CN103557884A - 一种输电线路杆塔监控的多传感器数据融合预警方法 - Google Patents

Abstract

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。

Description

一种输电线路杆塔监控的多传感器数据融合预警方法

技术领域

本发明涉及一种输电线路安全监控领域，尤其是一种输电线路杆塔监控的预警方法。

背景技术

近年来，随着我国经济迅速发展，农村日益城镇化，城市日益都市化，我国每年民用用电量呈***性增长，高低压输电线路的迅速扩长带来矛盾性问题，一方面，输电线路的铺张让城镇市民居住远离市区商业中心，减少城镇人口过度集中，另一方面，电线杆分布林立，特别是交通道路两边布置电线杆极容易受交通运行车辆和行人由于交通意外事故损坏，从而导致沿路输电线路中断，影响附近居民用电安全，特别是，输电线路经常受到自然灾害，如：台风、强雨、大雪的袭击，因此构建安全稳定的输电线路在线监测预警机制势在必行。

发明内容

为了克服已有输电线路杆塔监控的预警方法的稳定性较差、可靠性不强、实时性差的不足，本发明提供了一种稳定性良好、可靠性较高、实时性良好的输电线路杆塔监控的多传感器数据融合预警方法。

本发明解决其技术问题所采用的技术方案是：

一种输电线路杆塔监控的多传感器数据融合预警方法，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

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阀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神经网络的权值和阀值发送给汇聚节点，接着，检测传感器清空缓存，为下一轮数据收集准备；

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：

$m\left(A_i\right)=\frac{y\left(A_i\right)}{s}---\left(8\right)$

$s=\underset{i=1}{\overset{5}{\mathrm{\Σ}}}y\left(A_i\right)+E_n---\left(9\right)$

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_i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。

进一步，所述步骤1）中，所述输电参数包括温度、湿度以及风速、风向、覆冰、导线温度、风偏、弧垂、舞动、周围施工情况和杆塔倾斜角度。也可以采用其他参数。

再进一步，所述步骤2.2），单个检测传感器进行数据收集过程:

2.2.1）数值和阀值初始化，给各连接权{w_i},{θ_i}以及阀值{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

$c_i=f[{\mathrm{\Σ}}_{i=1}^m{w}_{i}x-{\mathrm{\θ}}_i]---\left(1\right)$

其中神经元传递函数为

2.2.3）隐层---输出层和输入层的输出信号为：

$b=\underset{i=1}{\overset{r}{\mathrm{\Σ}}}{v}_i{c}_i-q---\left(2\right)$

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,用以修正权值和阀值,即

v_i(N+1)＝v_i(N)+adc_i

w_i(N+1)＝w_i(N)+βe_ix                 (3)

q(N+1)＝q(N)-ad

p_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

$E\left(n\right)=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{E}_j=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(y_j-b_j)}^2---\left(4\right)$

其中E(n)＜ε,0≤ε≤1,是误差精度要求,根据需要来给定。

本发明的技术构思为：采用基于BP神经网络+D-S证据理论输电线路杆塔多传感器数据融合***，能够有效地及时预警输电线路杆塔异常情况，从而为保证整个输电线路安全高效运行做出贡献。

BP神经网络是反向传播网络，是一个前向多层网络，它利用误差反向传播算法对网络进行训练，在监测分析工作中，BP神经网络只需要考虑影响因子的选择，而不需要知道影响因子与输出因子之间确定的数学表达关系，对效应量和影响量之间关系不明确或者可能存在复杂非线性关系的输电线路工程应用中为合适。图1为BP神经网络结构图，由三层网络组成：输入层、隐含层与输出层。

BP神经网络的学习过程由两部分组成：正向传播和反向传播。当正向传播时候，输入信息经输入层，隐含层的神经元逐层处理，向前传播到输出层，给出结果；如果在输出层得不到期望输出，则转入逆向传播过程，将误差沿原来的神经元连接通路返回。返回过程中，通过各层神经元间的连接权值，使误差信号减少，然后再转入正向传播过程，反复迭代，直到误差小于给定的值为止。BP神经网络模型，在输入层和输出层之间的数学关系不明确的情况下，可以通过对监测数据的学习模拟出其相关规律，即只要找出其实测数据以及影响因素的情况，根据此即可对数据进行分析以及预测。

