CN117093834B - 一种三相电压系统异常监测方法 - Google Patents
一种三相电压系统异常监测方法 Download PDFInfo
- Publication number
- CN117093834B CN117093834B CN202311357427.2A CN202311357427A CN117093834B CN 117093834 B CN117093834 B CN 117093834B CN 202311357427 A CN202311357427 A CN 202311357427A CN 117093834 B CN117093834 B CN 117093834B
- Authority
- CN
- China
- Prior art keywords
- electric field
- sequence
- model
- anomaly
- anomaly monitoring
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 90
- 238000000034 method Methods 0.000 title claims abstract description 67
- 230000005856 abnormality Effects 0.000 title claims abstract description 38
- 230000005684 electric field Effects 0.000 claims abstract description 122
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000008878 coupling Effects 0.000 claims abstract description 21
- 238000010168 coupling process Methods 0.000 claims abstract description 21
- 238000005859 coupling reaction Methods 0.000 claims abstract description 21
- 238000004441 surface measurement Methods 0.000 claims abstract description 5
- 239000004020 conductor Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000011156 evaluation Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 6
- 238000011478 gradient descent method Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 3
- 238000012300 Sequence Analysis Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 26
- 230000002159 abnormal effect Effects 0.000 description 14
- 238000010586 diagram Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 238000013135 deep learning Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000005293 physical law Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 108010076504 Protein Sorting Signals Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/16—Measuring asymmetry of polyphase networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/2433—Single-class perspective, e.g. one-against-all classification; Novelty detection; Outlier detection
-
- 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
