[發明專利]基于序列學習的電力鐵塔變形分析與決策方法

有效

• 申請號: 201410683386.0
• 申請日: 2014-11-25
• 公開（公告）號: CN104915534B
• 公開（公告）日: 2018-10-02
• 發明（設計）人: 孫琳珂;上官朝暉;王海峰;劉佳;曾昭智
• 申請（專利權）人: 國家電網公司;湖北華中電力科技開發有限責任公司
• 主分類號: G06F17/50
• 分類號: G06F17/50
• 代理公司: 武漢楚天專利事務所 42113
• 代理人: 孔敏

1.基于序列學習的電力鐵塔變形分析與決策方法，其特征在于，首先使用卡爾曼濾波算法進行原始數據篩選，其次使用一元線性回歸和最小二乘法進行篩選后數據的校核，再次使用小波分析理論對校核后數據進行濾波分析；然后建立自回歸滑動平均,簡稱ARMA模型進行初步預測，最后建立組合模型分析鐵塔形變狀態；

所述的使用卡爾曼濾波算法進行原始數據篩選包括以下幾個具體步驟：

第一步：利用卡爾曼濾波算法，確定全網的觀測方程、卡爾曼濾波的數學模型；

第二步：將采用卡爾曼濾波對各監測點的坐標進行濾波、預測,分析實時觀測值與預測值向量的一致性；

所述的使用一元線性回歸和最小二乘法進行篩選后數據的校核具體包括以下幾個步驟：

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RTK解算的數據、加速度與風速的相關系數；

第二步：分別建立加速度與傾角、加速度和RTK解算數據、加速度與風速的方程；

第三步：使用最小二乘法計算上述三個方程的回歸參數；

第四步：使用方程計算數據，對比采集數據，找出問題數據；

所述的使用小波分析理論對校核后數據進行濾波分析具體步驟如下：

第一步：利用小波算法對采集到的數據進行分解；

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；

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；

所述的建立ARMA模型進行初步預測具體步驟如下：

第一步：ARMA混合回歸模型因子階數的確定；

第二步：自變量因子的選擇；

自變量因子的選擇應根據電力鐵塔構造、影響鐵塔變形的因素和觀測資料確定,不同塔型和結構影響鐵塔變形的因素不同；同時還需考慮影響因素的線性、非線性、滯后多種效應；

(1)風偏位移分量因子：風力變化對電力鐵塔變形具有線性、非線性效應,故選擇每月風力的平均值及其二、三次方三個因子作為風偏位移分量因子；

(2)溫度位移分量因子：溫度變化對鐵塔變形具有線性和非線性效應,故取每月氣溫的平均值及其二、三次方作為溫度位移分量因子；

(3)因變量因子：位移觀測結果作為因變量因子，每月取一個觀測值；

(4)滯后步數的確定：由實測資料過程線可知,該鐵塔變形的周期性不明顯；根據經驗,鐵塔影響因素的滯后效應小于6個月,故取滯后步數6即可滿足實際需要；

第三步：原始觀測資料的預處理；

第四步：計算結果分析；

所述基于序列學習的電力鐵塔變形分析與決策方法中建立組合模型分析鐵塔形變狀態，具體步驟如下：

第一步：利用有限元分析理論，對問題鐵塔進行單元劃分，有別于傳統的空間剛架模型，針對鐵塔變形因素，特別設計了桁梁混合模型，即將鐵塔的主結構和橫隔結構確定為梁單元，斜拉結構確定為桿單元，更接近于實際的鐵塔結構，而且還能很方便地解決采用桁架模型不易解決的問題；

第二步：構造鐵塔整體剛度矩陣，計算結構等效節點荷載，確定結構平衡方程；

第三步：求解鐵塔節點平衡方程，得到節點位移，計算各單元結構應力，對鐵塔形變進行預測分析，這里將結合氣象數據、慣性測量數據驗證。