CN114897006A - 智能电表误差分类方法及系统、设备、存储介质 - Google Patents
智能电表误差分类方法及系统、设备、存储介质 Download PDFInfo
- Publication number
- CN114897006A CN114897006A CN202210429500.1A CN202210429500A CN114897006A CN 114897006 A CN114897006 A CN 114897006A CN 202210429500 A CN202210429500 A CN 202210429500A CN 114897006 A CN114897006 A CN 114897006A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- signals
- signal
- error
- 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
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000011159 matrix material Substances 0.000 claims abstract description 52
- 230000006870 function Effects 0.000 claims description 24
- 238000013178 mathematical model Methods 0.000 claims description 22
- 238000004590 computer program Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 238000004458 analytical method Methods 0.000 claims description 7
- 239000002131 composite material Substances 0.000 claims description 7
- 238000002372 labelling Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 238000013145 classification model Methods 0.000 abstract description 9
- 230000003321 amplification Effects 0.000 abstract description 4
- 238000003199 nucleic acid amplification method Methods 0.000 abstract description 4
- 238000012795 verification Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000007796 conventional method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Signal Processing (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种智能电表误差分类方法及系统、设备、存储介质，该方法一方面使用了真实电表进行检定，智能电表可以对模拟扰动信号做出快速响应，误差检定结果更符合现场实际工况，另一方面，检定采用的模拟扰动信号是基于现场工况的原始信号分解后得到的单一扰动信号生成的，更贴合实际工况，智能电表的误差检定结果准确度高。并且，将智能电表的误差数据、模拟扰动信号的扰动参数与原始信号的波形图数据矩阵相结合以构建数据集矩阵对分类模型进行训练，实现了数据扩增，提高了分类模型的分类准确度，可以高精度地分辨出待检测电网信号的扰动类型以及准确地测量出智能电表在不同扰动类型下对应产生的误差。
Description
技术领域
本发明涉及智能电表误差分析技术领域，特别地，涉及一种智能电表误差分类方法及系统、设备、计算机可读取的存储介质。
背景技术
近年来，随着经济的不断发展，我国电网规模日益扩大，电力设施日趋完善，电能计量装置数量迅速增多。其中，智能电能表作为电能计量装置的重要组成部分，其计量性能直接影响到供需双方的利益，其安全性能直接影响到设备的稳定运行，因此，对智能电表的计量误差进行准确测量至关重要。而在稳态负荷下检定合格的智能电表，在动态负荷测试信号及激励下不一定满足计量误差要求，有的甚至会产生较大误差。
