CN110633870A - 一种谐波预警方法、谐波预警装置及终端设备 - Google Patents

一种谐波预警方法、谐波预警装置及终端设备 Download PDF

Info

Publication number
CN110633870A
CN110633870A CN201910905296.4A CN201910905296A CN110633870A CN 110633870 A CN110633870 A CN 110633870A CN 201910905296 A CN201910905296 A CN 201910905296A CN 110633870 A CN110633870 A CN 110633870A
Authority
CN
China
Prior art keywords
harmonic
power grid
neural network
network model
virtual
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.)
Withdrawn
Application number
CN201910905296.4A
Other languages
English (en)
Inventor
杜俊杰
何瑞东
段志国
和立辉
杜洋
蒋云峰
梁俊伟
刘清国
曹乾坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Zhongke Ruide Technology Development Co Ltd
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Xingtai Power Supply Co of State Grid Hebei Electric Power Co Ltd
Original Assignee
Beijing Zhongke Ruide Technology Development Co Ltd
State Grid Corp of China SGCC
State Grid Hebei Electric Power Co Ltd
Xingtai Power Supply Co of State Grid Hebei Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Zhongke Ruide Technology Development Co Ltd, State Grid Corp of China SGCC, State Grid Hebei Electric Power Co Ltd, Xingtai Power Supply Co of State Grid Hebei Electric Power Co Ltd filed Critical Beijing Zhongke Ruide Technology Development Co Ltd
Priority to CN201910905296.4A priority Critical patent/CN110633870A/zh
Publication of CN110633870A publication Critical patent/CN110633870A/zh
Withdrawn legal-status Critical Current

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Health & Medical Sciences (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Biomedical Technology (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Educational Administration (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请适用于电力技术领域，提供了一种谐波预警方法、谐波预警装置、终端设备及计算机可读存储介质，所述谐波预警方法包括：获取训练样本，所述训练样本为以谐波污染度为标签的电信号；基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；基于所述谐波污染度对所述用户侧电网进行预警动作。通过本申请能够实现对电网谐波的预警，并有利于降低谐波对电网的影响。

