一种基于神经网络的输电线路鸟害状态预估方法与流程

本发明涉及输电线路巡检技术领域，具体涉及一种基于神经网络的输电线路鸟害状态预估方法。

背景技术：

输电线路的安全运行对于保证用户不间断地供电至关重要。目前的鸟害事故已成为影响输电线路安全运行的一大隐患，越来越引起电力部门的重视。目前国内的防鸟措施主要有在线路杆塔上安装惊鸟用的风车、恐怖眼，挂小红旗，安装防鸟刺等。研究发现，利用鸟类遇难报警或垂死前的鸣叫、求救等鸟类物种中特有的并具有遗传共性的、富有生物学意义的鸣叫器驱鸟效果最好。线路上的驱鸟器一般采用太阳能电池供电，因此必须采取节能措施，但是，现有驱鸟器一旦检测到飞鸟就会发出鸣叫声，使得电池的电量消耗巨大。

技术实现要素：

本发明的目的在于克服现有技术的缺点与不足，提供一种能够大大减少防鸟装置电池能耗的基于神经网络的输电线路鸟害状态预估方法。

本发明的目的通过下述技术方案实现：

一种基于神经网络的输电线路鸟害状态预估方法，包括下述步骤：

s1，通过多普勒雷达对输电线路杆塔附近的飞鸟活动进行检测，获取飞鸟飞行轨迹信息，提取飞行轨迹特征信息；

s2，构建飞行轨迹神经网络预测数学模型：

x(k)＝h(k-1)+αx(k-1)，

y(k)＝g(w⁴(k)h(k))，

其中x(k)表示第k次迭代承接层输出，h(k)表示第k次迭代隐含输出，o(k)表示第k次迭代输出层输出，y(k)表示输出层传递函数，f(·)表示隐含层的传递函数，iu表示外部输入变量，a为自反馈增益，w¹表示承接层到隐含层的连接权值，w²表示反馈延迟输出变量到隐含层的连接权值，w³表示输入变量到隐含层的连接权值，w⁴表示隐含层到输出层的连接权值，t表示外部输入变量iu的时间延迟长度，g(·)表示输出层传递函数；x(k)的第k次迭代承接层输出取决于历史时刻的w¹(k-1)，w²(k-1)，w³(k-1)，…，wⁿ(k-1)的数值；

s3，采用贝叶斯正则化算法训练飞行轨迹神经网络预测数学模型网络；训练性能函数为：

f(w)＝βa+αw，

其中a表示训练性能函数的均方误差，其中n表示训练样本总组数，yi表示第i组训练样本的预测值，ti表示第i组训练样本的实际值；α,β表示性能参数，n表示网络结构中的权值总数，wk表示第k个权值，w表示权值的均方值；通过在训练的过程中自适应调节性能参数α和β的大小，得到最适合的性能参数；

f(w)取得的最小值点w0处的α和β的优化解为：

其中n表示网络实际参数的总个数，γ表示网络有效参数的个数；

s3.1，设置初始值初始化性能参数α和β为0～1之间，以及设置神经网络的权值和阈值；

s3.2，利用levenberg-marquradt算法训练神经网络，保证目标函数f(w)最小；

s3.3，根据γ＝n-2β×tr(h^-1)求得网络有效参数的个数γ，采用高斯-牛顿逼近法得到训练性能函数f(w)的hessian矩阵：

s3.4，根据式更新性能参数α和β，以及神经网络的权值和阈值；

s3.5，判断神经网络是否收敛或者达到最大迭代次数；如果是，则结束训练；如果不是，重服训练s3.2至s3.5；

s4，当电网发生故障时，从线路保护装置采集到的故障信息中分析飞鸟的飞行轨迹，提取特征量作为输入参数，使用贝叶斯eman-narx神经网络学习算法进行概率计算，输出最大概率值所对应的飞行轨迹状态；

s5，通过仿真结果预测的飞鸟飞行轨迹与实际飞行轨迹进行对比，然后手动修改飞鸟飞行预估状态，形成飞鸟飞行轨迹数据训练样本，重复s3和s4对贝叶斯eman-narx神经网络学习算法进行动态修正，之后再次分析飞鸟的飞行轨迹，以达到准确判断飞鸟飞行轨迹进而驱散鸟类的目的。

本发明与现有技术相比具有以下的有益效果：

本发明在输电线路防鸟害方面能够有效减少防鸟装置启动次数，进而使现有防鸟装置的电能消耗大大减少，也实现现有防鸟装置达到智能化驱鸟，为后续巡检人员提供了极大的便利，具有较强的实用价值。

附图说明

图1为本发明的流程图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。

如图1所示，一种基于神经网络的输电线路鸟害状态预估方法，包括下述步骤：

步骤一，通过多普勒雷达对输电线路杆塔附近的飞鸟活动进行检测，获取飞鸟飞行轨迹信息，提取飞行轨迹特征信息；

步骤二，构建飞行轨迹神经网络预测数学模型：

x(k)＝h(k-1)+αx(k-1)，

y(k)＝g(w⁴(k)h(k))，

其中x(k)表示第k次迭代承接层输出，h(k)表示第k次迭代隐含输出，o(k)表示第k次迭代输出层输出，y(k)表示输出层传递函数，f(·)表示隐含层的传递函数，iu表示外部输入变量，a为自反馈增益，w¹表示承接层到隐含层的连接权值，w²表示反馈延迟输出变量到隐含层的连接权值，w³表示输入变量到隐含层的连接权值，w⁴表示隐含层到输出层的连接权值，t表示外部输入变量iu的时间延迟长度，g(·)表示输出层传递函数；x(k)的第k次迭代承接层输出取决于历史时刻的w¹(k-1),w²(k-1),w³(k-1),…,wⁿ(k-1)的数值；

步骤三，采用贝叶斯正则化算法训练飞行轨迹神经网络预测数学模型网络；训练性能函数为：

f(w)＝βa+αw，

其中a表示训练性能函数的均方误差，其中n表示训练样本总组数，yi表示第i组训练样本的预测值，ti表示第i组训练样本的实际值；α,β表示性能参数，n表示网络结构中的权值总数，wk表示第k个权值，w表示权值的均方值；通过在训练的过程中自适应调节性能参数α和β的大小，得到最适合的性能参数；

f(w)取得的最小值点w0处的α和β的优化解为：

其中n表示网络实际参数的总个数，γ表示网络有效参数的个数；

设置完上述训练性能函数后，开始进行以下训练：

(1)设置初始值初始化性能参数α和β为0～1之间，以及设置神经网络的权值和阈值；

(2)利用levenberg-marquradt算法训练神经网络，保证目标函数f(w)最小；

(3)根据γ＝n-2β×tr(h^-1)求得网络有效参数的个数γ，采用高斯-牛顿逼近法得到训练性能函数f(w)的hessian矩阵：

(4)根据式更新性能参数α和β，以及神经网络的权值和阈值；

(5)判断神经网络是否收敛或者达到最大迭代次数；如果是，则结束训练；如果不是，重服训练s3.2至s3.5；

步骤四，当电网发生故障时，从线路保护装置采集到的故障信息中分析飞鸟的飞行轨迹，提取特征量作为输入参数，使用贝叶斯eman-narx神经网络学习算法进行概率计算，输出最大概率值所对应的飞行轨迹状态；

步骤五，通过仿真结果预测的飞鸟飞行轨迹与实际飞行轨迹进行对比，然后手动修改飞鸟飞行预估状态，形成飞鸟飞行轨迹数据训练样本，重复步骤三和步骤四对贝叶斯eman-narx神经网络学习算法进行动态修正，之后再次分析飞鸟的飞行轨迹，以达到准确判断飞鸟飞行轨迹进而驱散鸟类的目的。

本文发明旨在解决如何根据飞鸟的飞行轨迹判断鸟类是否会在输电线路杆塔筑巢，为启动防鸟装置提供理论依据；通过多普勒雷达对杆塔附近的飞鸟活动进行探测，然后提取飞鸟回波多普勒信号，得到飞鸟飞行轨迹，通过贝叶斯eman-narx神经网络学习算法预测飞鸟飞行状态。

本发明在输电线路防鸟害方面能够有效减少防鸟装置启动次数，进而使现有防鸟装置的电能消耗大大减少，也实现现有防鸟装置达到智能化驱鸟，为后续巡检人员提供了极大的便利，具有较强的实用价值。

上述为本发明较佳的实施方式，但本发明的实施方式并不受上述内容的限制，其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化，均应为等效的置换方式，都包含在本发明的保护范围之内。