- G06N3/042—Knowledge-based neural networks; Logical representations of neural 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Probability & Statistics with Applications (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种三相电压系统异常监测方法，包括：构建表示电场中各个点的电场强度的多参量‑空间电场耦合函数；对多参量‑空间电场耦合函数进行放缩后得到表示各个点的电场强度的范围的电场波动边界模型；获取电缆表面测量点的电场波形簇序列，将电场波形簇序列输入电场波动边界模型后，输出基于物理模型重构的序列；构建时序异常监测模型并进行训练；将电场传感装置实时采集的电场时序数据输入训练完成的时序异常监测模型获得预测值，通过预测值与实际值的差值计算重构误差序列，将重构误差序列与设置的异常阈值进行比较，对系统异常进行实时监测通过结合数据驱动与物理模型的优点，利用电气物理知识实现对三相电压系统的异常监测。
Description
技术领域
本发明涉及电力系统电力电缆监测领域，尤其涉及一种三相电压系统异常监测方法。
背景技术
电压是电力系统中最基本的物理量之一，它反映了电力系统的状态和运行情况。通过监测电压信息，可以获取电网的实时状态，并及时识别任何可能的异常情况。电压实际代表了电场力的势能差，在电力系统中，电压差导致了电场的存在。因此，通过对电场的监测，可以观察到电场的变化情况，进而推断出电压的异常情况。这种间接监测方法可以提供一种非接触、无侵入的手段，用于对电压异常进行检测和诊断。
进一步地，如何准确有效地对实测电场数据分析进而实现对三相电压系统有效监测成为了当前的研究热点，现有方法主要分为两种：基于纯数据驱动和纯物理模型驱动的监测方法：
物理模型方法是指通过建立电力系统的物理模型，并基于该模型对三相电压的异常进行监测和诊断。这类方法借助于电力系统的物理特性和数学建模技术来实现，可以准确地反映电压异常情况。但建立准确的物理模型需要对电力系统的结构和参数进行详细的了解，这需要较多的系统知识和专业技能，对实时监测和大规模系统的应用可能存在一定的计算复杂性和计算成本，实际应用中难以应对电力系统的非线性和复杂性；数据驱动方法是指利用电力系统的历史数据和实时数据进行异常监测和诊断。这类方法依赖于数据分析、机器学习和模式识别等技术，通过对数据进行建模和分析来检测和诊断电压异常。数据驱动方法不需要详细的电力系统建模，克服了物理模型方法的建模复杂性，对于复杂的非线性和非参数化系统具有较好的适应性和灵活性。但数据驱动方法对于数据质量的要求较高，对于噪声数据和缺失数据可能存在较大的挑战。
发明内容
本发明针对现有技术中存在的技术问题，提供一种三相电压系统异常监测方法，解决现有三相电压异常监测方法、准确度低等问题。
根据本发明的第一方面，提供了一种三相电压系统异常监测方法，包括：
步骤1，根据电缆的几何参数和电位叠加原理，构建表示电场中各个点的电场强度的多参量-空间电场耦合函数；对所述多参量-空间电场耦合函数进行放缩后得到表示各个点的电场强度的范围的电场波动边界模型；
步骤2，获取电缆表面测量点的电场波形簇序列，将所述电场波形簇序列输入所述电场波动边界模型后，输出基于物理模型重构的序列/>；
步骤3，构建时序异常监测模型，将所述序列作为输入对所述时序异常监测模型进行训练并输出预测序列，基于损失函数衡量所述预测序列中的预测值与实际观测值之间的预测误差，利用梯度下降方法不断更新模型参数，使所述预测误差最小化，完成对所述时序异常监测训练模型的训练；
步骤4，将电场传感装置实时采集的电场时序数据输入训练完成的所述时序异常监测模型获得预测值，通过预测值与实际值的差值计算重构误差序列S，将所述重构误差序列S与设置的异常阈值T进行比较，对系统异常进行实时监测。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，所述多参量-空间电场耦合函数为：
；
其中，i和j为电场中等效电荷的序号数，，/>为导体中等效电荷的数量，/>为等效电荷的总数量；
t为系统的采样时刻，为t时刻第i个等效电荷的电荷量，/>为t时刻第j个等效电荷处计算得到的电场强度；Ɛ为真空介电常数；
分别为第i个等效电荷的水平与垂直位置；
；
，/>；
为电场传感器的半径。
可选的，第i个等效电荷的水平与垂直位置的计算公式为：
；
；
分别为A、B 和C三相导体的水平位置，/>分别为A、B 和C三相导体的垂直位置，/>为等效电荷所在圆的半径。
可选的，所述步骤1中使用数学不等式对所述多参量-空间电场耦合函数进行放缩，得到：
。
可选的，所述步骤2中在电场中设置电场传感装置实时采集获取所述电场波形簇序列；
所述电场传感装置为阵列式环形电场传感器，所述阵列式环形电场传感器均匀排布在三相导体外圆周上。
可选的，所述步骤2包括：将实时采集的所述电场波形簇序列输入所述电场波动边界模型中，对噪声和离群测量数据进行剔除，并使用插值算法填充所剔除的数据，得到所述序列/>。
