基于BDS/GPS系統的某大壩實時監測與快速預警系統設計與開發*

李 威 閔從軍 周 瑛 沈月千 令曉博 陳 林

(1.華東瑯琊山抽水蓄能有限責任公司；2.河海大學地球科學與工程學院)

現階段，我國已經進入世界水電建設大國的行列，是世界上大壩最多的國家。受到經濟和技術條件的限制，很多大壩存在建設標準和施工標準低的問題，加之設計、施工、維護經驗不足以及結構、運行環境等因素的復雜性，隨著大壩運行時間推移、壩體老化，大壩安全運行受到了嚴重影響。目前，該類水電站大壩變形監測主要采用前方交會法、視準線法等傳統技術方法[1]，該類方法存在工序繁瑣、自動化程度低(通常大壩監測頻率每月一次)、勞動強度大、人為因素誤差較大、返工率高、內業數據處理復雜等不足，無法滿足快速、實時監測大壩變形的要求。為此，本研究基于BDS/GPS衛星導航系統，對大壩實時監測與快速預警系統進行設計與開發。

1 系統工作原理及外部設計

基于BDS/GPS系統的大壩實時監測與快速預警系統的原理為常規的RTK定位技術[2-3]，其與傳統RTK技術的區別在于，基準站的坐標已知且通過與周圍CORS站進行聯測更新，有效保證了在長期監測過程中基準的動態變化。該系統中，數據雙向傳輸都是通過局域網WIFI技術實現，保證了數據傳輸的穩定性；將監測站獲得的動態數據實時傳遞至遠端服務器通過數據庫進行存儲，客戶端監測軟件通過數據庫提取數據，經卡爾曼濾波處理，獲得高精度的觀測值；客戶端監測軟件根據用戶需求生成相應的成果圖；最后經過改進的BP神經網絡模型，實現對大壩變形進行實時預測。

1.1 BDS/GPS接收機選取

BDS/GPS接收機模塊選取最新天寶BD982定位模塊。天寶BD982模塊是一款高精度定位、定向的GNSS板卡，與Hemisphere公司的VECTOR板卡和NovAtel公司的(OEMV系列或OEM615、OEM628)Align技術相比具有更大的優勢。與VECTOR板卡、BD982板卡相比，其定位精度更高；與Align技術相比，天寶BD982模塊僅有一塊板卡，而Align技術需要2塊板卡，在可靠性和性價比方面天寶BD982模塊更具有優勢。天寶BD982模塊的性能特點為：①單板雙天線，可輸出定位、定向數據；②支持多星座GNSS(BDS/GPS)另可升級到GALILEO功能，支持Omni STAR ；③靈活的RS232、USB網口和CAN接口。

1.2 系統供電設計

系統采用太陽能并聯蓄電池的供電方式，即利用太陽能直接給監測系統供電，當遇到連續陰天氣，太陽能供電不足時，可改由蓄電池為系統供電。系統供電穩定，是確保系統可靠運行的前提條件。考慮到整個系統的電流消耗和后續功能擴展的用電需求，系統的輸出電流不宜小于3 A，經過挑選比對，選擇NS公司的LMZ14203具備42 V最高輸入電壓的3ASIMPLE SWITCHER電源模塊，該電源模塊支持6～42 V輸入電壓和0.8～6 V輸出電壓，轉換率達到90%。

1.3 基于WIFI技術的數據安全傳輸

系統通過WIFI技術構建大壩監測系統數據傳輸網絡(圖1)，旨在確保大壩變形監測數據得以被安全傳輸[4-5]。

圖1 基于WiFi數據的傳輸網絡

2 數據處理技術

系統的數據處理架構主要包括基于CORS站的大壩基準穩定性分析、基于卡爾曼濾波的數據處理技術和基于BP神經網絡模型的大壩變形預測。

2.1 基于CORS站的大壩基準穩定性分析

按照傳統的大壩變形監測方案，需要在監測區域構建一個監測基準網作為變形監測分析的基準。基準站接收機的天線位置受到不穩定因素(如參考站建設地點發生沉降、位移等)的影響時會發生微弱變化，從而影響到參考站點的穩定性[6]。為確保基準站提供的坐標基準準確無誤并提高基準站站點的位置精度及可靠性，需要按照一定的周期將系統中的基準站與高精度已知點進行聯測檢查[6-7]。通過將基準點與周圍CORS站建立聯測控制網，來全方位、多系統地分析大壩變形監測基準點的穩定性。

2.2 數據處理方法

(1)基于卡爾曼濾波的大壩變形數據處理。卡爾曼濾波是一種具有無偏性的遞推線性最小方差估計方法，即估計誤差的均值或數學期望值為0。在計算方法上，卡爾曼濾波采用遞推形式，即在t-1時刻估值的基礎上，利用t時刻的觀測值，遞推得到t時刻的狀態估值。卡爾曼濾波能有效消除噪聲干擾，獲得逼近真實情況的有用信息[8-9]。

(2)基于BP神經網絡模型的大壩變形預測。目前，大壩變形監測預報分析方法主要有時間序列法、灰色系統理論、突變理論法、非線性動力學法等。由于壩體是一個開放的復雜系統，壩體失穩的地質過程、形成條件、誘發因素非常復雜，從而導致動態信息難以捕捉[10]。BP神經網絡能學習和存貯大量的輸入—輸出模式映射關系，其學習規則為最速下降法，通過反向傳播來不斷調整網絡的權值和閾值，使得網絡的誤差平方和達到最小[11-14]。因此，本研究采用BP神經網絡模型來對大壩變形進行預測。

3 系統軟件設計

3.1 軟件平臺需求分析

(1)將永久監測站傳送的GNSS報文數據進行解析，解析出經緯度和大地高，通過卡爾曼濾波將坐標數據進行濾波改正，得到精確的三維坐標數據，并存儲于數據庫中。

(2)軟件平臺能夠實時顯示壩體各個監測點的三維坐標，能夠實時繪制監測站點坐標變化折線圖，并能夠顯示總體趨勢生成報表，并存儲于數據庫中。

(3)軟件平臺能根據存儲的各個監測站的坐標數據并通過采用BP神經網絡模型進行站點坐標預測。

(4)允許客戶端軟件對數據庫進行訪問，并將實時監測數據、站點坐標變化圖表以及站點變化的總體趨勢報表發送給客戶端軟件。

(5)軟件平臺能夠快速進行預警，在壩體各個監測站點位移超出一定的警戒值后，通過短消息、廣播以及其他方式發送給相關部門和客戶端軟件。

3.2 數據中心軟件平臺設計

系統數據中心軟件平臺由服務器軟件和客戶端軟件組成。服務器軟件主要由軟件加密、工程項目、網絡通信、串口通信、圖形分析、報表導出等模塊組成(圖2)。客戶端軟件主要功能為數據遠程查詢及管理、數據分析處理、報表導出、監測站點分析等，客戶端軟件各模塊組成如圖3所示。

圖2 數據中心平臺軟件模塊

圖3 客戶端各模塊組成

4 系統性能分析

本研究將所開發的整套系統布設于大壩監測點上，通過1 s的采樣時間間隔將監測站采集的數據傳輸回服務器數據庫進行保存，客戶端軟件從數據庫提取數據，經過處理后獲得監測結果。某一監測點前500個歷元的位移監測值如圖4所示(數據獲取開始時間為2016年12月28日凌晨0點00分)。由于抽水蓄能電站在夜晚會向水庫里儲水，而白天會將水庫的水抽出用于發電，在蓄水—抽水過程中，大壩監測點位移會發生變化，X方向位移有一個變大回落的過程，Y方向位移則有一個減小至增大的過程，Z方向位移最為明顯，由抬高至回落，圖4監測數據有效反應了監測點3個方向的位移變化過程，可見本研究開發的軟件系統可對大壩變形進行有效監測。

5 結 語

以國內某抽水蓄能電站大壩為例，基于BDS/GPS衛星導航系統，開發了大壩實時監測與快速預警系統，詳細分析了系統軟硬件設計思路及功能模塊，試驗表明，該系統可對大壩變形信息進行準確監測。結合BP神經網絡模型可對大壩變形進行精確預測，從而實現對大壩變形的預警分析。

[1] 陳正威，崔秀偉，蔣 劍，等.測角前方交會法在壩頂水平位移監測中的應用——以阿海水電站為例[J].人民長江，2016(S)：167-169.

[2] 白立舜，張宏偉，聶敏莉.GPS PPK技術和GPS RTK技術在包頭市第二次土地調查中的應用與對比分析[J].測繪通報，2013(7)：49-53.

[3] 李 黎 龍四春，張立亞，等.礦山變形監測中常規RTK精度提高方法研究[J].湖南科技大學學報(自然科學版)，2014(2)：18-21.

[4] 翁信人，朱明非，汪 維.基于GNSS/傳感器鐵道施工維護人員安全監測與預警系統的設計[J].測繪與地理空間信息，2016(11)：69-71.

[5] 李曉陽.WiFi技術及其應用與發展[J].信息技術，2012(2)：196-198.

[6] 丁 健.CORS系統穩定性與進度測試研究[D].合肥：合肥工業大學，2014.

[7] 李永泉.小波和Kalman濾波用于GPS數據去噪方法分析[J].交通科技與經濟，2011，13(2)：111-114.

[8] 岳騰飛.基于卡爾曼濾波技術的GPS信號跟蹤與多徑估計算法研究[D].杭州：浙江理工大學，2015.

[9] 雷禮平.GPS動態卡爾曼濾波算法研究[D].成都：電子科技大學，2003.

[10] 李喜盼，劉新俠，張安兵，等.遺傳神經網絡在滑坡災害預報中的應用研究[J].河北工程大學學報(自然科學版)，2009，26(1)：69-71.

[11] 高鵬毅.BP神經網絡分類器優化技術研究[D].武漢：華中科技大學，2012.

[12] 劉彩紅.BP神經網絡學習算法的研究[D].重慶：重慶師范大學，2008.

[13] 毛文軍.基于遺傳BP神經網絡模型的礦區開采沉陷預計[J].金屬礦山，2016(2)：164-167.

[14] 陳海燕，戎曉力，林 陽.礦區開采沉陷預計的改進BP神經網絡模型[J].金屬礦山，2017(4)：119-122.

圖4 不同時間段某監測點位移變化特征