杆塔的倾斜度的监测方法、装置和电子设备与流程

1.本技术涉及杆塔监测技术领域，具体而言，涉及一种杆塔的倾斜度的监测方法、装置、计算机可读存储介质和电子设备。


背景技术：

2.电力杆塔是架空输配电线路的主要支撑结构，由于外部环境、地质灾害以及人为因素等影响，电力杆塔易出现开裂、倾斜和变形等破坏，严重时会引发重大安全事故。
3.传统人工定时巡线方法存在运行效率低，对于细微倾斜、沉陷的损伤识别难度大等问题，且易受恶劣天气、地质灾害等外部因素的影响。随着全球导航卫星系统（global navigation satellite system，gnss）技术的发展，其凭借高精度、高采样率、全天候实时监测、作业灵活等优势得到了广泛应用。此外，惯性导航系统（inertial navigation system，ins）不依赖外界信息，仅根据内部的陀螺仪和加速度计便能获取实时、稳定的输出信号。
4.考虑到电力杆塔主要分布在农村、山区，人工现场巡检方法难以满足监测工作实时性和全面性的要求。因此，如何提高杆塔倾斜监测的时效性和精度，满足电网智能化监测的要求，成为亟需解决的问题。


技术实现要素：

5.本技术的主要目的在于提供一种杆塔的倾斜度的监测方法、装置、计算机可读存储介质和电子设备，以至少解决现有方案中对杆塔倾斜率的监测精度较低问题。
6.为了实现上述目的，根据本技术的一个方面，提供了一种杆塔的倾斜度的监测方法，该方法包括：获取初始杆塔数据和目标高度，所述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，所述目标高度为所述杆塔的监测点距地面的高度；对所述初始杆塔数据进行降噪处理，得到降噪杆塔数据；采用误差状态卡尔曼滤波器，对所述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，所述目标倾斜方向位移为所述杆塔的所述倾斜方向位移的最优值，所述倾斜方向位移的最优值为所述倾斜方向位移与所述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的所述倾斜方向位移；根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度。
7.可选地，对所述初始杆塔数据进行降噪处理，得到降噪杆塔数据，包括：对所述初始杆塔数据进行切比雪夫低通滤波处理，得到滤波后的所述初始杆塔数据；采用经验小波变换方法，对所述滤波后的所述初始杆塔数据进行处理，得到所述降噪杆塔数据。
8.可选地，采用经验小波变换方法，对所述滤波后的所述初始杆塔数据进行处理，得到所述降噪杆塔数据，包括：采用经验小波变换方法，将所述滤波后的所述初始杆塔数据分解为多个系列本征模函数，所述系列本征模函数与所述波后的所述初始杆塔数据的参数一一对应；确定多个相关系数，所述相关系数用于表征所述系列本征模函数与所述滤波后的所述初始杆塔数据的相关程度；根据所有的所述相关系数和相关系数阈值，将对应的所述
滤波后的所述初始杆塔数据的参数确定为所述降噪杆塔数据。
9.可选地，所述初始杆塔数据还包括环境温度、风速和降水量，所述环境温度为所述杆塔所处于的环境的温度，在根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度之后，所述方法还包括：根据所述环境温度、所述风速和所述降水量，确定当前天气状态，所述当前天气状态为以下之一：正常天气、非正常天气；根据所述当前天气状态和所述倾斜度，确定风险等级。
10.可选地，所述风险等级为以下之一：第一风险等级、第二风险等级、第三风险等级，所述第一风险等级、所述第二风险等级和所述第三风险等级对应的风险程度依次递增，根据所述当前天气状态和所述倾斜度，确定风险等级，包括：在所述天气状态为所述正常天气，且所述倾斜度小于第一倾斜度阈值情况下，确定所述风险等级为所述第一风险等级；在所述天气状态为所述正常天气，且所述倾斜度大于或者等于所述第一倾斜度阈值，且所述倾斜度小于或者等于第二倾斜度阈值的情况下，确定所述风险等级为所述第二风险等级；在所述天气状态为所述正常天气，且所述倾斜度大于所述第二倾斜度阈值的情况下，确定所述风险等级为所述第三风险等级；在所述天气状态为所述非正常天气，且所述倾斜度小于第三倾斜度阈值情况下，确定所述风险等级为所述第一风险等级，所述第三倾斜度阈值小于所述第一倾斜度阈值；在所述天气状态为所述非正常天气，且所述倾斜度大于或者等于所述第三倾斜度阈值，且所述倾斜度小于或者等于第四倾斜度阈值的情况下，确定所述风险等级为所述第二风险等级，所述第四倾斜度阈值小于所述第二倾斜度阈值；在所述天气状态为所述非正常天气，且所述倾斜度大于所述第四倾斜度阈值的情况下，确定所述风险等级为所述第三风险等级。
11.可选地，采用误差状态卡尔曼滤波器，对所述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，包括：
12.构建协方差更新方程和量测方程，
13.其中，所述协方差更新方程为：
14.；
