CN116125133B - 非接触式电流电压一体化测量在线监测方法及系统 - Google Patents
非接触式电流电压一体化测量在线监测方法及系统 Download PDFInfo
- Publication number
- CN116125133B CN116125133B CN202310124571.5A CN202310124571A CN116125133B CN 116125133 B CN116125133 B CN 116125133B CN 202310124571 A CN202310124571 A CN 202310124571A CN 116125133 B CN116125133 B CN 116125133B
- Authority
- CN
- China
- Prior art keywords
- current
- voltage
- feature vector
- network model
- neural network
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 87
- 238000012544 monitoring process Methods 0.000 title claims abstract description 58
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000013598 vector Substances 0.000 claims abstract description 222
- 230000004927 fusion Effects 0.000 claims abstract description 83
- 238000003062 neural network model Methods 0.000 claims abstract description 59
- 238000005070 sampling Methods 0.000 claims abstract description 13
- 238000004088 simulation Methods 0.000 claims description 56
- 238000012545 processing Methods 0.000 claims description 40
- 238000013527 convolutional neural network Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000004913 activation Effects 0.000 claims description 12
- 238000011176 pooling Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 7
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000010586 diagram Methods 0.000 description 9
- 230000008901 benefit Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000005350 ferromagnetic resonance Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/25—Arrangements for measuring currents or voltages or for indicating presence or sign thereof using digital measurement techniques
- G01R19/2506—Arrangements for conditioning or analysing measured signals, e.g. for indicating peak values ; Details concerning sampling, digitizing or waveform capturing
- G01R19/2509—Details concerning sampling, digitizing or waveform capturing
-
- 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
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
-
- 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
Abstract
本申请公开了一种非接触式电流电压一体化测量在线监测方法及系统。其首先对获取的由非接触式电压电流一体化传感器采集的电流电压模拟信号进行采样与模数转换以得到离散波形数据，接着，将所述电流电压模拟信号通过第一卷积神经网络模型以得到电流电压模拟特征向量，然后，将所述离散波形数据通过第二卷积神经网络模型以得到电流电压离散特征向量，接着，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，最后，将所述多模态融合特征向量通过第一解码器以得到用于表示电流值的第一解码值。通过这样的方式，可以提升电流电压测量的精准度。
Description
技术领域
本申请涉及智能监测技术领域，且更为具体地，涉及一种非接触式电流电压一体化测量在线监测方法及系统。
背景技术
低压配电网位于电力系统末端，担负着为用户直接供电的重任。近年来，随着配电网自动化水平的提高以及电力需求的增长，人们越来越重视电能质量和供电可靠性。
配电线路的电压电流测量在电能计量、继电保护、过电压在线监测以及智能设备控制等应用领域都具有举足轻重的影响，其准确性与可靠性是保证配电网安全、可靠、经济运行的必要手段，也是电力系统维护中的重要环节，因此高效、安全的测量方式是提高维护效率和电网供电质量的有效途径。