现阶段对智能电能表误差的动态检定都是从仿真入手，通过构建各类扰动的数学模型并探讨智能电能表在各类扰动下产生的误差。但是，由于没有使用真实的智能电表，构建的数学模型难以完全模拟输入被测电流时或功率信号快速变化时的单元响应，模拟检定结果与现场实际工况相差较大。并且，在测试信号方面，虽然检定信号使用随机信号，但仍然与现场工况仍有较大差距，现场实际工况的复杂程度要更高并伴随着诸多不确定性，从而使得实验室测得的智能电表动态误差测量结果的准确度较差。因此，现有对智能电表进行动态误差检定的方法缺乏对现场实际工况的考量，从而导致误差检定结果的准确度较差，并且，也无法分辨出实际工况的扰动类型。
发明内容
本发明提供了一种智能电表误差分类方法及系统、设备、存储介质，以解决现有对智能电表进行动态误差检定的方法存在的误差检定结果准确度差、无法分辨实际工况的扰动类型的技术问题。
根据本发明的一个方面，提供一种智能电表误差分类方法，包括以下内容：
采集现场工况的原始信号，对原始信号进行分解后得到各个单一扰动信号的幅频信息，并导出原始信号的波形图数据矩阵；
基于各个单一扰动信号的幅频信息对应建立各个单一扰动信号的数学模型；
基于各个单一扰动信号的数学模型生成模拟扰动信号，并采用生成的模拟扰动信号对智能电表进行检定，得到智能电表的误差数据；
将智能电表的误差数据、模拟扰动信号的扰动参数分别作为一列扩增到波形图数据矩阵中，得到模拟扰动信号的数据集矩阵，并对所述数据集矩阵进行打标签，标签内容包括模拟扰动信号的扰动类型和智能电表的误差数据；
构建多层感知器模型，利用带有标签的数据集矩阵对所述多层感知器模型进行训练；
利用训练好的多层感知器模型对待检测信号进行检测，输出待检测信号的扰动类型及智能电表对应产生的误差。
进一步地，所述单一扰动信号包括电压暂升、电压暂降、电压中断、电压闪变、谐波和间歇波中的至少一种。
进一步地，所述模拟扰动信号的扰动类型包括单一扰动信号和复合扰动信号，其中，复合扰动信号包括谐波与间歇波同时存在、谐波与闪变同时存在、谐波与电压暂升同时存在、谐波与电压暂降同时存在、谐波与电压中断同时存在。
进一步地，所述多层感知器模型采用的损失函数通过多种损失函数加权优化得到：
其中，
表示优化后的损失函数，
表示Focal Loss、KLDivergence、Hinge Loss和Cross Entropy这四种损失函数中的任一种，αi表示第i个损失函数的加权参数。
进一步地，所述加权参数αi的求解过程为：
采用Softmax函数将多分类的输出值转换为概率函数pi，
其中，Zi表示第i个节点的输出值，C为输出的节点；
从均匀分布中采样得到随机数值ui，经过变换得到变换参数gi，其中，ui＝Uniform(0,1)，gi＝-log(-log(ui))；
引入超参数τ控制加权参数αi的平滑度，计算公式为：
进一步地，所述模拟扰动信号的扰动参数包括谐波幅值、间歇波幅值、谐波频率、间歇波频率、电压闪变幅值、电压闪变频率、电压暂升/暂降/中断的等待时间、电压暂升/暂降/中断的骤变时间、电压暂升/暂降/中断的保持时间、电压暂升/暂降/中断的幅值。
进一步地，所述波形图数据矩阵的像素为28*28，将10个智能电表误差数据和18个扰动参数分别作为一列扩增到波形图数据矩阵中，其余像素补零后得到30*30的数据集矩阵。
另外，本发明的另一实施例还提供一种智能电表误差分类系统，包括：
信号分解模块，用于采集现场工况的原始信号，并对原始信号进行分解后得到各个单一扰动信号的幅频信息，并导出原始信号的波形图数据矩阵；
建模模块，用于基于各个单一扰动信号的幅频信息对应建立各个单一扰动信号的数学模型；
电表误差分析模块，用于基于各个单一扰动信号的数学模型生成模拟扰动信号，并采用生成的模拟扰动信号对智能电表进行检定，得到智能电表的误差数据；
数据集构建模块，用于将智能电表的误差数据、模拟扰动信号的扰动参数分别作为一列扩增到波形图数据矩阵中，得到模拟扰动信号的数据集矩阵，并对所述数据集矩阵进行打标签，标签内容包括模拟扰动信号的扰动类型和智能电表的误差数据；
模型训练模块，用于构建多层感知器模型，并利用带有标签的数据集矩阵对所述多层感知器模型进行训练；
检测分析模块，用于利用训练好的多层感知器模型对待检测信号进行检测，输出待检测信号的扰动类型及智能电表对应产生的误差。
另外，本发明的另一实施例还提供一种设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储适用于智能电表误差分类的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
本发明具有以下效果：
本发明的智能电表误差分类方法，首先通过采集现场工况的原始信号进行分解后得到各个单一扰动信号的幅频信息，并对应建立数学模型，然后再基于各个单一扰动信号的数学模型生成模拟扰动信号对智能电表进行检定，以得到智能电表在不同模拟扰动信号下产生的动态误差数据，一方面使用了真实电表进行检定，智能电表可以对模拟扰动信号做出快速响应，误差检定结果更符合现场实际工况，另一方面，检定采用的模拟扰动信号是基于现场工况的原始信号分解后得到的单一扰动信号生成的，更贴合实际工况，智能电表的误差检定结果准确度高。并且，将智能电表的误差数据、模拟扰动信号的扰动参数与原始信号的波形图数据矩阵相结合以构建数据集矩阵对分类模型进行训练，实现了数据扩增，提高了分类模型的分类准确度，可以高精度地分辨出待检测电网信号的扰动类型以及准确地测量出智能电表在不同扰动类型下对应产生的误差。
