CN116744317B - 一种电力隧道传感器网络配置方法和系统 - Google Patents
一种电力隧道传感器网络配置方法和系统 Download PDFInfo
- Publication number
- CN116744317B CN116744317B CN202310810001.1A CN202310810001A CN116744317B CN 116744317 B CN116744317 B CN 116744317B CN 202310810001 A CN202310810001 A CN 202310810001A CN 116744317 B CN116744317 B CN 116744317B
- Authority
- CN
- China
- Prior art keywords
- sensor
- layout position
- layout
- quasi
- target
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 49
- 238000012544 monitoring process Methods 0.000 claims abstract description 74
- 238000005259 measurement Methods 0.000 claims description 24
- 230000035945 sensitivity Effects 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 5
- 230000002452 interceptive effect Effects 0.000 claims description 4
- 239000013589 supplement Substances 0.000 claims description 4
- 230000005251 gamma ray Effects 0.000 claims description 2
- 238000013473 artificial intelligence Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 8
- 238000004590 computer program Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 7
- 230000007613 environmental effect Effects 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 230000005540 biological transmission Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 5
- 230000002829 reductive effect Effects 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000011065 in-situ storage Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000000779 smoke Substances 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- MWUXSHHQAYIFBG-UHFFFAOYSA-N Nitric oxide Chemical group O=[N] MWUXSHHQAYIFBG-UHFFFAOYSA-N 0.000 description 2
- 238000013499 data model Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000013515 script Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- MFYSYFVPBJMHGN-UHFFFAOYSA-N Cortisone Natural products O=C1CCC2(C)C3C(=O)CC(C)(C(CC4)(O)C(=O)CO)C4C3CCC2=C1 MFYSYFVPBJMHGN-UHFFFAOYSA-N 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000003673 groundwater Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012625 in-situ measurement Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W16/00—Network planning, e.g. coverage or traffic planning tools; Network deployment, e.g. resource partitioning or cells structures
- H04W16/18—Network planning tools
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W24/00—Supervisory, monitoring or testing arrangements
- H04W24/02—Arrangements for optimising operational condition
