CN109238358B - 一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 - Google Patents
一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 Download PDFInfo
- Publication number
- CN109238358B CN109238358B CN201811059345.9A CN201811059345A CN109238358B CN 109238358 B CN109238358 B CN 109238358B CN 201811059345 A CN201811059345 A CN 201811059345A CN 109238358 B CN109238358 B CN 109238358B
- Authority
- CN
- China
- Prior art keywords
- data
- sensor
- electric energy
- energy metering
- metering box
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
- Feedback Control In General (AREA)
Abstract
本发明涉及一种分布式电能计量箱多传感器数据采集和抗干扰处理方法,包括:S1:采集电能计量箱相关传感器数据;步骤S2:采用卡尔曼滤波算法对采集的相关传感器数据进行滤波处理;S3:根据人工神经网络的训练需求提取相关传感器的训练样本数据;S4:计算不同磁场环境下,相关传感器磁场干扰前后误差数据集合;S5:将磁场样本数据和相关传感器误差数据集合通过训练样本数据进行训练;S6:采集电能计量箱现场实时工况的磁场传感器数据,并输入到人工神经网络误差模型,得到相关传感器获取数据与真实环境的误差ə;S7:对相关传感器数据进行修正,得到修正后的相关传感器实时监测数据量。本申请能够得到稳定、准确的电能计量箱监测数据。
Description
技术领域
本发明涉及电能计量箱领域,具体涉及一种分布式电能计量箱多传感器数据采集和抗干扰处理方法。
背景技术
电能计量箱是电力公司最直接的形象窗口,是电能计量设备的第一层保障和防护线,其能否安全、稳定和可靠运行直接关系到电力交易的公平公正、电网运行的安全可靠和用电服务的优质高效。因此,电能计量箱本身运行状态的监测以实时准确的获取其工作异常情况信息,从而实现对其有效的防护。电能计量箱的监测数据主要有温湿度、磁场强度、关键节点温升、门锁开闭状态、电能表位置信息等多个关键特征量。由于电能计量箱内部设备多、环境复杂,容易受到来自空间辐射、系统外引入线、电源等多方面的干扰的问题,特别是电磁干扰对现场信号采集传输过程的影响使采集的状态数据噪声和误差都较大。目前,现有的电能计量箱产品和研发中主要以电能计量箱的装置、通信方式、用电信息采集等为主,而针对计量箱本身传感器低干扰的数据采集的方法较少。
发明内容
有鉴于此,本发明的目的在于提供一种分布式电能计量箱多传感器数据采集和抗干扰处理方法,通过分布式硬件数据采集和处理方式,并借助软件降噪和智能误差补偿方法实现对电能计量箱多种状态监测传感器数据的实时准确采集,降低电能计量箱内部复杂环境的干扰从而获取稳定、准确的状态监测数据。
为实现上述目的,本发明采用如下技术方案:
一种分布式电能计量箱多传感器数据采集和抗干扰处理方法,包括以下步骤:
步骤S1:采集电能计量箱相关传感器数据;
步骤S2:采用卡尔曼滤波算法对采集的相关传感器数据进行滤波处理,除去异常特征数据,得到平滑稳定的相关传感器数据;
步骤S3:根据人工神经网络的训练需求提取相关传感器的训练样本数据;
步骤S4:将电能计量箱设置与不同磁场下,计算不同磁场环境下,相关传感器磁场干扰前后误差数据集合ɛ;
步骤S5:将磁场样本数据和相关传感器误差数据集合通过训练样本数据进行训练,得到人工神经网络误差模型;
步骤S6:采集电能计量箱现场实时工况的磁场传感器数据,并输入到人工神经网络误差模型,得到相关传感器获取数据与真实环境的误差ə;
步骤S7:根据y t =x t +ə t ,对各传感器数据进行修正,其中x t 为相关传感器经过卡尔曼滤波后获得的当前时刻的测量数据,ə t 为相关传感器在相应的磁场强度下的误差量,y t 为经过修正后的相关传感器实时监测数据量。
进一步的,所述相关传感器数据包括温度传感器数据、湿度传感器数据和振动传感器数据。
进一步的,所述方法的系统包括相关传感器、磁场传感器、数据接收与处理模块和远程终端。
进一步的,所述相关传感器通过RS485将数据传输至数据接收与处理模块。
进一步的,所述数据接收与处理模块采用STM32微处理器。
本发明与现有技术相比具有以下有益效果:
1、本发明采用软件降噪的方式获取准确的电能计量箱监测数据。采用卡尔曼滤波的方法进行数据滤波得到稳定平滑的传感器数据,这能有效的降低复杂环境不确定环境的随机干扰。
2、 本发明采用人工神经网络的智能误差补偿方法用于修正计量箱传感器数据误差,通过磁场传感器获取的特征量、其它传感器获取的干扰和非干扰特征量训练神经网络误差模型,最后用训练好的误差模型应用于各个数据接收与处理模块中对采集的实时数据进行处理,从而获取较为准确的计量箱监测数据信息。
附图说明
图1是本发明分布式传感器数据接收与处理及通讯系统结构图;
图2是本发明人工神经网络误差模型训练框图;
图3是本发明整体原理框图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
请参照图1,本实施例系统硬件包括若干传感器(磁场传感器、温度传感器数据、湿度传感器数据和振动传感器数据等)、数据接收与处理模块和远程终端。
本实施例根据系统的一种分布式电能计量箱多传感器数据采集和抗干扰处理方法,包括以下步骤:
