CN104931040A - 基于机器学习的北斗ⅱ代导航系统电力铁塔变形监测设备安装和调试方法 - Google Patents

Abstract

本发明属于电力设备维护与监测技术领域，涉及一种基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法。该方法首先对铁塔采集数据进行一元线性回归分析与最小二乘法校核，其次采用小波变换方法对调试数据信噪分离，然后采用时间序列分析方法对调试数据建立自回归滑动平均（Auto-Regressive and Moving Average简称ARMA）模型，最后采用评估假设进行预测精度的经验评估，分析测定传感器的最优数量、最佳位置和角度。

Description

基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法

技术领域

本发明属于电力设备维护与监测技术领域，涉及一种基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法。本发明利用机器学习可持续提高设备安装调试的工作效率和质量，降低设备安装调试的难度。

背景技术

传统电力塔变形监测一般采用地面常规测量技术、地面摄影测量技术、GPS空间定位技术应用，使用全站仪、照相机/摄像机、GPS导航定位设备，采用人工方式进行设备安装和调试。采用人工方式进行变形监测设备安装和调试，量程受限于设备的使用特性，安装精度取决于安装人员个人经验和技能，存在较大的误差和使用环境限制，无法适应电力铁塔变形监测的极端环境要求。安装调试人的技能经验积累无法大规模复用和智能化持续改进，仅局限于小部分人群，无法满足大批量应用的安装工作效率和精度要求。

发明内容

本发明的目的在于克服现有技术的上述不足，本发明要利用北斗II代导航系统，并结合设备自身机器学习算法，解决传统电力塔变形监测设备在采用人工进行安装与调试过程中安装精度不高、效率低和适应性差等问题。

本发明解决其技术问题所采用的技术方案是：首先对铁塔采集数据进行一元线性回归分析与最小二乘法校核，其次采用小波变换方法对调试数据信噪分离，然后采用时间序列分析方法对调试数据建立自回归滑动平均(Auto-Regressive and Moving Average简称ARMA)模型，最后采用评估假设进行预测精度的经验评估，分析测定传感器的最优数量、最佳位置和角度。

所述的一种基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，所述的对铁塔采集数据进行一元线性回归分析与最小二乘法校核包括以下几个具体步骤：

第一步：根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态系统算法(Real-time kinematic简称RTK)解算的数据，加速度与风速的相关系数；

第二步：建立加速度与倾角，加速度和RTK解算数据，加速度与风速的方程；

第三步：使用最小二乘法计算上述三个方程的回归参数；

第四步：使用方程计算数据，对比采集数据，找出问题数据。

所述的一种基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，所述的采用小波变换方法对调试数据信噪分离具体方式如下：

第一步：利用小波算法对采集到的数据进行分解；

第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；

第三步：利用小波算法对采集数据重构。小波分解的第n层低频系数和经过阈值量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列估计值，即观测精度估计值。

所述的一种基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，所述的采用时间序列分析方法对调试数据建立自回归滑动平均(Auto-Regressive and Moving Average简称ARMA)模型具体方式如下：

第一步：ARMA混合回归模型因子阶数的确定；

第二步：自变量因子的选择；

第三步：原始观测资料的预处理；

第四步：计算结果分析。

所述的一种基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，所述的采用评估假设进行预测精度的经验评估，分析测定传感器的最优点位，具体步骤如下：

第一步：观测数据与ARMA模型预测数据，计算双观测值的单位权方差估值θ²。根据两周期的观测成果计算联合单位权方差估值μ²，应用Γ检验法求在原假设HO下的Γ值，选择置信水平α，查取在α置信水平下的分位值,如果Γ值小于分位值则接受原假设，否则拒绝原假设；利用评估假设来判断不稳定的点；

第二步：剔除其中不稳定点重新进行上述检验，直到确定最优点为止。

本发明具有如下的有益效果：

本发明提供一种基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，利用北导航系统高精度、大范围定位监测的优点，结合使用倾角传感器、加速度传感器，以及气象传感器等设备，通过建立铁塔变形分析和预测模型，反向测算监测设备的最优数量、最佳安装位置和角度。采用机器学习方法建立时间序列模型，能反向测算监测设备的最优数量以及在铁塔安装最佳位置和角度，提高监测设备安装精度和自动化程度。机器学习还能实现历史经验数据的自动改进和积累，持续提高设备安装调试的工作效率和质量，降低设备安装调试的难度。

附图说明

图1为基于机器学习的北斗II电力铁塔变形监测设备安装和调试方法实施流程图。

具体实施方式

下面结合实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

基于机器学习的北斗II电力铁塔变形监测设备安装和调试方法的实施流程如图1所示。具体实施过程如下：

一、一元线性回归和最小二乘法数据校验

根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态系统算法(Real-time kinematic简称RTK)解算的数据，利用式(1)计算加速度与倾角，加速度和RTK解算数据，加速度与风速的相关系数

