CN115514343B - 电网波形滤波系统及其滤波方法 - Google Patents
电网波形滤波系统及其滤波方法 Download PDFInfo
- Publication number
- CN115514343B CN115514343B CN202210522511.4A CN202210522511A CN115514343B CN 115514343 B CN115514343 B CN 115514343B CN 202210522511 A CN202210522511 A CN 202210522511A CN 115514343 B CN115514343 B CN 115514343B
- Authority
- CN
- China
- Prior art keywords
- feature matrix
- voltage signal
- waveform
- matrix
- decoding
- 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
Classifications
-
- H—ELECTRICITY
- H03—ELECTRONIC CIRCUITRY
- H03H—IMPEDANCE NETWORKS, e.g. RESONANT CIRCUITS; RESONATORS
- H03H17/00—Networks using digital techniques
- H03H17/02—Frequency selective networks
- H03H17/0248—Filters characterised by a particular frequency response or filtering method
- H03H17/0255—Filters based on statistics
- H03H17/0257—KALMAN filters
-
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/01—Arrangements for reducing harmonics or ripples
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/388—Islanding, i.e. disconnection of local power supply from the network
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
- H02J2300/22—The renewable source being solar energy
- H02J2300/24—The renewable source being solar energy of photovoltaic origin
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E40/00—Technologies for an efficient electrical power generation, transmission or distribution
- Y02E40/40—Arrangements for reducing harmonics
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Hardware Design (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
Abstract
本申请涉及智能电网的领域,其具体地公开了一种电网波形滤波系统及其滤波方法,其通过卡尔曼滤波器滤除采集的电压信号的高频扰动,并基于离散快速傅里叶变换提取所述电压信号的各个采样点的频率、幅值和相位,进一步通过上下文编码器模型和卷积神经网络模型来提取出所述各个采样点的电压频谱特征之间的动态关联特征,以及在所述电压信号的图像表征层面的图像域的局部隐含关联特征,这样再对于融合后的解码特征矩阵进行柯西重概率化,以通过围绕最小化信息损失来引入鲁棒性,实现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类性能,从而提高了对作为整体的期望特征的依赖性,进而提高了光伏离并网一体机的采集及控制性能。
Description
技术领域
本发明涉及智能电网的领域,且更为具体地,涉及一种电网波形滤波系统及其滤波方法。
背景技术
能源科技是促使社会发展的重要动力,随着科技的飞速发展,人类社会对能源的需求迅速增加。相较于水力发电、风力发电和核电,太阳能发电具有可靠性高、维护费用低、高海拔性能好、资源分布广泛、不受地域限制等特点。光伏发电系统能够有效地和当地环境结合。因此,光伏发电受到世界广泛重视。
无论光伏发电系统采用工作与太阳能模式或是UPS模式,都需要采集电网电压的频率与幅值。但是,由于电网中掺杂了不可预测的干扰和谐波,会严重影响光伏离并网一体机的采集及控制性能。因此,期待一种电网电压信号处理方案以得到高质量稳定而平稳的电压波形。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展,为电网电压信号的滤波处理提供了新的解决思路和方案。
发明内容
为了解决上述技术问题,提出了本申请。本申请的实施例提供了一种电网波形滤波系统及其滤波方法,其通过卡尔曼滤波器滤除采集的电压信号的高频扰动,并基于离散快速傅里叶变换提取所述电压信号的各个采样点的频率、幅值和相位,进一步通过上下文编码器模型和卷积神经网络模型来提取出所述各个采样点的电压频谱特征之间的动态关联特征,以及在所述电压信号的图像表征层面的图像域的局部隐含关联特征,这样再对于融合后的解码特征矩阵进行柯西重概率化,以通过围绕最小化信息损失来引入鲁棒性,实现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类性能,从而提高了对作为整体的期望特征的依赖性,进而提高了光伏离并网一体机的采集及控制性能。
根据本申请的一个方面,提供了一种电网波形滤波系统,其包括:
采样单元,用于以预设采样频率从电网获取电压信号;
频率分析单元,用于基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位;
上下文语义编码单元,用于将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量;
采样点关联编码单元,用于将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵;
波形图编码单元,用于将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵;
特征矩阵融合单元,用于融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵;
特征矩阵校正单元,用于对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行;以及
解码生成单元,用于将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。
在上述电网波形滤波系统中,所述上下文语义编码单元,进一步用于:嵌入编码子单元,用于使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得嵌入向量的序列;语义编码子单元,用于使用所述包含嵌入层的上下文编码器模型的基于转换器的Bert模型对所述嵌入编码子单元获得的所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量;级联子单元,用于将所述语义编码子单元获得的所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。
在上述电网波形滤波系统中,所述采样点关联编码单元,进一步用于:将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵;使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述波形频谱特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在上述电网波形滤波系统中,所述波形图编码单元,进一步用于:所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述图像特征矩阵,其中,所述第二卷积神经网络的第一层的输入为所述电压信号的波形图。
在上述电网波形滤波系统中,所述特征矩阵融合单元,进一步用于:以如下公式融合所述图像特征矩阵和所述波形频谱特征矩阵以得到所述解码特征矩阵;
其中,所述公式为:
M=αM1+βM2
其中,M为所述解码特征矩阵,M1为所述图像特征矩阵,M2为所述波形频谱特征矩阵,“+”表示所述图像特征矩阵和所述波形频谱特征矩阵相对应位置处的元素相加,α和β为用于控制所述解码特征矩阵中所述图像特征矩阵和所述波形频谱特征矩阵之间的平衡的加权参数。
在上述电网波形滤波系统中,所述特征矩阵校正单元,进一步用于:以如下公式对所述解码特征矩阵进行柯西重概率化处理以得到所述校正后解码特征矩阵;
其中,所述公式为:
其中mi,j和m'i,j分别是校正前和校正后的所述解码特征矩阵的各个位置的特征值。
在上述电网波形滤波系统中,所述解码生成单元,进一步用于:使用所述作为滤波生成器的第三卷积神经网络以如下公式对所述校正后解码特征矩阵进行处理以获得所述滤波后电压信号;其中,所述公式为:其中X是所述校正后解码特征矩阵,Y是所述滤波后电压信号,W是权重矩阵,/>表示矩阵乘。
根据本申请的另一方面,一种电网波形滤波系统的滤波方法,其包括:
以预设采样频率从电网获取电压信号;
基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位;
将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量;
将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵;
将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵;
融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵;
对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行;以及
将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。
在上述电网波形滤波系统的滤波方法中,将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量,包括:使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得嵌入向量的序列;使用所述包含嵌入层的上下文编码器模型的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量;将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。
在上述电网波形滤波系统的滤波方法中,将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵,包括:将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵;使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述波形频谱特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述特征矩阵。
在上述电网波形滤波系统的滤波方法中,将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵,包括:所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述图像特征矩阵,其中,所述第二卷积神经网络的第一层的输入为所述电压信号的波形图。
在上述电网波形滤波系统的滤波方法中,融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵,包括:以如下公式融合所述图像特征矩阵和所述波形频谱特征矩阵以得到所述解码特征矩阵;
其中,所述公式为:
M=αM1+βM2
其中,M为所述解码特征矩阵,M1为所述图像特征矩阵,M2为所述波形频谱特征矩阵,“+”表示所述图像特征矩阵和所述波形频谱特征矩阵相对应位置处的元素相加,α和β为用于控制所述解码特征矩阵中所述图像特征矩阵和所述波形频谱特征矩阵之间的平衡的加权参数。
在上述电网波形滤波系统的滤波方法中,对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,包括:以如下公式对所述解码特征矩阵进行柯西重概率化处理以得到所述校正后解码特征矩阵;
其中,所述公式为:
其中mi,j和m'i,j分别是校正前和校正后的所述解码特征矩阵的各个位置的特征值。
在上述电网波形滤波系统的滤波方法中,将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号,包括:使用所述作为滤波生成器的第三卷积神经网络以如下公式对所述校正后解码特征矩阵进行处理以获得所述滤波后电压信号;其中,所述公式为:其中X是所述校正后解码特征矩阵,Y是所述滤波后电压信号,W是权重矩阵,/>表示矩阵乘。
根据本申请的又一方面,提供了一种计算机可读介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行如上所述的电网波形滤波系统的滤波方法。
与现有技术相比,本申请提供的电网波形滤波系统及其滤波方法,其通过卡尔曼滤波器滤除采集的电压信号的高频扰动,并基于离散快速傅里叶变换提取所述电压信号的各个采样点的频率、幅值和相位,进一步通过上下文编码器模型和卷积神经网络模型来提取出所述各个采样点的电压频谱特征之间的动态关联特征,以及在所述电压信号的图像表征层面的图像域的局部隐含关联特征,这样再对于融合后的解码特征矩阵进行柯西重概率化,以通过围绕最小化信息损失来引入鲁棒性,实现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类性能,从而提高了对作为整体的期望特征的依赖性,进而提高了光伏离并网一体机的采集及控制性能。
附图说明
通过结合附图对本申请实施例进行更详细的描述,本申请的上述以及其他目的、特征和优势将变得更加明显。附图用来提供对本申请实施例的进一步理解,并且构成说明书的一部分,与本申请实施例一起用于解释本申请,并不构成对本申请的限制。在附图中,相同的参考标号通常代表相同部件或步骤。
图1A为根据本申请实施例的电网波形滤波系统的一体机的太阳能工作模式示意图。
图1B为根据本申请实施例的电网波形滤波系统的一体机的太UPS工作模式示意图。
图2为根据本申请实施例的电网波形滤波系统的框图。
图3为根据本申请实施例的电网波形滤波系统中上下文语义编码单元的框图。
图4为根据本申请实施例的电网波形滤波系统的滤波方法的流程图。
图5为根据本申请实施例的电网波形滤波系统的滤波方法的架构示意图。
具体实施方式
下面,将参考附图详细地描述根据本申请的示例实施例。显然,所描述的实施例仅仅是本申请的一部分实施例,而不是本申请的全部实施例,应理解,本申请不受这里描述的示例实施例的限制。
场景概述
如前所述,能源科技是促使社会发展的重要动力,随着科技的飞速发展,人类社会对能源的需求迅速增加。相较于水力发电、风力发电和核电,太阳能发电具有可靠性高、维护费用低、高海拔性能好、资源分布广泛、不受地域限制等特点。光伏发电系统能够有效地和当地环境结合。因此,光伏发电受到世界广泛重视。
光伏发电系统一体机具有两种不同的工作模式,其中一种为太阳能工作模式,如图1A所示,在太阳能模式下,若蓄电池的电能不足,由电网对负载进行供电,蓄电池充电仅由光伏电池列板完成,而不采用电网对蓄电池充电。若蓄电池电能正常,一体机将蓄电池电能逆变为220V交流电为负载供电。还有一种为一体机的太UPS工作模式,如图1B所示,蓄电池充电由光伏电池列板和电网共同完成。
无论光伏发电系统采用工作与太阳能模式或是UPS模式,都需要采集电网电压的频率与幅值。但是,由于电网中掺杂了不可预测的干扰和谐波,会严重影响光伏离并网一体机的采集及控制性能。因此,期待一种电网电压信号处理方案以得到高质量稳定而平稳的电压波形。
深度学习以及神经网络已经广泛应用于计算机视觉、自然语言处理、文本信号处理等领域。此外,深度学习以及神经网络在图像分类、物体检测、语义分割、文本翻译等领域,也展现出了接近甚至超越人类的水平。
深度学习以及神经网络的发展,为电网电压信号的滤波处理提供了新的解决思路和方案。
具体地,在本申请的技术方案中,首先以预设采样频率从电网获取电压信号,在本申请的技术方案中,以1KHz的采样频率对电网波形采样。接着,将采集到的电压信号通过卡尔曼滤波器滤除高频扰动,在基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位。
考虑到各个采样点的频率、幅值和相位之间存在关联,因此,在本申请的技术方案中,以包含嵌入层的上下文编码器对各个采样点的频率、幅值和相位进行基于全局的上下文语义编码以分别提取各个采样点的频率、幅值和相位的以各个采样点的频率、幅值和相位的整体为语义背景的高维隐含信息,以得到三个特征向量。具体地,在所述上下文编码器编码的过程中,首先使用嵌入层将各个采样点的频率、幅值和相位分别映射到嵌入向量以得到嵌入向量的序列,其中,所述嵌入层可利用电网电压特征的知识图谱来构建以使得在将各个采样点的频率、幅值和相位转化为嵌入向量的过程中引入电压特征的先验信息。接着,所述上下文编码器采用基于转换器的Bert模型对所述嵌入向量的序列进行编码,其中,所述基于转换器的Bert模型通过转化器的内在掩码结构对所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量。然后,将所述三个特征向量进行级联以得到对应于所述电压信号的各个采样点的波形频谱特征向量。
应可以理解,各个采样点的电压频谱特征之间存在动态关联,因此,在本本申请的技术方案中,进一步将所述电压信号的各个采样点的波形频谱特征向量二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵。也就是,将所述电压信号的各个采样点的波形频谱特征向量按照采样点的样本维度整合到二维的数据结构中,并使用在图像处理领域具有优异性能表现的卷积神经网络模型对所述特征矩阵进行编码以提取所述特征矩阵中的高维局部关联特征以得到波形频谱特征矩阵,即,各个采样点的波形频谱特征向量间的关联的高维隐含信息。
进一步地,本申请发明人意识到所述电压信号的波形图本身就是一个图像处理,因此,在本申请实施例中,进一步使用卷积神经网络对所述电压信号的波形图进行编码以从所述电压信号的图像表征层面来提取其在图像域的局部隐含关联特征以得到图像特征矩阵。
这样,融合所述波形频谱特征矩阵和所述图像特征矩阵并通过作为滤波生成器的第三卷积神经网络就可以得到滤波后的电压信号。常用的特征矩阵融合方式包括计算所述波形频谱特征矩阵和所述图像特征矩阵的按位置加权等。但是在通过诸如加权点和的方式对第一特征矩阵和第二特征矩阵进行融合时,考虑到在梯度反向传播的训练过程中,融合后的解码特征矩阵在分别向波形编码器和参数编码器进行梯度传递时,会由于特征矩阵的融合导致编码器参数的一定的信息损失,从而影响训练效果。
因此,在本申请的技术方案中,对于融合后的解码特征矩阵进行柯西重概率化,表示为:
其中mi,j和m'i,j分别是校正前和校正后的解码特征矩阵的各个位置的特征值。
该柯西归一化通过围绕最小化信息损失来引入鲁棒性,实现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类性能,从而提高了对作为整体的期望特征的依赖性,改进了第一特征矩阵和第二特征矩阵的融合效果。
在本申请一个具体的示例中,所述第三卷积神经网络的各层通过对解码特征矩阵进行反卷积来得到滤波后电压信号。当然,在本申请的其他实施例中,所述第三卷积神经网络也可以是一个对抗生成器,对此,并不为本申请所局限。
基于此,本申请提出了一种电网波形滤波系统,其包括:采样单元,用于以预设采样频率从电网获取电压信号;频率分析单元,用于基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位;上下文语义编码单元,用于将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量;采样点关联编码单元,用于将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵;波形图编码单元,用于将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵;特征矩阵融合单元,用于融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵;特征矩阵校正单元,用于对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行;以及,解码生成单元,用于将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。