1、 通过数据采集和处理模块获取电能计量箱各传感器数据,对各数据特征采用卡尔曼滤波算法对采集的数据进行滤波,以获取平滑稳定的数据同时去除异常特征数据;
2、根据人工神经网络的训练需求提取各传感器的训练样本数据。由于无法同时获取磁场干扰和非干扰下的样本数据,为此可在计量箱除磁场影响外其它环境因素相对稳定时间段内,分别获取无磁场干扰和不同强度磁场干扰下的传感器数据样本。磁场传感器和磁场干扰下获取的样本数据集合为A磁={x 0, x 1, x 2,……,x n },A温={x 0, x 1, x 2,……,x n },A湿={x 0, x 1, x 2,……,x n },A振={x 0, x 1, x 2,……,x n },各传感器非磁场干扰数据集合为B磁={x 0, x 1, x 2,……,x n },B温={x 0, x 1, x 2,……,x n },B湿={x 0, x 1, x 2,……,x n },B振={x 0, x 1, x 2,……,x n },在获取样本数据过程中都经过卡尔曼滤波算法进行降噪处理;
3、计算不同磁场环境下,各传感器磁场干扰前后误差数据集合ɛ 温,ɛ 湿,ɛ 振。利用磁场样本数据和误差数据根据图2所示训练人工神经网络误差模型;
4、将训练好的各电能计量箱特征量误差模型写入数据处理模块,本发明采用STM32作为数据处理单元;
5、采集电能计量箱采现场实时工况的磁场传感器数据,如图3所示将其输入到各传感器误差模型以获取对应传感器获取数据与真实环境的误差ə 温,ə 湿,ə 振;
6、根据公式y t =x t +ə t ,对各传感器数据进行修正,其中x t 为各传感器经过卡尔曼滤波后获得的当前时刻的测量数据,ə t 为各传感器在相应的磁场强度下的误差量,y t 为最终得到的经过修正后期的电能计量箱实时监测数据量。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (3)
1.一种分布式电能计量箱多传感器数据采集和抗干扰处理方法,提供一系统,包括相关传感器、磁场传感器、数据接收与处理模块和远程终端, 所述相关传感器数据包括温度传感器数据、湿度传感器数据和振动传感器数据,其特征在于,具体包括以下步骤:
步骤S1:采集电能计量箱相关传感器数据;
步骤S2:采用卡尔曼滤波算法对采集的相关传感器数据进行滤波处理,除去异常特征数据,得到平滑稳定的相关传感器数据;
步骤S3:根据人工神经网络的训练需求提取相关传感器的训练样本数据;
步骤S4:将电能计量箱设置于 不同磁场下,计算不同磁场环境下,相关传感器磁场干扰前后误差数据集合ɛ;
步骤S5:将磁场样本数据和相关传感器误差数据集合通过训练样本数据进行训练,得到人工神经网络误差模型;
步骤S6:采集电能计量箱现场实时工况的磁场传感器数据,并输入到人工神经网络误差模型,得到相关传感器获取数据与真实环境的误差ə;
步骤S7:根据y t =x t +ə t ,对各传感器数据进行修正,其中x t 为相关传感器经过卡尔曼滤波后获得的当前时刻的测量数据,ə t 为相关传感器在相应的磁场强度下的误差量,y t 为经过修正后的相关传感器实时监测数据量。
2.根据权利要求1所述的一种分布式电能计量箱多传感器数据采集和抗干扰处理方法的系统,其特征在于:所述相关传感器通过RS485将数据传输至数据接收与处理模块。
3.根据权利要求1所述的一种分布式电能计量箱多传感器数据采集和抗干扰处理方法的系统,其特征在于:所述数据接收与处理模块采用STM32微处理器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059345.9A CN109238358B (zh) | 2018-09-12 | 2018-09-12 | 一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811059345.9A CN109238358B (zh) | 2018-09-12 | 2018-09-12 | 一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109238358A CN109238358A (zh) | 2019-01-18 |
CN109238358B true CN109238358B (zh) | 2020-11-27 |
Family
ID=65060892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811059345.9A Active CN109238358B (zh) | 2018-09-12 | 2018-09-12 | 一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109238358B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021031091A1 (en) * | 2019-08-19 | 2021-02-25 | Siemens Aktiengesellschaft | Method and apparatus for detecting operating status of device, and computer readable medium |
Family Cites Families (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0910023A2 (de) * | 1997-10-17 | 1999-04-21 | Siemens Aktiengesellschaft | Verfahren und Anordnung zur neuronalen Modellierung eines dynamischen Systems mit nichtlinearem stochastischem Verhalten |
CN101441231B (zh) * | 2008-09-27 | 2010-06-23 | 武汉大学 | 一种谐波电能计量误差分析装置 |
CN102316496A (zh) * | 2011-09-07 | 2012-01-11 | 上海交通大学 | 无线传感器网络中基于卡尔曼滤波的数据融合方法 |
CN103105611B (zh) * | 2013-01-16 | 2016-01-20 | 广东工业大学 | 一种分布式多传感器智能信息融合方法 |
CN103743867B (zh) * | 2013-12-30 | 2015-06-10 | 镇江市高等专科学校 | 基于神经网络的卡尔曼滤波甲醛检测方法 |
CN104732276B (zh) * | 2015-03-18 | 2017-09-15 | 国家电网公司 | 一种计量生产设施故障在线诊断方法 |
CN105352535A (zh) * | 2015-09-29 | 2016-02-24 | 河海大学 | 一种基于多传感器数据融合的测量方法 |
CN106570563A (zh) * | 2015-10-13 | 2017-04-19 | 中国石油天然气股份有限公司 | 基于卡尔曼滤波和bp神经网络的变形预测方法和装置 |
CN105467382A (zh) * | 2015-12-31 | 2016-04-06 | 南京信息工程大学 | 基于svm的多传感器的目标跟踪数据融合算法及其系统 |
CN105825298B (zh) * | 2016-03-14 | 2020-05-01 | 梁海东 | 一种基于负荷特性预估的电网计量预警系统及方法 |
CN107063349A (zh) * | 2017-04-17 | 2017-08-18 | 云南电网有限责任公司电力科学研究院 | 一种诊断变压器故障的方法及装置 |
CN107389049B (zh) * | 2017-08-10 | 2019-12-24 | 北京联合大学 | 一种基于类卡尔曼因子的磁罗盘误差实时补偿方法 |
-
2018
- 2018-09-12 CN CN201811059345.9A patent/CN109238358B/zh active Active
Non-Patent Citations (1)
Title |
---|
Smart meter data analysis;Ning Lu et.al;《PES T&D 2012》;20121231;第1-6页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109238358A (zh) | 2019-01-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106059496B (zh) | 一种光伏组件阵列性能监测和故障识别的方法及系统 | |
CN105203929A (zh) | 一种固定式开关柜局部放电在线检测装置及方法 | |
CN101865949A (zh) | 直流电能表及直流电能计量方法 | |
DE102013205091A1 (de) | Verfahren zum erkennen unbefugter fremdeinwirkungen auf daten | |
CN106908668B (zh) | 一种实测地面合成电场数据的处理方法及系统 | |
CN207300606U (zh) | 基于声学原理的变压器信息采集装置 | |
WO2017152951A1 (en) | Optimized smart meter reporting schedule | |
CN105207361A (zh) | 智能化中压开关设备 | |
CN109489736A (zh) | 一种远程多参数水质监测系统 | |
CN106872066A (zh) | 一种线缆集成测温系统及其测温方法 | |
CN109238358B (zh) | 一种分布式电能计量箱多传感器数据采集和抗干扰处理方法 | |
Siddikov et al. | Modeling of monitoring systems of solar power stations for telecommunication facilities based on wireless nets | |
CN106569165A (zh) | 一种电子式电能表计量性能远程在线检测系统 | |
CN110907885B (zh) | 一种数字化电能计量系统现场运行状态评估方法及系统 | |
CN116028536A (zh) | 一致电网外接窃电核查检测系统 | |
CN106874511A (zh) | 一种基于绝缘子金属附件腐蚀电荷量预测系统的数据库 | |
CN110673081B (zh) | 基于边缘计算的智能电表误差在线估计方法 | |
CN109061409A (zh) | 暂态地电压局部放电检测装置 | |
CN105758554A (zh) | 一种输电线路温度在线监测系统、方法以及应用 | |
DE102011110217A1 (de) | Schnittstelleneinrichtung und system mit einer schnittstelleneinrichtung | |
CN102869006B (zh) | 无线传感器网络层次型入侵诊断处理系统及其方法 | |
CN108448722A (zh) | 一种电力自动化系统流量异常监测方法及其分析系统 | |
CN204579481U (zh) | 一种基于奶牛活动量变化的发情监测系统 | |
CN207181662U (zh) | 一种电容式电压互感器误差在线诊断系统 | |
CN209709758U (zh) | 一种配电变压器一体式数字化智能终端 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |