CN113269041B - 一种应用于同期装置的信号异常检测方法 - Google Patents

一种应用于同期装置的信号异常检测方法 Download PDF

Info

Publication number
CN113269041B
CN113269041B CN202110449580.2A CN202110449580A CN113269041B CN 113269041 B CN113269041 B CN 113269041B CN 202110449580 A CN202110449580 A CN 202110449580A CN 113269041 B CN113269041 B CN 113269041B
Authority
CN
China
Prior art keywords
layer
synchronous
value
cases
detection model
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
Application number
CN202110449580.2A
Other languages
English (en)
Other versions
CN113269041A (zh
Inventor
赵涌
孙延岭
景波云
徐方明
程潇黠
刘强
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.)
Nanjing Nari Water Conservancy And Hydropower Technology Co ltd
Original Assignee
Nanjing Nari Water Conservancy And Hydropower Technology 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 Nanjing Nari Water Conservancy And Hydropower Technology Co ltd filed Critical Nanjing Nari Water Conservancy And Hydropower Technology Co ltd
Priority to CN202110449580.2A priority Critical patent/CN113269041B/zh
Publication of CN113269041A publication Critical patent/CN113269041A/zh
Priority to PCT/CN2021/123531 priority patent/WO2022227415A1/zh
Application granted granted Critical
Publication of CN113269041B publication Critical patent/CN113269041B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic 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
    • G06N3/048—Activation functions
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Signal Processing (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种应用于同期装置的信号异常检测方法，其特征在于，包括：获取每个场合同期装置测量的电压值，作为样本信号，扩展样本信号的数量，运行异常检测模型判断电压值是否异常，根据异常检测模型的结果判断是否投入同期功能。本发明方法通过收集同期装置运行现场电能信号样本并通过一定的方法扩展样本，使用这些样本训练异常检测模型，在具体的应用场景中使用该模型对测量的电能信号进行异常检测，并根据评估结果来确定同期装置是否投入同期功能。