可选的，所述步骤3中所述时序异常监测模型的损失函数为：；
其中，n是样本数量，是样本i的原始输入，/>是样本i的模型预测输出。
可选的，所述步骤3中通过反向传播算法对所述时序异常监测模型进行训练，训练过程中使用电气物理先验知识对所述时序异常监测模型的输出值进行约束；
所述电气物理先验知识为：在三相电缆的同心圆周上，所激发电场值存在三个正波峰，彼此所在的空间位置角度相差，其中，Ɛ为表示三相电缆可能存在的不对称情况的参数。
可选的，所述步骤4包括：
将电场传感装置采集的电场序列输入所述时序异常监测模型，获得预测数列/>；
根据预测值与实际值的差值计算均方误差序列S与标准差，使用标准差计算异常值的阈值：/>；
计算损失函数获得每个数据点与预测值之间的偏差，得到评价异常分数，将每个异常分数与设定的阈值进行比较，若异常分数/>，则判定i为异常点。
可选的，所述评价异常分数采用均方误差计算，计算公式为：
其中，是数据点i的均方误差，/>是数据点i的实际值，/>是数据点i的模型预测输出。
本发明提供的一种三相电压系统异常监测方法，基于模型引导与数据驱动深度融合对三相电压系统进行异常监测，通过电气物理定律构建电场波动边界模型，将低精度、含有噪声且不完整的测量数据重构为高精度且完整的数据集，并基于该数据集，在先验知识引导下利用深度学习技术训练得到三相电压系统异常监测模型，实现三相电压系统异常精准监测。该方案兼顾了数据驱动和物理模型各自的优势，通过基于物理模型的数据重构提高了监测精度和数据质量，并且利用深度学习技术的非线性建模能力和对复杂模式的学习能力，可以更好地捕捉电压系统异常的特征和模式，进一步的，所得模型可以实现三相电压系统异常精准监测。通过利用知识模型引导的方法对实测数据进行数据清洗，可以有效减少噪声、异常和缺失值对模型的影响，有助于改善模型的鲁棒性，使得模型可以更准确地捕捉时序数据的关键特征和模式。利用领域内先验知识引导模型训练，可以有效提高时序模型的收敛速度、泛化能力和解释性，减少过拟合风险，并使得模型更适应目标领域的需求。利用深度学习技术非线性建模能力和对复杂模式的学习能力，对重构后的数据集进行训练，可以更好地捕捉电压系统异常的特征和模式。通过对多电场耦合函数使用不等式处理的方式，相比直接提取特征，可以有效减少计算复杂度，从而提高模型训练的效率和速度。
附图说明
图1为本发明提供的一种三相电压系统异常监测方法的流程图；
图2为本发明实施例提供的多参量-空间电场耦合函数的模拟计算的示意图；
图3为本发明提供的一种三相电压系统异常监测方法的实施例的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的一种三相电压系统异常监测方法的流程图，如图1所示，该异常监测方法包括：
步骤1，根据电缆的几何参数和电位叠加原理，构建表示各个点的电场强度的多参量-空间电场耦合函数；对多参量-空间电场耦合函数进行放缩后得到表示各个点的电场强度的范围的电场波动边界模型。
步骤2，获取电缆表面测量点的电场波形簇序列，将电场波形簇序列/>输入电场波动边界模型后，输出基于物理模型重构的序列/>。
步骤3，构建时序异常监测模型，将序列作为输入对时序异常监测模型进行训练并输出预测序列，基于损失函数衡量预测序列中的预测值与实际观测值之间的预测误差，利用梯度下降方法不断更新模型参数，使预测误差最小化，完成对时序异常监测训练模型的训练。
步骤4，将电场传感装置实时采集的电场时序数据输入训练完成的时序异常监测模型获得预测值，通过预测值与实际值的差值计算重构误差序列S，将重构误差序列S与设置的异常阈值T进行比较，对系统异常进行实时监测。
现有主流异常监测技术虽能实现对三相电压的异常检测，但仍然存在关键缺陷。如何结合不同方法的优点，实现对电力系统运行状态和健康状况的全面分析和评估，为系统运维和调度决策提供更准确的支持，是当前的研究热点。本发明提出了一种模型引导-数据驱动深度融合的三相电压系统异常监测方法，兼顾了数据驱动和物理模型各自的优势，实现三相电压系统异常精准监测。
实施例1
本发明提供的实施例1为本发明提供的一种三相电压系统异常监测方法的实施例，如图3所示为本发明提供的一种三相电压系统异常监测方法的实施例的流程图，结合图1和图3可知，该异常监测方法的实施例包括：
步骤1，根据电缆的几何参数和电位叠加原理，构建表示各个点的电场强度的多参量-空间电场耦合函数；对多参量-空间电场耦合函数进行放缩后得到表示各个点的电场强度的范围的电场波动边界模型。
如图2所示为本发明实施例提供的多参量-空间电场耦合函数的模拟计算的示意图，结合图1-图3可知，在一种可能的实施例中，多参量-空间电场耦合函数的构建过程包括：
根据等效电荷法，导体中等效电荷的数量为，记/>为等效电荷的总数量,,t为系统的采样时刻，/>为电场传感器的半径，/>为等效电荷所在圆的半径，由电位叠加原理，可计算得到计算电场强度的多电场耦合函数如下：
。
其中，i和j为电场中等效电荷的序号数，；Ɛ为真空介电常数，近似值为8.854187817 × 10-12F/m。
为t时刻第j个等效电荷处计算得到的电场强度；/>分别为第i个等效电荷的水平与垂直位置。其中，变量/>可以由下列公式计算：
。
。
。
，/>。
其中，分别为A、B 和C三相导体的水平位置，/>分别为A、B 和C三相导体的垂直位置，/>为等效电荷所在圆的半径，/>为电场传感器的半径。
为t时刻第i个等效电荷的电荷量，其值可以通过t时刻理想三相电压值求解获得，/>，其中：
其中， ,/> ,/>分别为t时刻A、B 和C三相的导体电压，/>是两个等效电荷之间的电势系数，其值为/>。
在一种可能的实施例中，步骤1中使用数学不等式对多参量-空间电场耦合函数进行放缩，得到：
。
其中，均为初始个体J 与时间t的函数。具体实施中，使用的数学不等式可以是双边或单边的，单边时即认为/>或/>趋向无穷，构建过程所使用的数学不等式包括但不限于/>不等式、/>不等式、/>不等式等。
在一种实施例中，。
。
本模型基于先验知识对实测电场数据预处理，若输入信号范围超过，将无法通过电场波动模型，其空缺通过插值法补位。且由上式可知，/>的求解依赖于t时刻的三相导体电压，故实际使用过程中利用理想三相电压值代替t时刻的实际三相导体电压输入到电场波动模型来获得理想电压波动界限。并且，根据实际应用需求，本方法可以通过调整所使用的不等式，来改变构建过程，从而调整电场波动边界的范围，以满足不同监测精度的需求。
本实施例中电缆几何参数按照10kV电缆尺寸设置，d=8mm，=32mm，/>=32mm，D=25.98mm,其中d为导体直径，/>为电缆内半径，/>为导体中心到电缆中心的距离，D为两相导体中心的距离。
ABC三相电压幅值分别设置为（），频率为/>，三相导体中心位置分别设置为（/>），单位为毫米。
设置等效电荷数量,电场传感装置由16个独立的电场传感器构成，且16个电场传感器均匀地分布在三相导体外圆周上，电场传感器所在圆周半径/>。
步骤2，获取电缆表面测量点的电场波形簇序列，将电场波形簇序列/>输入电场波动边界模型后，输出基于物理模型重构的序列/>。
在一种可能的实施例中，步骤2中在电场中设置电场传感装置实时采集获取电场波形簇序列；对所使用电场传感器的形态无要求，仅需已知其测量点位置。
电场传感装置为阵列式环形电场传感器，阵列式环形电场传感器均匀排布在三相导体外圆周上。
在一种可能的实施例中，采集的电场波形簇序列：
=(781975.412,604348.639,376247.918,272774.729,295588.663,386006.848,330301.341,189416.484,132926.437,205188.392,344145.649,366939.888,282147.261,278000.596,397950.406,637731.612)。
将序列传输至电场波动边界模型，经过过滤与插值操作后输出经物理模型重构的信号序列：
经过模型判定该序列中存在异常点的位置为 [3, 8, 12]，对应的数值为[272774.729, 189416.484, 282147.261]。
将异常点从序列中剔除，得到剩余的数据点，剔除异常点后的数据序列：
(781975.412, 604348.639, 376247.918, 295588.663, 386006.848,330301.341, 132926.437, 205188.392, 344145.649, 366939.888, 278000.596,397950.406, 637731.612)。
对缺失位置 [3, 8, 12] 进行线性插值操作，得到以下插值后的序列：
(781975.412, 604348.639, 376247.918, 291092.275, 295588.663,349797.755, 373773.332, 330301.341, 274078.912, 189416.484, 142920.443,205188.392, 294569.811, 354950.23, 397950.406, 637731.612)。
经过异常监测、剔除异常点和使用线性插值法填充缺失位置的处理，得到的序列为：
(781975.412, 604348.639, 376247.918, 291092.275, 295588.663,349797.755, 373773.332, 330301.341, 274078.912, 189416.484, 142920.443,205188.392, 294569.811, 354950.23, 397950.406, 637731.612)。
在一种可能的实施例中，步骤2实际电场数据采集与重构的过程包括：将实时采集的电场波形簇序列输入电场波动边界模型中，对噪声和离群测量数据进行剔除，并使用插值算法填充所剔除的数据，得到序列/>。
