CN115598582B - 一种分布式互感器在线监测方法、系统、设备和存储介质 - Google Patents
一种分布式互感器在线监测方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN115598582B CN115598582B CN202211600806.5A CN202211600806A CN115598582B CN 115598582 B CN115598582 B CN 115598582B CN 202211600806 A CN202211600806 A CN 202211600806A CN 115598582 B CN115598582 B CN 115598582B
- Authority
- CN
- China
- Prior art keywords
- time
- feature
- characteristic quantity
- arrival time
- quantity extraction
- 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
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
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种分布式互感器在线监测方法、系统、设备及存储介质,其中方法包括以下步骤:对分布式布置于各个变电站的目标互感器输出的二次信号变换为采样信号;从定位系统接收授时信号并基于授时信号产生PPS脉冲;基于PPS脉冲从多通道同步采集各所述采样信号并提取特征量;将多通道的特征量提取结果进行合并,并基于授时信号为合并后提取结果添加时间标记;将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步;在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估。
Description
技术领域
本发明涉及一种分布式互感器在线监测方法、系统、设备和存储介质,属于互感器在线监测技术领域。
背景技术
互感器作为电网电能计量装置的重要组成部分,其计量性能的准确可靠直接关系到电能贸易结算的公平公正,因此,被列入强制检定的计量器具目录。现有规定电磁式电压互感器误差周期检定时间不应超过10年,电容式电压互感器误差周期检定时间不应超过4年。然而此项工作的开展却面临诸多问题,如现场停电计划难落实、作业时间窗口短、大型检测设备多、需要起重设备、现场作业安全和交通安全风险管控难等。因此,固定周期检定无法及时发现电压互感器运行中计量超差问题,易引发交易纠纷。
现有技术如公开号为“CN113074773A”的发明专利公开了一种互感器智能非电量在线监测装置及方法。通过使用氢气传感器、微水传感器、温度传感器、压力传感器对互感器内部氢气、含水量、油温、压力等非电量数据进行实时在线监测。通过油循环装置实现所监测油样的定期循环,解决死油区采样问题。其包括:氢气传感器、温度传感器、微水传感器、压力传感器、传感器信号采集单元、主CPU处理单元、人机操作单元、有线通信单元、无线通信单元、数据采集器、油循环装置。本装置利用人工智能算法对所监测的非电量信息进行综合分析,实现互感器运行状态监测和故障诊断分析。
上述现有技术存在的问题是仅能针对单体互感器进行在线监测,在目前互感器大量分布在不同变电站的情况下,仅针对单一互感器进行状态监测是没有效率的。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种分布式互感器在线监测方法、系统、设备和存储介质。
本发明的技术方案如下:
一方面,本发明提供一种分布式互感器在线监测方法,包括以下步骤:
对分布式布置于各个变电站的目标互感器输出的二次信号进行信号变换,将二次信号变换为采样信号;
从定位系统接收授时信号并基于授时信号产生PPS脉冲;
基于PPS脉冲从多通道同步采集各所述采样信号,并从采样信号中提取特征量;
将多通道的特征量提取结果进行合并,并从授时信号中提取绝对时间为合并后的多组特征量提取结果添加时间标记;
将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步,其中到达时间基于时间标记获取;
在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估。
作为优选实施方式,所述将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步的方法具体为:
建立包括N个子网络的孪生神经网络模型,子网络的数量与目标互感器的数量对应,且各个子网络共享权值w和偏置b;
将从各互感器采集和提取的多通道特征量提取结果的数据到达时间作为输入样本分别输入至各子网络,其中n为通道数;
通过各子网络对各输入样本进行特征提取,获取各输入样本的特征向量,表示为:、、……、、……;
定义相似度计算公式为:
;