Description

一种应用于同期装置的信号异常检测方法
技术领域
本发明涉及一种应用于同期装置的信号异常检测方法，属于检测同期装置技术领域。
背景技术
在正常情况下，同期装置采集的信号本为正弦信号。但随着大量大型电力电子设备与直流系统的应用，同期装置应用的场合电能质量严重下滑，大量各种类型的干扰存在导致信号波形极易发生畸变，使同期装置会误采误判，进而导致误输出。
由于干扰的复杂性导致装置采集的信号也存在很大的不同。事实上在存在电能质量问题的场合，装置采集的信号是各有各的不同，各有各的问题，因此很难用传统确定性的方式判断哪种信号是不可用的。当电能质量问题导致同期装置测量不准确时，同期装置有出现误输出的可能，目前没有关于在同期的应用场景中对信号异常检测的方法。
相对训练神经网络需要的样本来说，能搜集的同期装置应用场合中的样本比较有限。虽然采取了样本扩张的方法，但也带来了新问题就是按原有的人工智能神经网络方式进行训练容易造成过拟合。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种应用于同期装置的信号异常检测方法，选用人工智能神经网络的方式来识别异常状况。
为达到上述目的，本发明提供一种应用于同期装置的信号异常检测方法，包括：
获取每个场合同期装置测量的电压值，作为样本信号，扩展样本信号的数量，运行异常检测模型判断电压值是否异常，根据异常检测模型的结果判断是否投入同期功能。
优先地，每个场合同期装置测量得到的电压值记为一组，m个场合测量得到的电压值总计得到m组样本信号，每组样本信号存储于数组Un中，单次测量的电压值依次存储于数组Un中作为样本信号，n代表每组中样本信号的序号。
优先地，扩展样本信号的数量，包括：
每组中样本信号依次存入U1，U2，…，Un中，将上述m组样本信号按倒序生成m组倒序样本，m组倒序样本中的数组Un依次分别存储有Un，Un-1，…，U1；
m组样本信号和m组倒序样本共计2m组，将上述共计2m组中的电压值取反生成新的2m组取反样本，原来的电压值为U1，U2，…，Un，取反的电压值为-U1，-U2，…，-Un；
从上述2m组取反样本的每组中随机取一段长度为A的样本信号形成2m组的总样本。
优先地，异常检测模型通过训练4层神经网络得到，包括：
将2m组的总样本分为训练用例、评估用例与测试用例；训练用例为随机从总样本中选取，用于异常检测模型的训练用；评估用例为随机从总样本中选取，用于对异常检测模型的评估；测试用例为随机从总样本中选取，用于判定异常检测模型的准确度；4层神经网络中，第一层为输入层，共80个节点，用于接收总样本；第二层为处理层，共150个节点，用于生成150个节点之间的逻辑关系；第三层为处理层，共50个节点，用于生成50个节点之间的逻辑关系；第四层为输出层，共1个节点，用于输出判定结果，输出结果的数值区间为[0,1]，代表总样本的正常概率；
ua为第一层输入层节点，a取值为[1,80]；x1b为第二层处理层节点，b取值范围为[1,150]；x2c为第三层处理层节点，c取值范围为[1,50]；y为第四层输出层节点；b1、b2为偏置参数；
Wljk为4层神经网络中节点间的权重系数，l为1代表第一层与第二层的权重系数，l为2代表第二层与第三层的系数，l为3代表第三层与第四层的系数；j代表权重系数输入层节点编号，当l为1时j为第一层节点号；k代表权重系数输出层节点编号，当l为1时k为第二层节点号。
优先地，异常检测模型通过训练4层神经网络得到，包括：
步骤1)4层神经网络计算公式如下：
4层神经网络中，激活函数使用sigmod函数，输出层采用softmax方法获取总样本的正常概率；上述公式中uj为一组训练用例，y′为一组训练用例经过4层神经网络计算得到的判断训练用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率；当训练用例为多组时，将4层神经网络计算得到的结果记为y′i，其中i代表对应第i组训练用例；
，步骤2)每组训练用例通过4层神经网络运算得到y′i后，逐层计算权重系数需要修改的大小，增加扰动防止4层神经网络的过拟合，逐层计算权重系数，公式如下：
ΔWjk＝-η*(y′i-yi)*y′i*(1-y′i)*bl+δjk*cjk， 公式4
其中，bl为偏移值，l为层数，η为学习速率，δjk为随机数，取值区间为[-0.0005，0.0005]；j代表权重系数输入层节点编号，k代表权重系数输出层节点编号；cjk为设定的系数；
在一组训练用例训练完成后，重新给δjk与cjk赋值随机数，重复上述步骤1)和步骤2)，直到所有的训练用例训练完毕；
