CN104266741B - 用于输电线路微风振动传感器的标定平台及标定方法 - Google Patents

Abstract

本发明公开了一种用于输电线路微风振动传感器的标定平台，包括了相连接的信号发生器，功率放大器，激振器，与还包括与输电线路微风振动传感器中的悬臂梁位移计相连接的激光测距仪；激振器也与悬臂梁位移计连接，解决了现有标定方法精度低不适于实时监测的问题。本发明还公开了利用该标定平台对输电线路微风振动传感器进行标定的标定方法，具体步骤为：步骤1：标定准备，步骤2：步骤2：BP神经网络构建：步骤3：BP神经网络训练，步骤4，BP神经网络矫正，输入新的采集数据，经过BP神经网络后得到新的输出值，完成标定。

Description

用于输电线路微风振动传感器的标定平台及标定方法

技术领域

本发明属于输变电设备状态监测技术领域，涉及一种用于输电线路微风振动传感器的标定平台；本发明还涉及利用该标定平台进行标定时的标定方法。

背景技术

近年来，我国特高压输电工程的迅速开展，随着电压等级的升高和大跨越线路不断增加，输电线路微风振动造成的断股断线事故发生的频率显增加，严重影响了电网的安全运行，造成了巨大的经济损失。微风振动在线监测技术的出现，为微风振动事故的预防与控制提供了重要的参考价值，因而在近几年得到了快速的发展。目前，国内外已经设计出了多种导地线微风振动监测装置，大部分是采用悬臂梁式位移测量结构作为微风振动传感器的采集元件，获取导线或地线的弯曲幅度，经过微风振动传感器内的处理单元计算后，得到导线或地线振动幅度和频率。

微风振动传感器安装在导线或地线上，集成了悬臂梁式位移测量结构、微处理器及通信单元，有着实时性、稳定性、便捷性等优点，但是也存在自身固有的缺点。微风振动传感器中的悬臂梁式位移测量结构在测量过程中，随着振动频率的不同，其振动幅值的大小与输出模拟量呈不同的对应关系，且使用环境和温度也会其输出模拟量造成影响，因此，微风振动传感器在使用之前需要进行参数标定。

传统的标定方法是采用线性的标定方法，这种方法便于实现，能够得到振动幅值与输出模拟量的转换关系，但这种标定方法精度低，不适于实时监测。

发明内容

本发明的目的是提供一种用于输电线路微风振动传感器的标定平台，解决了现有标定平台精度低不适于实时监测的问题。

本发明的另一个目的是提供一种利用上述标定平台进行对输电线路微风振动传感器进行标定的标定方法，解决了现有标定方法精度低不适于实时监测的问题。

本发明所采用的一个技术方案是，一种用于输电线路微风振动传感器的标定平台，包括了相连接的信号发生器，功率放大器，激振器，与还包括与输电线路微风振动传感器中的悬臂梁位移计相连接的激光测距仪；激振器也与悬臂梁位移计连接。

本发明所采用的另一个技术方案是，一种利用上述标定平台进行传感器标定的方法，具体按照以下步骤实施：

步骤1：标定准备，

步骤1.1，将输电线路微风振动传感器安装在标定平台中，在安装时，将悬臂梁式位移计的一端固定，另一端与激振器严格接触，

步骤1.2，采集样本数据，标定开始，通过功率放大器和信号源控制激振器的振动幅度和振动频率，随激振器振动发生弯曲形变，经过CPU处理得到的激振器频率f和激振器幅值a两个量，构成样本数据；