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04W—WIRELESS COMMUNICATION NETWORKS
- H04W84/00—Network topologies
- H04W84/18—Self-organising networks, e.g. ad-hoc networks or sensor networks
-
- 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
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Engineering & Computer Science (AREA)
- Computer Networks & Wireless Communication (AREA)
- Signal Processing (AREA)
- Alarm Systems (AREA)
Abstract
本发明涉及一种电力隧道传感器网络配置方法和系统，所述方法包括:步骤S1：设置目标布局位置的初始布置位置并放入目标布局位置集合中；在初始布置位置上布置初始最小传感器集合；步骤S2：依次针对每种监测类型和目标布局位置集合，确定准布局位置；确定是否根据准布局位置调整目标布局位置集合，如果是，则调整目标位置集合；重复该步骤直到针对每种监测类型的调整均处理完毕为止；步骤S3：对目标布置位置集合中的目标布置位置进行合并后得到最终的布局位置。本发明合理的利用人工智能技术进行优化的传感器网络配置。
Description
【技术领域】
本发明属于传感器网络优化配置领域，尤其涉及一种电力隧道传感器网络配置方法和系统。
【背景技术】
电力隧道是指用于容纳大量敷设在电缆支架上的电缆的走廊或隧道式构筑物。电缆隧道除了让隧道能更好地保护电缆，还能够使人们对电缆的检查和维修都很方便。随着城市电力负荷密度的不断提高、加之城市规划对输电线路走廊的一致性要求越来越严格。电缆隧道作为高压输电线路敷设的最高形式，因其环境友好、断面输送容量及回路数大等特点，已越来越广泛的应用于大中型城市电网建设中。越来越多的地方用地下隧道供电来代替高空架线的方式。
电力隧道中的电缆具有易燃性，电力隧道又存在较多的潜在火源，这使得电力隧道的防火和消防问题更加突出，电力隧道内一旦发生火灾，会蔓延迅速对电气设备造成破坏，威胁人身的生命安全，导致停电，甚至还会造成更加严重的后果，维修起来难度很大。而且电力隧道的电缆价值也较高，对于电缆的安全防盗监测也很重要。此外，由于电力隧道往往设置在地下，由于地下水位的变化以及电力隧道的隐蔽性，电力隧道的放水监测也很重要。基于这样的考虑，在已投运的高压电缆隧道工程中，至少会配置环境条件、消防、水位、有害气体检测、出入口防盗及其检测等等一系列传感器，以区域为单位配置若干综合采集装置采集这些传感器的信息，并通过若干采集装置采集传感器的传感值供数据处理分析后进行后台监控。
随着传感器技术、无线通信技术、计算技术的不断发展和完善，各种传感器网络将遍布我们生活环境。传感器网络可对给定区域中被观测对象的参数值测定、感兴趣事件的检测和相关参数估计、对被观测对象的分类和识别以及对被观测对象的定位和跟踪等功能，目前已经被广泛的应用到多个领域。
由于隧道具有长距离分布式的特点，致使传感器数量非常巨大，综合采集器也需要大量配置。根据工程实际，传感器、采集器的控制信号线缆和光缆投资甚至超过了传感器和采集器本身，建设效率低下。由于电力隧道内的需要监控的环境参数较多，因此，因此导致与监测这些环境参数的监测设备连接的监控箱的尺寸较大，其箱体内部的设备都是独立产品，并且设备业务接口数量少，往往一个箱体内需要几台设备才能满足业务需求，这样的话就造成了空间的浪费。
人工智能是研究、开发用于模拟、延伸和扩展人的智能的理论、方法、技术及应用系统的一门新的技术科学。人工智能是新一轮科技革命和产业变革的重要驱动力量。人工智能从诞生以来，理论和技术日益成熟，应用领域也不断扩大，近年来，人工智能领域技术突破不断，创新成果不断融入社会各个领域，深刻改变着人们的日常工作、生活方式。人工智能模型在经过大规模数据训练后，能够适应一系列任务的模型。基于现有技术中对传感器网络的布置主要是依赖于人工经验以及考虑传感器布置的可操作性，缺乏从监测目的考虑出发的全局优化布局方式，过度的依赖智能模型来处理过量的数据类型，使得当电力隧道网络问题复杂时无法完成计算过程。如何合理的利用人工智能技术进行优化的传感器网络配置，是待解决的技术问题。
本发明合理的利用人工智能技术进行优化的传感器网络配置，降低了所利用智能模型的维度以及复杂度，复杂度的大大降低使得利用智能模型进行传感器网络配置成为可能，并最终形成跨传感器类型的面向全监测类型的传感器网络配置。
【发明内容】
为了解决现有技术中的上述问题，本发明提出了一种电力隧道传感器网络配置方法和系统，所述方法包含：
步骤S1：设置目标布局位置的初始布置位置并放入目标布局位置集合中；在初始布置位置上布置初始最小传感器集合；其中：最小传感器集合中包括一种或者多种传感器类型；其中：每个目标布置位置对应的最小传感器集合是相同或不同的；
步骤S2：依次针对每种监测类型和目标布局位置集合，确定准布局位置；确定是否根据准布局位置调整目标布局位置集合，如果是，则调整目标位置集合；重复该步骤直到针对每种监测类型的调整均处理完毕为止；
所述步骤S2具体包括如下步骤：
步骤S21：获取一未处理监测类型作为当前监测类型；
步骤S22：将目标布局位置集合中的任两个相邻目标布局位置之间的电力隧道进行最大间隔划分以得到多个最大准布局位置；将两个相邻的最大准布局位置之间的电力隧道进行最小间隔划分以得到多个最小准布局位置；将所述最大准布局位置和最小准布局位置按照位置关系顺序排列后放入布局位置队列中；其中：将目标布局位置集合中的目标布局位置作为最大准布局位置放入布局位置队列中；