Description

一种谐波预警方法、谐波预警装置及终端设备
技术领域
本申请属于电力技术领域，尤其涉及一种谐波预警方法、谐波预警装置、终端设备及计算机可读存储介质。
背景技术
随着我国电力电网技术的发展，电力电子设备广泛应用于各个领域，给人们的生活带来了很大的方便，变频技术的发展给电网带来了很大的污染，由变频设备所产生的高次谐波电流和谐波电压对电网电压造成较大的影响，甚至会影响整个电力电网的稳定运行。
为了很好的治理电网谐波，亟需一种能够实现对电网谐波进行预警的方法，以降低谐波对电网的影响。
发明内容
有鉴于此，本申请实施例提供了一种谐波预警方法、谐波预警装置、终端设备及计算机可读存储介质，以实现对电网谐波的预警，并降低谐波对电网的影响。
本申请实施例的第一方面提供了一种谐波预警方法，包括：
获取训练样本，所述训练样本为以谐波污染度为标签的电信号；
基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；
将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；
基于所述谐波污染度对所述用户侧电网进行预警动作。
本申请实施例的第二方面提供了一种谐波预警装置，包括：
获取单元，用于获取训练样本，所述训练样本为以谐波污染度为标签的电信号；
训练单元，用于基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；
模型分析单元，用于将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；
预警单元，用于基于所述谐波污染度对所述用户侧电网进行预警动作。
本申请实施例的第三方面提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本申请实施例第一方面提供的所述谐波预警方法的步骤。
本申请实施例的第四方面提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述谐波预警方法的步骤。
本申请实施例的第五方面提供了一种计算机程序产品，所述计算机程序产品包括计算机程序，所述计算机程序被一个或多个处理器执行时实现本申请实施例第一方面提供的所述方法的步骤。
本申请实施例提供了一种谐波预警方法，通过获取训练样本，所述训练样本为以谐波污染度为标签的电信号；基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；基于所述谐波污染度对所述用户侧电网进行预警动作；从而能够实现对电网谐波的预警，并有利于降低谐波对电网的影响。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的谐波预警方法的一种实现流程示意图；
图2是本申请实施例提供的谐波预警方法中获取训练样本的一种实现流程示意图；
图3是本申请实施例提供的谐波预警装置的一种示意框图；
图4是本申请实施例提供的一种终端设备的示意框图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”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。
还应当理解，在此本申请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申请。如在本申请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。
还应当进一步理解，在本申请说明书和所附权利要求书中使用的术语“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。
如在本说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
为了说明本申请所述的技术方案，下面通过具体实施例来进行说明。
图1是本申请实施例提供的一种谐波预警方法的实现流程示意图，如图所示，该方法可以包括以下步骤：
在步骤101中、获取训练样本，所述训练样本为以谐波污染度为标签的电信号；
在本申请实施例中，首选获取以谐波污染度为标签的电信号组成的训练样本，例如，该训练样本可以包括对应多种电信号的数据，每种电信号对应的数据具有一个标签，该标签指示了相应电信号对应的谐波污染度。该训练样本用于对预先构建的神经网络模型进行训练，可以使该预先构建的神经网络模型基于该训练样本的训练学习具有接收对应电信号的数据、输出对应电信号的谐波污染标签的功能。
可选的，在一个实现方式中，如图2所示，上述获取训练样本可以基于以下步骤实现：
步骤201、随机生成虚拟电信号，并提取所述虚拟电信号的特征参数；
步骤202、将所述虚拟电信号输入预先构建的虚拟电网模型，得到所述虚拟电网模型的状态；
步骤203、基于所述虚拟电网模型的状态计算所述虚拟电信号的谐波污染度；
步骤204、获取预设数量的虚拟电信号以及对应的谐波污染度，并将每个虚拟电信号的特征参数和对应的谐波污染度作为训练样本。
在本申请实施例中，可以首先随机生成一个虚拟电信号，并提取该虚拟电信号的特征参数；并将对应相应虚拟电信号输入预先构建的虚拟电网模型，该虚拟电网模型可以为对实际电网进行仿真得到的模型，通过接受上述虚拟电信号，该虚拟电网模型会呈现不同的状态，例如虚拟电网模型中的断路器、变压器等器件的动作状态。根据虚拟电网模型呈现的状态可以计算当前虚拟电网模型的谐波污染度，该谐波污染度即与输入的虚拟电信号相对应，可以将该谐波污染度为标签、与相应的虚拟电信号的特征参数构成训练样本中的一个训练数据，依照相同的方式，可以生成多种虚拟电信号，得到多个训练数据，共同组成训练样本。
可选的，在一个实现方式中，上述步骤201可以包括：
步骤2011、获取预设的基波，并在所述基波上随机生成各次谐波；
