变电站定位偏差的校正方法、装置和电子设备与流程

本申请涉及变电站的定位偏差校正，具体而言，涉及一种变电站定位偏差的校正方法、变电站定位偏差的校正装置、计算机可读存储介质和电子设备。

背景技术：

1、变电站作为电力系统的重要节点，承担着电能变换和传输的关键任务。随着电力系统的智能化和自动化程度不断提高，变电站内部的设备维护和管理越来越依赖于大型机具和自动化设备的精准定位。然而，变电站内的强电磁环境对常规的定位技术，如gps(全球定位系统，global positioning system，简称gps)、rfid(射频识别，radio frequencyidentification，简称rfid)等，造成了严重干扰，导致大型机具的定位精度和可靠性显著下降，进而影响设备的正常运作和维护效率。变电站内的高压设备和大量电气元件在运行过程中会产生强烈的电磁场，这些电磁干扰会对定位信号产生多路径效应和信号衰减，导致定位误差的增大。此外，变电站内部复杂的结构和障碍物(如变压器、开关柜等)也会对定位信号的传播路径造成阻挡和反射，进一步加剧定位的困难。

2、因此，需要一种有效的变电站的定位偏差校正方法。

技术实现思路

1、本申请的主要目的在于提供一种变电站定位偏差的校正方法、变电站定位偏差的校正装置、计算机可读存储介质和电子设备，以至少解决现有技术中变电站的强电磁环境影响了定位系统的定位准确性的问题。

2、为了实现上述目的，根据本申请的一个方面，提供了一种变电站定位偏差的校正方法，包括：获取多个定位传感器采集的数据，得到多个定位数据，对多个所述定位数据进行数据融合，得到融合数据；根据所述融合数据进行特征提取，得到特征数据，通过神经网络模型对所述特征数据进行分析，得到定位误差，其中，所述神经网络模型是通过多组数据训练得到的，所述多组数据中的每组数据均包括：所述特征数据和每组所述特征数据对应的误差标签；根据所述定位误差对所述定位数据进行校正。

3、可选地，通过神经网络模型对所述特征数据进行分析，包括：确定所述神经网络模型的隐藏层输出为其中，xtrain为训练集数据，w1为所述神经网络模型的第一层的权重矩阵，w2为所述神经网络模型的第二层的权重矩阵，b1为所述神经网络模型的所述第一层的偏置向量，b2为所述神经网络模型的所述第二层的偏置向量，z1表示所述神经网络模型的第一隐藏层的输出，z2表示所述神经网络模型的第二隐藏层的输出；确定所述神经网络模型的预测位置为其中，w3为所述神经网络模型的第三层的权重矩阵，b3为所述神经网络模型的所述第三层的偏置向量，表示所述预测位置。

4、可选地，在通过神经网络模型对所述特征数据进行分析之前，所述方法还包括：获取初始超参数，在参数网格上进行穷举搜索，并通过交叉验证确定每组所述初始超参数的性能，确定所述神经网络模型的最佳超参数组合；确定l2正则化参数为l2＝λ∑w2，其中，λ表示正则化参数，w表示所述神经网络模型中的权重参数。

5、可选地，所述方法还包括：将均方误差确定为所述神经网络模型的第一损失函数，将平均绝对误差确定为所述神经网络模型的第二损失函数，对所述神经网络模型进行验证，其中，为第i个样本的预测横坐标位置，yi1为第i个样本的实际横坐标位置，为第i个样本的预测纵坐标位置，yi2为第i个样本的实际纵坐标位置，n表示所述样本的个数；通过反向传播算法和梯度下降法优化所述神经网络模型的权重矩阵和偏置向量，以最小化所述第一损失函数和所述第二损失函数。

6、可选地，在得到融合数据之后，所述方法还包括：对所述融合数据进行去噪处理和归一化处理，得到归一化融合数据，根据所述归一化融合数据构建传感器数据矩阵；获取多个所述定位数据对应的实际位置数据，并根据所述实际位置数据构建实际数据矩阵；根据所述传感器数据矩阵和所述实际数据矩阵确定误差分布特征。

7、可选地，对多个所述定位数据进行数据融合，得到融合数据，包括：对多个所述定位数据进行时间同步，得到多个时间同步数据；对所述时间同步数据进行空间同步，得到时空同步数据；对所述时空同步数据进行数据融合，得到所述融合数据。

