一种5G共享杆塔智能检测方法

技术领域

本发明属于通信领域。

背景技术

自从2020年以来，我国为了加快5G网络部署，开始实施“新基建”战略。但是由于5G基站“高频段”的技术特性，决定着基站的间距将越来越小，密度越来越大，导致5G基站所需的站点数目是4G基站的3至4倍。面对如此巨大的基站需求，需要进一步合理规划站址，降低选址难度，缩短建设工期，有效控制成本。铁塔公司和各运行商如果只靠自己建设通讯基站，5G网络部署进度缓慢，满足不了应用需求。与此同时，随着电力网络的发展完善，输电线路的覆盖面愈加广泛，形成了纵横相交、分布广泛以及层次分明的电网通道。这种电网输电线路的广泛布局，为基站共享电力铁塔资源创造了良好契机。如果可以将电力杆塔应用于通信基站建设，这不仅支撑5G基站建设，还为电网企业带来一定的经济效益。“共享铁塔”就是在输电线路杆塔上加装通信基站，让线路与基站共享一座铁塔的新型资源共享模式。

共享铁塔既可以实现电力杆塔资源再利用，又可以通过通信设施对电网进行监测、完善智能电网建设，促进电力与通信行业互惠互利。这种杆塔共享方式可以充分利用电网输电线路覆盖面广的特点，既能够共享资源、节约建设成本，又解决了站点获取问题，在保障双方设备既融合又并行独立的基础上，积极带动5G网络建设，为电力行业带来新的经济增长点。共享铁塔实现了“一塔多用”，一方面避免重复投资和建设，节约大量的财力物力；另一方面节约了土地资源，保护生态环境，有效践行国家绿色发展、协调发展理念，具有极大的经济效益和社会效益。而电力和通信跨行业的资源共享，正是积极贯彻落实科学发展观和建设资源节约型、环境友好型社会的一种具体体现和重要途径，应用与推广共享铁塔具有多方面重大意义。

但目前对于这方面的研究很少，为了提高共享杆塔运行的安全性，对共享杆塔的态势感知、环境场景的智能识别是很有必要的。

发明内容

针对现有共享杆塔存在的安全性问题，本发明提供一种5G共享杆塔智能检测方法。该方法为：通过数值模拟仿真，对采集到的共享杆塔风速、风向、温度、覆冰环境参数对杆塔应力变化进行建模，得到共享杆塔承载性能即时评价系统；

通过人工智能算法对杆塔及杆塔上线路的周边环境进行智能视频目标识别、异常场景监测，并根据现场情况进行迭代改进模型，形成杆塔场景的智慧识别算法模型；

采用智慧识别算法模型实现对5G共享杆塔智能检测。

优选地，结合高寒地区共享杆塔风速、风向、温度、覆冰环境参数设计系统输入参数在线监测方案，根据高寒地区特点选择可靠性高的环境因素采集装置，结合5G网络实时传输环境输入参量，通过机器模型集成数字化共享杆塔承载性能即时评价系统，实时量化共享杆塔的受力情况，为每根杆件的承载性能进行赋值。

优选地，机器模型建立过程：

S1、数据预处理，对数据进行抽样、数据去噪；

S2、进行特征工程处理，包括特征选择、特征变换、缺失值处理和异常值处理；

S3、算法调优处理，采用超参数算法调优；

S4、模型评估，包括模型度量和模型解释；模型评估后进行策略迭代，以构建机器模型；

S5、模型部署，包括模型发布和模型解析。

优选地，采用参数迁移学习方法对所述智慧识别算法模型进行训练。

优选地，所述参数迁移学习方法采用GoogLeNet卷积神经网络实现，具体采用GoogLeNet卷积神经网络对所述智慧识别算法模型进行训练的过程为：

利用一个全卷积层、一个softmax层和一个分类输出层替换GoogLeNet的最后三层，这三层合并了网络提取的物体的特征，并将物体转换为不同类别标签的概率；

全连接层的尺寸设置为3与训练集中物体类别的数量一样；

然后，冻结GoogLeNet网络前面的卷积层，即在后续训练中，将这些层的学习速率设置为0，保持这些层的权重参数不变；

损失函数是交叉熵损失，在损失函数中增加了权值的L

其中，m为样本数，n为聚类的个数，t

y

其中，z

本发明的有益效果：本发明对共享杆塔的态势感知、环境场景的智能识别，提高共享杆塔运行的安全性，同时分析电网输电线路网络中杆塔、通信基站的网络分布结构，为共享杆塔的敷设顺序、位置，利用程度提供理论分析建议。

本发明方法增强共享杆塔的可靠性与安全性，让电力杆塔资源再利用，实现电力塔功能多样化，提高了资源利用率。

附图说明

图1是本发明所述一种5G共享杆塔智能检测方法的结构示意图；

图2是机器学习模型；

图3是微调GoogLeNet神经网络结构图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其它实施例，都属于本发明保护的范围。

需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。

本发明围绕共享杆塔的运行状态借助理论研究、机器学习和边缘计算等手段以实现智能化共享杆塔的态势感知与智能监测。分析区域内电力杆塔、通信基站的网络分布结构，采用人工智能算法进行拓扑网络划分，找出重要杆塔网络的重要节点及子区域划分，为共享杆塔的敷设顺序、位置，利用程度提供理论分析建议。基于机器学习下数字化共享杆塔承载性能态势感知系统研发。结合高寒地区共享杆塔风速、风向、温度、覆冰等环境参数设计系统输入参数在线监测方案，根据高寒地区特点选择可靠性高的环境因素采集装置，结合5G网络实时传输环境输入参量，通过上述模型集成数字化共享杆塔承载性能即时评价系统，实时量化共享杆塔的受力情况，为每根杆件的承载性能进行“赋值”。采用边缘计算方式三网合一线路及杆塔异物隐患检测，通过人工智能算法对杆塔及杆塔上线路的周边环境进行智能视频目标识别、异常场景监测，形成杆塔场景的智慧识别算法模型，为共享杆塔的安全运行提供可视化技术支持。

下面结合附图和具体实施例对本发明作进一步说明，但不作为本发明的限定。

具体实施方式一：下面结合图1至图3说明本实施方式，本实施方式所述一种5G共享杆塔智能检测方法，参见图1，采用理论分析、数值模拟和实验迭代相结合的方式展开研究，通过电网不同等级网路的拓扑结构分析研究，对杆塔在电网中的重要性进行重要性程度划分，为共享杆塔的敷设顺序、位置等提供理论依据和指导。该方法为：通过数值模拟仿真，对采集到的共享杆塔风速、风向、温度、覆冰环境参数对杆塔应力变化进行建模，得到共享杆塔承载性能即时评价系统；

通过人工智能算法对杆塔及杆塔上线路的周边环境进行智能视频目标识别、异常场景监测，并根据现场情况进行迭代改进模型，形成杆塔场景的智慧识别算法模型；

采用智慧识别算法模型实现对5G共享杆塔智能检测。

移动通讯基站的覆盖范围时一定的，大规模铺设基站时，需要统一考虑区域内通讯容量及区域面积。类似地，电力杆塔共享的合理选择能有效提高杆塔利用效果并降低通信基站对杆塔的不利影响。由于电力杆塔地理位置已经确定，通过人工智能算法对共享杆塔进行优化选择。

基于机器学习下数字化共享杆塔承载性能态势感知系统：结合高寒地区共享杆塔风速、风向、温度、覆冰环境参数设计系统输入参数在线监测方案，根据高寒地区特点选择可靠性高的环境因素采集装置，结合5G网络实时传输环境输入参量，通过机器模型集成数字化共享杆塔承载性能即时评价系统，实时量化共享杆塔的受力情况，为每根杆件的承载性能进行赋值。机器学习模型建立的一般流程如图2所示，以黑龙江地区某共享杆塔作为研究对象，研究不同工况下共享杆塔态势感知研究，实现共享杆塔实时工况下的受力感知；对于考虑各类因素对共享杆塔构件受力影响以及机器学习的调试。

图2机器模型建立过程为：

S1、数据预处理，对数据进行抽样、数据去噪；

S2、进行特征工程处理，包括特征选择、特征变换、缺失值处理和异常值处理；

S3、算法调优处理，采用超参数算法调优；

S4、模型评估，包括模型度量和模型解释；模型评估后进行策略迭代，以构建机器模型；

S5、模型部署，包括模型发布和模型解析。

采用参数迁移学习方法对智慧识别算法模型进行训练。在传统的机器学习中，训练集和测试集需要在相同的特征空间中，具有相同的数据分布。但是，除非花很多的时间和精力去标注大量的数据，否则这种要求在很多情况下都不能得到满足。迁移学习技术能把已经训练过的数据应用在新的问题上，从而避免重新标注数据的工作。随着深度学习的快速发展，迁移学习越来越多地与神经网络相结合。针对已标记数据样本不足的问题，本项目采用基于参数的迁移学习方法，对共享杆塔场景智能识别模型进行训练。

在共享杆塔监控的场景分类应用中，如果从头开始训练一个神经网络是非常耗时的。此外，训练数据也不够丰富，很难训练出泛化能力足够强的深度神经网络。针对这种问题，迁移学习为我们提供了一个优秀的解决方案。预训练好的模型通常都是在大数据集上进行的，这扩充了我们的训练数据，使得模型的鲁棒性更强、泛化能力更好，并且节省了训练时间的成本。预先训练的网络的权重被初始化，然后在新的数据上进行微调，与重新训练网络的权重相比，这种方法能取得更好的精确度。

GoogLeNet是一个预训练后的卷积神经网络，它在包含上百万张图片的ImageNet上进行训练。在本章中，用GoogLeNet在共享杆塔目标样本数据集上进行重新训练，对视频中的场景进行识别分类。图3展示了对GoogLeNet进行微调的结构图。

所述参数迁移学习方法采用GoogLeNet卷积神经网络实现，具体采用GoogLeNet卷积神经网络对所述智慧识别算法模型进行训练的过程为：

利用一个全卷积层、一个softmax层和一个分类输出层替换GoogLeNet的最后三层，这三层合并了网络提取的物体的特征，并将物体转换为不同类别标签的概率；

全连接层的尺寸设置为3与训练集中物体类别的数量一样；

然后，冻结GoogLeNet网络前面的卷积层，即在后续训练中，将这些层的学习速率设置为0，保持这些层的权重参数不变；冻结前面的卷积层不仅能加快训练速度，还能防止对煤层气场景监控下前景目标的过拟合。在本方法中,冻结inception 5a之前的层，重新训练后面的层。

损失函数是交叉熵损失，在损失函数中增加了权值的L

其中，m为样本数，n为聚类的个数，t

y

其中，z

虽然在本文中参照了特定的实施方式来描述本发明，但是应该理解的是，这些实施例仅仅是本发明的原理和应用的示例。因此应该理解的是，可以对示例性的实施例进行许多修改，并且可以设计出其他的布置，只要不偏离所附权利要求所限定的本发明的精神和范围。应该理解的是，可以通过不同于原始权利要求所描述的方式来结合不同的从属权利要求和本文中所述的特征。还可以理解的是，结合单独实施例所描述的特征可以使用在其它所述实施例中。