[发明专利]一种基于智能算法的杆塔沉降风险预测方法

说明书

本发明公开了一种基于智能算法的杆塔沉降风险预测方法，其特征在于，包括如下步骤：S1、实现基础沉降的非参数区间构造；S2、建立杆塔沉降‑时间关系曲线；S3、建立沉降风险分级映射模型；能够提取杆塔沉降‑时间关系曲线，建立沉降风险分级映射模型，为沉降告警奠定模型和算法基础。

技术领域

本发明涉及电力监测领域，尤其涉及一种基于智能算法的杆塔沉降风险预测方法。

背景技术

随着经济社会的不断发展，电网规模日趋庞大，输电线路跨越复杂地形，检测业务量愈发变大，传统依托人力资源的检测模式难以适应精益化发展需求现有的电力杆塔沉降观测多利用精密水准仪、水准尺、全站仪和位移传感器等仪器进行测量，作业周期长和人工测量耗时、费力、自动化程度低。由于现场作业人员知识水平、细致程度乘次不齐，而基础沉降通常以毫米、厘米级发生，大量先验知识和现场突发情况影响下，检测精度难以保障。输电线路跨越复杂地形，在自然环境较为恶劣的山区，现场人员常态化检测难度极大，无法确保应检尽检。专业人员远程查阅现场异常情况时，珍贵的原始信息流失，不利于援例推送与协助分析。

对于北斗单点定位技术，其定位受到各种误差源的影响，精度仅能达到5～10m，无法满足高精度沉降监测要求，而北斗观测方程中的误差可由导航卫星、接收机以及空间传播等多种原因引起。其中，电离层延迟误差、多径效应误差以及对流层延迟误差属于空间传播误差，卫星钟差属于导航卫星本身引起的误差，接收机钟差及接收机噪声误差属于接收机端引入的误差，例如，一种在中国专利文献上公开的“基于北斗差分定位的输电杆塔沉降监测装置及监测方法”，其公告号：CN112082526A，公开了使用差分定位无线监测方法，没有考虑到沉降警告以及沉降数据的使用。

发明内容

为此，本发明提供一种基于智能算法的杆塔沉降风险预测方法，基于沉降监测历史数据库，采用极限学习机算法ELM实现基础沉降的非参数区间构造，提取杆塔沉降-时间关系曲线；建立基于深度学习和Softmax概率分类器的沉降风险分级映射模型，为沉降告警奠定模型和算法基础。

为了实现上述目的，本发明提供如下技术方案：

一种基于智能算法的杆塔沉降风险预测方法，包括如下步骤：

S1、实现基础沉降的非参数区间构造；

S2、建立杆塔沉降-时间关系曲线；

S3、建立沉降风险分级映射模型。

作为优选的，S1包括：

建立基于极限学习机的剩余寿命机器学习框架，通过原始故障案例集与数据集学习获得剩余寿命预测值与剩余寿命预测区间。

作为优选的，S1还包括使用单隐层神经网络，使得ELM可以随机初始化输入权重和偏置并得到相应的输出权重：

设有N个任意的样本(X_i,t_i)，其中X_i＝[x_i1,x_i2,...,x_in]^T∈Rⁿ,t_i＝[t_i1,t_i2,...,t_im]^T∈R^m。对于一个有L个隐层节点的单隐层神经网络可以表示为：

其中，g(x)为激活函数，W_i＝[w_i1,w_i2,...,w_in]^T为输入权重，β_i输出权重，b_i是第i个隐层单元的偏置。W_i·X_j表示W_i和X_j的内积；