分布式定位算法（精选10篇）
分布式定位算法 篇1
0 引言
近年来,分布式发电以其投资省、发电方式灵活、与环境兼容等特点得到了快速发展。分布式电源DG(Distributed Generation)指容量较小(几千瓦到几十兆瓦)的发电装置,直接与配网相连,向负荷或电网供电。伴随DG接入,配网由原来的单电源辐射型网络逐步转变成多电源的互联网络,保护的运行环境发生了深刻变化[1,2,3]。
基于多电源区域的配电网故障定位算法虽然能够解决保护选择性问题[4,5],但是需要利用故障时的功率方向与定义的正方向相比较,以判断故障的搜索方向,由于馈线上一般不装设电压互感器,所以其应用领域受到限制。
目前,已有学者对分布式发电环境下无PT通道的保护方案展开了研究[6,7],其方案基于广域保护的集中决策模式,由集中控制器收集全网故障信息,形成故障信息矩阵,由矩阵算法定位故障,信息交换和处理量大。但就保护而言,接受故障信息的范围并非越大越好,主要出于两方面原因:1.接收和处理大范围的信息不易满足保护的快速性要求;2.故障可能只对局部范围产生影响,而该范围的故障信息对于故障判断至关重要,该范围以外信息则无关紧要[8]。
本文将分布决策广域保护模式引入分布式发电系统,针对实际的分布式发电网络模型,阐述了有关拓扑矩阵的建立方法,智能电子装置(IED)关联区域划分方式以及特殊情况下关联区域的修整。基于划分好的区域,仅需结合区域内的电流量信息,进行一次定位和二次定位计算,即可确定故障区段。该算法条理清晰,实用性强,对于IED信息缺失和DG投切造成的网络结构变化具有很好的适应性。
1 分布式发电广域保护系统
1.1 分布式发电系统网络结构
为了最大限度地利用DG,在故障情况下便于实现孤岛或微网运行,本文讨论的方案中,DG由配电网各级母线接入(如图1所示)。各母线节点(下文简称节点)按所连接分支数量分为多分支节点(图1节点1),三分支节点(包括中间三分支节点,如图1节点2、6以及边缘三分支节点,如图1节点4、7)和两分支节点(图1节点5)。根据基尔霍夫电流定律,故障情况下,多分支节点和三分支节点可以判断故障方向(具体方法下文提及),两分支节点在没有电压量参与的情况下不易判断故障方向。
说明一下,本文所指故障均为单一线路故障,母线故障和DG故障由相应的母线保护和DG分支快速保护切除,不在考虑之列。
1.2 分布式发电广域保护系统结构形式
目前,广域保护系统主要采用两种结构形式:集中决策式和分布决策式。集中决策结构由集中控制器和分散安装的IED组成,利用集中控制器收集各IED的信息,综合判断,完成故障定位。而在分布式决策结构中,不设置集中控制器,保护工作由分散安装的IED完成。IED不仅负责安装点信息的采集、运算和传输,还要完成故障的定位和判断[9]。
鉴于集中决策模式对集中控制器和通信系统的依赖较高,本文研究的分布式发电广域保护系统采用分布决策模式,取消集中控制器,仅保留IED与变电站主控装置(SMU)的通信接口,用以上传信息,更新任务及数据。IED安装于配网各级母线处,采集母线各分支电流,计算比较,完成保护任务。具体结构如图1所示。
2 IED关联区域划分
分布决策式广域保护系统中的IED,理论上可以获得系统任意测量点的信息。但实际应用中,盲目地大范围交换信息无疑会增加通信系统负担,降低通信系统的可靠性,对于保护系统也无意义[9]。要使各IED快速、可靠地工作,必须规定IED的信息交换范围,通过故障时一定区域内的IED信息交换定位故障。本节将对IED关联区域(下文简称关联区域)的划分进行研究。
2.1 网络拓扑描述
分析一个配电网络,首先要根据相关网络数据建立各节点间的拓扑关系。本文规定从系统电源往线路末端的方向为正方向,系统电源侧为上游,线路末端为下游。以母线为节点,支路为边形成m×m矩阵D描述网络结构(规定同一支路下游节点编号大于上游节点,以确立唯一的遍历方向,避免关联区域的重复划分):
其中:dij=1(i≠j)对应节点i,j之间存在支路连接;dii=1代表节点i为多分支或三分支节点;其余矩阵元素为零。
由矩阵元素定义可知,矩阵D为对称阵,故只需保留对角线一侧的元素,另一侧元素可清零,以减少数据的存储和计算量。
图2为实际的分布式发电系统,以图2所示系统为例形成网络描述矩阵,并清零对角线下侧元素(未标出元素值即为零):
2.2 关联区域划分方法
网络描述矩阵仅指明了节点类型及其相互关系,而关联区域划分需要遍历网络节点,搜索形成以区域为单位的节点集(IED集)以及节点的链接关系,达到划分后的区域在故障时应能够快速、独立地判断区域内部是否发生故障的目的。由此给出两条划分原则:
1)关联区域边界节点必须可以判断故障方向。
2)关联区域应尽可能小,以缩小IED的信息交换范围,减小网络通信负担。
根据原则1,关联区域的边界节点必须是多分支或三分支节点。根据原则2,正常情况下,关联区域应是两个多分支或三分支节点确定的支路所包含的节点集或是边缘三分支节点下游支路所包含的节点集。具体划分流程如下:
(1)形成m×m的网络描述矩阵D,并令初始i=1。执行步骤(2)。
(2)考察Dii,若Dii=1,发起搜索,执行步骤(3);若Dii=0,则转至步骤(6)。
(3)若∀Dij=0,由网络结构可知发起搜索节点为边缘三分支节点,搜索完成,记录节点搜索路径,转至步骤(6),;若∃Dij=1,则以Dij为考察对象,执行步骤(4)。
(4)对于考察的非对角线元素DXY,若DYY=1,搜索完成,记录节点搜索路径,转至步骤(6);若DYY=0,则以DYY为考察对象,执行步骤(5)。
(5)对于考察的对角线元素DYY,若∀DYZ=0,由网络结构可知发起搜索节点为边缘三分支节点,搜索完成,记录节点搜索路径,转至步骤(6);若∃DYZ=1,以DYZ为考察对象,执行步骤(4)。
(6)判断i是否等于m,若I=m,结束划分程序;若i≠m,则令i=i+1,转至步骤(2)。
按上述流程对图2所示网络进行关联区域划分,划分结果如表1所示(★标注节点表示边缘三分支节点)。
2.3 特殊情况的关联区域修整
分布式发电系统特殊情况包括电网结构调整,继电保护的N-1状况等等。本文仅考虑对关联区域划分结果造成影响的两种情况:DG投切导致的电网结构变化和IED信息缺失。针对这两种情况,提出关联区域的修整方法,方法仅需修整相关的关联区域,不必对整个电网重新划分。
2.3.1 DG投切情况下关联区域的修整
由1.1所述分布式发电系统网络结构特点可知,DG投切会造成节点所连接分支数发生变化,从而可能改变节点性质:节点由可判断故障方向变为不可判断(DG切除)或不可判断故障方向变为可判断(DG投入)。针对这一情况,给出关联区域的修整方法:若节点DG切除,且分支数<3,将以此节点为首节点的区域合并至以此节点为末节点的区域;若节点投入DG,则以此节点分别作为区域末节点和区域首节点将原节点所在区域一分为二。
鉴于DG投切的随机性,对DG投切造成的关联区域修整结果进行讨论:根据上述修整方法,DG投入导致关联区域缩小,即缩小了通信范围,减小网络负担;而DG切除会扩大关联区域,但由2.2节的关联区域划分原则,极端情况下(即某条馈线DG大范围切除时),关联区域修整的最大范围也仅为原配电网络的多分支节点或三分支节点的下游区域。如图2节点3和6所接DG全部切除时,关联区域即为1-3-4-6。而此时区域各段只要按三段式电流保护助增的情况整定保护启动电流就可以保证有选择性地动作[11]。
2.3.2 IED信息缺失情况下关联区域的修整
根据标题2.2所述原则1,关联区域的边界节点必须可以判断故障方向,由此判断故障是否发生在本区域。此判断是以区域为单位,则可判断故障方向的IED信息(即关联区域边界节点的IED信息)至关重要,而非关联区域边界节点的IED信息缺失并不影响区域故障判断。针对这一特点,给出关联区域边界节点信息缺失时的修整方法:将信息缺失节点为首节点的区域合并至以此节点为末节点的区域。
图3为特殊情况下关联区域修整示例,虚线包围区域即为关联区域。
3 故障定位的实现
关联区域的划分规定了各IED的信息交换范围,但实现故障定位还需要借助一定的判据及方法。本文采用先以关联区域为单位进行故障一次定位,再根据故障区域的节点连接关系进行二次定位的判断方法。其指导思想为:1)电网预先划定为各关联区域,IED根据划分规则属于不同的关联区域;2)同一IED可能属于多个关联区域,在不同的区域内独立判断;3)各IED列出其与所在关联区域内其他IED的连接关系表,同属一个关联区域的IED相互通信;4)故障时,各IED根据其他IED传来信息对照表中关系计算,比较,确定故障区段。本节根据定位方法和指导思想,确定交换信息的内容、形式和故障判断的方法。
3.1 以关联区域为单位的故障一次定位
3.1.1 故障方向判断及故障电流判据
线路发生故障时,多分支和三分支节点可以判断故障方向,其原理如图4所示。
图4所示的三分支节点为例,故障情况下,根据KCL定律有即流入母线的故障电流之和等于流出故障电流。若故障发生在支路为流入节点,移项并取幅值有
对于接入DG的配电网来说,一般DG与系统的功角差很小;而且由于系统和线路的阻抗以及发电机的暂态电抗都是感性的,阻抗角相差也很小。由此可以依照平行四边形法则做出向量图,如图5所示。
即发生故障时,可以通过多分支或三分支节点各条支路流过的电流幅值大小来判断故障发生在哪条支路,从而间接判断出故障电流的方向。
3.1.2 故障一次定位的数学表述
设F(A)为关联区域状态函数,F(A0),F(Ae)分别表示区域首末节点信息。定义:
若区域首节点为边缘三分支节点,节点下游支路感受到故障电流则可认为故障发生在下游,否则认为故障发生在上游支路,即F(A)=F(A0)=1即可断定该区域发生故障,需要进行二次定位。F(A)=F(A0)=0则区域内无故障。
若区域首节点非边缘三分支节点,定义故障判据为:
考虑某IED信息缺失修正后的关联区域首节点个数为1,但区域末节点个数可能不唯一,关联区域为故障区域的充分条件为:F(A0)=1且F(A0)=-F(Aei),i={1,2,…,n},n为区域末节点个数。
综合正常情况和IED信息缺失情况,修整故障判据:
3.1.3 算例分析
以图2所示的分布式发电系统为例,系统已在正常情况下完成关联区域划分,结果如表1所示。当F1点发生故障时,假设各IED均感受到故障电流,各关联区域判断结果如表2所示。
由判断结果可知,关联区域3为故障区域,由于区域节点数>2即区域包含区段数不唯一,需要进行二次定位。
注:★区域首节点为边缘三分支节点。
3.2 二次定位确定故障区段
一次定位确定出故障区域后,由于区域中可能包含无法判断故障方向的两分支节点,需要利用电流相位比较判据定位故障区段。
3.2.1 电流相位比较判据原理
故障电流流经非故障线段时同负荷电流一样具有穿越性,而故障电流流经故障段时则不同。
如图6所示,当F1处发生三相故障时,故障电流(包含负荷电流)中只有正序分量,非故障段BC两端互感器测得故障电流Ibcf 1,Icbf 1的相位同时超前或滞后负荷电流一个相位角α;而故障区段AB两端测得故障电流Iabf 1,Ibaf 1的相位一个滞后负荷电流α角,一个超前负荷电流β,且α+β≈π。若负荷电流方向改变(图7中虚线相量表示),上述相位关系仍然成立。具体相位关系如图7所示。
当F1处发生两相故障时,故障电流中既有正序分量也有负序分量,两者互相独立。故障电流正序分量中有负荷电流分量,负荷电流与故障电流相比,显得很小,对正序分量的相位影响很小。因此,可以得到和三相故障时类似的结论。
综合两相短路和三相短路的情况可以看出:非故障段两端的故障电流正序分量始终同时超前或者同时滞后于负荷电流;而故障段一端的故障电流正序分量超前于负荷电流,另一端的故障电流正序分量滞后于负荷电流。
3.2.2 故障二次定位的数学表述及算例分析
设G(i,j)为区段状态函数,G(l i),G(l j)分别表示区段首末节点信息。定义:
根据式(1)对故障区域各区段进行判别,若G(i,j)=-1则i-j为故障区段,断开线路首末开关,若故障区域内无G(i,j)=-1,则认为G(i,j)=0即无负荷电流区段发生故障。
以式(1)对算例3.1.3确定的故障区域内各区段进行二次判断,精确定位出故障区段,结果如表3所示。
4 算法特点及工作流程
本文提出的故障定位算法特点:
a)采用分布决策的广域保护模式,通过离线划分关联区域规定各IED的通信范围,减小了保护对于通信网络和集中控制器的依赖。
b)通过一次和二次定位,分别确定故障区域和故障区段,思路清晰,可靠性强。
c)算法不依赖电压量,IED可在现有的馈线终端单元(FTU)硬件基础上通过软件升级实现,便于与现有的配网自动化(DA)系统配合。