目前配电线路的电压电流测量主要通过互感器来实现。传统互感器体积较大，且绝缘难度随电压等级升高而加大；铁芯的存在可能导致铁磁谐振，而铁磁饱和又会导致动态范围变小；其补偿电抗、互感绕组以及中间变压器等电感性结构与互感器杂散电容等构成高阶电路，造成互感器测量带宽变窄或在高频下发生高频谐振，导致互感器监测不到一次侧发生的暂态波形或不能及时跟随一次侧波形变化。
因此，期待一种优化的电流电压测量方案。
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非接触式电流电压一体化测量在线监测方法及系统。其首先对获取的由非接触式电压电流一体化传感器采集的电流电压模拟信号进行采样与模数转换以得到离散波形数据，接着，将所述电流电压模拟信号通过第一卷积神经网络模型以得到电流电压模拟特征向量，然后，将所述离散波形数据通过第二卷积神经网络模型以得到电流电压离散特征向量，接着，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，最后，将所述多模态融合特征向量通过第一解码器以得到用于表示电流值的第一解码值。通过这样的方式，可以提升电流电压测量的精准度。
根据本申请的一个方面，提供了一种非接触式电流电压一体化测量在线监测方法，其包括以下步骤：
S110：获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；
S120：对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；
S130：将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；
S140：将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；
S150：融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；
S160：将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。
在上述的非接触式电流电压一体化测量在线监测方法中，所述将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量，包括：
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述电流电压模拟特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述电流电压模拟信号。
在上述的非接触式电流电压一体化测量在线监测方法中，所述将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量，包括：
使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述电流电压离散特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述离散波形数据。
在上述的非接触式电流电压一体化测量在线监测方法中，所述作为过滤器的第一卷积神经网络模型和/或所述作为过滤器的第二卷积神经网络模型为深度残差网络模型。
在上述的非接触式电流电压一体化测量在线监测方法中，所述融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，包括：
以如下公式融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到所述多模态融合特征向量；
其中，所述公式为：
；
其中，表示所述电流电压模拟特征向量，/>表示所述电流电压离散特征向量，表示所述多模态融合特征向量，/>和/>为超参数，/>表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在上述的非接触式电流电压一体化测量在线监测方法中，所述将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值，包括：
使用所述第一解码器的多个全连接层以如下公式对所述多模态融合特征向量进行解码回归以获得所述第一解码值；
其中，所述公式为：
；
其中，是所述多模态融合特征向量，/>是所述第一解码值，/>是权重矩阵，/>表示矩阵乘。
在上述的非接触式电流电压一体化测量在线监测方法中，还包括将所述多模态融合特征向量通过第二解码器以得到第二解码值，所述第二解码值用于表示电压值。
根据本申请的另一个方面，提供了一种非接触式电流电压一体化测量在线监测系统，其包括：
信号获取模块，用于获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；
采样转换模块，用于对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；
第一卷积编码模块，用于将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；
第二卷积编码模块，用于将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；
向量融合模块，用于融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；以及
第一解码值获取模块，用于将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。
在上述的非接触式电流电压一体化测量在线监测系统中，所述第一卷积编码模块，进一步用于：
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述电流电压模拟特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述电流电压模拟信号。
在上述的非接触式电流电压一体化测量在线监测系统中，所述第二卷积编码模块，进一步用于：
使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述电流电压离散特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述离散波形数据。