15.所述量测方程为，其中，为k时刻的协方差矩阵；为单位矩阵，为旋转矩阵，为过程时间，、、和分别为速度、角度、加速度和角速度的预估噪声的协方差，和分别为在k时刻时上述降噪杆塔数据的加速度和角速度，为在k+1时刻的协方差矩阵的先验预测值，为k+1时刻的gnss与ins的位置误差，为k+1时刻的量测矩阵，为k+1时刻ins的误差状态量，为量测高斯白噪声，和分别为在k时刻时加速度和角速度的零偏矩阵
16.对所述协方差更新方程和所述量测方程进行优化处理，得到所述目标倾斜方向位
移。
17.可选地，根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度，包括：
18.根据，确定所述杆塔的所述倾斜度，其中，为目标倾斜方向位移，为所述目标高度，为所述杆塔的所述倾斜度。
19.根据本技术的另一方面，提供了一种杆塔的倾斜度的监测装置，该装置包括获取单元、第一处理单元、第二处理单元和第一确定单元；获取单元用于获取初始杆塔数据和目标高度，所述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，所述目标高度为所述杆塔的监测点距地面的高度；第一处理单元用于对所述初始杆塔数据进行降噪处理，得到降噪杆塔数据；第二处理单元用于采用误差状态卡尔曼滤波器，对所述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，所述目标倾斜方向位移为所述杆塔的所述倾斜方向位移的最优值，所述倾斜方向位移的最优值为所述倾斜方向位移与所述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的所述倾斜方向位移；第一确定单元用于根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度。
20.根据本技术的另一方面，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杆塔的倾斜度的监测方法。
21.根据本技术的另一方面，提供了一种电子设备，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杆塔的倾斜度的监测方法。
22.应用本技术的技术方案，通过对所述初始杆塔数据进行降噪处理，得到降噪杆塔数据，采用误差状态卡尔曼滤波器，对所述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，以使得经过降噪和优化处理能够使得后续倾斜度的精确度更高，进而解决了现有方案中对杆塔倾斜率的监测精度较低问题。
附图说明
23.构成本技术的一部分的说明书附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
24.图1示出了根据本技术的实施例中提供的一种执行杆塔的倾斜度的监测方法的移动终端的硬件结构框图；
25.图2示出了根据本技术的实施例提供的一种杆塔的倾斜度的监测方法的流程示意图；
26.图3示出了根据本技术的实施例提供的一种杆塔的倾斜度的监测装置的结构框图。
具体实施方式
27.需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相
互组合。下面将参考附图并结合实施例来详细说明本技术。
28.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术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技术一部分的实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本技术保护的范围。
29.需要说明的是，本技术的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
30.正如背景技术中所介绍的，现有技术中考虑到电力杆塔主要分布在农村、山区，人工现场巡检方法难以满足监测工作实时性和全面性的要求，因此，如何提高杆塔倾斜监测的时效性和精度，满足电网智能化监测的要求，成为亟需解决的问题，为解决现有方案中对杆塔倾斜率的监测精度较低问题，本技术的实施例提供了一种杆塔的倾斜度的监测方法、装置、计算机可读存储介质和电子设备。
31.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。
32.本技术实施例中所提供的方法实施例可以在移动终端、计算机终端或者类似的运算装置中执行。以运行在移动终端上为例，图1是本发明实施例的一种杆塔的倾斜度的监测方法的移动终端的硬件结构框图。如图1所示，移动终端可以包括一个或多个(图1中仅示出一个)处理器102(处理器102可以包括但不限于微处理器mcu或可编程逻辑器件fpga等的处理装置)和用于存储数据的存储器104，其中，上述移动终端还可以包括用于通信功能的传输设备106以及输入输出设备108。本领域普通技术人员可以理解，图1所示的结构仅为示意，其并不对上述移动终端的结构造成限定。例如，移动终端还可包括比图1中所示更多或者更少的组件，或者具有与图1所示不同的配置。
33.存储器104可用于存储计算机程序，例如，应用软件的软件程序以及模块，如本发明实施例中的杆塔的倾斜度的监测方法对应的计算机程序，处理器102通过运行存储在存储器104内的计算机程序，从而执行各种功能应用以及数据处理，即实现上述的方法。存储器104可包括高速随机存储器，还可包括非易失性存储器，如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中，存储器104可进一步包括相对于处理器102远程设置的存储器，这些远程存储器可以通过网络连接至移动终端。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。传输设备106用于经由一个网络接收或者发送数据。上述的网络具体实例可包括移动终端的通信供应商提供的无线网络。在一个实例中，传输设备106包括一个网络适配器(network interface controller，简称为nic)，其可通过基站与其他网络设备相连从而可与互联网进行通讯。在一个实例中，传输设备106可以为射频(radio frequency，简称为rf)模块，其用于通过无线方式与互联网进行通讯。
34.在本实施例中提供了一种运行于移动终端、计算机终端或者类似的运算装置的杆塔的倾斜度的监测方法，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
35.图2是根据本技术的实施例提供的一种杆塔的倾斜度的监测方法的流程示意图。如图2所示，该方法包括以下步骤：
36.步骤s201，获取初始杆塔数据和目标高度，上述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，上述目标高度为上述杆塔的监测点距地面的高度；
37.具体地，采用gnss定位模块监测杆塔的位置信息，即倾斜方向位移；采用惯性导航系统获取目标杆塔的加速度和角速度，气象监测模块监测杆塔所处环境的温度、风速、雨量；
38.步骤s202，对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据；
39.步骤s202，即对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据，包括：
40.对上述初始杆塔数据进行切比雪夫低通滤波处理，得到滤波后的上述初始杆塔数据；
41.采用经验小波变换方法，对上述滤波后的上述初始杆塔数据进行处理，得到上述降噪杆塔数据。
42.具体地，根据监测数据的特征确定滤波器参数，包括通带和阻带的截止频率和滤波器阶数，进行切比雪夫低通滤波；
43.采用经验小波变换将低通滤波后的数据分解为系列本征模函数imfs（intrinsic mode functions，简称为imfs）：，其中，为处理前的时间序列数据，为分解得到的第个本征模函数，通过有效分量筛选准则识别出特征分量进行信号重构，得到降噪后的监测数据。
44.在本技术的一种实施例中，采用经验小波变换方法，对上述滤波后的上述初始杆塔数据进行处理，得到上述降噪杆塔数据，包括：
45.采用经验小波变换方法，将上述滤波后的上述初始杆塔数据分解为多个系列本征模函数，上述系列本征模函数与上述波后的上述初始杆塔数据的参数一一对应；
46.确定多个相关系数，上述相关系数用于表征上述系列本征模函数与上述滤波后的上述初始杆塔数据的相关程度；
47.根据所有的上述相关系数和相关系数阈值，将对应的上述滤波后的上述初始杆塔数据的参数确定为上述降噪杆塔数据。
48.具体地，根据有效分量筛选准则提取出有效分量，先计算出各imfs与监测数据的相关系数，绘制出相关系数图，找出图中高频部分的突变点k，将该点之后的高频分量作为噪声分量舍去；对剩余分量进行阈值筛选，相关系数大于0.1的分量为有效分量。
49.步骤s203，采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，上述目标倾斜方向位移为上述杆塔的上述倾斜方向位移的最优值，上述倾斜方向位移的最优值为上述倾斜方向位移与上述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的上述倾斜方向位移；
50.在本技术的一种实施例中，采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，包括：
51.构建协方差更新方程和量测方程，
52.其中，上述协方差更新方程为：
53.；
54.上述量测方程为，其中，为k时刻的协方差矩阵；为单位矩阵，为旋转矩阵，为过程时间，、、和分别为速度、角度、加速度和角速度的预估噪声的协方差，和分别为在k时刻时上述降噪杆塔数据的加速度和角速度，为在k+1时刻的协方差矩阵的先验预测值，为k+1时刻的gnss与ins的位置误差，为k+1时刻的量测矩阵，为k+1时刻ins的误差状态量，为量测高斯白噪声，和分别为在k时刻时加速度和角速度的零偏矩阵；
55.对上述协方差更新方程和上述量测方程进行优化处理，得到上述目标倾斜方向位移。
56.具体地，陀螺仪的测量模型：；
57.其中，为采集到的杆塔数据的角速度；为角速度真实值；为陀螺仪零偏矩阵；为角速度测量误差矩阵，满足第一高斯分布，为对陀螺仪静置标定得到的角度随机漫步。
