CN116049615A - 一种带电作业安全防护装备多源异构传感器优化布局方法 - Google Patents

一种带电作业安全防护装备多源异构传感器优化布局方法 Download PDF

Info

Publication number
CN116049615A
CN116049615A CN202310059791.4A CN202310059791A CN116049615A CN 116049615 A CN116049615 A CN 116049615A CN 202310059791 A CN202310059791 A CN 202310059791A CN 116049615 A CN116049615 A CN 116049615A
Authority
CN
China
Prior art keywords
source heterogeneous
particle
sensor
layout
particles
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN202310059791.4A
Other languages
English (en)
Inventor
胡松华
党军朋
李树东
王瑞虎
字星屹
王进
字正仙
吴晓杰
张晓楠
常加道
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Original Assignee
Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd filed Critical Baoshan Power Supply Bureau of Yunnan Power Grid Co Ltd
Priority to CN202310059791.4A priority Critical patent/CN116049615A/zh
Publication of CN116049615A publication Critical patent/CN116049615A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Computational Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本申请公开了一种带电作业安全防护装备多源异构传感器优化布局方法，涉及传感器优化布局方法领域，本申请基于相关理论研究，采用局部全局投影(Locality Global Projections,LGP)方法提取多源异构数据特征，建立有限元传感器优化模型，结合改进的引力搜索算法对传感器布局进行优化，提供一种带电作业安全防护装备多源异构传感器优化布局方法，有效提高电力现场作业巡检效率及安全水平。本发明针对带电作业安全防护装备中的多源异构传感器进行布局优化研究，致力于降低防护装备中的传感器数量，降低设备成本，减少装备的复杂度，减轻作业人员的负担，提供最优的传感器布局。

