本發(fā)明涉及輸電線路故障診斷技術(shù)領(lǐng)域，尤其涉及一種輸電線路故障點定位綜合優(yōu)化方法。

背景技術(shù)：

架空輸電線路是電網(wǎng)建設(shè)基礎(chǔ)，是電力系統(tǒng)的重要組成部分，它將能源中心轉(zhuǎn)變而來的巨大電能輸送到四面八方的負(fù)荷中心，輸電線路的安全穩(wěn)定運行直接影響著電網(wǎng)的穩(wěn)定性和供電的可靠性。我國架空輸電線路所經(jīng)過地區(qū)的地形地貌通常錯綜復(fù)雜，沿途經(jīng)過平原、丘陵、山谷、森林、江河以及湖泊等，地理條件和氣象條件也多種多樣，因此極易遭受各類故障，從而引起線路跳閘。能否對輸電線路故障點進行快速準(zhǔn)確查找，即對故障點進行精確定位決定著能否快速恢復(fù)電網(wǎng)的穩(wěn)定運行，最大限度減小經(jīng)濟損失。

相關(guān)技術(shù)中，為了使故障點的定位更加準(zhǔn)確，電網(wǎng)運行單位一般同時采用多種測距方法(例如保護測距法、故障錄波測距發(fā)法、行波測距法、分布式故障測距法等)對線路故障點進行測距，當(dāng)有故障發(fā)生時，設(shè)置在輸電線路兩端的多組具有不同測距方法的測距設(shè)備會根據(jù)自身的測距方法得到相應(yīng)的故障點坐標(biāo)并進行反饋，電網(wǎng)運維人員在接收到多組故障點坐標(biāo)后會結(jié)合輸電線路當(dāng)時所處的環(huán)境條件以及自己的經(jīng)驗綜合考慮之后人工選擇其中一組故障點坐標(biāo)作為測量結(jié)果，然后根據(jù)測量結(jié)果對輸電線路進行巡線，確定故障點的準(zhǔn)確位置。

然而，在相關(guān)技術(shù)中，電網(wǎng)運行單位采用的故障定位方法相互獨立，在不同外部環(huán)境的影響下定位準(zhǔn)確度不盡相同，無法確定哪種測量方法測量的結(jié)果最準(zhǔn)確，從而導(dǎo)致電網(wǎng)運維人員難以從這些定位結(jié)果中選取最合適的測量結(jié)果，影響了故障點定位的精確度。

技術(shù)實現(xiàn)要素：

為克服相關(guān)技術(shù)中存在的問題，本發(fā)明提供一種輸電線路故障點定位綜合優(yōu)化方法，以解決現(xiàn)有技術(shù)中故障點定位精確度低的問題。

為了解決上述技術(shù)問題，本發(fā)明實施例公開了如下技術(shù)方案：

本申請公開了一種輸電線路故障點定位綜合優(yōu)化方法，包括：

獲取新發(fā)生故障線路的線路總長及各類測距設(shè)備的測距結(jié)果，并將所述測距結(jié)果進行預(yù)處理；

將所述預(yù)處理后得到的有效測距結(jié)果進行歸一化處理；

計算歸一化處理后的所述有效測距結(jié)果的總體標(biāo)準(zhǔn)差值；

判斷所述總體標(biāo)準(zhǔn)差值是否小于預(yù)定閾值；

如果所述總體標(biāo)準(zhǔn)差小于所述預(yù)定閾值，則采用第一種BP神經(jīng)網(wǎng)絡(luò)模型，將歸一化處理后的所述有效測距結(jié)果作為所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，將第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果作反歸一化處理，并將反歸一化處理后的輸出結(jié)果作為故障點距離；

如果所述總體標(biāo)準(zhǔn)差大于或等于所述預(yù)定閾值，則采用第二種BP神經(jīng)網(wǎng)絡(luò)模型，將歸一化處理后的所述有效測距結(jié)果作為所述第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，選擇第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果中最小值所對應(yīng)的測距設(shè)備的測距結(jié)果作為故障點距離；其中，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型和第二種BP神經(jīng)網(wǎng)絡(luò)模型不為同一種BP神經(jīng)網(wǎng)絡(luò)模型。

可選的，所述各類測距設(shè)備的測距結(jié)果指各類測距設(shè)備在故障線路同一側(cè)得到的與故障點的距離，其中，所述各類測距設(shè)備包括保護測距設(shè)備、故障錄波測距設(shè)備、行波測距設(shè)備。