当所有训练用例训练完毕后，将评估用例代入4层神经网络，计算得到评估用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率P′i；
设yi为第i组评估用例对应的真实概率结果，若第i组评估用例中每个样本信号的同期功能正常且同期合闸精度满足设定的合闸阈值则表示该样本信号正常且结果为1，否则结果为0；每组评估用例中结果为1的样本信号的总数与每组评估用例中所有样本信号的总数的比值，为yi；将P′i与yi训练用例做差，若差值绝对值大于设定的精度阈值则表示评估用例未达标准，若差值绝对值小于设定的精度阈值则表示评估用例达到了标准，得到了异常检测模型，进入步骤3)；若有评估用例未达标准，则重新用训练用例计算ΔWjk值，直到训练用例达到标准；
步骤3)使用测试用例对异常检测模型进行计算得到测试用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率值，求测试用例对应的概率值的平均值，作为最终异常检测模型的标准阈值，后续获取的同期装置测量的电压值输入异常检测模型，异常检测模型输出的同期装置测量的电压值概率值与标准阈值作比较，从而判断是否投入同期功能。
优先地，运行异常检测模型判断电压值是否异常，根据异常检测模型的结果判断是否投入同期功能，包括：
取出最新获取的同期装置测量的共计80个电压值，80个电压值组成电压序列u，u为{u1，u2，…u80}，作为异常检测模型的输入值；
将电压序列输入到异常检测模型中，通过公式1、公式2、公式3和公式4获取电压序列的正常概率值，当正常概率值高于标准阈值时则认为电压序列正常，否则认为电压序列存在异常；当异常检测模型输出结果为电压序列正常时，投入同期功能；若结果为电压序列异常时，则不投入同期功能。
优先地，η＝0.11，cjk取值为0或1；cjk的具体取值是随机的，取0的概率为85％，取1的概率为15％。
优先地，场合包括普通水电站发电态，抽蓄电站SFC抽水态和风电发电态。
优先地，训练用例占总样本的60％，评估用例占总样本的20％，测试用例占总样本的20％。优先地，评估标准指y′i与yi的差值小于预期值，预期值为0.01或0.005；标准阈值为98％-99％。本发明所达到的有益效果：
本发明方法通过收集同期装置运行现场电能信号样本并通过一定的方法扩展样本，使用这些样本训练异常检测模型，在具体的应用场景中使用该模型对测量的电能信号进行异常检测，并根据评估结果来确定同期装置是否投入同期功能。根据测量的情况，判断电能质量，并对同期装置是否投入同期功能进行控制，从而避免同期装置在电能质量低下的情况下出现误输出的可能。
附图说明
图1是本发明的原理框图；
图2是本发明的异常检测模型的架构图。
具体实施方式
以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
相对训练神经网络需要的样本来说，能搜集的同期装置应用场合中的样本比较有限。虽然采取了样本扩张的方法，但也带来了新问题就是按原有的人工智能神经网络方式进行训练容易造成过拟合，所以我们在BP神经网络中增加扰动因子来降低神经网络的过拟合问题。一种应用于同期装置的信号异常检测方法，包括：
获取每个场合同期装置测量的电压值，作为样本信号，扩展样本信号的数量，运行异常检测模型判断电压值是否异常，根据异常检测模型的结果判断是否投入同期功能。
进一步地，本实施例中每个场合同期装置测量得到的电压值记为一组，m个场合测量得到的电压值总计得到m组样本信号，每组样本信号存储于数组Un中，单次测量的电压值依次存储于数组Un中作为样本信号，n代表每组中样本信号的序号，如某次测量的电压值存放后为U1，U2，……Un，每组数组Un均包括n个电压值，m组样本意味着有m组Un。
进一步地，本实施例中扩展样本信号的数量，包括：
每组中样本信号依次存为U1，U2，…，Un，将上述m组样本信号按倒序生成m组倒序样本，m组倒序样本中的数组Un依次分别存储有Un，Un-1，…，U1；
m组样本信号和m组倒序样本共计2m组，将上述共计2m组中的电压值取反生成新的2m组取反样本，原来的电压值为U1，U2，……Un，取反的电压值为-U1，-U2，……-Un，；
从上述2m组取反样本的每组中随机取一段长度为A的样本信号形成2m组的总样本；上述样本中n值为200，即某一样本中200个电压值，A取值80，则取每组中80个为样本，单个样本可以演化出120组样本，80个样本可以是样本1{U1，U2，……U80}，样本2{U2，U3，……U81}，……，样本120{U120，U121，……U200}。