Description

一种带电作业安全防护装备多源异构传感器优化布局方法
技术领域
本发明涉及传感器优化布局方法领域，尤其涉及一种带电作业安全防护装备多源异构传感器优化布局方法。
背景技术
随着变电等多类作业现场运维工作量的激增，以可穿戴设备为核心，依托传感器技术网络采集人体和作业环境信息的带电作业安全防护装备应运而生，该装备对构建电力现场作业智能巡检系统对提高巡检效率及安全水平具有重要意义。但是采集到的数据为多源异构数据，具有类型多样、数据关联复杂的特点，目前，关于安全防护装备上传感器的优化布局研究少之又少，目前传感器的优化布置方法主要为两种，一种是传统算法，例如运动能量法、有效独立法等，这些算法有可能造成信息丢失；另一种是以神经网络、群体智能为代表的非传统算法，具有较高的优化能力，但具有容易陷入局部最优的缺点。为此本申请基于相关理论研究，采用局部全局投影(Locality Global Projections,LGP)方法提取多源异构数据特征，建立有限元传感器优化模型，结合改进的引力搜索算法对传感器布局进行优化，提供一种带电作业安全防护装备多源异构传感器优化布局方法。
发明内容
本申请针对带电作业人员穿戴的安全防护装备，其上诸多传感器，数据来源类型多样、关联复杂，优化其传感器布局，使在使用尽可能少的传感器个数下完成相同的数据感知及收集。
本发明提供如下技术方案：
一种带电作业安全防护装备多源异构传感器优化布局方法，包括：
步骤一：采用局部全局投影方法提取多源异构特征数据，将多源异构特征数据作为防护装备中的传感器待选点，对传感器待选点进行编号，获得传感器优化模型：
Figure BDA0004061057860000011
其中传感器数目为N，r为无线传感器的感知半径；
步骤二：设初始种群数量为N，随机产生种群数量为N的粒子位置，且每个粒子的位置都对应为传感器的位置；
步骤三：把种群中的N个粒子依次代入到适应度函数中，获得最好的适应度值标记为fitbest(t)，最差的适应度值标记为fitworst(t)；
步骤四：利用fitbest(t)和fitworst(t)计算每个粒子的惯性质量；同时对衰减因子进行自适应改变，更新引力常量G(t)；
步骤五：基于引力算法计算单个粒子在其他粒子作用下的合力，并计算单个粒子受到的加速度；同理，遍历其他粒子；
步骤六：更新粒子的速度及位置；
步骤七：若更新后的粒子适应度小于更新前的适应度值，则用当前粒子位置替换，反之，最优解保持不变；
步骤八：判断引力算法是否到达最大迭代次数，若是，则停止迭代，输出最优值；若否则继续进行步骤四。
具体地，所述采用局部全局投影方法提取多源异构特征数据的方法为：
将同一数据类型且有相似特征的数据划分到一个区域，在每个区域中提取数据特征，且融合数据特征。
在一些实施例中，所述利用fitbest(t)和fitworst(t)计算每个粒子的惯性质量，具体为：
基于公式
Figure BDA0004061057860000021
和
Figure BDA0004061057860000022
计算每个粒子的惯性质量，其中Mi(t)为粒子i的惯性质量。
进一步地，所述对衰减因子进行自适应改变，具体方法为：
基于公式
Figure BDA0004061057860000023
计算对衰减因子进行自适应改变；其中，t为当前迭代次数，β表示引力常量的初始参数。
进一步地，所述引力常量的初始参数β的取值范围为[30,40]。
进一步地，所述基于引力算法计算单个粒子在其他粒子作用下的合力的具体方法为：
基于公式
Figure BDA0004061057860000024
计算t时刻粒子i和j在d维空间的万有引力，其中，Mi(t)和Mj(t)分别为粒子i和j的惯性重量；G(t)为t时刻的万有引力系数；D为粒子i和j之间的距离；ε为足够小的非零常数。
进一步地，所述计算单个粒子受到的加速度的具体方法为：
基于公式
Figure BDA0004061057860000025
计算粒子i受到的加速度。
本发明取得的有益效果：
本发明采用局部全局投影(Locality Global Projections,LGP)方法提取特征，再将数据特征层进行融合建立传感器优化模型，以传感器优化模型为目标，基于改进的引力搜索算法优化传感器布局，有效提高电力现场作业巡检效率及安全水平。本发明针对带电作业安全防护装备中的多源异构传感器进行布局优化研究，致力于降低防护装备中的传感器数量，降低设备成本，减少装备的复杂度，减轻作业人员的负担，提供最优的传感器布局。
附图说明
图1为自适应引力搜索算法原理图。
图2为基于自适应策略的引力算法流程图。
具体实施方式
以下对本申请的具体实施方式进行详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
实施例1：按如下方法进行带电作业安全防护装备多源异构传感器优化布局：
1、模型的建立
提取安全防护装备中的原始多源异构数据，采用局部全局投影(Locality GlobalProjectio ns,LGP)方法提取特征将数据特征层进行融合，具体为：
将同一数据类型且有相似特征的数据划分到一个区域，在每个区域中提取数据特征，且融合相关特征，这一操作能够有效去除噪声及其他无用信息。假设子空间中的所有数据集可表示为：
Figure BDA0004061057860000031
其中，n为样本个数，mc为观测变量个数，将n个样本数据标准化处理：
Figure BDA0004061057860000032
为表征数据集局部结构，建立权重矩阵：
Figure BDA0004061057860000033
其中，
Figure BDA0004061057860000034
局部全局投影方法用互信息表示整体数据集之间的关系：
Figure BDA0004061057860000035
其中：xi∈Rn*1(i＝1,2,…,mc)和xj∈Rn*1(i＝1,2,…,mc)均为
Figure BDA0004061057860000036
中的变量。
I(xi,xj)为变量xi和xj的互信值，p(xi,xj)为联合概率密度函数；p(xi)和p(xj)为边缘概率密度函数。用I(XC)表示互信息矩阵。
LGP方法建立目标函数如下：
J＝Jg/Jt(3)
其中：
Figure BDA0004061057860000041
Figure BDA0004061057860000042
约束条件：
Figure BDA0004061057860000043
其中，AC为原始数据集到特征数据集的投影矩阵，AC可通过求解矩阵公式(7)得到。
(I(XC))AC＝λXT(D-W)XAC(7)
低维度特征结果为YC＝XCAC，即最终相对于子区域c，将多源异构数据提取出特征YC，能够有效降低数据维度。
对于作业人员穿戴安全防护设备后，其运动方程如下：
MX+DX+KX＝P(8)
X＝qφs(9)
其中，M为系统的质量矩阵，K为系统的刚度矩阵，D为结构阻尼矩阵，P为外力作用，X为作业人员的位移向量，φs为位移振型，q为模态坐标。位移向量X可以通传感器得到的模态向量线性无关信息得到，但模态坐标q很难得到，一般要对其估计，得到其估计值
Figure BDA0004061057860000044
Na＝(X-qφs)T(X-qφs)(10)
当Na取最小值时，得到模态坐标估计值
Figure BDA0004061057860000045
假设传感器数目为N，r为无线传感器的感知半径，
则传感器优化的目标为：
Figure BDA0004061057860000046
2、基于改进的引力搜索算法优化传感器布局
(1)引力算法
设种群数量为N，则粒子i在W维空间的位置为
Figure BDA0004061057860000047
其中(i＝1,2,…,N)。t时刻粒子i和j在d维空间的万有引力：
Figure BDA0004061057860000048
其中，Mi(t)和Mj(t)分别为粒子i和j的惯性重量；G(t)为t时刻的万有引力系数；D为粒子i和j之间的距离；ε为足够小的非零常数。
Figure BDA0004061057860000051
其中，α为常数，Imax为最大迭代次数。
粒子i受到的加速度为：
Figure BDA0004061057860000052
式中，Mi(t)为粒子i的惯性质量计算公式如下：
Figure BDA0004061057860000053
Figure BDA0004061057860000054
式中，fitbest(t)代表最优适应度值，fitworst(t)代表最差适应度值。
粒子的速度更新公式为：
Figure BDA0004061057860000055
位置更新公式为：
Figure BDA0004061057860000056
(2)自适应搜索策略改进引力算法
在搜索前期选取较小的衰减因子α，粒子以较大的步长进行全局搜索，有利于减少算法的搜索时间，提高整体寻优效率；算法的后期选取较大的衰减因子α，能够使粒子在局部搜索时步长较短，能够突破陷入局部最优解的问题。
自适应衰减因子α表达式为：
Figure BDA0004061057860000057
其中，t为当前迭代次数，β表示引力常量的初始参数，一般取值范围为[30,40]。
自适应引力搜索算法原理如下图，横纵坐标表示最优解的范围。如图1所示。
(3)基于改进引力算法的传感器优化过程
1)编码及初始化
传感器优化布置问题属于离散型问题，因此需要对自适应引力搜索算法的编码方式进行调整，需要对种群的位置信息和传感器位置对应，将种群位置的编码进行整数处理。
2)具体过程如图2所示：
步骤一：结合使用LGP方法提取多源异构特征数据并进行融合，根据几何结构建立有限元传感器优化模型，即公式(11)；提取有限元传感器优化模型的频率和振型。初始化参数后导入节点模态振型矩阵，将数据特征作为防护装备中的传感器待选点，传感器的并对这些点进行编号。
步骤二：设初始种群数量为N，随机产生种群数量为N的粒子位置，且每个粒子的位置都意为传感器的位置。
步骤三：把种群中的N个粒子依次代入到适应度函数，即目标函数中。最好的适应度值标记为fitbest(t)，最差的适应度值标记为fitworst(t)。
步骤四：利用公式(15)和公式(16)，计算每个粒子的惯性质量；按照公式(19)对衰减因子进行自适应改变，更新引力常量G(t)。
步骤五：利用公式(12)，计算粒子i在其他粒子作用下的合力，利用公式(14)计算粒子i受到的加速度。同理，遍历其他粒子。
步骤六：更新粒子的速度及位置。
步骤七：若更新后的粒子适应度小于更新前的适应度值，则用当前粒子位置替换，反之，最优解保持不变。
步骤八：判断算法是否到达最大迭代次数，若是，则停止迭代，输出最优值；若否则继续进行步骤四。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。