参照表1，当计算的大于表中相应值，可以认为相关性满足配置回归直线的条件，即可使用最小二乘法建立算加速度与倾角，加速度和RTK解算数据，加速度与风速的相关系数三个方程的回归参数方程。

表1相关系数检验法临界值

建立三个一元线性方程，计算预测数据，对比采集数据找出问题数据。

二、小波理论进行数据分层滤波

电力铁塔变形监测在实际观测应用中，测得的数据往往会受到多种随机或不确定性因素影响而产生误差干扰，这些误差干扰一般较小，且具有随机性，对信号的综合影响表现为在信号中叠加随机误差，即观测序列中含有高斯白噪声，以及随机误差和系统性干扰，同时还会含有突变干扰或粗差，需要采用基于小波包变换的变形时间序列数据消噪。

第一步：利用小波算法对采集到的数据进行分解；

分解层次越大，被滤掉的噪声越多，同时信号的失真也越大，所以必须选择一个最佳的分解层次j，在保证信号不失真的前提下，最大程度的滤掉噪声。

实测的变形观测数据的信噪比事先未知，可采用估计方法确定最佳分解层次，逐渐增加分解层次，然后根据均方误差(RMSE)的变化是否趋于稳定来确定最佳分解层次j。

$\mathrm{RMSE}\left(j\right)=\sqrt{\frac{1}{n}\underset{n}{\mathrm{\Σ}}{[f\left(n\right)-{\hat{f}}_j\left(n\right)]}^2}---\left(2\right)$

并依次计算出：

$r_{j+1}=\frac{\mathrm{RMSE}(j+1)}{\mathrm{RMSE}\left(j\right)}---\left(3\right)$

一般，总有r>l，当r接近l时，一般可认为r≤1.1，则认为噪声已基本去除。最佳分解层次j为使r接近1时的j或j+l。通过试验，j一般取3—5即可。

第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；

阈值估计是铁塔变形监测信号的小波包阈值消噪的关键之一，如果阈值太小，消噪后的信号仍然存在噪声；而阈值太大，重要的信号特征又将被滤掉，引起偏差。

表2参照各种阈值估计准则消噪的SNR和RMSE对比表

选择Birge-massart阈值准则计算：

$\mathrm{crit}\left(t\right)=-\mathrm{sum}(c{\left(k\right)}^2,k\≤t)+2\×{\mathrm{\σ}}^2\×t\×(\mathrm{alpha}+\log \left(\frac{n}{2}\right))---\left(4\right)$

式中，c(k)是小波包系数，它是按绝对值递减的顺序排列的；n是系数个数；alpha是调整参数，必须是大于1的实数，其值越大，降噪信号的小波包表示越稀疏，alpha的典型值是2。

第三步：利用小波算法对采集数据重构。小波分解的第n层低频系数和经过阈值量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列估计值，即观测精度估计值。

三、ARMA模型初步预测铁塔变形数据

ARMA混合回归需根据实际铁塔变形观测资料进行回归,在偏差平方和最小条件下求出各个因变量、自变量及各自变量历史值因子的回归系数。

第一步：ARMA混合回归模型因子阶数的确定

铁塔变形监测ARMA模型挑选因子时，自变量阶数不可能无限多，在实践中须做适当选取，一般采用AIC或BIC准则以使准则函数达到极小的模型作为最佳模型。

$\mathrm{AIC}\left(n\right)=\lg {\left({\mathrm{\σ}}_{\mathrm{\ϵ}}^{\left(n\right)}\right)}^2+\frac{2n}{N}---\left(5\right)$

$\mathrm{BIC}\left(n\right)=\lg {\left({\mathrm{\σ}}_{\mathrm{\ϵ}}^{\left(n\right)}\right)}^2+\frac{n\left(\mathrm{lgN}\right)}{N}---\left(6\right)$

式中，为n阶模型的拟合残差方差；n为阶数(参数个数)；N为观测个数减最大滞后步数。

第二步：自变量因子的选择

自变量因子的选择应根据电力铁塔构造、影响铁塔变形的因素和观测资料确定,不同塔型和结构影响铁塔变形的因素不同。同时还需考虑影响因素的线性、非线性、滞后等多种效应。

(1)风偏位移分量因子。风力变化对电力铁塔变形具有线性、非线性效应,故选择每月风力的平均值及其二、三次方(P、P2、P3)三个因子作为风偏位移分量因子。

(2)温度位移分量因子。温度变化对铁塔变形具有线性和非线性效应,故取每月气温的平均值及其二、三次方(T、T2、T3)作为温度位移分量因子。

(3)因变量因子。位移观测结果作为因变量因子,每月取一个观测值。

(4)滞后步数的确定。由实测资料过程线可知，该铁塔变形的周期性不明显。根据经验,铁塔影响因素的滞后效应一般小于6个月，故取滞后步数6即可满足实际需要。

第三步：原始观测资料的预处理

ARMA混合回归分析以时间为顺序对电力铁塔变形观测资料进行分析处理,要求观测资料连续、序列平稳,且选择的观测时间间隔应相等,才能确保变形分析可靠、变形预报准确。但在实际中很难达到上述要求。所以,分析铁塔变形时应先对原始变形观测资料进行缺测、平稳及标准化处理。

第四步：计算结果分析

采用前10a的观测资料建立变形模型、计算回归系数，后2a的观测资料作为预报验证资料并与预报值比较。以下为铁塔顶部的左、中、右三点水平位移的计算结果。

左：σ_ε＝±3.198mm

中：σ_ε＝±3.143mm

右：σ_ε＝±3.331mm

四、评估假设法预测精度

第一步：观测数据与ARMA模型预测数据，计算观测值与预测值的单位权方差估值θ²。计算联合单位权方差估值μ²。应用F检验法求在原假设HO下的F值，选择置信水平α，查取在α置信水平下的分位值，如果F值小于分位值则接受原假设，否则拒绝原假设，利用评估假设来判断不稳定的点。

对基准点及工作基点组成的高程网或边角网,根据任何两期的观测成果,计算单位权方差估值为：

${\mathrm{\μ}}^2=\frac{{\left(V^T\mathrm{PV}\right)}_i}{f_i}---\left(7\right)$

${\mathrm{\μ}}_j^2=\frac{{\left(V^T\mathrm{PV}\right)}_j}{f_j}---\left(8\right)$

式中，i，j分别表示不同的观测数据与预测数据，其中i，j分别为观测数据与预测数据的单位权方差估值的自由度。

根据观测数据与预测数据方差估值计算联合方差估值为：

${\mathrm{\μ}}^2=\frac{{\left(V^T\mathrm{PV}\right)}_i+{\left(V^T\mathrm{PV}\right)}_j}{f}---\left(9\right)$

式中，f＝f_i+f_j。

计算观测数据与预测数据坐标差，权系数阵。

如果原假设观测数据与预测数据点位没有变动是正确的,则由高程差或坐标差所算得的估值θ²和联合方差估值μ²应来自同一母体。

应用F检验法,检验这两个方差的同一性，求统计量为：

$F=\frac{{\mathrm{\θ}}^2}{{\mathrm{\μ}}^2}---\left(10\right)$

它是一个以自由度为f_d，f的F分布变量，可用

P(F≥F_1-σ，f_d，f/H₀)＝α   (11)

检验点位没有变动的假设。置信水平α通常采用0.05，α与自由度f_d，，可以在F分布表上查得分位值。当统计量F值小于其分位值，即认为观测点是稳定的。当统计量值大于其分位值时，则必须拒绝原假设，亦即认为观测点不稳定。

第二步：剔除其中不稳定点重新进行上述检验，直到确定最优点为止。

Claims (5)

1.基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，其特征在于，该方法首先对铁塔采集数据进行一元线性回归分析与最小二乘法校核，其次采用小波变换方法对调试数据信噪分离，然后采用时间序列分析方法对调试数据建立自回归滑动平均（Auto-Regressive and Moving Average简称ARMA）模型，最后采用评估假设进行预测精度的经验评估，分析测定传感器的最优数量、最佳位置和角度。

2.基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，其特征在于，所述的对铁塔采集数据进行一元线性回归分析与最小二乘法校核包括以下几个具体步骤：

第一步：根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态系统算法（Real-time kinematic 简称RTK）解算的数据，加速度与风速的相关系数；

第二步：建立加速度与倾角，加速度和RTK解算数据，加速度与风速的方程；

第三步：使用最小二乘法计算上述三个方程的回归参数；

第四步：使用方程计算数据，对比采集数据，找出问题数据。

3.基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，其特征在于，所述的采用小波变换方法对调试数据信噪分离具体方式如下：

第一步：利用小波算法对采集到的数据进行分解；

第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；

第三步：利用小波算法对采集数据重构，小波分解的第n层低频系数和经过阈值量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列估计值，即观测精度估计值。

4.基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，其特征在于，所述的采用时间序列分析方法对调试数据建立自回归滑动平均（Auto-Regressive and Moving Average简称ARMA）模型具体方式如下：

第一步：ARMA混合回归模型因子阶数的确定；

第二步：自变量因子的选择；

第三步：原始观测资料的预处理；

第四步：计算结果分析。

5.基于机器学习的北斗Ⅱ代导航系统电力铁塔变形监测设备安装和调试方法，其特征在于，所述的采用评估假设进行预测精度的经验评估，分析测定传感器的最优点位，具体步骤如下：

第一步：观测数据与ARMA模型预测数据，计算双观测值的单位权方差估值，根据两周期的观测成果计算联合单位权方差估值，应用检验法求在原假设HO下的值，选择置信水平，查取在置信水平下的分位值,如果值小于分位值则接受原假设，否则拒绝原假设；利用评估假设来判断不稳定的点；

第二步：剔除其中不稳定点重新进行上述检验，直到确定最优点为止。