进一步地，本实施例中异常检测模型通过训练4层神经网络得到，包括：将2m组的总样本分为训练用例、评估用例与测试用例；训练用例占总样本的60％，训练用例为随机从总样本中选取，用于异常检测模型的训练用；评估用例占总样本的20％，评估用例为随机从总样本中选取，用于对异常检测模型的评估；测试用例占总样本的20％，测试用例为随机从总样本中选取，用于判定异常检测模型的准确度；4层神经网络中，第一层为输入层，共80个节点，用于接收总样本；第二层为处理层，共150个节点，用于生成150个节点之间的逻辑关系；第三层为处理层，共50个节点，用于生成50个节点之间的逻辑关系；第四层为输出层，共1个节点，用于输出判定结果，输出结果的数值区间为[0,1]，代表总样本的正常概率；
Wljk为4层神经网络中节点间的权重系数，l为1代表第一层与第二层的权重系数，l为2代表第二层与第三层的系数，l为3代表第三层与第四层的系数；j代表权重系数输入层节点编号，当l为1时j为第一层节点号；k代表权重系数输出层节点编号，当l为1时k为第二层节点号；
ua为第一层输入层节点，a取值为[1,80]；x1b为第二层处理层节点，b取值范围为[1,150]；x2c为第三层处理层节点，c取值范围为[1,50]；y为第四层输出层节点；b1、b2为偏置参数；异常检测模型通过训练4层神经网络得到，包括：
步骤1)4层神经网络计算公式如下：
4层神经网络中，激活函数使用sigmod函数，输出层采用softmax方法获取总样本的正常概率；上述公式中uj为一组训练用例，y′为一组训练用例经过4层神经网络计算得到的判断训练用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率；当训练用例为多组时，将4层神经网络计算得到的结果记为y′i，其中i代表对应第i组训练用例；
步骤2)每组训练用例通过4层神经网络运算得到y′i后，逐层计算权重系数需要修改的大小，增加扰动防止4层神经网络的过拟合，逐层计算权重系数，公式如下：
ΔWjk＝-η*(y′i-yi)*y′i*(1-y′i)*bl+δjk*cjk， 公式4
其中，bl为偏移值，l为层数，η为学习速率，δjk为随机数，取值区间为[-0.0005，0.0005]；j代表权重系数输入层节点编号，k代表权重系数输出层节点编号；cjk为设定的系数；
在一组训练用例训练完成后，重新给δjk与cjk赋值随机数，重复上述步骤1)和步骤2)，直到所有的训练用例训练完毕；
当所有训练用例训练完毕后，将评估用例代入4层神经网络，计算得到评估用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率P′i；
设yi为第i组评估用例对应的真实概率结果，若第i组评估用例中每个样本信号的同期功能正常且同期合闸精度满足设定的合闸阈值则表示该样本信号正常且结果为1，否则结果为0；每组评估用例中结果为1的样本信号的总数与每组评估用例中所有样本信号的总数的比值，为yi；将P′i与yi做差，若差值绝对值大于设定的精度阈值则表示评估用例未达标准，若差值绝对值小于设定的精度阈值则表示评估用例达到了标准，得到了异常检测模型，进入步骤3)；若有评估用例未达标准，则重新用训练用例计算ΔWjk值，直到训练用例达到标准；
步骤3)使用测试用例对异常检测模型进行计算得到测试用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率值，求测试用例对应的概率值的平均值，作为最终异常检测模型的标准阈值，后续获取的同期装置测量的电压值输入异常检测模型，异常检测模型输出的同期装置测量的电压值概率值与标准阈值作比较，从而判断是否投入同期功能。
进一步地，本实施例中运行异常检测模型判断电压值是否异常，根据异常检测模型的结果判断是否投入同期功能，包括：
取出最新获取的同期装置测量的共计80个电压值，80个电压值组成电压序列u，u为{u1，u2，…u80}，作为异常检测模型的输入值；
将电压序列输入到异常检测模型的输入层，通过公式1、2、3和4获取电压序列的正常概率值，当正常概率值高于标准阈值99％时则认为电压序列正常，否则认为电压序列存在异常；当异常检测模型输出结果为电压序列正常时，投入同期功能；若结果为电压序列异常时，则不投入同期功能。
进一步地，本实施例中η＝0.11，cjk取值为0或1；cjk的具体取值是随机的，取0的概率为85％，取1的概率为15％；标准阈值为98％-99％。
进一步地，本实施例中场合包括普通水电站发电态，抽蓄电站SFC抽水态和风电发电态。
进一步地，本实施例中评估标准指y′i与yi的差值小于预期值，预期值为0.01或0.005。
同期：指将电力系统中两个电源进行并列的操作。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (8)