故障定位算法的流程如图8所示。
5 结语
目前,对分布式发电保护系统的研究尚处于探索阶段。本文根据分布式发电系统的结构和特点,提出了一种基于分布决策模式的故障定位新算法。该算法通过智能电子装置(IED)关联区域内的IED交换信息,结合区域状态函数F(A)和区段状态函数G(i,j)的简单计算,即可定位故障。文中详细阐述了IED关联区域的静态划分及动态修整方法,定义了F(A)、G(i,j)的计算规则,并给出了算法流程。该算法无需借助电压量,避免保护汇聚大量信息,对于分布式发电条件下的配电网信息量大、结构灵活多变等特点具有很好的适应性。通过对该算法的算例分析,证明了算法的正确性。
摘要：分布式电源(Distributed Generation,DG)接入配电网后,配电网由单电源辐射状网络变成了分布电源供电的复杂网络,保护的运行环境发生了深刻变化。根据分布式发电系统结构和特点,提出一种基于分布决策的故障定位新算法,进行网络划分形成智能电子装置(IED)的关联区域,利用关联区域边界节点信息完成故障初步定位,再根据故障关联区域的节点连接关系,利用各区段两端节点信息精确定位故障。算法采用静态区域划分,划分结果可动态修整,降低了实时性要求且对IED信息缺失及DG投切造成的电网结构变化具有一定的适应性;故障一次和二次定位原理清晰,信息和计算量小。通过对算法的算例分析,验证了算法的正确性。
关键词：分布式发电系统,故障定位,IED关联区域,分布决策,区域划分
参考文献
[1]De Britto T M,Morais D R.Marin M A.Distributed generation impacts on the coordination of protection systems in distribution networks[C].//IEEE Transmission and Distribution Conference and Exposition.Latin(America):2004.
[2]Girgis A,Brahma S.Effect of distributed generation on protective device coordination in distribution system[C].//IEEE Large Engineering Systems Conference.Halifax:2001.
[3]刘杨华,吴政球,等.分布式发电及其并网技术综述[J].电网技术,2008,32(15):71-76.LIU Yang-hua,WU Zheng-qiu,et al.A survey on distributed generation and its networking technology[J].Power System Technology,2008,32(15):71-76.
[4]刘健,倪建立,杜宇.配电网故障区段判断和隔离的统一矩阵算法[J].电力系统自动化,1999,23(1):31-33.LIU Jian,NI Jian-li,DU Yu.A unified matrix algorithm for fault section detection and isolation in distribution system[J].Automation of Electric Power Systems,1999,23(1):31-33.
[5]王飞,孙莹.配电网故障定位的改进矩阵算法[J].电力系统自动化,2003,27(24):45-47.WANG Fei,SUN Ying.An improved matrix algorithm for fault location in distribution network of power systems[J].Automation of Electric Power Systems,2003,27(24):45-47.
[6]林霞,陆于平,王联合.分布式发电条件下的新型电流保护方案[J].电力系统自动化,2008,32(20):50-56.LIN Xia,LU Yu-ping,WANG Lian-he.New current protection scheme considering distributed generation impact[J].Automation of Electric Power Systems,2008,32(20):50-56.
[7]林霞,陆于平,王联合.分布式发电条件下的多电源故障区域定位新方法[J].电工技术学报,2008,23(11):1-8.LIN Xia,LU Yu-ping,WANG Lian-he.New fault region location scheme in distribution system with DGs[J].Trans of China Electrotechnical Society,2008,23(11)1-8.
[8]丛伟,潘贞存,赵建国,等.基于电流差动原理的广域继电保护系统[J].电网技术,2006,30(5):91-95.CONG Wei,PAN Zhen-cun,ZHAO Jian-guo,et al.A wide area protective relaying system based on current differential protection principle[J].Power System Technology,2006,30(5):91-95.
[9]丛伟,潘贞存,赵建国.基于纵联比较原理的广域继电保护算法研究[J].中国电机工程学报,2006,26(21):8-14.CONG Wei,PAN Zhen-cun,ZHAO Jian-guo.A wide-area relaying protection algorithm based on longitudinal comparison principle[J].Proceedings of the CSEE,2006,26(21):8-14.
[10]翁蓝天,刘开培,刘晓莉,等.复杂配电网故障定位的链表法[J].电工技术学报,2009,24(5):190-196.WENG Lan-tian,LIU Kai-pei,LIU Xiao-li,et al.Chain table algorithm for fault Location of complicated distribution network[J].Transactions of China Electrotechnical Society,2009,24(5):190-196.
[11]张艳霞,代凤仙.含分布式电源配电网的馈线保护新方案[J].电力系统自动化,2009,33(12):71-74.ZHANG Yan-xia,DAI Feng-xian.New schemes of feeder protection for distribution networks including distributed generation[J].Automation of Electric Power Systems,2009,33(12):71-74.
加速比在分布式演化算法中的研究 篇2
计算机的出现推动了人类在科学技术的各个领域的发展,这些发展反过来又向计算机提出了更高的要求。人类面临着许多被称之为“巨大挑战”(Grand Challenge)的问题有待于解决,例如,对生物遗传基因、气象预报、流体动力学、石油勘探、地震预测、新材料设计、环境污染以及海洋潮汐等领域的研究。这些问题涉及到科学发展的各个重要方面,包括未来人类的生存环境和当今科学技术的最前沿问题,代表了其它学科对计算机科学提出的巨大挑战。这些问题的解决无一例外地都需要高性能计算(high-performance computing,HPC),需要使用具有每秒万亿次浮点处理能力( FLOP)的计算机。实践证明,并行处理是提高计算性能、满足不断增长的应用需求的有效途径,然而,计算机要能够及时地计算出一个以五公里为网格的大气模型,至少要具备每秒20 万亿次浮点运算的能力。这对于目前的计算机来说,还是难以达到的。由此,科学研究领域正在越来越依赖于高性能计算,并行处理已经成为进一步提供高性能计算的有力手段。在大多数并行系统里面,加速比是并行程序的重要指标之一,它的大小直接反映并行算法的优劣。
二、分布式演化算法
在自然界,由于组成生物群体中各个体之间的差异,对所处环境有不同的适应和生存能力,遵照自然界生物进化的基本原则,适者生存、优胜劣汰,将要淘汰那些最差个体,通过交配将父本优秀的染色体和基因遗传给子代,通过染色体核基因的重新组合产生生命力更强的新的个体与由它们组成的新群体。在特定的条件下,基因会发生突变,产生新基因和生命力更强的新个体;但突变是非遗传的,随着个体不断更新,群体不断朝着最优方向进化,遗传算法是真实模拟自然界生物进化机制进行寻优的。
演化算法总是会过早趋向于收敛,故而需要加以改进。分布式演化算法就是在这种背景下产生的。在分布式演化算法中种群被分离成一些小的子群体,从而形成了隔离的物种。当收敛之后将一些个体从不同的子种群输入某一子种群,则带来一些新的基因构造块,同时迁移来的个体将对子群体的平均适应值带来很大的改变。这两个因素加在一起将诱导新物种形成,从而伴随着一个快速进化阶段。这样,使分布式演化算法能在一定程度上避免过早收敛的发生,从而可以提高解题的速度和质量。
三、加速比的引入
(一)并行加速比的概念
绝对加速比(Absolute Speedup):这个定义考虑的是一个问题用N个处理器来节到底能提高多快。它把最好的串行算法与并行算法进行比较。绝对加速比根据考虑或不考虑机器资源又分为两种情况,一种是机器依赖,另一种是机器独立。
第一种情况(机器依赖)
第二种情况(机器独立)
相对加速比(Relative Speedup)由于实际情况的限制,不存在最好的串行算法可供应用。可以将加速比定义为同一并行算法在单节点上运行时间与在多个节点构成的处理机系统上的运行时间相比。这种定义侧重于描述算法和并行计算机本身的可扩展性。
(二)并行加速比思想的精细化
最初,最基本的加速比的提出是为了确立一种无尺度、容易理解的度量并行计算机性能的手段。超流水线有时会产生非常高的加速比,但往往可能是因为非常低效的串行计算所导致,而并非像人们期望的那样,具有很高效的并行计算能力。一些导致串行计算低效的因素包括低效率的Cache 管理以及大数据规模的容量要求等等。
为了保持无尺度测量性能的优点,后来从最初的绝对加速比转为相对加速比(一个算法在单一处理器上执行时间比上在一系列处理器单元上执行的并行时间)的概念。这一系列处理机应该被固定,而且应该具有相似可类比的执行单元。(比如:相似的指令执行速率,相称的指令执行时间等等)
今后作为一种更为复杂的并行加速比模型的建立,它应该重点考虑那些导致并行计算低效率的主要因素:串行部分和有重复冗余的工作,相互间通信及其控制以及阻塞及其控制。这种模型应该允许并行算法的描述相对独立于系统结构,而不受限于具体机群系统的特征,加速比本身就是针对算法而言,并非针对某一个并行机系统,这点是非常值得重视的。例如,一个带有通信复杂度为P=O(P)的算法比起一个通信复杂度为P=O(P2)的算法就更具备可扩展性。这一点意味着前者可获得的最大加速比会更高,而且能够在一个大数量的处理器环境下得以维持。但是,即使这样高级别的描述也容易引起误解。例如,一个三维FFT算法具有通信复杂度P=O(P2),但是允许网络间的并行通信。这样一个算法可能会比一个复杂度是P=O(P),但是在通信方面严格遵循串行化的算法更加高效。
四、加速比数据分析
分布式演化计算其通信的时间开销与计算的时间开销相比是微不足道的,这就能保证采用分布式算法能够取得线性或者超线性的加速比。由于IGT算法已经能够求得小规模的TSP问题的最优解,所以试验时,在考虑现有的实验条件中机器结点的数量和配置的前提下,选取了chn144、ad198和lin318共3个TSP问题,用来计算分析分布式算法所能取得的加速比,根据加速比的定义,采用相对加速比能更好地反应出实验的准确性。
(一)对于chn144的加速比测定实验
演化参数:种群规模=100,临界速度=900,变异概率=0.02,映射概率=0.05,最大停止改变代数=200000,并行参数:进程数=16,迁移间隔=1000
(二)对于ad198的加速比测定实验