步骤S23：从布局位置队列头部取出一未处理准布局位置作为当前准布局位置；
步骤S24：判断所述当前准布局位置是否对当前监测类型m敏感，如果是，则返回步骤S23；否则，进入步骤S25；
步骤S25：调整目标布局位置集合；具体为：在当前准布局位置中增加需要布置的传感器类型；并将所述当前准布局位置放入目标布局位置集合中，将需要布置的传感器类型放入和所述当前准布局位置对应的最小传感器集合；如果所述准布局位置已经是目标布局位置时，只需要改变其对应的最小传感器集合即可；
步骤S26：判断是否所有准布局位置均处理完毕，如果是，则进入步骤S27，否则，从布局位置队列头部开始取出所有最小准布局位置直到遇到首个最大准布局位置；返回步骤S23；
步骤S27：判断是否针对所有监测类型均处理完毕，如果是，则结束；否则，返回步骤S21；
步骤S3：对目标布置位置集合中的目标布置位置进行合并后得到最终的布局位置；在每个布局位置上布局其对应的最小传感器集合中的所有传感器类型的传感器；所述进行合并，具体为：合并对传感器数据的获取能力接近的布置位置。
进一步的，所述最大间隔和最小间隔是预设值。
进一步的，所述最小间隔是1～5m；最大间隔是10～1000m。
进一步的，不同监测类型对应的最大间隔和最小间隔是相同或不同的。
进一步的，所述增加需要布置的传感器类型，具体为：增加对应于所述监测类型m的主要传感器类型。
一种电力隧道传感器网络配置系统，所述系统包含服务器，所述服务器收集电力隧道传感器网络配置大数据信息，并基于所述大数据信息执行所述的电力隧道传感器网络配置方法。
进一步的，所述大数据信息中包括传感器的布置位置及其布置的传感器类型。
进一步的，所述大数据信息中包括布置位置之间的位置关系。
一种计算机可读存储介质，包括程序，当其在计算机上运行时，使得计算机执行所述的电力隧道传感器网络配置方法。
一种服务器，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现所述的电力隧道传感器网络配置方法。
本发明的有益效果包括：
(1)将传感器网络的配置分解成两层，第一层从监测类型出发利用大数据表达的潜在信息构建广泛而恰当的多类型传感器，第二层是从传感器类型触发，利用传感值在电力隧道之间内的数据变化情况，在不造成信息损失的情况下，优化传感器网络的布局，提高了传感器网络的可利用性和利用效率；
(2)在智能搭建传感器网络的基本形态时，基于对所有监测类型的敏感度的量化计算，差异化的构建传感器网络；在利用智能模型时，将监测类型和传感器类型从大数据模型剥离，从而降低了所利用智能模型的维度以及进一步的复杂度，而复杂度的大大降低使得利用智能模型进行传感器网络配置成为可能；
(3)在已构建传感器网络的包括传感器类型及其数量的基本形态的基础上，利用测定传感值和现场测定传感器进行细粒度的布局优化，基于层次化合并策略在每个最佳窗口范围内逐个进行局部最优化，形成跨传感器类型的面向全监测类型的传感器网络配置。
【附图说明】
此处所说明的附图是用来提供对本发明的进一步理解，构成本申请的一部分，但并不构成对本发明的不当限定，在附图中：
图1为本发明的电力隧道传感器网络配置方法示意图。
【具体实施方式】
下面将结合附图以及具体实施例来详细说明本发明，其中的示意性实施例以及说明仅用来解释本发明，但并不作为对本发明的限定通过
如附图1所示，本发明提出一种电力隧道传感器网络配置方法，所述方法包括如下步骤：
步骤S1：设置目标布局位置的初始布置位置并放入目标布局位置集合中；在初始布置位置上布置初始最小传感器集合；其中：最小传感器集合中包括一种或者多种传感器类型；其中：每个目标布置位置对应的最小传感器集合是相同或不同的；由于电力隧道较长，可以想象的是，初始布置位置为多个；
优选的：所述初始布置位置及其初始最小传感器集合是预先设置的；例如：初始布置位置是电力隧道中的便于布置传感器的位置、数据传输条件良好的位置等；当然，所述初始布置节点及其初始最小传感器集合为根据人工经验得到；例如：操作井口等；
优选的：所述传感器包括声光报警器、温度传感器、烟感传感器等；
优选的：所述传感器包括环境条件传感器、消防用传感器、水位传感器、有害气体传感器、出入口防盗及检测传感器中的至少一种；环境条件传感器包括温湿度传感器；消防用传感器包括烟感传感器和感应明火的传感器；有害气体传感器为一氧化氮传感器；出入口防盗及检测传感器包括用于感应人体的红外传感器以及摄像头；
步骤S2：依次针对每种监测类型和目标布局位置集合，确定准布局位置；确定是否根据准布局位置调整目标布局位置集合，如果是，则调整目标位置集合；重复该步骤直到针对每种监测类型的调整均处理完毕为止；
优选的：所述监测类型包括火灾、烟雾、水淹、盗取等中的一个或者多个；当然，可以根据需要和实际情况进一步细分监测类型；监测类型m是不同于传感器类型k的；
所述步骤S2具体包括如下步骤：
步骤S21：获取一未处理监测类型作为当前监测类型；
步骤S22：将目标布局位置集合中的任两个相邻目标布局位置之间的电力隧道进行最大间隔划分以得到多个最大准布局位置；将两个相邻的最大准布局位置之间的电力隧道进行最小间隔划分以得到多个最小准布局位置；将所述最大准布局位置和最小准布局位置按照位置关系顺序排列后放入布局位置队列中；其中：将目标布局位置集合中的目标布局位置作为最大准布局位置放入布局位置队列中；
优选的：所述最大间隔和最小间隔是预设值；其中：所述最大间隔位置是针对电力隧道的该项监测类型的异常监测来说最大的布置间隔；所述最小间隔位置是针对电力隧道的该项监测类型的异常监测来说最小的布置间隔；
