一种基于ESFK和BP算法的输电杆塔大数据巡检系统及方法与流程

一种基于esfk和bp算法的输电杆塔大数据巡检系统及方法
技术领域
1.本发明涉及输电杆塔巡检领域，具体涉及一种基于esfk和bp算法的输电杆塔大数据巡检系统及方法


背景技术：

2.我国杆塔分布区域广，大部分是在偏远山区，一些地区伴有雷击、雨雪、沙漠大风、山洪及泥石流等自然灾害，剧烈的自然灾害可能导致输电杆塔发生位移和倾斜，同时给巡检人员的工作带来不便。同时由振动引起的输电线路振动故障严重威胁了电网供电可靠性，所以提高输电线路振动类型预测能力，增强输电线路抗振水平，具有重要意义。
3.现有技术cn201910457750.4一种用于输电杆塔的振动检测装置、系统及方法一种用于输电杆塔的振动检测装置、系统及方法，包括：振动检测传感器、电子标签和阅读器，所述振动检测传感器连接电子标签的输入端；所述电子标签与所述阅读器无线连接。本发明能够实现对输电杆塔的振动情况的采集和检测，为运维人员对输电设备的维护提供了数据支撑，本发明利用电子标签进行数据传递不仅有利于数据的清晰记录，还能够保证在野外恶劣环境下的通信质量，保证采集的振动信息能够读取。上述现有技术只能检测到输电设备是否受到振动危害，不能分析具体受灾类型，使工作人员无法准确的精细化的实施检修。
4.未解决上述问题本发明基于esfk算法和bp算法对测量数据进行修正，能够突破传统算法中集中式新息量测更新方法，通过esfk三轴陀螺仪新息量测和振动监测传感器模型实时调整卡尔曼滤波器观测噪声矩阵，并更新卡尔曼滤波器状态方程和误差协方差矩阵，能够有效识别振动类型，形成一种强鲁棒、高性价比、部署灵活铁塔监测方法。结合大数据线路巡检历史数据信息，通过无人机或人工巡视，读取标签内存储的振动监测数据，现场分析监测数据，指导巡视工作，为精细化巡检提供理论依据。


