CN111157790B - 基于深度学习的电力系统谐波检测装置及方法 - Google Patents
基于深度学习的电力系统谐波检测装置及方法 Download PDFInfo
- Publication number
- CN111157790B CN111157790B CN202010059385.4A CN202010059385A CN111157790B CN 111157790 B CN111157790 B CN 111157790B CN 202010059385 A CN202010059385 A CN 202010059385A CN 111157790 B CN111157790 B CN 111157790B
- Authority
- CN
- China
- Prior art keywords
- power grid
- module
- data
- chip
- grid harmonic
- 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
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
Abstract
本发明公开一种基于深度学习的电力系统谐波检测装置及方法,涉及电力系统技术领域,包括样本数字量采集设备、数据处理模块、自主学习模块、数据计算模块、电网谐波数据储存模块、电网谐波信息输出模块。本发明的有益效果是:通过使用样本数字量采集设备获取电网的数字量信息,减少延时和丢包问题,样本时间实时性提高,抗干扰能力强。
Description
技术领域
本发明涉及电力系统技术领域,尤其涉及一种基于深度学习的电力系统谐波检测装置及方法。
背景技术
近年来随着各大直流工程投入运行,风电光伏等新能源装置大量投入,各种电力电子装置和非线性负荷的大量应用,电力系统的谐波污染日益严重,给电力系统的安全经济运行带来了极大的危害。快速准确的电力系统谐波测试仪器可提高电能质量的监测与治理水平,同时还可建立先进可靠的电网谐波监测网络数据中心,及时分析和反应电网谐波水平,直接反应测试电网的电能质量问题,及时采取相应的措施,保障电网电能质量安全,同时发掘造成电网谐波及电能质量受影响的原因,为电网安全稳定运行提供保障。
目前谐波检测是基于模拟滤波器实现的,输入信号经过放大器后送入到并行排列的带通滤波器中。滤波器的中心频率固定,并且为工频的整数倍数,可以通过各次谐波信号。最后,各次谐波数据经过检波器检波,送到多路显示器中显示测量信号中所含的谐波分量。
但电力谐波是由各种频率成分合成的、随机的、出现和消失都非常突然的信号,现行算法变换复杂,计算量大,计算时间长,不能满足谐波检测的实时性要求;
另外,采样值数据在采样、处理和传输的各个环节中会发生延时和丢包的问题。
发明内容
针对上述问题,本发明提出一种基于深度学习的电力系统谐波检测装置及方法,主要解决现有谐波信号检测设备实时性不足,以及传输过程发送延时和丢包的问题。
为解决上述技术问题,本发明的技术方案如下:
一种基于深度学习的电力系统谐波检测装置,包括样本数字量采集设备、数据处理模块、自主学习模块、数据计算模块、电网谐波数据储存模块、电网谐波信息输出模块;
样本数字量采集设备用于获取电网的电压电流样本数据;
数据处理模块用于处理电网电压电流的样本数据并将处理结果发送至自主学习模块以及数据计算模块;
自主学习模块用于学习处理结果并得到深度学习结果,将深度学习结果发送至数据计算模块以及电网谐波信息输出模块;
数据计算模块用于接收处理结果以及学习结果并运算得到电网谐波信息,将电网谐波信息发送至电网谐波数据储存模块;
电网谐波数据储存模块用于存储电网谐波信息,并将电网谐波信息返回自主学习模块;
电网谐波信息输出模块用于接收来自自主学习模块输出的深度学习结果。
在一些实施方式中,上述的样本数字量采集设备包括电子式电压互感器、电子式电流互感器;数据处理模块包括标准时钟、对时与插值模块和DSP芯片;自主学习模块包括至少一块FPGA训练芯片;数据计算模块包括至少一块FPGA计算芯片;电网谐波数据储存模块包括至少一块储存芯片;电网谐波信息输出模块包括LCD显示器、USB模块和光纤通讯模块。
还提出一种基于深度学习的电力系统谐波检测方法,用于上的基于深度学习的电力系统谐波检测装置,包括以下步骤,
样本采样,从交流电网的电子式电压互感器、电子式电流互感器上获取电网电压电流的样本数据;
对样本数据进行对时插值处理,样本数据输入至对时与插值模块,通过标准时钟进行对样本数据进行对时处理,电子式电压互感器、电子式电流互感器分别输出不同时刻电网的电压电流样本数据,并利用插值处理使不同时刻电网的电压电流样本数据获得同一时刻的采样值;