步骤3，构建时序异常监测模型，将序列作为输入对时序异常监测模型进行训练并输出预测序列，基于损失函数衡量预测序列中的预测值与实际观测值之间的预测误差，利用梯度下降方法不断更新模型参数，使预测误差最小化，完成对时序异常监测训练模型的训练。
在一种可能的实施例中，步骤3中时序异常监测模型的损失函数为：。
其中，n是样本数量，是样本i的原始输入，/>是样本i的模型预测输出。
在一种可能的实施例中，步骤3中通过反向传播算法对时序异常监测模型进行训练，训练过程中使用电气物理先验知识对时序异常监测模型的输出值进行约束。
电气物理先验知识为：在三相电缆的同心圆周上，所激发电场值存在三个正波峰，彼此所在的空间位置角度相差，其中，/>为较小值，表示三相电缆可能存在的不对称情况，根据专家经验可设为5。
具体实施中，时序异常监测模型选择适合时序建模的模型，包括但不限于循环神经网络（RNN）或长短时记忆网络（LSTM）。根据选择的模型，构建模型的网络结构。定义输入、隐藏层、输出等部分，并设置相应的超参数，如学习率、激活函数和优化算法等。
本发明实施例选择长短时记忆网络（LSTM）作为实施例的时序监测模型。定义隐藏层数为2，神经元数量设置为256，初始学习率设置为0.001。
将序列(781975.412, 604348.639, 376247.918, 291092.275,295588.663, 349797.755, 373773.332, 330301.341, 274078.912, 189416.484,142920.443, 205188.392, 294569.811, 354950.23, 397950.406, 637731.612)输入到模型中，通过反向传播算法进行训练。训练过程中，模型根据输入序列预测输出序列，并根据损失函数衡量模型预测与实际观测值之间的差异，利用梯度下降方法不断更新模型参数，使损失最小化。
训练过程中重复多次上述步骤，对数据集进行多次训练迭代，直到模型的性能收敛或满足停止条件。
步骤4，将电场传感装置实时采集的电场时序数据输入训练完成的时序异常监测模型获得预测值，通过预测值与实际值的差值计算重构误差序列S，将重构误差序列S与设置的异常阈值T进行比较，对系统异常进行实时监测。
在一种可能的实施例中，步骤4包括：
将电场传感装置采集的电场序列输入时序异常监测模型，获得预测数列/>。
根据预测值与实际值的差值计算均方误差序列S与标准差，异常阈值T基于统计学的经验法则设置，使用标准差计算异常值的阈值：/>。
计算损失函数获得每个数据点与预测值之间的偏差，得到评价异常分数，将每个异常分数与设定的阈值进行比较，若异常分数/>，则判定i为异常点。
在一种可能的实施例中，评价异常分数采用均方误差计算，计算公式为：
其中，是数据点i的均方误差，/>是数据点i的实际值，/>是数据点i的模型预测输出。
在一种实施例中，将电场传感装置采集的电场序列(781975.412, 604348.639,376247.918, 272774.729, 295588.663, 386006.848, 330301.341, 189416.484,132926.437, 205188.392, 344145.649, 366939.888, 282147.261, 278000.596,397950.406, 637731.612, 392814.215, 586294.113, 782103.295, 903288.956,707875.895, 512684.764, 233715.829, 446983.521, 827740.282, 624738.764,826874.242, 930415.017, 120858.125, 320388.515, 648195.273, 808220.275)，输入到模型，获得预测数列（775669.53, 604048.96, 377117.46, 271786.08, 295485.27,381194.16, 325484.97, 191986.77, 130998.23, 202451.94, 342554.25, 354122.6,275603.72, 276927.5, 394260.78, 623044.8, 385295.44, 576510.06, 777298.0,900655.2, 698395.8, 504860.97, 230399.84, 457714.38, 835105.75, 632020.8,817095.56, 928627.6, 126281.95, 319371.44, 654632.6, 801746.1），根据预测值与实际值的差值计算得到均方误差序列（5307.305, 299.338, 869.872, 398.324,103.38, 12015.688, 16794.374, 570.28345, 120.056, 736.026, 6593.795,11907.595, 787.4596, 3526.095, 4690.372, 16433.398, 3801.091, 97783.102,1209.588, 5886.129, 40679.601, 11652.742, 4227.502, 8262.111, 97444.042,143917.454, 102345.186, 86219.295, 61.718, 1520.301, 2275.071）与标准差/>33012.5368。