58.加速度计测量模型：；
59.其中，为采集到的杆塔数据的加速度；为载体系（传感器坐标系，属于局部坐标系）到导航系（东北天导航坐标系，全局坐标系）的旋转矩阵；为加速度真实值；为重力加速度矢量，；为加速度的零偏矩阵；为加速度测量误差矩阵，满足第二高斯分布，为对加速度计静置标定得到的加速度随机漫步。计算公式如下：
60.；
61.其中，，，分别表示载体的翻滚角、俯仰角和偏航角。
62.可选地，上述基于四元数的eskf（即error state kalman filter，误差状态卡尔曼滤波器）的误差状态预测方程和协方差更新方程为：
63.，
64.；
65.其中，为在k时刻ins测量的误差状态量矩阵，该矩阵参数依次表示k时刻系统的位置、速度、四元数、加速度零偏矩阵以及角速度零偏矩阵；为k+1时刻误差状态的预测值，参数的对应与同理，在此不再加以赘述；输入状态量为ins测量值；为预估噪声值，分别对应速度、角度、加速度偏置以及加速度偏置的高斯白噪声；为预估噪声的协方差矩阵；为预测协方差矩阵的估计值；为单位矩阵，为旋转矩阵，计算公式如下：
66.；
67.其中，为陀螺仪在k时刻的实际测量值。
68.可选地，采用gnss与ins的位置误差实现eskf的量测更新，其量测方程为：
69.；
70.其中，为k+1时刻gnss与ins的位置误差，和分别为gnss、ins输出的位置信息；为在k+1时刻ins测量的误差状态量矩阵，且与同理，在此不再加以赘述；为量测高斯白噪声；为量测矩阵，计算公式如下：
71.；
72.其中，为3
×
3的单位矩阵，为3
×
13的零矩阵，为陀螺仪在k+1时刻的四元数，i6为6阶的单位矩阵，
73.可根据陀螺仪采集到的角速度进行求解，计算公式如下：
74.；
75.其中，初始化矩阵为4
×
1的零矩阵，为的一阶导数，为k+1时刻的旋转矩阵，且与同理，在此不再加以赘述。
76.可选地，上述采用eskf迭代出姿态信息的最优估计：
77.基于在k+1时刻的协方差矩阵的先验预测值（先验预估就是指根据先前的方程算出来的值，假定先验预估为先验值，将先验值带入量测方程，根据得到的系数在对其进行调整）和观测高斯白噪声，进行量测更新：
78.；
79.其中，为k+1时刻的卡尔曼增益矩阵。
80.误差状态与协方差矩阵的后验预估更新如下：
81.；
82.；
83.其中，、为在k+1时刻ins测量的误差状态量矩阵的后验预测值和在k+1时刻的协方差矩阵的后验预测值。
84.根据计算出的得到k+1时刻的真实状态即的最优估计，公式如下：
85.，
86.其中，为k+1时刻真实状态的测量值。
87.将误差状态和协方差矩阵重置，通过递推迭代，实现姿态信息的最优估计。
88.步骤s204，根据上述目标倾斜方向位移和上述目标高度，确定上述杆塔的倾斜度。
89.在本技术的一种实施例中，上述初始杆塔数据还包括环境温度、风速和降水量，上述环境温度为上述杆塔所处于的环境的温度，在根据上述目标倾斜方向位移和上述目标高度，确定上述杆塔的倾斜度之后，上述方法还包括：根据上述环境温度、上述风速和上述降水量，确定当前天气状态，上述当前天气状态为以下之一：正常天气、非正常天气；根据上述当前天气状态和上述倾斜度，确定风险等级。
90.具体地，将上述环境温度、上述风速和上述降水量分别设置对应的阈值，在对应的
参数均大于或者等于对应的阈值的情况下，确定当前天气状态为正常天气，否则为非正常天气。
91.在本技术的一种实施例中，上述风险等级为以下之一：第一风险等级、第二风险等级、第三风险等级，上述第一风险等级、上述第二风险等级和上述第三风险等级对应的风险程度依次递增，根据上述当前天气状态和上述倾斜度，确定风险等级，包括：在上述天气状态为上述正常天气，且上述倾斜度小于第一倾斜度阈值情况下，确定上述风险等级为上述第一风险等级；在上述天气状态为上述正常天气，且上述倾斜度大于或者等于上述第一倾斜度阈值，且上述倾斜度小于或者等于第二倾斜度阈值的情况下，确定上述风险等级为上述第二风险等级；在上述天气状态为上述正常天气，且上述倾斜度大于上述第二倾斜度阈值的情况下，确定上述风险等级为上述第三风险等级；在上述天气状态为上述非正常天气，且上述倾斜度小于第三倾斜度阈值情况下，确定上述风险等级为上述第一风险等级，上述第三倾斜度阈值小于上述第一倾斜度阈值；在上述天气状态为上述非正常天气，且上述倾斜度大于或者等于上述第三倾斜度阈值，且上述倾斜度小于或者等于第四倾斜度阈值的情况下，确定上述风险等级为上述第二风险等级，上述第四倾斜度阈值小于上述第二倾斜度阈值；在上述天气状态为上述非正常天气，且上述倾斜度大于上述第四倾斜度阈值的情况下，确定上述风险等级为上述第三风险等级。
92.具体地，第一倾斜度阈值为0.75%，第二倾斜度阈值为1.5%，第三倾斜度阈值小于0.75%，第四倾斜度阈值小于1.5%，第一差值等于第二差值，第一差值为第一倾斜度阈值与第三倾斜度阈值的差值，第二差值为第二倾斜度阈值与第四倾斜度阈值的差值。
93.在本技术的一种实施例中，根据上述目标倾斜方向位移和上述目标高度，确定上述杆塔的倾斜度，包括：
94.根据，确定上述杆塔的上述倾斜度，其中，为目标倾斜方向位移，为上述目标高度，为上述杆塔的上述倾斜度。
95.具体地，根据能够快速确定杆塔的倾斜度。