优选的：所述最小间隔是1～5m；最大间隔是10～1000m；
步骤S23：从布局位置队列头部取出一未处理准布局位置作为当前准布局位置；
步骤S24：判断所述当前准布局位置是否对当前监测类型m敏感，如果是，则返回步骤S23；否则，进入步骤S25；可以理解的是，要判断的是基于当前目标布局位置的初始布局状况，布局位置队列中的每个准布局位置是否是敏感的，如果他是敏感的，则表明该位置能够捕捉的信息是充分的；反之，若不充分，则需要进行布置位置的调整；
所述步骤S24具体包括如下步骤：
步骤S241：将所述当前准布局位置干扰范围内的所有准布局位置作为和所述当前准布局位置相关的干扰布局位置；
优选的：布局位置的干扰范围是预设值；例如：通过针对监测类型的传感数据在空间内的传播条件，传播范围等确定；当然也可以取决于经验值；
步骤S242：基于所有干扰布局位置对应的最小传感器集合的并集得到测定传感器集合；可以看出，测定传感器集合实际上是一个传感器类型集合；
步骤S243：构建干扰布局位置的针对测定传感器集合的传感值；
优选的：构建的方式是考虑监测类型m进行传感值的构建；
优选的：从大数据中选取满足所有干扰布局位置的位置关系的传感数据作为所构建的传感值；所构建的传感值中包括针对测定传感器集合的传感值；
可以替换的：通过仿真器构建符合所述位置关系的传感值；
步骤S244：基于所构建的传感值确定针对测定传感器集合的当前准布局位置的测定传感值；具体为：针对测定传感器集合中的每个传感器类型k，在当前准布局位置和干扰布局位置满足属性关系的情况下，基于干扰布局位置的传感值计算得到布局位置的测定传感值；基于根据独立干扰布局位置得到的测定传感值计算综合测定传感值；
所述针对测定传感器集合中传感器类型k，在当前准布局位置和干扰布局位置满足位置关系的情况下，基于干扰布局位置j的传感值SVj,k计算得到当前准布局位置的测定传感值PSVcr,k；具体为：所述布局位置和干扰布局位置之间的属性关系是位置关系；其中：当前准布局位置cr和干扰布局位置j之间的位置关系值是dcr,j；针对每个传感器类型k以及每个干扰布局位置j，基于下式(1)计算得到当前准布局位置cr的测定传感值PSVcr,k；fk()是针对传感器类型k得到的拟合函数；可知的是，该拟合函数根据针对传感器类型k的历史传感值及其位置关系值拟合得到；
PSVcr,k＝fk(dcr,j,SVj,k)(1)；
优选的：所述位置关系是距离关系、水平距离、垂直距离等中的一个或其组合；那么当位置关系是距离关系、水平距离、垂直距离时，位置关系值是指两者之间的距离、水平距离和垂直距离等；
可替换的：获取针对传感器类型k的大数据信息；将所构建的传感值及其对应的位置关系值作为输入样本，将测定传感值作为输出样本，训练第k人工智能模型；通过将干扰布局位置的传感值SVj,k和位置关系di,j输入到第k人工智能模型得到测定传感值；其中：第k人工智能模型用于预测传感器类型k的测定传感值；
优选的：所述人工智能模型是神经网络模型；
所述基于根据独立干扰布局位置得到的测定传感值计算综合测定传感值；具体为：基于下式(2)(3)计算针对传感器类型k的综合测定传感值SPSV；
SPSV＝∑jαj×PSVcr,k+γj(2)；
其中：j＝1～J；J是针对传感器类型k的当前准布局位置cr的干扰布局位置的个数；γj是现场补充值，γj＝0；
优选的：在进行现场测定时，基于现场测定传感值和测定传感值进行综合测定传感值的补充，也就是进行现场补充值γj的计算；
优选的：基于下式(4)(5)计算现场补充值γj；其中：现场测定值为在现场中的干扰布局位置j模拟产生传感值SVcr,k，在布局位置收集得到现场测定传感值CPSVj,k；
λj＝|(PSVj,k-CPSVj,k)/CPSVj,k|(5)；
步骤S245：判断测定传感值的确定次数是否达到预设次数*test，如果否，则返回步骤S243；如果是，则基于针对测定传感器集合的所有测定传感值，确定当前准布局位置针对监测类型m的敏感度Sen；当所述敏感度Sen超过敏感预设值时，确定对监测类型m的敏感；否则，确定不敏感；
测定传感值的确定次数是否达到预设次数*test，也就是重复执行步骤S243-S244达到*test次；
优选的：所述预设次数为100～10000；
优选的：所述敏感预设值为50～95％；调整敏感预设值的大小可以对应的增加或者减少布置的复杂度和冗余度；
所述基于针对测定传感器集合的所有测定传感值，确定当前准布局位置针对监测类型m的敏感度Sen；具体为：将针对测定传感器集合的所有测定传感值输入到监测模型中得到针对监测类型m的监测结果；
优选的：利用式(6)计算敏感度Sen；其中：*Cort是监测结果为正确的次数；*test是预设次数；
优选的：监测模型为基于人工智能的电力隧道异常监测模型；所述监测模型的输入是各种类型的传感值，输出为监测结果；亦可以直接采用现有的电力隧道异常检测模型；
优选的：监测模型为人工智能模型；
优选的：所述监测模型为神经网络模型；
步骤S25：调整目标布局位置集合；具体为：在当前准布局位置中增加需要布置的传感器类型；并将所述当前准布局位置放入目标布局位置集合中，将需要布置的传感器类型放入和所述当前准布局位置对应的最小传感器集合；当然如果所述准布局位置已经是目标布局位置时，只需要改变其对应的最小传感器集合即可；
所述增加需要布置的传感器类型，具体为：增加对应于所述监测类型m的主要传感器类型；当然一种可选的方式是尝试性增加传感器类型并不断的判断是否敏感，并布置使敏感的传感器类型；但是这种布置方式导致冗余度过低；增加的方式为根据布置难易程度、传感器价格、对监测类型的敏感程度等中的一个或组合来确定增加的传感器类型；
优选的：基于预设次数得到的现场补充值的累加值中的最大者对应的传感器类型k作为确定增加的传感器类型；
