一種基于神經網絡的輸電線路鳥害狀態預估方法技術

本發明專利技術公開了一種基于神經網絡的輸電線路鳥害狀態預估方法，包括下述步驟：S1，通過多普勒雷達對輸電線路桿塔附近的飛鳥活動進行檢測，獲取飛鳥飛行軌跡信息，提取飛行軌跡特征信息；S2，構建飛行軌跡神經網絡預測數學模型；S3，采用貝葉斯正則化算法訓練飛行軌跡神經網絡預測數學模型網絡；本發明專利技術在輸電線路防鳥害方面能夠有效減少防鳥裝置啟動次數，進而使現有防鳥裝置的電能消耗大大減少，也實現現有防鳥裝置達到智能化驅鳥，為后續巡檢人員提供了極大的便利，具有較強的實用價值。

【技術實現步驟摘要】
一種基于神經網絡的輸電線路鳥害狀態預估方法
本專利技術涉及輸電線路巡檢
，具體涉及一種基于神經網絡的輸電線路鳥害狀態預估方法。
技術介紹
輸電線路的安全運行對于保證用戶不間斷地供電至關重要。目前的鳥害事故已成為影響輸電線路安全運行的一大隱患，越來越引起電力部門的重視。目前國內的防鳥措施主要有在線路桿塔上安裝驚鳥用的風車、恐怖眼，掛小紅旗，安裝防鳥刺等。研究發現，利用鳥類遇難報警或垂死前的鳴叫、求救等鳥類物種中特有的并具有遺傳共性的、富有生物學意義的鳴叫器驅鳥效果最好。線路上的驅鳥器一般采用太陽能電池供電，因此必須采取節能措施，但是，現有驅鳥器一旦檢測到飛鳥就會發出鳴叫聲，使得電池的電量消耗巨大。
技術實現思路
本專利技術的目的在于克服現有技術的缺點與不足，提供一種能夠大大減少防鳥裝置電池能耗的基于神經網絡的輸電線路鳥害狀態預估方法。本專利技術的目的通過下述技術方案實現：一種基于神經網絡的輸電線路鳥害狀態預估方法，包括下述步驟：S1，通過多普勒雷達對輸電線路桿塔附近的飛鳥活動進行檢測，獲取飛鳥飛行軌跡信息，提取飛行軌跡特征信息；S2，構建飛行軌跡神經網絡預測數學模型：x(k)＝h(k-1)+αx(k-1)，y(k)＝g(w4(k)h(k))，其中x(k)表示第k次迭代承接層輸出，h(k)表示第k次迭代隱含輸出，O(k)表示第k次迭代輸出層輸出，y(k)表示輸出層傳遞函數，f(·)表示隱含層的傳遞函數，Iu表示外部輸入變量，a為自反饋增益，w1表示承接層到隱含層的連接權值，w2表示反饋延遲輸出變量到隱含層的連接權值，w3表示輸入變量到隱含層的連接權值，w4表示隱含層到輸出層的連接權值，t表示外部輸入變量Iu的時間延遲長度，g(·)表示輸出層傳遞函數；x(k)的第k次迭代承接層輸出取決于歷史時刻的w1(k-1)，w2(k-1)，w3(k-1)，…，wn(k-1)的數值；S3，采用貝葉斯正則化算法訓練飛行軌跡神經網絡預測數學模型網絡；訓練性能函數為：F(w)＝βA+αW，其中A表示訓練性能函數的均方誤差，其中n表示訓練樣本總組數，yi表示第i組訓練樣本的預測值，ti表示第i組訓練樣本的實際值；α,β表示性能參數，N表示網絡結構中的權值總數，wk表示第k個權值，W表示權值的均方值；通過在訓練的過程中自適應調節性能參數α和β的大小，得到最適合的性能參數；F(w)取得的最小值點w0處的α和β的優化解為：其中N表示網絡實際參數的總個數，γ表示網絡有效參數的個數；S3.1，設置初始值初始化性能參數α和β為0～1之間，以及設置神經網絡的權值和閾值；S3.2，利用Levenberg-Marquradt算法訓練神經網絡，保證目標函數F(w)最小；S3.3，根據γ＝N-2β×tr(H-1)求得網絡有效參數的個數γ，采用高斯-牛頓逼近法得到訓練性能函數F(w)的Hessian矩陣：S3.4，根據式更新性能參數α和β，以及神經網絡的權值和閾值；S3.5，判斷神經網絡是否收斂或者達到最大迭代次數；如果是，則結束訓練；如果不是，重服訓練S3.2至S3.5；S4，當電網發生故障時，從線路保護裝置采集到的故障信息中分析飛鳥的飛行軌跡，提取特征量作為輸入參數，使用貝葉斯Eman-NARX神經網絡學習算法進行概率計算，輸出最大概率值所對應的飛行軌跡狀態；S5，通過仿真結果預測的飛鳥飛行軌跡與實際飛行軌跡進行對比，然后手動修改飛鳥飛行預估狀態，形成飛鳥飛行軌跡數據訓練樣本，重復S3和S4對貝葉斯Eman-NARX神經網絡學習算法進行動態修正，之后再次分析飛鳥的飛行軌跡，以達到準確判斷飛鳥飛行軌跡進而驅散鳥類的目的。