其中,x和y表示输入的M维向量,为x向量中的第k维向量,为y向量中的第k维向量,和的取值范围为[0,1];
将、、……、、……两两分组,代入上述相似度计算公式,求得每组输入样本的特征向量的相似度,分别为、、……、;
采用逻辑“与”计算所有输入样本的特征向量的综合相似度:
;
当=1时,将各特征量提取结果直接输入至云平台;
当=0时,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记;将添加好新的时间标记的各特征量提取结果输入至云平台。
作为优选实施方式,所述以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记的方法具体为:
记各特征量提取结果中的到达时间分别为、、……、、……、,设为最大到达时间,则与其他特征量提取结果到达时间的时间差为:
;
其中,为第k个其他特征量提取结果到达时间;
则其他特征量提取结果的新的时间标记为:
;
其中为新的时间标记。
作为优选实施方式,所述在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估的方法具体为:
预先在互感器的离线监测过程中采集若干互感器的特征量,特征量包括工况参量、电磁参量和环境参量,并对特征量进行特征选择得到特征集,对获取的特征集添加运行状态误差标签,得到离线数据集;
在云平台上搭建SOM自组织特征映射网模型,将离线数据集输入至云平台,基于所述离线数据集训练SOM自组织特征映射网模型得到预训练模型;
在线监测过程中获取若干互感器的特征量,采用与离线数据集相同的处理方法构建在线数据集,将在线数据集输入至预训练模型进行二次训练,得到在线监测模型;
将进行数据同步的各特征量提取结果输入至在线监测模型,输出各目标互感器的误差。
另一方面,本发明还提供一种分布式互感器在线监测系统,包括:
设置于现场站的信号变换模块、采集同步模块、信号采集模块和合并模块,以及设置于中心站的数据同步模块和云计算模块;
所述信号变换模块用于对分布式布置于各个变电站的目标互感器输出的二次信号进行信号变换,将二次信号变换为采样信号;
所述采集同步模块用于从定位系统接收授时信号并基于授时信号产生PPS脉冲;
所述信号采集模块用于基于PPS脉冲从多通道同步采集各所述采样信号,并从采样信号中提取特征量;
所述合并模块用于将多通道的特征量提取结果进行合并,并从授时信号中提取绝对时间为合并后的多组特征量提取结果添加时间标记;
所述数据同步模块用于将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步,其中到达时间基于时间标记获取;
所述云计算模块用于在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估。
作为优选实施方式,所述数据同步模块包括:
孪生神经网络建立单元,用于建立包括N个子网络的孪生神经网络模型,子网络的数量与目标互感器的数量对应,且各个子网络共享权值w和偏置b;
样本输入单元,用于将从各互感器采集和提取的多通道特征量提取结果的数据到达时间作为输入样本分别输入至各子网络,其中n为通道数;
特征提取单元,用于通过各子网络对各输入样本进行特征提取,获取各输入样本的特征向量,表示为:、、……、、……;
相似度定义单元,用于定义相似度计算公式为:
;
其中,x和y表示输入的M维向量,为x向量中的第k维向量,为y向量中的第k维向量,和的取值范围为[0,1];
综合相似度计算单元,用于将、、……、、……两两分组,代入上述相似度计算公式,求得每组输入样本的特征向量的相似度,分别为、、……、;并采用逻辑“与”计算所有输入样本的特征向量的综合相似度:
;
同步数据输出单元,当=1时,将各特征量提取结果直接输入至云平台;当=0时,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记;将添加好新的时间标记的各特征量提取结果输入至云平台。
作为优选实施方式,在所述同步数据输出单元中,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记的方法具体为:
记各特征量提取结果中的到达时间分别为、、……、、……、,设为最大到达时间,则与其他特征量提取结果到达时间的时间差为:
;
其中,为第k个其他特征量提取结果到达时间;
则其他特征量提取结果的新的时间标记为:
;
其中为新的时间标记。
作为优选实施方式,所述所述云计算模块包括:
离线数据集构建单元,用于预先在互感器的离线监测过程中采集若干互感器的特征量,特征量包括工况参量、电磁参量和环境参量,并对特征量进行特征选择得到特征集,对获取的特征集添加运行状态误差标签,得到离线数据集;
预训练单元,用于在云平台上搭建SOM自组织特征映射网模型,将离线数据集输入至云平台,基于所述离线数据集训练SOM自组织特征映射网模型得到预训练模型;
在线模型训练单元,用于在线监测过程中获取若干互感器的特征量,采用与离线数据集相同的处理方法构建在线数据集,将在线数据集输入至预训练模型进行二次训练,得到在线监测模型;