演化参数:种群规模=100,临界速度=900,变异概率=0.02,映射概率=0.05,最大停止改变代数=200000,并行参数:进程数=16,迁移间隔=5000
(三)对于lin318的加速比测定实验
演化参数:种群规模=100,临界速度=900,变异概率=0.02,映射概率=0.05,最大停止改变代数=200000,并行参数:进程数=16,迁移间隔=40000
(四)实验数据分析和总结
通过对上述三个数据处理表格的比较,验证了分布式演化算法并行处理能大大提高运行速度的预测的正确性,并且其加速比和节点数的比例大体一致,虽然所取节点数的个数较少,但可以粗略看出来并行演化算法可以取得大致的线性加速比。由于演化计算有很大的随机性和不可预测性,且实验的数据个别相差较大,特别当问题比较复杂时,运行相差的时间可能很大,它可能直接影响到平均值并不是最好的时间,进而进一步影响加速比。当然,影响加速比的因素还有很多:比如采用区域分割、拼接网络措施可以提高加速比;负载平衡对加速比也有较大的影响,平衡负载是提高并行效率比较直接有效的方法;网络规模也是影响加速比的一个重要参数,扩大网络规模可以提高加速比的值,本次设计采用的是局域网内的结点计算机,因而传输的速率比较快,为并行计算提供了优越条件。
五、小结
加速比是对分布式演化算法并行加速的在数据层面上的体现,同时对并行算法的理论研究具有重要的意义。本文实验在PVM平台下,通过对多个TSP问题在不同的节点机器数下进行测试,求出能得到的加速比。由于采用的是局域网,网络传输速率较快, 而且该算法是计算密集型的,在一定的迁徙间隔下通讯占用时间不会随宿主机的增加而显著增加,而是停留在一定的数量级上,所以并行算法在一定扩展范围内可以取得接近线性的加速比。同时影响加速比的因素还有很多,如负载平衡、网络规模以及迁移率和迁移间隔等参数,调整优化这些参数可以使算法效率进一步提高。
并行演化算法在很多领域起着重要的作用,通过设计更加优秀的并行算法,改善优化网络拓扑结构,提高并行计算的加速比,发挥巨大的威力,使其在各个领域中做出更大的贡献。
参考文献:
[1] Olssen P. and Johnson S. A data parallel implem station of an exp licit method for thethree dimension comprseeible N S equation. Parallel Computing, 1990
[2] Michalewicz Z How to Solve It--Modern Heuristick.Berlin Heidelberg:Springer-Verlag, 2000
[3] 沈志宇, 并行程序设计 长沙:国防科技大学出版社,1996
分布式定位算法 篇3
基于麦克风阵列的声源定位技术可广泛用于视频会议、语音增强、智能机器人等领域[1,2]。近年来, 该项技术逐渐推广至声源监控、人机接口、智能家居等领域[3,4]。如声源监控通常用于安保系统, 在特定空间内确定声源的位置。为了达到较高的声源定位精度, 该类系统一般采用阵元间距较大, 阵元个数较多的分布式麦克风阵列。
基于麦克风阵列的声源定位方法很多, 相位变换加权的可控响应功率SRP-PHAT声源定位算法[5]在混响环境中有较强的鲁棒性, 可实现真实环境中的声源定位, 因此该算法得到了广泛应用。SRP-PHAT对阵型没有特定要求, 因此也适用于分布式阵列, 事实上很多基于分布式阵列的定位系统采用了该算法[6]。SRP-PHAT算法的基本原理是在假想声源位置计算所有麦克风对接收信号的相位变换加权的广义互相关GCC-PHAT函数之和, 在整个声源空间寻找使SRP值最大的点即为声源位置估计。SRP-PHAT对混响有较强的鲁棒性, 但是在低信噪比SNR (Signal-to-Noise Ratio) 环境中其定位性能较差。为了提高SRP-PHAT的定位精度, 研究人员提出了多种改进的算法[7,8]。传统SRP-PHAT算法平等对待每一个麦克风, 也就是说每个麦克风提供的声源位置信息都是同等重要的, 这在小型阵列中是符合实际情况的。然而, 在大型阵列中, 声源与各阵元的距离相差很大, 离声源较近的阵元接收信号的信噪比较高, 直达信号相对于混响的强度, 称之为信混比SRR (Signal-to-Reverberation Ratio) , 也较强, 在定位算法中如果对这些阵元的接收信号给予较大的权重, 则有可能提高定位性能。据此, 文献[9]提出加权SRP-PHAT算法, 在传统算法的基础上给每个麦克风接收信号乘以一个权重, 该权重考虑了声源与阵元的距离、声源和麦克风的指向性。文献[9]的算法能有效提高定位性能, 但该算法需要测量声源的指向性函数, 还需要知道每个麦克风的指向性, 在布阵时除了要知道每个阵元的位置外, 还要知道其指向, 这给实际应用带来困难。文献[10]利用了混响来提高定位精度, 该类算法需要知道假想声源点到阵元之间的房间冲激响应, 而这样的先验知识很难获取。
根据分布式阵列的特点, 本文提出一种改进的SRP-PHAT算法。首先计算每对麦克风接收信号的GCC-PHAT函数, 并求其最大值, 然后将这些最大值归一化, 作为相应麦克风对接收信号的权重, 最后在假想声源位置处将乘以了该权重的所有麦克风对的GCC-PHAT函数值相加, 在声源空间中搜索其和的最大值即得到声源位置估计。研究表明麦克风对的GCC-PHAT函数的最大值越大则该对麦克风的接收信号越可靠, 也就是接收信号质量越高[11]。本文采用麦克风对的GCC-PHAT函数的最大值作为该对麦克风的权重, 实际上是对接收信号质量高的阵元赋予较大的权重, 由于该权重计算量很小, 因此本文的算法易于实现而且能有效提高定位性能。
1 信号模型
用于说话人定位的麦克风阵列通常在室内环境下使用, 麦克风的接收信号中除了声源直达信号外还有背景噪声和反射声。一个有M个阵元的麦克风阵列, 第m个麦克风的接收信号可表示为:
其中s (n) 为声源, hm (n) 为声源到第m个麦克风的房间冲激响应, “*”表示线性卷积, bm (n) 是第m个麦克风的噪声, 假定各麦克风的噪声不相关, 噪声与信号也不相关。
2 SRP-PHAT算法
SRP-PHAT根据麦克风阵列接收的一帧信号来估计声源位置, 我们仍然用xm (n) 表示第m个麦克风接收的一帧数据, 则SRP-PHAT的函数表达式为:
其中q为假想声源直角坐标矢量, 为第l个和第m个麦克风的接收信号的GCC-PHAT函数, 其表达式为:
其中Xm (k) 是xm (n) 的FFT, “*”表示取共轭, K为FFT点数, ω是模拟角频率, τlm (q) 表示假想声源到第l个和第m个麦克风的到达时间差TDOA (Time Difference of Arrival) 。以rl, rm分别表示第l个基元和第m个基元的直角坐标矢量, c为空气中的声速 (约为342 m/s) , 则:
其中‖·‖表示求该矢量的2-范数。真实声源位置的估计可表示为:
其中, Q为预先设定的搜索空间。
3 改进的SRP-PHAT算法
声源定位算法中, 麦克风接收信号的信噪比和信混比是影响定位性能的重要因素, 这二者越高, 则表明接收信号质量越高, 相应的定位精度就越高。如前文所述, 传统SRP算法平等对待每一个麦克风, 这一点从式 (2) 可以看出。小型阵列中每个麦克风的接收信号质量差别很小, 平等对待每个麦克风是合理的。在分布式阵列中, 每个麦克风的接收信号质量差别较大, 如果对接收信号质量较好的麦克风给予较大的权重, 则有可能提高定位性能。然而, 声源与每一个麦克风的距离、指向均是未知的, 仅根据单个阵元的接收信号来判断其质量的好坏是非常困难的。
文献[11]指出麦克风对的GCC-PHAT函数的最大值可表征该对麦克风接收信号的质量。为便于描述, 我们用表示第l个和第m个麦克风的接收信号的GCC-PHAT函数的最大值。在两步法声源定位中, 首先要估计声源到每一对麦克风的时延, 然后根据这些时延估计和阵列几何计算出声源的位置。GCC-PHAT是常用的时延估计方法, 由于混响和噪声的影响, 有些麦克风对的时延估计误差很大, 这将导致较大的定位误差。如果能将误差较大的时延估计剔除掉, 则可以保证较高的定位精度。但要找出误差较大的时延估计并非易事, 有些研究人员对此进行了深入研究, 这一问题已经超出了本文的研究范围, 本文不作讨论。文献[11]的研究结果表明, 越大, 该对麦克风的接收信号质量就越高, 相应的时延估计也就越可靠, 反之, 越不可靠, 因此如果一对麦克风的明显偏小则其对应的时延估计误差就比较大, 应该将其剔除掉。SRP-PHAT属于直接法定位, 但仍可借用文献[11]的结论, 根据来判断一对麦克风接收信号的质量。
基于以上思想, 我们提出改进的SRP-PHAT算法, 其表达式如下:
其中, 的含义与式 (2) 中的相同, wlm为归一化权重, 如下式:
其中, 由式 (6) 可见, 每对麦克风的GCC-PHAT函数都乘以相应的权重wlm, 接收信号质量越高该值越大, 这就达到了加权的目的, 从而可提高定位性能。根据式 (3) , 可用FFT计算进而由式 (7) 得到wlm。真实声源位置估计仍如式 (5) 所示。
4 仿真与讨论
为了验证改进算法的有效性, 我们模拟室内环境在计算机上用MATLAB做了若干组仿真。
麦克风在房间内的布置如图1所示, 房间大小为4 m×4 m×3 m, 黑点表示麦克风, 基元个数为M=16, 相邻基元间距为0.2 m, 声源与麦克风的高度均为1.5 m, 每个麦克风都紧贴墙壁。声源信号是一段男声语音, 采样频率为22 050 Hz, 房间冲激响应用image法[12]产生, 麦克风接收信号用式 (1) 产生。帧长1 024点 (约为46 ms) , 相邻帧重叠50%, 加Hanning窗, 去掉静音帧后共有100帧信号用于仿真。出于比较的目的, 我们做了两种算法的仿真, 第一种是传统的SRP-PHAT算法, 第二种是本文提出的改进算法, 记作SRP-PHAT-W。定位性能用定位成功率来评价。用qs表示真实声源位置, 表示第i帧信号得到的声源位置估计, 若估计的误差不大于0.3 m, 即则该次定位估计就是成功的, 否则不成功。定位成功率定义为:
其中, Nsuc表示成功定位的次数, Ntotal表示总的定位次数。
为了全面比较两种算法的定位性能, 我们做了两组仿真。
仿真1声源位置为qs=[2 2.1], 考察两种算法在不同信噪比和不同混响时间下的定位性能。考虑两种情况, 第一种情况固定信噪比为5 dB, 混响时间 (用T60表示) 为100~600 ms;第二种情况固定混响时间为300 ms, 信噪比为-5~15 dB。x和y的搜索范围均为0~4 m, 步长为0.1 m。仿真结果如图2所示。
由图2 (a) 可见, 在弱混响条件下, 两种算法的定位成功率相同或接近, 当混响时间大于300 ms时, 改进算法的定位成功率比传统算法有明显提高。由图2 (b) 也可得到类似的结论, 在高信噪比下, 两种算法的定位成功率比较接近, 当信噪比低于10 dB时, 改进算法的定位成功率有明显提高。
仿真2考察两种算法在不同声源位置的定位性能。声源位置分别为qs1=[2 2.1], qs2=[1 3], qs3=[3 1.5], 信噪比为5 dB, 混响时间300 ms。仿真结果如表1所示。
由表1可见, 在3个声源位置, 改进算法的定位成功率均比传统算法要高, 这表明本文提出的算法在不同声源位置均能有效提高定位性能。
5 结语
SRP-PHAT算法可实现真实环境中的声源定位, 是目前最流行的声源定位算法之一, 但在低信噪比, 强混响环境中, 该算法的定位性能仍有待提高。本文提出一种基于分布式麦克风阵列的改进算法, 采用麦克风对的GCC-PHAT函数的最大值作为权重, 在传统SRP-PHAT算法表达式的基础上, 给每对麦克风的GCC-PHAT函数乘以该权重。GCC-PHAT函数的最大值可表征麦克风对接收信号的可靠性, 因此改进算法对可靠性较高的麦克风对接收信号赋予了较大权重, 从而能提高定位性能。仿真结果表明, 相比于传统的SRP-PHAT算法, 本文提出的改进算法能有效提高定位成功率。
参考文献
[1]Avokh A, Abutalebi H R.Speech enhancement using linearly constrained adaptive constant directivity beam-formers[J].Applied Acoustics, 2010, 71 (3) :262-268.
[2]Markovic I, Petrovic I.Speaker localization and tracking with a microphone array on a mobile robot using von Mises distribution and particle filtering[J].Robotics and Autonomous Systems, 2010, 58 (11) :1185-1196.
[3]李伟红, 汤海兵, 龚卫国.公共场所异常声源定位中时延估计方法研究[J].仪器仪表学报, 2012, 33 (4) :750-756.
[4]Keshavarz A, Aarabi P.Sound localization-based navigational user interfaces[C]//Proceeding of the 8thIEEE International Symposium on Multimedia (ISM’06) , San Diego, CA, USA, 2006:728-733.
[5]Dibiase J H.A high-accuracy, low-latency technique for talker localization in reverberant environments using microphone arrays[D].Providence:Brown University, 2000.
[6]Fallon M F, Godsill S J.Acoustic source localization and tracking of a time-varying number of speakers[J].IEEE Transactions on Audio, Speech, and Language Processing, 2012, 20 (4) :1409-1415.
[7]Zhang Cha, FlorencioL D, Ba D E, et al.Maximum likelihood sound source localization and beamforming for directional microphone arrays in distributed meetings[J].IEEE Transactions on Multimedia, 2008, 10 (3) :538-548.
[8]Cobos M, Marti A, Lopez J J.A modified SRP-PHAT functional for robust real-time sound source localization with scalable spatial sampling[J].IEEE Signal Processing Letters, 2011, 18 (1) :71-74.
[9]Mungamuru B, Aarabi P.Enhanced sound localization[J].IEEE Transactions on Systems, Man, and Cybernetics-part B:Cybernetics, 2004, 34 (3) :1526-1540.
[10]Svaizer P, Brutti A, Omologo M.Use of reflected wavefronts for acoustic source localization with a line array[C]//Joint Workshop on Handsfree Speech Communication and Microphone Arrays (HSCMA) , Edinburgh, UK, 2011:165-169.
[11]Bechler D, Kroschel K.Reliability criteria evaluation for TDOA estimates in a variety of real environments[C]//Proceeding of IEEE International Conference on Acoustics, Speech, and Signal Processing (ICASSP) , Philadelphia, PA, USA, 2005:985-988.
分布式定位算法 篇4
AIS；分布式算法；FIR；查找表；FPGA
[中图分类号]TN911.72[文献标识码]A[文章编号]1009-9646（2011）08-0086-02
引言:船舶自动识别系统(AIS)是由国际海事组织(IMO)、国际助航设备和航标协会(IALA)以及国际电信联盟(ITU-R)共同提出的技术标准，是一种新型的助航系统及设备。AIS在甚高频(VHF)频段上收发信息，用VHFCH87B(161.975MHz)、CH88B(162.025MHz)两个国际专用频道自动发射和接收通信协议规定的GMSK信号，AIS同时在这两个频率上接收信息。
AIS接收机在接收频道上将接收信号下变频到中频，然后通过AD进行采样，采样信号进行后端处理之前，需对接收信号进行滤波，以滤除信号噪声。AIS接收机可采用专用集成芯片(如CMX910和CMX589)在零中频实现，其缺点在于不利于功能扩展和改进。随着FPGA功能的增强、容量的增大和价格的降低，可用单个FPGA实现整个AIS收发信机。
本文首先介绍AIS中频数字接收机的结构，然后对基于FPGA分布式算法的AIS接收滤波器实现结构进行描述，并进行仿真验证。
一、AIS中频数字接收机结构
AIS中频数字接收机的结构如图1所示，AIS射频前端将接收信号下变频为中频GMSK信号，通过AD采样后，进入FPGA进行后端物理层上的处理，包括差分解调、低通滤波、位同步与采样判决，最后通过NRZI解码还原为二进制发送数据帧。
AIS输出的中频信号带宽为1MHz左右，经AD采样后在FPGA内部进行数字化滤波处理，以滤除信号带外噪声。因此，接收滤波器带宽设计为1MHz，采用FIR结构。
二、FIR滤波器的FPGA实现
按照传统的线性FIR滤波器的实现结构，本设计中的FIR低通滤波器的实现如图2(a)所示。本设计对该结构采用分布式算法，并对该算法进行改进，得到基于查找表的并行FIR滤波器实现方法，如图2(b)所示。图2(b)结构实现与图2(a)结构相同的FIR滤波器功能，由于采用并行结构，其运算速度更快，适合在FPGA实现。图中，查找表LUT的尺寸和数据位宽由输入数据和滤波器系数决定。本设计中，采用8位AD进行采样，输入数据为8位有符号数。
移位相加模块等。
基于matlab设计的滤波系数，在Xilinx的集成开发环境ISE下利用Verilog语言分模块实现图2(b)所示的分布式并行FIR滤波器。用Modelsim进行功能验证。仿真的输入激励信号是matlab算法验证时生成的经过量化的0.5MHZ和2MHZ正弦波相叠加的信号，输入5个周期的该信号进行仿真，滤波结果如下图所示：
为了直观表示，用模拟波形来显示滤波后恢复的信号。由图可见，恢复出的信号为完整的正弦波，说明设计正确实现了功能。
三、结语
接收滤波是AIS接收机的重要组成部分，本文结合基于FPGA的AIS数字接收机，基于分布式算法，借助matlab、ISE、modelsim等设计仿真工具对AIS中频滤波算法进行了设计和验证。利用该方法设计的FIR滤波器，很好的利用了FPGA器件结构的灵活性，可移植性好，在设计不同参数的滤波器时，只需改变查找表的内容，即可设计出新的滤波器，并且将分布式算法和FPGA结合可以提高滤波运算速度，是一种可靠的设计方法。
[1]王旭东,周安栋,周冬成.并行分布式运算FIR滤波器的FPGA实现[J].舰船电子工程,2005(2):64-66.
[2]毕占坤,吴伶锡.FIR数字滤波器分布式算法的原理及FPGA实现[J].集成电路应用,2004(7):61-62,66.
[3]晏金成.基于DA算法的FIR滤波器的FPGA实现[J].现代计算机,2010(3):191-193.
[4]赵金宪,吴三,王乃飞.基于FPGA并行分布式算法的FIR滤波器实现[J].黑龙江科技学院学报,2006(7):248-250.
分布式定位算法 篇5
在探测系统中,单个探测传感器对目标探测与定位的性能受到自身可用资源的限制。若将多个探测传感器组成一个分布式传感器网络,则可以通过数据融合的方法对各个传感器节点的信息进行融合,提高探测精度,改善整个探测网络的探测性能。
分布式传感器网络是一个有中心的网络系统,其结构示意图如图1所示。在该系统中,传统的单个传感器作为网络中的一个节点。分布在不同位置上的传感器节点首先进行独立的探测,然后将得到的探测信息经无线信道传送到网络的融合中心。考虑到无线信道传输带宽和性能的限制,每个传感器节点向融合中心传送的不是原始探测数据,而是根据独立探测做出的本地判决(如目标的检测、位置、类别等),然后将判决结果传送到融合中心,由融合中心通过信息级数据融合做出全面的判决,从而提高整个网络的探测性能。与单节点系统相比,分布式传感器网络系统的覆盖范围、探测与定位性能可以得到显著提高[1,2]。
有效的数据融合算法是决定探测信息融合性能提高的重要因素。目前,在分布式传感器网络的数据融合算法研究中,检测信息融合算法和多传感器跟踪信息融合算法得到大量研究[3,4,5,6,7,8]。文献[3,4]研究运用数据融合的方法来提高二元检测的精度。文献[7]在主被动雷达双传感器目标跟踪背景下,提出一种自适应数据融合算法,将融合精度与计算量作为评估算法优劣的标准。文献[8]提出了一种在线调整权值的多传感器自适应滤波数据融合跟踪算法,应用信息相关自适应滤波算法和模糊推理在线调整各传感器权值,得到最优估计。
本文提出了一种用于目标定位的数据融合算法,该算法通过对单节点的定位信息的加权来进行数据融合,提高网络系统的定位精度。融合算法采用两级自适应权值调整来确定最佳权值因子,首先利用线性最小方差估计(LMSE)算法进行第一级权系数调整,形成最优估计增益矩阵,然后将LMSE的增益矩阵作为第二级递归最小平方(RLS)自适应算法的初始权值,借助于融合结果的均方误差,自适应地调整各传感器权值,最终得到在两级自适应调整下的最优权值估计。仿真结果表明,与单节点的定位和LMSE一级权系数调整融合定位算法相比,两级权系数调整融合算法定位精度有很大提高,定位误差减小。
1 基于数据融合的目标定位系统模型
假设分布式传感器网络由N个传感器节点和一个融合中心组成,用来确定目标S的位置d = [x, y, z],假设在探测期间,目标处于准静态状态,即其位置变化相对较小。传感器节点P1,P2,...,PN按照网络的拓扑结构部署在监视区域内,假设传感器节点之间相互独立,第i个节点对目标S的定位数据为Li;i = 1,…,N,且是真值d的无偏估计。其方差为σ
图2中,P1,P2,P3为传感器节点,O为融合中心,S为目标节点,Q为位置已知的训练节点。假设节点Xi对目标节点S的位置进行探测,在自己的坐标系中得到的目标坐标为(xi,yi,zi);i = 1,…, N,即
各节点将式(1)表示的目标定位信息发送到融合中心,融合中心首先对这些数据进行时间同步、空间坐标对准、量纲对准、滤波、去野值等预处理后,得到X、Y、Z轴方向上的观测值分别为
我们采用加权平均法来对各节点数据进行融合。下面以X轴方向的数据融合为例说明数据融合的过程。设融合后目标S的位置估计值为
式(3)中,wj是第j个传感器数据的权值,xj表示来自第j个传感器的观测值。WX=[w1w2 ... wN]T为权值向量,X=[x1x2 ... xN]T为各个传感器的观测值向量。
用AT表示矩阵A的转置,A-1表示矩阵A的逆,A+表示矩阵A的广义逆,A1/2表示矩阵A的平方根矩阵。