D-S证据理论最早是基于A.P.Dempster所做的工作，试图用一个概率范围而不是单个的概率值去模拟不确定性。在证据理论中，引入了信任函数来度量不确定性，并引用似然函数来处理由于“不知道”引起的不确定性，并且不必事先给出知识的先验概率。设存在两个证据体A₁,

Ω为识别框架，Ω内各元素互不相容，满足

$\begin{array}{c}m\left(A_1\right)=\max \{m\left(A_i\right),A_i\⋐\mathrm{\Ω}\}\\ m\left(A_2\right)=\max \{m\left(A_i\right),A_i\≠A_1\}\end{array}---\left(5\right)$

若有 $\left\{\begin{array}{c}m\left(A_1\right)-m\left(A_2\right)>{\mathrm{\&epsiv;}}_1\\ m\left(\mathrm{\&Omega;}\right)<{\mathrm{\&epsiv;}}_2\\ m\left(A_1\right)>m\left(\mathrm{\&Omega;}\right)\end{array}\right.---\left(6\right)$

则A₁为判决结果,即A₁发生故障，其中,ε₁,ε₂为预先设定的门限。由于证据理论的基本可信度分配是专家在所获得证据的基础上，根据个人的经验对识别框架不同命题的支持程度的数字化表示，主观性很强。因此BP神经网络的输出作为D-S证据理论的证据来源有效地解决组合。

本发明的有益效果主要表现在：稳定性良好、可靠性较高、实时性良好。

附图说明

图1是三层BP神经网络的示意图。

图2是多传感器数据融合***的示意图。

图3是二级融合结构的示意图。

图4是基于BP神经网络单个检测传感器的故障监测方法的流程图。

图5是BP神经网络的训练示意图，其中，（a）是BP训练过程收敛曲线，（b）是真实值与预测值误差在(-0.05-0.05)范围。

图6是监控地区输电线路杆塔数据融合中BP神经网络的示意图。

图7是利用训练好的BP神经网络进行数据融合的示意图。

具体实施方式

下面结合附图对本发明作进一步描述。

参照图1～图7，一种输电线路杆塔监控的多传感器数据融合预警方法，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，n为大于等于5的自然数；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阀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神经网络的权值和阀值发送给汇聚节点，接着，检测传感器清空缓存，为下一轮数据收集准备；

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：

$m=\left(A_i\right)=\frac{y\left(A_i\right)}{s}---\left(8\right)$

$s=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}y\left(A_i\right)+E_n---\left(9\right)$

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_i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。

进一步，所述步骤1）中，所述输电参数包括温度、湿度以及风速、风向、覆冰、导线温度、风偏、弧垂、舞动、周围施工情况和杆塔倾斜角度。也可以采用其他参数。

本实施例中，输电线路在线监测***主要是通过无线(GSM/GPRS/CDMA)传输方式，对输电线路环境的温度、湿度以及风速、风向、覆冰、导线温度、风偏、弧垂、舞动、周围施工情况、杆塔倾斜等参数进行实时监测，提供以杆塔为中心的周边线路异常状况的预警，能够提高对输电线路安全经济运行的管理水平，并为输电线路的状态检修工作提供必要的参考，杆塔输电线路所需的传感器有杆塔倾角传感器、导线拉力传感器，温度传感器、湿度传感器等，其品种繁多，所采集的传感数据量巨大。尤其是，一些杆塔处在恶劣气候环境下，如采空区和易冲刷地段，为防止由于这些杆塔倾倒而引起倒杆断线事故的发生，就需要及时掌握杆塔倾斜发展情况，以便及时采取相应的措施。一般情况下,杆塔倾斜传感器将采集到的杆塔横向倾斜、纵向倾斜、复合倾斜等数据通过3G/GPRS/EDGE/CDMA1X发送到监测中心，监测中心对横向倾斜、纵向倾斜等状态参数进行数据存储、显示、统计报表并结合杆塔自身设计参数进行分析，完成杆塔倾斜的多参数预警功能。可以及时判断杆塔倾斜的发展趋势，在达到报警状态时及时处理，是矿井开采及雨水朴刷较多地区进行在线监测的一种有效手段。对于输电线路杆塔倾斜或者倒塌状况正确信息的监控需要相关多传感器数据融合方法进行预警判别。图2为一般情况下多传感器数据融合***。图2为针对多源传感器采用二级融合***结构图。