在线误差评估单元,用于将进行数据同步的各特征量提取结果输入至在线监测模型,输出各目标互感器的误差。
再一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的分布式互感器在线监测方法。
再一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的分布式互感器在线监测方法。
本发明具有如下有益效果:
1、本发明一种分布式互感器在线监测方法,通过对分布式布置的互感器进行数据的同步采集,基于云平台分布式互感器群体运行状态误差的实时在线评估,并根据数据到达中心站的时间对各特征量提取结果进行数据同步,提高互感器运行状态误差监测结果评估的实时性和准确性。
2、本发明一种分布式互感器在线监测方法,采用多路孪生神经网络算法,计算多路特征量提取结果到达时间的相似度,并基于相似度计算结果对多路特征量提取结果的到达时间进行时间差补偿,根据补偿后的时间标记执行特征量提取结果的出栈,保证云计算分析的实时性和准确性。
3、本发明一种分布式互感器在线监测方法,采用对特征进行筛选后进行离线建模,在线训练的方式,实现了广域级互感器的在线运行状态误差评估。
附图说明
图1为本发明实施例一的方法流程示意图;
图2为本发明实施例中对各特征量提取结果到达时间进行相似度计算的流程示意图;
图3为本发明实施例二的系统结构示意图。
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作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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
参见图1,为了解决现有技术存在的问题,本实施例提供一种分布式互感器在线监测方法,实现广域级互感器群体运行状态误差的实时在线评估,该方法具体包括以下步骤:
S100、对分布式布置于各个变电站的目标互感器输出的二次信号进行信号变换,将二次信号变换为采样信号,例如,二次信号如果是电压信号,就进行信号变换将二次信号输出的57.7V的电压信号,变换成4V的电压信号(采样信号),通过将二次信号变换为小的采样信号以适应后续的计算步骤;
S200、从北斗/GPS定位系统接收授时信号,并基于授时信号产生PPS脉冲,用于支持数据的实时同步采集。
S300、基于A/D+FPGA+DSP架构的采集模组以及PPS脉冲实现同步从多组互感器二次输出的包含电气模拟信号的各采样信号进行A/D采样和特征量提取。
S400、将多通道的特征量提取结果进行合并,并从北斗/GPS定位系统的接收授时信号中提取绝对时间,基于绝对时间为合并后的多组特征量提取结果添加时间标记。
S500、将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步,其中到达时间基于时间标记获取;由于变电站分布在不同的区域,在上述步骤S200中实现了变电站间互感器二次信号的同步采集,但是从变电站现场站到中心站的传输距离不一致,导致采集数据到达的时间不一致,从而在实时评估互感器误差的时候影响了评估结果的准确性,因此该步骤通过到达时间对数据进行同步,提高互感器运行状态误差监测结果评估的实时性和准确性。
S600、在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估。
参见图2,作为本实施例的优选实施方式,在步骤S500中,所述将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步的方法具体为:
S510、采用孪生神经网络算法对各目标互感器的多路特征量提取结果进行相似度判断,若多路特征量提取结果到达时间的特征一致,则进入步骤S530;若多路特征量提取结果到达时间的特征不一致,则进入步骤S520;该步骤具体包括:
S511、建立包括N个子网络的孪生神经网络模型,子网络的数量与目标互感器的数量对应,且各个子网络共享权值w和偏置b;传统的孪生神经网络是一类包含两个相同模型参数的子神经网络,其目的是衡量输入样本经子网络所提取特征向量后的相似性,使子网络提取特征更具备判别性。而本实施例提出的孪生网络包含N个相同模型参数子网络。
S512、将从各互感器采集和提取的多通道特征量提取结果的数据到达时间作为输入样本分别输入至各子网络,其中n为通道数。
S513、通过各孪生神经网络对各输入样本分别映射到各子网络相同特征空间中,得到获取各输入样本的特征向量,表示为:、、……、、……;
S514、相似度度量是用于计算样本对中n个样本特征向量之间的距离以评定n个样本之间相似程度的一种度量。本实施例采用Tanimoto 系数计算待测样本的相似度,具体公式为:
;
其中,x和y表示输入的M维向量,为x向量中的第k维向量,为y向量中的第k维向量,和的取值范围为[0,1];
S515、将、、……、、……两两分组,代入上述相似度计算公式,例如将作为x,作为y代入相似度计算公式,即可求得和之间的相似度;求得每组输入样本的特征向量的相似度,分别为、、……、;
S516、采用逻辑“与”计算所有输入样本的特征向量的综合相似度:
