CN111652421A - 基于主成分分析和模糊分类的验电评估方法和装置 - Google Patents
基于主成分分析和模糊分类的验电评估方法和装置 Download PDFInfo
- Publication number
- CN111652421A CN111652421A CN202010454376.5A CN202010454376A CN111652421A CN 111652421 A CN111652421 A CN 111652421A CN 202010454376 A CN202010454376 A CN 202010454376A CN 111652421 A CN111652421 A CN 111652421A
- Authority
- CN
- China
- Prior art keywords
- frequency domain
- principal component
- evaluation
- electroscopy
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 98
- 238000012360 testing method Methods 0.000 title claims abstract description 39
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 38
- 230000005611 electricity Effects 0.000 title claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 47
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 15
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 238000007635 classification algorithm Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 14
- 239000011159 matrix material Substances 0.000 claims description 32
- 238000005457 optimization Methods 0.000 claims description 10
- 238000012545 processing Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000013215 result calculation Methods 0.000 claims description 4
- 230000001186 cumulative effect Effects 0.000 description 15
- 238000004364 calculation method Methods 0.000 description 8
- 239000000523 sample Substances 0.000 description 7
- 238000012795 verification Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000013441 quality evaluation Methods 0.000 description 4
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/145—Indicating the presence of current or voltage
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/141—Discrete Fourier transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Computational Mathematics (AREA)
- Economics (AREA)
- Mathematical Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Discrete Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
Abstract
本发明实施例公开了一种基于主成分分析和模糊分类的验电评估方法和装置。该方法包括:获取多组采样数据,所述采样数据为时域数据;采用离散傅里叶算法,将所述时域数据按频域展开得到频域数据;采用主成分分析法结合所述频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分;采用模糊分类算法结合所述频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。与现有技术相比,本发明实施例提升了验电的抗干扰性和验电的准确性。
