CN107179438A - 基于菊花链拓扑的智能识别监测系统 - Google Patents
基于菊花链拓扑的智能识别监测系统 Download PDFInfo
- Publication number
- CN107179438A CN107179438A CN201710267130.5A CN201710267130A CN107179438A CN 107179438 A CN107179438 A CN 107179438A CN 201710267130 A CN201710267130 A CN 201710267130A CN 107179438 A CN107179438 A CN 107179438A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- mfrac
- layer
- msubsup
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 241000723353 Chrysanthemum Species 0.000 title abstract 3
- 235000005633 Chrysanthemum balsamita Nutrition 0.000 title abstract 3
- 238000000034 method Methods 0.000 claims abstract description 38
- 238000005259 measurement Methods 0.000 claims abstract description 26
- 230000008569 process Effects 0.000 claims abstract description 25
- 238000009434 installation Methods 0.000 claims abstract description 14
- 238000013528 artificial neural network Methods 0.000 claims abstract description 7
- 238000012549 training Methods 0.000 claims description 23
- 238000012937 correction Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 7
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000000819 phase cycle Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012360 testing method Methods 0.000 abstract 1
- 238000010276 construction Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011900 installation process Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Other Investigation Or Analysis Of Materials By Electrical Means (AREA)
Abstract
本发明公开了一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。通过智能识别监测系统的内部软件判断的方法，不需要对控制模块进行配置，只要通过菊花链拓扑方式接入到控制模块上，控制模块就能自动识别采集模块的地址。因此不需要具备丰富的专业知识对测量模块进行现场配置，从而解决了现场安装调试设置的复杂情况，以及维护过程中重新更换一个测量模块后需要重新配置的问题。
Description
技术领域
本发明涉及多回路电能仪表的监测领域，尤其涉及一种基于菊花链拓扑的智能识别监测系统。
背景技术
目前，随着近年来国家大力提倡节能用电，最有效和最经济的节能手段和管理方法对配电系统进行智能化改造，使用多回路电能仪表的监测系统。
多回路电能仪表的监测系统最关键的是电能数据的准确性以及现场施工安装的方便，而在施工现场，这类装置通常安装在开关柜内，在开关柜厂生产安装过程中，一个开关柜内有很多单三相混合支路，而多回路电能仪表的监测系统往往要求多回路分别计量，如果采用传统的安装电能表的缺点一是体积大，开关柜安装不下，需要增加开关柜，二是成本高，需要安装很多块电表。一个配电箱内有很多单三相混合支路，每个测量模块的地址需要根据现场的需求去配置，以及后续维护时更换测量模块需要重新配置此测量模块，配置的复杂性导致的后果是：1)控制模块(控制器)中添加的地址实际上跟测量模块地址不符；2)测量模块没有配置到控制模块中，造成部门电参量数据缺失；3)导致装置误报警，如：模块缺失；4)无法配置成回路或者配置的回路是错的。
遇到此类情况，通常需要安排具备专业知识人员在现场对控制模块以及测量模块进行安装配置，维护。
但是，现有的常规方案存在以下缺陷：
现场安装配置需要具备丰富的专业知识才能进行，并且在配置的过程中耗时耗力，这就不可避免地造成影响工程项目的施工和调试进度，同时加大了生产单位的调试和维护成本。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种基于菊花链拓扑的智能识别监测系统，其能解决现场安装调试设置的复杂情况，以及维护过程中重新更换一个测量模块后需要重新配置的问题。
本发明的目的采用以下技术方案实现：
一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。
进一步地，多个测量模块通过PLbus总线与控制模块连接，所述PLbus总线采用菊花链总线拓扑。
进一步地，所述BP神经网络训练学习方法，具体包括信息的正向传递与误差的反向传播两个过程；
所述正向传递：输入样本从输入层经隐含层逐层计算传向输出层，若输出层的实际输出和期望输出不符，则计算输出层的误差值即输出误差，然后转向反向传播过程；
所述反向传播即误差的反向传播：是将输出误差通过隐含层向输入层逐层反传，并将输出误差分摊给各层所有单元，从而获得各层单元的误差信号，以获得的各层单元的误差信号作为修正相应各单元的依据，各层单元包括隐含层和输出层；
正向传递和反向传播反复进行，从而使权值不断得到调整，当训练达到规定误差或一定训练次数后，则结束训练。
进一步地，上述训练达到规定误差或一定训练次数具体标准为：
样本输入时的理想目标Tk与实际输出ok之间的误差平方Ep不断趋向于0，
即E函数。
进一步地，上述误差的反向传播过程中，
根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δvij，隐含层阈值的修正量Δθi：
其中，
上述公式中：η表示固定权值，wki表示日期范围，E表示学习最终目标，ak表示地址范围，θi表示相序范围，wij表示日期范围，wki与wij分别表示不同的日期范围。
进一步地，所述误差梯度下降法，具体为：
使用激活函数为：
f(x)连续可导，一阶导数为：
f′(x)＝f(x)[1-f(x)]，
对输出层：
netk表示wki、ak、vij和θi直接的关联矩阵，vij表示输出层的权值，Δwjk与Δwki表示相同的含义，wjk表示日期范围；
对隐含层：
netj表示wki、ak、vij和θi直接的关联矩阵，netj和netk表示不同日期的矩阵；
对输出层、隐含层分别定义一个误差信号和
将输出层的权值W调整式更改为：
yj表示计算过程的临时变量，
将隐含层的权值V调整式更改为：
xi也表示计算过程的临时变量，
根据推导：
dk表示计算过程的临时变量，I表示学习次数；
对于输出层，可展开为：
对于隐含层，可展开为：
网络误差对各层输出的偏导，
对于输出层，可得：
ok表示计算过程的临时变量，
对于隐含层，利用E的函数可得：
i和m均为常数，
则：
从而得出：
进一步地，30个测量模块组成一个测量单元，用来测量30个单相回路或者10个三相回路。
进一步地，所述测量模块具有闭口穿线安装和免拆线的开口卡扣安装。
进一步地，所述总线的连接器使用RJ12插头。
相比现有技术，本发明的有益效果在于：
本发明技术方案，通过智能识别监测系统的内部软件判断的方法，不需要对控制模块进行配置，只要通过菊花链拓扑方式接入到控制模块上，控制模块就能自动识别采集模块的地址。因此不需要具备丰富的专业知识对测量模块进行现场配置，从而解决了现场安装调试设置的复杂情况，以及维护过程中重新更换一个测量模块后需要重新配置的问题。
附图说明
图1为本发明具体实施方式所述的基于菊花链拓扑的智能识别监测系统的原理框图。
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例：
如图1所述，一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。
多个测量模块通过PLbus总线与控制模块连接，PLbus总线采用菊花链总线拓扑。便于寻址。
基于菊花链拓扑的智能识别监测系统由测量模块(CTC和CTO)和控制模块(CTRL)组成，控制模块与测量模块之间通过总线派诺开发的PLbus总线连接，PLbus总线使用菊花链总线拓扑，总线连接器使用RJ12插头。支持多种安装方式，控制模块支持DIN35导轨安装，和背板螺丝固定安装；测量模块有闭口穿线安装和免拆线的开口卡扣安装两种方式，可根据需要灵活的选择安装。测量模块间以及测量模块与控制模块的连接，使用标准的RJ12接口极大地简化了现场的布线。一个测量单元最多支持30个测量模块，可测量30个单相回路或者10个三相回路。具有三相回路的总参数(总功率，总电能等)和分相参数的测量和计量功能。
BP神经网络训练学习方法，具体包括信息的正向传递与误差的反向传播两个过程；
正向传递：输入样本从输入层经隐含层逐层计算传向输出层，若输出层的实际输出和期望输出不符，则计算输出层的误差值即输出误差，然后转向反向传播过程；
反向传播即误差的反向传播：是将输出误差通过隐含层向输入层逐层反传，并将输出误差分摊给各层所有单元，从而获得各层单元的误差信号，以获得的各层单元的误差信号作为修正相应各单元的依据，各层单元包括隐含层和输出层；
正向传递和反向传播反复进行，从而使权值不断得到调整，当训练达到规定误差或一定训练次数后，则结束训练。寻址精确。
训练达到规定误差或一定训练次数具体标准为：
样本输入时的理想目标Tk与实际输出ok之间的误差平方Ep不断趋向于0，
即E函数。寻址精确。
误差的反向传播过程中，
根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δvij，隐含层阈值的修正量Δθi：
其中，
上述公式中：η表示固定权值，wki表示日期范围，E表示学习最终目标，ak表示地址范围，θi表示相序范围，wij表示日期范围，wki与wij分别表示不同的日期范围。上述公式表明智能识别误差是各层权值wij、vij的函数，因此调整权值可改变误差E。调整权值的原则是使误差不断地减小，因此应使权值的调整量与误差的梯度下降成正比。寻址精确。
本技术方案的核心是在不断调整权值的情况下，使得智能识别地址的误差不断的减小。无论是在正向梯度还是负向梯度，在离散情况下都需要不断的将权值往误差极小值的地方调整。而调整的速率值关乎着智能识别监测的训练速度。
误差梯度下降法，具体为：
使用激活函数为：
f(x)连续可导，一阶导数为：
f′(x)＝f(x)[1-f(x)]，
对输出层：
netk表示wki、ak、vij和θi直接的关联矩阵，vij表示输出层的权值，Δwjk与Δwki表示相同的含义，wjk表示日期范围；
对隐含层：
netj表示wki、ak、vij和θi直接的关联矩阵，netj和netk表示不同日期的矩阵；
对输出层、隐含层分别定义一个误差信号和
将输出层的权值W调整式更改为：
yj表示计算过程的临时变量，
将隐含层的权值V调整式更改为：
xi也表示计算过程的临时变量，
根据推导：
dk表示计算过程的临时变量，I表示学习次数；
对于输出层，可展开为：
对于隐含层，可展开为：
网络误差对各层输出的偏导，
对于输出层，可得：
ok表示计算过程的临时变量，
对于隐含层，利用E的函数可得：
i和m均为常数，
则：
从而本发明的学习算法权值调整计算公式为：
寻址精确。
假设这里分别有M，N，K表示输入、隐藏、输出的节点数目，那么一个输入缓存区大小：分配大小M+1个；同理隐藏层和输出层分别分配：N+1,P+1个。权值的缓冲区大小：根据BP网络的算法，一个节点到下一层的节点分别需要具备一一对应，故这是一个二维数组的形式存在，分配输入层权值空间大小为(M+1)(N+1)的大小，隐藏权值空间大小为(N+1)(P+1)；对于权值的矫正量，其是一个依据节点的输出值向后反馈的一个变量，实际就是多对1的反馈，而通过公式看到可以只采用一维数组来表示每一个节点的反馈矫正值，即如下的变量：
同理最终隐藏层到输出层的反馈矫正、输出层和隐藏层的反馈矫正都以一个一位变量的形式存在，只是在计算权值时要结合节点的输入数据来进行二维矫正。
依次经过向前刺激，权值矫正值计算，权值调整，样本均分误差计算。以一次样本数所有样本节点计算完后做均方误差，误差满足一定的阈值则智能识别训练学习可以结束。
对本领域的技术人员来说，可根据以上描述的技术方案以及构思，做出其它各种相应的改变以及形变，而所有的这些改变以及形变都应该属于本发明权利要求的保护范围之内。
Claims (9)
1.一种基于菊花链拓扑的智能识别监测系统，包括测量模块和控制模块，多个测量模块通过总线与控制模块连接，其特征在于：所述控制模块采用BP神经网络训练学习方法来智能识别测量模块的地址。
2.如权利要求1所述的基于菊花链拓扑的智能识别监测系统，其特征在于：多个测量模块通过PLbus总线与控制模块连接，所述PLbus总线采用菊花链总线拓扑。
3.如权利要求1或2所述的基于菊花链拓扑的智能识别监测系统，其特征在于：所述BP神经网络训练学习方法，具体包括信息的正向传递与误差的反向传播两个过程；
所述正向传递：输入样本从输入层经隐含层逐层计算传向输出层，若输出层的实际输出和期望输出不符，则计算输出层的误差值即输出误差，然后转向反向传播过程；
所述反向传播即误差的反向传播：是将输出误差通过隐含层向输入层逐层反传，并将输出误差分摊给各层所有单元，从而获得各层单元的误差信号，以获得的各层单元的误差信号作为修正相应各单元的依据，各层单元包括隐含层和输出层；
正向传递和反向传播反复进行，从而使权值不断得到调整，当训练达到规定误差或一定训练次数后，则结束训练。
4.如权利要求3所述的基于菊花链拓扑的智能识别监测系统，其特征在于：上述训练达到规定误差或一定训练次数具体标准为：
样本输入时的理想目标Tk与实际输出ok之间的误差平方Ep不断趋向于0，
即E函数。
5.如权利要求4所述的基于菊花链拓扑的智能识别监测系统，其特征在于：上述误差的反向传播过程中，
根据误差梯度下降法依次修正输出层权值的修正量Δwki，输出层阈值的修正量Δak，隐含层权值的修正量Δvij，隐含层阈值的修正量Δθi：
其中，
上述公式中：η表示固定权值，wki表示日期范围，E表示学习最终目标，ak表示地址范围，θi表示相序范围，wij表示日期范围，wki与wij分别表示不同的日期范围。
6.如权利要求5所述的基于菊花链拓扑的智能识别监测系统，其特征在于：所述误差梯度下降法，具体为：
使用激活函数为：
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>1</mn>
<mo>+</mo>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>x</mi>
</mrow>
</msup>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
f(x)连续可导，一阶导数为：
f′(x)＝f(x)[1-f(x)]，
对输出层：
netk表示wki、ak、vij和θi直接的关联矩阵，vij表示输出层的权值，Δwjk与Δwki表示相同的含义，wjk表示日期范围；
对隐含层：
netj表示wki、ak、vij和θi直接的关联矩阵，netj和netk表示不同日期的矩阵；
对输出层、隐含层分别定义一个误差信号和
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>o</mi>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>y</mi>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>,</mo>
</mrow>
将输出层的权值W调整式更改为：
yj表示计算过程的临时变量，
将隐含层的权值V调整式更改为：
xi也表示计算过程的临时变量，
根据推导：
dk表示计算过程的临时变量，I表示学习次数；
对于输出层，可展开为：
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>o</mi>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>F</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>F</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
</mrow>
</mfrac>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>net</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
对于隐含层，可展开为：
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>y</mi>
</msubsup>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mfrac>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<mo>=</mo>
<mo>-</mo>
<mfrac>
<mrow>
<mo>&part;</mo>
<mi>E</mi>
</mrow>
<mrow>
<mo>&part;</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
</mrow>
</mfrac>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
网络误差对各层输出的偏导，
对于输出层，可得：
ok表示计算过程的临时变量，
对于隐含层，利用E的函数可得：
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>E</mi>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>net</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</munderover>
<msup>
<mrow>
<mo>&lsqb;</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<mi>f</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
i和m均为常数，
则：
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>o</mi>
</msubsup>
<mo>=</mo>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>j</mi>
<mi>y</mi>
</msubsup>
<mo>=</mo>
<mo>&lsqb;</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mi>k</mi>
</msub>
<mo>-</mo>
<msub>
<mi>o</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<msub>
<mi>net</mi>
<mi>k</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>&rsqb;</mo>
<msup>
<mi>f</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mo>&part;</mo>
<msub>
<mi>net</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>=</mo>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</munderover>
<mo>(</mo>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>o</mi>
</msubsup>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>,</mo>
</mrow>
从而得出：
<mrow>
<msub>
<mi>&Delta;v</mi>
<mrow>
<mi>i</mi>
<mi>j</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>&eta;&delta;</mi>
<mi>j</mi>
<mi>y</mi>
</msubsup>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>=</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>i</mi>
</munderover>
<mo>(</mo>
<mrow>
<msubsup>
<mi>&delta;</mi>
<mi>k</mi>
<mi>o</mi>
</msubsup>
<msub>
<mi>w</mi>
<mrow>
<mi>j</mi>
<mi>k</mi>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>y</mi>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<msub>
<mi>x</mi>
<mi>i</mi>
</msub>
<mo>.</mo>
</mrow>
7.如权利要求1或2所述的基于菊花链拓扑的智能识别监测系统，其特征在于：30个测量模块组成一个测量单元，用来测量30个单相回路或者10个三相回路。
8.如权利要求1或2所述的基于菊花链拓扑的智能识别监测系统，其特征在于：所述测量模块具有闭口穿线安装和免拆线的开口卡扣安装。
9.如权利要求1或2所述的基于菊花链拓扑的智能识别监测系统，其特征在于：所述总线的连接器使用RJ12插头。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710267130.5A CN107179438A (zh) | 2017-04-21 | 2017-04-21 | 基于菊花链拓扑的智能识别监测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710267130.5A CN107179438A (zh) | 2017-04-21 | 2017-04-21 | 基于菊花链拓扑的智能识别监测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107179438A true CN107179438A (zh) | 2017-09-19 |
Family
ID=59831012
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710267130.5A Pending CN107179438A (zh) | 2017-04-21 | 2017-04-21 | 基于菊花链拓扑的智能识别监测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107179438A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110086165A (zh) * | 2018-12-10 | 2019-08-02 | 国网江苏省电力有限公司扬州供电分公司 | 基于大数据的智能识别母线与馈线及变压器拓扑结构挂接关系的方法 |
| CN113313612A (zh) * | 2021-05-26 | 2021-08-27 | 广东电网有限责任公司 | 低负荷下电能表的电能计量方法及计量装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1535403A (zh) * | 2001-05-14 | 2004-10-06 | ��˹�ɵ¹�˾ | 用于工业过程控制和测量系统的诊断 |
| CN101183873A (zh) * | 2007-12-11 | 2008-05-21 | 中山大学 | 一种基于bp神经网络的嵌入式系统数据压缩解压缩方法 |
| CN101533058A (zh) * | 2009-04-24 | 2009-09-16 | 东北大学 | 一种电力异常故障数据分析装置及诊断方法 |
| CN101567822A (zh) * | 2008-04-23 | 2009-10-28 | 大诚电讯(深圳)有限公司 | 一种动力环境集中监控系统的组网综合服务设备及其运用方法 |
| CN103279794A (zh) * | 2013-06-06 | 2013-09-04 | 中国南方电网有限责任公司 | 电力通信网风险评估方法 |
| CN105681761A (zh) * | 2016-03-09 | 2016-06-15 | 国网浙江省电力公司湖州供电公司 | 一种基于菊花链拓扑的输变电设备状态监测系统 |
-
2017
- 2017-04-21 CN CN201710267130.5A patent/CN107179438A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN1535403A (zh) * | 2001-05-14 | 2004-10-06 | ��˹�ɵ¹�˾ | 用于工业过程控制和测量系统的诊断 |
| CN101183873A (zh) * | 2007-12-11 | 2008-05-21 | 中山大学 | 一种基于bp神经网络的嵌入式系统数据压缩解压缩方法 |
| CN101567822A (zh) * | 2008-04-23 | 2009-10-28 | 大诚电讯(深圳)有限公司 | 一种动力环境集中监控系统的组网综合服务设备及其运用方法 |
| CN101533058A (zh) * | 2009-04-24 | 2009-09-16 | 东北大学 | 一种电力异常故障数据分析装置及诊断方法 |
| CN103279794A (zh) * | 2013-06-06 | 2013-09-04 | 中国南方电网有限责任公司 | 电力通信网风险评估方法 |
| CN105681761A (zh) * | 2016-03-09 | 2016-06-15 | 国网浙江省电力公司湖州供电公司 | 一种基于菊花链拓扑的输变电设备状态监测系统 |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110086165A (zh) * | 2018-12-10 | 2019-08-02 | 国网江苏省电力有限公司扬州供电分公司 | 基于大数据的智能识别母线与馈线及变压器拓扑结构挂接关系的方法 |
| CN110086165B (zh) * | 2018-12-10 | 2020-07-24 | 国网江苏省电力有限公司扬州供电分公司 | 基于大数据的智能识别母线与馈线及变压器拓扑结构挂接关系的方法 |
| CN113313612A (zh) * | 2021-05-26 | 2021-08-27 | 广东电网有限责任公司 | 低负荷下电能表的电能计量方法及计量装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20140229153A1 (en) | Simulation of an electrical power distribution network in a wind farm | |
| EP3444944B1 (en) | Fault detection and positioning system for cell panel in large-scale photovoltaic array | |
| CN116800517A (zh) | 一种基于数据分析的数据采集智能管理系统 | |
| TW202010243A (zh) | 太陽能光電故障檢測系統及方法 | |
| CN105866725A (zh) | 一种基于聚类分析和云模型的智能电表故障分类方法 | |
| CN106505557A (zh) | 一种遥测错误辨识方法及装置 | |
| CN106991504A (zh) | 基于分项计量时间序列的建筑能耗预测方法、系统及建筑物 | |
| CN201476905U (zh) | 神经网络pid控温的热电偶自动检定系统 | |
| CN107179438A (zh) | 基于菊花链拓扑的智能识别监测系统 | |
| CN114152896A (zh) | 一种基于采集平台的失准更换系统 | |
| CN111553080B (zh) | 一种配电台区负荷动态等值非机理模型参数闭环辨识方法 | |
| CN111371088B (zh) | 一种基于bp神经网络修正svg控制策略的方法及系统 | |
| CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
| CN117972537B (zh) | 基于广域量测的电压互感器计量状态评估方法及系统 | |
| CN116561638B (zh) | 基于神经网络学习及状态评估的保护压板不对应校验方法 | |
| CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
| CN110289646B (zh) | 基于元模型的智能软开关就地控制策略优化方法 | |
| CN112446801A (zh) | 一种有效提升电力系统数据质量的系统及方法 | |
| CN116840767A (zh) | 电能计量装置整体误差评估方法及装置、存储介质、终端 | |
| AU2023202335A1 (en) | HiL testing platform for photovoltaic power station, and PPC performance testing method | |
| CN113131487B (zh) | 基于调压图案的台区识别方法、装置、存储介质及电子设备 | |
| CN106841922B (zh) | 智能稳定控制装置实验仪 | |
| CN114089907B (zh) | 一种集中式直流采样值数据转换方法及装置 | |
| CN111864741B (zh) | 一种线路参数误差对功率分布影响的定量分析方法及系统 | |
| CN206472138U (zh) | 线距模拟装置及网络测试系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170919 |
|
| RJ01 | Rejection of invention patent application after publication |