;
S517、获取计算出的的数值,当=1时,则进入步骤S530;当=0时,进入步骤S520。
S520、以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记;将添加好新的时间标记的各特征量提取结果输入至云平台,具体步骤包括:
S521、记各特征量提取结果中的到达时间分别为、、……、、……、,设为最大到达时间,则与其他特征量提取结果到达时间的时间差为:
;
其中,为第k个其他特征量提取结果到达时间;
S522、则其他特征量提取结果的新的时间标记为:
;
其中为新的时间标记。
S530、根据特征量提取结果的时间标记,执行特征量提取结果的出栈,输入至云平台中进行互感器误差评估。
基于上述步骤,本实施例采用多路孪生神经网络算法,计算多路特征量提取结果到达时间的相似度,并基于相似度计算结果对多路特征量提取结果的到达时间进行时间差补偿,根据补偿后的时间标记执行特征量提取结果的出栈,保证云计算分析的实时性和准确性。
作为本实施例的优选实施方式,在步骤S600中,所述在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估的方法具体为:
S601、预先在互感器的离线监测过程中采集若干互感器的特征量,特征量包括工况参量、电磁参量和环境参量,并对特征量进行特征选择得到特征集,对获取的特征集添加运行状态误差标签,得到离线数据集;其中,所述工况特征参数T1包括电流大小T11、三相不平衡T12、额定变比T13;所述电磁参量T2包括磁感应强度T21,所述环境参量T3包括温度T31、湿度T32;
S602、在云平台上搭建SOM自组织特征映射网模型,将离线数据集输入至云平台,基于所述离线数据集训练SOM自组织特征映射网模型得到预训练模型;采用最大相关-最小冗余算法(mRMR)将T1、T2、T3三类进行特征选择,具体方法如下:
定义离线数据集为:,特征集S与类C(正常C1、异常C2)的相关性由各个特征和类C之间的所有互信息值的平均值定义,如下所示:
;
选择标准为:
;
利用选择标准对S中的特征进行选择,得到。
S603、在线监测过程中获取若干互感器的特征量,采用与离线数据集相同的处理方法构建在线数据集,将在线数据集输入至预训练模型进行二次训练,得到在线监测模型;
S604、将进行数据同步的各特征量提取结果输入至在线监测模型,输出各目标互感器的误差。
基于上述步骤,本实施例采用最大相关-最小冗余算法(mRMR)对特征进行筛选后进行离线建模,在线训练,实现了广域级互感器的在线运行状态误差评估。
实施例二:
参见图3,本实施例提供一种分布式互感器在线监测系统,包括:
设置于现场站的信号变换模块、采集同步模块、信号采集模块和合并模块,以及设置于中心站的数据同步模块和云计算模块;该模块用于实现实施例一中步骤S100的功能,在此不再赘述;
所述信号变换模块用于对分布式布置于各个变电站的目标互感器输出的二次信号进行信号变换,将二次信号变换为采样信号;该模块用于实现实施例一中步骤S200的功能,在此不再赘述;
所述采集同步模块用于从定位系统接收授时信号并基于授时信号产生PPS脉冲;该模块用于实现实施例一中步骤S300的功能,在此不再赘述;
所述信号采集模块用于基于PPS脉冲从多通道同步采集各所述采样信号,并从采样信号中提取特征量;该模块用于实现实施例一中步骤S400的功能,在此不再赘述;
所述合并模块用于将多通道的特征量提取结果进行合并,并从授时信号中提取绝对时间为合并后的多组特征量提取结果添加时间标记;该模块用于实现实施例一中步骤S500的功能,在此不再赘述;
所述数据同步模块用于将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步,其中到达时间基于时间标记获取;该模块用于实现实施例一中步骤S600的功能,在此不再赘述;
所述云计算模块用于在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估;该模块用于实现实施例一中步骤S700的功能,在此不再赘述。
作为本实施例的优选实施方式,所述数据同步模块包括:
孪生神经网络建立单元,用于建立包括N个子网络的孪生神经网络模型,子网络的数量与目标互感器的数量对应,且各个子网络共享权值w和偏置b;
样本输入单元,用于将从各互感器采集和提取的多通道特征量提取结果的数据到达时间作为输入样本分别输入至各子网络,其中n为通道数;
特征提取单元,用于通过各子网络对各输入样本进行特征提取,获取各输入样本的特征向量,表示为:、、……、、……;
相似度定义单元,用于定义相似度计算公式为:
;
其中,x和y表示输入的M维向量,为x向量中的第k维向量,为y向量中的第k维向量,和的取值范围为[0,1];
综合相似度计算单元,用于将、、……、、……两两分组,代入上述相似度计算公式,求得每组输入样本的特征向量的相似度,分别为、、……、;并采用逻辑“与”计算所有输入样本的特征向量的综合相似度:
;
同步数据输出单元,当=1时,将各特征量提取结果直接输入至云平台;当=0时,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记;将添加好新的时间标记的各特征量提取结果输入至云平台。
