【技术实现步骤摘要】
电力工器具的作业行为估计方法、系统、存储介质及设备
[0001]本专利技术涉及物联网的通信和数据处理
,尤其涉及电力工器具的作业行为估计方法、系统、存储介质及设备。
技术介绍
[0002]在众多电力作业现场监护手段中,电力工器具的作业行为分析有助于加强电力作业现场监测,及时发现和排除安全隐患对于保障稳定生产和作业人员安全有着重要价值。
[0003]现有技术中在使用传感器陀螺仪、磁力计、加速度计等对工器具姿态进行估计时,解算误差会随着时间推移而累积导致电力工器具快速运动状态下加速度计与磁力计组合输出的导航姿态角可信度低,容易出现工器具姿态参数检测失真问题,这会使得工器具姿态估计不准,进而影响对危险作业行为的判断。
技术实现思路
[0004]基于此,有必要针对上述问题,提出了一种电力工器具的作业行为估计方法。
[0005]一种电力工器具的作业行为估计方法,所述方法包括下列步骤:
[0006]获取电力工器具的姿态参数;
[0007]根据所述姿态参数确定对数能量熵;
[0008]根据所述电力工器具的姿态参数和对数能量熵获取加权特征向量;
[0009]根据所述加权特征向量构建特征数据集;
[0010]根据所述特征数据集训练随机森林分类模型;
[0011]根据所述随机森林分类模型确定当前电力工器具的作业行为。
[0012]上述方案中,所述姿态参数包括位置参数和姿态角参数,其中,所述位置参数由GPS模块采集,所述姿态角参数根据双通道自适应 ...
【技术保护点】
【技术特征摘要】
1.一种电力工器具的作业行为估计方法,其特征在于,所述方法包括下列步骤:获取电力工器具的姿态参数;根据所述姿态参数确定对数能量熵;根据所述电力工器具的姿态参数和对数能量熵获取加权特征向量;根据所述加权特征向量构建特征数据集;根据所述特征数据集训练随机森林分类模型;根据所述随机森林分类模型确定当前电力工器具的作业行为。2.根据权利要求1所述的电力工器具的作业行为估计方法,其特征在于,所述姿态参数包括位置参数和姿态角参数,其中,所述位置参数由GPS模块采集,所述姿态角参数根据双通道自适应加权融合滤波器融合而成。3.根据权利要求2所述的电力工器具的作业行为估计方法,其特征在于,所述姿态角参数包括俯仰角θ0、横滚角γ0、航向角ψ0;所述位置参数包括经度L
on
、纬度L
at
和高度A
lt
。4.根据权利要求2所述的电力工器具的作业行为估计方法,其特征在于,所述姿态角参数根据双通道自适应加权融合滤波器融合而成,具体包括:根据电力工器具上的陀螺仪获取第一组姿态角:俯仰角、横滚角、航向角;根据电力工器具上的磁力计、加速度计和GPS模块获取第二组姿态角:俯仰角、横滚角、航向角;将两组俯仰角、横滚角、航向角参数输入双通道自适应加权融合滤波器进行融合;所述双通道自适应加权融合滤波器输出融合姿态角:俯仰角θ0、横滚角γ0、航向角ψ0。5.根据权利要求2至4中任一所述的电力工器具的作业行为估计方法,其特征在于,所述双通道自适应加权融合滤波器的噪声方差根据方型插值重采样矩阵的奇异值确定。6.根据权利要求5所述的电力工器具的作业行为估计方法,其特征在于,所述双通道自适应加权融合滤波器包含两部分:建立双通道三阶离散随机系统和利用最优融合算法进行姿态角参数估计。7.根据权利要求6所述的电力工器具的作业行为估计方法,其特征在于,所述建立双通道三阶离散随机系统具体包括:x0(k+1)=Φx0(k)+w0(k)y1(k)=H1x0(k)+v1(k)y2(k)=H2x0(k)+v2(k)其中,x0(k)为两组融合后的姿态角参数估计结果、x0(k+1)为k+1时刻两组融合后的姿态角参数估计结果、Φ为状态转移矩阵、H1和H2为观测矩阵、w0(k)为系统噪声向量,v1(k)和v2(k)分别为两组量测噪声向量、y1和y2分别为融合前两组估计的姿态角参数。8.根据权利要求6所述的电力工器具的作业行为估计方法,其特征在于,所述利用最优融合算法进行姿态角参数估计,具体包括:根据K
‑
1时刻两组姿态角的测量值确定K
‑
1时刻两组姿态角的预测值;获取K
‑
1时刻两组姿态角的预测误差,并根据其确定姿态角的滤波增益;根据所述K
‑
1时刻两组姿态角的预测值和滤波增益获取K时刻两组姿态角的预测值;根据所述K
‑
1时刻两组姿态角的预测误差确定K时刻两...
【专利技术属性】
技术研发人员:杨迎春,罕天玺,赵旭,唐立军,李正志,李梅玉,
申请(专利权)人:云南电网有限责任公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。