样本信息处理,将同一时刻的采样值输入至DSP芯片,对同一时刻的电压、电流样本数据进行规则化处理;
电网谐波模型深度学习,DSP芯片处理后的数据作为初始数据输入至已完成深度学习的FPGA训练芯片中,FPGA训练芯片对初始数据进行电网谐波信息分析,用于训练FPGA训练芯片的电网谐波信息模型从储存芯片中获取;
判断是否正常生成电网谐波信息,初始数据输入至已完成深度学习的FPGA训练芯片中,判断FPGA训练芯片是否能正常生成电网谐波信息,如不能正常生成电网谐波信息,则进行计算生成电网谐波信息步骤,若能正常生成电网谐波信息则进行电网谐波信息输出步骤;
计算生成电网谐波信息,FPGA训练芯片无法生成电网各次谐波信息时,将判断信号送至FPGA计算芯片中,FPGA计算芯片从DSP芯片获取初始数据,由FPGA计算芯片计算出电网各次谐波信息,将计算结果输出至储存芯片对电网谐波信息模型库进行更新,更新完成结果输入至FPGA训练芯片进行学习训练,返回至判断是否正常生成电网谐波信息步骤;
电网谐波信息输出,FPGA训练芯片向电网谐波信息输出模块输出各次谐波数据,LCD显示器展示电力系统各次谐波信息显示,USB模块和光纤通讯模块作为预留扩展模块向外界设备输出电力系统各次谐波信息。
在一些实施方式中,样本数据为数字量。
在一些实施方式中,规则化处理包括数据分块及编码.
本发明的有益效果为:
(1)通过使用样本数字量采集设备获取电网的数字量信息,减少延时和丢包问题,样本时间实时性提高,抗干扰能力强;
(2)样本信息处理使用对时与插值模块,减少检测到谐波分量的误差问题,样本信息同时性,准确性提高;
(3)电网谐波分析方法采用电网谐波模型深度学习方式,初始数据输入至生成电网谐波各次信息,减少了繁杂的公式计算过程,能够快速准确计算出电网各次谐波分量。电网各次谐波数据输出效率更快,电网谐波检测精度高,具有很强的学习能力。
附图说明
图1为本发明实施例一中的基于深度学习的电力系统谐波检测装置的系统示意图;
图2为本发明实施例二中描述的基于深度学习的电力系统谐波检测装置的系统示意图;
图3为本发明实施例三中基于深度学习的电力系统谐波检测方法的流程图。
其中:1-样本数字量采集设备,2-数据处理模块,3-自主学习模块,4-数据计算模块,5-电网谐波数据储存模块,6-电网谐波信息输出模块,11-电子式电压互感器,12-电子式电流互感器,21-标准时钟,22-对时与插值模块,23-DSP芯片,31-FPGA训练芯片,41-FPGA计算芯片,51-储存芯片,61-LCD显示器,62-USB模块,63-光纤通讯模块。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确,下面结合附图和具体实施方式对本发明的内容做进一步详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部内容。
实施例一
如图1所示,本实施例提出了一种基于深度学习的电力系统谐波检测装置,包括样本数字量采集设备1、数据处理模块2、自主学习模块3、数据计算模块4、电网谐波数据储存模块5、电网谐波信息输出模块6;
所述样本数字量采集设备1用于获取电网的电压电流样本数据;通过使用样本数字量采集设备获取电网的数字量信息,减少延时和丢包问题,样本时间实时性提高,抗干扰能力强。
所述数据处理模块2用于处理所述电网电压电流的样本数据并将处理结果发送至自主学习模块3以及数据计算模块4;
所述自主学习模块3用于学习所述处理结果并得到深度学习结果,将所述深度学习结果发送至数据计算模块4以及电网谐波信息输出模块6;
所述数据计算模块4用于接收所述处理结果以及学习结果并运算得到电网谐波信息,将所述电网谐波信息发送至电网谐波数据储存模块5;
所述电网谐波数据储存模块5用于存储所述电网谐波信息,并将所述电网谐波信息返回自主学习模块3;
所述电网谐波信息输出模块6用于接收来自所述自主学习模块3输出的深度学习结果。
实施例二
在实施例一的基础上更进一步地,所述样本数字量采集设备1包括电子式电压互感器11、电子式电流互感器12;
所述数据处理模块2包括标准时钟21、对时与插值模块22和DSP芯片23;样本信息处理使用对时与插值模块22,减少检测到谐波分量的误差问题,样本信息同时性,准确性提高。
所述自主学习模块3包括至少一块FPGA训练芯片31;
所述数据计算模块4包括至少一块FPGA计算芯片41;
所述电网谐波数据储存模块5包括至少一块储存芯片51;
所述电网谐波信息输出模块6包括LCD显示器61、USB模块62和光纤通讯模块63。
实施例三
一种基于深度学习的电力系统谐波检测方法,用于上所述的基于深度学习的电力系统谐波检测装置,包括以下步骤,
步骤一,样本采样,从交流电网的电子式电压互感器11、电子式电流互感器12上获取电网电压电流的样本数据;所述样本数据为数字量。