技术实现要素：

5.本发明的目的在于提供一种基于esfk和bp算法的输电杆塔大数据巡检系统及方法，以解决上述背景技术中提出的问题。
6.其中卡尔曼滤波(kalman filtering)是一种利用线性系统状态方程，通过系统输入输出观测数据，对系统状态进行最优估计的算法。由于观测数据中包括系统中的噪声和干扰的影响，所以最优估计也可看作是滤波过程。
7.数据滤波是去除噪声还原真实数据的一种数据处理技术，kalman滤波在测量方差已知的情况下能够从一系列存在测量噪声的数据中，估计动态系统的状态。由于它便于计算机编程实现，并能够对现场采集的数据进行实时的更新和处理，kalman滤波是目前应用最为广泛的滤波方法，在通信，导航，制导与控制等多领域得到了较好的应用。
8.其中bp算法是由学习过程由信号的正向传播与误差的反向传播两个过程组成。由于多层前馈网络的训练经常采用误差反向传播算法，人们也常把将多层前馈网络直接称为bp网络。
9.为实现上述目的，一方面，本发明提供一种基于esfk和bp算法的输电杆塔大数据巡检系统，其特征在于，所述该系统包括电源模块、无线传输模块、检测模块，所述无线传输模块包括有源rfid实物id电子标签，所述检测模块包括振动监测传感器和三轴陀螺仪；其中电源模块用于为系统供电；有源rfid实物id电子标签用于存储输电杆塔基本信息；振动监测传感器用于采集输电杆塔振动信息；三轴陀螺仪用于测量输电杆塔振动时各轴角速度。
10.另一方面，本发明提供一种基于esfk和bp算法的输电杆塔大数据巡检方法，所述该方法基于esfk和bp算法对输电杆塔振动进行监测，其步骤如下：
11.s1：建立振动监测传感器坐标模型；
12.s2：建立振动测量模型；
13.s3：测量输电杆塔正常情况下标准值；
14.s4：测量输电杆塔处于外破振动、风激无冰振动和风机覆冰振动下的状态值；
15.s5：基于esfk算法对上述步骤中数值进行校正；
16.s6：基于bp算法对测量数据和输出数据进行修正；
17.s7：基于修正结果根据减少外破振动、风激无冰振动和风机覆冰振动状态值相对于标准值的误差，识别振动类型。
18.优选的，所述步骤s1中振动监测传感器坐标模型由传感器坐标o
xyz
和平台坐标组成，其中当输电杆塔振动时传感器坐标与平台坐标之间会产生旋转角θ，θ范围限定在-90
°
～90
°
之间。
19.优选的，所述传感器坐标o
xyz
可通过x，y，z轴的连续三重旋转转换为平台坐标并通过四元数法确定唯一的矢量变换矩阵，降低算法的整体运算复杂度。
20.优选的，所述步骤s2中测量模型由角速度模型ω和加速度模型α组成，
21.所述角速度模型计算公式如下：
22.ω＝ω
t
ω
bt
23.式中ω
t
为实际的角速度；ω
bt
为三轴陀螺仪振动变化时角速度的偏置项；所述加速度模型计算公式如下：
24.α＝α
t
α
bt
25.式中α
t
为实际的加速度；αn为三轴陀螺仪振动变化时加速度的偏置项所述偏置项服从泊松分布；
26.优选的，所述将输电杆塔正常情况下标准值设为q；外破振动、风激无冰振动和风机覆冰振动下的状态值设为q
ti
，其中i＝1,2,3；上述两者之间的误差为误差状态值δq，三者关系如下：
27.q
ti
＝q δq
28.式中误差状态值可表示为δq＝[1，δθ/2]2，δ为误差系数。
[0029]
优选的，所述步骤s6中基于bp算法对测量数据和输出数据进行修正，其中bp算法包括输入层、中间层和输出层，其中设输入层有n个神经元则x＝(x1,x2,
…
xn)
t
；设中间层有h个神经元则y＝(y1,y2,
…
yh)
t
；设输出层有m个神经元则o＝(o1,o2,
…
om)
t
；设期望输出层为d＝(d1,d2,
…dm
)
t
；所述输入层到中间层的权值v＝(v1,v2,
…
vh)
t
；所述中间层到输出层的权
值为w＝(w1,w2,
…
wm)
t
。
[0030]
优选的，所述输出层的神经元对应测量的外破振动、风激无冰振动和风机覆冰振动下的状态值；所述期望输层出为输电杆塔正常情况下标准值。
[0031]
优选的，所述输入层第k个神经元的中间层与输出层关系如下：
[0032]
ok＝f(ak)k
[0033][0034]
式中f(ak)是激励函数；ak为激励因子；k＝1,2,
…
,m,
[0035]
所述中间层第j个神经元的输入层与中间层关系如下：
[0036]
yj＝f(aj)j
[0037][0038]
式中f(aj)是激励函数；aj为激励因子；j＝1,2,
…
,h,
[0039]
经过bp算法计算后输出层与期望输出层的误差如下：
[0040][0041]
当误差过大时可通过调节两个权值来降低误差，
[0042][0043][0044][0045]
其中中间层到输出层权值调整公式为：
[0046]
δw
jk
＝ρ(d
k-ok)f(ak)yj[0047]
式中ρ为比例系数取值为[0,1]；
[0048]
其中输入层到中间层权值调整公式为：
[0049][0050]
优选的，所述权值调整后得出：
[0051]
δw
jk
＝ρ(d
k-ok)ok(1-ok)yj[0052][0053]
其中，∑代表求和操作，ρ为比例系数，取值范围为[0,1]
[0054]
与现有技术相比，本发明的有益效果是：
[0055]
1.在有源rfid实物id电子标签上集成振动监测传感器，将振动监测数据存储在有源实物id电子标签内，形成一种有效的、高性价比、部署灵活铁塔监测方案。线路巡检时，通过无人机或人工巡视，读取标签内存储的振动监测数据，现场分析监测数据，指导巡视工作，如果监测结果异常，提醒巡检人员着重对异常铁塔进行重点巡检和维护，并远传结果，上传信息，为精细化巡检提供理论依据。
