[发明专利]基于序列学习的电力铁塔变形分析与决策方法

说明书

本发明提供一种基于序列学习的电力铁塔变形分析与决策方法，先使用卡尔曼滤波算法进行原始数据筛选，其次使用一元线性回归和最小二乘法进行筛选后数据的校核，再次使用小波分析理论对校核后数据进行滤波分析；然后建立自回归滑动平均(Auto‑Regressive and Moving Average简称ARMA)模型进行初步预测，最后建立组合模型分析铁塔形变状态。本发明利用序列学习理论，建立组合模型，以用于电力塔形变分析，该方法解决了传统电力塔变形监测方式存在的建模单一粗糙，人工判断精度不高、效率低等问题。

技术领域

本发明属于电力设备维护与监测技术领域，涉及一种基于序列学习的电力铁塔变形分析与决策方法。本发明利用序列学习可持续提高人工判读测量数据效率，降低人为因素的判断误差。

背景技术

传统变形监测一般采用地面常规测量技术、地面摄影测量技术、GPS空间定位技术应用，使用全站仪、照相机/摄像机、GPS导航定位设备，一般采用人工判读测量数据，分析判断铁塔变形状态。GPS导航变形监测技术采用单一的时间序列分析方法建模，无法准确分析判断风偏等突发位移。人工经验分析无法处理大数据和采样误差。单一的时间序列分析方法，不能解决多因素产生的变形情况，多因素一般包括水平沉降、风偏、覆冰等。

发明内容

本发明的目的在于克服现有技术的上述不足，本发明利用序列学习理论，建立组合模型，以用于电力塔形变分析，该方法解决了传统电力塔变形监测方式存在的建模单一粗糙，人工判断精度不高、效率低等问题。

本发明解决其技术问题所采用的技术方案是：首先使用卡尔曼滤波算法进行原始数据筛选，其次使用一元线性回归和最小二乘法进行筛选后数据的校核，再次使用小波分析理论对校核后数据进行滤波分析，然后建立自回归滑动平均(Auto-Regressive andMoving Average简称ARMA)模型进行初步预测，最后建立组合模型分析铁塔形变状态。

所述的基于序列学习的电力铁塔变形分析与决策方法，所述的使用卡尔曼滤波算法进行原始数据筛选包括以下几个具体步骤：

第一步：利用卡尔曼滤波算法，确定全网的观测方程、卡尔曼滤波的数学模型；

第二步：将采用卡尔曼滤波对各监测点的坐标进行滤波、预测,分析实时观测值与预测值向量的一致性。

所述的基于序列学习的电力铁塔变形分析与决策方法，所述的使用一元线性回归和最小二乘法进行筛选后数据的校核具体包括以下几个步骤：

第一步：根据铁塔变形采集数据，计算加速度与倾角，加速度和由实时动态系统算法(Real-time kinematic简称RTK)解算的数据，加速度与风速的相关系数；

第二步：建立加速度与倾角，加速度和RTK解算数据，加速度与风速的方程；

第三步：使用最小二乘法计算上述三个方程的回归参数；

第四步：使用方程计算数据，对比采集数据，找出问题数据。

所述的基于序列学习的电力铁塔变形分析与决策方法，所述的使用小波分析理论对校核后数据进行滤波分析具体步骤如下：

第一步：利用小波算法对采集到的数据进行分解；

第二步：对采集数据有用信息和噪声的小波分解高频系数阈值进行量化处理；

第三步：利用小波算法对采集数据重构。小波分解的第n层低频系数和经过阈值量化处理的第1层至第n层的高频系数进行重新排列，可以得到去噪声后的观测数据序列估计值，即观测精度估计值。

所述的基于序列学习的电力铁塔变形分析与决策方法，所述的建立ARMA模型进行初步预测具体步骤如下：

第一步：ARMA混合回归模型因子阶数的确定；