鬼佬大哥大
  • / 13
  • 下載費用:30 金幣  

基于序列學習的電力鐵塔變形分析與決策方法.pdf

摘要
申請專利號:

CN201410683386.0

申請日:

2014.11.25

公開號:

CN104915534A

公開日:

2015.09.16

當前法律狀態:

授權

有效性:

有權

法律詳情: 授權|||實質審查的生效IPC(主分類):G06F 19/00申請日:20141125|||公開
IPC分類號: G06F19/00(2011.01)I 主分類號: G06F19/00
申請人: 國家電網公司; 湖北華中電力科技開發有限責任公司
發明人: 孫琳珂; 上官朝暉; 王海峰; 劉佳; 曾昭智
地址: 100000北京市西城區西長安街86號
優先權:
專利代理機構: 代理人:
PDF完整版下載: PDF下載
法律狀態
申請(專利)號:

CN201410683386.0

授權公告號:

||||||

法律狀態公告日:

2018.10.02|||2015.10.14|||2015.09.16

法律狀態類型:

授權|||實質審查的生效|||公開

摘要

本發明屬于電力設備維護與監測技術領域,涉及一種基于慣性測量的電力鐵塔變形監測方法。該方法利用北斗導航定位實時動態(Real-timekinematic簡稱RTK)解算方法實現動態位移監測,利用靜態解算方法實現靜態位移監測,利用傾角傳感器實現鐵塔姿態監測,利用加速度傳感器實現鐵塔水平、垂直相對位移監測,利用氣象傳感器實現鐵塔風偏、覆冰監測。本發明將上述監控方法的實現多維度組合應用,通過前端軟件預警和中心端軟件分析處理,實現智能化監測。

權利要求書

權利要求書
1.  基于序列學習的電力鐵塔變形分析與決策方法,其特征在于,首先使用卡爾曼濾波算法進行原始數據篩選,其次使用一元線性回歸和最小二乘法進行篩選后數據的校核,再次使用小波分析理論對校核后數據進行濾波分析;然后建立自回歸滑動平均(Auto-Regressive and Moving Average 簡稱ARMA)模型進行初步預測,最后建立組合模型分析鐵塔形變狀態。

2.  根據權利要求1所述的基于序列學習的電力鐵塔變形分析與決策方法,其特征在于,所述的使用卡爾曼濾波算法進行原始數據篩選包括以下幾個具體步驟:
第一步:利用卡爾曼濾波算法,確定全網的觀測方程、卡爾曼濾波的數學模型;
第二步:將采用卡爾曼濾波對各監測點的坐標進行濾波、預測,分析實時觀測值與預測值向量的一致性。

3.  根據權利要求1所述的基于序列學習的電力鐵塔變形分析與決策方法,其特征在于,所述的使用一元線性回歸和最小二乘法進行篩選后數據的校核具體包括以下幾個步驟:
第一步:根據鐵塔變形采集數據,計算加速度與傾角,加速度和由實時動態系統算法(Real-time kinematic 簡稱RTK)解算的數據,加速度與風速的相關系數;
第二步:建立加速度與傾角,加速度和RTK解算數據,加速度與風速的方程;
第三步:使用最小二乘法計算上述三個方程的回歸參數;
第四步:使用方程計算數據,對比采集數據,找出問題數據。

4.  根據權利要求1所述的基于序列學習的電力鐵塔變形分析與決策方法,其特征在于,所述的使用小波分析理論對校核后數據進行濾波分析具體步驟如下:
第一步:利用小波算法對采集到的數據進行分解;
第二步:對采集數據有用信息和噪聲的小波分解高頻系數閾值進行量化處理;
第三步:利用小波算法對采集數據重構;
小波分解的第n層低頻系數和經過閾值量化處理的第1層至第n層的高頻系數進行重新排列,可以得到去噪聲后的觀測數據序列估計值,即觀測精度估計值。

5.  根據權利要求1所述的基于序列學習的電力鐵塔變形分析與決策方法,其特征在于,所述的建立ARMA模型進行初步預測具體步驟如下:
第一步:ARMA混合回歸模型因子階數的確定;
第二步:自變量因子的選擇;
第三步:原始觀測資料的預處理;
第四步:計算結果分析。