作为本实施例的优选实施方式,在所述同步数据输出单元中,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记的方法具体为:
记各特征量提取结果中的到达时间分别为、、……、、……、,设为最大到达时间,则与其他特征量提取结果到达时间的时间差为:
;
其中,为第k个其他特征量提取结果到达时间;
则其他特征量提取结果的新的时间标记为:
;
其中为新的时间标记。
作为本实施例的优选实施方式,所述所述云计算模块包括:
离线数据集构建单元,用于预先在互感器的离线监测过程中采集若干互感器的特征量,特征量包括工况参量、电磁参量和环境参量,并对特征量进行特征选择得到特征集,对获取的特征集添加运行状态误差标签,得到离线数据集;
预训练单元,用于在云平台上搭建SOM自组织特征映射网模型,将离线数据集输入至云平台,基于所述离线数据集训练SOM自组织特征映射网模型得到预训练模型;
在线模型训练单元,用于在线监测过程中获取若干互感器的特征量,采用与离线数据集相同的处理方法构建在线数据集,将在线数据集输入至预训练模型进行二次训练,得到在线监测模型;
在线误差评估单元,用于将进行数据同步的各特征量提取结果输入至在线监测模型,输出各目标互感器的误差。
实施例三:
本实施例提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的分布式互感器在线监测方法。
实施例四:
本实施例提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的分布式互感器在线监测方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种分布式互感器在线监测方法,其特征在于,包括以下步骤:
对分布式布置于各个变电站的目标互感器输出的二次信号进行信号变换,将二次信号变换为采样信号;
从定位系统接收授时信号并基于授时信号产生PPS脉冲;
基于PPS脉冲从多通道同步采集各所述采样信号,并从采样信号中提取特征量;
将多通道的特征量提取结果进行合并,并从授时信号中提取绝对时间为合并后的多组特征量提取结果添加时间标记;
将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步,其中到达时间基于时间标记获取;
在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估;
其中,所述将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步的方法具体为:
建立包括N个子网络的孪生神经网络模型,子网络的数量与目标互感器的数量对应,且各个子网络共享权值w和偏置b;
将从各互感器采集和提取的多通道特征量提取结果的数据到达时间作为输入样本分别输入至各子网络,其中n为通道数;
通过各子网络对各输入样本进行特征提取,获取各输入样本的特征向量,表示为:、、……、、……;
定义相似度计算公式为:
;
其中,x和y表示输入的M维向量,为x向量中的第k维向量,为y向量中的第k维向量,和的取值范围为[0,1];
将、、……、、……两两分组,代入上述相似度计算公式,求得每组输入样本的特征向量的相似度,分别为、、……、;
采用逻辑“与”计算所有输入样本的特征向量的综合相似度:
;
当=1时,将各特征量提取结果直接输入至云平台;
当=0时,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记;将添加好新的时间标记的各特征量提取结果输入至云平台;
其中,所述在云平台基于进行数据同步的各特征量提取结果进行各互感器的运行状态误差评估的方法具体为:
预先在互感器的离线监测过程中采集若干互感器的特征量,特征量包括工况参量、电磁参量和环境参量,并对特征量进行特征选择得到特征集,对获取的特征集添加运行状态误差标签,得到离线数据集;
在云平台上搭建SOM自组织特征映射网模型,将离线数据集输入至云平台,基于所述离线数据集训练SOM自组织特征映射网模型得到预训练模型;
在线监测过程中获取若干互感器的特征量,采用与离线数据集相同的处理方法构建在线数据集,将在线数据集输入至预训练模型进行二次训练,得到在线监测模型;
将进行数据同步的各特征量提取结果输入至在线监测模型,输出各目标互感器的误差。
2.根据权利要求1所述的一种分布式互感器在线监测方法,其特征在于,所述以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记的方法具体为:
记各特征量提取结果中的到达时间分别为、、……、、……、,设为最大到达时间,则与其他特征量提取结果到达时间的时间差为:
;
其中,为第k个其他特征量提取结果到达时间;
则其他特征量提取结果的新的时间标记为:
;
其中为新的时间标记。
3.一种分布式互感器在线监测系统,其特征在于,包括:
设置于现场站的信号变换模块、采集同步模块、信号采集模块和合并模块,以及设置于中心站的数据同步模块和云计算模块;
所述信号变换模块用于对分布式布置于各个变电站的目标互感器输出的二次信号进行信号变换,将二次信号变换为采样信号;
所述采集同步模块用于从定位系统接收授时信号并基于授时信号产生PPS脉冲;
所述信号采集模块用于基于PPS脉冲从多通道同步采集各所述采样信号,并从采样信号中提取特征量;
所述合并模块用于将多通道的特征量提取结果进行合并,并从授时信号中提取绝对时间为合并后的多组特征量提取结果添加时间标记;
所述数据同步模块用于将添加了时间标记的各特征量提取结果发送至中心站,在中心站基于各特征量提取结果的数据到达时间进行数据同步,其中到达时间基于时间标记获取;
所述云计算模块用于在云平台基于进行数据同步的各特征量提取结果进行各目标互感器的运行状态误差评估;
其中,所述数据同步模块包括:
孪生神经网络建立单元,用于建立包括N个子网络的孪生神经网络模型,子网络的数量与目标互感器的数量对应,且各个子网络共享权值w和偏置b;
样本输入单元,用于将从各互感器采集和提取的多通道特征量提取结果的数据到达时间作为输入样本分别输入至各子网络,其中n为通道数;
特征提取单元,用于通过各子网络对各输入样本进行特征提取,获取各输入样本的特征向量,表示为:、、……、、……;
相似度定义单元,用于定义相似度计算公式为:
;
其中,x和y表示输入的M维向量,为x向量中的第k维向量,为y向量中的第k维向量,和的取值范围为[0,1];
综合相似度计算单元,用于将、、……、、……两两分组,代入上述相似度计算公式,求得每组输入样本的特征向量的相似度,分别为、、……、;并采用逻辑“与”计算所有输入样本的特征向量的综合相似度:
;
同步数据输出单元,当=1时,将各特征量提取结果直接输入至云平台;当=0时,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记;将添加好新的时间标记的各特征量提取结果输入至云平台;
其中,所述云计算模块包括:
离线数据集构建单元,用于预先在互感器的离线监测过程中采集若干互感器的特征量,特征量包括工况参量、电磁参量和环境参量,并对特征量进行特征选择得到特征集,对获取的特征集添加运行状态误差标签,得到离线数据集;
预训练单元,用于在云平台上搭建SOM自组织特征映射网模型,将离线数据集输入至云平台,基于所述离线数据集训练SOM自组织特征映射网模型得到预训练模型;
在线模型训练单元,在线监测过程中获取若干互感器的特征量,采用与离线数据集相同的处理方法构建在线数据集,将在线数据集输入至预训练模型进行二次训练,得到在线监测模型;
在线误差评估单元,用于将进行数据同步的各特征量提取结果输入至在线监测模型,输出各目标互感器的误差。
4.根据权利要求3所述的一种分布式互感器在线监测系统,其特征在于,在所述同步数据输出单元中,以各特征量提取结果中最大的到达时间为基准,分别计算与其他特征量提取结果到达时间的时间差,并以此时间差对其他特征量提取结果的时间标记做时间补偿,添加新的时间标记的方法具体为:
记各特征量提取结果中的到达时间分别为、、……、、……、,设为最大到达时间,则与其他特征量提取结果到达时间的时间差为:
;
其中,为第k个其他特征量提取结果到达时间;
则其他特征量提取结果的新的时间标记为:
;
其中为新的时间标记。
5.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现如权利要求1至2任一项所述的分布式互感器在线监测方法。
6.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至2任一项所述的分布式互感器在线监测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600806.5A CN115598582B (zh) | 2022-12-14 | 2022-12-14 | 一种分布式互感器在线监测方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211600806.5A CN115598582B (zh) | 2022-12-14 | 2022-12-14 | 一种分布式互感器在线监测方法、系统、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115598582A CN115598582A (zh) | 2023-01-13 |
CN115598582B true CN115598582B (zh) | 2023-04-07 |
Family
ID=84853851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211600806.5A Active CN115598582B (zh) | 2022-12-14 | 2022-12-14 | 一种分布式互感器在线监测方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115598582B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116289A (zh) * | 2018-11-15 | 2019-01-01 | 国网山东省电力公司电力科学研究院 | 一种高压互感器群运行状态实时采集系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE19723422C1 (de) * | 1997-06-04 | 1998-12-10 | Siemens Ag | Verfahren und Vorrichtung zur Erkennung und Korrektur eines gesättigten Stromverlaufs eines Stromwandlers |
CN105119373A (zh) * | 2015-09-01 | 2015-12-02 | 广东佛电电器有限公司 | 一种基于无线传输自组网的智能配电监控系统终端 |
CN114118251A (zh) * | 2021-11-22 | 2022-03-01 | 国网辽宁省电力有限公司沈阳供电公司 | 基于多源数据融合与卷积孪生神经网络的故障诊断与预警方法 |
CN114626769B (zh) * | 2022-05-16 | 2022-08-02 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器运维方法及系统 |
-
2022
- 2022-12-14 CN CN202211600806.5A patent/CN115598582B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109116289A (zh) * | 2018-11-15 | 2019-01-01 | 国网山东省电力公司电力科学研究院 | 一种高压互感器群运行状态实时采集系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115598582A (zh) | 2023-01-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105932774B (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
CN106093652B (zh) | 一种具备自学习功能的非侵入式电力负荷监测系统与方法 | |
CN102819004B (zh) | 智能变电站数字化电能计量系统性能综合检测与分析平台 | |
CN101324657B (zh) | 变电站高压计量用互感器在线监测方法 | |
CN107886171B (zh) | 一种基于pmu数据的断路器状态在线诊断方法及系统 | |
CN107679768B (zh) | 一种基于电网实时数据的态势感知系统及其构建方法 | |
CN101232180B (zh) | 一种配电系统负荷模糊建模装置及方法 | |
CN102222276B (zh) | 电网二次设备状态检修方法及装置 | |
CN108053110A (zh) | 一种基于pmu数据的变压器状态在线诊断方法 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN103269279B (zh) | 一种主子站联合拓扑辨识方法 | |
CN106026086B (zh) | 一种电网中运行状态的动态估计方法 | |
CN109145972B (zh) | 一种船舶电力推进系统变频器报警器设计方法 | |
CN110046834A (zh) | 工作场所有害气体健康风险定量评估系统及其评估方法 | |
CN113723844B (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
CN104992010A (zh) | 一种基于拓扑分区的多断面联合参数估计方法 | |
CN111091223B (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN109345090A (zh) | 一种基于配电网可靠性提升的网架评价方法 | |
CN113708350B (zh) | 一种基于云边协同的配电台区重过载异常判断方法及系统 | |
CN115598582B (zh) | 一种分布式互感器在线监测方法、系统、设备和存储介质 | |
CN104332984B (zh) | 一种基于类噪声的节点电压相互影响因子的在线辨识方法 | |
CN113659564A (zh) | 基于电压波动特征聚类的低压配电网拓扑识别方法及系统 | |
CN109164407A (zh) | 一种基于移动作业终端的电能计量装置现场检验管理系统 | |
CN106383280B (zh) | 基于二节点架空线模型的电压互感器模型测试方法 | |
CN109193639A (zh) | 一种电力系统抗差估计方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |