摘要：为解决当前多个传感器信息难以整合的问题，提出一种BP神经网络方法。同时，将多个传感器的数据融合技术与BP神经网络相结合，建立基于BP神经网络的多个传感器的多个数据融合处理方法。

关键词：BP算法；多传感器；数据融合；Matlab

1 引言

当前我国大部分的变电站都装有工业监视器，但这种监视器一般都是由操作人员和安全保卫人员手工操作，在大型设备维修作业中，无法完全利用现有的摄像机实现对设备的监测。所以，将智能控制技术应用于变电站一次设备的实时监控中是非常必要的。神经网络是一种具有非线性特性的网络，其能够对信息进行理解和对数据进行自我调节。同时其在预测、智能控制、模式识别和数据融合等方面都取得很大的进展。为此，本文将以BP神经网络为基础，采用多个传感器信息融合技术，对一次设备的实时监控进行多个数据的融合。

2 BP神经网络算法

BP网络实际上是一种由多个层次的前向神经元组成的网络。S的功能实际上就是在这个过程中，要传输的神经细胞，在0到1的范围内，就是输出的数量。本文研究的重点是L-M方法。L-M是Levenberg-Marguardt的最优解，利用最少的数据将其它的非线性函数的平方和应用。这与神经网络的学习和训练的表现指标相一致。利用L-M方法对BP进行优化，其优势在于可以缩短学习的时间和提高精度。在神经网络建模时，最优建模的目的是使建模的误差降至最低，因而通常要有海量的训练数据来支持。但事实上，越是深入地研究，就越是能够精确地构建出一个新的模式，并且缩短学习的过程。结果表明，随着样本数量的增加，所建立的DRM模型的辨识性能和推广性能都得到较好的提高，同时也减少过度拟合的可能性。

3 多传感器数据融合

在传统的融合算法中，基于贝叶斯和D-S的证据推断，贝叶斯的融合算法要求先验概率，但在很多情况下，采用先验的方法难以得到准确的结果。数据融合是基于某种规律对同一或相近的数据进行综合处理。通常情况下，越是庞大的数据，越是稀少的数据，越是容易被利用。数据融合技术是指通过对不同的数据进行分析、提取和综合，从而得到更加全面、可靠和准确的数据。

4 神经网络在变电站传感器数据融合中的应用

本文结合变电站一次设备在信息整合过程中存在的一些问题，以下将介绍利用BP神经网络进行传感器的信息处理。在数据融合中，传感器的处理包括以下四部分：（1）传感器选择部分；（2）传感器状态选择部分；（3）合并参数选择部分；（4）知识基础部分。

在传感器选取方面，通过对传感器的检测结果进行预处理，并将其与数据库中的基本数据相结合，将能够通过建立相应的传感器的方式实现对数据的混合。而传感器的状况识别则主要通过对各传感器的工作状况进行分析，以确定各传感器有无故障。本论文使用BP神经网路进行上述的作业。该方法将神经网络三个单元级的网络输出与每个感测器的状态相连：利用BP算法进行网络训练，该流程需要在网络中产生训练的数据：

（1）当所述传感器在工作的正常情况下，或所产生的输出值小于其它同类的传感器时，所述的输出状况是1；（2）如果在运行中发生故障，而且其输出数据与其它同类传感器有很大差异，则相应的输出状况为0；（3）在训练期间未选择的所有传感器均视为0。在实际应用中，通过输入信号来描述传感器的当前状况，即：（1）Y i>0，表明第i个传感器目前工作正常；（2）Y i<0时，判断为第i个传感器工作不正确；这里是识别门限，并且是0$1，这个数值是由系统决定的。在混合参数选取方面，基于输入，并与数据库中的数据相结合，实现基于数据的融合和算法的构造。其主要内容有：传感器选取环节的Fuzzy逻辑法则以及融合参数选取的Fuzzy逻辑法则；该模型是一个权重和运算法则的综合模型。整个知识库的内容通常是由专家和学者的实践训练得出的。在此基础上，实现基于多个传感器的信息融合管理。

5 实例分析

利用变电站一次设备五台感应器的输入数据，将一个输出量和六层神经元的信号全部串联起来，进行网络的学习和训练，但为了获得最好的效果，需要不断地调整初始权重和学习步骤。在真实的学习中，由于神经元数目的差异，平均方差也会随著数目的减少而减小，但是当两种类型的神经元数目增加时，其都可以很好地进行多个信息的融合。在选取BP网络进行训练时，不仅要注意到隐含的神经元数目，还要注意学习的步骤和权重的初始化等因素对结构的作用，从而获得最佳的训练结果。BP神经网络经过反复的训练，反复检验该模式的错误，最后得到最优的最优模型，并建立一个稳定的预报模式。然而，在给定的训练数据条件下，神经网络会出现过度拟和过度匹配，使得其在网上的使用不够有效。基于此，本论文将分数阶灰度模型与BP神经网路的综合应用于该预测模式，并提出一种基于分数阶灰神经网路的综合预报模式。预报程序包括：利用随机森林和循环神经网络两种方法来检验预报的有效性。预测过程为：采用两种集合模型，即随机森林模型和循环神经网络模型，对预测效果进行测试。结果表明，该模型的预测精度高于神经网络模型。同时，将该方法的预测结果与直接预测结果进行比较，结果表明该方法的优越性和实用性。最后，对单个模型和组合模型的预测结果进行比较。结果表明：随机森林模型的预测效果较稳定，误差标准差较小，验证分析结果表明，该模型具有较高的稳定性和较高的预测精度。

结束语

总而言之，本文主要通过对人工神经元网络的理论基础进行深入的研究，提出一种基于人工神经元网络的一次设备监控系统，而后介绍BP神经网络在Matlab软件中的运用。本文还给出常见的时序和前向神经网络的数学建模方法。其通过与常用的神经网络模型对比，证明BP神经网络在预报效果以及数据融合方面具有较大的优越性。

参考文献

[1]陆旭锋，张翔，瞿凌春.基于PLC技术的电气一次设备远程启闭自动化控制方法[J].工业仪表与自动化装置，2022，（05）：48-52.

[2]李翔.智能变电站的一次设备选择与应用[J].电子技术，2022，51（09）：266-267.

[3]沈睿.变电系统一次设备的故障与应对措施分析[J].融合电路应用，2022，39（09）：278-279.