96.通过上述实施例，通过对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据，采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，以使得经过降噪和优化处理能够使得后续倾斜度的精确度更高，进而解决了现有方案中对杆塔倾斜率的监测精度较低问题。
97.需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
98.本技术实施例还提供了一种杆塔的倾斜度的监测装置，需要说明的是，本技术实施例的杆塔的倾斜度的监测装置可以用于执行本技术实施例所提供的用于杆塔的倾斜度的监测方法。该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。如以下所使用的，术语“模块”可以实现预定功能的软件和/或硬件的组合。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
99.以下对本技术实施例提供的杆塔的倾斜度的监测装置进行介绍。
100.图3是根据本技术的实施例提供的一种杆塔的倾斜度的监测装置的结构框图。如图3所示，该装置包括获取单元31、第一处理单元32、第二处理单元33和第一确定单元34；获取单元31用于获取初始杆塔数据和目标高度，上述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，上述目标高度为上述杆塔的监测点距地面的高度；第一处理单元32用于对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据；第二处理单元33用于采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，上述目标倾斜方向位移为上述杆塔的上述倾斜方向位移的最优值，上述倾斜方向位移的最优值为上述倾斜方向位移与上述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的上述倾斜方向位移；第一确定单元34用于根据上述目标倾斜方向位移和上述目标高度，确定上述杆塔的倾斜度。
101.上述装置中，通过对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据，采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，以使得经过降噪和优化处理能够使得后续倾斜度的精确度更高，进而解决了现有方案中对杆塔倾斜率的监测精度较低问题。
102.在本技术的一种实施例中，第一处理单元包括第一处理模块和第二处理模块，第一处理模块用于对上述初始杆塔数据进行切比雪夫低通滤波处理，得到滤波后的上述初始杆塔数据；第二处理模块用于采用经验小波变换方法，对上述滤波后的上述初始杆塔数据进行处理，得到上述降噪杆塔数据。
103.在本技术的一种实施例中，第二处理模块包括第一处理子模块、第二处理子模块和第三处理子模块，第一处理子模块用于采用经验小波变换方法，将上述滤波后的上述初始杆塔数据分解为多个系列本征模函数，上述系列本征模函数与上述波后的上述初始杆塔数据的参数一一对应；第二处理子模块用于确定多个相关系数，上述相关系数用于表征上述系列本征模函数与上述滤波后的上述初始杆塔数据的相关程度；第三处理子模块用于根据所有的上述相关系数和相关系数阈值，将对应的上述滤波后的上述初始杆塔数据的参数确定为上述降噪杆塔数据。
104.在本技术的一种实施例中，上述初始杆塔数据还包括环境温度、风速和降水量，上述环境温度为上述杆塔所处于的环境的温度，该装置还包括第二确定单元和第三确定单元，在根据上述目标倾斜方向位移和上述目标高度，确定上述杆塔的倾斜度之后，第二确定单元用于根据上述环境温度、上述风速和上述降水量，确定当前天气状态，上述当前天气状态为以下之一：正常天气、非正常天气；第三确定单元用于根据上述当前天气状态和上述倾斜度，确定风险等级。
105.在本技术的一种实施例中，上述风险等级为以下之一：第一风险等级、第二风险等级、第三风险等级，上述第一风险等级、上述第二风险等级和上述第三风险等级对应的风险程度依次递增，第三确定单元包括第一确定模块、第二确定模块、第三确定模块、第四确定模块、第五确定模块和第六确定模块，第一确定模块用于在上述天气状态为上述正常天气，且上述倾斜度小于第一倾斜度阈值情况下，确定上述风险等级为上述第一风险等级；第二确定模块用于在上述天气状态为上述正常天气，且上述倾斜度大于或者等于上述第一倾斜度阈值，且上述倾斜度小于或者等于第二倾斜度阈值的情况下，确定上述风险等级为上述
第二风险等级；第三确定模块用于在上述天气状态为上述正常天气，且上述倾斜度大于上述第二倾斜度阈值的情况下，确定上述风险等级为上述第三风险等级；第四确定模块用于在上述天气状态为上述非正常天气，且上述倾斜度小于第三倾斜度阈值情况下，确定上述风险等级为上述第一风险等级，上述第三倾斜度阈值小于上述第一倾斜度阈值；第五确定模块用于在上述天气状态为上述非正常天气，且上述倾斜度大于或者等于上述第三倾斜度阈值，且上述倾斜度小于或者等于第四倾斜度阈值的情况下，确定上述风险等级为上述第二风险等级，上述第四倾斜度阈值小于上述第二倾斜度阈值；第六确定模块用于在上述天气状态为上述非正常天气，且上述倾斜度大于上述第四倾斜度阈值的情况下，确定上述风险等级为上述第三风险等级。