Description
技术领域
本发明实施例涉及验电技术领域,尤其涉及一种基于主成分分析和模糊分类的验电评估方法和装置。
背景技术
随着电力系统的迅速发展,线路检修工作日益繁重,对电气设备操作的安全性和可靠性要求也与日俱增。在线路的停电检修过程中,验电是线路检修中的一个重要环节,验电的准确性影响着检测人员的工作效率和生命安全。为了提高验电环节的准确性,国内外学者对于验电进行了大量的研究工作,其研究内容大多数集中在验电设备使用过程中存在的问题、操作规范、验电的经验技巧、功能改进的探讨等方面。目前,抗干扰性能不理想依然是验电设备的主要缺陷,验电的准确性较差。
发明内容
本发明实施例提供一种基于主成分分析和模糊分类的验电评估方法和装置,以提升验电的准确性。
第一方面,本发明实施例提供了一种基于主成分分析和模糊分类的验电评估方法,包括:
获取多组采样数据,所述采样数据为时域数据;
采用离散傅里叶算法,将所述时域数据按频域展开得到频域数据;
采用主成分分析法结合所述频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分;
采用模糊分类算法结合所述频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
可选地,在获取多组采样数据之后,还包括:
对所述多组采样数据采用复化梯形优化算法进行优化,减少时域波形采样误差。
可选地,所述频域数据选择前10组频率。
可选地,在将所述时域数据按频域展开得到频域数据之后,还包括:
对所述频域数据进行标准化处理。
可选地,所述预设累加贡献率大于等于85%。
可选地,采用模糊分类算法结合所述频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果,包括:
构建所述频域主成分的权重系数矩阵和评价矩阵;并结合所述权重系数矩阵和所述评价矩阵,构建模糊评判集;
根据所述模糊评判集并结合最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
第二方面,本发明实施例还提供了一种基于主成分分析和模糊分类的验电评估装置,包括:
采样模块,用于获取多组采样数据,所述采样数据为时域数据;
时域-频域转换模块,用于采用离散傅里叶算法,将所述时域数据按频域展开得到频域数据;
主成分分析模块,用于采用主成分分析法结合所述频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分;
模糊分类模块,用于采用模糊分类算法结合所述频域主成分,根据最大隶属原则和赋值计算得出带电阈值;
综合评价模块,用于计算验电评价结果。
可选地,基于主成分分析和模糊分类的验电评估装置还包括:
数据优化模块,用于对所述多组采样数据采用复化梯形优化算法进行优化,减少时域波形采样误差。
可选地,基于主成分分析和模糊分类的验电评估装置还包括:标准化模块,用于对所述频域数据进行标准化处理。
可选地,所述模糊分类模块包括:
模糊评判集获取模块,用于构建所述频域主成分的权重系数矩阵和评价矩阵;结合所述权重系数矩阵和所述评价矩阵,构建模糊评判集;
验电评价结果计算模块,用于根据所述模糊评判集并结合最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
本发明实施例首先采用主成分分析法结合频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分,即运用主成分分析法对采样数据进行频域降维计算,从多次谐波中提取出有效频率成分,排除非有效频率成分对验电准确性的干扰;然后采用模糊分类算法结合频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果,即基于最大隶属原则对有效频率成分作模糊分类并计算出验电质量评价结果。因此,本发明实施例提升了验电的抗干扰性和验电的准确性。
附图说明
图1为本发明实施例一提供的一种基于主成分分析和模糊分类的验电评估方法的流程示意图;
图2为本发明实施例二中的一种优化后的时域波形图;
图3为本发明实施例二中的一种累计幅值百分比图;
图4为本发明实施例二中的一种验电情况折线图;
图5为本发明实施例二中的一种验电评价折线图;
图6为本发明实施例三提供的一种基于主成分分析和模糊分类的验电评估装置的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。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结构。
实施例一
本发明实施例提供了一种基于主成分分析和模糊分类的验电评估方法,该方法可适用于电力系统的线路检修工作,该方法由于基于主成分分析和模糊分类的验电评估装置执行,该方法可以由软件和/或硬件来实现。