步骤2：步骤2：BP神经网络构建：

根据BP神经网络的构建原理，建立3层BP神经网络，包括一个输入层一个隐含层以及一个输出层，输入层为激振器频率f和激振器幅值a，输出层为传感器输出的幅值A；

步骤3：BP神经网络训练，

步骤3.1，BP神经网络的初始化：将步骤1中得到的样本数据作为神经网络的训练数据，并对训练数据进行归一化处理；

步骤3.2，BP神经网络训练，开始进行BP神经网络训练，当网络预测输出O和期望输出A之间的误差e_k达到设定值时训练结束；

其中，步骤3.1中的进行数据归一化处理的方法如下：

其中，步骤3.2中所述误差是指网络预测输出O和期望输出A之间误差，

即：e_k＝A_k-O_k， k＝1,2,…,m；

其中，步骤3.2中所述误差是指网络预测输出O和期望输出A之间误差，

即：e_k＝A_k-O_kk＝1,2,…,m；

在上述公式中，

f为激振器频率，f_max表示激振器频率的最大值，f_min表示激振器频率的最小值，f_k表示激振器第k个频率值；

a表示激振器幅值，a_k表示激振器第k个幅值；a_min表示激振器幅值的最小值；a_max表示激振器幅值的最大值；

A表示传感器输出的幅值，A_k表示传感器输出的第k个幅值；A_min表示传感器输出的幅值的最小值；A_max表示传感器输出的幅值的最大值；

O表示神经网络预测输出值，O_k表示神经网络预测输出的第k个值；e-网络预测输出O和期望输出A之间的误差，

e_k表示网络预测输出O_k和期望输出A_k之间的误差；

步骤4，BP神经网络矫正，输入新的采集数据，经过BP神经网络后得到新的输出值，验证标定的准确性，当新的输出值综合误差小于10％时，标定成功，否则转步骤1。

本发明的有益效果是，

1.采用双孔式悬臂梁位移计测量距线夹出口处89mm处的弯曲幅度，更准确反应导线弯曲幅度；

2.采用互感取电+锂电池的供电方式，可以避免更换电池的麻烦，且加入过压过流保护电路，使线路在非正常运行状态下不会随坏设备；

3.采用BP神经网络实现传感器的标定，能补偿传感器的误差，实现传感器的精确测量。

附图说明

图1是本发明标定平台的结构示意图；

图2是本发明中的输电线路微风振动传感器的模块结构示意图；

图3是本发明中的输电线路微风振动传感器的结构示意图；

图4是本发明中的输电线路微风振动传感器的监测单元轴测图；

图5是本发明的用于输电线路微风振动传感器的标定方法的流程图；

图6是本发明的用于输电线路微风振动传感器的标定方法中建立的三层BP神经网络结构；

图7是本发明的用于输电线路微风振动传感器的标定方法中的标定结果仿真图。

图中，1.电源模块，1-1.互感器，1-2.电源控制器，1-3.锂电池，2.主控模块，2-1.CPU，2-2.AD采样模块，3.位移测量模块，3-1.悬臂梁式位移计，3-2.调理电路，3-3.四芯屏蔽线，3-4.滚轮，4.Zigbee通信模块，5.监测单元，6.悬垂线夹，7.输电线，8.安装线夹，9.信号发生器，10.功率放大器，11.激振器，12.激光测距仪。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明的用于输电线路微风振动传感器的标定平台，如图1所示，包括了相连接的信号发生器9，功率放大器10，激振器11，与还包括与权利要求1所述的输电线微风振动传感器中的悬臂梁位移计3-1相连接的激光测距仪12；所述的激振器11也与悬臂梁位移计3-1连接。

其中涉及的输电线路微风振动传感器，如图1所示，包括依次连接的电源模块1、主控模块2和位移测量模块3；主控模块2还与Zigbee通信模块4连接。电源模块1中包括相互连接的互感器1-1、电源控制器1-2和锂电池1-3；电源控制器1-2和锂电池1-3均与主控模块2连接，为主控模块2供电；主控模块包括相互连接的CPU2-1和AD采样模块2-2；位移测量模块3包括调理电路3-2和与之相连的悬臂梁位移计3-1；调理电路3-2与主控模块2中的AD采样模块2-2连接。电源模块1、主控模块2、Zigbee通信模块4和位移测量模块3中的调理电路3-2设置在监测单元5中；如图2所示，监测单元5和悬臂梁式位移计3-1均固定在输电线7上，悬臂梁式位移计3-1为双控式悬臂梁位移计，其滚轮3-4压在悬垂线夹6的出口处；监测单元5与悬臂梁位移计3-1通过四芯屏蔽线3-3连接，如图3所示，监测单元5通过安装线夹8固定在输电线7上。监测单元5，安装于距离悬垂线夹6出口180mm处，悬臂梁式位移计3-1安装于距离悬垂线夹6出口89mm处，且滚轮与悬垂线夹6出口处良好接触，使得传感器随导线振动发生相应的形变，通过四芯屏蔽线3-3与球形的监测单元5连接。

其中，电源模块1中的互感器1-1的一次侧为高压输电线路，二次侧出的交流电作为电源控制器的输入，电源控制器1-2将互感器1-1输出的交流电经过单相全桥整流电路、电容滤波电路、开关稳压电路输出稳定的电压，一方面给锂电池充电，另一方面给其他模块供电。