6.  根據權利要求1所述的基于序列學習的電力鐵塔變形分析與決策方法,其特征在于,所述的建立組合模型分析鐵塔形變狀態,具體步驟如下:
第一步:利用有限元分析理論,對問題鐵塔進行單元劃分,有別于傳統的空間剛架模型,針對鐵塔變形因素,特別設計了桁梁混合模型,即將鐵塔的主結構和橫隔結構確定為梁單元,斜拉結構確定為桿單元,更接近于實際的鐵塔結構,而且還能很方便地解決采用桁架模型不易解決的問題;
第二步:構造鐵塔整體剛度矩陣,計算結構等效節點荷載,確定結構平衡方程;
第三步:求解鐵塔節點平衡方程,得到節點位移,計算各單元結構應力,對鐵塔形變進行預測分析,這里將結合氣象數據、慣性測量數據驗證。

說明書

說明書基于序列學習的電力鐵塔變形分析與決策方法
技術領域
本發明屬于電力設備維護與監測技術領域,涉及一種基于序列學習的電力鐵塔變形分析與決策方法。本發明利用序列學習可持續提高人工判讀測量數據效率,降低人為因素的判斷誤差。
背景技術
傳統變形監測一般采用地面常規測量技術、地面攝影測量技術、GPS空間定位技術應用,使用全站儀、照相機/攝像機、GPS導航定位設備,一般采用人工判讀測量數據,分析判斷鐵塔變形狀態。GPS導航變形監測技術采用單一的時間序列分析方法建模,無法準確分析判斷風偏等突發位移。人工經驗分析無法處理大數據和采樣誤差。單一的時間序列分析方法,不能解決多因素產生的變形情況,多因素一般包括水平沉降、風偏、覆冰等。
發明內容
本發明的目的在于克服現有技術的上述不足,本發明利用序列學習理論,建立組合模型,以用于電力塔形變分析,該方法解決了傳統電力塔變形監測方式存在的建模單一粗糙,人工判斷精度不高、效率低等問題。
本發明解決其技術問題所采用的技術方案是:首先使用卡爾曼濾 波算法進行原始數據篩選,其次使用一元線性回歸和最小二乘法進行篩選后數據的校核,再次使用小波分析理論對校核后數據進行濾波分析,然后建立自回歸滑動平均(Auto-Regressive and Moving Average簡稱ARMA)模型進行初步預測,最后建立組合模型分析鐵塔形變狀態。
所述的基于序列學習的電力鐵塔變形分析與決策方法,所述的使用卡爾曼濾波算法進行原始數據篩選包括以下幾個具體步驟:
第一步:利用卡爾曼濾波算法,確定全網的觀測方程、卡爾曼濾波的數學模型;
第二步:將采用卡爾曼濾波對各監測點的坐標進行濾波、預測,分析實時觀測值與預測值向量的一致性。
所述的基于序列學習的電力鐵塔變形分析與決策方法,所述的使用一元線性回歸和最小二乘法進行篩選后數據的校核具體包括以下幾個步驟:
第一步:根據鐵塔變形采集數據,計算加速度與傾角,加速度和由實時動態系統算法(Real-time kinematic簡稱RTK)解算的數據,加速度與風速的相關系數;
第二步:建立加速度與傾角,加速度和RTK解算數據,加速度與風速的方程;
第三步:使用最小二乘法計算上述三個方程的回歸參數;
第四步:使用方程計算數據,對比采集數據,找出問題數據。
所述的基于序列學習的電力鐵塔變形分析與決策方法,所述的使 用小波分析理論對校核后數據進行濾波分析具體步驟如下:
第一步:利用小波算法對采集到的數據進行分解;
第二步:對采集數據有用信息和噪聲的小波分解高頻系數閾值進行量化處理;
第三步:利用小波算法對采集數據重構。小波分解的第n層低頻系數和經過閾值量化處理的第1層至第n層的高頻系數進行重新排列,可以得到去噪聲后的觀測數據序列估計值,即觀測精度估計值。
所述的基于序列學習的電力鐵塔變形分析與決策方法,所述的建立ARMA模型進行初步預測具體步驟如下:
第一步:ARMA混合回歸模型因子階數的確定;
第二步:自變量因子的選擇;
第三步:原始觀測資料的預處理;
第四步:計算結果分析。
所述的基于序列學習的電力鐵塔變形分析與決策方法,所述的建立組合模型分析鐵塔形變狀態,具體步驟如下:
第一步:利用有限元分析理論,對問題鐵塔進行單元劃分,有別于傳統的空間剛架模型,針對鐵塔變形因素,特別設計了桁梁混合模型,即將鐵塔的主結構和橫隔結構確定為梁單元,斜拉結構確定為桿單元,更接近于實際的鐵塔結構,而且還能很方便地解決采用桁架模型不易解決的問題;
第二步:構造鐵塔整體剛度矩陣,計算結構等效節點荷載,確定結構平衡方程;
第三步:求解鐵塔節點平衡方程,得到節點位移,計算各單元結構應力,對鐵塔形變進行預測分析,這里將結合氣象數據、慣性測量數據驗證。
本發明具有如下的有益效果:
本發明提供一種基于序列學習的電力鐵塔變形分析與決策方法,該方法首先基于事件序列建立了組合模型,解決人工判讀測量數據效率低,分析判斷變形狀態誤差較大的問題;同時,組合模型對于風偏突發位移情況能準確分析判別,提高危險報警準確性,并可以實現自動處理大批量測量數據,進行多因素組合分析的問題,提高監測系統的準確性和可靠性。
附圖說明
圖1為基于序列學習的電力塔變形分析與決策方法的實施流程。
具體實施方式
下面結合實施例,對本發明的具體實施方式作進一步詳細描述。以下實施例用于說明本發明,但不用來限制本發明的范圍。
基于序列學習的電力塔變形分析與決策方法的實施流程如圖1所示。具體實施方法如下:
1、基礎數據卡爾曼濾波處理
現階段北斗衛星導航用于變形觀測中,通常是在確定的瞬間靜態 研究監測點的狀態,而沒有考慮到監測點隨時間改變位移的動態特性。并且在觀測過程中,觀測數據往往不連續,這樣就無法對動態變形進行實時準確描述。卡爾曼濾波具有最小無偏方差。在變形監測中,如果將變形體視為一個動態就可以用來描述這個變形體的運動情況,并能在這個系統中分別找出表示它們的狀態參數與其觀測值之間的函數關系,那么就可以利用卡爾曼濾波來減弱隨機噪聲的干擾,進而達到提高變形觀測數據精度的目的。
在基于北斗衛星導航的鐵塔變形監測中,以監測點的位置、速率參數為狀態向量,狀態方程中再加進系統的噪聲,構造了一個典型的運動模型。變形監測網由n個監測點組成,以監測點三維位置和三維速率為狀態向量,設點i在時刻t的位置向量為ξi(t),其瞬時速率為λi(t),而將瞬時加速率Ωi(t)看作一種隨機干擾,則有以下微分關系式:
ξi(t)=λi(t)λi(t)=Ωi(t)---(1)]]>
取i點狀態向量為Xi(t),全網狀態向量為X(t),網中有n個待定點,即
Xi(t)=ξi(t)λi(t)r=Xi(t)Yi(t)Zi(t)X·i(t)Y·i(t)Z·i(t)T---(2)]]>
其中,
Xi(t)=[X1(t) X2(t)…Xn(t)]r
Ωi(t)X··i(t)Y··i(t)Z··i(t)T---(3)]]>
Ωi(t)[Ω1(t) Ω2(t)…Ωn(t)]T
原微分方程可寫為:
X·i(t)=0E00Xi(t)+0EΩi(t)---(4)]]>
式中,O和E分別表示三階零矩陣和三階單位矩陣,離散后設Δtk=tk-1-tk,tk和tk-1分別為第k期和第k-1期的觀測時刻,分別為X在tk、tk-1時的速度,為tk的加速度。根據n個點的狀態方程得純量形式,可得全網的狀態方程為

