示意图。
如图1所示，本实施例的输电线路舞动在线预测系统，至少包括舞动采集单元、气象采集单元和主站。
(1)舞动采集单元，其被配置为采集输电线路的舞动信息和覆冰厚度。
在具体实施中，如图2所示，所述舞动采集单元包括第一处理器，所述第一处理器与九轴传感器相连，所述九轴传感器集成了三轴加速度计、三轴磁力计和三轴陀螺仪；所述九轴传感器用于采集输电线路的舞动信息，所述舞动信息包括平动位移、扭转角度和方向。
具体地，所述第一处理器被配置为：将三轴磁力计和三轴陀螺仪检测的姿态数据进行线性融合，得到估计姿态数据，所述计姿态数据包括扭转角度和方向；
所述第一处理器还被配置为接收三轴加速度计检测的加速度数据，再通过二次积分得到输电线路的平动位移。
首先用九轴传感器中的三轴陀螺仪和三轴磁力计配合，将磁力计通过梯度下降法得到的姿态四元数与由陀螺仪积分得到的姿态四元数，进行线性融合，弥补陀螺仪的积分偏查造成的误差，得到最优的姿态四元数，目标函数minf如下所示：
其中，
磁力计基于梯度下降法得到的姿态四元数为：
其中，▽f＝▽f*f。
陀螺仪得到的姿态四元数为：
其中sω＝[0ωxωyωz]为陀螺仪读数，δt为采样时间间隔
融合后的磁力计与陀螺仪的姿态四元数为：
其中β为传感器的噪声水平，一般取0.1即可。
求出融合后的磁力计与陀螺仪的姿态四元数后，通过在matlab中转换为旋转矩阵，然后可以根据加速度计的读数，求出传感器的t时刻的平动加速度为：
aest,t＝rest,tar,t-g，
其中rest,t为t时刻六轴算法估计出的旋转矩阵，ar,t为t时刻加速度计读数。
再通过一次积分得到平动速度，
平动速度再一次积分即可得到平动位移。
如图2所示，所述舞动采集单元还包括第二处理器，所述第二处理器与图像采集装置相连，所述图像采集装置用来采集输电线路图像并传送至第二处理器；
所述第二处理器，被配置为：识别和计算输电线路覆冰厚度，其具体步骤如下。
步骤1.通过摄像头采集输电线路图像信号；
步骤2.对目标图像进行彩色图像灰度化、二值化分割等图像预处理过程，并计算其整幅图像中的目标像素数；
步骤3.判断目标图像是否为首次获得的无覆冰输电线路图像，如果是，对其进行区域标记，输入已知的输电线路导线直径，将图像存储起来并进行标示；如果不是，判断其像素数是否超出对应的无覆冰时图像的15％，当其像素数超出无覆冰时的15％时，认为所监测的输电线路有覆冰，并进行标示，否则返回步骤2步；
步骤4.对覆冰输电线路图像进行区域标记，并进行各条输电导线覆冰前后的像素对比计算，根据己知的输电导线直径，计算其覆冰厚度。
在本实施例中，图像采集装置采用摄像头来实现；
第一处理器为mcu，可采用51系列单片机或其他型号的单片机来实现；
第二处理器采用fpga芯片来实现，其他实施例中，也可采用cpld或其他可编程逻辑器件来实现。
如图3所示，舞动采集单元模块功能如下：
电源模块：包括整流、变压和控制模块，负责电源转换，将感应ct传来的交流电源经过整流、滤波后变为稳定的直流电源供给其余功能模块使用；
主板模块：包括mcu及最小系统，模拟采样及存储模块，主要负责九轴传感器的控制、读取与计算当前线路舞动的幅值和方向，采样电源电压、线路电流、温度等模拟量；控制与读取摄像头，与gprs/gps模块通信；
如图4所示，传感器通信模块：九轴传感器模块，将加速度计、磁力计和陀螺仪的实时数据数字化后输出到主板模块，bd/gps模块负责舞动采集单元的定位和对时，gprs通信模块负责与远方主站进行通信，将当前舞动信息、线路照片传递给主站并将主站下发的控制命令传给主板模块；
如图5所示，摄像头模块：包括fifo芯片和摄像头，根据mcu命令拍摄导线照片并发送到mcu进行处理，mcu会根据照片计算导线边缘，进而算出导线覆冰厚度。
在实施例中，如图3所示，摄像头包括fifo芯片和摄像头，根据mcu命令拍摄导线照片并发送到mcu进行处理，mcu会根据照片计算导线边缘，进而算出导线覆冰厚度。
本实施例的舞动采集单元采用集成了三轴加速度计、三轴磁力计和三轴陀螺仪的九轴传感器采集线路舞动信息，在mcu中经过算法处理后，得到当前线路的精确位置信息，可以避免传统传感器只包含加速度传感器，分辨不出位移还是扭转，造成的误差，摄像头拍摄导线照片，经过处理后可以通过导线边缘判断导线覆冰厚度。
具体来说，为了解决三轴加速度计中只计算平移不计算扭转造成的误差，首先用九轴传感器中的三轴陀螺仪和三轴磁力计配合，将磁力计通过梯度下降法得到的姿态四元数与由陀螺仪积分得到的姿态四元数，进行线性融合，弥补陀螺仪的积分偏查造成的误差，得到最优的姿态四元数，用三轴加速度计读数在扭转已经估计出来的基础上，对舞动过程中的平移加速度进行估计，进而通过二次积分得到平动位移。
在可选实施例中，所述第一处理器还与图像采集装置相连，所述图像采集装置用来采集输电线路图像并传送至第一处理器；
所述第一处理器，还被配置为：
以输电线路为特征物进行边缘检测；
采用自动搜索算法定位输电线路轮廓，提取各帧图像中间输电线路位置；
分别生成输电线路瞬时位移与偏移的时间序列；
利用频谱分析输电线路瞬时位移与偏移的时间序列，得到相应覆冰厚度。
在具体实施中，所述舞动采集单元通过gprs通信模块与主站相互通信。
所述气象采集单元通过gprs通信模块与主站相互通信。
(2)气象采集单元，其被配置为采集当前杆塔附近的气象信息。
气象采集单元包括气温、风速、风向、空气湿度和雨量这些气象传感器模块、电源模块与通信模块。气象采集单元主要负责采集当前杆塔附近气象信息并上传至主站。
(3)主站，其被配置为获取当前舞动信息、覆冰厚度和气象信息，并输入至训练完成的输电线路舞动模型中，输出输电线路预测舞动轨迹；
计算置信度确定舞动预警等级，按照等级发布线路舞动预警。
具体地，输电线路舞动模型为预设神经网络模型。
例如：输电线路舞动模型为融合灰色关联法、adaboost法以及bp神经网络的模型。
adaboost的核心思想就是利用大量的分类能力一般的弱分类器，通过一定方式组合起来，构成一个分类效果更佳的强分类器。对于弱分类器，结构越简单，分类越容易实现，单层决策树作为弱分类器。该决策树仅基于单个输入特征并采用阈值划分方法来作决策，即只有一个节点，且由于这棵树只有一次分裂过程，与树桩形似，因此它也被称作决策桩。
决策桩构造的最关键问题是如何判断阈值划分结果的好坏，以便选择最佳分割点。目前一般采用基于信息量或错误率(如gini指标)的衡量准则。
当达到易舞气象条件后，线路是否发生舞动还与导线覆冰厚度、导线位移、导线的结构和参数密切相关。因此，使用导线覆冰厚度、导线位移、预报的最低气温、相对湿度、最大风速、风向作为输入特征变量，以导线结构、截面和档距作为已知的固定参数，构建基于adaboost分类器的线路舞动预警模型，其原理如图6所示，其中，输电线路舞动模型的训练过程为：
获取历史舞动轨迹相对应的舞动信息、覆冰厚度和气象信息，形成训练集；