图1为本发明实施例一提供的一种基于主成分分析和模糊分类的验电评估方法的流程示意图。参见图1,该基于主成分分析和模糊分类的验电评估方法包括以下步骤:
S110、获取多组采样数据,采样数据为时域数据。
其中,为了更好地分析现场的验电情况,需要对带电现场进行多组数据采样,示例性地,采样数据为n组,分别为采样数据1、采样数据2、……、采样数据n。可选地,在获取多组采样数据之后,还包括:对多组采样数据采用复化梯形优化算法进行优化,减少时域波形采样误差。
S120、采用离散傅里叶算法,将时域数据按频域展开得到频域数据。
其中,可选地,频域数据选择前10组频率。示例性地,针对50Hz市电,分析至19次谐波,分别列出多组数据在不同频率下的值,如表1所示。
表1
分析组合 | 采样数据1 | 采样数据2 | …… | 采样数据n |
X<sub>1</sub>(基波) | X<sub>11</sub> | X<sub>12</sub> | … | X<sub>1n</sub> |
X<sub>2</sub>(3次谐波) | X<sub>21</sub> | X<sub>22</sub> | … | X<sub>2n</sub> |
X<sub>3</sub>(5次谐波) | X<sub>31</sub> | X<sub>32</sub> | … | X<sub>3n</sub> |
X<sub>4</sub>(7次谐波) | X<sub>41</sub> | X<sub>42</sub> | … | X<sub>4n</sub> |
X<sub>5</sub>(9次谐波) | X<sub>51</sub> | X<sub>52</sub> | … | X<sub>5n</sub> |
X<sub>6</sub>(11次谐波) | X<sub>61</sub> | X<sub>62</sub> | … | X<sub>6n</sub> |
X<sub>7</sub>(13次谐波波) | X<sub>71</sub> | X<sub>72</sub> | … | X<sub>7n</sub> |
X<sub>8</sub>(15次谐波波) | X<sub>81</sub> | X<sub>82</sub> | … | X<sub>8n</sub> |
X<sub>9</sub>(17次谐波) | X<sub>91</sub> | X<sub>92</sub> | … | X<sub>9n</sub> |
X<sub>10</sub>(19次谐波) | X<sub>101</sub> | X<sub>102</sub> | … | X<sub>10n</sub> |
需要说明的是,表1中示例性地示出了19次谐波,并非对本发明的限定,在其他实施例中,可以根据需要进行扩展。
可选地,在将时域数据按频域展开得到频域数据之后,还包括:对频域数据进行标准化处理,以解决不同的度量产生的量纲(度量单位)的问题。可选地,将采样数据通过公式(1)作标准化处理得到标准变量Y。
S130、采用主成分分析法结合频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分。
其中,主成分分析法(Principal Component Analysis,PCA)是一种需要设法将原来变量重新组合成一组新的互相无关的几个综合变量,同时根据实际需要从中可以取出几个较少的综合变量尽可能多地反映原来变量的信息的统计方法,又称主分量分析,PCA是数学上用来降维的一种方法。
对频域数据的处理具体包括:
将标准变量数组通过公式(2)计算得协方差矩阵R。
由公式(3),计算出特征值λi,i=1,2,…,10。
|λE-R|=0 (3)
由公式(4),计算出主成分Zk的贡献率。
由公式(5),计算出主成分Z1,Z2,…,Zm的累积贡献率。
可选地,预设累加贡献率大于等于85%,即查看累积贡献率≥85%的相应的特征向量。
根据计算结果分析哪几个频域成分可以替代时域成分来反映物体带电情况。据电力行业标准《电容型验电器》对验电设备的启动电压规定,考虑设备灵敏度问题选取启动电压为Ut=0.45Umin,Umin为最小电压。示例性地,针对非接触式验电场景假设主成分分析法结果为基波、3次谐波、5次谐波三种主成分能够替代时域成分来反映物体带电状态,并建立验电评价标准,见表2。
表2
指标 | 带电 | 不带电 |
基波幅值 | >U<sub>t</sub> | ≤U<sub>t</sub> |
3次谐波幅值 | >U<sub>t</sub> | ≤U<sub>t</sub> |
5次谐波幅值 | >U<sub>t</sub> | ≤U<sub>t</sub> |
考虑是指向性验电不能距离被测物太远,超出一定范围被测目标不明确。示例性地,分别测试非接触式验电设备距离被测物在0.2m、0.3m、0.4m、0.5m、0.6m、0.7m的验电情况,每个距离点测试数据为ni次(建议不少于100次),得出频数分配表,如表3。
表3
S140、采用模糊分类算法结合频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
即基于最大隶属原则对有效频率成分作模糊分类并计算出验电质量评价结果。可选地,首先,构建频域主成分的权重系数矩阵和评价矩阵;并结合权重系数矩阵和评价矩阵,构建模糊评判集。
示例性地,频域主成分为基波、3次谐波、5次谐波。设基波幅值、3次谐波幅值、5次谐波幅值各因素权重依次为w1,w2,w3,构建频域主成分的权重系数矩阵,如公式(6)。
W=(w1,w2,w3) (6)
示例性地,测试距离0.2m至0.7m,构建评价矩阵Ri如公式(7)。
作权重系数矩阵W与评价矩阵Ri的模糊乘积运算,构建模糊评判集Si如公式(8)。
然后,根据模糊评判集Si并结合最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
示例性地,将验电评价标准带电、不带电分别赋值1,0,得出非接触式验电设备在距离被测物体0.2m至0.7m的评价结果如公式(9)。
根据最大隶属原则得出的带电最大距离并计算其验电评价结果,得出该非接触式验电设备的有效验电阈值。
本发明实施例首先采用主成分分析法结合频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分,即运用主成分分析法对采样数据进行频域降维计算,从多次谐波中提取出有效频率成分,排除非有效频率成分对验电准确性的干扰;然后采用模糊分类算法结合频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果,即基于最大隶属原则对有效频率成分作模糊分类并计算出验电质量评价结果。因此,本发明实施例提升了验电的抗干扰性和验电的准确性。
实施例二
在实施例一的基础上,本发明实施例二提供了一种基于主成分分析和模糊分类的验电评估方法的具体实验分析过程和分析结果。
实验使用TMS320C6748型DSP作为核心控制器,并采用CCS6.0软件实现实验模型的软件开发和验证。实验信号由变压器升压产生,使用STC15F2K60S2型单片机作为核心控制器的高压探头采样器采集电势信号,采样速率为5kHz,每1024个采样点为1组数据,采样10组。为了便于观察实验结果,采样器外加了AD转换器将经过滤波放大的电势模拟信号转换成数字信号并通过射频模块传输至DSP为核心控制器的接收器。
图2为本发明实施例二中的一种优化后的时域波形图。参见图2,横坐标为采样个数,纵坐标为幅值。
根据图2所示的采样数据,采用离散傅里叶算法,将时域数据按频域展开得到频域数据,分析至19次谐波,分别列出10组数据在不同频率下的值,如表4所示。
表4
据采样数据,按实施例一中的公式(1)和公式(2)列出协方差矩阵如下(由于对称性只列出上三角部分)。
由公式(3)求解特征根和相应的特征向量,由于第1个特征根的累积贡献率为99.378%,接近100%,完全能够准确反映物体带电状态下频域分布情况。所以只需要计算第1个特征根相应的特征向量即可。其他特征根的特征向量暂不计算,计算结果如表5所示。
表5
其中,α1是第1个主成分Z1的系数,α2是第2个主成分Z2的系数。Z1的累积贡献率为0.99378,Z2的累积贡献率0.99955为Z1的贡献率0.99378与Z2的贡献率0.00577的和。α1的各分量取值符号相同,取值大小差异不大,这表明良好的带电现场测试的时域数据对各个频率成分幅值的反映能力均一般,客观的反映出各个频率成分的幅值叠加即为时域幅值,因此我们得出Z1为一般反映指标。
计算主成分幅值Zi,见公式(10)。
计算结果如表6所示。
表6
计算各个频率成分幅值在主成分幅值中的累积幅值百分比Pki,累积幅值百分比Pki的计算如公式(11)。
根据公式(11)计算出的累积幅值百分比Pki如图3所示,图3中,折线10代表基波幅值百分比;折线20代表基波、3次谐波累积幅值百分比;折线30代表基波、3次谐波、5次谐波累积幅值百分比,折线40代表基波、3次谐波、5次谐波、7次谐波累积幅值百分比。
由图3所示的分析结果可以看出,时域成分由各个频域成分构成,在检测物体带电状态时,频域中的基波、3次谐波、5次谐波的累积幅值百分比超过90%,引入7次谐波后的累积幅值百分比没有得到一定程度上的提升,因此模糊分类算法中选用基波、3次谐波、5次谐波替代时域成分去分析物体带电状态。
根据10kV验电现场,Ut=0.45*10kV=4.5kV,由采样计算PCA结果建立以频域验电评价标准,见表7。
表7
指标 | 带电(单位:kV) | 不带电(单位:kV) |
基波幅值 | >4.5 | ≤4.5 |
3次谐波幅值 | >4.5 | ≤4.5 |
5次谐波幅值 | >4.5 | ≤4.5 |
按照高压探头距离10kV变压器发射点在0.2m、0.3m、0.4m、0.5m、0.6m、0.7m处进行数据采样,每个距离采样点采样数据为100次,得出频数分配表如表8所示。
表8
计算测试距离0.2m至0.7m的评价矩阵如下:
由PCA得出基波幅值、3次谐波幅值、5次谐波幅值各因素权重可依次设定为0.8、0.15、0.05。其中,3次谐波幅值可由3次谐波累积幅值百分比与基波累积幅值百分比相减得到;5次谐波幅值可由5次谐波累积幅值百分比与3次谐波幅值累积幅值百分比相减得到。即:
W=(0.8,0.15,0.05)
作权系数矩阵W与评价矩阵R的模糊乘积运算,得出模糊评判集S:
S0.2m=(0.8 0.15),S0.3m=(0.8 0.15),S0.4m=(0.8 0.18),
S0.5m=(0.43 0.57),S0.6m=(0.2 0.8),S0.7m=(0.08 0.8)。
根据最大隶属原则进行评判:
高压探头在距离10kV变压器0.2m、0.3m、0.4m处均能够判定变压器带电,距离0.5m、0.6m、0.7m处时判定变压器不带电。将带电和不带电分别赋值1和0,得出0.2m至0.7m的验电评价结果如表9。
表9
验电评价结果显示,高压探头在0.5m以内能够更好的反映物体带电状态且带电判定最佳阈值可以设定为0.5,当验电评价结果≥0.5时,显示物体带电,当验电评价结果<0.5时,显示物体不带电。10kV现场各距离验电情况如图4所示,图4中,折线50代表基波在各距离点的带电次数,折线60代表3次谐波在各距离点的带电次数,折线70代表5次谐波在各距离点的带电次数。选取带电判定最佳阈值0.5并以基波判定物体带电状态如图5所示。
根据图4和图5,距离大于0.5m以上产生的误报警经过阈值判定计算后将不再报警。
实验结果表明,本发明实施例首先采用主成分分析法结合频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分;然后采用模糊分类算法结合频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果,提升了验电的抗干扰性和验电的准确性。
实施例三
本发明实施例还提供了一种基于主成分分析和模糊分类的验电评估装置,该装置可用于执行如上述各实施例提供的基于主成分分析和模糊分类的验电评估方法。图6为本发明实施例三提供的一种基于主成分分析和模糊分类的验电评估装置的结构框图。参见图6,该装置包括:采样模块、时域-频域转换模块、主成分分析模块、模糊分类模块和综合评价模块。其中,采样模块用于获取多组采样数据,采样数据为时域数据;时域-频域转换模块用于采用离散傅里叶算法,将时域数据按频域展开得到频域数据;主成分分析模块用于采用主成分分析法结合频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分;模糊分类模块用于采用模糊分类算法结合频域主成分,根据最大隶属原则和赋值计算得出带电阈值;综合评价模块,用于计算验电评价结果。
本发明实施例设置主成分分析模块和模糊分类模块,首先采用主成分分析法结合频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分,即运用主成分分析法对采样数据进行频域降维计算,从多次谐波中提取出有效频率成分,排除非有效频率成分对验电准确性的干扰;然后采用模糊分类算法结合频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果,即基于最大隶属原则对有效频率成分作模糊分类并计算出验电质量评价结果。因此,本发明实施例提升了验电的抗干扰性和验电的准确性。
继续参见图6,可选地,采样模块包括传感器、滤波器、放大器和模数转换单元。
在上述各实施例的基础上,可选地,基于主成分分析和模糊分类的验电评估装置还包括:数据优化模块,用于对多组采样数据采用复化梯形优化算法进行优化,减少时域波形采样误差。
在上述各实施例的基础上,可选地,基于主成分分析和模糊分类的验电评估装置还包括:标准化模块,用于对频域数据进行标准化处理。
在上述各实施例的基础上,可选地,模糊分类模块包括:模糊评判集获取模块和验电评价结果计算模块。其中,模糊评判集获取模块用于构建频域主成分的权重系数矩阵和评价矩阵;结合权重系数矩阵和评价矩阵,构建模糊评判集;验电评价结果计算模块用于根据模糊评判集并结合最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种基于主成分分析和模糊分类的验电评估方法,其特征在于,包括:
获取多组采样数据,所述采样数据为时域数据;
采用离散傅里叶算法,将所述时域数据按频域展开得到频域数据;
采用主成分分析法结合所述频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分;
采用模糊分类算法结合所述频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
2.根据权利要求1所述的基于主成分分析和模糊分类的验电评估方法,其特征在于,在获取多组采样数据之后,还包括:
对所述多组采样数据采用复化梯形优化算法进行优化,减少时域波形采样误差。
3.根据权利要求1所述的基于主成分分析和模糊分类的验电评估方法,其特征在于,所述频域数据选择前10组频率。
4.根据权利要求3所述的基于主成分分析和模糊分类的验电评估方法,其特征在于,在将所述时域数据按频域展开得到频域数据之后,还包括:
对所述频域数据进行标准化处理。
5.根据权利要求1所述的基于主成分分析和模糊分类的验电评估方法,其特征在于,所述预设累加贡献率大于等于85%。
6.根据权利要求1所述的基于主成分分析和模糊分类的验电评估方法,其特征在于,采用模糊分类算法结合所述频域主成分,根据最大隶属原则和赋值计算得出带电阈值并计算验电评价结果,包括:
构建所述频域主成分的权重系数矩阵和评价矩阵;并结合所述权重系数矩阵和所述评价矩阵,构建模糊评判集;
根据所述模糊评判集并结合最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
7.一种基于主成分分析和模糊分类的验电评估装置,其特征在于,包括:
采样模块,用于获取多组采样数据,所述采样数据为时域数据;
时域-频域转换模块,用于采用离散傅里叶算法,将所述时域数据按频域展开得到频域数据;
主成分分析模块,用于采用主成分分析法结合所述频域数据,分析出对时域成分累加贡献率超过预设累加贡献率的频域主成分;
模糊分类模块,用于采用模糊分类算法结合所述频域主成分,根据最大隶属原则和赋值计算得出带电阈值;
综合评价模块,用于计算验电评价结果。
8.根据权利要求7所述的基于主成分分析和模糊分类的验电评估装置,其特征在于,还包括:
数据优化模块,用于对所述多组采样数据采用复化梯形优化算法进行优化,减少时域波形采样误差。
9.根据权利要求7所述的基于主成分分析和模糊分类的验电评估装置,其特征在于,还包括:
标准化模块,用于对所述频域数据进行标准化处理。
10.根据权利要求7所述的基于主成分分析和模糊分类的验电评估装置,其特征在于,所述模糊分类模块包括:
模糊评判集获取模块,用于构建所述频域主成分的权重系数矩阵和评价矩阵;结合所述权重系数矩阵和所述评价矩阵,构建模糊评判集;
验电评价结果计算模块,用于根据所述模糊评判集并结合最大隶属原则和赋值计算得出带电阈值并计算验电评价结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454376.5A CN111652421A (zh) | 2020-05-26 | 2020-05-26 | 基于主成分分析和模糊分类的验电评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010454376.5A CN111652421A (zh) | 2020-05-26 | 2020-05-26 | 基于主成分分析和模糊分类的验电评估方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111652421A true CN111652421A (zh) | 2020-09-11 |
Family
ID=72348604
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010454376.5A Pending CN111652421A (zh) | 2020-05-26 | 2020-05-26 | 基于主成分分析和模糊分类的验电评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111652421A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246569A (zh) * | 2008-02-28 | 2008-08-20 | 江苏省电力试验研究院有限公司 | 基于层次分析法和模糊算法的电网电能质量综合评价方法 |
JP2013160533A (ja) * | 2012-02-01 | 2013-08-19 | East Japan Railway Co | 検電器及び検電方法 |
CN105719048A (zh) * | 2016-01-05 | 2016-06-29 | 国网上海市电力公司 | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 |
CN106526288A (zh) * | 2016-12-26 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种输电线路电压电流监测系统及方法 |
CN107220907A (zh) * | 2017-06-10 | 2017-09-29 | 福州大学 | 一种采用秩和比综合评价的谐波污染用户分级方法 |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
WO2019219528A1 (en) * | 2018-05-18 | 2019-11-21 | Enics Ag | Method and system for fault detection |
-
2020