另外，本发明的智能电表误差分类系统同样具有上述优点。
除了上面所描述的目的、特征和优点之外，本发明还有其它的目的、特征和优点。下面将参照图，对本发明作进一步详细的说明。
附图说明
构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是本发明优选实施例的智能电表误差分类方法的流程示意图。
图2是本发明另一实施例的智能电表误差分类系统的模块结构示意图。
具体实施方式
以下结合附图对本发明的实施例进行详细说明，但是本发明可以由下述所限定和覆盖的多种不同方式实施。
如图1所示，本发明的优选实施例提供一种智能电表误差分类方法，包括以下内容：
步骤S1：采集现场工况的原始信号，对原始信号进行分解后得到各个单一扰动信号的幅频信息，并导出原始信号的波形图数据矩阵；
步骤S2：基于各个单一扰动信号的幅频信息对应建立各个单一扰动信号的数学模型；
步骤S3：基于各个单一扰动信号的数学模型生成模拟扰动信号，并采用生成的模拟扰动信号对智能电表进行检定，得到智能电表的误差数据；
步骤S4：将智能电表的误差数据、模拟扰动信号的扰动参数分别作为一列扩增到波形图数据矩阵中，得到模拟扰动信号的数据集矩阵，并对所述数据集矩阵进行打标签，标签内容包括模拟扰动信号的扰动类型和智能电表的误差数据；
步骤S5：构建多层感知器模型，利用带有标签的数据集矩阵对所述多层感知器模型进行训练；
步骤S6：利用训练好的多层感知器模型对待检测信号进行检测，输出待检测信号的扰动类型及智能电表对应产生的误差。
可以理解，本实施例的智能电表误差分类方法，首先通过采集现场工况的原始信号进行分解后得到各个单一扰动信号的幅频信息，并对应建立数学模型，然后再基于各个单一扰动信号的数学模型生成模拟扰动信号对智能电表进行检定，以得到智能电表在不同模拟扰动信号下产生的动态误差数据，一方面使用了真实电表进行检定，智能电表可以对模拟扰动信号做出快速响应，误差检定结果更符合现场实际工况，另一方面，检定采用的模拟扰动信号是基于现场工况的原始信号分解后得到的单一扰动信号生成的，更贴合实际工况，智能电表的误差检定结果准确度高。并且，将智能电表的误差数据、模拟扰动信号的扰动参数与原始信号的波形图数据矩阵相结合以构建数据集矩阵对分类模型进行训练，实现了数据扩增，提高了分类模型的分类准确度，可以高精度地分辨出待检测电网信号的扰动类型以及准确地测量出智能电表在不同扰动类型下对应产生的误差。
可以理解，在所述步骤S1中，可以采用NI公司的RM-26999型功率测量调节器连接PXIe-6356型数据采集模块对现场工况的原始信号进行数据采集，采样率为10KHz，其中，RM-26999由一个24V直流电源供电，基频信号频率为50Hz。然后，将采集到的原始信号导入Matlab，通过编程采用离散傅里叶变换或者快速傅里叶变换对原始信号进行分解，从而可以得到正常信号和各个单一扰动信号的幅频信息，还可以生成波形图并导出波形图数据矩阵。其中，所述波形图数据矩阵的像素值大小为28*28。
可以理解，在所述步骤S2中，基于步骤S1分解可以得到多个单一扰动信号，其中，所述单一扰动信号包括电压暂升、电压暂降、电压中断、电压闪变、谐波和间歇波中的至少一种。另外，基于各个单一扰动信号的幅频信息建立的数学模型如下：
电压暂升/暂降/中断：x1(t)＝(1+a0(b0(t-t1)-b0(t-t2)))cos(ω0t)；
谐波/间歇波：
电压闪变：x3(t)＝(1+a1cos(b1ω3t))cos(ω4t)；
其中，a，b，t，ω为信号参数，分别为幅值、时间、相角。
可以理解，在所述步骤S3中，考虑到智能电表的误差分类主要是由电网端的复合扰动引起的，而常见的复合扰动包括五种情况，谐波与间歇波同时存在、谐波与闪变同时存在、谐波与电压暂升同时存在、谐波与电压暂降同时存在、谐波与电压中断同时存在。采用电能质量分析仪HL-610S基于各个单一扰动信号的数学模型随机生成模拟扰动信号，其中，所述模拟扰动信号的扰动类型包括上述六种单一扰动和五种复合扰动。将电能质量分析仪与智能电表连接，被校表有功脉冲常数设为1200，校验圈数设为10，分频系数设为10，测量次数设为10，利用电能质量分析仪来测量智能电表在不同模拟扰动信号输入时产生的误差数据。
可以理解，在所述步骤S4中，将10个智能电表误差数据和18个扰动参数分别作为一列扩增到28*28的波形图数据矩阵中，其余像素补零后得到30*30的数据集矩阵。其中，所述模拟扰动信号的扰动参数包括谐波幅值、间歇波幅值、谐波频率、间歇波频率、电压闪变幅值、电压闪变频率、电压暂升/暂降/中断的等待时间、电压暂升/暂降/中断的骤变时间、电压暂升/暂降/中断的保持时间、电压暂升/暂降/中断的幅值。另外，所述扰动参数即为电能质量分析仪的输入参数。然后，针对数据集矩阵打标签，标签内容包括模拟扰动信号的扰动类型和智能电表的误差数据。
可以理解，在所述步骤S5中，所述多层感知器模型包括输入层、两层隐含层和输出层，其中，输入层为数据集矩阵，输出层为扰动类型和智能电表的误差数据，即分类标签，每个隐含层由16个神经元全连接组成，采用的激活函数为Relu，采用的损失函数通过多种损失函数加权优化得到：
其中，
表示优化后的损失函数，
表示Focal Loss、KLDivergence、Hinge Loss和Cross Entropy这四种损失函数中的任一种，αi表示第i个损失函数的加权参数。
可以理解，所述多层感知器模型通过采用多种损失函数进行加权优化，相对于现有采用单损失函数的分类模型，提高了模型的通用性，并且实现了数据优化。
其中，所述步骤S5采用Gumbel-softmax技巧优化损失函数，即对加权参数进行求解，所述加权参数αi的求解过程具体为：
采用Softmax函数将多分类的输出值转换为概率函数pi，
其中，Zi表示第i个节点的输出值，C为输出的节点；
从均匀分布中采样得到随机数值ui，经过变换得到变换参数gi，其中，ui＝Uniform(0,1)，gi＝-log(-log(ui))；
引入超参数τ控制加权参数αi的平滑度，计算公式为：
可以理解，在所述步骤S6中，对待检测信号进行上述处理后得到数据集矩阵，将得到的数据集矩阵输入训练好的多层感知器模型，自动输出待检测电网信号的扰动类型和智能电表对应产生的误差。
另外，如图2所示，本发明的另一实施例还提供一种智能电表误差分类系统，优选采用上述实施例的方法，该系统包括：
信号分解模块，用于采集现场工况的原始信号，并对原始信号进行分解后得到各个单一扰动信号的幅频信息，并导出原始信号的波形图数据矩阵；
建模模块，用于基于各个单一扰动信号的幅频信息对应建立各个单一扰动信号的数学模型；
电表误差分析模块，用于基于各个单一扰动信号的数学模型生成模拟扰动信号，并采用生成的模拟扰动信号对智能电表进行检定，得到智能电表的误差数据；
数据集构建模块，用于将智能电表的误差数据、模拟扰动信号的扰动参数分别作为一列扩增到波形图数据矩阵中，得到模拟扰动信号的数据集矩阵，并对所述数据集矩阵进行打标签，标签内容包括模拟扰动信号的扰动类型和智能电表的误差数据；
模型训练模块，用于构建多层感知器模型，并利用带有标签的数据集矩阵对所述多层感知器模型进行训练；
检测分析模块，用于利用训练好的多层感知器模型对待检测信号进行检测，输出待检测信号的扰动类型及智能电表对应产生的误差。
可以理解，本实施例的智能电表误差分类系统，首先通过采集现场工况的原始信号进行分解后得到各个单一扰动信号的幅频信息，并对应建立数学模型，然后再基于各个单一扰动信号的数学模型生成模拟扰动信号对智能电表进行检定，以得到智能电表在不同模拟扰动信号下产生的动态误差数据，一方面使用了真实电表进行检定，智能电表可以对模拟扰动信号做出快速响应，误差检定结果更符合现场实际工况，另一方面，检定采用的模拟扰动信号是基于现场工况的原始信号分解后得到的单一扰动信号生成的，更贴合实际工况，智能电表的误差检定结果准确度高。并且，将智能电表的误差数据、模拟扰动信号的扰动参数与原始信号的波形图数据矩阵相结合以构建数据集矩阵对分类模型进行训练，实现了数据扩增，提高了分类模型的分类准确度，可以高精度地分辨出待检测电网信号的扰动类型以及准确地测量出智能电表在不同扰动类型下对应产生的误差。
另外，本发明的另一实施例还提供一种设备，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如上所述的方法的步骤。
另外，本发明的另一实施例还提供一种计算机可读取的存储介质，用于存储适用于智能电表误差分类的计算机程序，所述计算机程序在计算机上运行时执行如上所述的方法的步骤。
一般计算机可读取存储介质的形式包括：软盘(floppy disk)、可挠性盘片(flexible disk)、硬盘、磁带、任何其与的磁性介质、CD-ROM、任何其余的光学介质、打孔卡片(punch cards)、纸带(paper tape)、任何其余的带有洞的图案的物理介质、随机存取存储器(RAM)、可编程只读存储器(PROM)、可抹除可编程只读存储器(EPROM)、快闪可抹除可编程只读存储器(FLASH-EPROM)、其余任何存储器芯片或卡匣、或任何其余可让计算机读取的介质。指令可进一步被一传输介质所传送或接收。传输介质这一术语可包含任何有形或无形的介质，其可用来存储、编码或承载用来给机器执行的指令，并且包含数字或模拟通信信号或其与促进上述指令的通信的无形介质。传输介质包含同轴电缆、铜线以及光纤，其包含了用来传输一计算机数据信号的总线的导线。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种智能电表误差分类方法，其特征在于，包括以下内容：
采集现场工况的原始信号，对原始信号进行分解后得到各个单一扰动信号的幅频信息，并导出原始信号的波形图数据矩阵；
基于各个单一扰动信号的幅频信息对应建立各个单一扰动信号的数学模型；
基于各个单一扰动信号的数学模型生成模拟扰动信号，并采用生成的模拟扰动信号对智能电表进行检定，得到智能电表的误差数据；
将智能电表的误差数据、模拟扰动信号的扰动参数分别作为一列扩增到波形图数据矩阵中，得到模拟扰动信号的数据集矩阵，并对所述数据集矩阵进行打标签，标签内容包括模拟扰动信号的扰动类型和智能电表的误差数据；
构建多层感知器模型，利用带有标签的数据集矩阵对所述多层感知器模型进行训练；
利用训练好的多层感知器模型对待检测信号进行检测，输出待检测信号的扰动类型及智能电表对应产生的误差。
2.如权利要求1所述的智能电表误差分类方法，其特征在于，所述单一扰动信号包括电压暂升、电压暂降、电压中断、电压闪变、谐波和间歇波中的至少一种。
3.如权利要求2所述的智能电表误差分类方法，其特征在于，所述模拟扰动信号的扰动类型包括单一扰动信号和复合扰动信号，其中，复合扰动信号包括谐波与间歇波同时存在、谐波与闪变同时存在、谐波与电压暂升同时存在、谐波与电压暂降同时存在、谐波与电压中断同时存在。
4.如权利要求1所述的智能电表误差分类方法，其特征在于，所述多层感知器模型采用的损失函数通过多种损失函数加权优化得到：
其中，
表示优化后的损失函数，
表示Focal Loss、KL Divergence、Hinge Loss和Cross Entropy这四种损失函数中的任一种，αi表示第i个损失函数的加权参数。
5.如权利要求4所述的智能电表误差分类方法，其特征在于，所述加权参数αi的求解过程为：
采用Softmax函数将多分类的输出值转换为概率函数pi，
其中，Zi表示第i个节点的输出值，C为输出的节点；
从均匀分布中采样得到随机数值ui，经过变换得到变换参数gi，其中，ui＝Uniform(0,1)，gi＝-log(-log(ui))；
引入超参数τ控制加权参数αi的平滑度，计算公式为：
6.如权利要求2所述的智能电表误差分类方法，其特征在于，所述模拟扰动信号的扰动参数包括谐波幅值、间歇波幅值、谐波频率、间歇波频率、电压闪变幅值、电压闪变频率、电压暂升/暂降/中断的等待时间、电压暂升/暂降/中断的骤变时间、电压暂升/暂降/中断的保持时间、电压暂升/暂降/中断的幅值。
7.如权利要求6所述的智能电表误差分类方法，其特征在于，所述波形图数据矩阵的像素为28*28，将10个智能电表误差数据和18个扰动参数分别作为一列扩增到波形图数据矩阵中，其余像素补零后得到30*30的数据集矩阵。
8.一种智能电表误差分类系统，其特征在于，包括：
信号分解模块，用于采集现场工况的原始信号，并对原始信号进行分解后得到各个单一扰动信号的幅频信息，并导出原始信号的波形图数据矩阵；
建模模块，用于基于各个单一扰动信号的幅频信息对应建立各个单一扰动信号的数学模型；
电表误差分析模块，用于基于各个单一扰动信号的数学模型生成模拟扰动信号，并采用生成的模拟扰动信号对智能电表进行检定，得到智能电表的误差数据；
数据集构建模块，用于将智能电表的误差数据、模拟扰动信号的扰动参数分别作为一列扩增到波形图数据矩阵中，得到模拟扰动信号的数据集矩阵，并对所述数据集矩阵进行打标签，标签内容包括模拟扰动信号的扰动类型和智能电表的误差数据；
模型训练模块，用于构建多层感知器模型，并利用带有标签的数据集矩阵对所述多层感知器模型进行训练；
检测分析模块，用于利用训练好的多层感知器模型对待检测信号进行检测，输出待检测信号的扰动类型及智能电表对应产生的误差。
9.一种设备，其特征在于，包括处理器和存储器，所述存储器中存储有计算机程序，所述处理器通过调用所述存储器中存储的所述计算机程序，用于执行如权利要求1～7任一项所述的方法的步骤。
10.一种计算机可读取的存储介质，用于存储适用于智能电表误差分类的计算机程序，其特征在于，所述计算机程序在计算机上运行时执行如权利要求1～7任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210429500.1A CN114897006A (zh) | 2022-04-22 | 2022-04-22 | 智能电表误差分类方法及系统、设备、存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210429500.1A CN114897006A (zh) | 2022-04-22 | 2022-04-22 | 智能电表误差分类方法及系统、设备、存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114897006A true CN114897006A (zh) | 2022-08-12 |
Family
ID=82717335
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210429500.1A Pending CN114897006A (zh) | 2022-04-22 | 2022-04-22 | 智能电表误差分类方法及系统、设备、存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114897006A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115754875A (zh) * | 2022-11-03 | 2023-03-07 | 国网安徽省电力有限公司营销服务中心 | 一种电压互感器误差评估方法及装置 |
-
2022
- 2022-04-22 CN CN202210429500.1A patent/CN114897006A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115754875A (zh) * | 2022-11-03 | 2023-03-07 | 国网安徽省电力有限公司营销服务中心 | 一种电压互感器误差评估方法及装置 |
| CN115754875B (zh) * | 2022-11-03 | 2023-08-11 | 国网安徽省电力有限公司营销服务中心 | 一种电压互感器误差评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
| US5349541A (en) | Method and apparatus utilizing neural networks to predict a specified signal value within a multi-element system | |
| CN112508105B (zh) | 一种采油机故障检测与检索方法 | |
| CN114266944B (zh) | 快速模型训练结果检验系统 | |
| CN112507479B (zh) | 一种基于流形学习和softmax的石油钻机健康状态评估方法 | |
| CN112668526A (zh) | 基于深度学习和压电主动传感的螺栓群松动定位监测方法 | |
| CN109768625A (zh) | 一种电力系统检修管理终端及方法 | |
| CN114897006A (zh) | 智能电表误差分类方法及系统、设备、存储介质 | |
| CN103064010A (zh) | 基于希尔伯特-黄变换的模拟电路故障元件参数估计方法 | |
| CN117571742B (zh) | 基于人工智能实现芯片质检的方法及装置 | |
| CN113189513A (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
| CN116502526A (zh) | 基于改进pso-grnn神经网络称重传感器故障诊断方法 | |
| CN115659271A (zh) | 传感器异常检测方法、模型训练方法、系统、设备及介质 | |
| CN105699043B (zh) | 一种提高风洞传感器测量稳定性和精准度的方法 | |
| CN112434750B (zh) | 基于卷积神经网络的大坝监测数据发展模式识别方法 | |
| CN114169118A (zh) | 考虑分布式电源出力相关性的配电网拓扑结构辨识方法 | |
| CN112464848A (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
| CN112816122A (zh) | 基于深度学习和压电主动传感的螺栓松紧程度监测方法 | |
| CN117074840B (zh) | 直流充电桩在线测试系统 | |
| CN118229271B (zh) | 用于核电安全级设备的寿命评估方法、装置、设备及介质 | |
| Gao et al. | Research and application of pattern recognition LSTM based bridge data anomaly detection | |
| CN117031387A (zh) | 一种风电机组电能表状态检测方法、装置及设备 | |
| CN107025268A (zh) | 电池参数的导入方法、导入系统及导入设备 | |
| US20230342633A1 (en) | Simulation-augmented decision tree analysis and improvement method, computer program product, and system | |
| Maria et al. | Improving Manufacturing Testing Steps Using Artificial Intelligence and Machine Learning Algorithms Trained on Simulated Waveforms |
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 |