步骤2012、将所述基波和随机生成的各次谐波叠加获得虚拟电信号。
在本申请实施例中，可以根据预设的基波，通过对该基波叠加随机生成的各次谐波来获得虚拟电信号，免除了需要从实际电网获得电信号训练数据的过程，节约成本并且更加方便，同时还可以通过控制叠加不同类型的谐波使训练样本多样化，进而有利于提高神经网络模型的预测准确性。
可选的，在一个实现方式中，上述虚拟电信号的特征参数可以包括以下至少一项：基波频率、各次谐波的频率、各次谐波的幅值、各次谐波的相角、2-50次谐波电压和谐波电流、三相电压不平衡度、电压波动与闪变、电压偏差、电压基波有效值和真有效值、电流基波有效值和真有效值、基波有功功率、基波视在功率、真功率因数。
可选的，在一个实现方式中，上述虚拟电网模型的状态可以包括以下至少一项：是否存在断路器误动作、是否存在变压器过热、是否存在电机烧毁、是否存在自动装置误动作、所述虚拟电网模型中各用电设备接收到的电能质量。
在步骤102中、基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；
在本申请实施例中，利用上述获得的训练样本对预先构建的卷积神经网络模型进行训练，使该预先构建的神经网络模型基于该训练样本的训练学习具有接收对应电信号的数据、输出对应电信号的谐波污染标签的功能，即获得训练后的神经网络模型。
对于预先构建的卷积神经网络(Convolutional Neural Networks,CNN)，其是一类包含卷积计算且具有深度结构的前馈神经网络，具有表征学***移不变分类，因此也被称为“平移不变人工神经网络。卷积神经网络仿造生物的视知觉机制构建，可以进行监督学习和非监督学习，其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征。
在本申请实施例中，预先构建的卷积神经网络可以包括输入层、隐含层和输出层，其输入层可以处理多维数据，例如，可以接收并处理上述电信号对应的多维的特征参数。其隐含层可以包含卷积层、池化层和全连接层，也即，该预先构建的卷积神经网络中的数据处理的层级顺序可以为：输入-卷积层-池化层-全连接层-输出。
其中，卷积层的功能是对输入数据进行特征提取，其内部可以包含多个卷积核，组成卷积核的每个元素都对应一个权重系数和一个偏差量，类似于一个前馈神经网络的神经元。卷积层内每个神经元都与前一层中位置接近的区域的多个神经元相连，区域的大小取决于卷积核的大小，称为“感受野”。卷积核在工作时，会有规律地扫过输入特征，在感受野内对输入特征做矩阵元素乘法求和并叠加偏差量。在卷积层进行特征提取后，输出的特征图会被传递至池化层进行特征选择和信息过滤。池化层包含预设定的池化函数，其功能是将特征图中单个点的结果替换为其相邻区域的特征图统计量。池化层选取池化区域与卷积核扫描特征图步骤相同，由池化大小、步长和填充控制。全连接层等价于传统前馈神经网络中的隐含层。全连接层位于卷积神经网络隐含层的最后部分，并只向其它全连接层传递信号。特征图在全连接层中会失去空间拓扑结构，被展开为向量并通过激励函数。
在本申请实施例中，预先构建的卷积神经网络的输出层的结构和工作原理与传统前馈神经网络中的输出层相同。例如，对于用户侧电网的谐波污染度分类问题，输出层可以使用逻辑函数或归一化指数函数输出分类标签。
可选的，上述基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型可以包括：
步骤1021、将所述虚拟电信号的特征参数输入构建的卷积神经网络模型获得谐波污染预测值；
步骤1022、基于所述谐波污染预测值和标签值的差异反向更新所述卷积神经网络模型的各层的参数；
步骤1023、在所述卷积神经网络模型收敛后，获得训练后的卷积神经网络模型。
在本申请实施例中，利用训练数据对预先构建的卷积神经网络模型进行训练，也即通过反向传播算法进行监督学习，可以使得预先构建的卷积神经网络模型学习到训练样本中虚拟电信号的特征参数与其标签值(谐波污染)之间的规律，进而具备基于虚拟电信号的特征参数进行谐波污染度分类的功能，输出谐波污染预测值。
在步骤103中、将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；
在本申请实施例中，可以将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，通过训练后的神经网络模型基于用户侧电网中的电信号对用户侧电网中的谐波污染度进行评估，获得所述用户侧电网中的谐波污染度。
可选的，在一种实现方式中，所述将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度可以包括：
将采集的待监测的用户侧电网中的电信号的特征参数输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度。
在本申请实施例中，从待监测的用户侧电网中的电信号中提取特征参数，将该特征参数作为用户侧电网中的电信号的数据输入到训练后的神经网络模型，以进行用户侧电网中的谐波污染度的评估。该特征参数可以包括以下至少一项：基波频率、各次谐波的频率、各次谐波的幅值、各次谐波的相角、2-50次谐波电压和谐波电流、三相电压不平衡度、电压波动与闪变、电压偏差、电压基波有效值和真有效值、电流基波有效值和真有效值、基波有功功率、基波视在功率、真功率因数。
在步骤104中、基于所述谐波污染度对所述用户侧电网进行预警动作。
在本申请实施例中，通过训练后的神经网络模型基于对用户侧电网的电信号对用户侧电网的谐波污染度进行评估(分类)，进而可以根据分类的结构进行预警或者执行相应的动作。例如，当分类得到的用户侧电网的谐波污染度大于预设值时可以输出报警信号，以提醒相关人员电网当前的谐波污染度过大。当分类得到的用户侧电网的谐波污染度大于预设值时，也可以输出指示信号，以指示相应的器件执行预定的动作，例如断开部分器件与电网的连接。