8、可选地，对所述时空同步数据进行数据融合，得到所述融合数据，包括：通过贝叶斯滤波方法x(t)＝bayesianfilter[g'(t),i'(t),l'(t),u'(t)]对所述时空同步数据进行数据融合，得到所述融合数据，其中，g’(t)表示时空同步之后的gps数据，i’(t)表示时空同步之后的惯性测量单元imu数据，l’(t)表示时空同步之后的激光雷达lidar数据，u’(t)表示时空同步之后的超宽带uwb数据，x(t)表示所述融合数据，bayesianfilter[]表示所述贝叶斯滤波方法的计算式。

9、根据本申请的另一方面，提供了一种变电站定位偏差的校正装置，包括：融合单元，用于获取多个定位传感器采集的数据，得到多个定位数据，对多个所述定位数据进行数据融合，得到融合数据；分析单元，用于根据所述融合数据进行特征提取，得到特征数据，通过神经网络模型对所述特征数据进行分析，得到定位误差，其中，所述神经网络模型是通过多组数据训练得到的，所述多组数据中的每组数据均包括：所述特征数据和每组所述特征数据对应的误差标签；校正单元，用于根据所述定位误差对所述定位数据进行校正。

10、根据本申请的再一方面，提供了一种计算机可读存储介质，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的变电站定位偏差的校正方法。

11、根据本申请的又一方面，提供了一种电子设备，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行任意一种所述的变电站定位偏差的校正方法。

12、应用本申请的技术方案，获取多个定位传感器采集的数据，得到多个定位数据，对多个定位数据进行数据融合，得到融合数据；根据融合数据进行特征提取，得到特征数据，通过神经网络模型对特征数据进行分析，得到定位误差，其中，神经网络模型是通过多组数据训练得到的，多组数据中的每组数据均包括：特征数据和每组特征数据对应的误差标签；根据定位误差对定位数据进行校正。与现有技术中，变电站的强电磁环境影响了定位系统的定位准确性，本申请可以将多个定位数据进行数据融合，之后根据融合数据训练神经网络模型，对定位误差进行实时修正，以弥补变电站的强电磁环境引起的定位误差。因此，能够解决现有技术中定位信息不准确的问题，减小电磁环境对定位系统准确性的影响。

技术特征：

1.一种变电站定位偏差的校正方法，其特征在于，包括：

2.根据权利要求1所述的校正方法，其特征在于，通过神经网络模型对所述特征数据进行分析，包括：

3.根据权利要求1所述的校正方法，其特征在于，在通过神经网络模型对所述特征数据进行分析之前，所述方法还包括：

4.根据权利要求1所述的校正方法，其特征在于，所述方法还包括：

5.根据权利要求1所述的校正方法，其特征在于，在得到融合数据之后，所述方法还包括：

6.根据权利要求1所述的校正方法，其特征在于，对多个所述定位数据进行数据融合，得到融合数据，包括：

7.根据权利要求6所述的校正方法，其特征在于，对所述时空同步数据进行数据融合，得到所述融合数据，包括：

8.一种变电站定位偏差的校正装置，其特征在于，包括：

9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质包括存储的程序，其中，在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至7中任意一项所述的变电站定位偏差的校正方法。

10.一种电子设备，其特征在于，包括：一个或多个处理器，存储器，以及一个或多个程序，其中，所述一个或多个程序被存储在所述存储器中，并且被配置为由所述一个或多个处理器执行，所述一个或多个程序包括用于执行权利要求1至7中任意一项所述的变电站定位偏差的校正方法。

技术总结本申请提供了一种变电站定位偏差的校正方法、装置和电子设备。该方法包括：获取多个定位传感器采集的数据，得到多个定位数据，对多个定位数据进行数据融合，得到融合数据；根据融合数据进行特征提取，得到特征数据，通过神经网络模型对特征数据进行分析，得到定位误差，其中，神经网络模型是通过多组数据训练得到的，多组数据中的每组数据均包括：特征数据和每组特征数据对应的误差标签；根据定位误差对定位数据进行校正。通过本申请，解决了现有技术中变电站的强电磁环境影响了定位系统的定位准确性的问题。技术研发人员：邓波明,叶超,颜恒生,何明,黄万春,许志辉,梁瑞智,江碧云,谭绍星,陈宇锋受保护的技术使用者：广东电网有限责任公司云浮供电局技术研发日：技术公布日：2024/11/18