图3中BP神经网络信息融合是指多传感器的信息通过神经网络处理，得出初步的融合结果，证据理论信息融合则是将不同时刻BP神经网络的输出作为证据，经过证据理论综合产生决策信息。传感器一级BP神经网络融合完成的是特征级上的融合，二级证据信息融合是决策级上的融合。这一层是采用D-S证据理论推理方法，通过对同一识别框架上的各证据进行融合推理，最终形成决策结果。具体二级融合算法过程如下：

1）采集传感器数据，并进行预处理。

2）创建BP神经网络，从经验数据库中提取特征数据进行神经网络训练。

3）利用训练好的神经网络对数据进行分析，不同传感器的不同时段数据通过神经网络得

到不同结果。选择有效地证据理论规则对多个传感器数据的进行融合。多个传感器采集来自复杂输电线路的监测参数信号，例如：导线温度，风速、杆塔倾斜拉力、导线张力等，这些信号首先经过预处理（异常值识别、去噪等）与数据融合，形成数据融合级。其次，对数据融合级处理过的信息进行特征提取融合，形成特征融合级。最后在特征提取的基础上进行态势估计并根据评估结果制定相应的危险防范策略。其中，在数据融合级安全监测预处理过程中，除了要对多传感器数据进行去噪外，有一类数据是特别需要注意的，即：异常值或是称作奇异点。此类数据往往淹没在传感器的数据噪声中而不容易被发现，而他们产生的原因有可能是传感器发生故障。

基于BP神经网络单个传感器节点故障监测方法：采用BP网络建立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：

a）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。算法流程如图4所示。

b）离线建立网络预测模型后，当中在线应用时，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

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阀值则判定出传感器发生故障。

单个传感器节点的BP神经网络对时间数据融合算法：以传感器节点监测输电线路风速为例予以说明。设节点可以缓存n轮数据，n值可以根据需求调节，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，根据下面提到的方法构造训练一个BP神经网络，其中，时间x_j作为输入参数，与该时间对的风速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，这样，节点只需将训练好的BP神经网络的权值和阀值以及相关参数如节点标识、监测周期、该拟合数据的起始时间与截止时间某种路由算法发送给汇聚节点。接着，节点清空缓存，为下一轮数据收集准备。下面是单个节点进行数据收集算法过程:

1.数值和阀值初始化，给各连接权{w_i},{v_i}以及阀值{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.输入----隐层的输出信号为

$c_i=f[{\mathrm{\&Sigma;}}_{i=1}^m{w}_{i}x-{\mathrm{\&theta;}}_i]---\left(1\right)$

其中 $\left(x\right)=\frac{2}{1e^{-2x}}-1$

3.隐层---输出层和输入层的输出信号为：

$b=\underset{i=1}{\overset{r}{\mathrm{\&Sigma;}}}{v}_i{c}_i-q---\left(2\right)$

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,用以修正权值和阀值,即

v_i(N+1)＝v_i(N)+adc_i

w_i(N+1)＝w_i(N)+βe_ix

q(N+1)＝q(N)-ad               (3)

p_i(N+1)＝p_i(N)-βe_i

5.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)。

6.网络进行学习训练直至达到误差精度要求,即

$E\left(n\right)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{E}_j=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_j-b_j)}^2---\left(4\right)$

其中E(n)＜ε,0≤ε≤1,是误差精度要求,根据需要来给定。

上述过程结束即网络训练过程结束后，网络获得了一组最佳权值与阀值。这组最佳权值即为对监测数据的融合数值，监控中心收到这组数值后通过一次前向传播即可得到相应时间的温度数据的拟合数值。为了提高神经网络的收敛速度，需要对采集的数据进行归一化处理。归一化的具体作用是归纳统一样本的统计分布性，首先基本度量单位要统一，神经网络是以样本在事件中的统计分别几率来进行训练和预测，归一化是同一在0-1之间的统计概率分布：当所有样本输入信号都为正值时，与第一隐含层神经元相连的权值只能同时增加或者减小，从而导致学习速度很慢。为了避免出现这种情况，加快网络学习速度，可以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。利用matlab中的premnmax函数进行归一化处理，处理后的数据用于网络训练。