使用标准差计算异常值的阈值：/>。将每个异常分数与设定的阈值进行比较，若异常分数/>，则判定i为异常点,故本实施例中异常点为[5, 6, 16, 18, 19,20, 23, 24, 25, 26, 27, 29], 其中位置是从0开始计数的。
本发明实施例提供的一种三相电压系统异常监测方法，基于模型引导与数据驱动深度融合对三相电压系统进行异常监测，通过电气物理定律构建电场波动边界模型，将低精度、含有噪声且不完整的测量数据重构为高精度且完整的数据集，并基于该数据集，在先验知识引导下利用深度学习技术训练得到三相电压系统异常监测模型，实现三相电压系统异常精准监测。该方案兼顾了数据驱动和物理模型各自的优势，通过基于物理模型的数据重构提高了监测精度和数据质量，并且利用深度学习技术的非线性建模能力和对复杂模式的学习能力，可以更好地捕捉电压系统异常的特征和模式，进一步的，所得模型可以实现三相电压系统异常精准监测。
其有益效果包括：通过利用知识模型引导的方法对实测数据进行数据清洗，可以有效减少噪声、异常和缺失值对模型的影响，有助于改善模型的鲁棒性，使得模型可以更准确地捕捉时序数据的关键特征和模式。
利用领域内先验知识引导模型训练，可以有效提高时序模型的收敛速度、泛化能力和解释性，减少过拟合风险，并使得模型更适应目标领域的需求。
利用深度学习技术非线性建模能力和对复杂模式的学习能力，对重构后的数据集进行训练，可以更好地捕捉电压系统异常的特征和模式。
通过对多电场耦合函数使用不等式处理的方式，相比直接提取特征，可以有效减少计算复杂度，从而提高模型训练的效率和速度。
本发明实施例提供的一种三相电压系统异常监测方法，可用于监测三相电缆的电压状态，对于电缆的状态监测有重要意义。解决了现有物理模型方法计算成本且难以应对电力系统的非线性和复杂性，数据驱动方法对于数据质量的要求较高的问题，利用模型引导-数据驱动深度融合的方法实现了对三相电压系统异常状态的准确监测。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种三相电压系统异常监测方法，其特征在于，所述异常监测方法包括：
步骤1，根据电缆的几何参数和电位叠加原理，构建表示电场中各个点的电场强度的多参量-空间电场耦合函数；对所述多参量-空间电场耦合函数进行放缩后得到表示各个点的电场强度的范围的电场波动边界模型；
步骤2，获取电缆表面测量点的电场波形簇序列，将所述电场波形簇序列/>输入所述电场波动边界模型后，输出基于物理模型重构的序列/>；
步骤3，构建时序异常监测模型，将所述序列作为输入对所述时序异常监测模型进行训练并输出预测序列，基于损失函数衡量所述预测序列中的预测值与实际观测值之间的预测误差，利用梯度下降方法不断更新模型参数，使所述预测误差最小化，完成对所述时序异常监测模型的训练；
步骤4，将电场传感装置实时采集的电场时序数据输入训练完成的所述时序异常监测模型获得预测值，通过预测值与实际值的差值计算重构误差序列S，将所述重构误差序列S与设置的异常阈值T进行比较，对系统异常进行实时监测；
所述多参量-空间电场耦合函数为：
；
其中，i和j为电场中等效电荷的序号数，，/>为导体中等效电荷的数量，/>为等效电荷的总数量；
t为系统的采样时刻，为t时刻第i个等效电荷的电荷量，/>为t时刻第j个等效电荷处计算得到的电场强度；Ɛ为真空介电常数；
分别为第i个等效电荷的水平与垂直位置；
；
，/>；
为电场传感器的半径。
2.根据权利要求1所述的异常监测方法，其特征在于，第i个等效电荷的水平与垂直位置的计算公式为：
；
；
分别为A、B 和C三相导体的水平位置，/>分别为A、B 和C三相导体的垂直位置，/>为等效电荷所在圆的半径。
3.根据权利要求1所述的异常监测方法，其特征在于，所述步骤1中使用数学不等式对所述多参量-空间电场耦合函数进行放缩，得到：
。
4.根据权利要求1所述的异常监测方法，其特征在于，所述步骤2中在电场中设置电场传感装置实时采集获取所述电场波形簇序列；
所述电场传感装置为阵列式环形电场传感器，所述阵列式环形电场传感器均匀排布在三相导体外圆周上。
5.根据权利要求1所述的异常监测方法，其特征在于，所述步骤2包括：将实时采集的所述电场波形簇序列输入所述电场波动边界模型中，对噪声和离群测量数据进行剔除，并使用插值算法填充所剔除的数据，得到所述序列/>。
6.根据权利要求1所述的异常监测方法，其特征在于，所述步骤3中所述时序异常监测模型的损失函数为：；