步骤S26：判断是否所有准布局位置均处理完毕，如果是，则进入步骤S27，否则，从布局位置队列头部开始取出所有最小准布局位置直到遇到首个最大准布局位置；返回步骤S23；
步骤S27：判断是否针对所有监测类型均处理完毕，如果是，则结束；否则，返回步骤S21；
此时，完成了针对监测类型的传感器布设，通过上述步骤不难理解的是，针对不同的传感器类型，其可能被布置在相同或不同的布置位置上，但是，可以理解的是，当两个间隔位置很近的传感器被布置在同一个位置上时，对于监测来说是开销最小的，但是对于操作和检修乃至数据传输来说，可能造成困难或者通信复杂；
本发明将传感器网络的配置分解成两层，第一层从监测类型出发利用大数据表达的潜在信息构建广泛而恰当的多类型传感器，第二层是从传感器类型触发，利用传感值在电力隧道之间内的数据变化情况，在不造成信息损失的情况下，优化传感器网络的布局，提高了传感器网络的可利用性和利用效率；
进一步的，在智能搭建传感器网络的基本形态时，基于对所有监测类型的敏感度的量化计算，差异化的构建传感器网络；在利用智能模型时，将监测类型和传感器类型从大数据模型剥离，从而降低了所利用智能模型的维度，复杂度的大大降低使得利用智能模型进行传感器网络配置成为可能；
步骤S3：对目标布置位置进行合并后得到最终的布局位置；在每个布局位置上布局其对应的最小传感器集合中的所有传感器类型的传感器；
所述进行合并，具体为：合并对传感器数据的获取能力接近的布置位置；
可替换的：所述步骤S3具体包括如下步骤：
步骤S31：选择一未处理传感器类型k；
步骤S32：将目标布局位置按照位置关系顺序排列得到目标布局位置序列；针对所述未处理传感器类型k确定目标布局位置序列的最佳滑动窗口；最佳滑动窗口滑动起始位置是目标布局位置序列的头部；
优选的：最佳滑动窗口中包括的目标布局位置是静态不变的；例如：所述最佳滑动窗口中包括10个目标布局位置；
可替换的：最佳滑动窗口中包括的目标布局位置是动态变化的；所述最佳滑动窗口内的一个布局位置的传感值至少能够被另一个或多个布局位置的传感器检测到；也就是说，即使传感数据在空间中传播和衰减，至少有另一个或多个传感器能够监测到该传感数据，其针对同一监测类型的强度和大小可能是相同或不同的；
可替换的：最佳滑动窗口内所有的传感器均能够监测到其布局位置模拟的最大传感值；
步骤S33：确定最佳滑动窗口t内的信息损失熵δt；具体为：对最佳滑动窗口内的每个目标布局位置，依次将其作为中心位置c，在中心位置模拟产生最大传感值MSVc,k，然后在其他布局位置j收集现场测定传感值CPSVj,k；基于下式(7)-(10)计算信息损失熵δt；其中：dc,j是中心位置和其他布局位置j之间的位置关系值；fct(dc,j)是位置关系表达函数；所述位置关系表达函数用于将位置关系表达成数值；distc,j是中心位置c和其他布局位置j之间的水平距离差，vtclc,j是中心位置和其他布局位置j之间的垂直距离差；
dc,j＝fct(c,j)＝|distc,j|×|vtclc,j|(8)；
步骤S34：按照合并力度从小到到大的顺序依次选取合并策略集合中的合并策略；基于合并策略合并目标布局位置；基于最佳滑动窗口重新确定信息损失熵；在首次进入该步骤时从合并力度最小者开始；
优选的：合并策略集合中包含多个合并策略，合并力度大的合并策略中一次合并的布局位置多和/或合并间隔大；反之，合并力度小的合并策略中一次合并的布局位置少和/或合并间隔小；合并策略集合中包含一个或多个合并力度相等的合并策略，在选取的时候按照随机顺序依次选取；
更具体的：所述合并策略集合中包括三种类型的合并策略；类型一：挪动策略，是指将布局位置移动到相邻间隔位置；所述相邻间隔位置中未布置当前监测类型m的传感器，但是布局了其他传感类型的传感器；通过将布局位置移动到相邻间隔位置使得相邻间隔位置同时布置了更多的传感器类型，但是不造成信息传输损失；所述相邻间隔位置是指和当前布局位隔最小布局间隔的布局位置；类型二：合并相邻最小布局间隔的一个或者多个布局位置；类型三：合并相邻多个连续相邻最小布局间隔的多个布局位置；合并力度的排序是：类型三>类型二>类型一；合并策略按照力度的大小排序，选取时按照顺序从小到大选择；
可替换的：所述相邻间隔位置是和当前布局位置间隔距离小于最大布局间隔内的所有位置；
步骤S35：判断使用合并策略之后和使用合并策略之前的信息损失熵差值是否大于损失熵阈值；如果是，则进入下一步骤；否则，确定合并操作；返回步骤S34；在确定合并操作的同时合并最小传感器集合；
两个布置位置的合并为，将最小传感器集合小的布置位置取消，保留最小传感器集合大的布置位置，同时合并最小传感器集合；
步骤S36：撤销合并操作；若还有未尝试的合并策略，则返回步骤S34；否则，若最佳滑动窗口未滑动到最后一个布局位置，则进行窗口滑动并返回步骤S33；
所述若还有未尝试的合并策略，具体为：若还有未尝试的同等合并力度的合并策略；
步骤S37：确定是否所有传感器类型均处理完毕，如果是，则在每个布局位置上布局其对应最小传感器集合中的所有传感器类型的传感器；否则，返回步骤S31；
由于本发明中的布局位置的优化是具体到传感器类型的，从而从全局范围内少针对每种类型传感器的布置的同时，使得更多的传感器布置在同一个布局位置，大大降低了操作难度和维护开销；
本发明在已构建传感器网络的包括传感器类型及其数量的基本形态的基础上，利用测定传感值和现场测定传感器进行细粒度的布局优化，基于层次化合并策略在每个最佳窗口范围内逐个进行局部最优化，形成跨传感器类型的面向全监测类型的传感器网络配置；
基于相同的发明构思，本发明还提供一种电力隧道传感器网络配置系统；
所述系统用于实现上述电力隧道传感器网络配置方法；
所述系统中包括服务器，所述服务器收集传感器网络配置大数据，并基于所述大数据进行上述电力隧道传感器网络配置；