Claims (8)

1.一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，包括：
步骤一：采用局部全局投影方法提取多源异构特征数据，建立传感器优化模型；将多源异构特征数据作为防护装备中的传感器待选点，对传感器待选点进行编号；
步骤二：设初始种群数量为N，随机产生种群数量为N的粒子位置，且每个粒子的位置都对应为传感器的位置；
步骤三：把种群中的N个粒子依次代入到适应度函数中，获得最好的适应度值标记为fitbest(t)，最差的适应度值标记为fitworst(t)；
步骤四：利用fitbest(t)和fitworst(t)计算每个粒子的惯性质量；同时对衰减因子进行自适应改变，更新引力常量G(t)；
步骤五：基于引力算法计算单个粒子在其他粒子作用下的合力，并计算单个粒子受到的加速度；同理，遍历其他粒子；
步骤六：更新粒子的速度及位置；
步骤七：若更新后的粒子适应度小于更新前的适应度值，则用当前粒子位置替换，反之，最优解保持不变；
步骤八：判断引力算法是否到达最大迭代次数，若是，则停止迭代，输出最优值；若否则继续进行步骤四。
2.根据权利要求1所述一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，所述采用局部全局投影方法提取多源异构特征数据，具体为：
将同一数据类型且有相似特征的数据划分到一个区域，在每个区域中提取数据特征，且融合数据特征。
3.根据权利要求1所述一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，所述利用fitbest(t)和fitworst(t)计算每个粒子的惯性质量，具体为：
基于公式
Figure FDA0004061057840000011
和
Figure FDA0004061057840000012
计算每个粒子的惯性质量，其中Mi(t)为粒子i的惯性质量。
4.根据权利要求1所述一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，所述对衰减因子进行自适应改变，具体方法为：
基于公式
Figure FDA0004061057840000013
计算对衰减因子进行自适应改变；其中，t为当前迭代次数，β表示引力常量的初始参数。
5.根据权利要求4所述一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，所述引力常量的初始参数β的取值范围为[30,40]。
6.根据权利要求1所述一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，所述基于引力算法计算单个粒子在其他粒子作用下的合力的具体方法为：
基于公式
Figure FDA0004061057840000021
计算t时刻粒子i和j在d维空间的万有引力，其中，Mi(t)和Mj(t)分别为粒子i和j的惯性重量；G(t)为t时刻的万有引力系数；D为粒子i和j之间的距离；ε为足够小的非零常数。
7.根据权利要求6所述一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，所述计算单个粒子受到的加速度的具体方法为：
基于公式
Figure FDA0004061057840000022
计算粒子i受到的加速度。
8.根据权利要求1所述一种带电作业安全防护装备多源异构传感器优化布局方法，其特征在于，所述传感器优化模型为
Figure FDA0004061057840000023
其中传感器数目为N，r为无线传感器的感知半径。
CN202310059791.4A 2023-01-17 2023-01-17 一种带电作业安全防护装备多源异构传感器优化布局方法 Pending CN116049615A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310059791.4A CN116049615A (zh) 2023-01-17 2023-01-17 一种带电作业安全防护装备多源异构传感器优化布局方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310059791.4A CN116049615A (zh) 2023-01-17 2023-01-17 一种带电作业安全防护装备多源异构传感器优化布局方法

Publications (1)

Publication Number Publication Date
CN116049615A true CN116049615A (zh) 2023-05-02

Family

ID=86114468

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310059791.4A Pending CN116049615A (zh) 2023-01-17 2023-01-17 一种带电作业安全防护装备多源异构传感器优化布局方法

Country Status (1)

Country Link
CN (1) CN116049615A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400028A (zh) * 2023-05-29 2023-07-07 湖南汇湘轩生物科技股份有限公司 一种基于气味传感器的香精质量检测方法、系统及介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116400028A (zh) * 2023-05-29 2023-07-07 湖南汇湘轩生物科技股份有限公司 一种基于气味传感器的香精质量检测方法、系统及介质
CN116400028B (zh) * 2023-05-29 2023-08-22 湖南汇湘轩生物科技股份有限公司 一种基于气味传感器的香精质量检测方法、系统及介质

Similar Documents

Publication Publication Date Title
Sedighizadeh et al. Particle swarm optimization methods, taxonomy and applications
CN109271683B (zh) 一种面向日照约束的建筑群自动排布算法
CN112880705B (zh) 基于径向基神经网络的mems陀螺仪温度补偿方法
CN116049615A (zh) 一种带电作业安全防护装备多源异构传感器优化布局方法
CN113051830A (zh) 智能产线动态误差预测系统、控制系统、控制方法及数字孪生系统
Akojwar et al. A novel probabilistic-PSO based learning algorithm for optimization of neural networks for benchmark problems
CN108986872B (zh) 用于大数据电子病历约简的多粒度属性权重Spark方法
CN103297983A (zh) 一种基于网络流的无线传感器网络节点动态部署方法
Tsai et al. A fast particle swarm optimization for clustering
Melnyk Cyber-physical systems multilayer platform and research framework
Xu et al. Bipolar fuzzy Petri nets for knowledge representation and acquisition considering non-cooperative behaviors
Fu et al. A multiobjective particle swarm optimization algorithm based on multipopulation coevolution for weapon-target assignment
CN105976018B (zh) 用于结构健康监测传感器优化布设的离散鸽群方法
CN110442940A (zh) 一种高效的船舶多管路并行智能布局设计方法
CN105959132B (zh) 一种面向大规模网络的社区布局可视化方法
CN110069822A (zh) 一种叶片动应变测量的传感器布置方法
Aval et al. A novel optimization algorithm based on modal force information for structural damage identification
Zhao et al. Research on rolling bearing virtual-real fusion life prediction with digital twin
Zhao et al. Elite dominance scheme ingrained adaptive salp swarm algorithm: a comprehensive study
Wang et al. Polygonal approximation using integer particle swarm optimization
CN112580855A (zh) 基于自适应变异pso-bp神经网络的电缆群稳态温升预测方法
CN116415501A (zh) Mgu-a热误差预测模型创建方法和基于数字孪生的热误差控制系统
Aboud et al. MOPSO for dynamic feature selection problem based big data fusion
Jin et al. Towards hierarchical fuzzy rule interpolation
Wang et al. An improved ant colony optimization approach for optimization of process planning

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination