CO2激光器融合PCA-MEABP覆冰预测模型的变电站激光除冰方法及系统与流程

co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统
技术领域
1.本发明属于激光清障技术领域，具体涉及一种co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统。


背景技术：

2.变电站最为严重的自然灾害之一就是输电线路覆冰，由于各处变电站自然环境复杂多样，受大风、下雪等外界因素的影响，变电站电气设备极其容易出现各种故障甚至发生停电事故。
3.目前，针对变电站中输电线路的除冰方式主要有机械敲打法、直流融冰法。一般而言，机械敲打法存在工作人员安全无保障、特殊位置条件下操作困难等情况；直流融冰法需停电作业，而且能量消耗大。
4.现有技术中，激光技术应用于变电站已成为新的运维模式。移动小车搭载co2激光器用于变电站激光除冰已然成为一种高效方式。
5.同时激光器除冰时，目前都是依靠人工进行逐个设备部位的覆冰厚度判断，如果无法判断覆冰厚度，作业过程很大可能会损失设备，市场上暂无精准测量设备，无法满足变电站自主智能巡检和精益化管理要求。


技术实现要素：

6.本发明提供一种co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统，通过获得变电站激光除冰影响因素数据集，从变电站激光除冰影响因素数据集中选取一部分影响因素数据，通过pca方法分析比较排序，获得新主成分变量数据集，通过从新主成分变量数据集中随机抽取500组为训练组数据，50组为测试组数据，训练获得pca-meabp覆冰预测模型，随机在pca-meabp覆盖预测模型中输入当天变电站的特征向量，获得目标覆冰厚度，根据激光除冰作业距离，调整激光光斑大小和激光输出功率，输出激光开始除冰工作。解决了现有除冰操作中，无法对覆冰厚度进行准确判断，从而导致无法满足变电站自主智能巡检的技术问题。
7.本发明通过下述技术方案实现：
8.一种co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法及系统，所述方法包括以下步骤：
9.1)获得变电站激光除冰影响因素数据集，从变电站激光除冰影响因素数据集中选取一部分影响因素数据，通过pca方法分析比较排序，获得新主成分变量数据集；
10.2)通过从新主成分变量数据集中随机抽取500组为训练组数据，50组为测试组数据，训练获得pca-meabp覆冰预测模型，随机在pca-meabp覆盖预测模型中输入当天变电站的特征向量，获得目标覆冰厚度；
11.3)根据激光除冰作业距离，调整激光光斑大小和激光输出功率，输出激光开始除
冰工作；
12.4)获得电子设备覆冰表面红外成像温度图像以及激光除冰时温度实时变化数据，直至完成激光除冰工作。
13.可选地，步骤1)中获得新成分变量数据集的方法为：预先收集好目标变电站电气设备覆冰相关的550个数据集为变电站激光除冰影响因素数据集，从变电站激光除冰影响因素数据集中选取温度、湿度、风向、风速、降雨量、降雪量、气压、海拔影响因素数据，通过不同影响因素之间的关联性进行分析，最终获得新主成分变量数据集，即
14.mi＝m
i1
n1+m
i2
n2+
…
+m
i8
n8+xi(i＝1,
…
,4)
ꢀꢀꢀ
(1)
15.其中，n1…
n8为选取的不同影响因素，xi为mi相对误差，m
ij
为ni与mi的相关度系数，m表示新成分变量，m表示相关度系数，j为影响因素序号，i为影响因素个数。
16.可选地，步骤2)设置参数
17.(1)选取拓扑结构为4-10-1神经网络；
18.(2)选取训练集的均方误差的倒数作为个体与总体的得分函数；
19.(3)训练集与测试集数据均来自激光除冰作业变电站数据；
20.(4)心理进化算法的参数设置；
21.其中，心理进化算法的种群规模为100；获胜者和临时子组数为5；最大迭代次数为10次，作业当天输入变电站特征向量，得到最终输出目标厚度结果。
22.可选地，步骤3)中，根据激光除冰作业距离，调整激光光斑大小和激光输出功率，其中激光光斑直径r的计算公式为：
[0023][0024]
其中，r为激光原始光斑半径；n为扩束镜倍数；l为实际作业距离；θ为发散角。
[0025]
可选地，步骤4)中，获得激光除冰时温度实时变化数据，需要实时检测红外成像温度图像，如果出现温度跳变，可调整激光器激光方向，进行下一处的激光除冰操作。
[0026]