106.在本技术的一种实施例中，第二处理单元包括构建模块和第三处理模块；
107.构建模块用于构建协方差更新方程和量测方程，
108.其中，上述协方差更新方程为：
109.；
110.上述量测方程为，其中，为k时刻的协方差矩阵；为单位矩阵，为旋转矩阵，为过程时间，、、和分别为速度、角度、加速度和角速度的预估噪声的协方差，和分别为在k时刻时上述降噪杆塔数据的加速度和角速度，为在k+1时刻的协方差矩阵的先验预测值，为k+1时刻的gnss与ins的位置误差，为k+1时刻的量测矩阵，为k+1时刻ins的误差状态量，为量测高斯白噪声，和分别为在k时刻时加速度和角速度的零偏矩阵；
111.第三处理模块用于对上述协方差更新方程和上述量测方程进行优化处理，得到上述目标倾斜方向位移。
112.在本技术的一种实施例中，第一确定单元包括第七确定模块；
113.第七确定模块用于根据，确定上述杆塔的上述倾斜度，其中，为目标倾斜方向位移，为上述目标高度，为上述杆塔的上述倾斜度。
114.上述杆塔的倾斜度的监测装置包括处理器和存储器，上述获取单元、第一处理单元、第二处理单元和第一确定单元等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。上述模块均位于同一处理器中；或者，上述各个模块以任意组合的形式分别位于不同的处理器中。
115.处理器中包含内核，由内核去存储器中调取相应的程序单元。内核可以设置一个或以上，通过调整内核参数来解决现有方案中对杆塔倾斜率的监测精度较低问题。
116.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)，存储器包括至少一个存储芯片。
117.本发明实施例提供了一种计算机可读存储介质，上述计算机可读存储介质包括存储的程序，其中，在上述程序运行时控制上述计算机可读存储介质所在设备执行上述杆塔的倾斜度的监测方法。
118.本发明实施例提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行上述杆塔的倾斜度的监测方法。
119.本发明实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现至少以下步骤：获取初始杆塔数据和目标高度，上述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，上述目标高度为上述杆塔的监测点距地面的高度；对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据；采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，上述目标倾斜方向位移为上述杆塔的上述倾斜方向位移的最优值，上述倾斜方向位移的最优值为上述倾斜方向位移与上述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的上述倾斜方向位移；根据上述目标倾斜方向位移和上述目标高度，确定上述杆塔的倾斜度。本文中的设备可以是服务器、pc、pad、手机等。
120.本技术还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有至少如下方法步骤的程序：获取初始杆塔数据和目标高度，上述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，上述目标高度为上述杆塔的监测点距地面的高度；对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据；采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，上述目标倾斜方向位移为上述杆塔的上述倾斜方向位移的最优值，上述倾斜方向位移的最优值为上述倾斜方向位移与上述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的上述倾斜方向位移；根据上述目标倾斜方向位移和上述目标高度，确定上述杆塔的倾斜度。
121.本技术还提供了一种电子设备，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，上述一个或多个程序被存储在上述存储器中，并且被配置为由上述一个或多个处理器执行，上述一个或多个程序包括用于执行任意一种上述的杆塔的倾斜度的监测方法。通过对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据，采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，以使得经过降噪和优化处理能够使得后续倾斜度的精确度更高，进而解决了现有方案中对杆塔倾斜率的监测精度较低问题。