本專利技術與現有技術相比具有以下的有益效果：本專利技術在輸電線路防鳥害方面能夠有效減少防鳥裝置啟動次數，進而使現有防鳥裝置的電能消耗大大減少，也實現現有防鳥裝置達到智能化驅鳥，為后續巡檢人員提供了極大的便利，具有較強的實用價值。附圖說明圖1為本專利技術的流程圖。具體實施方式下面結合實施例及附圖對本專利技術作進一步詳細的描述，但本專利技術的實施方式不限于此。如圖1所示，一種基于神經網絡的輸電線路鳥害狀態預估方法，包括下述步驟：步驟一，通過多普勒雷達對輸電線路桿塔附近的飛鳥活動進行檢測，獲取飛鳥飛行軌跡信息，提取飛行軌跡特征信息；步驟二，構建飛行軌跡神經網絡預測數學模型：x(k)＝h(k-1)+αx(k-1)，y(k)＝g(w4(k)h(k))，其中x(k)表示第k次迭代承接層輸出，h(k)表示第k次迭代隱含輸出，O(k)表示第k次迭代輸出層輸出，y(k)表示輸出層傳遞函數，f(·)表示隱含層的傳遞函數，Iu表示外部輸入變量，a為自反饋增益，w1表示承接層到隱含層的連接權值，w2表示反饋延遲輸出變量到隱含層的連接權值，w3表示輸入變量到隱含層的連接權值，w4表示隱含層到輸出層的連接權值，t表示外部輸入變量Iu的時間延遲長度，g(·)表示輸出層傳遞函數；x(k)的第k次迭代承接層輸出取決于歷史時刻的w1(k-1),w2(k-1),w3(k-1),…,wn(k-1)的數值；步驟三，采用貝葉斯正則化算法訓練飛行軌跡神經網絡預測數學模型網絡；訓練性能函數為：F(w)＝βA+αW，其中A表示訓練性能函數的均方誤差，其中n表示訓練樣本總組數，yi表示第i組訓練樣本的預測值，ti表示第i組訓練樣本的實際值；α,β表示性能參數，N表示網絡結構中的權值總數，wk表示第k個權值，W表示權值的均方值；通過在訓練的過程中自適應調節性能參數α和β的大小，得到最適合的性能參數；F(w)取得的最小值點w0處的α和β的優化解為：其中N表示網絡實際參數的總個數，γ表示網絡有效參數的個數；設置完上述訓練性能函數后，開始進行以下訓練：(1)設置初始值初始化性能參數α和β為0～1之間，以及設置神經網絡的權值和閾值；(2)利用Levenberg-Marquradt算法訓練神經網絡，保證目標函數F(w)最小；(3)根據γ＝N-2β×tr(H-1)求得網絡有效參數的個數γ，采用高斯-牛頓逼近法得到訓練性能函數F(w)的Hessian矩陣：(4)根據式更新性能參數α和β，以及神經網絡的權值和閾值；(5)判斷神經網絡是否收斂或者達到最大迭代次數；如果是，則結束訓練；如果不是，重服訓練S3.2至S3.5；步驟四，當電網發生故障時，從線路保護裝置采集到的故障信息中分析飛鳥的飛行軌跡，提取特征量作為輸入參數，使用貝葉斯Eman-NARX神經網絡學習算法進行概率計算，輸出最大概率值所對應的飛行軌跡狀態；步驟五，通過仿真結果預測的飛鳥飛行軌跡與實際飛行軌跡進行對比，然后手動修改飛鳥飛行預估狀態，形成飛鳥飛行軌跡數據訓練樣本，重復步驟三和步驟四對貝葉斯Eman-NARX神經網絡學習算法進行動態修正，之后再次分析飛鳥的飛行軌跡，以達到準確判斷飛鳥飛行軌跡進而驅散鳥類的目的。本文專利技術旨在解決如何根據飛鳥的飛行軌跡判斷鳥類是否會在輸電線路桿塔筑巢，為啟動防鳥裝置提供理論依據；通過多普勒雷達對桿塔附近的飛鳥活動進行探測，然后提取飛鳥回波多普勒信號，得到飛鳥飛行軌跡，通過貝葉斯Eman-NARX神經網絡學習算法預測飛鳥飛行狀態。本專利技術在輸電線路防鳥害方面能夠有效減少防鳥裝置啟動次數，進而使現有防鳥裝置的電能消耗大大減少，也實本文檔來自技高網...

【技術保護點】
1.一種基于神經網絡的輸電線路鳥害狀態預估方法，其特征在于，包括下述步驟：S1，通過多普勒雷達對輸電線路桿塔附近的飛鳥活動進行檢測，獲取飛鳥飛行軌跡信息，提取飛行軌跡特征信息；S2，構建飛行軌跡神經網絡預測數學模型：x(k)＝h(k?1)+ax(k?1)，

【技術特征摘要】
1.一種基于神經網絡的輸電線路鳥害狀態預估方法，其特征在于，包括下述步驟：S1，通過多普勒雷達對輸電線路桿塔附近的飛鳥活動進行檢測，獲取飛鳥飛行軌跡信息，提取飛行軌跡特征信息；S2，構建飛行軌跡神經網絡預測數學模型：x(k)＝h(k-1)+ax(k-1)，y(k)＝g(w4(k)h(k))，其中x(k)表示第k次迭代承接層輸出，h(k)表示第k次迭代隱含輸出，O(k)表示第k次迭代輸出層輸出，y(k)表示輸出層傳遞函數，f(·)表示隱含層的傳遞函數，Iu表示外部輸入變量，a為自反饋增益，w1表示承接層到隱含層的連接權值，w2表示反饋延遲輸出變量到隱含層的連接權值，w3表示輸入變量到隱含層的連接權值，w4表示隱含層到輸出層的連接權值，t表示外部輸入變量Iu的時間延遲長度，g(·)表示輸出層傳遞函數；x(k)的第k次迭代承接層輸出取決于歷史時刻的w1(k-1),w2(k-1),w3(k-1),…,wn(k-1)的數值；S3，采用貝葉斯正則化算法訓練飛行軌跡神經網絡預測數學模型網絡；訓練性能函數為：F(w)＝βA+αW，其中A表示訓練性能函數的均方誤差，其中n表示訓練樣本總組數，yi表示第i組訓練樣本的預測值，ti表示第i組訓練樣本的實際值；α,β表示性能參數，N表示網絡結構中的權值總數，wk表示第k個權值，W表示權值...

【專利技術屬性】
技術研發人員：張斌，林文帥，魯仁全，周琪，李鴻一，
申請(專利權)人：廣東工業大學，
類型：發明
國別省市：廣東,44