由上可知，本申请实施例提供了一种谐波预警方法，通过获取训练样本，所述训练样本为以谐波污染度为标签的电信号；基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；基于所述谐波污染度对所述用户侧电网进行预警动作；从而能够实现对电网谐波的预警，并有利于降低谐波对电网的影响。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以下为本发明的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图3示出了本发明实施例提供的谐波预警装置的结构示意图，为了便于说明，仅示出了与本发明实施例相关的部分，详述如下：
一种谐波预警装置3，包括：获取单元31，训练单元32，模型分析单元33和预警单元34。
获取单元31，用于获取训练样本，所述训练样本为以谐波污染度为标签的电信号；
训练单元32，用于基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；
模型分析单元33，用于将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；
预警单元34，用于基于所述谐波污染度对所述用户侧电网进行预警动作。
可选的，谐波预警装置3还可以包括：
提取单元，用于随机生成虚拟电信号，并提取所述虚拟电信号的特征参数；
电网模拟单元，用于将所述虚拟电信号输入预先构建的虚拟电网模型，得到所述虚拟电网模型的状态；
计算单元，用于基于所述虚拟电网模型的状态计算所述虚拟电信号的谐波污染度；
获取单元31还用于，获取预设数量的虚拟电信号以及对应的谐波污染度，并将每个虚拟电信号的特征参数和对应的谐波污染度作为训练样本。
可选的，谐波预警装置3还可以包括：
谐波生成单元，用于获取预设的基波，并在所述基波上随机生成各次谐波；
相应的，提取单元具体用于，将所述基波和随机生成的各次谐波叠加获得虚拟电信号。
可选的，所述虚拟电信号的特征参数包括以下至少一项：基波频率、各次谐波的频率、各次谐波的幅值、各次谐波的相角、2-50次谐波电压和谐波电流、三相电压不平衡度、电压波动与闪变、电压偏差、电压基波有效值和真有效值、电流基波有效值和真有效值、基波有功功率、基波视在功率、真功率因数。
可选的，所述虚拟电网模型的状态包括以下至少一项：是否存在断路器误动作、是否存在变压器过热、是否存在电机烧毁、是否存在自动装置误动作、所述虚拟电网模型中各用电设备接收到的电能质量。
可选的，谐波预警装置3还可以包括：
预测单元，用于将所述虚拟电信号的特征参数输入构建的卷积神经网络模型获得谐波污染预测值；
反向更新单元，用于基于所述谐波污染预测值和标签值的差异反向更新所述卷积神经网络模型的各层的参数；
相应的，训练单元32具体用于，在所述卷积神经网络模型收敛后，获得训练后的卷积神经网络模型。
可选的，模型分析单元33还用于，将采集的待监测的用户侧电网中的电信号的特征参数输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度。
由上可知，本申请实施例提供了一种谐波预警装置，通过获取训练样本，所述训练样本为以谐波污染度为标签的电信号；基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；基于所述谐波污染度对所述用户侧电网进行预警动作；从而能够实现对电网谐波的预警，并有利于降低谐波对电网的影响。
图4是本申请一实施例提供的终端设备的示意框图，为了便于说明，仅示出与本申请实施例相关的部分。如图4所示，该终端设备4可以是内置于手机、平板电脑、笔记本、计算机等终端设备内的软件单元、硬件单元或者软硬结合的单元，也可以作为独立的挂件集成到所述手机、平板电脑、笔记本、计算机等终端设备中。
所述终端设备4包括：处理器40、存储器41以及存储在所述存储器41中并可在所述处理器40上运行的计算机程序42。所述处理器40执行所述计算机程序42时实现上述各个谐波预警方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器40执行所述计算机程序42时实现上述各装置实施例中各模块/单元的功能，例如图3所示单元31至34的功能。
示例性的，所述计算机程序42可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器41中，并由所述处理器40执行，以完成本发明。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序42在所述终端4中的执行过程。例如，所述计算机程序42可以被分割成获取单元，训练单元，模型分析单元和预警单元，各单元具体功能如下：
获取单元，用于获取训练样本，所述训练样本为以谐波污染度为标签的电信号；
训练单元，用于基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；
模型分析单元，用于将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；
预警单元，用于基于所述谐波污染度对所述用户侧电网进行预警动作。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述终端设备的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述终端设备中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
其它单元或者模块可参照图4所示的实施例中的描述，在此不再赘述。
所述终端设备包括但不仅限于处理器40、存储器41。本领域技术人员可以理解，图4仅仅是终端设备4的一个示例，并不构成对终端设备4的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入设备、输出设备、网络接入设备、总线等。
所述处理器40可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器41可以是所述终端设备4的内部存储单元，例如终端设备4的硬盘或内存。所述存储器41也可以是所述终端设备4的外部存储设备，例如所述终端设备4上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器41还可以既包括所述终端设备4的内部存储单元也包括外部存储设备。所述存储器41用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器41还可以用于暂时地存储已经输出或者将要输出的数据。
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述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者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。
在本申请所提供的实施例中，应该理解到，所揭露的终端设备和方法，可以通过其它的方式实现。例如，以上所描述的终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元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，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种谐波预警方法，其特征在于，包括：
获取训练样本，所述训练样本为以谐波污染度为标签的电信号；
基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；
将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；
基于所述谐波污染度对所述用户侧电网进行预警动作。
2.如权利要求1所述的谐波预警方法，其特征在于，所述获取训练样本包括：
随机生成虚拟电信号，并提取所述虚拟电信号的特征参数；
将所述虚拟电信号输入预先构建的虚拟电网模型，得到所述虚拟电网模型的状态；
基于所述虚拟电网模型的状态计算所述虚拟电信号的谐波污染度；
获取预设数量的虚拟电信号以及对应的谐波污染度，并将每个虚拟电信号的特征参数和对应的谐波污染度作为训练样本。
3.如权利要求2所述的谐波预警方法，其特征在于，所述随机生成虚拟电信号包括：
获取预设的基波，并在所述基波上随机生成各次谐波；
将所述基波和随机生成的各次谐波叠加获得虚拟电信号。
4.如权利要求2所述的谐波预警方法，其特征在于，所述虚拟电信号的特征参数包括以下至少一项：基波频率、各次谐波的频率、各次谐波的幅值、各次谐波的相角、2-50次谐波电压和谐波电流、三相电压不平衡度、电压波动与闪变、电压偏差、电压基波有效值和真有效值、电流基波有效值和真有效值、基波有功功率、基波视在功率、真功率因数。
5.如权利要求2所述的谐波预警方法，其特征在于，所述虚拟电网模型的状态包括以下至少一项：是否存在断路器误动作、是否存在变压器过热、是否存在电机烧毁、是否存在自动装置误动作、所述虚拟电网模型中各用电设备接收到的电能质量。
6.如权利要求2所述的谐波预警方法，其特征在于，所述基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型包括：
将所述虚拟电信号的特征参数输入构建的卷积神经网络模型获得谐波污染预测值；
基于所述谐波污染预测值和标签值的差异反向更新所述卷积神经网络模型的各层的参数；
在所述卷积神经网络模型收敛后，获得训练后的卷积神经网络模型。
7.如权利要求6所述的谐波预警方法，其特征在于，所述将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度包括：
将采集的待监测的用户侧电网中的电信号的特征参数输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度。
8.一种谐波预警装置，其特征在于，包括：
获取单元，用于获取训练样本，所述训练样本为以谐波污染度为标签的电信号；
训练单元，用于基于训练样本对构建的卷积神经网络模型进行训练，获得训练后的神经网络模型；
模型分析单元，用于将采集的待监测的用户侧电网中的电信号输入训练后的神经网络模型，获得所述用户侧电网中的谐波污染度；
预警单元，用于基于所述谐波污染度对所述用户侧电网进行预警动作。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述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计算机程序时实现如上的权利要求1至7中任一项所述谐波预警方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至7中任一项所述谐波预警方法的步骤。
CN201910905296.4A 2019-09-24 2019-09-24 一种谐波预警方法、谐波预警装置及终端设备 Withdrawn CN110633870A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910905296.4A CN110633870A (zh) 2019-09-24 2019-09-24 一种谐波预警方法、谐波预警装置及终端设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910905296.4A CN110633870A (zh) 2019-09-24 2019-09-24 一种谐波预警方法、谐波预警装置及终端设备

Publications (1)

Publication Number Publication Date
CN110633870A true CN110633870A (zh) 2019-12-31

Family

ID=68974164

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910905296.4A Withdrawn CN110633870A (zh) 2019-09-24 2019-09-24 一种谐波预警方法、谐波预警装置及终端设备

Country Status (1)

Country Link
CN (1) CN110633870A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724290A (zh) * 2020-06-24 2020-09-29 山东建筑大学 基于深度分层模糊算法的环保设备识别方法与***
CN112907105A (zh) * 2021-03-10 2021-06-04 广东电网有限责任公司 基于业务场景的预警方法及装置
CN113094636A (zh) * 2021-04-21 2021-07-09 国网福建省电力有限公司 一种基于海量监测数据的干扰性用户谐波水平估计方法
CN113378483A (zh) * 2021-07-12 2021-09-10 广东电网有限责任公司 一种电网数据的预警方法、装置、设备及存储介质
CN115128345A (zh) * 2022-07-01 2022-09-30 费莱(浙江)科技有限公司 一种基于谐波监测的电网安全预警方法及***

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724290A (zh) * 2020-06-24 2020-09-29 山东建筑大学 基于深度分层模糊算法的环保设备识别方法与***
WO2021258636A1 (zh) * 2020-06-24 2021-12-30 山东建筑大学 基于深度分层模糊算法的环保设备识别方法与***
CN111724290B (zh) * 2020-06-24 2023-09-26 山东建筑大学 基于深度分层模糊算法的环保设备识别方法与***
CN112907105A (zh) * 2021-03-10 2021-06-04 广东电网有限责任公司 基于业务场景的预警方法及装置
CN113094636A (zh) * 2021-04-21 2021-07-09 国网福建省电力有限公司 一种基于海量监测数据的干扰性用户谐波水平估计方法
CN113378483A (zh) * 2021-07-12 2021-09-10 广东电网有限责任公司 一种电网数据的预警方法、装置、设备及存储介质
CN115128345A (zh) * 2022-07-01 2022-09-30 费莱(浙江)科技有限公司 一种基于谐波监测的电网安全预警方法及***

Similar Documents

Publication Publication Date Title
CN110633870A (zh) 一种谐波预警方法、谐波预警装置及终端设备
Zhu et al. An adaptive optimization spiking neural P system for binary problems
CN110377984B (zh) 一种工业设备剩余有效寿命预测方法、***及电子设备
Edalatpanah Data envelopment analysis based on triangular neutrosophic numbers
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN102291392B (zh) 一种基于Bagging算法的复合式入侵检测方法
Zhao et al. An optimal deep sparse autoencoder with gated recurrent unit for rolling bearing fault diagnosis
CN110210513A (zh) 数据分类方法、装置及终端设备
CN109034206A (zh) 图像分类识别方法、装置、电子设备及计算机可读介质
Kumar et al. Fuzzy classifier for fault diagnosis in analog electronic circuits
Decanini et al. Robust fault diagnosis in power distribution systems based on fuzzy ARTMAP neural network-aided evidence theory
CN111898247A (zh) 滑坡位移预测方法、设备及存储介质
CN108564569B (zh) 一种基于多核分类学习的混凝土裂缝检测方法及装置
CN112085111A (zh) 一种负荷辨识方法和装置
Zhao et al. Image quality assessment based on complementary local feature extraction and quantification
Guo et al. A data-enhanced high impedance fault detection method under imbalanced sample scenarios in distribution networks
Dai et al. Fault Diagnosis of Data‐Driven Photovoltaic Power Generation System Based on Deep Reinforcement Learning
CN114259255A (zh) 一种基于频域信号与时域信号的模态融合胎心率分类方法
Han et al. A novel dense residual network based on Adam-S optimizer for fault diagnosis of bearings under different working conditions
Beg et al. Feed-forward artificial neural network–discrete wavelet transform approach to classify power system transients
Zhu et al. Auto-starting semisupervised-learning-based identification of synchrophasor data anomalies
CN111353577B (zh) 基于多任务的级联组合模型的优化方法、装置及终端设备
CN108198173B (zh) 一种混凝土裂缝区域的在线检测方法、装置及终端设备
CN115936926A (zh) 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质
CN115545085A (zh) 微弱故障电流的故障类型识别方法、装置、设备和介质

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20191231

WW01 Invention patent application withdrawn after publication