与现有技术相比，本申请提供的非接触式电流电压一体化测量在线监测方法及系统，其首先对获取的由非接触式电压电流一体化传感器采集的电流电压模拟信号进行采样与模数转换以得到离散波形数据，接着，将所述电流电压模拟信号通过第一卷积神经网络模型以得到电流电压模拟特征向量，然后，将所述离散波形数据通过第二卷积神经网络模型以得到电流电压离散特征向量，接着，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，最后，将所述多模态融合特征向量通过第一解码器以得到用于表示电流值的第一解码值。通过这样的方式，可以提升电流电压测量的精准度。
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1为根据本申请实施例的非接触式电流电压一体化测量在线监测方法的场景示意图。
图2为根据本申请实施例的非接触式电流电压一体化测量在线监测方法的流程图。
图3为根据本申请实施例的非接触式电流电压一体化测量在线监测方法的架构示意图。
图4为根据本申请实施例的非接触式电流电压一体化测量在线监测系统的框图。
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
在本申请的技术方案中，在硬件电路方面，先用模拟信号处理单元对传感器测得的电压电流信号进行相应处理，再由单片机对处理过后的信号进行模数转换，得到传感器输出信号的离散波形数据，通过这种方式，以非接触式的方式来得到电流测量值和电压测量值。但是，如果仅通过离散波形数据的观测值来得到电流测量值和电压测量值，因所述离散波形数据从所述电压电流信号的模拟信号中得到，因此，如果所述电压电流信号的模拟信号中存在噪声或者误差，则会影响所述离散波形数据的精准表达，也就是，如果仅通过离散波形数据的观测值来得到电流测量值和电压测量值，所得到的所述电流测量值和所述电压测量值的精准度相对较低。
基于此，在本申请的技术方案中，协同利用所述电流电压信号的模拟信号和数字信号，以此来提高电流测量值和电压测量值的测量精准度。具体地，首先获取由非接触式电压电流一体化传感器采集的电流电压模拟信号，接着对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据。
接着，将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量，同时将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量。也就是，在本申请的技术方案中，使用在局部特征提取领域具有优异性能表现的卷积神经网络模型作为特征提取器对所述电流电压模拟信号和所述离散波形数据进行基于卷积核的空间局部特征模式过滤以得到所述电流电压离散特征向量和所述电流电压模拟特征向量。在本申请一个具体的示例中，所述作为过滤器的第一卷积神经网络模型和/或所述作为过滤器的第二卷积神经网络模型为深度残差网络模型。
在得到所述电流电压模拟特征向量和所述电流电压离散特征向量后，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，并将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。也就是，在高维特征空间中，对所述电流电压模拟特征向量和所述电流电压离散特征向量进行特征融合以得到所述多模态融合特征向量，并通过所述解码器使用具有可学习参数的权重矩阵对所述多模态融合特征向量进行解码回归以得到用于表示电流值的第一解码值。进一步地，还可以将所述多模态融合特征向量通过第二解码器以得到第二解码值，所述第二解码值用于表示电压值。
特别地，在本申请的技术方案中，如果以按位置加权和的方式来融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到所述多模态融合特征向量，因所述电流电压模式特征向量通过电流电压模拟信号得到而所述电流电压离散特征向量通过电流电压的离散数据得到，因两者在源域端存在数据表达模态差异，因此，所述电流电压模拟特征向量和所述电流电压离散特征向量在特征表达致密度存在差异，也就是，所述电流电压模拟特征向量和所述电流电压离散特征向量在高维特征空间中存在特征不对齐的问题。
基于此，在本申请的技术方案中，对所述电流电压模拟特征向量和所述电流电压离散特征向量进行域自适应类图拓扑融合：
；
以特征分布中各个位置的特征值为节点且以特征分布间相应位置之间的空间距离的信息化解释作为边，来沿着特征分布的预定方向实现不同特征域图之间的信息鲁棒性交互和传播，以使得融合得到的多模态融合特征向量不仅具有像素级别的特征稀疏性和非网络属性，同时还具有相对较优的特征稠密性，以此对所述电流电压模拟特征向量和所述电流电压离散特征向量进行特征对齐和聚合，以提高所述多模态融合特征向量通过解码器的解码回归的精准度。
基于此，本申请提供了一种非接触式电流电压一体化测量在线监测方法，其包括：获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；以及，将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。
图1为根据本申请实施例的非接触式电流电压一体化测量在线监测方法的应用场景图。如图1所示，在该应用场景中，获取由非接触式电压电流一体化传感器采集的电流电压模拟信号（例如，如图1中所示意的D），然后，将所述电流电压模拟信号输入至部署有非接触式电流电压一体化测量在线监测算法的服务器（例如，如图1中所示意的S）中，其中所述服务器能够基于所述非接触式电流电压一体化测量在线监测算法得到用于表示电流值的第一解码值。
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。
示例性方法
图2为根据本申请实施例的非接触式电流电压一体化测量在线监测方法的流程图。如图2所示，根据本申请实施例的非接触式电流电压一体化测量在线监测方法，包括步骤：
S110，获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；
S120，对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；