[0056]
2.基于bp算法建立振动特征参数与振动类型之间的联系，能够能够有效识别振动类型。
附图说明
[0057]
图1为本发明系统装置示意图；
[0058]
图2为本发明的方法流程图；
[0059]
图3为本发明的bp算法神经网络图。
具体实施方式
[0060]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0061]
实施例1
[0062]
参考图1所述本实施例提供了一种基于esfk和bp算法的输电杆塔大数据巡检系统，其特征在于，所述该系统包括电源模块、无线传输模块、检测模块，所述无线传输模块包括有源rfid实物id电子标签，所述检测模块包括振动监测传感器和三轴陀螺仪。
[0063]
其中电源装置为整个系统供电，有源rfid实物id电子标签上集成振动监测传感器，将振动监测数据存储在有源实物id电子标签内，线路巡检时，通过无人机或人工巡视，读取标签内存储的振动监测数据，现场分析监测数据。
[0064]
实施例2：
[0065]
参考图2-3所示，本实施例提供了一种基于esfk和bp算法的输电杆塔大数据巡检方法，该方法基于esfk和bp算法对输电杆塔振动进行监测，其步骤如下：
[0066]
s1：建立振动监测传感器坐标模型；
[0067]
振动监测传感器坐标模型由传感器坐标o
xyz
和平台坐标组成，其中当输电杆塔振动时传感器坐标与平台坐标之间会产生旋转角θ。传感器坐标o
xyz
可通过x，y，z轴的连续三重旋转转换为平台坐标
[0068]
s2：建立振动测量模型；
[0069]
测量模型由角速度模型ω和加速度模型α组成，
[0070]
所述角速度模型计算公式如下：
[0071]
ω＝ω
t
ω
bt
[0072]
式中ω
t
为实际的角速度；ω
bt
为三轴陀螺仪振动变化时角速度的偏置项；所述加速度模型计算公式如下：
[0073]
α＝α
t
α
bt
[0074]
式中α
t
为实际的加速度；αn为三轴陀螺仪振动变化时加速度的偏置项。
[0075]
s3：测量输电杆塔正常情况下标准值；
[0076]
将输电杆塔正常情况下标准值设为q；
[0077]
s4：测量输电杆塔处于外破振动、风激无冰振动和风机覆冰振动下的状态值；
[0078]
外破振动、风激无冰振动和风机覆冰振动下的状态值设为q
ti
，其中i＝1,2,3；上述两者之间的误差为误差状态值δq，三者关系如下：
[0079]qti
＝q δq
[0080]
式中误差状态值可表示为δq＝[1，δθ/2]2，δ为误差系数。
[0081]
s5：基于esfk算法对上述步骤中数值进行校正；
[0082]
s6：基于bp算法对测量数据和输出数据进行修正；
[0083]
s7：基于修正结果根据减少外破振动、风激无冰振动和风机覆冰振动状态值相对于标准值的误差，识别振动类型；
[0084]
基于bp算法对测量数据和输出数据进行修正，其中bp算法包括输入层、中间层和输出层，其中设输入层有n个神经元则x＝(x1,x2,
…
xn)
t
；设中间层有h个神经元则y＝(y1,y2,
…
yh)
t
；设输出层有m个神经元则o＝(o1,o2,
…
om)
t
；设期望输出层为d＝(d1,d2,
…dm
)
t
；所述输入层到中间层的权值v＝(v1,v2,
…
vh)
t
；所述中间层到输出层的权值为w＝(w1,w2,
…
wm)
t
。
[0085]
其中输出层的神经元对应测量的外破振动、风激无冰振动和风机覆冰振动下的状态值；所述期望输层出为输电杆塔正常情况下标准值。
[0086]
其中输入层第k个神经元的中间层与输出层关系如下：
[0087]
ok＝f(ak)k
[0088][0089]
式中f(ak)是激励函数；ak为激励因子；k＝1,2,
…
,m,
[0090]
其中中间层第j个神经元的输入层与中间层关系如下：
[0091]
yj＝f(aj)j
[0092][0093]
式中f(aj)是激励函数；aj为激励因子；j＝1,2,
…
,h,
[0094]
经过bp算法计算后输出层与期望输出层的误差如下：
[0095][0096]
当误差过大时可通过调节两个权值来降低误差，
[0097][0098][0099][0100]
其中中间层到输出层权值调整公式为：
[0101]
δw
jk
＝ρ(d
k-ok)f(ak)yj[0102]
式中ρ为比例系数取值为[0,1]；
[0103]
其中输入层到中间层权值调整公式为：
[0104][0105]
其中权值调整后得出：
[0106]
δw
jk
＝ρ(d
k-ok)ok(1-ok)yj[0107][0108]
其中，∑代表求和操作，ρ为比例系数，取值范围为[0,1]
[0109]
数据巡检系统经过测试样本数据对神经网络模型进行测试分析，模型的输出数据如表1所示，经过bp神经网络模型三类不同振动的识别正确率如表2所示。
[0110]
表1 bp数据巡检系统实际输出与理想输出对比
[0111]
[0112][0113]
表2 bp神经网络模型识别正确率
[0114][0115]
由上述验证数据可知，bp神经网络模型能够能够有效识别振动类型，且识别率正确率均在90％以上
[0116]
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。