可選的，所述將所述測距結(jié)果進行預(yù)處理，包括：

判斷是否收集到所述測距結(jié)果；

如果所述測距結(jié)果部分或全部收集到，則將收集到的所述測距結(jié)果進行長度單位統(tǒng)一，并判斷長度單位統(tǒng)一后的所述測距結(jié)果是否大于所述線路總長；

如果長度單位統(tǒng)一后的所述測距結(jié)果全部大于所述線路總長，則將所述測距結(jié)果無效處理；

如果長度單位統(tǒng)一后的所述測距結(jié)果全部不大于所述線路總長，則用長度單位統(tǒng)一后的所述測距結(jié)果的算術(shù)平均值代替未收集的測距結(jié)果

如果長度單位統(tǒng)一后的所述測距結(jié)果部分不大于所述線路總長，則用不大于所述線路總長的測距結(jié)果的算術(shù)平均值代替未收集到或大于所述線路總長的測距結(jié)果。

可選的，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的建立方法包括：

獲取某一地區(qū)范圍內(nèi)的輸電線路歷史跳閘數(shù)據(jù)并統(tǒng)一長度單位；

根據(jù)所述歷史跳閘數(shù)據(jù)選擇其中N條完整數(shù)據(jù)進行歸一化處理；

將所述歸一化處理后的所述N條完整數(shù)據(jù)作為訓(xùn)練樣本，將所述訓(xùn)練樣本中的各類測距設(shè)備的測距結(jié)果作為所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，對應(yīng)的所述訓(xùn)練樣本中的實際故障點距離作為所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的期望輸出，建立第一種BP神經(jīng)網(wǎng)絡(luò)模型，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層設(shè)為一層，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸出層為反歸一化前的優(yōu)化故障點距離。

可選的，所述歷史跳閘數(shù)據(jù)中每條數(shù)據(jù)包含線路總長、各類測距設(shè)備的測距結(jié)果、實際故障點距離，其中，所述各類測距設(shè)備的測距結(jié)果指各類測距設(shè)備在故障線路同一側(cè)得到的與故障點的距離；所述實際故障點距離為巡線后的實際故障點到故障線路同一側(cè)端點的距離；所述各類測距設(shè)備包括保護測距設(shè)備、故障錄波測距設(shè)備、行波測距設(shè)備。

可選的，所述歸一化處理包括：

將所述N條完整數(shù)據(jù)中所有數(shù)據(jù)除以對應(yīng)的線路總長。

可選的，所述第二種BP神經(jīng)網(wǎng)絡(luò)模型的建立方法包括：

獲取某一地區(qū)范圍內(nèi)的輸電線路歷史跳閘數(shù)據(jù)并統(tǒng)一長度單位；

根據(jù)所述歷史跳閘數(shù)據(jù)選擇其中N條完整數(shù)據(jù)進行歸一化處理；

根據(jù)誤差計算公式分別計算所述N條完整數(shù)據(jù)中各類測距設(shè)備的測距結(jié)果的誤差，將歸一化后的所述N條完整數(shù)據(jù)中的各類測距設(shè)備的測距結(jié)果作為第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，對應(yīng)的所述誤差作為第二種BP神經(jīng)網(wǎng)絡(luò)模型的期望輸出，建立第二種BP神經(jīng)網(wǎng)絡(luò)模型，第二種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層設(shè)為一層，第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸出層為對應(yīng)的各類測距設(shè)備的誤差。

可選的，所述歷史跳閘數(shù)據(jù)中每條數(shù)據(jù)包含線路總長、各類測距設(shè)備的測距結(jié)果以及實際故障點距離，其中，所述各類測距設(shè)備的測距結(jié)果指各類測距設(shè)備在故障線路同一側(cè)得到的與故障點的距離；所述實際故障點距離為巡線后的實際故障點到故障線路同一側(cè)端點的距離；所述各類測距設(shè)備包括保護測距設(shè)備、故障錄波測距設(shè)備、行波測距設(shè)備。

可選的，所述歸一化處理包括：

將所述N條完整數(shù)據(jù)中所有數(shù)據(jù)除以對應(yīng)的線路總長。

可選的，所述誤差計算公式為：誤差＝(測距結(jié)果-實際故障點距離)/線路總長。

本發(fā)明的實施例提供的技術(shù)方案可以包括以下有益效果：通過本發(fā)明實施的輸電線路故障點定位綜合優(yōu)化方法對多種故障測距設(shè)備的定位結(jié)果進行綜合分析，能夠形成一種融合了各種故障定位資源的更有效地定位方法，能夠有效提升資源利用率，從而提高故障點定位的精確度。

而且根據(jù)多種故障測距設(shè)備的故障測距定位歷史運行數(shù)據(jù)，建立了兩種不同的BP神經(jīng)網(wǎng)絡(luò)模型，并根據(jù)各種故障測距設(shè)備對新發(fā)生故障點的定位差異大小來確定選取哪一種神經(jīng)網(wǎng)絡(luò)模型，為取舍眾多故障測距設(shè)備的測距結(jié)果提供了依據(jù)，保證了故障定位數(shù)據(jù)的精確度。

應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性和解釋性的，并不能限制本發(fā)明。

附圖說明

此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本發(fā)明的實施例，并與說明書一起用于解釋本發(fā)明的原理。

為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡單地介紹，顯而易見地，對于本領(lǐng)域普通技術(shù)人員而言，在不付出創(chuàng)造性勞動性的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實施例提供的一種輸電線路故障點定位綜合優(yōu)化方法的流程示意圖；

圖2為本發(fā)明實施例提供的第一種BP神經(jīng)網(wǎng)絡(luò)模型示意圖；

圖3為本發(fā)明實施例提供的第二種BP神經(jīng)網(wǎng)絡(luò)模型示意圖。

具體實施方式

這里將詳細(xì)地對示例性實施例進行說明，其示例表示在附圖中。下面的描述涉及附圖時，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實施例中所描述的實施方式并不代表與本發(fā)明相一致的所有實施方式。相反，它們僅是與如所附權(quán)利要求書中所詳述的、本發(fā)明的一些方面相一致的裝置和方法的例子。

圖1是根據(jù)一示例性實施例示出的一種輸電線路故障點定位綜合優(yōu)化方法的流程示意圖，如圖1所示，所述輸電線路故障點定位綜合優(yōu)化方法包括：

獲取新發(fā)生故障線路的線路總長及各類測距設(shè)備的測距結(jié)果，并將所述測距結(jié)果進行預(yù)處理；

將所述預(yù)處理后得到的有效測距結(jié)果進行歸一化處理；

計算歸一化處理后的所述有效測距結(jié)果的總體標(biāo)準(zhǔn)差值；

判斷所述總體標(biāo)準(zhǔn)差值是否小于預(yù)定閾值；

如果所述總體標(biāo)準(zhǔn)差小于所述預(yù)定閾值，則采用第一種BP神經(jīng)網(wǎng)絡(luò)模型，將歸一化處理后的所述有效測距結(jié)果作為所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，將第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果作反歸一化處理，并將反歸一化處理后的輸出結(jié)果作為故障點距離；

如果所述總體標(biāo)準(zhǔn)差大于或等于所述預(yù)定閾值，則采用第二種BP神經(jīng)網(wǎng)絡(luò)模型，將歸一化處理后的所述有效測距結(jié)果作為所述第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，選擇第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果中最小值所對應(yīng)的測距設(shè)備的測距結(jié)果作為故障點距離。

其中，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型和第二種BP神經(jīng)網(wǎng)絡(luò)模型不為同一種BP神經(jīng)網(wǎng)絡(luò)模型。

所述各類測距設(shè)備的測距結(jié)果指各類測距設(shè)備在故障線路同一側(cè)得到的與故障點的距離，其中，所述各類測距設(shè)備包括保護測距設(shè)備、故障錄波測距設(shè)備、行波測距設(shè)備。

所述將所述測距結(jié)果進行預(yù)處理，包括：

判斷是否收集到所述測距結(jié)果；

如果所述測距結(jié)果全部未收集到，則將所述測距結(jié)果無效處理；

如果所述測距結(jié)果部分或全部收集到，則將收集到的所述測距結(jié)果進行長度單位統(tǒng)一，并判斷長度單位統(tǒng)一后的所述測距結(jié)果是否大于所述線路總長；

如果長度單位統(tǒng)一后的所述測距結(jié)果全部大于所述線路總長，則將所述測距結(jié)果無效處理；

如果長度單位統(tǒng)一后的所述測距結(jié)果全部不大于所述線路總長，則用長度單位統(tǒng)一后的所述測距結(jié)果的算術(shù)平均值代替未收集的測距結(jié)果

如果長度單位統(tǒng)一后的所述測距結(jié)果部分不大于所述線路總長，則用不大于所述線路總長的測距結(jié)果的算術(shù)平均值代替未收集到或大于所述線路總長的測距結(jié)果。

圖2為本發(fā)明實施例提供的第一種BP神經(jīng)網(wǎng)絡(luò)模型示意圖，如圖2所示，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的建立方法包括：

獲取某一地區(qū)范圍內(nèi)的輸電線路歷史跳閘數(shù)據(jù)并統(tǒng)一長度單位；

根據(jù)所述歷史跳閘數(shù)據(jù)選擇其中N條完整數(shù)據(jù)進行歸一化處理；

將所述歸一化處理后的所述N條完整數(shù)據(jù)作為訓(xùn)練樣本，將所述訓(xùn)練樣本中的各類測距設(shè)備的測距結(jié)果作為所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，對應(yīng)的所述訓(xùn)練樣本中的實際故障點距離作為所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的期望輸出，建立第一種BP神經(jīng)網(wǎng)絡(luò)模型，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層設(shè)為一層，所述第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸出層為反歸一化前的優(yōu)化故障點距離。

所述歷史跳閘數(shù)據(jù)中每條數(shù)據(jù)包含線路總長、各類測距設(shè)備的測距結(jié)果、實際故障點距離，其中，所述各類測距設(shè)備的測距結(jié)果指各類測距設(shè)備在故障線路同一側(cè)得到的與故障點的距離；所述實際故障點距離為巡線后的實際故障點到故障線路同一側(cè)端點的距離；所述各類測距設(shè)備包括保護測距設(shè)備、故障錄波測距設(shè)備、行波測距設(shè)備。

所述歸一化處理包括：將所述N條完整數(shù)據(jù)中所有數(shù)據(jù)除以對應(yīng)的線路總長。

圖3為本發(fā)明實施例提供的第二種BP神經(jīng)網(wǎng)絡(luò)模型示意圖，如圖3所示，所述第二種BP神經(jīng)網(wǎng)絡(luò)模型的建立方法包括：

獲取某一地區(qū)范圍內(nèi)的輸電線路歷史跳閘數(shù)據(jù)并統(tǒng)一長度單位；

根據(jù)所述歷史跳閘數(shù)據(jù)選擇其中N條完整數(shù)據(jù)進行歸一化處理；

根據(jù)誤差計算公式分別計算所述N條完整數(shù)據(jù)中各類測距設(shè)備的測距結(jié)果的誤差，將歸一化后的所述N條完整數(shù)據(jù)中的各類測距設(shè)備的測距結(jié)果作為第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，對應(yīng)的所述誤差作為第二種BP神經(jīng)網(wǎng)絡(luò)模型的期望輸出，建立第二種BP神經(jīng)網(wǎng)絡(luò)模型，第二種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層設(shè)為一層，第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸出層為對應(yīng)的各類測距設(shè)備的誤差。

所述歷史跳閘數(shù)據(jù)中每條數(shù)據(jù)包含線路總長、各類測距設(shè)備的測距結(jié)果以及實際故障點距離，其中，所述各類測距設(shè)備的測距結(jié)果指各類測距設(shè)備在故障線路同一側(cè)得到的與故障點的距離；所述實際故障點距離為巡線后的實際故障點到故障線路同一側(cè)端點的距離；所述各類測距設(shè)備包括保護測距設(shè)備、故障錄波測距設(shè)備、行波測距設(shè)備。

所述歸一化處理包括：

將所述N條完整數(shù)據(jù)中所有數(shù)據(jù)除以對應(yīng)的線路總長。

所述誤差計算公式為：誤差＝(測距結(jié)果-實際故障點距離)/線路總長。

如圖1所示的一種輸電線路故障點定位綜合優(yōu)化方法的具體步驟，如下所述：

獲取一定范圍內(nèi)新發(fā)生故障線路的總長(C)、所述故障線路其中同一側(cè)主一保護測距(Z1)、主二保護測距(Z2)、故障錄波測距G、行波測距X、分布式故障測距F，并將長度單位統(tǒng)一為m，然后將Z1、Z2、G、X、F進行預(yù)處理。

其中，對Z1、Z2、G、X、F進行預(yù)處理的具體步驟為：如果Z1、Z2、G、X、F中數(shù)據(jù)均未收集到則將該組數(shù)據(jù)無效化處理并結(jié)束此次故障點定位；如果Z1、Z2、G、X、F中部分或全部數(shù)據(jù)收集到了則將收集到的數(shù)據(jù)與總長C進行比較，如果收集到的數(shù)據(jù)中全部大于總長C，則將該組數(shù)據(jù)無效化處理并結(jié)束此次故障點定位，如果收集到的數(shù)據(jù)全部小于總長C，則計算這些收集到的數(shù)據(jù)的算術(shù)平均值P，用所述算術(shù)平均值P代替大于總長C的數(shù)據(jù)，如果收集到的數(shù)據(jù)中只有一部分?jǐn)?shù)據(jù)小于總長C，則計算小于總長C的數(shù)據(jù)的算術(shù)平均值P，用所述算術(shù)平均值P代替沒有收集到或大于總長C的數(shù)據(jù)。

將預(yù)處理后的Z1、Z2、G、X、F進行歸一化處理，即將Z1、Z2、G、X、F分別除以總長C。

根據(jù)公式S＝sqrt{1/5[(Z1-P)^2+(Z2-P)^2+(G-P)^2+(X-P)^2+(F-P)^2]}計算Z1、Z2、G、X、F的總體標(biāo)準(zhǔn)差S。

將所述總體標(biāo)準(zhǔn)差S與預(yù)設(shè)閾值C/8進行比較，如果S<C/8，則采用第一種BP神經(jīng)網(wǎng)絡(luò)模型，將Z1/C、Z2/C、G/C、X/C、F/C作為第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，將第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果作反歸一化處理，即將輸出結(jié)果乘以C，并將反歸一化處理后的輸出結(jié)果作為故障點距離

如果S≥C/8，則采用第二種BP神經(jīng)網(wǎng)絡(luò)模型，將Z1/C、Z2/C、G/C、X/C、F/C作為第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，選擇第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸出結(jié)果中最小值所對應(yīng)的測距設(shè)備的測距結(jié)果作為故障點距離。

如圖2所示的，第一種BP神經(jīng)網(wǎng)絡(luò)模型的建立方法的具體步驟，如下所述：

收集一定范圍內(nèi)的輸電線路歷史跳閘數(shù)據(jù)并統(tǒng)一長度單位為m，所述歷史跳閘數(shù)據(jù)中每條數(shù)據(jù)包含線路總長C、其中同一側(cè)主一保護測距Z1、主二保護測距Z2、故障錄波測距G、行波測距X、分布式故障測距F、巡線后的實際故障點到故障線路同一側(cè)端點的距離T。

在所述歷史跳閘數(shù)據(jù)中，選擇其中N條完整數(shù)據(jù)，將N條完整數(shù)據(jù)記為Ci、Z1i、Z2i、Gi、Xi、Fi、Ti(其中i為從1到N的整數(shù))，然后進行歸一化處理，即將Ci、Z1i、Z2i、Gi、Xi、Fi、Ti除以Ci，其中，所述N條完整數(shù)據(jù)中每條數(shù)據(jù)的C、Z1、Z2、G、X、F、T不存在數(shù)據(jù)缺失的情況，且Z1、Z2、G、X、F、T不大于線路總長C，。

如圖2所示，建立第一種BP神經(jīng)網(wǎng)絡(luò)模型,將歸一化后的各類測距設(shè)備的測距結(jié)果，即Z1i/Ci、Z2i/Ci、Gi/Ci、Xi/Ci、Fi/Ci(其中i為從1到N的整數(shù))作為第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，Ti/Ci(其中i為從1到N的整數(shù))作為第一種BP神經(jīng)網(wǎng)絡(luò)模型的期望輸出，第一種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層設(shè)為一層，第一種BP神經(jīng)網(wǎng)絡(luò)模型的輸出層為反歸一化前的優(yōu)化故障點距離，使用MATLAB R2013b進行仿真，其中，將第一種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層節(jié)點數(shù)設(shè)為5，訓(xùn)練次數(shù)設(shè)置為50000，精度設(shè)為0.00001，學(xué)習(xí)速率設(shè)為0.01。

如圖3所示的，第二種BP神經(jīng)網(wǎng)絡(luò)模型的建立方法的具體步驟，如下所述：

收集一定范圍內(nèi)的輸電線路歷史跳閘數(shù)據(jù)并統(tǒng)一長度單位為m。所述歷史跳閘數(shù)據(jù)中每條數(shù)據(jù)包含線路總長C、其中一側(cè)主一保護測距Z1、同側(cè)主二保護測距Z2、同側(cè)故障錄波測距G、同側(cè)行波測距X、同側(cè)分布式故障測距F、巡線后的實際故障點到故障線路同一側(cè)端點的距離T。

在所述歷史跳閘數(shù)據(jù)中，選擇其中N條完整數(shù)據(jù)，將N條完整數(shù)據(jù)記為Ci、Z1i、Z2i、Gi、Xi、Fi、Ti(其中i為從1到N的整數(shù))并進行歸一化處理，即將Ci、Z1i、Z2i、Gi、Xi、Fi、Ti除以Ci，其中，，所述N條完整數(shù)據(jù)中每條數(shù)據(jù)的C、Z1、Z2、G、X、F、T不存在數(shù)據(jù)缺失的情況，且Z1、Z2、G、X、F、T不大于線路總長C。

分別計算所述N條完整數(shù)據(jù)中每條數(shù)據(jù)的Z1、Z2、G、X、F的誤差W，其中，WZ1i＝(Z1i-Ti)/Ci，WZ2i＝(Z2i-Ti)/Ci，WGi＝(Gi-Ti)/Ci，WXi＝(Xi-Ti)/Ci，WFi＝(Fi-Ti)/Ci。

如圖3所示，建立第二種BP神經(jīng)網(wǎng)絡(luò)模型，將歸一化后的各類測距設(shè)備的測距結(jié)果，即Z1i/Ci、Z2i/Ci、Gi/Ci、Xi/Ci、Fi/Ci(其中i為從1到N的整數(shù))作為第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸入，WZ1i、WZ2i、WGi、WXi、WFi作為第二種BP神經(jīng)網(wǎng)絡(luò)模型的期望輸出，第二種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層設(shè)為一層，第二種BP神經(jīng)網(wǎng)絡(luò)模型的輸出為對應(yīng)的各類測距設(shè)備的誤差，使用MATLAB R2013b進行仿真，其中，將第二種BP神經(jīng)網(wǎng)絡(luò)模型的隱含層節(jié)點數(shù)設(shè)為6，訓(xùn)練次數(shù)設(shè)置為30000，精度設(shè)為0.00001，學(xué)習(xí)速率設(shè)為0.005。

在上述實施例中提及的BP神經(jīng)網(wǎng)絡(luò)，是一種按誤差逆?zhèn)鞑ニ惴ㄓ?xùn)練的多層前饋網(wǎng)絡(luò)。BP神經(jīng)網(wǎng)絡(luò)能學(xué)習(xí)和存貯大量的輸入-輸出模式映射關(guān)系，而無需事前揭示描述這種映射關(guān)系的數(shù)學(xué)方程，它的學(xué)習(xí)規(guī)則是使用梯度下降法，通過反向傳播來不斷調(diào)整網(wǎng)絡(luò)的權(quán)值和閾值，使網(wǎng)絡(luò)的誤差平方和最小，其中，BP神經(jīng)網(wǎng)絡(luò)模型拓?fù)浣Y(jié)構(gòu)包括輸入層(input)、隱含層(hidden layer)和輸出層(output layer)。

需要說明的是，在本文中，諸如“第一”和“第二”等之類的關(guān)系術(shù)語僅僅用來將一個實體或者操作與另一個實體或操作區(qū)分開來，而不一定要求或者暗示這些實體或操作之間存在任何這種實際的關(guān)系或者順序。而且，術(shù)語“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語句“包括一個……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本領(lǐng)域技術(shù)人員在考慮說明書及實踐這里發(fā)明的公開后，將容易想到本發(fā)明的其它實施方案。本申請旨在涵蓋本發(fā)明的任何變型、用途或者適應(yīng)性變化，這些變型、用途或者適應(yīng)性變化遵循本發(fā)明的一般性原理并包括本發(fā)明未公開的本技術(shù)領(lǐng)域中的公知常識或慣用技術(shù)手段。說明書和實施例僅被視為示例性的，本發(fā)明的真正范圍和精神由下面的權(quán)利要求指出。

應(yīng)當(dāng)理解的是，本發(fā)明并不局限于上面已經(jīng)描述并在附圖中示出的精確結(jié)構(gòu)，并且可以在不脫離其范圍進行各種修改和改變。本發(fā)明的范圍僅由所附的權(quán)利要求來限制。