S130，将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；
S140，将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；
S150，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；
S160，将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。
图3为根据本申请实施例的非接触式电流电压一体化测量在线监测方法的架构示意图。如图3所示，在该网络架构中，首先，获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；接着，对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；然后，将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；接着，将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；然后，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；最后，将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。
更具体地，在步骤S110中，获取由非接触式电压电流一体化传感器采集的电流电压模拟信号。在本申请的技术方案中，在硬件电路方面，先用模拟信号处理单元对传感器测得的电压电流信号进行相应处理，再由单片机对处理过后的信号进行模数转换，得到传感器输出信号的离散波形数据，通过这种方式，以非接触式的方式来得到电流测量值和电压测量值。
但是，考虑到如果仅通过离散波形数据的观测值来得到电流测量值和电压测量值，因所述离散波形数据从所述电压电流信号的模拟信号中得到，因此，如果所述电压电流信号的模拟信号中存在噪声或者误差，则会影响所述离散波形数据的精准表达，也就是，如果仅通过离散波形数据的观测值来得到电流测量值和电压测量值，所得到的所述电流测量值和所述电压测量值的精准度相对较低。基于此，在本申请的技术方案中，协同利用所述电流电压信号的模拟信号和数字信号，以此来提高电流测量值和电压测量值的测量精准度。
更具体地，在步骤S120中，对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据。
更具体地，在步骤S130中，将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量。卷积神经网络模型在局部特征提取领域具有优异性能表现，也就是，在本申请的技术方案中，使用在局部特征提取领域具有优异性能表现的第一卷积神经网络模型作为特征提取器对所述电流电压模拟信号进行基于卷积核的空间局部特征模式过滤以得到所述电流电压离散特征向量。
相应地，在一个具体示例中，所述将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量，包括：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述电流电压模拟特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述电流电压模拟信号。
更具体地，在步骤S140中，将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量。卷积神经网络模型在局部特征提取领域具有优异性能表现，也就是，在本申请的技术方案中，使用在局部特征提取领域具有优异性能表现的第二卷积神经网络模型作为特征提取器对所述离散波形数据进行基于卷积核的空间局部特征模式过滤以得到所述电流电压模拟特征向量。
相应地，在一个具体示例中，所述将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量，包括：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述电流电压离散特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述离散波形数据。
相应地，在一个具体示例中，所述作为过滤器的第一卷积神经网络模型和/或所述作为过滤器的第二卷积神经网络模型为深度残差网络模型。
在得到所述电流电压模拟特征向量和所述电流电压离散特征向量后，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，并将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。也就是，在高维特征空间中，对所述电流电压模拟特征向量和所述电流电压离散特征向量进行特征融合以得到所述多模态融合特征向量，并通过所述解码器使用具有可学习参数的权重矩阵对所述多模态融合特征向量进行解码回归以得到用于表示电流值的第一解码值。
更具体地，在步骤S150中，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量。
特别地，在本申请的技术方案中，如果以按位置加权和的方式来融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到所述多模态融合特征向量，因所述电流电压模式特征向量通过电流电压模拟信号得到而所述电流电压离散特征向量通过电流电压的离散数据得到，因两者在源域端存在数据表达模态差异，因此，所述电流电压模拟特征向量和所述电流电压离散特征向量在特征表达致密度存在差异，也就是，所述电流电压模拟特征向量和所述电流电压离散特征向量在高维特征空间中存在特征不对齐的问题。基于此，在本申请的技术方案中，对所述电流电压模拟特征向量和所述电流电压离散特征向量进行域自适应类图拓扑融合。
相应地，在一个具体示例中，所述融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，包括：以如下公式融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到所述多模态融合特征向量；其中，所述公式为：
；
其中，表示所述电流电压模拟特征向量，/>表示所述电流电压离散特征向量，表示所述多模态融合特征向量，/>和/>为超参数，/>表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
以特征分布中各个位置的特征值为节点且以特征分布间相应位置之间的空间距离的信息化解释作为边，来沿着特征分布的预定方向实现不同特征域图之间的信息鲁棒性交互和传播，以使得融合得到的多模态融合特征向量不仅具有像素级别的特征稀疏性和非网络属性，同时还具有相对较优的特征稠密性，以此对所述电流电压模拟特征向量和所述电流电压离散特征向量进行特征对齐和聚合，以提高所述多模态融合特征向量通过解码器的解码回归的精准度。
更具体地，在步骤S160中，将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。也就是，在高维特征空间中，对所述电流电压模拟特征向量和所述电流电压离散特征向量进行特征融合以得到所述多模态融合特征向量，并通过所述解码器使用具有可学习参数的权重矩阵对所述多模态融合特征向量进行解码回归以得到用于表示电流值的第一解码值。
相应地，在一个具体示例中，所述将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值，包括：使用所述第一解码器的多个全连接层以如下公式对所述多模态融合特征向量进行解码回归以获得所述第一解码值；其中，所述公式为：
；
其中，是所述多模态融合特征向量，/>是所述第一解码值，/>是权重矩阵，/>表示矩阵乘。
相应地，在一个具体示例中，所述非接触式电流电压一体化测量在线监测方法还包括将所述多模态融合特征向量通过第二解码器以得到第二解码值，所述第二解码值用于表示电压值。在本申请的一个示例中，将所述多模态融合特征向量通过第二解码器以得到第二解码值的方式与将所述多模态融合特征向量通过第一解码器以得到第一解码值相近。
综上，基于本申请实施例的非接触式电流电压一体化测量在线监测方法，其首先对获取的由非接触式电压电流一体化传感器采集的电流电压模拟信号进行采样与模数转换以得到离散波形数据，接着，将所述电流电压模拟信号通过第一卷积神经网络模型以得到电流电压模拟特征向量，然后，将所述离散波形数据通过第二卷积神经网络模型以得到电流电压离散特征向量，接着，融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，最后，将所述多模态融合特征向量通过第一解码器以得到用于表示电流值的第一解码值。通过这样的方式，可以提升电流电压测量的精准度。
示例性系统
图4为根据本申请实施例的非接触式电流电压一体化测量在线监测系统100的框图。如图4所示，根据本申请实施例的非接触式电流电压一体化测量在线监测系统100，包括：信号获取模块110，用于获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；采样转换模块120，用于对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；第一卷积编码模块130，用于将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；第二卷积编码模块140，用于将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；向量融合模块150，用于融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；以及，第一解码值获取模块160，用于将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值。
在一个示例中，在上述非接触式电流电压一体化测量在线监测系统100中，所述第一卷积编码模块130，进一步用于：使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述电流电压模拟特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述电流电压模拟信号。
在一个示例中，在上述非接触式电流电压一体化测量在线监测系统100中，所述第二卷积编码模块140，进一步用于：使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述电流电压离散特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述离散波形数据。
在一个示例中，在上述非接触式电流电压一体化测量在线监测系统100中，所述作为过滤器的第一卷积神经网络模型和/或所述作为过滤器的第二卷积神经网络模型为深度残差网络模型。
在一个示例中，在上述非接触式电流电压一体化测量在线监测系统100中，所述向量融合模块150，进一步用于：以如下公式融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到所述多模态融合特征向量；其中，所述公式为：
；
其中，表示所述电流电压模拟特征向量，/>表示所述电流电压离散特征向量，表示所述多模态融合特征向量，/>和/>为超参数，/>表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
在一个示例中，在上述非接触式电流电压一体化测量在线监测系统100中，所述第一解码值获取模块160，进一步用于：使用所述第一解码器的多个全连接层以如下公式对所述多模态融合特征向量进行解码回归以获得所述第一解码值；其中，所述公式为：
；
其中，是所述多模态融合特征向量，/>是所述第一解码值，/>是权重矩阵，/>表示矩阵乘。
在一个示例中，在上述非接触式电流电压一体化测量在线监测系统100中，所述非接触式电流电压一体化测量在线监测系统100还包括将所述多模态融合特征向量通过第二解码器以得到第二解码值，所述第二解码值用于表示电压值。
这里，本领域技术人员可以理解，上述非接触式电流电压一体化测量在线监测系统100中的各个单元和模块的具体功能和操作已经在上面参考图1到图3的非接触式电流电压一体化测量在线监测方法的描述中得到了详细介绍，并因此，将省略其重复描述。
如上所述，根据本申请实施例的非接触式电流电压一体化测量在线监测系统100可以实现在各种无线终端中，例如具有非接触式电流电压一体化测量在线监测算法的服务器等。在一个示例中，根据本申请实施例的非接触式电流电压一体化测量在线监测系统100可以作为一个软件模块和/或硬件模块而集成到无线终端中。例如，该非接触式电流电压一体化测量在线监测系统100可以是该无线终端的操作系统中的一个软件模块，或者可以是针对于该无线终端所开发的一个应用程序；当然，该非接触式电流电压一体化测量在线监测系统100同样可以是该无线终端的众多硬件模块之一。
替换地，在另一示例中，该非接触式电流电压一体化测量在线监测系统100与该无线终端也可以是分立的设备，并且该非接触式电流电压一体化测量在线监测系统100可以通过有线和/或无线网络连接到该无线终端，并且按照约定的数据格式来传输交互信息。
以上结合具体实施例描述了本申请的基本原理，但是，需要指出的是，在本申请中提及的优点、优势、效果等仅是示例而非限制，不能认为这些优点、优势、效果等是本申请的各个实施例必须具备的。另外，上述公开的具体细节仅是为了示例的作用和便于理解的作用，而非限制，上述细节并不限制本申请为必须采用上述具体的细节来实现。
本申请中涉及的器件、装置、设备、系统的方框图仅作为例示性的例子并且不意图要求或暗示必须按照方框图示出的方式进行连接、布置、配置。如本领域技术人员将认识到的，可以按任意方式连接、布置、配置这些器件、装置、设备、系统。诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本申请的装置、设备和方法中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本申请的等效方案。
提供所公开的方面的以上描述以使本领域的任何技术人员能够做出或者使用本申请。对这些方面的各种修改对于本领域技术人员而言是非常显而易见的，并且在此定义的一般原理可以应用于其他方面而不脱离本申请的范围。因此，本申请不意图被限制到在此示出的方面，而是按照与在此公开的原理和新颖的特征一致的最宽范围。
为了例示和描述的目的已经给出了以上描述。此外，此描述不意图将本申请的实施例限制到在此公开的形式。尽管以上已经讨论了多个示例方面和实施例，但是本领域技术人员将认识到其某些变型、修改、改变、添加和子组合。
Claims (9)
1.一种非接触式电流电压一体化测量在线监测方法，其特征在于，包括以下步骤：
S110：获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；
S120：对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；
S130：将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；
S140：将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；
S150：融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；
S160：将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值；
所述融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量，包括：
以如下公式融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到所述多模态融合特征向量；
其中，所述公式为：
；
其中，表示所述电流电压模拟特征向量，/>表示所述电流电压离散特征向量，/>表示所述多模态融合特征向量，/>和/>为超参数，/>表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
2.根据权利要求1所述的非接触式电流电压一体化测量在线监测方法，其特征在于，所述将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量，包括：
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述电流电压模拟特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述电流电压模拟信号。
3.根据权利要求2所述的非接触式电流电压一体化测量在线监测方法，其特征在于，所述将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量，包括：
使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述电流电压离散特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述离散波形数据。
4.根据权利要求3所述的非接触式电流电压一体化测量在线监测方法，其特征在于，所述作为过滤器的第一卷积神经网络模型和/或所述作为过滤器的第二卷积神经网络模型为深度残差网络模型。
5.根据权利要求4所述的非接触式电流电压一体化测量在线监测方法，其特征在于，所述将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值，包括：
使用所述第一解码器的多个全连接层以如下公式对所述多模态融合特征向量进行解码回归以获得所述第一解码值；
其中，所述公式为：
；
其中，是所述多模态融合特征向量，/>是所述第一解码值，/>是权重矩阵，/>表示矩阵乘。
6.根据权利要求5所述的非接触式电流电压一体化测量在线监测方法，其特征在于，还包括将所述多模态融合特征向量通过第二解码器以得到第二解码值，所述第二解码值用于表示电压值。
7.一种非接触式电流电压一体化测量在线监测系统，其特征在于，包括：
信号获取模块，用于获取由非接触式电压电流一体化传感器采集的电流电压模拟信号；
采样转换模块，用于对所述电流电压模拟信号进行采样与模数转换以得到离散波形数据；
第一卷积编码模块，用于将所述电流电压模拟信号通过作为过滤器的第一卷积神经网络模型以得到电流电压模拟特征向量；