其中，N是样本数量，是样本i的原始输入，/>是样本i的模型预测输出。
7.根据权利要求1所述的异常监测方法，其特征在于，所述步骤3中通过反向传播算法对所述时序异常监测模型进行训练，训练过程中使用电气物理先验知识对所述时序异常监测模型的输出值进行约束；
所述电气物理先验知识为：在三相电缆的同心圆周上，所激发电场值存在三个正波峰，彼此所在的空间位置角度相差，其中，/>为表示三相电缆可能存在的不对称情况的参数。
8.根据权利要求1所述的异常监测方法，其特征在于，所述步骤4包括：
将电场传感装置采集的电场序列输入所述时序异常监测模型，获得预测数列/>；
根据预测值与实际值的差值计算均方误差序列S与标准差，使用标准差计算异常值的阈值：/>；
计算损失函数获得每个数据点与预测值之间的偏差，得到评价异常分数，将每个异常分数与设定的阈值进行比较，若异常分数/>，则判定i为异常点。
9.根据权利要求8所述的异常监测方法，其特征在于，所述评价异常分数采用均方误差计算，计算公式为：
；
其中，是数据点i的均方误差，/>是数据点i的实际值，/>是数据点i的模型预测输出。/>
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357427.2A CN117093834B (zh) | 2023-10-19 | 2023-10-19 | 一种三相电压系统异常监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311357427.2A CN117093834B (zh) | 2023-10-19 | 2023-10-19 | 一种三相电压系统异常监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117093834A CN117093834A (zh) | 2023-11-21 |
| CN117093834B true CN117093834B (zh) | 2024-01-02 |
Family
ID=88777203
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311357427.2A Active CN117093834B (zh) | 2023-10-19 | 2023-10-19 | 一种三相电压系统异常监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117093834B (zh) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113671325A (zh) * | 2021-08-18 | 2021-11-19 | 云南电网有限责任公司大理供电局 | 一种基于高频电场变化的终端局放监测方法及系统 |
| WO2022074400A1 (en) * | 2020-10-09 | 2022-04-14 | Neuville Grid Data Management Limited | High-resolution electrical measurement data processing |
| CN116125361A (zh) * | 2023-02-03 | 2023-05-16 | 华中科技大学 | 电压互感器误差评估方法、系统、电子设备及存储介质 |
-
2023
- 2023-10-19 CN CN202311357427.2A patent/CN117093834B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022074400A1 (en) * | 2020-10-09 | 2022-04-14 | Neuville Grid Data Management Limited | High-resolution electrical measurement data processing |
| CN113671325A (zh) * | 2021-08-18 | 2021-11-19 | 云南电网有限责任公司大理供电局 | 一种基于高频电场变化的终端局放监测方法及系统 |
| CN116125361A (zh) * | 2023-02-03 | 2023-05-16 | 华中科技大学 | 电压互感器误差评估方法、系统、电子设备及存储介质 |
Non-Patent Citations (3)
| Title |
|---|
| Impact of Spatial Encoding Methods on Differential Evolution: A Case Study on Non-contact Current Measurement;Yonglin He 等;IEEE;全文 * |
| 一二次融合三相智能电流电压一体化传感器的监测优化;黄令忠 等;电工技术;全文 * |
