CN111722174A - 一种应用量子粒子群算法实现电能表异常诊断系统及方法 - Google Patents

一种应用量子粒子群算法实现电能表异常诊断系统及方法 Download PDF

Info

Publication number
CN111722174A
CN111722174A CN202010481493.0A CN202010481493A CN111722174A CN 111722174 A CN111722174 A CN 111722174A CN 202010481493 A CN202010481493 A CN 202010481493A CN 111722174 A CN111722174 A CN 111722174A
Authority
CN
China
Prior art keywords
electric energy
data
layer
energy meter
module
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
Application number
CN202010481493.0A
Other languages
English (en)
Inventor
曹献炜
李建炜
王娜
谭忠
林福平
王再望
党政军
杨杰
屈子旭
李全堂
刘贵平
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ningxia LGG Instrument Co Ltd
Original Assignee
Ningxia LGG Instrument Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ningxia LGG Instrument Co Ltd filed Critical Ningxia LGG Instrument Co Ltd
Priority to CN202010481493.0A priority Critical patent/CN111722174A/zh
Publication of CN111722174A publication Critical patent/CN111722174A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield 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
    • G06N3/04—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
    • 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)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种应用量子粒子群算法实现电能表异常诊断系统及方法，涉及电能计量技术领域，本发明构建出物联网的架构体系，实现电能表异常数据的远程监控，通过利用小波变化方法实现电能表数据信息的变化、延展，通过利用小波变换，能够抑制噪声的干扰，提高特征提取的精度，准确度高，性能更加稳定；通过利用改进型量子粒子群算法，能够有效地对粒子群进行筛选，加快粒子群的收敛速度，防止同时陷入局部极值，在收敛速度及寻找全局最优方面，表现出较好的效果，通过利用BP神经网络算法模型，能够实现异常数据的快速诊断，将大量的电能表数据信息在几秒时间内快速进行计算，实现数据的分析和判断。

