一种输电线路杆塔监控的多传感器数据融合预警方法

摘要

一种输电线路杆塔监控的多传感器数据融合预警方法，包括以下步骤：1）实时获取检测传感器的当前输电线路参数；2）一级BP神经网络融合，2.1）单个检测传感器故障监测：采用BP网络建立检测传感器输出序列预测模型，假设已经观测到的传感器n个时刻输出样本为x(1)，x(2)，x(3)，…，x(n)，预测n+1时刻传感器输出值；2.2）单个检测传感器的BP神经网络对时间数据融合；2.3）对输入信号进行归一化；2.4）特征层融合识别；3）二级D-S证据理论融合，BP神经网络的输出在0-1之间取值，经过处理后作为是基本概率作为D-S证据理论的证据，得到危险等级。本发明稳定性良好、可靠性较高、实时性良好。

主权项

一种输电线路杆塔监控的多传感器数据融合预警方法，其特征在于：所述预警方法包括以下步骤：1)通过在所述输电线路杆塔上安装检测传感器，用以检测n个输电线路参数，实时获取所述检测传感器的当前输电线路参数；2)一级BP神经网络融合，具体如下：2.1)单个检测传感器故障监测：采用BP网络建立检测传感器输出序列预测模型，假设已经观测到的传感器t个时刻输出样本为x(1)，x(2)，x(3)，…，x(t)，预测t+1时刻传感器输出值，具体过程如下：2.1.1)BP神经网络的训练：传感器采集时刻数据作为BP神经网络的输入，在初始权值的作用下，输出一个监测量的预测值，预测值和实际测得的监测量进行比较，若它们的误差大于设定的全局误差平均值E，则继续输入训练数据，直到实测值和网络输出值之间的误差小于设定的值就停止训练或者当训练次数大于设定值时也停止训练，至此网络训练完成，BP神经网络的各个权值被确定下来；2.1.2)离线建立网络预测模型后，用传感器实际输出的前m步样本x(k‑m+1),x(k‑m+2),…,x(n)预测传感器第n+1步传感器第n+1步实际输出x(n+1)和预测输出输出进行比较，把这个值和实测数值进行趋势分析，若实测值和预测值之间差值超过阈值则判定该检测传感器发生故障，该检测传感器数据为无效数据，否则，所述检测传感器数据为有效数据；2.2)单个检测传感器的BP神经网络对时间数据融合：设检测传感器缓存n轮数据，n值根据需求调节，定义T为拟合周期，它表示传感器节点收集n轮数据所需要的时间，网络中每个节点周期性地监测环境，并将监测数据存储在节点 缓存中；当缓存被数据充满后，节点利用缓存中的监测数据集(x_j,y_j),j＝1,2,…,n,构造训练一个BP神经网络，其中，时间x_j作为输入参数，与该时间相对的输电线路参数y_j作为输出参数，由于BP神经网络的参数，层之间的传递函数，已经在节点播散前约定，检测传感器只需将训练好的BP神经网络的权值和阈值发送给汇聚节点，接着，检测传感器清空缓存，为下一轮数据收集准备；所述步骤2.2)，单个检测传感器进行数据收集过程：2.2.1)数值和阈值初始化，给各连接权{w_j}、{v_i}以及阈值{θ_i}、{q}赋予[0，1]之间的随机值，给定输入和输出，计算神经网络前向传播信号；2.2.2)输入‑‑‑‑隐层的输出信号为其中神经元的传递函数为2.2.3)隐层‑‑‑输出层和输入层的输出信号为：2.2.4)修正权值：从输出层开始,将误差信号沿连接通路反向传播,用以修正权值和阈值,即v_i(N+1)＝v_i(N)+αdc_iw_i(N+1)＝w_i(N)+βe_ix   (3)q(N+1)＝q(N)‑αdp_i(N+1)＝p_i(N)‑βe_i其中,0<α,β<1为学习系数,输出层各单元的一般误差d＝(y‑b)b(1‑b),隐层各单元的一般误差e_i＝dv_ic_i(1‑c_i)2.2.5)网络进行学习训练直至达到误差精度要求,即其中E(n)<ε,0≤ε≤1,ε是根据误差精度要求来给定；2.3)对输入信号进行归一化，使得所有样本的输入信号其均值接近于0或者与其均方差方差相比很小；采用归一化的方法是线性转换，说明：分别为转换前后的值，max、min分别为样本的最大值和最小值；2.4)特征层融合识别：BP网络分类器先对训练集中的样本进行识别，载入网络拓扑和参数设置，初始化权值，载入待识别的特征数据，网络进行前向计算，给出识别结果；3)二级D‑S证据理论融合，所述BP神经网络的输出在0‑1之间取值，经过处理后作为是基本概率作为D‑S证据理论的证据；具体如下：3.1)设神经网络的输出为y₁,y₂,…,y_n,取i＝1,2,…,n，将y′_i作为基本概率赋值，将BP网络的输出进行归一化后可作为辨识框架；3.2)采用基于基本概率赋值的决策方法，如下：m(A_i)为样本的第i个故障模式的基本概率值，BP神经网络的误差值作为D‑S证据理论的不确定度m(θ),实现了D‑S证据理论的节本概率分配，其中，A_y为危险等级，i＝1,2,…,n，y(A_i)为BP神经网络的诊断输出；E_n网络样本误差。