第二卷积编码模块，用于将所述离散波形数据通过作为过滤器的第二卷积神经网络模型以得到电流电压离散特征向量；
向量融合模块，用于融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到多模态融合特征向量；以及
第一解码值获取模块，用于将所述多模态融合特征向量通过第一解码器以得到第一解码值，所述第一解码值用于表示电流值；
所述向量融合模块，还用于：
以如下公式融合所述电流电压模拟特征向量和所述电流电压离散特征向量以得到所述多模态融合特征向量；
其中，所述公式为：
；
其中，表示所述电流电压模拟特征向量，/>表示所述电流电压离散特征向量，/>表示所述多模态融合特征向量，/>和/>为超参数，/>表示向量的指数运算，所述向量的指数运算表示计算以向量中各个位置的特征值为幂的自然指数函数值。
8.根据权利要求7所述的非接触式电流电压一体化测量在线监测系统，其特征在于，所述第一卷积编码模块，进一步用于：
使用所述作为过滤器的第一卷积神经网络模型的各层在层的正向传递中对输入数据分别进行二维卷积处理、基于特征矩阵的均值池化处理和非线性激活处理以由所述作为过滤器的第一卷积神经网络模型的最后一层输出所述电流电压模拟特征向量，其中，所述作为过滤器的第一卷积神经网络模型的第一层的输入为所述电流电压模拟信号。
9.根据权利要求8所述的非接触式电流电压一体化测量在线监测系统，其特征在于，所述第二卷积编码模块，进一步用于：
使用所述作为过滤器的第二卷积神经网络模型的各层在层的正向传递中对输入数据分别进行卷积处理、池化处理和非线性激活处理以由所述作为过滤器的第二卷积神经网络模型的最后一层输出所述电流电压离散特征向量，其中，所述作为过滤器的第二卷积神经网络模型的第一层的输入为所述离散波形数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310124571.5A CN116125133B (zh) | 2023-02-16 | 2023-02-16 | 非接触式电流电压一体化测量在线监测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310124571.5A CN116125133B (zh) | 2023-02-16 | 2023-02-16 | 非接触式电流电压一体化测量在线监测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116125133A CN116125133A (zh) | 2023-05-16 |
| CN116125133B true CN116125133B (zh) | 2023-10-20 |
Family
ID=86309925
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310124571.5A Active CN116125133B (zh) | 2023-02-16 | 2023-02-16 | 非接触式电流电压一体化测量在线监测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116125133B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117250521B (zh) * | 2023-11-17 | 2024-02-20 | 江西驴充充物联网科技有限公司 | 充电桩电池容量监测系统及方法 |
Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102262179A (zh) * | 2011-04-19 | 2011-11-30 | 重庆大学 | 单极式电流电压一体化传感器 |
| CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动系统的在线监测与故障预警系统及方法 |
| CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
| CN109212378A (zh) * | 2018-09-29 | 2019-01-15 | 北京中恒博瑞数字电力科技有限公司 | 中低压配电网络故障定位方法 |
| CN113709592A (zh) * | 2021-07-19 | 2021-11-26 | 杭州锉盾晟科技有限公司 | 基于智能电表的用电信息采集系统及其运行方法 |
| CN114580520A (zh) * | 2022-02-28 | 2022-06-03 | 上海维虬城电子有限公司 | 电力系统二次设备的监测系统及其监测方法 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN114900126A (zh) * | 2022-07-13 | 2022-08-12 | 江苏福明太阳能有限公司 | 太阳能电池组件的接地测试设备及其接地测试方法 |
| CN115144312A (zh) * | 2022-06-29 | 2022-10-04 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气细颗粒测量方法及其系统 |
| CN115206754A (zh) * | 2022-07-04 | 2022-10-18 | 上海科颐维电子科技有限公司 | X射线管及其电流控制方法 |
| CN115219845A (zh) * | 2022-07-12 | 2022-10-21 | 温希(杭州)科技有限公司 | 电网故障诊断系统及其方法 |
| CN115514343A (zh) * | 2022-05-13 | 2022-12-23 | 浙江腾腾电气有限公司 | 电网波形滤波系统及其滤波方法 |
-
2023
- 2023-02-16 CN CN202310124571.5A patent/CN116125133B/zh active Active
Patent Citations (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102262179A (zh) * | 2011-04-19 | 2011-11-30 | 重庆大学 | 单极式电流电压一体化传感器 |
| CN106338406A (zh) * | 2016-10-19 | 2017-01-18 | 北京交通大学 | 列车牵引电传动系统的在线监测与故障预警系统及方法 |
| CN106597231A (zh) * | 2016-11-11 | 2017-04-26 | 上海交通大学 | 基于多源信息融合和深度学习网络的gis故障检测系统及方法 |
| CN109212378A (zh) * | 2018-09-29 | 2019-01-15 | 北京中恒博瑞数字电力科技有限公司 | 中低压配电网络故障定位方法 |
| CN113709592A (zh) * | 2021-07-19 | 2021-11-26 | 杭州锉盾晟科技有限公司 | 基于智能电表的用电信息采集系统及其运行方法 |
| CN114580520A (zh) * | 2022-02-28 | 2022-06-03 | 上海维虬城电子有限公司 | 电力系统二次设备的监测系统及其监测方法 |
| CN115514343A (zh) * | 2022-05-13 | 2022-12-23 | 浙江腾腾电气有限公司 | 电网波形滤波系统及其滤波方法 |
| CN114825257A (zh) * | 2022-06-27 | 2022-07-29 | 江苏烨明光电有限公司 | Led灯检测的漏电保护装置及其漏电保护方法 |
| CN115144312A (zh) * | 2022-06-29 | 2022-10-04 | 杭州里莹网络科技有限公司 | 基于物联网的室内空气细颗粒测量方法及其系统 |
| CN115206754A (zh) * | 2022-07-04 | 2022-10-18 | 上海科颐维电子科技有限公司 | X射线管及其电流控制方法 |
| CN115219845A (zh) * | 2022-07-12 | 2022-10-21 | 温希(杭州)科技有限公司 | 电网故障诊断系统及其方法 |
| CN114900126A (zh) * | 2022-07-13 | 2022-08-12 | 江苏福明太阳能有限公司 | 太阳能电池组件的接地测试设备及其接地测试方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116125133A (zh) | 2023-05-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108535589B (zh) | 一种故障电弧检测方法及装置 | |
| Kovačević et al. | 3-D electromagnetic modeling of EMI input filters | |
| CN116125133B (zh) | 非接触式电流电压一体化测量在线监测方法及系统 | |
| CN104777383B (zh) | 一种非侵入式电力负载监测与负荷分解装置 | |
| CN111106676B (zh) | Lcc-s型mc-wpt系统的磁耦合机构参数多目标优化方法 | |
| CN108152651A (zh) | 基于gmapm和som-lvq-ann的输电线路故障综合识别方法 | |
| CN110007133B (zh) | 一种数字化交直流电流传感器及电流检测方法 | |
| KR101219545B1 (ko) | 전력계통에서의 최적화 기법을 적용한 파라미터 추정 방법 | |
| CN111030316A (zh) | 一种多中继mc-wpt系统效率的建模、分析及系统原理分析方法 | |
| Ayachit et al. | Transfer functions of a transformer at different values of coupling coefficient | |
| Fang et al. | Quasi-static modeling and optimization of two-layer PCB resonators in wireless power transfer systems for 110-kV power grid online monitoring equipment | |
| CN103941079A (zh) | 配电网pt在线监测及故障诊断系统 | |
| CN115514343B (zh) | 电网波形滤波系统及其滤波方法 | |
| JP2016530865A (ja) | 電力システムにおける要素パラメータと電力補正係数の識別方法及びシステム | |
| CN102801151B (zh) | 电感量连续可调型消弧线圈的优化调谐系统及方法 | |
| CN114117754A (zh) | 一种交直流电网谐波耦合建模方法及系统 | |
| CN107895078A (zh) | 强电磁脉冲对长电力输电线路耦合响应的宏模型构建方法 | |
| CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
| CN109143142A (zh) | 一种直流暂态阶跃源信号自适应调节方法和装置 | |
| CN104880686A (zh) | 一种便携电子式电流互感器校验装置和方法 | |
| CN203490323U (zh) | 基于电子式互感器的行波测距系统 | |
| CN109309682B (zh) | 一种用于数字化计量的ft3到iec61850-9-2协议转换方法及系统 | |
| Sirinamaratana et al. | A series DC power line communication and its application to monitoring photo-voltaic strings | |
| CN108767822B (zh) | 针对继电保护的线路模型与互感器类型的匹配方法 | |
| CN107885179A (zh) | 一种电子式互感器异常甄别方法 |
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 |