基于BP神經(jīng)網(wǎng)絡(luò)的變電站一次設(shè)備監(jiān)測傳感器數(shù)據(jù)融合技術(shù)研究

摘 要：針對目前變電站多傳感器數(shù)據(jù)較難融合管理的缺陷，本文基于BP神經(jīng)網(wǎng)絡(luò)算法，結(jié)合多傳感器數(shù)據(jù)融合技術(shù)，提出多傳感器信息的BP神經(jīng)網(wǎng)絡(luò)融合算法，實現(xiàn)變電站一次設(shè)備在線監(jiān)測傳感器多數(shù)據(jù)融合管理。

關(guān)鍵詞：BP算法；多傳感器；數(shù)據(jù)融合；Matlab

目前大多數(shù)變電站安裝有工業(yè)視頻監(jiān)控系統(tǒng)，這些監(jiān)控主要依賴于運行值班人員以及安保人員人工進行監(jiān)視，當(dāng)站內(nèi)進行范圍較大的檢修工作時不能充分發(fā)揮已安裝攝像頭的監(jiān)控作用，還需要依靠人工對監(jiān)控視頻進行輪詢。因此，采用先進的算法對變電站一次設(shè)備在線監(jiān)測傳感器進行人工智能管理具有重要意義。神經(jīng)網(wǎng)絡(luò)是一非線性的傳輸網(wǎng)絡(luò)，并且戰(zhàn)勝了很多的缺陷（尤其是原先人工智能方式上的弊端）。它能夠足夠好的處理信息并且在處理數(shù)據(jù)時擁有著自主的適應(yīng)能力。因而在預(yù)測、智能控制、模式識別、數(shù)據(jù)融合等多個領(lǐng)域得到應(yīng)用后并且獲取成功。[1-2]因此，本文基于BP神經(jīng)網(wǎng)絡(luò)算法，結(jié)合多傳感器數(shù)據(jù)融合技術(shù)，實現(xiàn)變電站一次設(shè)備在線監(jiān)測傳感器多數(shù)據(jù)融合管理。

1 BP神經(jīng)網(wǎng)絡(luò)算法

BP神經(jīng)網(wǎng)絡(luò)其實就是具有多層前饋性的神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)狀態(tài)。S型的函數(shù)其實是它下面所需要傳遞的神經(jīng)元的傳遞函數(shù)，0至1之間的持續(xù)量為所需的輸出量。本次論文主要采用L-M算法。L-M算法即Levenberg-Marguardt優(yōu)化算法，它是使用以最小化數(shù)據(jù)來作為其他非線性函數(shù)平方和的函數(shù)。這完全符合了神經(jīng)網(wǎng)絡(luò)在學(xué)習(xí)訓(xùn)練中性能的指數(shù)其實是對照了均方誤差的情況的?；贚-M算法的BP改進算法的優(yōu)點就是它能夠使得學(xué)習(xí)訓(xùn)練的時間更短并且精確度更高。

2 多傳感器數(shù)據(jù)融合

傳統(tǒng)的數(shù)據(jù)融合方法大多數(shù)是以貝葉斯推理和D-S證據(jù)推理為基礎(chǔ)，而貝葉斯數(shù)據(jù)融合方法需要先驗算概率，而在大多數(shù)狀況下，這種先驗算信息的方式很難獲得結(jié)果或結(jié)果不夠精確。而D-S證據(jù)理論卻具有很強的處理準(zhǔn)確性不高的信息的能力，但是在處理信息融合的情況的時候，其實是需要準(zhǔn)備并擁有充分多的證據(jù)。在多數(shù)的情況下，這些證據(jù)是不太容易獲得到的。因此結(jié)合連系了BP交融算法和神經(jīng)網(wǎng)絡(luò)交融算法這兩種算法的優(yōu)點，本文提出多傳感器信息的BP神經(jīng)網(wǎng)絡(luò)融合算法。

3 神經(jīng)網(wǎng)絡(luò)在變電站傳感器數(shù)據(jù)融合中的應(yīng)用

本文根據(jù)變電站一次設(shè)備所需要針對的數(shù)據(jù)融合中的傳感器管理方面的問題，提出了有關(guān)基于BP神經(jīng)網(wǎng)絡(luò)的傳感器管理方法的研究。如圖1所示：

圖1 數(shù)據(jù)融合中傳感器管理的原理框圖

由圖1可以看出，數(shù)據(jù)融合系統(tǒng)中傳感器的管理是由（1）傳感器選擇部分、（2）傳感器狀態(tài)選擇部分、（3）融合參數(shù)選擇部分、（4）知識庫部分這四個部份構(gòu)成。

在傳感器的選擇部分是根據(jù)傳感器所獲得的信息，進行預(yù)處理后，結(jié)合知識庫系統(tǒng)所存儲的基礎(chǔ)數(shù)據(jù)，利用模型邏輯來制定數(shù)據(jù)交融的所需要的傳感器的組合，以此來消除數(shù)據(jù)融合產(chǎn)生的負(fù)面影響（主要是是為了減小誤差）。而傳感器的狀態(tài)判別部分是分析出每個傳感器的運行狀態(tài)情況來判斷每個傳感器是否存在著問題。本文是采用了BP神經(jīng)網(wǎng)絡(luò)的方法來完成這樣管理任務(wù)。由于神經(jīng)網(wǎng)絡(luò)三個單元層對應(yīng)的網(wǎng)絡(luò)輸出值分別與各個傳感器的狀態(tài)相連接：采用BP算法進行網(wǎng)絡(luò)訓(xùn)練，這一過程對訓(xùn)練數(shù)據(jù)的生成有以下幾點要求：（1）傳感器處于正常工作的狀態(tài)或者得到的輸出值與其他同類型傳感器相差較小時，對應(yīng)的輸出狀態(tài)為1；（2）傳感器在工作過程中出現(xiàn)故障并且輸出值與其他同類型傳感器相差較大時，對應(yīng)的輸出狀態(tài)為0；（3）訓(xùn)練過程中沒有被選中的傳感器都看作是0。

當(dāng)神經(jīng)網(wǎng)絡(luò)算法運用應(yīng)用到現(xiàn)實操作中時，傳感器當(dāng)前的狀態(tài)由它的輸出信息說明，則有：（1）yi>0時，表示第i個傳感器當(dāng)前運行正常；（2）yi≤0時，表示第i個傳感器就被判定為運行不正常；其中為判別閾值，且0≤ 1，該值由系統(tǒng)確定。

在傳感器的交融參數(shù)選擇部分是根據(jù)輸出，再結(jié)合了數(shù)據(jù)庫部分所存儲的數(shù)據(jù)，來完成構(gòu)建融合結(jié)構(gòu)和算法部分。功能模塊包括傳感器的選擇部分的模糊邏輯規(guī)則和融合參數(shù)選擇部分的模糊邏輯規(guī)則；數(shù)據(jù)模塊是權(quán)值數(shù)據(jù)和算法的參數(shù)集合。知識庫的全部的內(nèi)容一般都是通過專家的意見和學(xué)者們實際訓(xùn)練所得到的。通過以上幾個部分的協(xié)作，能夠很好的完成數(shù)據(jù)融合系統(tǒng)中的傳感器管理。

4 實例分析

本文采用變電站一次設(shè)備五個傳感器測得的輸入值，輸出一個輸出值和包含有六個神經(jīng)元層數(shù)的隱層相互全連接，來進行網(wǎng)絡(luò)的學(xué)習(xí)與訓(xùn)練，但是需要不斷改變初始的權(quán)值和學(xué)習(xí)的步長才能達成一次理想中的訓(xùn)練。圖2為實際訓(xùn)練過程中不同神經(jīng)元數(shù)量誤差曲線變化，隨著神經(jīng)元個數(shù)的降低，均方差也會越來越小，但兩種隱含層神經(jīng)元個數(shù)情況下，均能夠較好的實現(xiàn)對多傳感器數(shù)據(jù)融合處理。選擇BP網(wǎng)絡(luò)結(jié)構(gòu)對其進行訓(xùn)練時，除了需要考慮隱層包含的神經(jīng)元個數(shù)以外，還需要考慮學(xué)習(xí)的步長及權(quán)值的初始值的對結(jié)構(gòu)構(gòu)造的影響，以使其能達到最好的訓(xùn)練效果。

5 結(jié)論

本文分析了神經(jīng)網(wǎng)絡(luò)算法的基本原理，給出神經(jīng)網(wǎng)絡(luò)算法對變電站一次設(shè)備監(jiān)測傳感器管理的實現(xiàn)方法并總結(jié)神經(jīng)網(wǎng)絡(luò)算法的特點和神經(jīng)網(wǎng)絡(luò)算法的基本流程。討論了通過Matlab軟件利用BP神經(jīng)網(wǎng)絡(luò)對于多傳感器數(shù)據(jù)融合的應(yīng)用。

參考文獻：

[1]章毅，郭泉，王建勇.大數(shù)據(jù)分析的神經(jīng)網(wǎng)絡(luò)方法[J].工程科學(xué)與技術(shù)，2017，49（1）：9-18.

[2]周慧，張尤賽，龔淼.基于RBF神經(jīng)網(wǎng)絡(luò)的醫(yī)學(xué)圖像分類算法研究[J].電子設(shè)計工程，2017，25（3）：113-116.

作者簡介：楊濤（1988-），男，本科，助理工程師，研究方向：變電檢修專業(yè)。