在介绍了本申请的基本原理之后,下面将参考附图来具体介绍本申请的各种非限制性实施例。
示例性系统
图2图示了根据本申请实施例的电网波形滤波系统的框图。如图2所示,根据本申请实施例的电网波形滤波系统200,包括:采样单元210,用于以预设采样频率从电网获取电压信号;频率分析单元220,用于基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位;上下文语义编码单元230,用于将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量;采样点关联编码单元240,用于将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵;波形图编码单元250,用于将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵;特征矩阵融合单元260,用于融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵;特征矩阵校正单元270,用于对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行;以及,解码生成单元280,用于将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。
具体地,在本申请实施例中,所述采样单元210和所述频率分析单元220,用于以预设采样频率从电网获取电压信号,并基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位。如前所述,应可以理解,无论光伏发电系统采用工作与太阳能模式或是UPS模式,都需要采集电网电压的频率与幅值。但是,由于所述电网中掺杂了不可预测的干扰和谐波,会严重影响光伏离并网一体机的采集及控制性能。因此,在本申请的技术方案中,期望对所述电网电压信号进行滤波处理以得到高质量稳定而平稳的电压波形。
也就是,具体地,在本申请的技术方案中,首先通过万用表以预设采样频率从电网获取电压信号,在本申请的技术方案中,以1KHz的采样频率对所述电网波形采样。特别地,在一个具体示例中,可以使用万用表对所述电网的电压信号进行获取,在别的具体示例中,还可以使用其他的电压测量设备对所述电网的电压信号进行采集,对此并不为本申请所局限。接着,将采集到的所述电压信号通过卡尔曼滤波器滤除高频扰动,在基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位。
具体地,在本申请实施例中,所述上下文语义编码单元230,用于将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量。应可以理解,考虑到所述各个采样点的频率、幅值和相位之间存在关联,因此,在本申请的技术方案中,以包含嵌入层的上下文编码器对所述各个采样点的频率、幅值和相位进行基于全局的上下文语义编码以分别提取各个采样点的频率、幅值和相位的以各个采样点的频率、幅值和相位的整体为语义背景的高维隐含信息,以得到三个特征向量。具体地,在所述上下文编码器编码的过程中,首先使用嵌入层将所述各个采样点的频率、幅值和相位分别映射到嵌入向量以得到嵌入向量的序列,其中,所述嵌入层可利用电网电压特征的知识图谱来构建以使得在将各个采样点的频率、幅值和相位转化为嵌入向量的过程中引入电压电压特征的先验信息。接着,所述上下文编码器采用基于转换器的Bert模型对所述嵌入向量的序列进行编码,其中,所述基于转换器的Bert模型通过转化器的内在掩码结构对所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量。然后,将所述三个特征向量进行级联以得到对应于所述电压信号的各个采样点的波形频谱特征向量。
更具体地,在本申请实施例中,所述上下文语义编码单元,进一步用于:首先,使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得输入向量的序列。然后,使用所述包含嵌入层的上下文编码器模型的转换器对所述嵌入编码子单元获得的所述输入向量的序列进行基于全局的上下文语义编码以获得所述三个特征向量。最后,将所述语义编码子单元获得的所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。
图3图示了根据本申请实施例的电网波形滤波系统中上下文语义编码单元的框图。如图3所示,所述上下文语义编码单元230,包括:嵌入编码子单元231,用于使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得嵌入向量的序列;语义编码子单元232,用于使用所述包含嵌入层的上下文编码器模型的基于转换器的Bert模型对所述嵌入编码子单元231获得的所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量;级联子单元233,用于将所述语义编码子单元232获得的所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。
具体地,在本申请实施例中,所述采样点关联编码单元240,用于将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵。应可以理解,由于所述各个采样点的电压频谱特征之间存在动态关联,因此,在本申请的技术方案中,进一步将所述电压信号的各个采样点的波形频谱特征向量二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵。也就是,将所述电压信号的各个采样点的波形频谱特征向量按照采样点的样本维度整合到二维的数据结构中,并使用在图像处理领域具有优异性能表现的卷积神经网络模型对所述特征矩阵进行编码以提取所述特征矩阵中的高维局部关联特征以得到波形频谱特征矩阵,即,所述各个采样点的波形频谱特征向量间的关联的高维隐含信息。
更具体地,在本申请实施例中,所述采样点关联编码单元,进一步用于:将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵;使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述波形频谱特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述特征矩阵。
具体地,在本申请实施例中,所述波形图编码单元250,用于将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵。应可以理解,由于所述电压信号的波形图本身就是一个图像处理,因此,在本申请的技术方案中,进一步使用卷积神经网络对所述电压信号的波形图进行编码以从所述电压信号的图像表征层面来提取其在图像域的局部隐含关联特征以得到图像特征矩阵。相应地,在一个具体示例中,所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述图像特征矩阵,其中,所述第二卷积神经网络的第一层的输入为所述电压信号的波形图。
具体地,在本申请实施例中,所述特征矩阵融合单元260和所述特征矩阵校正单元270,用于融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵,并对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行。应可以理解,这样,融合所述波形频谱特征矩阵和所述图像特征矩阵并通过作为滤波生成器的第三卷积神经网络就可以得到滤波后的电压信号,且常用的特征矩阵融合方式包括计算所述波形频谱特征矩阵和所述图像特征矩阵的按位置加权等。但是,考虑到在通过诸如加权点和的方式对所述波形频谱特征矩阵和所述图像特征矩阵进行融合时,考虑到在梯度反向传播的训练过程中,融合后的所述解码特征矩阵在分别向波形编码器和参数编码器进行梯度传递时,会由于所述特征矩阵的融合导致编码器参数的一定的信息损失,从而影响训练效果。因此,在本申请的技术方案中,进一步对于融合后的解码特征矩阵进行柯西重概率化。
更具体地,在本申请实施例中,所述特征矩阵融合单元,进一步用于:以如下公式融合所述图像特征矩阵和所述波形频谱特征矩阵以得到所述解码特征矩阵;
其中,所述公式为:
M=αM1+βM2
其中,M为所述解码特征矩阵,M1为所述图像特征矩阵,M2为所述波形频谱特征矩阵,“+”表示所述图像特征矩阵和所述波形频谱特征矩阵相对应位置处的元素相加,α和β为用于控制所述解码特征矩阵中所述图像特征矩阵和所述波形频谱特征矩阵之间的平衡的加权参数。
更具体地,在本申请实施例中,所述特征矩阵校正单元,进一步用于:以如下公式对所述解码特征矩阵进行柯西重概率化处理以得到所述校正后解码特征矩阵;
其中,所述公式为:
其中Mc为所述解码特征矩阵,且mi,j和m'i,j分别是校正前和校正后的所述解码特征矩阵的各个位置的特征值。
具体地,在本申请实施例中,所述解码生成单元280,用于将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。也就是,在本申请的技术方案中,在得到所述校正后的解码特征矩阵后,进一步将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。相应地,在一个具体示例中,使用所述作为滤波生成器的第三卷积神经网络以如下公式对所述校正后解码特征矩阵进行解码回归以获得所述滤波后电压信号;其中,所述公式为:其中X是所述校正后解码特征矩阵,Y是所述滤波后电压信号,W是权重矩阵,/>表示矩阵乘。
综上,基于本申请实施例的所述电网波形滤波系统200被阐明,其通过卡尔曼滤波器滤除采集的电压信号的高频扰动,并基于离散快速傅里叶变换提取所述电压信号的各个采样点的频率、幅值和相位,进一步通过上下文编码器模型和卷积神经网络模型来提取出所述各个采样点的电压频谱特征之间的动态关联特征,以及在所述电压信号的图像表征层面的图像域的局部隐含关联特征,这样再对于融合后的解码特征矩阵进行柯西重概率化,以通过围绕最小化信息损失来引入鲁棒性,实现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类性能,从而提高了对作为整体的期望特征的依赖性,进而提高了光伏离并网一体机的采集及控制性能。
如上所述,根据本申请实施例的电网波形滤波系统200可以实现在各种终端设备中,例如电网波形滤波算法的服务器等。在一个示例中,根据本申请实施例的电网波形滤波系统200可以作为一个软件模块和/或硬件模块而集成到终端设备中。例如,该电网波形滤波系统200可以是该终端设备的操作系统中的一个软件模块,或者可以是针对于该终端设备所开发的一个应用程序;当然,该电网波形滤波系统200同样可以是该终端设备的众多硬件模块之一。
替换地,在另一示例中,该电网波形滤波系统200与该终端设备也可以是分立的设备,并且该电网波形滤波系统200可以通过有线和/或无线网络连接到该终端设备,并且按照约定的数据格式来传输交互信息。
示例性方法
图4图示了电网波形滤波系统的滤波方法的流程图。如图4所示,根据本申请实施例的电网波形滤波系统的滤波方法,包括步骤:S110,以预设采样频率从电网获取电压信号;S120,基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位;S130,将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量;S140,将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵;S150,将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵;S160,融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵;S170,对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行;以及,S180,将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。
图5图示了根据本申请实施例的电网波形滤波系统的滤波方法的架构示意图。如图5所示,在所述电网波形滤波系统的滤波方法的网络架构中,首先,基于离散快速傅里叶变换对获取的所述电压信号(例如,如图5中所示意的IN1)进行处理以提取所述电压信号的各个采样点的频率、幅值和相位(例如,如图5中所示意的P);接着,将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器(例如,如图5中所示意的E)以得到三个特征向量(例如,如图5中所示意的VF1),并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量(例如,如图5中所示意的VF2);然后,将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵(例如,如图5中所示意的MF1)后通过第一卷积神经网络(例如,如图5中所示意的CNN1)以得到波形频谱特征矩阵(例如,如图5中所示意的MF2);接着,将所述电压信号的波形图(例如,如图5中所示意的Q)通过第二卷积神经网络(例如,如图5中所示意的CNN2)以得到图像特征矩阵(例如,如图5中所示意的MF3);然后,融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵(例如,如图5中所示意的MF4);接着,对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵(例如,如图5中所示意的MF);以及,最后,将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络(例如,如图5中所示意的CNN3)以得到滤波后电压信号(例如,如图5中所示意的OUT)。
更具体地,在步骤S110和S120中,以预设采样频率从电网获取电压信号,并基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位。也就是,具体地,在本申请的技术方案中,首先通过万用表以预设采样频率从电网获取电压信号,在本申请的技术方案中,以1KHz的采样频率对所述电网波形采样。特别地,在一个具体示例中,可以使用万用表对所述电网的电压信号进行获取,在别的具体示例中,还可以使用其他的电压测量设备对所述电网的电压信号进行采集,对此并不为本申请所局限。接着,将采集到的所述电压信号通过卡尔曼滤波器滤除高频扰动,在基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位。
更具体地,在步骤S130中,将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量。应可以理解,考虑到所述各个采样点的频率、幅值和相位之间存在关联,因此,在本申请的技术方案中,以包含嵌入层的上下文编码器对所述各个采样点的频率、幅值和相位进行基于全局的上下文语义编码以分别提取各个采样点的频率、幅值和相位的以各个采样点的频率、幅值和相位的整体为语义背景的高维隐含信息,以得到三个特征向量。
更具体地,在步骤S140中,将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵。应可以理解,由于所述各个采样点的电压频谱特征之间存在动态关联,因此,在本申请的技术方案中,进一步将所述电压信号的各个采样点的波形频谱特征向量二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵。也就是,将所述电压信号的各个采样点的波形频谱特征向量按照采样点的样本维度整合到二维的数据结构中,并使用在图像处理领域具有优异性能表现的卷积神经网络模型对所述特征矩阵进行编码以提取所述特征矩阵中的高维局部关联特征以得到波形频谱特征矩阵,即,所述各个采样点的波形频谱特征向量间的关联的高维隐含信息。
更具体地,在步骤S150中,将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵。应可以理解,由于所述电压信号的波形图本身就是一个图像处理,因此,在本申请的技术方案中,进一步使用卷积神经网络对所述电压信号的波形图进行编码以从所述电压信号的图像表征层面来提取其在图像域的局部隐含关联特征以得到图像特征矩阵。
更具体地,在步骤S160和步骤S170中,融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵,并对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行。应可以理解,这样,融合所述波形频谱特征矩阵和所述图像特征矩阵并通过作为滤波生成器的第三卷积神经网络就可以得到滤波后的电压信号,且常用的特征矩阵融合方式包括计算所述波形频谱特征矩阵和所述图像特征矩阵的按位置加权等。但是,考虑到在通过诸如加权点和的方式对所述波形频谱特征矩阵和所述图像特征矩阵进行融合时,考虑到在梯度反向传播的训练过程中,融合后的所述解码特征矩阵在分别向波形编码器和参数编码器进行梯度传递时,会由于所述特征矩阵的融合导致编码器参数的一定的信息损失,从而影响训练效果。因此,在本申请的技术方案中,进一步对于融合后的解码特征矩阵进行柯西重概率化。
更具体地,在步骤S180中,将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。也就是,在本申请的技术方案中,在得到所述校正后的解码特征矩阵后,进一步将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号。
综上,基于本申请实施例的所述电网波形滤波系统的滤波方法被阐明,其通过卡尔曼滤波器滤除采集的电压信号的高频扰动,并基于离散快速傅里叶变换提取所述电压信号的各个采样点的频率、幅值和相位,进一步通过上下文编码器模型和卷积神经网络模型来提取出所述各个采样点的电压频谱特征之间的动态关联特征,以及在所述电压信号的图像表征层面的图像域的局部隐含关联特征,这样再对于融合后的解码特征矩阵进行柯西重概率化,以通过围绕最小化信息损失来引入鲁棒性,实现了频率特征和波形特征作为特征局部相当于融合特征的特征整体的聚类性能,从而提高了对作为整体的期望特征的依赖性,进而提高了光伏离并网一体机的采集及控制性能。
示例性计算机程序产品和计算机可读存储介质
除了上述方法和设备以外,本申请的实施例还可以是计算机程序产品,其包括计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的根据本申请各种实施例的电网波形滤波系统的滤波方法中的功能中的步骤。
所述计算机程序产品可以以一种或多种程序设计语言的任意组合来编写用于执行本申请实施例操作的程序代码,所述程序设计语言包括面向对象的程序设计语言,诸如Java、C++等,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、作为一个独立的软件包执行、部分在用户计算设备上部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。
此外,本申请的实施例还可以是计算机可读存储介质,其上存储有计算机程序指令,所述计算机程序指令在被处理器运行时使得所述处理器执行本说明书上述“示例性方法”部分中描述的电网波形滤波系统的滤波方法中的步骤。
所述计算机可读存储介质可以采用一个或多个可读介质的任意组合。可读介质可以是可读信号介质或者可读存储介质。可读存储介质例如可以包括但不限于电、磁、光、电磁、红外线、或半导体的系统、系统或器件,或者任意以上的组合。可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。
Claims (8)
1.一种电网波形滤波系统,其特征在于,包括:
采样单元,用于以预设采样频率从电网获取电压信号;
频率分析单元,用于基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位;
上下文语义编码单元,用于将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量;
采样点关联编码单元,用于将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵;
波形图编码单元,用于将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵;
特征矩阵融合单元,用于融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵;
特征矩阵校正单元,用于对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行;以及
解码生成单元,用于将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号;
其中,所述上下文语义编码单元,用于:
嵌入编码子单元,用于使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得嵌入向量的序列;
语义编码子单元,使用所述包含嵌入层的上下文编码器模型的基于转换器的Bert模型对所述嵌入编码子单元获得的所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量;
级联子单元,用于将所述语义编码子单元获得的所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。
2.根据权利要求1所述的电网波形滤波系统,其中,所述采样点关联编码单元,进一步用于:将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵;使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述波形频谱特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述特征矩阵。
3.根据权利要求2所述的电网波形滤波系统,其中,所述波形图编码单元,进一步用于:所述第二卷积神经网络的各层在层的正向传递中分别对输入数据进行基于二维卷积核的卷积处理、沿通道维度的池化处理和激活处理以由所述第二卷积神经网络的最后一层输出所述图像特征矩阵,其中,所述第二卷积神经网络的第一层的输入为所述电压信号的波形图。
4.根据权利要求3所述的电网波形滤波系统,其中,所述特征矩阵融合单元,进一步用于:以如下公式融合所述图像特征矩阵和所述波形频谱特征矩阵以得到所述解码特征矩阵;
其中,所述公式为:
M=αMl+PM2
其中,M为所述解码特征矩阵,M1为所述图像特征矩阵,M2为所述波形频谱特征矩阵,“+”表示所述图像特征矩阵和所述波形频谱特征矩阵相对应位置处的元素相加,α和β为用于控制所述解码特征矩阵中所述图像特征矩阵和所述波形频谱特征矩阵之间的平衡的加权参数。
5.根据权利要求4所述的电网波形滤波系统,其中,所述特征矩阵校正单元,进一步用于:以如下公式对所述解码特征矩阵进行柯西重概率化处理以得到所述校正后解码特征矩阵;
其中,所述公式为:
其中mi,j和m'i,j分别是校正前和校正后的所述解码特征矩阵的各个位置的特征值。
6.根据权利要求5所述的电网波形滤波系统,其中,所述解码生成单元,进一步用于:使用所述作为滤波生成器的第三卷积神经网络以如下公式对所述校正后解码特征矩阵进行处理以获得所述滤波后电压信号;其中,所述公式为:其中X是所述校正后解码特征矩阵,Y是所述滤波后电压信号,W是权重矩阵,/>表示矩阵乘。
7.一种电网波形滤波系统的滤波方法,其特征在于,包括:
以预设采样频率从电网获取电压信号;
基于离散快速傅里叶变换对所述电压信号进行处理以提取所述电压信号的各个采样点的频率、幅值和相位;
将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量;
将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵;
将所述电压信号的波形图通过第二卷积神经网络以得到图像特征矩阵;
融合所述图像特征矩阵和所述波形频谱特征矩阵以得到解码特征矩阵;
对所述解码特征矩阵进行柯西重概率化处理以得到校正后解码特征矩阵,其中,所述对所述解码特征矩阵进行柯西重概率化处理基于一与所述解码特征矩阵中各个位置的特征值之间的加和值除以一与所述解码特征矩阵中所有位置的特征值之和的加和值来进行;以及
将所述校正后解码特征矩阵通过作为滤波生成器的第三卷积神经网络以得到滤波后电压信号;
其中,将所述电压信号在各个采样点的频率、幅值和相位通过包含嵌入层的上下文编码器以得到三个特征向量,并将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的波形频谱特征向量,包括:
使用所述包含嵌入层的上下文编码器模型的嵌入层分别将所述电压信号在各个采样点的频率、幅值和相位转化为输入向量以获得嵌入向量的序列;
使用所述包含嵌入层的上下文编码器模型的基于转换器的Bert模型对所述嵌入向量的序列进行基于全局掩码结构的全局语义编码以得到所述三个特征向量;
将所述三个特征向量进行级联以生成对应于所述电压信号的各个采样点的所述波形频谱特征向量。
8.根据权利要求7所述的电网波形滤波系统的滤波方法,其中,将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵后通过第一卷积神经网络以得到波形频谱特征矩阵,包括:
将所述电压信号的各个采样点的波形频谱特征向量进行二维排列为特征矩阵;
使用所述第一卷积神经网络的各层在层的正向传递中对输入数据进行卷积处理、沿通道维度的池化处理和激活处理以由所述第一卷积神经网络的最后一层生成所述波形频谱特征矩阵,其中,所述第一卷积神经网络的第一层的输入为所述特征矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210522511.4A CN115514343B (zh) | 2022-05-13 | 2022-05-13 | 电网波形滤波系统及其滤波方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210522511.4A CN115514343B (zh) | 2022-05-13 | 2022-05-13 | 电网波形滤波系统及其滤波方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115514343A CN115514343A (zh) | 2022-12-23 |
CN115514343B true CN115514343B (zh) | 2023-08-11 |
Family
ID=84500682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210522511.4A Active CN115514343B (zh) | 2022-05-13 | 2022-05-13 | 电网波形滤波系统及其滤波方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115514343B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116029520B (zh) * | 2023-01-13 | 2023-10-27 | 上海合煌能源科技有限公司 | 基于电力需求响应的在线调度方法及其系统 |
CN116125133B (zh) * | 2023-02-16 | 2023-10-20 | 南京博纳威电子科技有限公司 | 非接触式电流电压一体化测量在线监测方法及系统 |
CN117288705A (zh) * | 2023-09-25 | 2023-12-26 | 武汉怡特环保科技有限公司 | 基于物联网的微型紫外吸收法多路吸收池臭氧气体传感器 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065331A (zh) * | 2021-04-15 | 2021-07-02 | 上海金融期货信息技术有限公司 | 基于实体上下文判别的实体情感识别方法和系统 |
CN114103710A (zh) * | 2021-11-30 | 2022-03-01 | 厦门任鑫实业有限公司 | 用于电动汽车的自适应充电系统及其工作方法 |
CN114109793A (zh) * | 2021-11-25 | 2022-03-01 | 深圳市卓立智能制造有限公司 | 电磁泵输出功率控制方法、系统和电子设备 |
CN114141320A (zh) * | 2021-12-02 | 2022-03-04 | 鞍山浦项特种耐火材料有限公司 | 镁碳滑板的制备方法、系统和电子设备 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7533357B2 (en) * | 2006-06-02 | 2009-05-12 | International Business Machines Corporation | Method and apparatus to target pre-determined spatially varying voltage variation across the area of the VLSI power distribution system using frequency domain analysis |
US10224058B2 (en) * | 2016-09-07 | 2019-03-05 | Google Llc | Enhanced multi-channel acoustic models |
US10354668B2 (en) * | 2017-03-22 | 2019-07-16 | Immersion Networks, Inc. | System and method for processing audio data |
US20210247427A1 (en) * | 2018-08-30 | 2021-08-12 | Nec Corporation | Anomaly detection apparatus, method and computer-readable medium |
ES2813777B2 (es) * | 2019-09-23 | 2023-10-27 | Quibim S L | Metodo y sistema para la segmentacion automatica de hiperintensidades de sustancia blanca en imagenes de resonancia magnetica cerebral |
US11423304B2 (en) * | 2020-01-15 | 2022-08-23 | Beijing Jingdong Shangke Information Technology Co., Ltd. | System and method for semantic analysis of multimedia data using attention-based fusion network |
-
2022
- 2022-05-13 CN CN202210522511.4A patent/CN115514343B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113065331A (zh) * | 2021-04-15 | 2021-07-02 | 上海金融期货信息技术有限公司 | 基于实体上下文判别的实体情感识别方法和系统 |
CN114109793A (zh) * | 2021-11-25 | 2022-03-01 | 深圳市卓立智能制造有限公司 | 电磁泵输出功率控制方法、系统和电子设备 |
CN114103710A (zh) * | 2021-11-30 | 2022-03-01 | 厦门任鑫实业有限公司 | 用于电动汽车的自适应充电系统及其工作方法 |
CN114141320A (zh) * | 2021-12-02 | 2022-03-04 | 鞍山浦项特种耐火材料有限公司 | 镁碳滑板的制备方法、系统和电子设备 |
Non-Patent Citations (1)
Title |
---|
点特征相似与卷积神经网络相结合的SAR图像分类算法研究;许开炜;《地理与地理信息科学》;28-36 * |
Also Published As
Publication number | Publication date |
---|---|
CN115514343A (zh) | 2022-12-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115514343B (zh) | 电网波形滤波系统及其滤波方法 | |
CN114475350A (zh) | 智能充电系统及其工作方法 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及系统 | |
CN111753968A (zh) | 非侵入式负荷监测智能电表和电量分解方法 | |
CN113639993B (zh) | 多模态多任务卷积神经网络的齿轮箱故障诊断方法 | |
CN115754107B (zh) | 用于六氟磷酸锂制备的自动化采样分析系统及其方法 | |
CN113610227B (zh) | 一种用于图像分类的深度卷积神经网络剪枝方法 | |
CN116541772B (zh) | 基于多源融合残差网络的级联h桥逆变器故障诊断方法 | |
CN116768206A (zh) | 石墨的纯化工艺及其系统 | |
CN115219845A (zh) | 电网故障诊断系统及其方法 | |
CN114610901A (zh) | 一种电网运行数据融合方法、装置及存储介质 | |
Zhu et al. | Fault location in AC transmission lines with back‐to‐back MMC‐HVDC using ConvNets | |
CN116882596B (zh) | 一种热电联合系统日前随机优化问题计算效率提升方法 | |
Jiang et al. | Adaptive weighted VMD-WPEE method of power-electronic-circuit multiple-parameter-fault diagnosis | |
CN112965535A (zh) | 基于时刻角度值矩阵的智能光照角度调整方法 | |
CN116215292A (zh) | 一种充电桩及其充电稳压控制方法 | |
JP2023143703A (ja) | 電力分配システムの純負荷測定値からの瞬間再生可能発電の抽出 | |
CN116384525A (zh) | 一种基于含光伏配电网的电能质量扰动预测方法 | |
CN113158134B (zh) | 非侵入式负荷辨识模型的构建方法、装置和存储介质 | |
CN116125133A (zh) | 非接触式电流电压一体化测量在线监测方法及系统 | |
CN115526736A (zh) | 风机的发电量峰谷自动调控系统及其调控方法 | |
CN115456048A (zh) | 海上风机的可靠性评估系统及其方法 | |
CN113689308A (zh) | 基于动态模糊网络和多源信息融合的供电系统级故障诊断 | |
CN117494591B (zh) | 一种风电电能质量评估方法及装置 | |
CN115912375B (zh) | 低压供电的补偿方法、装置和电子设备 |
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 |