所述服务器还用于收集电力隧道布设过程中的现场传感值；
优选的：所述服务器是大数据服务器；
优选的：所述大数据信息中包括传感器的布置位置及其布置的传感器类型；所述大数据信息中包括布置位置之间的位置关系；
术语“数据处理系统”、“大数据服务器”或“服务器”包涵用于处理数据的所有种类的装置、设备和机器，举例包括可编程处理器、计算机、片上系统、或者上述中的多个或其组合。所述装置能够包括专用逻辑电路，例如FPGA(现场可编程门阵列)或ASIC(专用集成电路)。除了硬件，所述装置还可以包括代码，创建用于所述计算机程序的执行环境，例如，构成处理器固件、协议栈、数据库管理系统、操作系统、跨平台运行环境、虚拟机或上述一个或多个的组合的代码。该装置和执行环境可以实现各种不同计算模型基础设施，诸如web服务、分布式计算、和网格计算基础设施。
计算机程序(也被称为程序、软件、软件应用、脚本或代码)能够以编程语言的任何形式来撰写，包括汇编或解释语言、说明或过程性语言，且其可以以任何形式部署，包括作为单机程序或者作为模块、组件、子例程、对象或适于在计算环境中使用的其他单元。计算机程序可以但不必与文件系统中的文件相对应。程序能够存储在保持其他程序或数据(例如存储在标记语言文档中的一个或多个脚本)的文件的一部分中，在专用于所述程序的单个文件中，或者在多个协同文件中(例如，存储一个或多个模块、子例程或代码部分的文件)。计算机程序可以部署为在一个计算机上或位于一个站点或跨多个站点分布且由通信网络互连的多个计算机上执行。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电力隧道传感器网络配置方法，其特征在于，包括：
步骤S1：设置目标布局位置的初始布置位置并放入目标布局位置集合中；在初始布置位置上布置初始最小传感器集合；其中：最小传感器集合中包括一种或者多种传感器类型；其中：每个目标布局位置对应的最小传感器集合是相同或不同的；
步骤S2：依次针对每种监测类型和目标布局位置集合，确定准布局位置；确定是否根据准布局位置调整目标布局位置集合，如果是，则调整目标布局位置集合；重复该步骤直到针对每种监测类型的调整均处理完毕为止；
所述步骤S2具体包括如下步骤：
步骤S21：获取一未处理监测类型作为当前监测类型；
步骤S22：将目标布局位置集合中的任两个相邻目标布局位置之间的电力隧道进行最大间隔划分以得到多个最大准布局位置；将两个相邻的最大准布局位置之间的电力隧道进行最小间隔划分以得到多个最小准布局位置；将所述最大准布局位置和最小准布局位置按照位置关系顺序排列后放入布局位置队列中；其中：将目标布局位置集合中的目标布局位置作为最大准布局位置放入布局位置队列中；
步骤S23：从布局位置队列头部取出一未处理准布局位置作为当前准布局位置；
步骤S24：判断所述当前准布局位置是否对当前监测类型m敏感，如果是，则返回步骤S23；否则，进入步骤S25；
所述步骤S24具体包括如下步骤：
步骤S241：将所述当前准布局位置干扰范围内的所有准布局位置作为和所述当前准布局位置相关的干扰布局位置；
步骤S242：基于所有干扰布局位置对应的最小传感器集合的并集得到测定传感器集合；测定传感器集合是一个传感器类型集合；
步骤S243：构建干扰布局位置的针对测定传感器集合的传感值；从大数据中选取满足所有干扰布局位置的位置关系的传感数据作为所构建的传感值；所构建的传感值中包括针对测定传感器集合的传感值；
步骤S244：基于所构建的传感值确定针对测定传感器集合的当前准布局位置的测定传感值；具体为：针对测定传感器集合中的每个传感器类型k，在当前准布局位置和干扰布局位置满足属性关系的情况下，基于干扰布局位置的传感值计算得到布局位置的测定传感值；基于根据独立干扰布局位置得到的测定传感值计算综合测定传感值；
所述针对测定传感器集合中传感器类型k，在当前准布局位置和干扰布局位置满足位置关系的情况下，基于干扰布局位置j的传感值SVj,k计算得到当前准布局位置的测定传感值PSVcr,k；具体为：所述布局位置和干扰布局位置之间的属性关系是位置关系；其中：当前准布局位置cr和干扰布局位置j之间的位置关系值是dcr,j；针对每个传感器类型k以及每个干扰布局位置j，基于下式(1)计算得到当前准布局位置cr的测定传感值PSVcr,k；fk()是针对传感器类型k得到的拟合函数；该拟合函数根据针对传感器类型k的历史传感值及其位置关系值拟合得到；
PSVcr,k＝fk(dcr,j,SVj,k)(1)；
所述基于根据独立干扰布局位置得到的测定传感值计算综合测定传感值；具体为：基于下式(2)(3)计算针对传感器类型k的综合测定传感值SPSV；
SPSV＝∑jαj×PSVcr,k+γj(2)；
其中：j＝1～J；J是针对传感器类型k的当前准布局位置cr的干扰布局位置的个数；γj是现场补充值；步骤S245：判断测定传感值的确定次数是否达到预设次数Ntest，如果否，则返回步骤S243；如果是，则基于针对测定传感器集合的所有测定传感值，确定当前准布局位置针对监测类型m的敏感度Sen；当所述敏感度Sen超过敏感预设值时，确定对监测类型m的敏感；否则，确定不敏感；
所述基于针对测定传感器集合的所有测定传感值，确定当前准布局位置针对监测类型m的敏感度Sen；
具体为：将针对测定传感器集合的所有测定传感值输入到监测模型中得到针对监测类型m的监测结果；
步骤S25：调整目标布局位置集合；具体为：在当前准布局位置中增加需要布置的传感器类型；并将所述当前准布局位置放入目标布局位置集合中，将需要布置的传感器类型放入和所述当前准布局位置对应的最小传感器集合；如果所述准布局位置已经是目标布局位置时，只需要改变其对应的最小传感器集合即可；
步骤S26：判断是否所有准布局位置均处理完毕，如果是，则进入步骤S27，否则，从布局位置队列头部开始取出所有最小准布局位置直到遇到首个最大准布局位置；返回步骤S23；
步骤S27：判断是否针对所有监测类型均处理完毕，如果是，则结束；否则，返回步骤S21；
步骤S3：对目标布局位置集合中的目标布局位置进行合并后得到最终的布局位置；在每个布局位置上布局其对应的最小传感器集合中的所有传感器类型的传感器；所述进行合并，具体为：合并对传感器数据的获取能力接近的布局位置。
2.根据权利要求1所述的电力隧道传感器网络配置方法，其特征在于，所述最大间隔和最小间隔是预设值。
3.根据权利要求2所述的电力隧道传感器网络配置方法，其特征在于，所述最小间隔是1～5m；最大间隔是10～1000m。
4.根据权利要求3所述的电力隧道传感器网络配置方法，其特征在于，不同监测类型对应的最大间隔和最小间隔是相同或不同的。
5.根据权利要求4所述的电力隧道传感器网络配置方法，其特征在于，所述增加需要布置的传感器类型，具体为：增加对应于所述监测类型m的主要传感器类型。
6.一种电力隧道传感器网络配置系统，其特征在于，所述系统包含服务器，所述服务器收集电力隧道传感器网络配置大数据信息，并基于所述大数据信息执行权利要求1-5中任一项所述的电力隧道传感器网络配置方法。
7.根据权利要求6所述的电力隧道传感器网络配置系统，其特征在于，所述大数据信息中包括传感器的布置位置及其布置的传感器类型。
8.根据权利要求6所述的电力隧道传感器网络配置系统，其特征在于，所述大数据信息中包括布置位置之间的位置关系。
9.一种计算机可读存储介质，其特征在于，包括程序，当其在计算机上运行时，使得计算机执行如权利要求1-5中任一项所述的电力隧道传感器网络配置方法。
10.一种服务器，其特征在于，包括处理器，所述处理器和存储器耦合，所述存储器存储有程序指令，当所述存储器存储的程序指令被所述处理器执行时实现如权利要求1-5中任一项所述的电力隧道传感器网络配置方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310810001.1A CN116744317B (zh) | 2023-07-04 | 2023-07-04 | 一种电力隧道传感器网络配置方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310810001.1A CN116744317B (zh) | 2023-07-04 | 2023-07-04 | 一种电力隧道传感器网络配置方法和系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116744317A CN116744317A (zh) | 2023-09-12 |
| CN116744317B true CN116744317B (zh) | 2024-04-02 |
Family
ID=87901096
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310810001.1A Active CN116744317B (zh) | 2023-07-04 | 2023-07-04 | 一种电力隧道传感器网络配置方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116744317B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107241740A (zh) * | 2017-04-25 | 2017-10-10 | 集美大学 | 一种孤岛移动式电力系统健康状态监测传感器部署方法 |
| CN112146704A (zh) * | 2020-09-25 | 2020-12-29 | 北京博瑞翔伦科技发展有限公司 | 一种电力隧道用在线监控设备 |
| WO2022084070A1 (en) * | 2020-10-19 | 2022-04-28 | Signify Holding B.V. | Systems and methods for monitoring social distancing using motion sensors |
| CN115099385A (zh) * | 2022-06-22 | 2022-09-23 | 中国人民解放军国防科技大学 | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 |
| CN115243273A (zh) * | 2022-09-23 | 2022-10-25 | 昆明理工大学 | 一种无线传感器网络覆盖优化方法及装置、设备、介质 |
Family Cites Families (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20150355245A1 (en) * | 2013-01-25 | 2015-12-10 | Circuitmeter Inc. | System and method for monitoring an electrical network |
| US20190340706A1 (en) * | 2013-05-06 | 2019-11-07 | David Benjamin Boone | Method, Sensor Apparatus and System for Determining Losses in an Electrical Power Grid |
| US10314001B2 (en) * | 2016-12-22 | 2019-06-04 | Here Global B.V. | Method and apparatus for providing adaptive location sampling in mobile devices |