步骤二,对所述样本数据进行对时插值处理,所述样本数据输入至对时与插值模块22,通过标准时钟21进行对所述样本数据进行对时处理,所述电子式电压互感器11、电子式电流互感器12分别输出不同时刻电网的电压电流样本数据,并利用插值处理使所述不同时刻电网的电压电流样本数据获得同一时刻的采样值;
步骤三,样本信息处理,将所述同一时刻的采样值输入至DSP芯片23,对同一时刻的电压、电流样本数据进行规则化处理;所述规则化处理包括数据分块及编码。
步骤四,电网谐波模型深度学习,DSP芯片23处理后的数据作为初始数据输入至已完成深度学习的FPGA训练芯片31中,所述FPGA训练芯片31对所述初始数据进行电网谐波信息分析,用于训练所述FPGA训练芯片31的电网谐波信息模型从储存芯片51中获取;
步骤五,判断是否正常生成电网谐波信息,所述初始数据输入至已完成深度学习的FPGA训练芯片31中,判断所述FPGA训练芯片31是否能正常生成电网谐波信息,如不能正常生成电网谐波信息,则进行计算生成电网谐波信息步骤,若能正常生成电网谐波信息则进行电网谐波信息输出步骤;
步骤六,计算生成电网谐波信息,FPGA训练芯片31无法生成电网各次谐波信息时,将判断信号送至FPGA计算芯片41中,FPGA计算芯片41从DSP芯片23获取所述初始数据,由FPGA计算芯片41计算出电网各次谐波信息,将计算结果输出至储存芯片51对电网谐波信息模型库进行更新,更新完成结果输入至FPGA训练芯片31进行学习训练,返回至所述判断是否正常生成电网谐波信息步骤;
步骤七,电网谐波信息输出,FPGA训练芯片31向电网谐波信息输出模块6输出各次谐波数据,LCD显示器61展示电力系统各次谐波信息显示,USB模块62和光纤通讯模块63作为预留扩展模块向外界设备输出电力系统各次谐波信息。
电网谐波分析方法采用电网谐波模型深度学习方式,初始数据输入至生成电网谐波各次信息,减少了繁杂的公式计算过程,能够快速准确计算出电网各次谐波分量。电网各次谐波数据输出效率更快,电网谐波检测精度高,具有很强的学习能力。
上述实施例只是为了说明本发明的技术构思及特点,其目的是在于让本领域内的普通技术人员能够了解本发明的内容并据以实施,并不能以此限制本发明的保护范围。凡是根据本发明内容的实质所做出的等效的变化或修饰,都应涵盖在本发明的保护范围内。
Claims (3)
1.一种基于深度学习的电力系统谐波检测方法,其特征在于,用于以下检测装置,所述检测装置包括样本数字量采集设备(1)、数据处理模块(2)、自主学习模块(3)、数据计算模块(4)、电网谐波数据储存模块(5)、电网谐波信息输出模块(6);所述样本数字量采集设备(1)用于获取电网电压电流的样本数据;所述数据处理模块(2)用于处理所述样本数据并将处理结果发送至自主学习模块(3)以及数据计算模块(4);所述自主学习模块(3)用于学习所述处理结果并得到深度学习结果,将所述深度学习结果发送至数据计算模块(4)以及电网谐波信息输出模块(6);所述数据计算模块(4)用于接收所述处理结果以及学习结果并运算得到电网谐波信息,将所述电网谐波信息发送至电网谐波数据储存模块(5);所述电网谐波数据储存模块(5)用于存储所述电网谐波信息,并将所述电网谐波信息返回自主学习模块(3);所述电网谐波信息输出模块(6)用于接收来自所述自主学习模块(3)输出的深度学习结果;
所述样本数字量采集设备(1)包括电子式电压互感器(11)、电子式电流互感器(12);所述数据处理模块(2)包括标准时钟(21)、对时与插值模块(22)和DSP芯片(23);所述自主学习模块(3)包括至少一块FPGA训练芯片(31);所述数据计算模块(4)包括至少一块FPGA计算芯片(41);所述电网谐波数据储存模块(5)包括至少一块储存芯片(51);所述电网谐波信息输出模块(6)包括LCD显示器(61)、USB模块(62)和光纤通讯模块(63);
包括以下步骤,
样本采样,从交流电网的电子式电压互感器(11)、电子式电流互感器(12)上获取所述样本数据;
对所述样本数据进行对时插值处理,所述样本数据输入至对时与插值模块(22),通过标准时钟(21)对所述样本数据进行对时处理,所述电子式电压互感器(11)、电子式电流互感器(12)分别输出不同时刻电网的电压电流样本数据,并利用插值处理使所述不同时刻电网的电压电流样本数据获得同一时刻的采样值;
样本信息处理,将所述同一时刻的采样值输入至DSP芯片(23),对同一时刻的电压、电流样本数据进行规则化处理;
电网谐波模型深度学习,DSP芯片(23)处理后的数据作为初始数据输入至已完成深度学习的FPGA训练芯片(31)中,所述FPGA训练芯片(31)对所述初始数据进行电网谐波信息分析,用于训练所述FPGA训练芯片(31)的电网谐波信息模型从储存芯片(51)中获取;
判断是否正常生成电网谐波信息,所述初始数据输入至已完成深度学习的FPGA训练芯片(31)中,判断所述FPGA训练芯片(31)是否能正常生成电网谐波信息,如不能正常生成电网谐波信息,则进行计算生成电网谐波信息步骤,若能正常生成电网谐波信息则进行电网谐波信息输出步骤;
计算生成电网谐波信息,FPGA训练芯片(31)无法生成电网各次谐波信息时,将判断信号送至FPGA计算芯片(41)中,FPGA计算芯片(41)从DSP芯片(23)获取所述初始数据,由FPGA计算芯片(41)计算出电网各次谐波信息,将计算结果输出至储存芯片(51)对电网谐波信息模型库进行更新,更新完成结果输入至FPGA训练芯片(31)进行学习训练,返回至所述判断是否正常生成电网谐波信息步骤;
电网谐波信息输出,FPGA训练芯片(31)向电网谐波信息输出模块(6)输出各次谐波数据,LCD显示器(61)展示电力系统各次谐波信息显示,USB模块(62)和光纤通讯模块(63)作为预留扩展模块向外界设备输出电力系统各次谐波信息。
2.如权利要求1所述的基于深度学习的电力系统谐波检测方法,其特征在于:所述样本数据为数字量。
3.如权利要求1所述的基于深度学习的电力系统谐波检测方法,其特征在于:所述规则化处理包括数据分块及编码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059385.4A CN111157790B (zh) | 2020-01-19 | 2020-01-19 | 基于深度学习的电力系统谐波检测装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010059385.4A CN111157790B (zh) | 2020-01-19 | 2020-01-19 | 基于深度学习的电力系统谐波检测装置及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111157790A CN111157790A (zh) | 2020-05-15 |
CN111157790B true CN111157790B (zh) | 2022-01-25 |
Family
ID=70564256
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010059385.4A Active CN111157790B (zh) | 2020-01-19 | 2020-01-19 | 基于深度学习的电力系统谐波检测装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111157790B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002345172A (ja) * | 2001-05-18 | 2002-11-29 | Fuji Electric Co Ltd | 電力系統における高調波監視システム |
CN103105529A (zh) * | 2013-01-22 | 2013-05-15 | 广西电网公司电力科学研究院 | 一种基于参数分析的谐波电能计量系统及其控制方法 |
CN203149028U (zh) * | 2013-03-18 | 2013-08-21 | 上海理工大学 | 一种自适应谐波电流检测系统 |
CN104850757A (zh) * | 2015-06-08 | 2015-08-19 | 湖南城市学院 | 一种分布式电源谐波的在线检测方法及装置 |
CN105245185A (zh) * | 2015-09-30 | 2016-01-13 | 南京南瑞集团公司 | 一种接入配电网的区域分布式光伏故障诊断系统及方法 |
CN105334389A (zh) * | 2015-11-23 | 2016-02-17 | 广东工业大学 | 一种分布式电源谐波检测方法及装置 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8036872B2 (en) * | 2006-03-10 | 2011-10-11 | Edsa Micro Corporation | Systems and methods for performing automatic real-time harmonics analyses for use in real-time power analytics of an electrical power distribution system |
-
2020