122.显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
123.本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序
产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、cd-rom、光学存储器等）上实施的计算机程序产品的形式。
124.本技术是参照根据本技术实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
125.这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
126.这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
127.在一个典型的配置中，计算设备包括一个或多个处理器 (cpu)、输入/输出接口、网络接口和内存。
128.存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(ram)和/或非易失性内存等形式，如只读存储器(rom)或闪存(flash ram)。存储器是计算机可读介质的示例。
129.计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括，但不限于相变内存 (pram)、静态随机存取存储器 (sram)、动态随机存取存储器 (dram)、其他类型的随机存取存储器 (ram)、只读存储器 (rom)、电可擦除可编程只读存储器 (eeprom)、快闪记忆体或其他内存技术、只读光盘只读存储器 (cd-rom)、数字多功能光盘 (dvd) 或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，可用于存储可以被计算设备访问的信息。按照本文中的界定，计算机可读介质不包括暂存电脑可读媒体 (transitory media)，如调制的数据信号和载波。
130.还需要说明的是，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个
……”
限定的要素，并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
131.从以上的描述中，可以看出，本技术上述的实施例实现了如下技术效果：
132.1）、本技术的杆塔的倾斜度的监测方法，通过对上述初始杆塔数据进行降噪处理，
得到降噪杆塔数据，采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，以使得经过降噪和优化处理能够使得后续倾斜度的精确度更高，进而解决了现有方案中对杆塔倾斜率的监测精度较低问题。
133.2）、本技术的杆塔的倾斜度的监测装置，通过对上述初始杆塔数据进行降噪处理，得到降噪杆塔数据，采用误差状态卡尔曼滤波器，对上述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，以使得经过降噪和优化处理能够使得后续倾斜度的精确度更高，进而解决了现有方案中对杆塔倾斜率的监测精度较低问题。
134.以上所述仅为本技术的优选实施例而已，并不用于限制本技术，对于本领域的技术人员来说，本技术可以有各种更改和变化。凡在本技术的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本技术的保护范围之内。

技术特征：
1.一种杆塔的倾斜度的监测方法，其特征在于，包括：获取初始杆塔数据和目标高度，所述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，所述目标高度为所述杆塔的监测点距地面的高度；对所述初始杆塔数据进行降噪处理，得到降噪杆塔数据；采用误差状态卡尔曼滤波器，对所述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，所述目标倾斜方向位移为所述杆塔的所述倾斜方向位移的最优值，所述倾斜方向位移的最优值为所述倾斜方向位移与所述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的所述倾斜方向位移；根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度。2.根据权利要求1所述的方法，其特征在于，对所述初始杆塔数据进行降噪处理，得到降噪杆塔数据，包括：对所述初始杆塔数据进行切比雪夫低通滤波处理，得到滤波后的所述初始杆塔数据；采用经验小波变换方法，对所述滤波后的所述初始杆塔数据进行处理，得到所述降噪杆塔数据。3.根据权利要求2所述的方法，其特征在于，采用经验小波变换方法，对所述滤波后的所述初始杆塔数据进行处理，得到所述降噪杆塔数据，包括：采用经验小波变换方法，将所述滤波后的所述初始杆塔数据分解为多个系列本征模函数，所述系列本征模函数与所述波后的所述初始杆塔数据的参数一一对应；确定多个相关系数，所述相关系数用于表征所述系列本征模函数与所述滤波后的所述初始杆塔数据的相关程度；根据所有的所述相关系数和相关系数阈值，将对应的所述滤波后的所述初始杆塔数据的参数确定为所述降噪杆塔数据。