Description

一种应用量子粒子群算法实现电能表异常诊断系统及方法
技术领域
本发明涉及电能计量检测技术领域，且更具体地涉及一种应用量子粒子群算法实现电能表异常诊断系统及方法。
背景技术
电能表是供电企业与用电客户进行电量结算的重要计量器具，对电能表计量的准确性直接关系到供电企业和用电客户的经济效益。在对电能表进行检定时，通常采用电能表检定装置或者电能表检定流水线，电能表检定流水线以一种全自动流水线的检定方式实现从电能表库出口开始，自动取表、自动传输、自动打螺丝开表盖、按编程开关并插卡、送入各检测工位并定位、自动接线、外观检查、耐压试验、功能和误差检定、自动拆线、传输、贴标、打螺丝、封表、装箱、然后由接驳传输系统送回到电能表库接口的等一系列功能，全过程无人工操作，按时序自动完成，在这些流程中，会产生多种类型的数据。在常规技术中，当多种检测数据输出时，对于用户来说，多种数据信息很难寻找到最佳目标信息，在同类数据之间以及非同类数据之间难以找到最佳数据信息，常规技术往往通过计算机搜索的方法，常规检索技术不仅效率低下，还容易出错，很难实现数据的查询和应用。随着电能表检定技术的不断发展，这种需求越来越旺盛，因此，开发并研究智能化电能表检定系统势在必行。
发明内容
针对现有技术的不足，本发明公开了一种应用量子粒子群算法实现电能表异常诊断系统及方法，本发明通过改进型量子粒子群算法实现了电能表数据的采集、诊断和输出，有利于用户快速从大量的电能表数据信息中输出目标数据，实现数据的查询、检索和应用。
本发明采用以下技术方案：
一种应用量子粒子群算法实现电能表异常诊断的系统，其中所述系统包括：
检测层，其内设置有获取电能信息的检定装置和感测电能表各种数据信息的传感器，所述传感器感知并传递电能表的各种数据信息；其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器或能耗传感器，所述检定装置为便携式电能表检定装置或大型检定流水线设备；
通信层，其内设置有有线通信模块或无线通信模块，用于接收并传递所述检测层感知到的电能表的数据信息；其中所述有线通信模块至少包括RS485通信模块或 RS232通信模块，所述无线通信模块至少包括TCP/IP网络系统、ZigBee无线网络、 GPRS通信模块、CDMA无线通信、云通信模块或蓝牙通信模块；所述通信单元还包含物理层、数据链路层、网络层、传输层、会话层、表示层和应用层；其中所述TCP/IP网络系统至少包含有网卡、网线、集线器、中继器或调制解调器，所述数据链路层至少包括网桥或交换机；所述网络层至少包括路由器；所述通信层中还包含多种通信协议，所述通信协议至少包含有TCP/IP、UDP、IPSec、MODBUS、MODBUS/TCP、OPC、专有协议、PROFIBUS-DP、MPI、PPI、S7、FX系列编程口和串口协议、Q系列串口4C协议和以太网3E协议、CC-LINK、A系列或欧姆龙HostLink协议，以实现不同电能表接口或通信设备的通信需求；
数据分析层，其内设置有计算机管理系统或云端服务器，用于接收并处理所述检测层传递的电能表数据信息；其中所述计算机管理系统或云端服务器设置有大数据管理平台，所述大数据管理平台设置有基础设施层、信息存储层、信息计算层和信息交互层，其中所述基础设施层内设置有权限管理模块、资源管理模块、服务管理模块、资源寻址模块、数据接口模块、信息接收模块、信息选择模块、信息集成模块或信息融合模块；所述信息存储层内设置有分布式架构管理模块，所述分布式架构管理模块内至少设置有异常处理模块、数据交换模块、日志处理模块、数据浏览模块、内容检索模块和权限认证模块；所述信息计算层设置有数据分析与挖掘工具库，所述数据分析与挖掘工具库至少设置有文本挖掘模块、统计分析模块、数据计算模块、算法模型模块、算法模型模块、文本索引模块、语义索引模块和辅助索引模块；所述信息交互层设置有应用程序模块，所述应用程序模块至少设置有网络设置模块、服务器与平台、存储系统、业务与应用模块、信息系统接口、安全设备、虚拟环境模块和机房环境信息模块；其中所述数据分析与挖掘工具库中设置有改进型蚁群算法模块，所述改进型蚁群算法模集成设置有分类模型；
数据应用层，其内设置有数据应用组件，所述数据应用组件设置有数据显示单元、数据库、监控单元、远程信息通信模块、便携式移动装置或智能设备；其中:
所述检测层的输出端与所述通信层的输入端连接，所述通信层的输出端与所述数据分析层的输入端连接，所述数据分析层的输出端与所述数据分析层的输入端连接，所述数据分析层的输出端与所述数据应用层的输入端连接。
一种应用量子粒子群算法实现电能表异常诊断的方法，其中所述方法包括以下步骤：
(1)数据采集：通过检测层获取电能表测量的异常数据信息，其中所述异常数据信息包括电能表参数信息或者电能表测量信息，所述电能表参数信息包含电能表输出电流、电压、功率、功率因数、纹波或相序，所述电能表测量信息包含电能表在正常情况下或者异常情况下输出的电压、电流、谐波、振动、磁场、电磁干扰、温度、湿度、电压不平衡、电流不平衡、闪变、功率、功率因数、电网杂波干扰或负载功率数值；
(2)数据传递：通过通信层传递从检测层检测到的数据信息；
(3)数据处理与分析：利用改进型量子粒子群算法对不同的电能表异常数据进行分析，以最快的速度从大量的测量数据信息中获取电能表异常数据信息；
(4)数据应用，通过数据应用层接收数据分析层输出的数据信息，及时对电能表运行状态进行分析、判断，以及时掌控电能表的计量状态。
进一步地，所述改进型量子粒子群算法的步骤为：
(1)抽取电能表各种数据信息，将各种数据信息转换为粒子元素，以样本矩阵M来表示，则有：
Figure RE-GDA0002604596550000021
（1）
其中xmn为抽样的各种数据信息，抽样的各种数据信息用任意向量表示为：
Figure RE-GDA0002604596550000032
其中i＝1,2,...m,j＝1,2,...,n；其中向量中的i表示为抽样次数，j表示为在i次抽样中的数据，抽样的数据类型为k；
(2)采用小波变换方法对样本矩阵M的数据信息进行变换，再对小波变换后的电能表数据信息粒子元素进行适应度评价，再将量子染色体映射到对应解空间，然后通过适应度评价公式对粒子元素信息进行第一次适应度评价，求出粒子最优值；其中适应度评价函数通过 C语言编程实现不同的评价功能；
(3)对粒子的速度和位置进行更新；按照公式(2)计算粒子间的平均最佳位置，则有：
Figure RE-GDA0002604596550000033
其中
Figure RE-GDA0002604596550000034
为粒子c在数据d的个体最优位置的总和；
(4)将更新后的粒子速度和位置信息进行存储，然后将更新后的量子染色体再次映射到对应解空间，计算目标函数，目标函数在进行迭代计算过程中，将T次迭代时的适应值与T- 1次迭代的适应值进行比较，当T次迭代的适应值大于T-1次迭代的适应值时，则再次更新粒子个体的最优位置，如果T次迭代时的适应值小于等于T-1次迭代时的适应值时，则不再更新粒子最优位置；然后持续计算个体极值和群体极值，以确定群体最优解，并将所有最优解进行存储，然后判断是否满足约束条件，如果是，则本步骤结束，如果不是，转到步骤(5)；
(5)用动态量子旋转门对染色体进行更新；
(6)自适应变异，变异概率设置为0.055；
(7)进行迭代计算，迭代次数为T＝t+1；当迭代次数小于设定值时，则返回到步骤(3)，继续对粒子的速度和位置进行更新，当迭代次数大于设定值时，则将结果输入到 BP神经网络模型，通过BP神经网络模型进行故障诊断，最后输出故障数据。
进一步地，所述改进型量子粒子群算法采用量子位的概率幅对粒子的当前位置进行编码，编码公式为：
Figure RE-GDA0002604596550000035
其中θij＝2π×rnd，rnd为[0,1]之前的随机数，其中i＝1,2,...m，j＝1,2,...D；m表示种群规模，D表示空间维数。
进一步地，所述改进型量子粒子群算法的解空间的变换方法为：
设粒子i上的第j个量子位为[μij,vij]T；则解空间的变换算式描述为：
Figure RE-GDA0002604596550000041
Figure RE-GDA0002604596550000042
其中
Figure RE-GDA0002604596550000043
对应于量子态的概率幅，ai、bi为i个粒子搜索范围的上下限。
进一步地，所述改进型量子粒子群算法的粒子位置的移动通过量子旋转门实现，并且粒子更新公式：
Δθij(k+1)＝ωΔθij(k)+c1r1(Δθ1)+c2r2(Δθg) (6)ω为惯性权重，c1、c2为学习因子，r1、r2为随机值，Δθij为粒子i在第j维的相位变化量，Δθ1为个体历史最优相位变化量Δ，θg为全局最优相位变化量。
进一步地，其中Δθ1和Δθg的计算公式为：
Figure RE-GDA0002604596550000085
其中：
Figure RE-GDA0002604596550000045
进一步地，粒子种群规模为90，电能表数据信息纬度大于5，最大迭代次数T为2500。
进一步地，所述小波变换方法为：
小波变换函数模型定义为：
Figure RE-GDA0002604596550000046
式(1)表示在时域、频域范围内具有局部化特性的伸缩小波函数，对式(9)进行卷积分计算，得出：
Wx(a,t)＝{x,ψa(t)}＝Wxa(t)＝ψa(t)×x(t) (10)
在式(10)中，a表示将特定基函数压缩或伸展的尺度，在计算时，通过设置a的大小来控制平滑量或分辨率，a的值介于0.8-4.7之间；t表示a沿着x轴进行的平移位移量，在计算时，参数t表示导数运算时的空间位置；然后对输入的数据进行小波变换，首选计算小波基，设小波基ψt为平滑函数θ(t)的一阶导数：则有：
Figure RE-GDA0002604596550000047
其中
Figure RE-GDA0002604596550000048
则有
Figure RE-GDA0002604596550000049
然后将抽样的电能表数据的相关参数x(t)关于ψt进行小波变换为：
Figure RE-GDA0002604596550000051
最终输出小波变换的值。
进一步地，所述BP神经网络模型包括输入层、隐藏层和输出层，所述BP神经网络模型的拓扑结构为7-10-4。
积极有益效果：
本发明构建出物联网的架构体系，实现电能表异常数据的远程监控，并且本发明利用大数据处理平台实现数据收集、分析和应用；
本发明通过利用小波变化方法实现电能表数据信息的变化、延展，通过利用小波变换，能够抑制噪声的干扰，提高特征提取的精度，准确度高，性能更加稳定；
本发明通过利用改进型量子粒子群算法，能够有效地对粒子群进行筛选，加快粒子群的收敛速度，防止同时陷入局部极值，在收敛速度及寻找全局最优方面，表现出较好的效果，能够使用户快速从大量的数据信息中获取有效地的数据信息；
本发明通过利用BP神经网络算法模型，能够实现异常数据的快速诊断，将大量的电能表数据信息在几秒时间内快速进行计算，实现数据的分析和判断。
附图说明
图1为本发明一种应用量子粒子群算法实现电能表异常诊断系统的架构示意图；
图2为本发明一种应用量子粒子群算法实现电能表异常诊断系统中大数据管理平台架构示意图；
图3为本发明一种应用量子粒子群算法实现电能表异常诊断方法的流程示意图；
图4为本发明一种应用量子粒子群算法实现电能表异常诊断方法中改进型子粒子群算法的流程示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例1系统
如图1和图2所示，一种应用量子粒子群算法实现电能表异常诊断的系统，其中所述系统包括：
检测层，其内设置有获取电能信息的检定装置和感测电能表各种数据信息的传感器，所述传感器感知并传递电能表的各种数据信息；其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器或能耗传感器，所述检定装置为便携式电能表检定装置或大型检定流水线设备；
通信层，其内设置有有线通信模块或无线通信模块，用于接收并传递所述检测层感知到的电能表的数据信息；其中所述有线通信模块至少包括RS485通信模块或RS232通信模块，所述无线通信模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通信模块、 CDMA无线通信、云通信模块或蓝牙通信模块；所述通信单元还包含物理层、数据链路层、网络层、传输层、会话层、表示层和应用层；其中所述TCP/IP网络系统至少包含有网卡、网线、集线器、中继器或调制解调器，所述数据链路层至少包括网桥或交换机；所述网络层至少包括路由器；所述通信层中还包含多种通信协议，所述通信协议至少包含有 TCP/IP、UDP、IPSec、MODBUS、MODBUS/TCP、OPC、专有协议、PROFIBUS-DP、MPI、PPI、 S7、FX系列编程口和串口协议、Q系列串口4C协议和以太网3E协议、CC-LINK、A系列或欧姆龙HostLink协议，以实现不同电能表接口或通信设备的通信需求；
数据分析层，其内设置有计算机管理系统或云端服务器，用于接收并处理所述检测层传递的电能表数据信息；其中所述计算机管理系统或云端服务器设置有大数据管理平台，所述大数据管理平台设置有基础设施层、信息存储层、信息计算层和信息交互层，其中所述基础设施层内设置有权限管理模块、资源管理模块、服务管理模块、资源寻址模块、数据接口模块、信息接收模块、信息选择模块、信息集成模块或信息融合模块；所述信息存储层内设置有分布式架构管理模块，所述分布式架构管理模块内至少设置有异常处理模块、数据交换模块、日志处理模块、数据浏览模块、内容检索模块和权限认证模块；所述信息计算层设置有数据分析与挖掘工具库，所述数据分析与挖掘工具库至少设置有文本挖掘模块、统计分析模块、数据计算模块、算法模型模块、算法模型模块、文本索引模块、语义索引模块和辅助索引模块；所述信息交互层设置有应用程序模块，所述应用程序模块至少设置有网络设置模块、服务器与平台、存储系统、业务与应用模块、信息系统接口、安全设备、虚拟环境模块和机房环境信息模块；其中所述数据分析与挖掘工具库中设置有改进型蚁群算法模块，所述改进型蚁群算法模集成设置有分类模型；
数据应用层，其内设置有数据应用组件，所述数据应用组件设置有数据显示单元、数据库、监控单元、远程信息通信模块、便携式移动装置或智能设备；其中:
所述检测层的输出端与所述通信层的输入端连接，所述通信层的输出端与所述数据分析层的输入端连接，所述数据分析层的输出端与所述数据分析层的输入端连接，所述数据分析层的输出端与所述数据应用层的输入端连接。
实施例2方法
如图3和图4所示，一种应用量子粒子群算法实现电能表异常诊断的方法，其中所述方法包括以下步骤：
(1)数据采集：通过检测层获取电能表测量的异常数据信息，其中所述异常数据信息包括电能表参数信息或者电能表测量信息，所述电能表参数信息包含电能表输出电流、电压、功率、功率因数、纹波或相序，所述电能表测量信息包含电能表在正常情况下或者异常情况下输出的电压、电流、谐波、振动、磁场、电磁干扰、温度、湿度、电压不平衡、电流不平衡、闪变、功率、功率因数、电网杂波干扰或负载功率数值；
(2)数据传递：通过通信层传递从检测层检测到的数据信息；
(3)数据处理与分析：利用改进型量子粒子群算法对不同的电能表异常数据进行分析，以最快的速度从大量的测量数据信息中获取电能表异常数据信息；
(4)数据应用，通过数据应用层接收数据分析层输出的数据信息，及时对电能表运行状态进行分析、判断，以及时掌控电能表的计量状态。
在步骤(3)中，所述改进型量子粒子群算法的步骤为：
(1)抽取电能表各种数据信息，将各种数据信息转换为粒子元素，以样本矩阵M来表示，
则有：
Figure RE-GDA0002604596550000071
其中xmn为抽样的各种数据信息，抽样的各种数据信息用任意向量表示为：
Figure RE-GDA0002604596550000072
其中i＝1,2,...m,j＝1,2,...,n；其中向量中的i表示为抽样次数，j表示为在i次抽样中的数据，抽样的数据类型为k；
(2)采用小波变换方法对样本矩阵M的数据信息进行变换，再对小波变换后的电能表数据信息粒子元素进行适应度评价，再将量子染色体映射到对应解空间，然后通过适应度评价公式对粒子元素信息进行第一次适应度评价，求出粒子最优值；其中适应度评价函数通过 C语言编程实现不同的评价功能；
(3)对粒子的速度和位置进行更新；按照公式(2)计算粒子间的平均最佳位置，则有：
Figure RE-GDA0002604596550000073
其中
Figure RE-GDA0002604596550000074
为粒子c在数据d的个体最优位置的总和；
(4)将更新后的粒子速度和位置信息进行存储，然后将更新后的量子染色体再次映射到对应解空间，计算目标函数，目标函数在进行迭代计算过程中，将T次迭代时的适应值与T- 1次迭代的适应值进行比较，当T次迭代的适应值大于T-1次迭代的适应值时，则再次更新粒子个体的最优位置，如果T次迭代时的适应值小于等于T-1次迭代时的适应值时，则不再更新粒子最优位置；然后持续计算个体极值和群体极值，以确定群体最优解，并将所有最优解进行存储，然后判断是否满足约束条件，如果是，则本步骤结束，如果不是，转到步骤(5)；
(5)用动态量子旋转门对染色体进行更新；
(6)自适应变异，变异概率设置为0.055；
(7)进行迭代计算，迭代次数为T＝t+1；当迭代次数小于设定值时，则返回到步骤(3)，继续对粒子的速度和位置进行更新，当迭代次数大于设定值时，则将结果输入到 BP神经网络模型，通过BP神经网络模型进行故障诊断，最后输出故障数据。
在上述实施例中，所述改进型量子粒子群算法采用量子位的概率幅对粒子的当前位置进行编码，编码公式为：
Figure RE-GDA0002604596550000081
其中θij＝2π×rnd，rnd为[0,1]之前的随机数，其中i＝1,2,...m，j＝1,2,...D；m表示种群规模，D表示空间维数。
在上述实施例中，所述改进型量子粒子群算法的解空间的变换方法为：
设粒子i上的第j个量子位为[μi,vij]T；则解空间的变换算式描述为：
Figure RE-GDA0002604596550000082
Figure RE-GDA0002604596550000083
其中
Figure RE-GDA0002604596550000084
对应于量子态的概率幅，ai、bi为i个粒子搜索范围的上下限。
在上述实施例中，所述改进型量子粒子群算法的粒子位置的移动通过量子旋转门实现，并且粒子更新公式：
Δθij(k+1)＝ωΔθij(k)+c1r1(Δθ1)+c2r2(Δθg) (6)ω为惯性权重，c1、c2为学习因子，r1、r2为随机值，Δθij为粒子i在第j维的相位变化量，Δθ1为个体历史最优相位变化量，Δθg为全局最优相位变化量。
在上述实施例中，其中Δθ1和Δθg的计算公式为：
Figure RE-GDA0002604596550000085
其中：
Figure RE-GDA0002604596550000086
在上述实施例中，粒子种群规模为90，电能表数据信息纬度大于5，最大迭代次数T为2500。
在上述实施例中，所述小波变换方法为：
小波变换函数模型定义为：
Figure RE-GDA0002604596550000087
式(1)表示在时域、频域范围内具有局部化特性的伸缩小波函数，对式(9)进行卷积分计算，得出：
Wx(a,t)＝{x,ψa(t)}＝Wxa(t)＝ψa(t)×x(t) (10)
在式(10)中，a表示将特定基函数压缩或伸展的尺度，在计算时，通过设置a的大小来控制平滑量或分辨率，a的值介于0.8-4.7之间；t表示a沿着x轴进行的平移位移量，在计算时，参数t表示导数运算时的空间位置；然后对输入的数据进行小波变换，首选计算小波基，设小波基ψt为平滑函数θ(t)的一阶导数：则有：
Figure RE-GDA0002604596550000091
其中
Figure RE-GDA0002604596550000092
则有
Figure RE-GDA0002604596550000093
然后将抽样的电能表数据的相关参数x(t)关于ψt进行小波变换为：
Figure RE-GDA0002604596550000094
最终输出小波变换的值。
在上述实施例中，所述BP神经网络模型包括输入层、隐藏层和输出层，所述BP神经网络模型的拓扑结构为7-10-4。
在上述实施例中，适应度评价函数通过C语言编程实现不同的评价功能，在一种实施例中，适应度函数如下：
function y＝Rastrigin(x)
％Rastrigin函数
％输入x,给出相应的y值,在x＝(0,0,…,0)处有全局极小点0.
％编制人：
％编制日期：
[row,col]＝size(x)；
if row>1
error('输入的参数错误')；
end
y＝sum(x.^2-10*cos(2*pi*x)+10)；
y＝-y。
虽然以上描述了本发明的具体实施方式，但是本领域的技术人员应当理解，这些具体实施方式仅是举例说明，本领域的技术人员在不脱离本发明的原理和实质的情况下，可以对上述方法和系统的细节进行各种省略、替换和改变。例如，合并上述方法步骤，从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此，本发明的范围仅由所附权利要求书限定。

Claims (10)

1.一种应用量子粒子群算法实现电能表异常诊断的系统，其特征在于：所述系统包括：
检测层，其内设置有获取电能信息的检定装置和感测电能表各种数据信息的传感器，所述传感器感知并传递电能表的各种数据信息；其中所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器或能耗传感器，所述检定装置为便携式电能表检定装置或大型检定流水线设备；
通信层，其内设置有有线通信模块或无线通信模块，用于接收并传递所述检测层感知到的电能表的数据信息；其中所述有线通信模块至少包括RS485通信模块或RS232通信模块，所述无线通信模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通信模块、CDMA无线通信、云通信模块或蓝牙通信模块；所述通信单元还包含物理层、数据链路层、网络层、传输层、会话层、表示层和应用层；其中所述TCP/IP网络系统至少包含有网卡、网线、集线器、中继器或调制解调器，所述数据链路层至少包括网桥或交换机；所述网络层至少包括路由器；所述通信层中还包含多种通信协议，所述通信协议至少包含有TCP/IP、UDP、IPSec、MODBUS、MODBUS/TCP、OPC、专有协议、PROFIBUS-DP、MPI、PPI、S7、FX系列编程口和串口协议、Q系列串口4C协议和以太网3E协议、CC-LINK、A系列或欧姆龙HostLink协议，以实现不同电能表接口或通信设备的通信需求；
数据分析层，其内设置有计算机管理系统或云端服务器，用于接收并处理所述检测层传递的电能表数据信息；其中所述计算机管理系统或云端服务器设置有大数据管理平台，所述大数据管理平台设置有基础设施层、信息存储层、信息计算层和信息交互层，其中所述基础设施层内设置有权限管理模块、资源管理模块、服务管理模块、资源寻址模块、数据接口模块、信息接收模块、信息选择模块、信息集成模块或信息融合模块；所述信息存储层内设置有分布式架构管理模块，所述分布式架构管理模块内至少设置有异常处理模块、数据交换模块、日志处理模块、数据浏览模块、内容检索模块和权限认证模块；所述信息计算层设置有数据分析与挖掘工具库，所述数据分析与挖掘工具库至少设置有文本挖掘模块、统计分析模块、数据计算模块、算法模型模块、算法模型模块、文本索引模块、语义索引模块和辅助索引模块；所述信息交互层设置有应用程序模块，所述应用程序模块至少设置有网络设置模块、服务器与平台、存储系统、业务与应用模块、信息系统接口、安全设备、虚拟环境模块和机房环境信息模块；其中所述数据分析与挖掘工具库中设置有改进型蚁群算法模块，所述改进型蚁群算法模集成设置有分类模型；
数据应用层，其内设置有数据应用组件，所述数据应用组件设置有数据显示单元、数据库、监控单元、远程信息通信模块、便携式移动装置或智能设备；其中:
所述检测层的输出端与所述通信层的输入端连接，所述通信层的输出端与所述数据分析层的输入端连接，所述数据分析层的输出端与所述数据分析层的输入端连接，所述数据分析层的输出端与所述数据应用层的输入端连接。
2.一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：所述方法包括以下步骤：
(1)数据采集：通过检测层获取电能表测量的异常数据信息，其中所述异常数据信息包括电能表参数信息或者电能表测量信息，所述电能表参数信息包含电能表输出电流、电压、功率、功率因数、纹波或相序，所述电能表测量信息包含电能表在正常情况下或者异常情况下输出的电压、电流、谐波、振动、磁场、电磁干扰、温度、湿度、电压不平衡、电流不平衡、闪变、功率、功率因数、电网杂波干扰或负载功率数值；
(2)数据传递：通过通信层传递从检测层检测到的数据信息；
(3)数据处理与分析：利用改进型量子粒子群算法对不同的电能表异常数据进行分析，以最快的速度从大量的测量数据信息中获取电能表异常数据信息；
(4)数据应用，通过数据应用层接收数据分析层输出的数据信息，及时对电能表运行状态进行分析、判断，以及时掌控电能表的计量状态。
3.根据权利要求2所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：所述改进型量子粒子群算法的步骤为：
(1)抽取电能表各种数据信息，将各种数据信息转换为粒子元素，以样本矩阵M来表示，则有：
Figure RE-FDA0002604596540000021
其中xmn为抽样的各种数据信息，抽样的各种数据信息用任意向量表示为：
Figure RE-FDA0002604596540000022
其中i＝1,2,...m,j＝1,2,...,n；其中向量中的i表示为抽样次数，j表示为在i次抽样中的数据，抽样的数据类型为k；
(2)采用小波变换方法对样本矩阵M的数据信息进行变换，再对小波变换后的电能表数据信息粒子元素进行适应度评价，再将量子染色体映射到对应解空间，然后通过适应度评价公式对粒子元素信息进行第一次适应度评价，求出粒子最优值；其中适应度评价函数通过C语言编程实现不同的评价功能；
(3)对粒子的速度和位置进行更新；按照公式(2)计算粒子间的平均最佳位置，则有：
Figure RE-FDA0002604596540000023
其中
Figure RE-FDA0002604596540000024
为粒子c在数据d的个体最优位置的总和；
(4)将更新后的粒子速度和位置信息进行存储，然后将更新后的量子染色体再次映射到对应解空间，计算目标函数，目标函数在进行迭代计算过程中，将T次迭代时的适应值与T-1次迭代的适应值进行比较，当T次迭代的适应值大于T-1次迭代的适应值时，则再次更新粒子个体的最优位置，如果T次迭代时的适应值小于等于T-1次迭代时的适应值时，则不再更新粒子最优位置；然后持续计算个体极值和群体极值，以确定群体最优解，并将所有最优解进行存储，然后判断是否满足约束条件，如果是，则本步骤结束，如果不是，转到步骤(5)；
(5)用动态量子旋转门对染色体进行更新；
(6)自适应变异，变异概率设置为0.055；
(7)进行迭代计算，迭代次数为T＝t+1；当迭代次数小于设定值时，则返回到步骤(3)，继续对粒子的速度和位置进行更新，当迭代次数大于设定值时，则将结果输入到BP神经网络模型，通过BP神经网络模型进行故障诊断，最后输出故障数据。
4.根据权利要求3所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：所述改进型量子粒子群算法采用量子位的概率幅对粒子的当前位置进行编码，编码公式为：
Figure RE-FDA0002604596540000031
其中θij＝2π×rnd，rnd为[0,1]之前的随机数，其中i＝1,2,...m，j＝1,2,...D；m表示种群规模，D表示空间维数。
5.根据权利要求3所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：所述改进型量子粒子群算法的解空间的变换方法为：
设粒子i上的第j个量子位为[μij，vij]T；则解空间的变换算式描述为：
Figure RE-FDA0002604596540000032
Figure RE-FDA0002604596540000033
其中
Figure RE-FDA0002604596540000034
对应于量子态的概率幅，ai、bi为i个粒子搜索范围的上下限。
6.根据权利要求3所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：所述改进型量子粒子群算法的粒子位置的移动通过量子旋转门实现，并且粒子更新公式：Δθij(k+1)＝ωΔθij(k)+c1r1(Δθ1)+c2r2(Δθg) (6)
ω为惯性权重，c1、c2为学习因子，r1、r2为随机值，Δθij为粒子i在第j维的相位变化量，Δθ1为个体历史最优相位变化量，Δθg为全局最优相位变化量。
7.根据权利要求6所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：其中Δθ1和Δθg的计算公式为：
Figure RE-FDA0002604596540000035
其中：
Figure RE-FDA0002604596540000041
8.根据权利要求3所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：粒子种群规模为90，电能表数据信息纬度大于5，最大迭代次数T为2500。
9.根据权利要求3所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：所述小波变换方法为：
小波变换函数模型定义为：
Figure RE-FDA0002604596540000042
式(1)表示在时域、频域范围内具有局部化特性的伸缩小波函数，对式(9)进行卷积分计算，得出：
Wx(a,t)＝{x,ψa(t)}＝Wxa(t)＝ψa(t)×x(t) (10)
在式(10)中，a表示将特定基函数压缩或伸展的尺度，在计算时，通过设置a的大小来控制平滑量或分辨率，a的值介于0.8-4.7之间；t表示a沿着x轴进行的平移位移量，在计算时，参数t表示导数运算时的空间位置；然后对输入的数据进行小波变换，首选计算小波基，设小波基ψt为平滑函数θ(t)的一阶导数：则有：
Figure RE-FDA0002604596540000043
其中
Figure RE-FDA0002604596540000044
则有
Figure RE-FDA0002604596540000045
然后将抽样的电能表数据的相关参数x(t)关于ψt进行小波变换为：
Figure RE-FDA0002604596540000046
最终输出小波变换的值。
10.根据权利要求3所述的一种应用量子粒子群算法实现电能表异常诊断的方法，其特征在于：所述BP神经网络模型包括输入层、隐藏层和输出层，所述BP神经网络模型的拓扑结构为7-10-4。
CN202010481493.0A 2020-05-31 2020-05-31 一种应用量子粒子群算法实现电能表异常诊断系统及方法 Pending CN111722174A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010481493.0A CN111722174A (zh) 2020-05-31 2020-05-31 一种应用量子粒子群算法实现电能表异常诊断系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010481493.0A CN111722174A (zh) 2020-05-31 2020-05-31 一种应用量子粒子群算法实现电能表异常诊断系统及方法

Publications (1)

Publication Number Publication Date
CN111722174A true CN111722174A (zh) 2020-09-29

Family

ID=72565428

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010481493.0A Pending CN111722174A (zh) 2020-05-31 2020-05-31 一种应用量子粒子群算法实现电能表异常诊断系统及方法

Country Status (1)

Country Link
CN (1) CN111722174A (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112683754A (zh) * 2020-12-22 2021-04-20 北京航空航天大学 一种用于离散相非导电颗粒的非接触电磁检测方法
CN112710401A (zh) * 2021-03-29 2021-04-27 国网江西省电力有限公司供电服务管理中心 一种电能表端子温度检测方法
CN112798901A (zh) * 2020-12-29 2021-05-14 成都沃特塞恩电子技术有限公司 一种设备校准系统及方法
CN114170039A (zh) * 2021-11-11 2022-03-11 安徽明生恒卓科技有限公司 一种适应于电力行业的数据安全智能管控平台
CN114878900A (zh) * 2022-06-20 2022-08-09 宁夏隆基宁光仪表股份有限公司 adaline神经网络和FFT补偿的闪变值测量方法
CN116247824A (zh) * 2023-03-30 2023-06-09 国网河南省电力公司安阳供电公司 电力设备的控制方法及其系统
CN116738376A (zh) * 2023-07-06 2023-09-12 广东筠诚建筑科技有限公司 一种基于振动或磁场唤醒的信号采集识别方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6095325A (ja) * 1983-10-31 1985-05-28 Yokogawa Hokushin Electric Corp 流量演算積算計
CN103678766A (zh) * 2013-11-08 2014-03-26 国家电网公司 一种基于pso算法的异常用电客户检测方法
CN104268575A (zh) * 2014-09-29 2015-01-07 西南大学 基于混合特征矩阵的电子鼻信号处理方法
CN104820864A (zh) * 2015-03-31 2015-08-05 浙江工业大学 含分布式电源的智能配电网全景故障恢复博弈方法
CN105117602A (zh) * 2015-08-28 2015-12-02 国家电网公司 一种计量装置运行状态预警方法
CN107767185A (zh) * 2017-11-01 2018-03-06 张英杰 一种共享基站的电费精准分摊方法
WO2018041046A1 (zh) * 2016-08-27 2018-03-08 国网冀北电力有限公司电力科学研究院 负荷开关电磁机构输出特性计算方法及容差分配方法
CN108646734A (zh) * 2018-04-27 2018-10-12 天津大学 基于量子粒子群算法的非线性模型预测控制方法
CN109544029A (zh) * 2018-11-30 2019-03-29 国网河北省电力有限公司电力科学研究院 一种台区线损的分析方法、分析装置及终端
CN109975740A (zh) * 2019-05-13 2019-07-05 广东省计量科学研究院（华南国家计量测试中心） 一种电能表校验装置的检定监控系统
CN110610275A (zh) * 2019-09-18 2019-12-24 福州大学 一种基于acqpso-elm的变风量空调负荷预测方法及系统
CN110837851A (zh) * 2019-10-25 2020-02-25 西安交通大学 一种电静液作动器液压泵故障诊断方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS6095325A (ja) * 1983-10-31 1985-05-28 Yokogawa Hokushin Electric Corp 流量演算積算計
CN103678766A (zh) * 2013-11-08 2014-03-26 国家电网公司 一种基于pso算法的异常用电客户检测方法
CN104268575A (zh) * 2014-09-29 2015-01-07 西南大学 基于混合特征矩阵的电子鼻信号处理方法
CN104820864A (zh) * 2015-03-31 2015-08-05 浙江工业大学 含分布式电源的智能配电网全景故障恢复博弈方法
CN105117602A (zh) * 2015-08-28 2015-12-02 国家电网公司 一种计量装置运行状态预警方法
WO2018041046A1 (zh) * 2016-08-27 2018-03-08 国网冀北电力有限公司电力科学研究院 负荷开关电磁机构输出特性计算方法及容差分配方法
CN107767185A (zh) * 2017-11-01 2018-03-06 张英杰 一种共享基站的电费精准分摊方法
CN108646734A (zh) * 2018-04-27 2018-10-12 天津大学 基于量子粒子群算法的非线性模型预测控制方法
CN109544029A (zh) * 2018-11-30 2019-03-29 国网河北省电力有限公司电力科学研究院 一种台区线损的分析方法、分析装置及终端
CN109975740A (zh) * 2019-05-13 2019-07-05 广东省计量科学研究院（华南国家计量测试中心） 一种电能表校验装置的检定监控系统
CN110610275A (zh) * 2019-09-18 2019-12-24 福州大学 一种基于acqpso-elm的变风量空调负荷预测方法及系统
CN110837851A (zh) * 2019-10-25 2020-02-25 西安交通大学 一种电静液作动器液压泵故障诊断方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
OGUZ EMRAH TURGUT: "《Hybrid Chaotic Quantum behaved Particle Swarm Optimization algorithm for thermal design of plate fin heat exchangers》", 《APPLIED MATHEMATICAL MODELLING》 *
何晓云等: "《基于混沌量子粒子群BP算法的研究》", 《自动化仪表》 *
刘志刚等: "基于QPSO-ELM的过程神经网络及时间序列预测", 《控制工程》 *
王魁等: "《基于混沌量子粒子群算法的含风电场电力系统实时调度》", 《电力系统自动化》 *

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112683754A (zh) * 2020-12-22 2021-04-20 北京航空航天大学 一种用于离散相非导电颗粒的非接触电磁检测方法
CN112683754B (zh) * 2020-12-22 2021-08-24 北京航空航天大学 一种用于离散相非导电颗粒的非接触电磁检测方法
CN112798901A (zh) * 2020-12-29 2021-05-14 成都沃特塞恩电子技术有限公司 一种设备校准系统及方法
CN112798901B (zh) * 2020-12-29 2023-01-10 成都沃特塞恩电子技术有限公司 一种设备校准系统及方法
CN112710401A (zh) * 2021-03-29 2021-04-27 国网江西省电力有限公司供电服务管理中心 一种电能表端子温度检测方法
CN112710401B (zh) * 2021-03-29 2021-08-24 国网江西省电力有限公司供电服务管理中心 一种电能表端子温度检测方法
CN114170039A (zh) * 2021-11-11 2022-03-11 安徽明生恒卓科技有限公司 一种适应于电力行业的数据安全智能管控平台
CN114878900A (zh) * 2022-06-20 2022-08-09 宁夏隆基宁光仪表股份有限公司 adaline神经网络和FFT补偿的闪变值测量方法
CN116247824A (zh) * 2023-03-30 2023-06-09 国网河南省电力公司安阳供电公司 电力设备的控制方法及其系统
CN116247824B (zh) * 2023-03-30 2023-11-17 国网河南省电力公司安阳供电公司 电力设备的控制方法及其系统
CN116738376A (zh) * 2023-07-06 2023-09-12 广东筠诚建筑科技有限公司 一种基于振动或磁场唤醒的信号采集识别方法及系统
CN116738376B (zh) * 2023-07-06 2024-01-05 广东筠诚建筑科技有限公司 一种基于振动或磁场唤醒的信号采集识别方法及系统

Similar Documents

Publication Publication Date Title
CN111722174A (zh) 一种应用量子粒子群算法实现电能表异常诊断系统及方法
Turetskyy et al. Toward data‐driven applications in lithium‐ion battery cell manufacturing
CN110441065B (zh) 基于lstm的燃气轮机在线检测方法与装置
Zhang et al. Fault diagnosis strategy of CNC machine tools based on cascading failure
CN111929633A (zh) 一种基于融合蚁群算法的电能表检测系统及方法
CN109461025B (zh) 一种基于机器学习的电能替代潜在客户预测方法
CN111814956B (zh) 一种基于多维度二次特征提取的多任务学习的空气质量预测方法
CN106383916B (zh) 基于工业设备预测性维护的数据处理方法
CN110701796B (zh) 一种基于云预测算法的热水系统节能控制系统
CN116448419A (zh) 基于深度模型高维参数多目标高效寻优的零样本轴承故障诊断方法
Eickmeyer et al. Data Driven Modeling for System-Level Condition Monitoring on Wind Power Plants.
CN115826542A (zh) 基于工业互联网的生产智能调控系统及方法
CN110874685A (zh) 基于神经网络的智能电能表运行状态判别方法及系统
Wanner et al. Quality modelling in battery cell manufacturing using soft sensoring and sensor fusion-A review
CN108827671A (zh) 一种机械设备故障诊断方法
CN113486573A (zh) 电缆线芯温度预测方法
Tangrand Some new contributions to neural networks and wavelets with applications
Ba et al. Monitoring of iot systems at the edges with transformer-based graph convolutional neural networks
Ayadi et al. Deep Learning–Based Soft Sensors for Improving the Flexibility for Automation of Industry
Han et al. On fault prediction based on industrial big data
CN111539516A (zh) 基于大数据处理的电网故障诊断系统及方法
CN113987013A (zh) 一种基于时序数据平台发电车数据采集的管控系统及方法
Zhou et al. Robot remote monitoring and fault diagnosis based on industrial internet of things
Zheng et al. Combustion process modeling based on deep sparse least squares support vector regression
Munezero et al. Machine Learning and Internet of Things Based Real Time NPK Fertilizer Prediction for Cassava Crop in Rwanda

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20200929