权值对融合结果有着决定性的影响。权值取值合理,融合结果理想;反之,则对系统的精度和可靠性提高不大,甚至会偏离真值。因此,融合算法的重点在于权值的选取与调整。
2 定位数据融合算法
定位加权融合算法对权系数的调整分为两步,首先基于线性最小方差估计(LMSE)计算求得权系数的初值,然后采用递归最小二乘算法(RLS)进行自适应权值调整,以达到最佳。定位融合算法的实现过程如图3所示。
在数据融合时,首先利用LMSE算法对各传感器观测数据进行加权融合,形成一级权系数矩阵,其基本思想是在总均方误差最小的条件下,根据各传感器得到的观测数据,寻找各数据矩阵的最优加权因子,使融合后的目标观测值达到最优。然后将LMSE的权系数矩阵作为RLS自适应算法的初始权值,观测融合结果的误差变化,自适应地调整各传感器数据的权值,得到二级权系数矩阵,最终系统输出即为在两级自适应调整融合下达到的最优位置估计值。下面分别介绍两级权系数的调整算法。
2.1 一级权系数矩阵的计算
按照文献[10],由式(3)确定的X的最优位置估计
且最优位置估计的均方误差为
式(5)中,σ
对N个精度分别为σi;i=1,2,...,N的观测数据进行加权融合后其精度表示为
式(6)中,σ
在实际应用中,由于传感器自身性能及周围环境,噪声等影响,定位必然存在误差,可以假设多传感器定位数据融合模型如下:
式(7)中,X为目标位置观测数据;dx为待估计目标的实际位置;H为观测数据与被估计目标实际位置的映射矩阵;v为观测误差,设vi～N(0,σ
对于式(7),其最优LMSE存在且唯一,其表示形式如下[10]:
式(9)中,T=I-HH+,当且仅当[H,P1/2]行满秩时,最优权系数阵WXLMSE由式(10)唯一确定。
式(10)中,T1/2是T=I-HH+的行满秩平方根矩阵,P1/2是P的平方根矩阵;否则,若[H,P1/2]不是行满秩,则WXLMSE=WXLMSE+θT,其中θ是具有适当维数且满足(P1/2)TTθ=0的任意阵;当且仅当P非奇异时,有WXLMSE=RHTP-1。
利用训练节点来生成最佳权系数矩阵WX,之后利用式(3)就可得到目标最佳估计位置。设训练节点Q在融合中心坐标系的坐标为dk=(xk,yk,zk),利用N个传感器对训练节点Q进行M次探测,探测得到的X轴方向的观测数据为
式(11)中,
2.2 二级权系数矩阵的自适应调整
由于训练节点有限,由此确定的各传感器精度有所偏差,一级权系数调整得到的误差较大。为此,我们在一级权系数的基础上进行二级自适应调整,以提高定位精度。二级权系数的自适应调整采用递归最小二乘(RLS)算法,其基本思路是将一级权系数矩阵WXLMSE作为初始权值,对融合函数的权系数用RLS算法进行递推调整。得到最佳权系数矩阵WXRLS。
选取式(11)中的第k次观测数据
式(12)中,λ为遗忘因子,且0≤λ≤1,SD(0)=δI,δ为小的正实数,I为N阶单位阵。RLS算法的递推过程可以表示为
式(13)中 ,ek=dk-XTkWk-1 ,取初次迭代时的权系数W0=WXLMSE,经过M次迭代后,得到权值
利用融合函数式(3)可以得到目标X轴位置最佳估计
由目标估计位置
这样就可以准确估计出目标点S的方位(距离及夹角),实现对目标S的准确定位。
3 仿真分析
设传感器网络由8个传感器节点(N=8)和一个融合中心组成,传感器节点位置相对于融合中心固定,按照一定的网络拓扑结构分布在1 000×1 000的平面内,仿真时,各传感器探测精度取为[1,5]之间的随机数。
3.1 二级权系数的学习曲线
我们提出的数据融合算法采用两级权系数调整,一级权系数由式(9)计算而得,二级权系数利用RLS算法自适应调整,二级权系数收敛的程度与快慢将决定算法的实用性。为此,我们首先对二级权系数的收敛性能进行仿真。下面以X轴方向为例给出二级权系数自适应调整算法的性能仿真,仿真时,训练节点在X轴上的坐标为390,遗忘因子为λ = 0.99,训练观测次数为M=100。
图4为X轴方向的二级权系数自适应调整的学习曲线。由图4可以看出,迭代到2次时,定位均方误差(MSE)达到10-4量级;迭代到4次的时候,定位均方误差达到10-6量级;由此可见,二级权系数调整算法有很快的收敛速度,原因是一级权系数已经接近最优,二级只需做很小的调整,所以收敛很快。
3.2 目标定位的性能
我们对目标定位的数据融合算法进行了性能仿真,并与单节点定位的性能进行比较。首先假设目标处于准静态状态。仿真时, 单节点的定位坐标按照方差(即定位精度)为2.25在1 000×1 000的平面内随机产生,仿真结果如表1所示。表1中同时给出了单节点定位、只采用一级权系数调整的数据融合算法及采用两级权系数调整的数据融合算法的定位性能。由表1可见,按照式(9)进行的LMSE数据融合算法的定位精度为1.16,采用两级权系数调整的融合算法定位精度为0.40。相比单节点定位,采用两级权系数调整的融合算法的定位精度有约一个数量级的提高。
图5为对训练节点定位时的MSE,可以看出单节点定位的MSE约为101级,采用LMSE一级权系数调整定位后融合算法的MSE为10-1级,采用RLS两级权系数调整后定位融合算法的MSE为10-3级,比单节点定位的MSE有约4个数量级的下降。
图6为对目标定位时采用两级权系数调整的融合算法与单节点定位、采用一级LMSE权系数调整的定位融合算法的MSE的比较,单节点定位的MSE为101级,LMSE一级权系数调整融合定位算法MSE为100级,RLS两级权系数调整数据融合定位MSE为10-1。比较图5、图6可以看出,虽然对目标定位时,融合算法的定位MSE有所上升,但仍比单节点的MSE有约两个数量级的下降。
我们还对运动中的目标的定位性能进行了仿真,假设目标沿着直线y=0.5x+20做二维运动,仿真定位估计及精度结果如表2所示。由表2可见,对于运动中目标的定位,单节点定位精度为2.03,采用两级权系数调整的融合算法定位精度为0.50,其定位精度有约一个数量级的提高。
图7为对沿着直线y=0.5x+20运动的目标进行定位时,单节点定位以及采用数据融合定位的结果。由图7可见,经数据融合后的定位误差明显地小于单节点的定位误差,且有更高的定位精度。
4 总结
本文对分布式传感器网络中的定位数据融合算法进行了研究,提出了基于线性最小方差估计(LMSE)和递归最小二乘(RLS) 的自适应融合算法。仿真结果表明,相比单节点定位,本文提出的数据融合算法可以显著地改善定位精度,减小定位误差。
参考文献
[1]Liu Chong,Wu Kui,He Tian.Sensor localization with ring overlapping based on comparison of received signal strength indicator mobile Ad-hoc and sensor systems.IEEE International Conference on Digital Object Identifier,2004:516—518
[2]Seovv C K,Seah W K G,Liu Z.Hybrid mobile wireless sensor network cooperative localization.IEEE22nd International Symposium on Digital Object Identifier,2007:29—34
[3]Haimovich A M,Blum R S,Cimini L J.MIMO radar with widely separated antennas.IEEE Signal Processing Magazine,2008;25(1):116—129
[4]He Q,Lehmann N H,Blum R S,et al.MIMO radar moving target detection in homogeneous homogeneous clutter.IEEE Transactions on Aerospace and Electronic Systems,2010;46(3):1290—1301
[5]Wang Tsangyi,Yu Chaotang,Tai Chihhao.Distributed sampling design and data fusion for signal detection in cluster-based sensor networks.IEEE,Anchorage,AK,2009:1—5
[6]Foelster F,Schmidt J,Froehlich D,et al.Data fusion strategies in advanced driver assistance systems.SAE International Journal of Passenger Cars-Electronic and Electrical Systems,Detroit,2010:176—182
[7]Hu Shiqiang,Jing Zhongliang,Hu Hongtao.A robust fusion algorithm based on multi-sensor tracking.Journal of Shanghai Jiaotong University,2005;39(4):509—512
[8]高嵩,潘泉,肖秦琨,等.多传感器自适应滤波融合算法.电子与信息学报,2008;30(8):1901—1904
[9]Ou Chiaho.Range-free node localization for mobile wireless sensor networks.3rd International Symposium on Wireless Pervasive Computing,Santorini,Greece.USA:IEEE Computer Society,2008:535—539
[10]Yi Shang,Ruml W.Improved mds-based localization.Proceedings of23rd Annual Joint Conference of the IEEE Computer and Communications Societies,2004:2640—2651
[11]Guerriero M,Svensson L,Willett P.Bayesian data fusion for distributed target detection in sensor networks.IEEE Transactions on Signal Processing,2010;58(6):3417—3421
分布式定位算法 篇6
车牌识别通过对交通场景中采集的图像信息进行分析、处理以获取车牌字符信息, 是智能交通系统的重要研究内容, 广泛应用在违章车牌识别, 交通卡口管理等交通监控领域。车牌识别技术由车牌区域定位、车牌字符分割、车牌识别3个主要步骤组成, 准确定位车牌区域是车牌识别技术的关键所在。
车牌区域具有丰富的边缘纹理和鲜明的颜色对比, 车牌定位算法主要基于这些特征来定位车牌区域, 例如Barroso等人提出的水平扫描线的方法[1], 周泽华等人提出的基于边缘检测的方法[2], 穆长江等人基于纹理的边缘检测方法[3], qin zhong等人提出的基于角点检测的方法[4], 这些方法都利用了车牌字符区域丰富的边缘纹理特征, 在车牌背景简单的情况下能够取得较高的成功率, 但在背景复杂情况下, 背景区域丰富的纹理会造成算法较高的误识率。基于颜色特征的算法易受外界光线以及车牌本身颜色多样性的影响, 往往要结合车牌区域边缘纹理特征实现车牌定位, 赵春雪等人提出基于彩色分割的车牌定位方法[5], 首先将图像分割成不同的颜色区域, 然后在可能的车牌区域中利用垂直投影法定位车牌, 张引等人提出了基于边缘颜色检测结合形态学变换的算法[6], 在颜色边缘检测的基础上, 利用形态学操作得到车牌候选区域, 形态学操作中参数的选择受图像中车牌尺度的影响, 李文举等人提出了基于边缘颜色对检测的车牌定位方法[7], 利用车牌字符边缘颜色搭配特征定位车牌边缘, 然后形态学处理获取车牌候选区域, 最后通过纹理分析获取车牌区域, 上述算法在背景较单一应用中取得了较好的定位效果, 但在背景复杂的场景中, 车牌区域大小不定的情况下, 仍然存在较高的误识率。为此, 本文提出一种复杂背景下车牌定位方法, 首先检测图像垂直边缘, 通过垂直边缘检测过滤掉大量水平边缘, 然后利用车牌字符边缘颜色搭配特征获取候选车牌边缘, 最后利用车牌字符区域垂直边缘分布特征实现车牌区域定位。大量实验表明本文提出的算法在复杂背景下具有较高的准确性。
2 垂直边缘检测
车牌区域具有丰富的垂直边缘, 通过垂直边缘检测在过滤图像中水平边缘干扰的同时保留车牌区域的垂直边缘特征, 可有效提高算法的效率及稳定性。
基于车牌区域垂直边缘在场景中对比度较强, 垂直边缘检测我们采用水平方向梯度法, 如式1所示。
水平方向梯度图像需要阈值化为2值图像, 阈值选取为最大值的0.2倍, 实验表明该阈值适用于不同的场景图像, 处理结果如图1所示。
3 基于颜色边缘筛选
垂直边缘检测过滤了大量水平方向边缘, 但复杂背景中仍有大量垂直方向边缘对车牌定位造成干扰, 我们利用车牌边缘颜色特征对干扰边缘进一步过滤。
3.1 边缘颜色特征
车牌区域背景与字符具有固定的颜色搭配, 比如蓝色背景搭配白色字符, 黄色背景搭配黑色字符, 李文举等人在文献[7]中提出了基于边缘颜色对的车牌定位算法, 通过对边缘两侧点进行检测, 判断是否满足固定颜色搭配, 从而判断是否为车牌字符边缘。图2所示为蓝底白字的车牌区域, 白色车牌字符‘A’的边缘在红线处存在点A和点B两个点, 分别位于车牌边缘两侧, 其中A点像素颜色值corlor (A) , B点像素颜色值corlor (B) 应满足蓝白颜色搭配。
由于场景图像照度不同, 同时不同车牌颜色存在差异 (如同样是蓝底白字的车牌, 有些表现为深蓝, 有些表现为浅蓝) , 为了降低漏检率, 必须扩大颜色匹配的范围, 这样势必会增加候选车牌边缘, 为了提高算法的稳定性, 避免不同颜色候选车牌区域在定位阶段相互干扰, 我们对文献[7]中算法进行了改进, 一次只检测一种颜色搭配的车牌区域, 比如得到蓝底白字的车牌区域之后, 再检测黄底黑字的车牌区域。
3.2 hsv颜色空间变换
RGB颜色空间模型中的欧式距离与实际颜色距离为非线性关系, 不便于对颜色的距离判断, 需要把图像由RGB空间转换到HSV空间。HSV颜色空间模型用Munsell三维空间坐标系统表示, 由于坐标之间具有心理感知独立性, 可以独立感觉各颜色分量的变化, 而且这种颜色模型具有线性伸缩性, 非常适合基于彩色的图像相似比较, 广泛应用于颜色距离计算领域[8,9,10]。
HSV颜色模型各分量h、s、v与RGB颜色模型各分量r、g、b转换关系[11]为:
通过对采集到车牌区域图像的颜色分布特征进行统计, 我们发现车牌区域颜色空间分布范围较广, 为了不漏掉车牌区域, 我们对蓝底白字车牌采用底色 (蓝色) 取值范围为170<H<250, S>0.1, V>0.1, 字符白色取值范围为V>0.3, 检测效果如图3所示。
4 车牌区域定位
通过颜色特征筛选后, 场景中不满足颜色约束的边缘被去掉, 但复杂背景仍存在较多的干扰边缘, 利用车牌区域包含一定高度密集垂直边缘的特点, 我们采用两步法定位车牌区域, 首先将候选车牌边缘2值图像向水平行方向投影, 得到投影曲线x, 当某行上投影值x (i) 大于阈值T时, 认为存在车牌候选行, 当连续出现的车牌候选行大于N时, 认为出现车牌候选区域, 由于车牌字符数固定, 阈值T较易选择, 根据经验选为10, 阈值N考虑到车牌出现倾斜的情况我们选为10。
确定了行候选区域后, 下一步需要在行候选区域范围内对2值边缘图像I向垂直方向投影, 得到投影曲线y, 由于车牌区域垂直边缘的分布具有明显的规律, 利用这些规律可以去除虚假车牌区域。具体做法如下:计算y中投影值大于阈值K的点y (i) , 将其下标i保存在数组A中, 计算A中相邻元素的差值数组B, 由于车牌区域相邻垂直边缘之间距离相差不大, 且连续出现次数较多, 利用这一规律从数组B中可以容易的找到车牌字符区域, 图4显示了车牌区域定位结果, 在水平方向投影得到了两个行候选区域, 对每一个行候选区域在垂直方向投影, 然后利用投影曲线的间隔定位出车牌区域。
5 实验结果分析
为了验证算法的有效性, 我们对网络获取的的100张不同交通场景图像下的图像进行了实验, 部分实验结果如图5所示, 实验结果表明基于边缘颜色特征筛选算法有效去除了图像中垂直边缘对车牌定位的影响, 车牌定位算法受车牌尺度大小变化、车牌倾斜影响较小、算法在不同情况的复杂背景下均取得了较好的检测结果, 成功检测率在98%以上。
摘要：针对复杂背景中的车牌定位问题提出了一种新的算法, 首先在图像的二值垂直边缘图中利用车牌字符边缘的颜色特征滤除非车牌区域边缘, 然后利用投影法确定车牌行候选区域, 最后在行候选区域中利用车牌区域垂直边缘的空间分布特征定位出车牌区域, 试验表明该方法在背景复杂情况下定位准确度较高, 且受车牌尺度变化影响小, 具有很强的抗干扰能力。
关键词：车牌定位,边缘分布,投影
参考文献
[1]Barroso J, Rafel A.Number plate reading using computer vision[c]//proceedings of the IEEE International Symposium on Industrial Electronics.Piscataway, NJ, USA:IEEE, Press, 1997:761-766.
[2]周泽华, 胡学友, 谭敏.基于Log算子边缘检测的车牌定位方法[J].自动化与仪器仪表, 2009 (2) :90-92.
[3]Mu Changjiang, Yuan Weiqi.Location method of vehicle license plate images based on texture feature[J].Control Engineering of china, 2004, 11 (6) :574-576.
[4]Qin Zhong, Shi Shengli, Xu Jianmin, et al.Method of license plate location based on corner feature[C]//Proceeding of the 6th World Congress on Intelligent Control and Automation.Piscataway, NJ, USA:IEEE, Press, 2006:8645-8649.
[5]Zhao Chunxue, Qi Feihu.Automatic recognition of vehicle license based on color segmentation[J].Journal of Shanghai Jiaotong University, 1998, 32 (10) :4-9.
[6]张引, 潘云鹤.彩色汽车图像牌照定位新方法[J].中国图象图形学报, 2001, 6 (4) :374-377.
[7]李文举, 梁德群, 张旗等.基于边缘颜色对的车牌定位新方法[J].计算机学报, 2004, 27 (2) :204-208.
[8]Guo Jie, Shi Pengfei.Color and texture analysis based vehicle license plate location[J].Journal of Image and Graphics, 2002, 7 (5) :472-476.
[9]Li Gang, Huang Xiyue etc.Location Method for Vehicle License Plate Based on Multiple Components’Information of Character Edge Color[J].Computer Engineering, 2009, 35 (18) :176-178.
[10]Li Linqing, Peng Jinye, Feng Xiaoyi.New approach for precise license plate locating based on edge analysis and color statistics[J].Application Research of Computers, 2012, 29 (1) :336-339.
分布式流量监测与定位系统设计 篇7
关键词：分布式,流量,监测,定位
0引言
我国石油生产技术手段和工艺水平都比较落后,尤其是石油产量的监测技术显得更为突出,为了对生产进行实时监控,油田采取的方法是由人工记录产量和检测水温或采用IC卡的方式。无论哪一种方法都需要井组的工作人员亲临每一口油井进行实地测量。原始的人工操作方法,一方面使工作人员劳动强度大大增加 ;另一方面,由于工作环境恶劣及工作人员责任心不强,频频出现用以往数据冒充当前数据上报的弄虚作假现象,致使油田管理部门无法准确掌握现场的生产情况。为此,国内各大油田迫切需要一种自动化的、全天候分布式油井参数自动监测系统,以解决实际生产问题,有线网络技术成熟是解决问题的一种备选方案。
1 油井定位系统原理及结构功能
1.1 定位系统原理
分布式流量计定位原理流程 :首先要在Visual Studio 2008中加载标准 .gst格式的地理信息地图,然后通过Map X的API接口对地图控件进行操作(地图初始化,定位地理信息,显示地理位置名称等),最终实现各个油井在地图中的定位。
随着GIS(地理信息系统)的发展与完善,它的开发工具也日趋成熟。Map Info公司顺应这发展潮流,开发了Map Info以及Map X控件,可以实现复杂的GIS系统设计。Map X为开发人员提供了一个快速、易用、功能强大的地图化组件。在主流的可视化程序开发环境如Visual Basic、Visual C++ 等,在设计阶段只需将Map X控件放入到窗体中,并进行编程、设置属性、调用方法和事件,就可以轻松实现地理空间数据的可视化,完成空间查询、地理编码等丰富的地图信息系统功能。图1为分布式流量计监测与定位的总体路线图。
1.2 系统结构及功能
流量计监测与定位系统由以下几个部分组成 :管理站,操作站,流量计。其中管理站是主机电脑,其功能主要是收集处理各个分布式油井传输上来的数据,操作站是可以进行网络传输的GPRS模块。分布式油井流量监测与定位系统的总体结构如图2所示 :
整个系统的实现过程是GPRS模块通过网络将流量计的信息传输给操作站的主机电脑,电脑结合地图信息实现流量的监测和定位。
整个系统主要分为两层 :管理站,操作站。流量计与操作站通过USB链接,管理站与操作站通过网络链接。管理站主要用于集中显示分布式油井流量计的地理位置、流量信心等工作状态。另外,为了方便对油井的管理,管理站建有油井及相应流量计的数据库,如油井的深度、油井的经纬度,抽油机型号、电动机型号及功率参数等。管理站可通过网络对操作站的信息进行存储查询,管理站对流量的定位显示则是通过对数据库中的信息的操作显示在管理站的软件界面上,实现分布式油井的定位及实时流量的显示,这样能实现整个油区的科学管理。
2 分布式流量监测与定位系统的设计及实现
2.1 分布式流量计监测系统实现
分布式流量监测系统的实现主要包括人机交互良好的编程界面,无线传输模块GPRS的配置,以及无连接的传输层协议UDP实现。图3为分布式流量监测系统实现的总体流程图 :
分布式流量计监测系统的实现主要在计算机上实现,首先编程软件VisualStudio编写的地图信息,历史数据等界面。然后VS通过UDP网络将接从无线模块GPRS中接收数据,并将数据存放到Access数据库中,储存流量计的所有信息,主要包括 :流量计编号,流量的接收时间,流量,流量计经纬度,井深,电机的型号等。
2.2 分布式油井定位系统的实现
分布式油井定位系统的实现如图4 :
Mapinfo为绘制地图软件,绘制出分布式油井的地理分布图,最终生成可以被Vs调用的地图,通过Mapx控件被Vs调用显示在界面上。Mapinfo中分了好几个层,用来存放不同的地图信息。Vs通过编程加载Mapx控件,通过调用Access数据库的经纬度来定位各个油井的具体位置。
本系统的实现是通过编程软件VisualStudio 2008编程环境下、利用Vc++ 编程语言对Map X控件进行二次开发结合各个软件之间的调用实现定位各个油井在地图上的具体位置。
3 测试
3.1 地图监测与定位信息
打开主软件界面,主软件中地图信息加载的是Mapx中的中国地图,界面的右上部分是接收源码显示,这样可以通过对比接收的源码和终端发送的源码来检查发送的数据是否正确。界面的下半部分是将源码信息通过转换后显示的实时信息,可以直观方便的了解数据信息。
图5是测试了两个点分别为西安和重庆的两个点的经纬度,流量等的一个测试图,分别显示了这两点的名称,经纬度,流量接收时间等。
3.2 历史数据
历史数据界面中主要分四部分 :油井条件选择、数据图表、流量平均值、历史数据表。油井条件选择,有时间的起始和结束、流量的上下限、油井标号,通过油井条件选择出数据库中适合条件的数据,并画图如右下角的数据曲线图。界面右上半部分有流量平均值,显示的是选择条件下各个油井的平均值。右下角的历史数据表显示的是复合条件的的各个油井的数据信息。图6显示的是测试的实例。
4 结束语
分布式定位算法 篇8
关键词：管道泄漏,负压力波,多点分布式,GPRS通信,检漏和定位
管道在石油运输中发挥着重要的作用。但由于腐蚀、地质灾害及人为等因素,在长期运行过程中不可避免地发生破裂或穿孔等事故,导致高压流体在短时间内大量外泄并迅速扩散,造成了巨大的经济损失和环境污染,给输油管道运行安全带来隐患。因此,管道泄漏的及时发现和定位具有重要的现实意义。近年来国内外的泄漏检测方法从简单的人工分段沿管线巡视到较为复杂的人工智能监测法,以解决管道泄漏的实时报警及准确定位问题。负压力波检漏法只需检测压力信号,不需要建立复杂的数学模型,计算量小,适用于突发性泄漏场合,具有实现简单、检测精度高等特点[1]。我国已经在超过10Mm的原油管道上安装了基于负压力波的管道泄漏检测系统,对管道的安全运行作用显著,但也普遍存在着定位精度低的问题,为此笔者提出了多点分布式管道泄漏监测与定位系统设计方案。
1负压力波检测
1.1泄漏检测和定位原理
当输送管道发生泄漏时,以泄漏处为界,视输送管道为上、下游两段,由于输送管道存在内外压差,使得泄漏处的液体迅速流失,压力突降。以泄漏前的压力作为参考标准,泄漏时产生的减压波就称为负压波。该负压波将以一定的速度向管道两端传播,经过若干时间段后分别被上、下游的压力传感器检测到。根据检测到的负压力波的波形特征,就可以判断是否发生了泄漏,再根据负压力波传到上、下游传感器的时间差和负压力波的传播速度就可以进行泄漏点的定位[2]。(1)
图1为两点式泄漏位置定位示意图,设管道全长为L,当管道在距离首站X处发生泄漏时,泄漏点处产生的负压力波将以速度a向两端传播,并分别被首、末站的动态压力传感器检测到。
具体定位公式为:
采用相关分析法对获取的负压力波进行泄漏检测和定位。相关分析法的基本思想是对上、下游的压力信号去除均值并求得差分信号后,实时计算其相关函数。对于首、末站两个动态压力信号x1(t)、x2(t)的时间差Δt可以通过相关分析的方法进行计算,其互相关函数为:
当管道未发生泄漏时,相关函数将维持在某一值附近。当发生泄漏后,理论上当Δt=Δt0时,R(Δt)将达到最大值,即可确定两个信号之间的时间差。实际计算时,若选定采样周期为T,首、末站动态压力信号可分别表示为离散的x1(n)、x2(n),其中n为整数。取相同时段采样点为N的有限数据段进行相关运算,其互相关函数可表示为R(m)=Nn1N∑=-01x1(n)x2(n+m),其中m是整数。计算出R并取最大值的点m=m0,即可得到两个信号的时间差m0T,将时间差代入式(1)中即可确定管道泄漏的位置[3]。
1.2存在的误差
由式(1)可知,要精确定位需要得到时间差Δt,这个参数的准确度将会影响整个系统的测量精度。同时波速a也不是常量。
由于压力传感器本身的测量精度和灵敏度,在负压力波经较远距离到达管道两端的检测点时,会发生衰减,甚至消失,对一些微小的泄露不能做出准确的判断。
由于泄漏信号的传播与介质的弹性模量、密度、内耗以及形状大小等物理特性以及管道的材料及弹性模量、管道内壁光滑度、管道长度、上下游的运行压力和运行温度等有关,因此定位时有必要实时监测泄漏信号在管道中的传播速度。
2系统组成及工作原理
在传统的负压力波检漏和定位系统中,信号经过长距离传输,在抵达管道两端时会发生严重的衰减,受传感器灵敏度的限制,影响了系统检测的精度,为此提出了多点分布式的解决方案,在整条管道上布置多个监测点,以解决信号经长距离传输过程中出现的衰减问题。系统由监测分站和远程监测中心两部分组成,充分考虑到数据采集点多且分散野外的特点,系统借助先进成熟的GPRS传输技术,实现监测分站与监测中心的数据传输。具体结构如图2所示。
监测分站点负责采集安装在石油管道上的压力传感器输出的压力信号,并将这些信号通过GPRS网络传送给远端的监测中心;监测中心是一台装有压力监测软件的PC机,工作时,服务器需要接入Internet,并与分布在管道上的各个监测分站建立TCP网络连接,接收来自整条管道上压力监测分站的数据信息,进行实时显示并同时存入数据库备份,数据处理分析后一旦发现管道某处出现异常,就会发出声音报警信号并迅速定位,在屏幕上显示事故地点,通知检修人员及时进行现场勘查和修复工作。
3监测分站设计
监测分站主要包括压力信号的采集和数据的发送两部分。压力传感器输出的信号是十分微弱的,需要经过放大和滤波电路进行调理,使其输入的电压值在0～5V的范围内,与压力值成线性对应关系。再经过ADC模块将模拟的电压信号转化成数字信号,交给控制器进行处理,并将压力、时间和监测位置等信息通过GPRS无线通信模块发送至监测中心。监测分站硬件构成如图3所示。
考虑到分站要完成模数转换和GPRS通信的工作,为了使系统具有较高的集成度,选用了带有ADC和串口功能的嵌入式控制器LPC2129,它具有ADC接口和串行接口,10位逐次逼近模数转换器具有极高的转换速度,每秒可执行400k次的采样,且功耗较低,开发简单。GPRS模块也选用较为成熟的BENQ M23G集成模块,它是无线GPRS通信模块M23的升级版,内部集成PPP和TCP/IP协议栈;支持EGSM 900MHz,DCS1800MHz,PCS 1900MHz三频模块,重量轻、体积小、工作稳定可靠,在各领域应用广泛[4]。LPC2129通过串口将GPRS功能的AT命令写入到模块中,对模块进行工作模式和网络配置,直到能与监测中心成功建立连接。监测分站的软件设计非常关键。具体流程如图4所示。
如图4所示,设备上电后自动运行,首先进行系统的初始化,包括控制器的工作方式、相关寄存器以及串口通信方式的配置,同时还要对GPRS模块进行初始化,使其能够接入GRPS网络并与监测中心建立TCP网络连接,建立连接后,控制器通过ADC0采集经过调理后的传感器输出的电压信号,并将压力、时间和监测点位置等信息打包发送至监测中心。
4管道检漏和定位
管道检漏和定位的处理分析工作主要在监测中心的管理软件上完成。设置在泄漏点两端的监测分站拾取负压力波信号,并将采集的压力信号经初步处理后分成两类(压力正常数据和异常数据),并发送到中心控制站进行分析处理,根据压力波的幅值变化大小和上下游检测到的拐点时间差就可确定是否泄漏。由负压力波检测定位式(1)知,管道的长度是已知的,为了得到更精确的定位,只需要得到精确的时间差Δt和波速a即可。
4.1时间差Δt
如图5所示,假设在t1时刻,Px点突然监测到压力异常,这时就确定发生了泄漏,而且泄漏点必然在Px点两侧。如果在Px点发生压力异常后,紧接着在t2时刻Px-1点也监测到压力异常,那么就断定泄漏点出现在Px-1与Px点之间;如果在Px点发生压力异常后,紧接着在t2时刻Px+1点监测到了异常,那么就断定泄漏点出现在Px与Px+1之间。同时,监测中心将提取这两个发生异常点的时间并求出式(1)中的Δt=t2-t1。这时由于负压力波信号不可能完全衰减,其他监测分站也会接收到异常压力信号,但是都滞后于Px和Px+1点,异常数据将会被忽略,不做处理,直接备份到数据库。
由于系统晶振的微小差异,经过一段时间后各节点的时钟会出现不一致的情况,解决该问题的办法是通过监测中心定期对监测分站进行同步授时校准,使各监测分站的时钟保持一致,确保测量的精准度。
4.2负压力波速度a动态修正
负压力波在原油中的传播速度为1 100m/s左右,运输管道各段的负压波速会随着油品属性、温度的变化而在一定范围内波动,传播速度除了与管道结构形式及管道材料有关外,还与油品的物性及混油浓度有关。因此,在实际的管道泄漏检测中必须对式(1)中负压力波波速进行实时修正,并及时更新系统中与压力波速有关的各个参数。从而提高泄漏定位精度[5],负压波速计算求解公式如下:
式中D———管道平均直径,m;
E———管材的弹性模量,MPa;
k———液体的体积弹性系数,MPa;
ρ———液体密度,kg/m3;
δ———管道壁厚,m;
μ———钢管的泊松系数,取0.3;
ψ———管道结构系数,取决于管道的固定情况(仅一端固定时,ψ=5/4-μ;全部固定时,例如埋地管道时,ψ=1-μ2;管道有伸缩连接时,ψ=1)。
4.3监测中心软件设计
监测中心的管理软件用V C++6.0编写,通过建立服务端,利用Win Sock监听并建立来自分站的连接,在网络上与各分站进行通信,收发数据。为达到并发的目的,主程序采用多线程机制,为新建立的连接创建一个单独的收发数据线程,充分保障各个采集终端数据传输的独立性、及时性以及安全性[6]。将接收到的数据经过解析、处理后存储至数据库中,一旦管道发生泄漏,立即启动故障诊断和定位系统,显示出泄漏事故地点的精确位置,并发出报警信号通知工作人员尽快勘查和抢修。
5结束语
采用多点分布式的负压力波法设计的石油管道泄漏检测和定位系统,实现了数据的实时无线传输。另外采用实时修正的负压力波速度和时间同步授时后,使系统具有更高的泄漏检测灵敏度和精确度,有效降低了误报警率,为石油管道泄漏事故的及时检修提供保障,最大限度地减少经济损失和资源浪费,避免环境污染和安全事故的发生。
参考文献
[1]周萍,应启戛.热油输送管道泄漏定位方法研究及其实现[J].石油机械,2007,35(4):40~42.
[2]陈志勇,李书臣,翟春艳等.改进BP神经网络在管道泄漏检测中的应用[J].河南科技大学学报(自然科学版),2008,29(3):44~47.
[3]林伟国,张鑫,汲长征.基于压电传感器的管道泄漏监测仪的研制[J].北京化工大学学报,2006,33(5):74~76.
[4]田明,吴桂清,黄毅等.基于GPRS供水管网抄表系统的设计与实现[J].电子设计工程,2009,17(4):65~67.
[5]张宇,陈世利,李健等.基于动态压力变送器的输油管道泄漏检测与定位系统[J].传感器技术学报,2009,22(9):1347~1351.
“算法初步”学习的定位与思考 篇9
一、重难点解析与学习定位
本章的重点是程序框图。程序框图往往含有顺序结构、条件结构和循环结构三种基本逻辑结构，其中的难点是对循环结构的理解和应用。正确理解循环结构，首先要确定是当型循环结构还是直到型循环结构，第二要认清表示累计变量的意义，第三要确定在哪一步开始循环。
算法的程序语言，是将算法框图转化为计算机能识别和执行操作的语句，任何一种正确的算法程序，输入到计算机中，通过计算机运行就能输出结果。输入语句、输出语句和赋值语句是任何一个算法中必不可少的语句。在赋值语句中，一定要注意其格式要求，如：“=”的右侧必须是数值表达式，左侧必须是变量，一个语句只能给一个变量赋值，变量的值始终等于最近一次赋给它的值，先前的值将被替换。在一个算法对输入的值进行判断时，就需要条件语句。若一个算法中某些步骤需要反复执行多次，就少不了循环语句。
二、算法的多元表征与案例分析
分布式定位算法 篇10
分布式电源(DER)具有节省投资、降低损耗、提高系统可靠性、效率高、能源种类多样等优点,同时其位置灵活、分散的特点极好地适应了分散电力需求和资源分布[1]。DER的并网接入主要通过配电网络,随着智能配电网的不断建设与发展,将有越来越多的DER接入到配电网中,为传统配网自动化系统带来重大影响。
目前在配电自动化领域中有不少馈线自动化技术的研究实践,多集中于传统辐射型网络在非健全信息条件下容错故障处理技术的研究[2,3,4]等;也有一些分布式电源技术的研究实践,集中于DER对配电网的影响评估、并网接入技术[5,6]等;基于多电源情况下潮流双向流动网络的故障定位和快速恢复供电技术的研究比较少,多集中于故障定位算法的研究,而且大都采用矩阵方式描述配电网络,故障定位算法比较复杂。
针对这种情况,分析分布式电源接入后对主站参与型馈线自动化技术的影响,提出一种简单直观的分布式电源接入条件下故障定位方法,该方法判断准确、原理清晰,易于学习和掌握;同时提出了分布式电源接入条件下故障隔离后快速恢复非故障区域供电的计算方法。
1 分布式电源对主站参与型馈线自动化的影响
1.1 分布式电源(DER)
分布式电源是指小型(容量一般小于50 MW)、向当地负荷供电、可直接连到配电网上的电源装置。它包括分布式发电装置与分布式储能装置。DER可以带负荷通过断路器与配电网相连,平时并网运行;当配电网络发生故障时,可以断开与配电网的连接,转为孤岛运行。
DER的大量接入使配电网出现了遍布电源的状况,对配电网的运行和调度管理产生了重要影响,尤其对主站参与型的馈线自动化带来了新的技术问题。
1.2 主站参与型馈线自动化的故障处理
主站参与型馈线自动化通过主站与终端的配合,完成馈线故障的处理,主要过程为:
(1)配网终端(FTU)对开关状态进行监视,通过通信网络向主站上送开关的遥信、遥测数据。当线路上发生故障时,FTU主动将监测到的故障过流信号和开关跳闸信号上送给主站。
(2)由于传统配电网的馈线电源点集中在变电站10kV母线,馈线上功率为单向流动,主站系统可以根据拓扑分析,判断出故障电流方向,找出该方向上最末端的过流设备,完成故障定位。
(3)主站系统完成故障定位后,即可区分出故障区段与非故障区段,非故障区段可以利用备用电源点进行恢复供电,此时要计算转供区域的待恢复容量,一般可以根据故障发生前流入该区段和流出该区段的电流值之差进行计算。
1.3 DER接入带来的影响
在文献[10]中介绍了常见的两种DER并网方式:大容量DER并网一般通过联络线与变电站母线相连,通过母线对外供电,如图1所示;小容量DER接入配电网的方式主要以“即接即忘”式并网和微网技术为主,就近接入配电线路,如图2所示。“即接即忘”式并网,接入容量有所限制,不会对配电网安全性、供电质量和保护控制方式带来影响;微网技术接入DER时,从大电网角度看,可以把整个微网等效为一个“即接即忘”式的单个DER。
通过变电站母线接入的大容量DER,从配电网角度看,可以将其与母线视为一体化电源点,只要将母线的出线开关配置为断路器,在配网线路发生故障时能够隔断故障电流,就不会对DER产生影响,主站系统通过传统馈线自动化技术即可完成故障处理。
就近接入配电线路的小容量DER,会在配电网络上形成多处分布式的电源点,对主站参与型馈线自动化带来以下影响:
(1)馈线电源点不仅限于变电站内的10kV母线,馈线上的功率由单向流动变为双向流动,主站系统无法根据拓扑分析判断出电流方向。
(2)DER接入后会分担或增加馈线负载,但发生故障后,DER会自动切断。计算非故障区域的恢复方案时必须考虑到这一点。
2 DER接入条件下的故障定位
2.1 判断方法
在配电线路上,发生故障时,由于DER的存在和其所处位置的不确定性,对故障区域进行定位时须加入故障电流方向的判断。为了配合主站系统的馈线自动化功能,配电终端在采集开关信息时,须将功率流动方向以正负值的方式上送给主站系统,当发生故障时,配电终端就地对故障电流方向进行判断并以遥信方式上送主站。
主站系统接收到配电终端上送的正、反向故障信号,结合故障发生前的配电线路拓扑,即可快速定位故障区域。判断方法为:根据配电线路上开关之间的连接关系,以检测到故障电流的开关为边界,将配电环网线路划分为多个区域,判断各区域边界开关故障电流的方向是流入该区域还是流出该区域,逐个区域进行检查,若某区域只有流入的故障电流,没有流出的故障电流,则该区域为故障点所在区段。
此判断方法涵盖了传统馈线自动化技术,既可以定位单电源、潮流单向流动网络的故障,也可以定位多电源、潮流双向流动网络的故障,对配电网络运行方式的变化有着很强的适应性,同时在部分故障信息缺失的情况下,还有较强的容错性。
2.2 故障示例
图3为某城区配网的三联络配电环网图,由A、B、C三条馈线组成,L1、L2为联络负荷开关,以开断状态运行,出线开关1为断路器,2-8为负荷开关,G1与G2为两个就近接入A馈线的DER,C1、C2分别为G1、G2接入A馈线的断路器。
从图3可以看出,在当前运行方式下,A馈线上被开关分割开的主要区域共有8个,如表1所示。
(1)故障点1。
当图3中故障点1发生故障时,开关1-5和C1、C2均会检测到过流信号,涉及1-5号区域。由于故障点位于A馈线主供电源与DER G1、G2之间,所以故障电流向该点汇集,流经各区域的故障电流方向如表2所示。
从表2可以看出,在采集到过流故障信号的开关所涉及的1-5号区域中,只有区域4仅有故障电流流入,没有故障电流流出;其他区域均既有流入也有流出。而6-8号区域的边界开关均未检测到故障电流,可以排除在外。主站系统按照上述判断方法,即可判断出区域4为故障点所在区域。
若发生故障信号缺失的情况,如开关3的过流信号未采集到,则开关3不作为区域边界开关,此时应将2、3号区域合并处理,该区域流入故障电流的边界开关为2、C1,流出的为开关4,则仍只有4号区域满足条件,上述判断方法有效。
(2)故障点2。
当图3中故障点2发生故障时,开关1-6和C1、C2均会检测到过流信号,涉及1-6号区域,流经各区域的故障电流方向如表3所示。
从表3可以看出,在采集到过流故障信号的开关所涉及的1-6号区域中,只有区域6仅有故障电流流入,没有故障电流流出;其他区域均既有流入也有流出。而7、8号区域的边界开关均未检测到故障电流,可以排除在外。主站系统按照上述判断方法,即可判断出区域6为故障点所在区域。
若发生故障信号缺失的情况,如开关3、5的过流信号均未采集到,则开关3、5均不作为区域边界开关,此时应先将2、3号区域合并,该区域流入故障电流的边界开关为2、C1,流出为开关4;再将4、5号区域合并,该区域流入故障电流的边界开关为4、C2,流出的为开关6。则仍只有6号区域满足条件,上述判断方法有效。
3 DER接入条件下的快速恢复供电
3.1 计算方法
主站系统完成故障定位后,须计算非故障区域的恢复方案,包括主供电源侧的非故障区域和需转供的非故障区域。单电源网络下的馈线自动化一般直接恢复主供电源侧非故障区域的供电,并通过故障前的电流值对待转供区域的容量进行分析计算。接入DER之后,“即接即忘”式的DER在故障发生后会进行孤岛保护动作,将DER从网络中切除,微网和大电网的公共耦合点(PCC)也会在故障发生后跳开将微网和大电网断开。所以在容量计算方面,要计算DER对容量的影响,将其容量排除在外,既包括DER对主供电源侧恢复供电的影响,也包括DER对通过备用电源点转供恢复供电的影响。计算方法为:
(1)故障前向配电线路输出功率的DER,发生故障后应将其故障前向配电线路输出的功率计算进待恢复容量中。
(2)故障前由配电线路供电的微网、分布式储能等类型的DER,发生故障后应将其故障前通过配电线路输入的功率从待恢复容量中删减。
(3)由于DER的影响,主供电源侧恢复供电时,不能盲目地直接恢复,要判断待恢复容量是否超出主供电源能够承受的额定容量,若未超出,可直接恢复,否则,需将部分负荷通过其他电源点转供恢复供电或甩掉部分负荷。
3.2 故障示例
仍以上述三联络配电环网图为例,在各开关旁边增加数字代表流经该开关的电流值,单位为安培(A),如图4所示,所有开关的额定电流为400A。
根据图4所示的拓扑连接关系和流经各开关的电流值,结合上述计算原则,以电压为10kV统一进行计算,可以算出在当前状态下A馈线上各区段的负荷容量,如表4所示。
根据图4中流经C1、C2开关的电流,可以计算出,G1向A馈线输出了400kVA的功率,G2从A馈线输入了50kVA的功率。
当该馈线上发生故障时,主站系统确定故障区域并隔离后,须计算非故障区域的恢复方案。以两个故障点为例,对供电恢复方案的计算过程进行说明,故障点位置如图5所示。
(1)故障点1。
该故障点位于A馈线的4、5、6三个开关之间。隔离该故障点后,位于该故障点周围的三个方向均有非故障区域需要且有条件恢复供电,分别是主供电源侧的1、2、3号区域,L1侧的5号区域和L2侧的6、7号区域。由于故障发生后,G1与G2均会自动切断与A馈线的连接,转入孤岛运行,所以原先由G1、G2分担的负荷容量也需要计算到待恢复容量中去。
经计算,各待恢复区域的待恢复容量如表5所示。
主供电源侧1-3号区域的待恢复总容量为2500kVA,由于G1转为孤岛运行,需完全由主供电源恢复;5号区域由于G2转为孤岛运行,不需考虑其故障前从A馈线输入的50kVA功率,所以待恢复容量为350kVA,需要通过L1开关由C馈线恢复;6、7号区域的待恢复总容量为200kVA,需要通过L2开关由B馈线恢复。
(2)故障点2。
该故障点位于A馈线的6、7、8三个开关之间,隔离该故障点后,位于该故障点周围的三个方向均有非故障区域需要且有条件恢复供电,分别是主供电源侧的1-5号区域和L2侧的7号区域,发生故障后,G1、G2同样会转入孤岛运行。
经计算,各待恢复区域的待恢复容量如表6所示。
主供电源侧的1-5号区域的待恢复总容量为4050kVA,而沿线各开关的额定电流均为400A,可恢复的最大负荷容量为4000kVA,若不超负荷运行,需将一部分负荷转移到其他电源点恢复,可以选择将5号区域的350kVA容量通过L1开关由C馈线转供(若C馈线的剩余容量不足以恢复350kVA,则该部分负荷只能被切除),其余区域仍由主供电源恢复供电;7号区域的待恢复容量为100kVA,可以通过L2开关由B馈线恢复。
4 结语
提出了在分布式电源接入条件下,准确定位故障区域的简单方法,并对分布式电源条件下快速恢复供电的计算方法进行了研究,通过实际算例表明,所述方法正确有效,可以适应分布式电源条件下的馈线自动化需求。
参考文献
[1]张立梅,唐巍,赵云军,等.分布式发电对配电网影响的综合评估[J].电力系统保护与控制,2010,38(21):132-135,140
[2]陈艳丽,周群,滕欢.配电网故障定位容错算法[J].电力系统保护与控制,2011,39(13):91-95
[3]刘健,赵倩,程红丽,等.配电网非健全信息故障诊断及故障处理[J].电力系统自动化,2010,34(7):50-56
[4]刘健,董新洲,陈星莺,等.配电网容错故障处理关键技术研究[J].电网技术,2012,36(1):253-257
[5]王成山,王守相.分布式发电供能系统若干问题研究[J].电力系统自动化,2008,32(20):1-4,31