                       (5)
矩陣表示為
Xk+1=φk+1,kXk+Γk+1,kΩk       (6)
全網的觀測方程為:
Lk+1=Bk+1Xk+1+Δk+1         (7)
最終得到,動態方程與量測方程組成鐵塔變形監測網卡爾曼濾波的數學模型為
Xk+1=φk,kXk-1+Γk,k-1Ωk-1Lk=BkXk+Δk---(8)]]>
二、一元線性回歸和最小二乘法數據校驗
根據鐵塔變形采集數據,計算加速度與傾角,加速度和由實時動 態系統算法(Real-time kinematic簡稱RTK)解算的數據,利用式(9)計算加速度與傾角,加速度和RTK解算數據,加速度與風速的相關系數

參照表1,當計算的大于表中相應值,可以認為相關性滿足配置回歸直線的條件,即可使用最小二乘法建立算加速度與傾角,加速度和RTK解算數據,加速度與風速的相關系數三個方程的回歸參數方程。
表1 相關系數檢驗法臨界值


三、小波理論進行數據分層濾波
電力鐵塔變形監測在實際觀測應用中,測得的數據往往會受到多種隨機或不確定性因素影響而產生誤差干擾,這些誤差干擾一般較小,且具有隨機性,對信號的綜合影響表現為在信號中疊加隨機誤差,即觀測序列中含有高斯白噪聲,以及隨機誤差和系統性干擾,同時還會含有突變干擾或粗差,需要采用基于小波包變換的變形時間序列數據消噪。
第一步:利用小波算法對采集到的數據進行分解;
分解層次越大,被濾掉的噪聲越多,同時信號的失真也越大,所以必須選擇一個最佳的分解層次J,在保證信號不失真的前提下,最大程度的濾掉噪聲。
實測的變形觀測數據的信噪比事先未知,可采用估計方法確定最佳分解層次,逐漸增加分解層次,然后根據均方誤差(RMSE)的變化是否趨于穩定來確定最佳分解層次J。
RMSE(j)=1nΣn[f(n)-f^j(n)]2---(10)]]>
并依次計算出:
rj+1=RMSE(j+1)RMSE(j)---(11)]]>
一般總有r>l,當r接近l時,一般可認為r≤1.1,則認為噪聲已基本去除。最佳分解層次j為使r接近1時的j或j+l。通過試驗,j 一般取3至5即可。
第二步:對采集數據有用信息和噪聲的小波分解高頻系數閾值進行量化處理;
閾值估計是鐵塔變形監測信號的小波包閾值消噪的關鍵之一,如果閾值太小,消噪后的信號仍然存在噪聲;而閾值太大,重要的信號特征又將被濾掉,引起偏差。參照各種閾值估計準則消噪的SNR和RMSE對比表。
表2 SNR和RMSE對比表

選擇Birge-massart閾值準則計算:
crit(t)=-sum(c(k)2,kt)+2×σ2×t×(alpha+log(n2))---(12)]]>
式中,c(k)是小波包系數,它是按絕對值遞減的順序排列的,n是系數個數;alpha是調整參數,必須是大于1的實數,其值越大,降噪信號的小波包表示越稀疏,alpha的典型值是2。
第三步:利用小波算法對采集數據重構。小波分解的第n層低頻系數和經過閾值量化處理的第1層至第n層的高頻系數進行重新排列,可以得到去噪聲后的觀測數據序列估計值,即觀測精度估計值。
四、ARMA模型初步預測鐵塔變形數據
ARMA混合回歸需根據實際鐵塔變形觀測資料進行回歸,在偏差平方和最小條件下求出各個因變量、自變量及各自變量歷史值因子的回歸系數。
第一步:ARMA混合回歸模型因子階數的確定
鐵塔變形監測ARMA模型挑選因子時,自變量階數不可能無限多,在實踐中須做適當選取,一般采用AIC或BIC準則以使準則函數達到極小的模型作為最佳模型。
AIC(n)=lg(σϵ(n))2+2nN---(13)]]>
BIC(n)=lg(σϵ(n))2+n(lgN)N---(14)]]>
式中,為n階模型的擬合殘差方差;n為階數(參數個數),N為觀測個數減最大滯后步數。
第二步:自變量因子的選擇
自變量因子的選擇應根據電力鐵塔構造、影響鐵塔變形的因素和觀測資料確定,不同塔型和結構影響鐵塔變形的因素不同。同時還需考慮影響因素的線性、非線性、滯后等多種效應。
(1)風偏位移分量因子。風力變化對電力鐵塔變形具有線性、非線性效應,故選擇每月風力的平均值及其二、三次方(P、P2、P3)三個因子作為風偏位移分量因子。
(2)溫度位移分量因子。溫度變化對鐵塔變形具有線性和非線性效應,故取每月氣溫的平均值及其二、三次方(T、T2、T3)作為溫度位移分量因子。
(3)因變量因子。位移觀測結果作為因變量因子,每月取一個 觀測值。
(4)滯后步數的確定。由實測資料過程線可知,該鐵塔變形的周期性不明顯。根據經驗,鐵塔影響因素的滯后效應一般小于6個月,故取滯后步數6即可滿足實際需要。
第三步:原始觀測資料的預處理
ARMA混合回歸分析以時間為順序對電力鐵塔變形觀測資料進行分析處理,要求觀測資料連續、序列平穩,且選擇的觀測時間間隔應相等,才能確保變形分析可靠、變形預報準確。但在實際中很難達到上述要求,因此分析鐵塔變形時應先對原始變形觀測資料進行缺測、平穩及標準化處理。
第四步:計算結果分析
采用前10a的觀測資料建立變形模型、計算回歸系數,后2a的觀測資料作為預報驗證資料并與預報值比較。以下為鐵塔頂部的左、中、右三點水平位移的計算結果。
左:σε=±3.198mm
中:σε=±3.143mm
右:σε=±3.331mm
五、鐵塔有限元模型分析變形狀態
第一步:利用有限元分析理論,對問題鐵塔進行單元劃分,有別于傳統的空間剛架模型,針對鐵塔變形因素,特別設計了桁梁混合模型,即將鐵塔的主結構和橫隔結構確定為梁單元,斜拉結構確定為桿單元,更接近于實際的鐵塔結構,而且還能很方便地解決采用桁架模 型不易解決的問題。
第二步:構造鐵塔整體剛度矩陣,計算結構等效節點荷載,確定結構平衡方程。
(1)單元的總剛度矩陣
通過推到鐵塔模型的梁單元的剛度矩陣,得出桿單元的剛度矩陣,同時考慮軸向位移、扭轉位移、彎曲位移,推導出單元的總剛度矩陣如下:

其中,
E是單元材料的彈性模量;A是單元的截面積;l是單元的長度;r是從單元中性軸到邊緣的距離;G為單元材料的剪切模量。
第三步:求解鐵塔節點平衡方程,得到節點位移,計算各單元結構應力,對鐵塔形變進行預測分析,這里將結合氣象數據、慣性測量數據驗證。
應用本文方法,計算測試鐵塔的內力首先確定鐵塔的載荷,本文中只考慮鐵塔自重和集中載荷。以“90度大風”工況為例。軟件計算加載點荷載大小如下表3所示。
表3 軟件計算加載點荷載

關 鍵 詞:
基于 序列 學習 電力 鐵塔 變形 分析 決策 方法
  專利查詢網所有資源均是用戶自行上傳分享,僅供網友學習交流,未經上傳用戶書面授權,請勿作他用。
關于本文
本文標題:基于序列學習的電力鐵塔變形分析與決策方法.pdf
鏈接地址:http://www.wwszu.club/p-6373567.html
關于我們 - 網站聲明 - 網站地圖 - 資源地圖 - 友情鏈接 - 網站客服客服 - 聯系我們

[email protected] 2017-2018 zhuanlichaxun.net網站版權所有
經營許可證編號:粵ICP備17046363號-1 
 


收起
展開
鬼佬大哥大