| US11467314B2 (en) * | 2018-07-16 | 2022-10-11 | Halliburton Energy Services, Inc. | Optical sensor adaptive calibration |
-
2023
- 2023-07-04 CN CN202310810001.1A patent/CN116744317B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107241740A (zh) * | 2017-04-25 | 2017-10-10 | 集美大学 | 一种孤岛移动式电力系统健康状态监测传感器部署方法 |
| CN112146704A (zh) * | 2020-09-25 | 2020-12-29 | 北京博瑞翔伦科技发展有限公司 | 一种电力隧道用在线监控设备 |
| WO2022084070A1 (en) * | 2020-10-19 | 2022-04-28 | Signify Holding B.V. | Systems and methods for monitoring social distancing using motion sensors |
| CN115099385A (zh) * | 2022-06-22 | 2022-09-23 | 中国人民解放军国防科技大学 | 基于传感器布局优化和自适应Kriging模型的频谱地图构建方法 |
| CN115243273A (zh) * | 2022-09-23 | 2022-10-25 | 昆明理工大学 | 一种无线传感器网络覆盖优化方法及装置、设备、介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116744317A (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105551549B (zh) | 一种核电设备运行状况在线监测方法及系统 | |
| Meyer et al. | A method for locating wells in a groundwater monitoring network under conditions of uncertainty | |
| CN104765914B (zh) | 一种继电保护设备逻辑组态方法 | |
| CN108375715A (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN103456136B (zh) | 物联网构架水利水电工程重大事故安全隐患监测预警系统 | |
| CN100412993C (zh) | 基于状态监测的核电厂智能维护系统 | |
| CN117152893B (zh) | 一种森林防灾方法及系统 | |
| Pyayt et al. | Machine learning methods for environmental monitoring and flood protection | |
| CN112528365B (zh) | 一种地下基础设施结构健康演化趋势预测方法 | |
| CN114881808B (zh) | 基于大数据的电力窃电精准识别方法及防窃电系统 | |
| Hashemian | Nuclear power plant instrumentation and control | |
| KR101853480B1 (ko) | 해양플랜트 예지보전 시스템 | |
| CN112489402A (zh) | 一种管廊的预警方法、装置、系统及存储介质 | |
| CN115310882B (zh) | 一种可视化消防策略规划方法及系统 | |
| CN110956288A (zh) | 基于三维建模的地下电缆故障预警方法和装置 | |
| CN109784575A (zh) | 设备状态的预测方法及装置、存储介质、电子装置 | |
| US20100082375A1 (en) | Asset integrity management system and methodology for underground storage | |
| CN115642706A (zh) | 一种电网内配电负荷监控系统 | |
| CN116797028A (zh) | 基于智慧物联网的电缆隧道综合监控系统及方法 | |
| Li et al. | Deep learning based covert attack identification for industrial control systems | |
| CN116777088B (zh) | 用于保障生命安全的供电应急抢修环境监测方法及系统 | |
| CN116744317B (zh) | 一种电力隧道传感器网络配置方法和系统 | |
| Liu et al. | Identification of multiple fire sources in the utility tunnel based on a constrained particle swarm optimization algorithm | |
| CN115660413B (zh) | 一种用于污染场地地下水的风险管控系统 | |
| CN115019481A (zh) | 一种智能瓦斯浓度预警系统 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |