基于改进SOM网络的铁塔远程监测和故障诊断系统的制作方法
本发明属于远程监控与故障监测领域，涉及一种基于改进som网络的铁塔远程监测和故障诊断系统。
背景技术：
自1879年以后，我国开始了输电线路的建设。输电线路铁塔作为输电线路的一个重要部分，其安全直接关系到电网供电的可靠性，影响着国家的生产建设，社会生活秩序甚至生命财产安全。我国幅员辽阔，连接电源端与用户端的输电线路往往需跨越多种复杂气象条件区域，因此多种自然环境与气象荷载对线路铁塔安全稳定性构成极大的威胁。随着近年来国家电网装机容量、电压等级不断提高，输电铁塔朝着高耸、大跨越及特高压方向的不断发展，这对铁塔可靠性、经济性提出了更高的要求。
智能电网与物联网的相互渗透和深度融合是信息通信技术发展到一定阶段的必然结果，它能有效的整合通信基础设施资源和电力基础设施资源，提高电信化水平，改善现有电力基础设施利用效率。目前，物联网在各个领域中应用广泛，但是对电力铁塔的安全性研究只是在设计阶段考虑地震、雷击、覆冰等因素的作用，对已建成的输电塔的安全性检测和健康评价并没有制定相应的标准和制度，也没有成熟的检测措施及健康评估方案。
技术实现要素：
为了实现电力铁塔的运行状态和能效智能评估和诊断以及故障预警的在线实时监测和智能管理，本发明提供了一种基于改进som网络的铁塔远程监测和故障诊断系统。
本发明解决其技术问题所采用的技术方案是：
一种基于改进som网络的铁塔远程监测和故障诊断系统，包括多个铁塔系统、多个远程运输站和控制室，所述铁塔系统通过近距离无线传输设备连接附近的远程运输站，多个远程运输站采用远距离无线传输设备与控制室相连；
所述铁塔系统包括多个传感器、太阳能电池板、蓄电池和末端采集装置，传感器包括应力传感器和位移传感器，负责采集铁塔各个节点应力或位移信号，并将信号通过有线传输的方式送到末端采集装置，太阳能电池板与蓄电池负责供给装置用电。
进一步，铁塔内采集到的信号运输到附近的远程运输站转化为5g信号后传输到控制室内进行处理。
再进一步，所述铁塔系统每隔5分钟采集一次信号，若采集得到的信号经识别为异常信号，则系统将会处于激活状态，处于激活状态的系统将会每隔一秒采集一次信号；若信号恢复正常，则设备采集时间也会恢复至5分钟，反之，设备将会报警。
所述的远程运输站包括电源模块、数据采集模块、数据存储模块和近距离无线传输模块，近距离无线传输模块将电信号处理成5g信号以便传输，电源模块负责整个运输站的供电，数据采集和存储模块分别对系统信号进行采集和存储。
所述的控制室包括数据库、监测中心和专家中心，所述监测中心将各个远程运输站的系统接收、降噪、滤波一系列处理，送入专家中心；专家中心结合大量的数据进行推理，判断铁塔运行状态，实现对各个输电铁塔的实时监控。
所述专家中心采用改进型som自组织特征映射网络，采用一种变学习率计算，且网络的初始权值通过k-means聚类算法确定。
进一步，所述专家中心的处理过程为：
(1)信号处理
分别模拟电力铁塔在大风、覆冰和断线工况下可能会发生故障的几种失效模式，采集发生失效时的故障信号；其中故障信号包括关键部位上螺栓的应力、关键杆件的应变量、铁塔的倾斜角度，针对测量铁塔倾斜角度而输出的电压信号，则需要利用小波包分解进行时频分析来提取特征值，小波包分析可以把信号分解为一系列的具有局部特性的小波函数，在低频和高频范围内均有很好的分辨力，具有可调窗口的时、频局部分折能力，过程如下：
a)首先对采集来的信号进行n层小波包分解，分别提取第n层从低频到高频2n个节点处的小波包系数，2n个节点分别为(i，j)表示第i层的第j个节点，其中i＝n，j＝0,1,2,3…,2n-1；
b)对小波包分解系数重构，提取各频带范围的信号特征
设各节点小波包系数hi，j对应的重构信号为si，j，对第n层的所有节点进行分析，总信号s用下式表示：
c)求各频带信号的总能量
假设sn，j(j＝0,1,2,3…,2n-1)对应的能量en，j(j＝0,1,2,3…,2n-1)，则能量sn，j由下式表示：
其中：hj,k(j＝0,1,2,3…,2n-1；k＝1,2,…,n)表示重构信号sn，j的离散点的幅值；
d)构造特征向量
定义电压信号的全部能量为
(2)改进型自组织特征映射神经网络的创建、训练以及测试，步骤如下：
2.1)数据预处理
将故障特征分量和关键部位上螺栓的应力、关键杆件的应变量作为输入，输出为电力铁塔安全运行判定，并对输入的训练样本进行归一化处理，归一化方程为：
k＝(x-xmin)/(xmax-xmin)
其中k为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值；
2.2)神经网络参数设置
设置神经网络参数，包括最大迭代次数epochs，拓扑结构，距离计算函数dist，邻域缩小步数step，初始邻域in；
2.3)训练神经网络
对指定的神经网络输入训练集，计算中心距离从而初始化第一层的权值，计算权值w与输入向量x的点积并计算欧氏距离，距离最小的节点对应的值最大，通过竞争神经元找到获胜节点，并通过计算好的邻域以及学习率更新权值，之后重复训练过程，直到精度达到指定要求，或者达到最大训练次数，停止训练；
2.4)训练完成
som神经网络完成训练，将测试集输入进行性能测试，如果满足精度要求，可将其用于实际工程检验。
本发明中，提出了一种基于改进som网络的铁塔远程监测和故障诊断系统，通过对电塔关键部位上螺栓的受力情况采集、监测和分析，提出了一个基于大数据和人工智能的电力铁塔安全状况评估、故障预警和诊断的仿真模型，对提高电力系统安全和可靠性都具有重大的实践意义和巨大的市场价值。
本发明借助大量的铁塔实际运行数据和失效形式、设备的运行状态和能效仿真算法、失效判别依据和专家知识，开发针对电力铁塔运行状态和故障在线监测人工神经网络系统，收集并分析采集后的信号，最终实现对铁塔安全性实时监测。
本发明的有益效果主要表现在：
(1)常规som神经网络初始权值难以确定，导致隐层神经元往往未能充分利用，某些距离学习向量远的神经元不能获胜，从而成为死节点。而本新型som网络引入一种k-means聚类算法，事先计算了全体样本的中心向量，在该中心向量基础上叠加小随机数作为权向量初始值，大大提高了系统的性能。
(2)算法采用了一种变学习率方式，既提高了系统前期的全局搜索速度，又能够保证系统后期的局部搜索能力。
附图说明
图1是小波包3层分解的树形结构图。
图2是som神经网络的拓扑结构图。
图3是算法流程图。
图4是系统流程图。
具体实施方式
下面结合附图对本发明作进一步描述。
参照图4，一种基于改进som网络的铁塔远程监测和故障诊断系统，由多个铁塔系统、多个远程运输站和控制室组成，所述多个输电铁塔通过近距离无线传输设备连接附近的远程运输站，远程运输站采用远距离无线传输设备连接控制室。
铁塔内采集到的信号运输到附近的远程运输站转化为5g信号后传输到控制室内进行处理。
进一步，所述铁塔系统由多个传感器、太阳能电池板、蓄电池、末端采集系统组成，所述传感器连接末端传输设备，蓄电池传感器包括应力传感器和位移传感器，实时采集铁塔工作时的参数，太阳能电池板接受太阳能并产生电能，并利用蓄电池进行存储，以保证系统供电；末端采集系统汇集铁塔多个测点信号，并将信号传输给附近的远程运输站中。
更进一步，所述控制过程每隔5分钟采集一次信号，若采集得到的信号经识别为异常信号，则系统将会处于激活状态，处于激活状态的系统将会每隔一秒采集一次信号。若信号恢复正常，则设备采集时间也会恢复至5分钟，反之，设备将会报警。工作人员将会对事故铁塔进行停运检修。
更进一步，所述远程运输站包括电源模块、数据采集模块、数据存储模块和近距离无线传输模块，电源模块负责整个运输站的供电，数据采集和存储模块分别对系统信号进行采集和存储，近距离无线传输模块将电信号处理成5g信号以便传输。远程运输站的作用是接受附近的电力铁塔信号，将信号处理后以传输能力高的5g信号后传输到控制室内。
更进一步，所述控制室还包括数据库、监测中心和专家中心，监测中心将各个远程运输站的系统接收、降噪、滤波等一系列处理，送入专家中心。专家中心结合大量的数据进行推理，判断铁塔运行状态，实现对各个输电铁塔的实时监控。
更进一步，所述专家中心采用改进型som自组织特征映射网络。该算法采用一种变学习率计算，且网络的初始权值通过k-means聚类算法确定；经测试，该算法具有更高的精度以及计算效率，能够保证系统的稳定监测。
电力铁塔的人工神经网络故障智能诊断系统包括：信号处理、构建神经网络，利用构建的神经网络进行故障诊断，详细介绍如下：
(1)信号处理
分别模拟电力铁塔在大风、覆冰和断线等工况下可能会发生故障的几种失效模式，采集发生失效时的故障信号；其中故障信号包括关键部位上螺栓的应力、关键杆件的应变量、铁塔的倾斜角度，针对测量铁塔倾斜角度而输出的电压信号，则需要利用小波包分解进行时频分析来提取特征值，小波包分析可以把信号分解为一系列的具有局部特性的小波函数，在低频和高频范围内均有很好的分辨力，具有可调窗口的时、频局部分折能力，其结构如图1所示，具体过程如下。
a)首先对采集来的信号进行n层小波包分解，分别提取第n层从低频到高频2n个节点处的小波包系数，2n个节点分别为(i，j)表示第i层的第j个节点，其中i＝n，j＝0,1,2,3…,2n-1，例如(0,0)节点代表原始信号s，(1,0)节点代表小波包分解的第1层低频系数h1，0，(1,1)节点代表小波包分解的第1层的高频系数h1，1，依次类推；
b)对小波包分解系数重构，提取各频带范围的信号特征
设各节点小波包系数hi，j对应的重构信号为si，j，对第n层的所有节点进行分析，总信号s用下式表示：
c)求各频带信号的总能量
假设sn，j(j＝0,1,2,3…,2n-1)对应的能量en，j(j＝0,1,2,3…,2n-1)，则能量sn，j由下式表示：
其中：hj,k(j＝0,1,2,3…,2n-1；k＝1,2,…,n)表示重构信号sn，j的离散点的幅值；
d)构造特征向量
定义电压信号的全部能量为
(2)改进型自组织特征映射神经网络的创建、训练以及测试
自组织特征映射神经网络(self-organizingmap，som)，由由荷兰学者kohonen在1981年提出，所以也称为kohonen网络。相比rbf庞大的计算量和运用高斯二乘法求解线性方程组的繁琐，som网络是一种结构简单、应用广泛的无导师学习神经网络，其神经元是全连接的。因此，该网络不仅能够学习输入量的分布特点，还能够学习输入量的拓扑结构，实现对非线性学习算法的功能。目前，som网络是在聚类问题上应用最为广泛。
铁塔故障检测问题是一种非平衡问题，即面对信号监测时，将故障模式判别为非故障模式的误判会比非故障模式判别为故障模式的情况严重的多，而对于一个铁塔，故障概率很小但影响确很大。因此，更好地提升系统模型性，使得在铁塔非正常工作时如何第一时间监测。
在传统的概率神经网络的基础上融合了密度函数估计和贝叶斯决策理论，使得判定边界逼近贝叶斯最佳判别面。
som神经网络的性能很大程度上取决于初始权值的值。传统方法是采用随机设置，这可以使权向量充分分散在样本空间，但在某些场合，样本整体集中在空间的某些局部区域，权值向量却区分在样本空间的广阔区域，训练时离整个样本群近的权值向量被调整，而远离样本群的向量得不到调整。因此，为了提高系统的性能，在本发明中，引入一种k-means聚类算法，(由macqueen于1967年提出)用于聚类som参考向量。该算法通过随机定义k个聚类中心，然后将每个数据点指向与其平均值最接近的聚类来初始化权值，这可以避免在运行过程中，部分神经元没有得到强化；
模式层与输入层全连接，层内无连接，每次训练都会通过输入向量和权值的点积，从而找出最大的节点作为获胜节点。若输入未经过归一化，则需要通过下式先计算欧式距离，并选择距离最小的值作为优胜节点；
其中，dj是所求的欧式距离，x为输入向量，w为权值，m为输入向量的个数；
系统会对所选节点邻域内的所有节点进行权值更新，初始邻域大小step可以通过初始设置，邻域会随着不断地迭代不断收缩。优胜节点调整公式如下所示：
其中,wij(t)神经元i在j时刻的权值；
α(t,n)是神经元更新的学习率，是一个邻域内第i个神经元与获胜神经元之间与拓扑距离有关的函数；
常规算法的学习率往往不会改变，这使得神经网络在训练过程中，如果学习率取得较小，则运算较慢；学习率取得较大，则很容易跳出最优解。最好的办法就是一开始将学习率取值较大，之后以较快的速度下降，这样有利于很快捕捉到输入向量的大致结构，学习率函数如下所示：
其中，c2是一个0～1之间的常数；t为迭代次数，tm为最大迭代次数；
系统流程图如图3所示，步骤如下：
2.1)数据预处理
将故障特征分量和关键部位上螺栓的应力、关键杆件的应变量作为输入，输出为电力铁塔安全运行判定，并对输入的训练样本进行归一化处理，归一化方程为：
k＝(x-xmin)/(xmax-xmin)
其中k为归一化后的值，x为被归一化的数据，xmin、xmax分别为被归一化数据中的最小值和最大值；
2.2)神经网络参数设置
设置神经网络参数，包括最大迭代次数epochs，拓扑结构，距离计算函数dist，邻域缩小步数step，初始邻域in；
2.3)训练神经网络
对指定的神经网络输入训练集，计算中心距离从而初始化第一层的权值，计算权值w与输入向量x的点积并计算欧氏距离，距离最小的节点对应的值最大，通过竞争神经元找到获胜节点，并通过计算好的邻域以及学习率更新权值，之后重复训练过程，直到精度达到指定要求，或者达到最大训练次数，停止训练；
2.4)训练完成
som神经网络完成训练，将测试集输入进行性能测试，如果满足精度要求，可将其用于实际工程检验。
- 还没有人留言评论。精彩留言会获得点赞！