- 2020-01-19 CN CN202010059385.4A patent/CN111157790B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2002345172A (ja) * | 2001-05-18 | 2002-11-29 | Fuji Electric Co Ltd | 電力系統における高調波監視システム |
CN103105529A (zh) * | 2013-01-22 | 2013-05-15 | 广西电网公司电力科学研究院 | 一种基于参数分析的谐波电能计量系统及其控制方法 |
CN203149028U (zh) * | 2013-03-18 | 2013-08-21 | 上海理工大学 | 一种自适应谐波电流检测系统 |
CN104850757A (zh) * | 2015-06-08 | 2015-08-19 | 湖南城市学院 | 一种分布式电源谐波的在线检测方法及装置 |
CN105245185A (zh) * | 2015-09-30 | 2016-01-13 | 南京南瑞集团公司 | 一种接入配电网的区域分布式光伏故障诊断系统及方法 |
CN105334389A (zh) * | 2015-11-23 | 2016-02-17 | 广东工业大学 | 一种分布式电源谐波检测方法及装置 |
CN109034054A (zh) * | 2018-07-24 | 2018-12-18 | 华北电力大学 | 基于lstm的谐波多标签分类方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111157790A (zh) | 2020-05-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107037313B (zh) | 建立变压器绕组变形故障与扫频阻抗特征对应关系的方法 | |
CN111404130B (zh) | 基于快速开关的新型配电网故障检测方法及故障自愈系统 | |
CN105911495A (zh) | 一种带有iec61850数字接口的模拟标准源及其检测方法 | |
CN107219432A (zh) | 船舶电力推进系统电能质量检测方法及检测装置 | |
CN103529294A (zh) | 基于hht的光伏系统并网逆变器谐波检测系统及方法 | |
CN102156272A (zh) | 电能计量检定方法、装置和系统 | |
CN104459435A (zh) | 一种用于变电站的接线验证方法及装置 | |
CN103901384A (zh) | 模拟量&数字量输出标准功率源检测装置及方法 | |
CN115113125A (zh) | 一种多通道任意波形发生器的校正系统 | |
Montoya et al. | A fast microprocessor-based traveling wave fault detection system for electrical power networks | |
CN117192292B (zh) | 一种雷击接地极线路故障测距方法及系统 | |
CN111157790B (zh) | 基于深度学习的电力系统谐波检测装置及方法 | |
CN103913654B (zh) | 高压直流输电系统接地极故障特征的识别方法以及设备 | |
CN103676623A (zh) | 统一时标的动态无功发生装置响应时间测定方法 | |
CN106093837A (zh) | 一种评估数字化电能表在复杂工况下计量精度的方法 | |
CN103176030A (zh) | 配电系统的间谐波检测方法 | |
CN103616553A (zh) | 短路大电流波形拟合方法 | |
CN112421773A (zh) | 一种光伏并网系统的电能质量信息远程采集装置 | |
CN105974353A (zh) | 一种基于虚拟仪器的互感器幅值与相位检测方法 | |
CN110927511A (zh) | 一种利用故障波形的电网故障诊断系统及方法 | |
An et al. | Supraharmonics Measurement Based on Hybrid Online Measurement and Offline Analysis | |
CN205017271U (zh) | 一种光伏电站系统效率检测装置 | |
CN216526263U (zh) | 一种适用于电磁辐射抗扰度试验的采集终端检验系统 | |
CN216718586U (zh) | 一种功率半导体器件在线结温预估系统 | |
CN113447717B (zh) | 变流设备工频耦合阻抗和导纳模型的获取方法及测试平台 |
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 |