电源控制器1-2中还包括了过电压保护和过电流保护部分，当导线短路或其他情况导致导线电流过大，互感线圈的输出电压超过正常电压的范围时，过电压保护启动，起到保护稳压电路的作用。当电压继续增大，流过过电压电路电流增大，过电流保护启动，起到保护过电压保护元件的作用。另外，线路停电或采用直流融冰时，导线电流为零或直流，互感线圈的磁通量变化率为零，互感器将停止输出，此时锂电池作为传感器的供电电源，保证传感器正常工作。

主控模块2包括依次连接的AD采样模块2-2和CPU2-1，且电源模块1中的电源控制器1-2和锂电池1-3均与主控模块2连接，为主控模块2供电。AD采样模块完成位移测量模块输出信号的采集，CPU进行数据整合和数据处理，然后经过通信模块输出。

双控式悬臂梁位移计的滚轮压在悬垂线夹出口处，另一端固定在导线上，当导线发生振动时，双控式悬臂梁位移计随之振动，位移计发生一定的形变，此时位移计输出的电压就会发生变化，变化的电压输出到调理电路中，调理电路一方面去除掉信号的零点漂移，另一方面通过差动放大器将信号放大，供主控模块中的AD采样模块采集。通信模块4为传感器的输出接口，通过ZigBee的无线传输方式将传感器测量结果输出。

本发明用于输电线路微风振动传感器的标定平台的工作过程是，由信号发生器9发出一定频率和幅值的正弦信号，输出到功率放大器10，功率放大器10将信号幅值进行调节，输出到激振器11，激振器根据信号的频率和幅值发生相应的振动，并推动悬臂梁式位移计3-1振动，激光测距仪13与悬臂梁式位移计无硬件连接，通过激光测距仪的激光束测量悬臂梁式位移计3-1的振动幅值，作为衡量悬臂梁式位移计3-1振动幅值的标准，同时，悬臂梁式位移计3-1将自身测量的信号通过四芯屏蔽线3-3传输给监测单元5，监测单元5实现信号处理、采集并实现传感器的标定算法。

本发明用于输电线路微风振动传感器的标定方法，利用了前述的标定平台，如图5所示，具体按照以下步骤实施：

步骤1：标定准备，

步骤1.1，将微风振动传感器安装标定平台中，在安装时，将悬臂梁式位移计一端固定，另一端与激振器严格接触，

步骤1.2，采集样本数据，标定开始，通过功率放大器和信号源控制激振器的振动幅度和振动频率，随激振器振动发生弯曲形变，经过CPU处理得到的激振器频率f和激振器幅值a两个量，构成样本数据。

步骤2：BP神经网络构建：

根据BP神经网络的构建原理，建立3层BP神经网络，包括一个输入层一个隐含层以及一个输出层，输入层为激振器频率f和激振器幅值a，输出层为传感器输出的幅值A。

步骤3：BP神经网络训练，

步骤3.1，BP神经网络的初始化：将步骤1中得到的样本数据作为神经网络的训练数据，并对训练数据进行归一化处理。

步骤3.2，BP神经网络训练，开始进行BP神经网络训练，当网络预测输出O和期望输出A之间的误差达到设定值时训练结束。

其中，步骤3.1中的进行数据归一化处理的方法如下：

其中，步骤3.2中所述误差是指网络预测输出O和期望输出A之间误差，

即：e_k＝A_k-O_k k＝1,2,…,m

在上述公式中，f为激振器频率，f_max表示激振器频率的最大值，f_min表示激振器频率的最小值，f_k表示激振器第k个频率值；

a表示激振器幅值，a_k表示激振器第k个幅值；a_min表示激振器幅值的最小值；a_max表示激振器幅值的最大值；

A表示传感器输出的幅值，A_k表示传感器输出的第k个幅值；A_min表示传感器输出的幅值的最小值；A_max表示传感器输出的幅值的最大值；

O表示神经网络预测输出值，O_k表示神经网络预测输出的第k个值；

e表示网络预测输出O和期望输出A之间的误差，e_k表示网络预测输出O_k和期望输出A_k之间的误差；

步骤4，BP神经网络矫正，输入新的采集数据，经过BP神经网络后得到新的输出值，验证标定的准确性。当新的输出值综合误差小于10％时，标定成功，否则转步骤1。此处的综合误差小于10％，其依据是《输电线路微风振动在线监测装置技术规范》(Q/GDW245-2010)，国家电网企业标准里的规定。

图6是本发明的标定方法中建立的三层BP神经网络结构，其中f为激振器频率、a为激振器幅值、A为传感器输出的幅值。

图7按照本发明的基于BP神经网络的输电线路微风振动传感器标定方法进行标定时的标定结果仿真图。图中的横坐标为振动频率，单位为Hz，纵坐标为振动幅值，单位为μm，图中的点是用来标定的数据样本，曲线为采用BP神经网络标定的频率幅值对应曲线。标定完成后，当输入新的频率值，可以根据标定的线性关系，得到其幅值大小。

实施例

利用本发明的方法，对输电线路微风振动传感器进行标定时，首先做好标定的准备，通过功率放大器和信号源控制激振器的振动幅度和振动频率，悬臂梁式位移计一端固定，另一端与激振器严格接触，随激振器振动发生弯曲形变，经过CPU处理得到频率和幅值两个量。然后建立3层BP神经网络，将激振器的频率和幅值作为网络的输入，将传感器输出的幅值作为神经网络的输出，利用表1的数据作为样本数据进行神经网络的训练数据，并对训练数据进行归一化处理，然后开始进行BP神经网络训练，当新的输出值综合误差小于10％时，标定成功。

表1微风振动传感器测量数据

以表1中的数据为例，保持激振器振动幅值在376μm～378μm，调节激振器频率从10Hz至90Hz，标定前，传感器测量数据与激光测距仪测量数据差值随振动频率增加而增加，且频率与幅值的对应关系为非线性关系。经过BP神经网络标定后，减小相应的误差。如在43Hz的振动频率时，标定前传感器测量幅值为402μm，与实际值376μm～378μm差较大，BP神经网络标定后，测量结果则为377μm。

Claims (1)

1.对输电线路微风振动传感器进行标定的方法，其特征在于，利用了一种对输电线微风传感器进行标定的标定平台，

所述的标定平台包括了信号发生器（9），功率放大器(10)，激振器(11)和激光测距仪(12)，所述的信号发生器与功率放大器和激振器依次连接，所述的激振器(11)和激光测距仪(12)都与输电线微风传感器上的悬臂梁位移计(3-1)连接；

具体按照以下步骤实施：

步骤1：标定准备，

步骤1.1，将输电线路微风振动传感器安装在标定平台中，在安装时，将悬臂梁式位移计(3-1)的一端固定，另一端与激振器(11)接触，

步骤1.2，采集样本数据，标定开始，通过功率放大器(10)和信号源控制激振器(11)的振动幅度和振动频率，悬臂梁式位移计与激振器相接触的一端随激振器(11)振动发生弯曲形变，然后形变量经过输电线路微风振动传感器中的CPU(2-1)进行处理得到的激振器频率f和激振器幅值a两个量，构成样本数据；

步骤2：BP神经网络构建：

根据BP神经网络的构建原理，建立3层BP神经网络，包括一个输入层一个隐含层以及一个输出层，输入层为激振器频率f和激振器幅值a，输出层为传感器输出的幅值A；

步骤3：BP神经网络训练，

步骤3.1，BP神经网络的初始化：将步骤1中得到的样本数据作为神经网络的训练数据，并对训练数据进行归一化处理；

步骤3.2，BP神经网络训练，开始进行BP神经网络训练，当网络预 测输出O和期望输出A之间的误差e_k达到设定值时训练结束；

其中，步骤3.1中的进行数据归一化处理的方法如下：

其中，步骤3.2中所述误差是指网络预测输出O和期望输出A之间误差，

即：e_k＝A_k-O_k ，k＝1,2,…,m

在上述公式中，

f为激振器频率，f_max表示激振器频率的最大值，f_min表示激振器频率的最小值，f_k表示激振器第k个频率值；

a表示激振器幅值，a_k表示激振器第k个幅值；a_min表示激振器幅值的最小值；a_max表示激振器幅值的最大值；

A表示传感器输出的幅值，A_k表示传感器输出的第k个幅值；A_min表示传感器输出的幅值的最小值；A_max表示传感器输出的幅值的最大值；

O表示神经网络预测输出值，O_k表示神经网络预测输出的第k个值；e-网络预测输出O和期望输出A之间的误差，

e_k表示网络预测输出O_k和期望输出A_k之间的误差；

步骤4，BP神经网络矫正，输入新的采集数据，经过BP神经网络后得到新的输出值，验证标定的准确性，当新的输出值综合误差小于10％时，标定成功，否则转步骤1。