4.根据权利要求1所述的方法，其特征在于，所述初始杆塔数据还包括环境温度、风速和降水量，所述环境温度为所述杆塔所处于的环境的温度，在根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度之后，所述方法还包括：根据所述环境温度、所述风速和所述降水量，确定当前天气状态，所述当前天气状态为以下之一：正常天气、非正常天气；根据所述当前天气状态和所述倾斜度，确定风险等级。5.根据权利要求4所述的方法，其特征在于，所述风险等级为以下之一：第一风险等级、第二风险等级、第三风险等级，所述第一风险等级、所述第二风险等级和所述第三风险等级对应的风险程度依次递增，根据所述当前天气状态和所述倾斜度，确定风险等级，包括：在所述天气状态为所述正常天气，且所述倾斜度小于第一倾斜度阈值情况下，确定所述风险等级为所述第一风险等级；在所述天气状态为所述正常天气，且所述倾斜度大于或者等于所述第一倾斜度阈值，且所述倾斜度小于或者等于第二倾斜度阈值的情况下，确定所述风险等级为所述第二风险等级；在所述天气状态为所述正常天气，且所述倾斜度大于所述第二倾斜度阈值的情况下，确定所述风险等级为所述第三风险等级；在所述天气状态为所述非正常天气，且所述倾斜度小于第三倾斜度阈值情况下，确定
所述风险等级为所述第一风险等级，所述第三倾斜度阈值小于所述第一倾斜度阈值；在所述天气状态为所述非正常天气，且所述倾斜度大于或者等于所述第三倾斜度阈值，且所述倾斜度小于或者等于第四倾斜度阈值的情况下，确定所述风险等级为所述第二风险等级，所述第四倾斜度阈值小于所述第二倾斜度阈值；在所述天气状态为所述非正常天气，且所述倾斜度大于所述第四倾斜度阈值的情况下，确定所述风险等级为所述第三风险等级。6.根据权利要求1所述的方法，其特征在于，采用误差状态卡尔曼滤波器，对所述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，包括：构建协方差更新方程和量测方程，其中，所述协方差更新方程为：；所述量测方程为，其中，为k时刻的协方差矩阵；为单位矩阵，为旋转矩阵，为过程时间，、、和分别为速度、角度、加速度和角速度的预估噪声的协方差，和分别为在k时刻时上述降噪杆塔数据的加速度和角速度，为在k+1时刻的协方差矩阵的先验预测值，为k+1时刻的gnss与ins的位置误差，为k+1时刻的量测矩阵，为k+1时刻ins的误差状态量，为量测高斯白噪声，和分别为在k时刻时加速度和角速度的零偏矩阵；对所述协方差更新方程和所述量测方程进行优化处理，得到所述目标倾斜方向位移。7.根据权利要求1所述的方法，其特征在于，根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度，包括：根据，确定所述杆塔的所述倾斜度，其中，为目标倾斜方向位移，为所述目标高度，为所述杆塔的所述倾斜度。8.一种杆塔的倾斜度的监测装置，其特征在于，包括：获取单元，用于获取初始杆塔数据和目标高度，所述初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据，所述目标高度为所述杆塔的监测点距地面的高度；第一处理单元，用于对所述初始杆塔数据进行降噪处理，得到降噪杆塔数据；第二处理单元，用于采用误差状态卡尔曼滤波器，对所述降噪杆塔数据进行优化处理，得到目标倾斜方向位移，所述目标倾斜方向位移为所述杆塔的所述倾斜方向位移的最优值，所述倾斜方向位移的最优值为所述倾斜方向位移与所述倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的所述倾斜方向位移；
第一确定单元，用于根据所述目标倾斜方向位移和所述目标高度，确定所述杆塔的倾斜度。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中任意一项所述的杆塔的倾斜度的监测方法。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中任意一项所述的杆塔的倾斜度的监测方法。

技术总结
本申请提供了一种杆塔的倾斜度的监测方法、装置和电子设备，该方法包括：获取初始杆塔数据和目标高度，初始杆塔数据包括杆塔的倾斜方向位移、加速度、角速度和噪声数据；对初始杆塔数据进行降噪处理，得到降噪杆塔数据；采用误差状态卡尔曼滤波器，对降噪杆塔数据进行优化处理，得到目标倾斜方向位移，目标倾斜方向位移为杆塔的倾斜方向位移的最优值，倾斜方向位移的最优值为倾斜方向位移与倾斜方向位移的实际值的差值的绝对值小于预设差值时所对应的倾斜方向位移；根据目标倾斜方向位移和目标高度，确定杆塔的倾斜度。以使得经过降噪和优化处理能够使得后续倾斜度的精确度更高，进而解决了现有方案中对杆塔倾斜率的监测精度较低问题。较低问题。较低问题。


技术研发人员：李海 梁财源 蓝誉鑫 陈永钦 冉杨 黄志勇 卢贤盛 黄辉
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：2023.07.07
技术公布日：2023/8/5