[发明专利]基于序列学习的电力铁塔变形分析与决策方法

摘要

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。

主权项

1.基于序列学习的电力铁塔变形分析与决策方法，其特征在于，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,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RTK解算的数据、加速度与风速的相关系数；第二步：分别建立加速度与倾角、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；第二步：自变量因子的选择；自变量因子的选择应根据电力铁塔构造、影响铁塔变形的因素和观测资料确定,不同塔型和结构影响铁塔变形的因素不同；同时还需考虑影响因素的线性、非线性、滞后多种效应；(1)风偏位移分量因子：风力变化对电力铁塔变形具有线性、非线性效应,故选择每月风力的平均值及其二、三次方三个因子作为风偏位移分量因子；(2)温度位移分量因子：温度变化对铁塔变形具有线性和非线性效应,故取每月气温的平均值及其二、三次方作为温度位移分量因子；(3)因变量因子：位移观测结果作为因变量因子，每月取一个观测值；(4)滞后步数的确定：由实测资料过程线可知,该铁塔变形的周期性不明显；根据经验,铁塔影响因素的滞后效应小于6个月,故取滞后步数6即可满足实际需要；第三步：原始观测资料的预处理；第四步：计算结果分析；所述基于序列学习的电力铁塔变形分析与决策方法中建立组合模型分析铁塔形变状态，具体步骤如下：第一步：利用有限元分析理论，对问题铁塔进行单元划分，有别于传统的空间刚架模型，针对铁塔变形因素，特别设计了桁梁混合模型，即将铁塔的主结构和横隔结构确定为梁单元，斜拉结构确定为杆单元，更接近于实际的铁塔结构，而且还能很方便地解决采用桁架模型不易解决的问题；第二步：构造铁塔整体刚度矩阵，计算结构等效节点荷载，确定结构平衡方程；第三步：求解铁塔节点平衡方程，得到节点位移，计算各单元结构应力，对铁塔形变进行预测分析，这里将结合气象数据、惯性测量数据验证。