基于機器學習的北斗Ⅱ代導航系統電力鐵塔變形監測設備安裝和調試方法
【技術領域】
[0001] 本發明屬于電力設備維護與監測技術領域，涉及一種基于機器學習的北斗II代導 航系統電力鐵塔變形監測設備安裝和調試方法。本發明利用機器學習可持續提高設備安裝 調試的工作效率和質量，降低設備安裝調試的難度。
【背景技術】
[0002] 傳統電力塔變形監測一般采用地面常規測量技術、地面攝影測量技術、GPS空間定 位技術應用，使用全站儀、照相機/攝像機、GPS導航定位設備，采用人工方式進行設備安裝 和調試。采用人工方式進行變形監測設備安裝和調試，量程受限于設備的使用特性，安裝 精度取決于安裝人員個人經驗和技能，存在較大的誤差和使用環境限制，無法適應電力鐵 塔變形監測的極端環境要求。安裝調試人的技能經驗積累無法大規模復用和智能化持續改 進，僅局限于小部分人群，無法滿足大批量應用的安裝工作效率和精度要求。
【發明內容】
[0003] 本發明的目的在于克服現有技術的上述不足，本發明要利用北斗II代導航系統， 并結合設備自身機器學習算法，解決傳統電力塔變形監測設備在采用人工進行安裝與調試 過程中安裝精度不高、效率低和適應性差等問題。
[0004] 本發明解決其技術問題所采用的技術方案是：首先對鐵塔采集數據進行一元線性 回歸分析與最小二乘法校核，其次采用小波變換方法對調試數據信噪分離，然后采用時間 序列分析方法對調試數據建立自回歸滑動平均（Auto-Regressive and Moving Average簡 稱ARMA)模型，最后采用評估假設進行預測精度的經驗評估，分析測定傳感器的最優數量、 最佳位置和角度。
[0005] 所述的一種基于機器學習的北斗II代導航系統電力鐵塔變形監測設備安裝和調 試方法，所述的對鐵塔采集數據進行一元線性回歸分析與最小二乘法校核包括以下幾個具 體步驟：
[0006] 第一步：根據鐵塔變形采集數據，計算加速度與傾角，加速度和由實時動態系統算 法（Real-time kinematic簡稱RTK)解算的數據，加速度與風速的相關系數；
[0007] 第二步：建立加速度與傾角，加速度和RTK解算數據，加速度與風速的方程；
[0008] 第三步：使用最小二乘法計算上述三個方程的回歸參數；
[0009] 第四步：使用方程計算數據，對比采集數據，找出問題數據。
[0010] 所述的一種基于機器學習的北斗II代導航系統電力鐵塔變形監測設備安裝和調 試方法，所述的采用小波變換方法對調試數據信噪分離具體方式如下：
[0011] 第一步：利用小波算法對采集到的數據進行分解；
[0012] 第二步：對采集數據有用信息和噪聲的小波分解高頻系數閾值進行量化處理；
[0013] 第三步：利用小波算法對采集數據重構。小波分解的第n層低頻系數和經過閾值 量化處理的第1層至第n層的高頻系數進行重新排列，可以得到去噪聲后的觀測數據序列 估計值，即觀測精度估計值。
[0014] 所述的一種基于機器學習的北斗II代導航系統電力鐵塔變形監測設備安裝和調 試方法，所述的采用時間序列分析方法對調試數據建立自回歸滑動平均（Auto-Regressive and Moving Average簡稱ARMA)模型具體方式如下：
[0015] 第一步：ARMA混合回歸模型因子階數的確定；
[0016] 第二步：自變量因子的選擇；
[0017] 第三步：原始觀測資料的預處理；
[0018] 第四步：計算結果分析。
[0019] 所述的一種基于機器學習的北斗II代導航系統電力鐵塔變形監測設備安裝和調 試方法，所述的采用評估假設進行預測精度的經驗評估，分析測定傳感器的最優點位，具體 步驟如下：
[0020] 第一步：觀測數據與ARMA模型預測數據，計算雙觀測值的單位權方差估值0 2。根 據兩周期的觀測成果計算聯合單位權方差估值y2,應用r檢驗法求在原假設ho下的r 值，選擇置信水平a，查取在a置信水平下的分位值，如果r值小于分位值則接受原假 設，否則拒絕原假設；利用評估假設來判斷不穩定的點；