表1330kv超高压输电线路测试样本（某一个时刻测量）

编号	1	2	3	4	5	6	7	8	9	10
											风速（m/s）	0.2	0.2	0.2	0.2	3.0	1.5	1.5	1.3	0.1	3.8
编号	11	12	13	14	15	16	17	18	19	20
											风速(m/s)	1.3	1.9	2.3	0.6	1.8	1.0	0.8	2.2	3.2	2.0

表2330kv超高压输电线路训练样本（归一化）

输电线路杆塔倒塌预测特征层模型的多传感器数据融合：在特征层融合目标识别中，各传感器根据各自获取的原始测量数据提取目标特征，融合中心对各传感器提供的目标特征矢量进行融合，并基于融合特征矢量对目标进行分类。图6是一种输电线路杆塔在重点监控区域多源数据融合的BP神经网络模型。

在该模型中，将与监控区域相关的知识数据、无线传感网络监测数据和气象数据作为数据源。气象数据包括：采集风速、温度、湿度等。1）等待融合的区域监控状况不仅与无线传感网络监测数据相关，而且还与监测的地理位置以及监测当时的气象条件有关；2）采用神经网络方法，由于神经网络是一种有效的非线性逼近方法，而这正与待融合的无线传感网络监测数据和遥感气象数据以及重点监控区域相关知识数据之间具有非线性的关系相符合。对于输电线路监测信息采集域处理，引入多源信息融合技术，可以实现多传感器之间在时间与空间上信息互补，能解决低密度、低分辨率监测网的信息不足和缺损的问题。

在特征层融合识别的实现中，BP算法部分有两个控制流程：训练流程和识别流程。BP网络分类器先对训练集中的样本进行识别。识别流程也就是训练流程中反向传播算法的前向计算：1）载入网络拓扑和参数设置，初始化权值；2）载入待识别的特征数据；3）网络进行前向计算，给出识别结果。BP算法中误差的计算如下：有M个输出神经元，对于P个输入样本，网络输出的总误差E。其中，y_pj是第p个输入样本给出的输出层第j个神经元的网络输出，d_pj表示第p个输入样本对应的输出层第j个神经元的期望输出。

$E=\frac{1}{2}\underset{p=0}{\overset{p=P}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{j=M}{\mathrm{\&Sigma;}}}{(y_{\mathrm{pj}}-d_{\mathrm{pj}})}^2---\left(5\right)$

w_ij(t)表示第t次训练中前一层第j个神经元的连接权值，使用LMS算法进行后向误差传播，有如下的BP权值调整方案式，其中t为迭代次数，n为学习步长。

$w_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)-\mathrm{\&eta;}\frac{\&PartialD;E}{w_{\mathrm{ij}}}\left(t\right)---\left(6\right)$

由式子计算得到E后，网络输出误差精度的评价采用由下式计算得到相对误差：

$\mathrm{relativeErr}=\frac{2E}{\underset{p=0}{\overset{p=P}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{j=M}{\mathrm{\&Sigma;}}}{\left(d_{\mathrm{pj}}\right)}^2}---\left(7\right)$

本专利BP神经网络多源传感器数据融合采用的是三层网络模型。即一个输入层，一个隐含层和一个输出层。输入参量有5个，风速、环境温度、湿度、导线张力、杆塔倾斜等传感器。而输出危险情况有5个,分别是低、稍低、正常、中高、高5个等级，各自以1，2，3，4，5数字表示，即设计一个5输入端并带有5个输出端的BP神经网络。