- 2020-05-26 CN CN202010454376.5A patent/CN111652421A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246569A (zh) * | 2008-02-28 | 2008-08-20 | 江苏省电力试验研究院有限公司 | 基于层次分析法和模糊算法的电网电能质量综合评价方法 |
JP2013160533A (ja) * | 2012-02-01 | 2013-08-19 | East Japan Railway Co | 検電器及び検電方法 |
CN105719048A (zh) * | 2016-01-05 | 2016-06-29 | 国网上海市电力公司 | 一种基于主成分分析法及熵权法的中压配电网运行状态模糊综合评价方法 |
CN106526288A (zh) * | 2016-12-26 | 2017-03-22 | 云南电网有限责任公司电力科学研究院 | 一种输电线路电压电流监测系统及方法 |
CN107220907A (zh) * | 2017-06-10 | 2017-09-29 | 福州大学 | 一种采用秩和比综合评价的谐波污染用户分级方法 |
WO2019219528A1 (en) * | 2018-05-18 | 2019-11-21 | Enics Ag | Method and system for fault detection |
CN109271975A (zh) * | 2018-11-19 | 2019-01-25 | 燕山大学 | 一种基于大数据多特征提取协同分类的电能质量扰动识别方法 |
CN110046562A (zh) * | 2019-04-01 | 2019-07-23 | 湖南大学 | 一种风电系统健康监测方法及装置 |
Non-Patent Citations (1)
Title |
---|
李虹宇 邢宏霖: "基于主成分分析的浏阳河水质模糊综合评价", 湖南农业科学, vol. 8, pages 56 - 60 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105241660B (zh) | 基于健康监测数据的高铁大型桥梁性能测试方法 | |
CN112201260B (zh) | 一种基于声纹识别的变压器运行状态在线检测方法 | |
CN103645425B (zh) | 一种高压电缆绝缘缺陷局部放电在线监测诊断方法 | |
CN103576059B (zh) | 一种变压器匝间放电综合故障诊断方法及系统 | |
CN104156568A (zh) | 一种基于加权灰色关联和模糊聚类的变压器故障诊断方法 | |
CN103439631B (zh) | 接地网腐蚀状态检测方法及系统 | |
CN109029959B (zh) | 一种变压器绕组的机械状态检测方法 | |
CN112147444B (zh) | 一种电力变压器工作状态监测方法及系统 | |
CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
CN112183400B (zh) | 一种新型的配电变压器潜伏性故障特征提取方法及系统 | |
CN115542099B (zh) | 一种在线gis局部放电检测方法和装置 | |
CN105911499A (zh) | 现场环境下超声波局部放电计量系统及方法 | |
CN101576593A (zh) | 阵列式劣质绝缘子局域电场检测装置及逆向诊断方法 | |
CN109034277A (zh) | 基于多特征融合的电能质量扰动分类方法及系统 | |
CN117150216B (zh) | 一种电力数据回归分析方法及系统 | |
CN115128345A (zh) | 一种基于谐波监测的电网安全预警方法及系统 | |
CN114755543A (zh) | 一种电力设备局部放电检测方法及设备 | |
Streubel et al. | Detection and monitoring of supraharmonic anomalies of an electric vehicle charging station | |
CN113671363A (zh) | 一种高压断路器状态辨识系统及方法 | |
CN113362856A (zh) | 一种应用于电力物联网的声音故障检测方法以及装置 | |
Abidullah et al. | Real-time power quality disturbances detection and classification system | |
CN111652421A (zh) | 基于主成分分析和模糊分类的验电评估方法和装置 | |
CN110132566A (zh) | 一种基于模糊聚类的oltc故障诊断方法 | |
CN115758112A (zh) | 一种电力暂态扰动在线辨识方法 | |
CN109917245B (zh) | 考虑相位差的超声检测局部放电信号模式识别方法 |
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 |