本发明还提供一种co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰系统，所述系统包括co2激光器、扩束系统、红外成像模块、数据处理与控制模块；
[0027]
co2激光器，用于输出激光并调整激光功率，进行激光除冰操作；
[0028]
扩束系统，用于调整激光光斑大小，并控制远距离激光除冰工作激光光斑的安全范围；
[0029]
红外成像模块，用于获得变电站电气设备覆冰表面的红外温度图像；
[0030]
数据处理与控制模块，用于接收红外成像模块传输的红外温度图像，并调节温度图像的增益，并根据红外图像的处理结果，实时检测激光除冰时温度变化数据。
[0031]
可选地，数据处理与控制模块包括图像处理模块和控制调节模块；
[0032]
图像处理模块，用于接收红外成像模块传输的红外温度图像；
[0033]
控制调节模块，用于调节红外温度图像的增益。
[0034]
可选地，扩束系统包括扩束镜，所述扩束镜为5
×
倍数的扩束镜。
[0035]
本发明与现有技术相比，具有如下的优点和有益效果：
[0036]
本技术方案中，通过获得变电站激光除冰影响因素数据集，从变电站激光除冰影响因素数据集中选取一部分影响因素数据，通过pca方法分析比较排序，获得新主成分变量
数据集，通过从新主成分变量数据集中随机抽取500组为训练组数据，50组为测试组数据，训练获得pca-meabp覆冰预测模型，随机在pca-meabp覆盖预测模型中输入当天变电站的特征向量，获得目标覆冰厚度，根据激光除冰作业距离，调整激光光斑大小和激光输出功率，输出激光开始除冰工作。整个激光除冰工作，不需要依靠人工，即可实现对变电站电气设备部位的覆冰厚度进行精准测量，能够基于覆冰厚度的判断，来调整co2激光器的激光光斑大小和激光输出功率，确保co2激光器的正常工作。
附图说明
[0037]
图1为本发明co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰系统的工作流程图；
[0038]
图2为本发明co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法中步骤2)的工作流程图。
具体实施方式
[0039]
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
[0040]
实施例1：
[0041]
如图1所示，一种co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法，所述方法包括以下步骤：
[0042]
1)获得变电站激光除冰影响因素数据集，从变电站激光除冰影响因素数据集中选取一部分影响因素数据，通过pca方法分析比较排序，获得新主成分变量数据集；
[0043]
步骤1)中获得新成分变量数据集的方法为：预先收集好目标变电站电气设备覆冰相关的550个数据集为变电站激光除冰影响因素数据集，从变电站激光除冰影响因素数据集中选取温度、湿度、风向、风速、降雨量、降雪量、气压、海拔影响因素数据，通过不同影响因素之间的关联性进行分析，最终获得新主成分变量数据集，即
[0044]
mi＝m
i1
n1+m
i2
n2+
…
+m
i8
n8+xi(i＝1,
…
,4)
ꢀꢀꢀ
(3)
[0045]
其中，n1…
n8为选取的不同影响因素，xi为mi相对误差，m
ij
为ni与mi的相关度系数，m表示新成分变量，m表示相关度系数，j为影响因素序号，i为影响因素个数。
[0046]
2)通过从新主成分变量数据集中随机抽取500组为训练组数据，50组为测试组数据，训练获得pca-meabp覆冰预测模型，随机在pca-meabp覆盖预测模型中输入当天变电站的特征向量，获得目标覆冰厚度；
[0047]
步骤2)设置参数具体方法为：
[0048]
(1)选取拓扑结构为4-10-1神经网络；
[0049]
(2)选取训练集的均方误差的倒数作为个体与总体的得分函数；
[0050]
(3)训练集与测试集数据均来自激光除冰作业变电站数据；
[0051]
(4)心理进化算法的参数设置；
[0052]
其中，心理进化算法的种群规模为100；获胜者和临时子组数为5；最大迭代次数为10次，作业当天输入变电站特征向量，得到最终输出目标厚度结果。
[0053]
3)根据激光除冰作业距离，调整激光光斑大小和激光输出功率，输出激光开始除冰工作；
[0054]
步骤3)中，根据激光除冰作业距离，调整激光光斑大小和激光输出功率，其中激光光斑直径r的计算公式为：
[0055][0056]
其中，r为激光原始光斑直径；n为扩束镜倍数；l为实际作业距离；θ为发散角。
[0057]
4)获得电子设备覆冰表面红外成像温度图像以及激光除冰时温度实时变化数据，直至完成激光除冰工作。
[0058]
其中，步骤4)中，获得激光除冰时温度实时变化数据，需要实时检测红外成像温度图像，如果出现温度跳变，可调整激光器激光方向，进行下一处的激光除冰操作，避免在激光除冰操作中对电气设备产生损伤。
[0059]
实施例2：
[0060]
本实施例是以宜昌运维部分所辖变电站绝缘子除冰情况为例。
[0061]
本实施例使用的co2激光器型号为synrad ti60；内置光束直径2.2mm；波长为10.6μm。
[0062]
步骤一：检查co2激光器synrad ti60与其余模块连接是否正常、电量是否充沛；若检查无异常，开始对宜昌运维分部所辖变电站进行绝缘子除冰任务；
[0063]
步骤二：收集当日变电站所需数据集，通过pca-meabp覆冰预测模型得到目标覆冰厚度；
[0064]
当日变电站温度为-3℃、相对湿度82.4％、风向为东南风、风速3.7m/s、降雨量为0、降雪量为0、气压100.7kpa、海拔67m，通过pca-meabp覆冰预测模型计算得到绝缘子覆冰厚度为23.6mm。
[0065]
步骤三：测量除冰作业距离，调整扩束镜倍数以及激光功率，选择合适的光斑大小以及输出工作功率；
[0066]
用激光测距仪，测量co2激光器的出光口到目标绝缘子之间的距离，测量结果l为6.43m，co2激光器的出光口装载上5倍扩束镜以及红外指示；
[0067]
通过式(2)计算可得实际光斑直径r为20mm，满足激光作业光斑25mm以内范围，装载完毕后，将pwm控制器占空比调整为0，连接激光器，开启激光器供电，将占空比调至80％，即激光器输出功率为60w，一切准备工作完毕后，按下pwm控制器开启按钮，激光器输出激光。
[0068]
步骤四：数据处理与控制模块接收红外成像温度图像，实时检测激光除冰温度变化，以防损伤电气设备，同时保证激光除冰正常工作。以温度变化情况为准，及时调整激光输出轨迹。
[0069]
实施例3：
[0070]
本实施例提供一种co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰系统，所述系统包括co2激光器、扩束系统、红外成像模块、数据处理与控制模块；
[0071]
co2激光器，用于输出激光并调整激光功率，进行激光除冰操作；
[0072]
扩束系统，用于调整激光光斑大小，并控制远距离激光除冰工作激光光斑的安全
范围；
[0073]
红外成像模块，用于获得变电站电气设备覆冰表面的红外温度图像；
[0074]
数据处理与控制模块，用于接收红外成像模块传输的红外温度图像，并调节温度图像的增益，并根据红外图像的处理结果，实时检测激光除冰时温度变化数据。
[0075]
其中，数据处理与控制模块包括图像处理模块和控制调节模块；
[0076]
图像处理模块，用于接收红外成像模块传输的红外温度图像；
[0077]
控制调节模块，用于调节红外温度图像的增益。
[0078]
红外成像模块具体可为红外成像仪，能够获取电气设备覆冰表面的红外温度图像。
[0079]
其中，扩束系统包括扩束镜，所述扩束镜为5
×
倍数的扩束镜。5
×
倍数的扩束镜的选择，既能保证co2激光器的光斑不宜过大，且能够确保co2激光器的激光作业效率。
[0080]
本实施例中通过获得变电站激光除冰影响因素数据集，从变电站激光除冰影响因素数据集中选取一部分影响因素数据，通过pca方法分析比较排序，获得新主成分变量数据集，通过从新主成分变量数据集中随机抽取500组为训练组数据，50组为测试组数据，训练获得pca-meabp覆冰预测模型，随机在pca-meabp覆盖预测模型中输入当天变电站的特征向量，获得目标覆冰厚度，根据激光除冰作业距离，调整激光光斑大小和激光输出功率，输出激光开始除冰工作。整个激光除冰工作，相对于现有技术中，采用人工的机械敲打法，或直流融冰法，不需要依靠人工，即可实现对变电站电气设备部位的覆冰厚度进行精准测量，能够基于覆冰厚度的判断，来调整co2激光器的激光光斑大小和激光输出功率，确保co2激光器的正常工作。
[0081]
本实施例所述co2激光器融合pca-meabp覆冰预测模型的变电站激光除冰方法，是一种全新的运维模式，完全不需要依靠人工，即可实现对电气设备部位的覆冰厚度进行测量，且在作业过程中减少甚至避免对设备的损伤，满足变电站自主智能巡检和精益化管理的要求。
[0082]
以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。