图7为利用训练好的BP神经网络进行数据融合。在某一个地区，选13根具有特征性高压输电线路：

表3330KV超高压输电线路训练样本（归一化）

编号	温度	湿度	风速	导线张力	塔倾角	状态情况
							1	0.8068	0.0526	0.0271	0.8756	0.0487	1
2	0.9659	0	0.0271	0.9656	0.0957	1
							3	0.4204	0.6316	0.0271	0.9114	0.6380	3
4	0	0	0.0271	1.000	0.1785	1
							5	0.5113	0.5263	0.7838	0.1592	1.0000	3
6	0.5568	0.8070	0.3784	0.6156	0.4186	4
							7	0.5625	0.8070	0.3784	0.5065	0.1436	4
8	0.4034	0.9123	0.3243	0.5592	0.2311	3
							9	0.1932	1.0	0	0.9253	0.7132	2
10	1.0	0.5263	1.00	0	0.4918	4
							11	0.4034	0.9123	0.3243	0.5487	0.3592	3
12	0.3352	0.6491	0.4865	0.4128	0.6756	3
							13	0.8522	0.5614	0.5946	0.3504	0.3479	3
14	0.2386	0.8947	0.1351	0.7464	0	2
							15	0.3466	0.6140	0.4595	0.4750	0.6274	3
16	0.1364	0.4035	0.2433	0.7519	0.1969	2

输电线路杆塔倒塌监测多传感器数据融合决策层的实现：融合技术从时空域划分可以分为空间信息融合和时间信息融合，空间信息融合属于一种横向的融合技术，它将多个传感器多源信息进行综合处理，结合各个传感器的特征信息，从而得出更为准确、可靠的结论。由于神经网络输出结果与实际值之间存在着一定的偏差，易影响最终的判别结果，因而我们考虑采用两级融合的方法，由于神经网络的输出在0-1之间取值，经过处理后可以作为是基本概率作为证据理论的证据，具体方法如下：

设神经网络的输出为y₁,y₂,...,y_n,取

这样就可以将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，通过BP神经网络输出数值有：

风速：

y_i＝3.1778 3.1778 3.1778 3.1778 4.0948 4.1533 4.1449 3.1202 4.9984 4.14494.0601 3.9650 3.8354 4.0902 4.0602

湿度：

y_i＝3.000 3.1302 2.0066 3.1302 0.9976 0.9871 0.9871 1.2465 0.9984 0.99761.2465 1.9690 1.5918 1.2135 1.9965 0.3585

温度：y_i＝4.4172 5.0225 4.0868 2.8866 4.0394 3.996 3.9959 4.0785 3.14354.9957 4.0785 3.9349 4.7197 3.4333 3.9757 3.0424

导线张力：y_i＝1.093 1.093 1.093 1.093 0.0122 2.0024 2.0024 1.9887 1.0004.0519 1.9887 1.9994 1.9755 0.8024 1.9992 1.6358

高压输线塔倾角：y_i＝1.0489 0.9519 2.5524 1.2958 3.9985 1.9873 0.8822 1.04283.0452 2.0112 2.0433 2.8815 1.9878 0.9811 2.5176 1.8073

利用证据理论将前述两个空间进行融合，可以减小其它不确定因素的影响，之后采用基于基本概率赋值的决策方法。本专利的危险等级分为5级，对应证据理论的识别框架就包括5种状态。同时，BP神经网络的每次输出作为证据理论的一个独立证据，将BP神经网络的输出值经过转换，称为此证据下各种危险等级的可信度分配。将基于BP网络的输出结果进行归一化处理。

$\begin{array}{c}m\left(A_i\right)=\frac{y\left(A_i\right)}{s}---\left(8\right)\\ s=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}y\left(A_i\right)+E_n---\left(9\right)\end{array}$

即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),这样就实现了D-S证据理论的节本概率分配。其中，A_i为危险等级(i＝1,2,3,4,5)；y(A_i)为BP神经网络的诊断输出；E_n网络样本误差。鉴于融合结果的可靠性和合理性考虑，在某个时刻下，对输电线路杆塔进行监测，传感器采样参数分别为风速、环境温度、湿度、导线张力、杆塔倾角。并将测得参数送到局部融合中心处理。根据DS证据理论对上述输出结果进行概率分配赋值，基本概率分配值函数分别为m(A₁),m(A₂),m(A₃),m(A₄),m(A₅)，如下表所示：

表4

输电线路	m(A1)	m(A2)	m(A3)	m(A4)	m(A5)
						1	0.0307	0.9530	0.7166	0.1571	0.0535
2	0.0307	1.00	1.000	0.1571	0.0224
						3	0.0307	0.5946	0.5619	0.1571	0.5360
4	0.0307	1.00	0.0	0.1571	0.1327
						5	0.5189	0.2306	0.5397	0.6781	1.0000
6	0.5500	0.2268	0.5211	0.3414	0.3546
						7	0.5456	0.2268	0.5194	0.3414	0
8	0	0.3204	0.5580	0.3485	0.0515
						9	1.00	0.2309	0.1203	0.0235	0.6941
10	0.5456	0.2306	0.9875	1.0000	0.3623
						11	0.5004	0.3204	0.5580	0.3485	0.3726
12	0.4498	0.5811	0.4908	0.3439	0.6416
						13	0.3808	0.4450	0.8582	0.3409	0.3548
14	0.5165	0.3085	0.2138	0.1091	0.0317
						15	0.5005	0.5910	0.5099	0.3438	0.5248
16	0.4616	0	0.0729	0	0.2949

采用决策层数据融合证据理论规则：给一个证据集S，该证据集中含有n条证据。令 $q=\frac{1}{n}\underset{1\&le;i\&le;n}{\mathrm{\&Sigma;}}{m}_i\left(A\right),k=\mathrm{\&Sigma;}{A}_i\&cap;B_j\&cap;C_k.....,$ 则有合成公式：

m(φ)＝0                 (10)

$m\left(A\right)=\underset{A_i\&cap;B_j\&cap;C_k...}{\mathrm{\&Sigma;}}{m}_1\left(A_i\right)m_2\left(B_j\right)m_3\left(C_k\right)...+\mathrm{kq}---\left(11\right)$

其中，q为证据对A的平均支持度，k为冲突因子。本案例计算结果k=0.9557,MASS数值为:

表5

输电线路	1	2	3	4	5	6	7	8
									MASS	0.0010	0.0006	0.0047	0	0.2392	0.0430	0.0	0.0
输电线路	9	10	11	12	13	14	15	16
									MASS	0.0025	0.2458	0.0635	0.1546	0.0961	0.006	0.1486	0

由表-5可见，输电线路10号出现故障概率最大，其次输电线路5号。

本实施例中，分布式多传感器信息融合结构,将融合方法应用于输电线路杆塔监测参量的测量.利用BP神经网络具有自学习,并行分布处理,高度容错性和鲁棒性的特点,用神经网络进行多传感器信息融合,无需任何先验信息,克服了证据理论融合方法中的证据难以获得、计算量大的缺陷，本专利提出了两级融合结构充分利用了神经网络和证据理论的优点，以神经网络的输出作为证据理论的证据，这种两级融合方法有效地解决了基于D-S推理方法的计算组合***问题，此外时间信息融合的引入把融合计算分布在各个节点上，有效地提高整个融合***的计算速度，并且增强了***的鲁棒性，将这种两级融合方法应用到输电线路监控测量之中，这种方法有很好的可行性。

Claims (3)

1.一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

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阀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神经网络的权值和阀值发送给汇聚节点，接着，检测传感器清空缓存，为下一轮数据收集准备；

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：

$m=\left(A_i\right)=\frac{y\left(A_i\right)}{s}---\left(8\right)$

$s=\underset{i=1}{\overset{5}{\mathrm{\&Sigma;}}}y\left(A_i\right)+E_n---\left(9\right)$

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_i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。

2.如权利要求1所述的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：所述步骤1）中，所述输电参数包括环境温度、环境湿度以及风速、导线张力和杆塔倾角。

3.如权利要求1或2所述的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）数值和阀值初始化，给各连接权{w_i},{θ_i}及阀值{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

$c_i=f[{\mathrm{\&Sigma;}}_{i=1}^m{w}_{i}x-{\mathrm{\&theta;}}_i]---\left(1\right)$

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：

$b=\underset{i=1}{\overset{r}{\mathrm{\&Sigma;}}}{v}_i{c}_i-q---\left(2\right)$

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,用以修正权值和阀值,即

v_i(N+1)＝v_i(N)+adc_i

w_i(N+1)＝w_i(N)+βe_ix

q(N+1)＝q(N)-ad                 (3)

p_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

$E\left(n\right)=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{E}_j=\frac{1}{n}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{(y_j-b_j)}^2---\left(4\right)$

其中E(n)＜ε,0≤ε≤1,是误差精度要求,根据需要来给定。

Images