1.一种应用于同期装置的信号异常检测方法，其特征在于，包括：
获取每个场合同期装置测量的电压值，作为样本信号，扩展样本信号的数量，运行异常检测模型判断电压值是否异常，根据异常检测模型的结果判断是否投入同期功能；
其中：
每个场合同期装置测量得到的电压值记为一组，m个场合测量得到的电压值总计得到m组样本信号，每组样本信号存储于数组Un中，单次测量的电压值依次存储于数组Un中作为样本信号，n代表每组中样本信号的序号；
扩展样本信号的数量，包括：
每组中样本信号依次存为U1，U2，…，Un，将上述m组样本信号按倒序生成m组倒序样本，m组倒序样本中的数组Un依次分别存储有Un，Un-1，…，U1；
m组样本信号和m组倒序样本共计2m组，将上述共计2m组中的电压值取反生成新的2m组取反样本，原来的电压值为U1，U2，…，Un，取反的电压值为-U1，-U2，…，-Un；
从上述2m组取反样本的每组中随机取一段长度为A的样本信号形成2m组的总样本。
2.根据权利要求1所述的一种应用于同期装置的信号异常检测方法，其特征在于，异常检测模型通过训练4层神经网络得到，包括：
将2m组的总样本分为训练用例、评估用例与测试用例；训练用例为随机从总样本中选取，用于异常检测模型的训练用；评估用例为随机从总样本中选取，用于对异常检测模型的评估；测试用例为随机从总样本中选取，用于判定异常检测模型的准确度；4层神经网络中，第一层为输入层，共80个节点，用于接收总样本；第二层为处理层，共150个节点，用于生成150个节点之间的逻辑关系；第三层为处理层，共50个节点，用于生成50个节点之间的逻辑关系；第四层为输出层，共1个节点，用于输出判定结果，输出结果的数值区间为[0,1]，代表总样本的正常概率；
ua为第一层输入层节点，a取值为[1,80]；x1b为第二层处理层节点，b取值范围为[1,150]；x2c为第三层处理层节点，c取值范围为[1,50]；y为第四层输出层节点；b1、b2为偏置参数；
Wljk为4层神经网络中节点间的权重系数，l为1代表第一层与第二层的权重系数，l为2代表第二层与第三层的系数，l为3代表第三层与第四层的系数；j代表权重系数输入层节点编号，当l为1时j为第一层节点号；k代表权重系数输出层节点编号，当l为1时k为第二层节点号。
3.根据权利要求2所述的一种应用于同期装置的信号异常检测方法，其特征在于，异常检测模型通过训练4层神经网络得到，包括：
步骤1)4层神经网络计算公式如下：
4层神经网络中，激活函数使用sigmod函数，输出层采用softmax方法获取总样本的正常概率；上述公式中uj为一组训练用例，y′为一组训练用例经过4层神经网络计算得到的判断训练用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率；当训练用例为多组时，将4层神经网络计算得到的结果记为y′i，其中i代表对应第i组训练用例；
，步骤2)每组训练用例通过4层神经网络运算得到y′i后，逐层计算权重系数需要修改的大小，增加扰动防止4层神经网络的过拟合，逐层计算权重系数，公式如下：
ΔWjk＝-η*(y′i-yi)*y′i*(1-y′i)*bl+δjk*cjk， 公式4
其中，bl为偏移值，l为层数，η为学习速率，δjk为随机数，取值区间为[-0.0005，0.0005]；j代表权重系数输入层节点编号，k代表权重系数输出层节点编号；cjk为设定的系数；
在一组训练用例训练完成后，重新给δjk与cjk赋值随机数，重复上述步骤1)和步骤2)，直到所有的训练用例训练完毕；
当所有训练用例训练完毕后，将评估用例代入4层神经网络，计算得到评估用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率P′i；
设yi为第i组评估用例对应的真实概率结果，若第i组评估用例中每个样本信号的同期功能正常且同期合闸精度满足设定的合闸阈值则表示该样本信号正常且结果为1，否则结果为0；每组评估用例中结果为1的样本信号的总数与每组评估用例中所有样本信号的总数的比值，为yi；将P′i与yi训练用例做差，若差值绝对值大于设定的精度阈值则表示评估用例未达标准，若差值绝对值小于设定的精度阈值则表示评估用例达到了标准，得到了异常检测模型，进入步骤3)；若有评估用例未达标准，则重新用训练用例计算ΔWjk值，直到训练用例达到标准；
步骤3)使用测试用例对异常检测模型进行计算得到测试用例的同期功能正常且同期合闸精度满足设定的合闸阈值的概率值，求测试用例对应的概率值的平均值，作为最终异常检测模型的标准阈值，后续获取的同期装置测量的电压值输入异常检测模型，异常检测模型输出的同期装置测量的电压值概率值与标准阈值作比较，从而判断是否投入同期功能。
4.根据权利要求3所述的一种应用于同期装置的信号异常检测方法，其特征在于，运行异常检测模型判断电压值是否异常，根据异常检测模型的结果判断是否投入同期功能，包括：
取出最新获取的同期装置测量的共计80个电压值，80个电压值组成电压序列u，u为{u1，u2，…u80}，作为异常检测模型的输入值；
将电压序列输入到异常检测模型中，通过公式1、公式2、公式3和公式4获取电压序列的正常概率值，当正常概率值高于标准阈值时则认为电压序列正常，否则认为电压序列存在异常；当异常检测模型输出结果为电压序列正常时，投入同期功能；若结果为电压序列异常时，则不投入同期功能。
5.根据权利要求3所述的一种应用于同期装置的信号异常检测方法，其特征在于，η＝0.11，cjk取值为0或1；cjk的具体取值是随机的，取0的概率为85％，取1的概率为15％。
6.根据权利要求1所述的一种应用于同期装置的信号异常检测方法，其特征在于，场合包括普通水电站发电态，抽蓄电站SFC抽水态和风电发电态。
7.根据权利要求1所述的一种应用于同期装置的信号异常检测方法，其特征在于，训练用例占总样本的60％，评估用例占总样本的20％，测试用例占总样本的20％。
8.根据权利要求3所述的一种应用于同期装置的信号异常检测方法，其特征在于，评估标准指yi′与yi的差值小于预期值，预期值为0.01或0.005；标准阈值为98％-99％。
CN202110449580.2A 2021-04-25 2021-04-25 一种应用于同期装置的信号异常检测方法 Active CN113269041B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110449580.2A CN113269041B (zh) 2021-04-25 2021-04-25 一种应用于同期装置的信号异常检测方法
PCT/CN2021/123531 WO2022227415A1 (zh) 2021-04-25 2021-10-13 一种应用于同期装置的信号异常检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110449580.2A CN113269041B (zh) 2021-04-25 2021-04-25 一种应用于同期装置的信号异常检测方法

Publications (2)

Publication Number Publication Date
CN113269041A CN113269041A (zh) 2021-08-17
CN113269041B true CN113269041B (zh) 2023-10-10

Family

ID=77229325

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110449580.2A Active CN113269041B (zh) 2021-04-25 2021-04-25 一种应用于同期装置的信号异常检测方法

Country Status (2)

Country Link
CN (1) CN113269041B (zh)
WO (1) WO2022227415A1 (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113269041B (zh) * 2021-04-25 2023-10-10 南京南瑞水利水电科技有限公司 一种应用于同期装置的信号异常检测方法
CN116848785A (zh) * 2022-01-26 2023-10-03 华为技术有限公司 一种数据总线取反判定方法、电路和设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084502A (zh) * 2019-04-19 2019-08-02 国网安徽省电力有限公司 一种电能质量治理设备运行状态评估方法及装置
CN110942084A (zh) * 2019-10-12 2020-03-31 华北电力大学 一种基于同期线损异常辨识的降损措施制定方法
CN112131907A (zh) * 2019-06-24 2020-12-25 华为技术有限公司 一种训练分类模型的方法及装置

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101876690B (zh) * 2010-05-28 2012-07-04 长沙威克电力技术科技有限公司 发电机同期过程监测与分析系统
US20140244187A1 (en) * 2013-02-25 2014-08-28 Mitsubishi Electric Research Laboratories, Inc. Method for Detecting Islanding with Periodically Transmitted Sequence of Unsynchronized Signals
CN111146813A (zh) * 2018-11-06 2020-05-12 上海良信电器股份有限公司 一种用于断路器的基于通信功能的同期检测方法及装置
CN113269041B (zh) * 2021-04-25 2023-10-10 南京南瑞水利水电科技有限公司 一种应用于同期装置的信号异常检测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110084502A (zh) * 2019-04-19 2019-08-02 国网安徽省电力有限公司 一种电能质量治理设备运行状态评估方法及装置
CN112131907A (zh) * 2019-06-24 2020-12-25 华为技术有限公司 一种训练分类模型的方法及装置
CN110942084A (zh) * 2019-10-12 2020-03-31 华北电力大学 一种基于同期线损异常辨识的降损措施制定方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Abnormal Time Synchronization Detection of Substation IED based Frequency Deviation;Shiming Liu等;2019 IEEE 3rd International Electrical and Energy Conference(CIEEC);第1416-1421页 *
基于配网线路同期线损计算的配网线路线损管理;王川;中国优秀硕士学位论文全文数据库工程科技Ⅱ辑;第三章 *

Also Published As

Publication number Publication date
WO2022227415A1 (zh) 2022-11-03
CN113269041A (zh) 2021-08-17

Similar Documents

Publication Publication Date Title
CN111237134B (zh) 一种基于GRA-LSTM-stacking模型的海上双馈风力发电机故障诊断方法
Gao et al. A novel fault identification method for photovoltaic array via convolutional neural network and residual gated recurrent unit
CN113269041B (zh) 一种应用于同期装置的信号异常检测方法
CN109523021B (zh) 一种基于长短时记忆网络的动态网络结构预测方法
CN105846780A (zh) 一种基于决策树模型的光伏组件故障诊断方法
CN107563251B (zh) 基于极限学习机的风机故障诊断方法
CN107395121A (zh) 基于格拉布斯准则及离群点检测光伏阵列故障检测方法
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN111553495A (zh) 一种基于概率神经网络的小型断路器故障分析方法
Rao et al. Dropout and pruned neural networks for fault classification in photovoltaic arrays
CN111191832A (zh) 一种台风灾害配电网杆塔故障预测方法及系统
Patil et al. Arc fault detection in DC microgrid using deep neural network
Xu et al. Short-term wind speed prediction based on GRU
CN113595132A (zh) 基于全局最大功率点跟踪和混合优化算法的光伏在线参数辨识方法
Muzzammel et al. Low impedance fault identification and classification based on Boltzmann machine learning for HVDC transmission systems
CN116131313A (zh) 特征量与暂态功角稳定性关联关系的可解释性分析方法
CN116127354A (zh) 基于深度学习的高压电缆局部放电故障定位方法及系统
Jiang et al. Working Condition Analysis and State Trend Prediction of Hydraulic Turbine Units
CN114077849A (zh) 一种基于部件级融合的发动机健康状态识别方法
CN110017989B (zh) 一种风力机轴承故障诊断的方法
CN115128410B (zh) 一种基于tpa-lstm的直流电缆局部放电故障模式识别方法
CN109506936A (zh) 基于流向图和非朴素贝叶斯推理的轴承故障程度识别方法
CN115575757A (zh) 基于CatBoost的微电网孤岛检测方法
Pengyu et al. Fault diagnosis based on multi-sensor information fusion using LSTM and DS evidence theory
Wu et al. Soft Fault Detection in Sensor Networks by Using Graph-embedded LSTM Networks

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