一种输电线路杆塔监控的多传感器数据融合预警方法
【专利摘要】一种输电线路杆塔监控的多传感器数据融合预警方法,包括以下步骤:1)实时获取检测传感器的当前输电线路参数;2)一级BP神经网络融合,2.1)单个检测传感器故障监测:采用BP网络建立检测传感器输出序列预测模型,假设已经观测到的传感器n个时刻输出样本为x(1),x(2),x(3),…,x(n),预测n+1时刻传感器输出值;2.2)单个检测传感器的BP神经网络对时间数据融合;2.3)对输入信号进行归一化;2.4)特征层融合识别;3)二级D-S证据理论融合,BP神经网络的输出在0-1之间取值,经过处理后作为是基本概率作为D-S证据理论的证据,得到危险等级。本发明稳定性良好、可靠性较高、实时性良好。
【专利说明】一种输电线路杆塔监控的多传感器数据融合预警方法
【技术领域】
[0001]本发明涉及ー种输电线路安全监控领域,尤其是一种输电线路杆塔监控的预警方法。
【背景技术】
[0002]近年来,随着我国经济迅速发展,农村日益城镇化,城市日益都市化,我国毎年民用用电量呈爆炸性增长,高低压输电线路的迅速扩长带来矛盾性问题,一方面,输电线路的铺张让城镇市民居住远离市区商业中心,減少城镇人口过度集中,另ー方面,电线杆分布林立,特别是交通道路两边布置电线杆极容易受交通运行车辆和行人由于交通意外事故损坏,从而导致沿路输电线路中断,影响附近居民用电安全,特别是,输电线路经常受到自然灾害,如:台风、强雨、大雪的袭击,因此构建安全稳定的输电线路在线监测预警机制势在必行。
【发明内容】
[0003]为了克服已有输电线路杆塔监控的预警方法的稳定性较差、可靠性不强、实时性差的不足,本发明提供了ー种稳定性良好、可靠性较高、实时性良好的输电线路杆塔监控的多传感器数据融合预警方法。
[0004]本发明解决其技术问题所采用的技术方案是:
[0005]一种输电线路杆塔监控的多传感器数据融合预警方法,所述预警方法包括以下步骤:
[0006]I)通过在所述输电线路杆塔上安装检测传感器,用以检测n个输电线路參数,实时获取所述检测传感器的当前输电线路參数;
[0007]2) ー级BP神经网络融合,具体如下:
[0008]2.1)单个检测传感器故障监测:采用BP网络建立检测传感器输出序列预测模型,假设已经观测到的传感器t个时刻输出样本为X(I),x(2),X (3),…,x(t),预测t+1时刻传感器输出值,具体过程如下:
[0009]2.1.1)BP神经网络的训练:传感器采集时刻数据作为BP神经网络的输入,在初始权值的作用下,输出ー个监测量的预测值,预测值和实际测得的监测量进行比较,若它们的误差大于设定的全局误差平均值E,则继续输入训练数据,直到实测值和网络输出值之间的误差小于设定的值就停止训练或者当训练次数大于设定值时也停止训练,至此网络训练完成,BP神经网络的各个权值被确定下来;
[0010]2.1.2)离线建立网络预测模型后,用传感器实际输出的前m步样本x(k-m+l), X (k-m+2), --?,x(n)预测传感器第n+1步対/! +1),传感器第n+1步实际输出x (n+1)和预测输出5(? + 1)进行比较,把这个值和实测数值进行趋势分析,若实测值和预测值之间差值超过阀值则判定该检测传感器发生故障,该检测传感器数据为无效数据,否则,所述检测传感器数据为有效数据;[0011]2.2)单个检测传感器的BP神经网络对时间数据融合:设检测传感器缓存n轮数据,n值根据需求调节,定义T为拟合周期,它表示传感器节点收集n轮数据所需要的时间,网络中每个节点周期性地监测环境,并将监测数据存储在节点缓存中;当缓存被数据充满后,节点利用缓存中的监测数据集Yj), j = 1,2,...,n构造训练ー个BP神经网络,其中,时间作为输入參数,与该时间相対的输电线路參数Yj作为输出參数,由于BP神经网络的參数,层之间的传递函数,已经在节点播散前約定,检测传感器只需将训练好的BP神经网络的权值和阀值发送给汇聚节点,接着,检测传感器清空缓存,为下一轮数据收集准备;
[0012]2.3)对输入信号进行归一化,使得所有样本的输入信号其均值接近于0或者与其
均方差方差相比很小;采用归一化的方法是线性转换^=______________________________,说明Hf分别为转换
前后的值,max、min分别为样本的最大值和最小值;
[0013]2.4)特征层融合识别:BP网络分类器先对训练集中的样本进行识别,载入网络拓扑和參数设置,初始化权值,载入待识别的特征数据,网络进行前向计算,给出识别结果;
[0014]3) 二级D-S证据理论融合,所述BP神经网络的输出在0-1之间取值,经过处理后作为是基本概率作为D-S证据理论的证据;具体如下:
, y, _
[0015]3.1)设神经网络的输出为yi,J2,..., yn,,取ァ,へ’ i = l,2,...,n。将y,4作
为基本概率赋值将BP网络的输出进行归ー化后可作为辨识框架;
[0016]3.2)采用基于基本概 率赋值的决策方法,如下:
[0017]m(4) =(8)
[0018]S十も
[0019]Hi(Ai)为样本的第i个故障模式的基本概率值,BP神经网络的误差值作为D-S证据理论的不确定度m( 0 ),实现了 D-S证据理论的节本概率分配,其中,Ai为危险等级,i=l,2,,…,I^y(Ai)为BP神经网络的诊断输出;En网络样本误差。
[0020]进ー步,所述步骤I)中,所述输电參数包括温度、湿度以及风速、风向、覆冰、导线温度、风偏、弧垂、舞动、周围施工情况和杆塔倾斜角度。也可以采用其他參数。
[0021]再进ー步,所述步骤2.2),单个检测传感器进行数据收集过程:
[0022]2.2.1)数值和阀值初始化,给各连接权{wj,{ 0 J以及阀值{ 9山{q}赋予[0,I]之间的随机值,给定输入和输出,计算神经网络前向传播信号;
[0023]2.2.2)输入----隐层的输出信号为
[0024]
【权利要求】
1.一种输电线路杆塔监控的多传感器数据融合预警方法,其特征在于:所述预警方法包括以下步骤: 1)通过在所述输电线路杆塔上安装检测传感器,用以检测n个输电线路參数,实时获取所述检测传感器的当前输电线路參数; 2)ー级BP神经网络融合,具体如下: ` 2.1)单个检测传感器故障监测:采用BP网络建立检测传感器输出序列预测模型,假设已经观测到的传感器t个时刻输出样本为X(I),x(2),X (3),…,x(t),预测t+1时刻传感器输出值,具体过程如下:` 2.1.1)BP神经网络的训练:传感器采集时刻数据作为BP神经网络的输入,在初始权值的作用下,输出ー个监测量的预测值,预测值和实际测得的监测量进行比较,若它们的误差大于设定的全局误差平均值E,则继续输入训练数据,直到实测值和网络输出值之间的误差小于设定的值就停止训练或者当训练次数大于设定值时也停止训练,至此网络训练完成,BP神经网络的各个权值被确定下来; `2.1.2)离线建立网络预测模型后,用传感器实际输出的前m步样本x(k-m+l),X(k-m+2),...,x(n)预测传感器第n+1步双《 + 1),传感器第n+1步实际输出x(n+l)和预测输出—f(? +1)进行比较,把这个值和实测数值进行趋势分析,若实测值和预测值之间差值超过阀值则判定该检测传感器发生故障,该检测传感器数据为无效数据,否则,所述检测传感器数据为有效数据; ` 2.2)单个检测传感器的BP神经网络对时间数据融合:设检测传感器缓存n轮数据,n值根据需求调节,定义T为拟合周期,它表示传感器节点收集n轮数据所需要的时间,网络中每个节点周期性地监测环境,并将监测数据存储在节点缓存中;当缓存被数据充满后,节点利用缓存中的监测数据集h,yP,j `= l,2,...,n,构造训练ー个BP神经网络,其中,时间Xj作为输入參数,与该时间相対的输电线路參数ハ作为输出參数,由于BP神经网络的參数,层之间的传递函数,已经在节点播散前約定,检测传感器只需将训练好的BP神经网络的权值和阀值发送给汇聚节点,接着,检测传感器清空缓存,为下ー轮数据收集准备; `2.3)对输入信号进行归一化,使得所有样本的输入信号其均值接近于O或者与其均方差方差相比很小,采用归一化的方法是线性转换
2.如权利要求1所述的输电线路杆塔监控的多传感器数据融合预警方法,其特征在于:所述步骤I)中,所述输电參数包括环境温度、环境湿度以及风速、导线张力和杆塔倾角。
3.如权利要求1或2所述的输电线路杆塔监控的多传感器数据融合预警方法,其特征在于:所述步骤2.2),单个检测传感器进行数据收集过程: . 2.2.1)数值和阀值初始化,给各连接权{wj,{ 0 J及阀值{ 0上{q},赋予[O,I]之间的随机值,给定输入和输出,计算神经网络前向传播信号; . 2.2.2)输入----隐层的输出信号为
【文档编号】G01D21/02GK103557884SQ201310450993
【公开日】2014年2月5日 申请日期:2013年9月27日 优先权日:2013年9月27日
【发明者】张标标, 乐宇日, 杨彦兵, 吴俊宏, 王毅, 王辉 申请人:杭州银江智慧城市技术集团有限公司