[0021] 第二步：剔除其中不穩定點重新進行上述檢驗，直到確定最優點為止。
[0022] 本發明具有如下的有益效果：
[0023] 本發明提供一種基于機器學習的北斗II代導航系統電力鐵塔變形監測設備安裝 和調試方法，利用北導航系統高精度、大范圍定位監測的優點，結合使用傾角傳感器、加速 度傳感器，以及氣象傳感器等設備，通過建立鐵塔變形分析和預測模型，反向測算監測設備 的最優數量、最佳安裝位置和角度。采用機器學習方法建立時間序列模型，能反向測算監測 設備的最優數量以及在鐵塔安裝最佳位置和角度，提高監測設備安裝精度和自動化程度。 機器學習還能實現歷史經驗數據的自動改進和積累，持續提高設備安裝調試的工作效率和 質量，降低設備安裝調試的難度。
【附圖說明】
[0024] 圖1為基于機器學習的北斗II電力鐵塔變形監測設備安裝和調試方法實施流程 圖。
【具體實施方式】
[0025] 下面結合實施例，對本發明的【具體實施方式】作進一步詳細描述。以下實施例用于 說明本發明，但不用來限制本發明的范圍。
[0026] 基于機器學習的北斗II電力鐵塔變形監測設備安裝和調試方法的實施流程如圖 1所示。具體實施過程如下：
[0027] -、一元線性回歸和最小二乘法數據校驗
[0028] 根據鐵塔變形采集數據，計算加速度與傾角，加速度和由實時動態系統算法 (Real-time kinematic簡稱RTK)解算的數據，利用式（1)計算加速度與傾角，加速度和RTK 解算數據，加速度與風速的相關系數P。
[0030] 參照表1，當計算的盧大于表中相應值，可以認為相關性滿足配置回歸直線的條 件，即可使用最小二乘法建立算加速度與傾角，加速度和RTK解算數據，加速度與風速的相 關系數三個方程的回歸參數方程。
[0031] 表1相關系數檢驗法臨界值
[0034] 建立三個一元線性方程，計算預測數據，對比采集數據找出問題數據。
[0035] 二、小波理論進行數據分層濾波
[0036] 電力鐵塔變形監測在實際觀測應用中，測得的數據往往會受到多種隨機或不確定 性因素影響而產生誤差干擾，這些誤差干擾一般較小，且具有隨機性，對信號的綜合影響表 現為在信號中疊加隨機誤差，即觀測序列中含有高斯白噪聲，以及隨機誤差和系統性干擾， 同時還會含有突變干擾或粗差，需要采用基于小波包變換的變形時間序列數據消噪。
[0037] 第一步：利用小波算法對采集到的數據進行分解；
[0038] 分解層次越大，被濾掉的噪聲越多，同時信號的失真也越大，所以必須選擇一個最 佳的分解層次j，在保證信號不失真的前提下，最大程度的濾掉噪聲。
[0039] 實測的變形觀測數據的信噪比事先未知，可采用估計方法確定最佳分解層次，逐 漸增加分解層次，然后根據均方誤差（RMSE)的變化是否趨于穩定來確定最佳分解層次j。
[0041] 并依次計算出：
[0043] 一般，總有r>l，當r接近1時，一般可認為r彡1. 1，則認為噪聲已基本去除。最 佳分解層次j為使r接近1時的j或j+1。通過試驗，j 一般取3- 5即可。
[0044] 第二步：對采集數據有用信息和噪聲的小波分解高頻系數閾值進行量化處理；
[0045] 閾值估計是鐵塔變形監測信號的小波包閾值消噪的關鍵之一，如果閾值太小，消 噪后的信號仍然存在噪聲；而閾值太大，重要的信號特征又將被濾掉，引起偏差。
[0046] 表2參照各種閾值估計準則消噪的SNR和RMSE對比表
[0048] 選擇Birge-massart閾值準則計算：
[0050] 式中，c(k)是小波包系數，它是按絕對值遞減的順序排列的；n是系數個數；alpha 是調整參數，必須是大于1的實數，其值越大，降噪信號的小波包表示越稀疏，alpha的典型 值是2。