将训练集中的数据输入至输电线路舞动模型中，输出预测舞动轨迹并与历史实际舞动轨迹比较，直至两者之间的误差小于预设误差阈值时，输电线路舞动模型训练完成。
舞动预警的流程图如图7所示：
根据易舞条件预报结果确定待判定路线集nl，令j＝0；
读取第j条线路的线路结构参数、所处区域气象预报数据、覆冰厚度和线路位移信息，基于adaboost分类器的线路舞动预警模型判定第j条线路是否舞动，若是，则计算置信度确定舞动预警等级，否则j+1，继续判断第j+1条线路是否舞动，直至判定路线集nl中的线路均判断完毕，最后按照等级发布线路舞动预警。
置信度确定舞动预警等级的关系可表示为：
置信度越高，舞动预警等级越高。
例如：设定置信度在95％以上时，舞动预警等级设置为iv级；
置信度在85％～95％之间时，舞动预警等级设置为iii级；其中包含置信度范围边界值；
置信度在75％～85％之间时，舞动预警等级设置为ii级；其中包含置信度范围边界值；
置信度在65％～75％之间时，舞动预警等级设置为i级；其中包含置信度范围边界值；
置信度小于65％时，舞动预警等级设置为0级。
在另一实施例中，所述主站还被配置为将输电线路预测舞动轨迹与输电线路舞动安全范围比较，若是前者超出后者，则主站发出预警信息，并通过web服务器传送至监控终端。
本实施例通过结合线路舞动信息、覆冰信息和气象信息并利用训练完成的输电线路舞动模型对输电线路舞动进行实时在线预测，准确地预估出输电线路的舞动轨迹，解决了传统舞动监测系统只能监测线路自身舞动且偏差很大，只能作为事后分析，不能实时在线预测或预警的缺陷。
本实施例的主站还将输电线路预测舞动轨迹与输电线路舞动安全范围比较，若是前者超出后者，则主站发出预警信息，并通过web服务器传送至监控终端，提高了输电线路的监控效率。
在另一实施例中，输电线路舞动在线预测方法包括：
s101：获取当前舞动信息、覆冰厚度和气象信息；
s102：输入至训练完成的输电线路舞动模型中；
s103：输出输电线路预测舞动轨迹；
s104：计算置信度确定舞动预警等级，按照等级发布线路舞动预警。
其中，输电线路舞动模型为预设神经网络模型；
输电线路舞动模型的训练过程为：
获取历史舞动轨迹相对应的舞动信息、覆冰厚度和气象信息，形成训练集；
将训练集中的数据输入至输电线路舞动模型中，输出预测舞动轨迹并与历史实际舞动轨迹比较，直至两者之间的误差小于预设误差阈值时，输电线路舞动模型训练完成。
在具体实施中，利用九轴传感器获取当前舞动信息；其中，九轴传感器集成了三轴加速度计、三轴磁力计和三轴陀螺仪。
具体地，获取覆冰厚度的过程为：
获取输电线路图像；
以输电线路为特征物进行边缘检测；
采用自动搜索算法定位输电线路轮廓，提取各帧图像中间输电线路位置；
分别生成输电线路瞬时位移与偏移的时间序列；
利用频谱分析输电线路瞬时位移与偏移的时间序列，得到相应覆冰厚度。
本实施例通过结合线路舞动信息、覆冰信息和气象信息并利用训练完成的输电线路舞动模型对输电线路舞动进行实时在线预测，准确地预估出输电线路的舞动轨迹，解决了传统舞动监测系统只能监测线路自身舞动且偏差很大，只能作为事后分析，不能实时在线预测或预警的缺陷。
本实施例的主站还将输电线路预测舞动轨迹与输电线路舞动安全范围比较，若是前者超出后者，则主站发出预警信息，并通过web服务器传送至监控终端，提高了输电线路的监控效率。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。
- 还没有人留言评论。精彩留言会获得点赞！