| 基于主元分析的电容式电压互感器计量性能在线评估;韩海安 等;电力自动化设备(第05期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117093834A (zh) | 2023-11-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Shao et al. | DCNN-based multi-signal induction motor fault diagnosis | |
| Hoppe et al. | Deep learning for magnetic resonance fingerprinting: a new approach for predicting quantitative parameter values from time series | |
| CN111046581B (zh) | 一种输电线路故障类型识别方法及系统 | |
| Zio | A study of the bootstrap method for estimating the accuracy of artificial neural networks in predicting nuclear transient processes | |
| CN103471841B (zh) | 一种旋转机械振动故障诊断方法 | |
| CN112798280B (zh) | 一种滚动轴承故障诊断方法及系统 | |
| CN107132064A (zh) | 基于多传感器的旋转机械系统运行状态监测方法及系统 | |
| CN110044623B (zh) | 经验模态分解剩余信号特征的滚动轴承故障智能识别方法 | |
| CN110674752A (zh) | 一种基于隐马尔可夫模型的刀具磨损状态识别与预测方法 | |
| CN110705456A (zh) | 一种基于迁移学习的微型电机异常检测方法 | |
| CN114169110B (zh) | 基于特征优选和GWOA-XGBoost的电机轴承故障诊断方法 | |
| Kim et al. | Deep learning-based explainable fault diagnosis model with an individually grouped 1-D convolution for three-axis vibration signals | |
| Qin et al. | Remaining useful life prediction for rotating machinery based on optimal degradation indicator | |
| CN115859077A (zh) | 一种变工况下多特征融合的电机小样本故障诊断方法 | |
| CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
| CN117093834B (zh) | 一种三相电压系统异常监测方法 | |
| CN114662386A (zh) | 一种轴承故障诊断方法及系统 | |
| CN114297264A (zh) | 一种时序信号异常片段检测方法及系统 | |
| CN114046903A (zh) | 一种高压电缆缆芯的实时温度预测方法及系统 | |
| CN112364814A (zh) | 基于人工智能图像处理的光伏机器人速度检测方法及系统 | |
| Yao et al. | Multi-step-ahead tool state monitoring using clustering feature-based recurrent fuzzy neural networks | |
| CN113052255B (zh) | 一种电抗器智能检测和定位的方法 | |
| Techane et al. | Rotating machinery prognostics and application of machine learning algorithms: Use of deep learning with similarity index measure for health status prediction | |
| CN107065524B (zh) | 一种伺服系统频域辨识系统及辨识方法 | |
| Wang et al. | Wavelet packet transform-assisted least squares support vector machine for gear wear degree diagnosis |
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 |