CN113240057B - 一种基于电力数据采集的高精度误差检测方法及*** - Google Patents

一种基于电力数据采集的高精度误差检测方法及*** Download PDF

Info

Publication number
CN113240057B
CN113240057B CN202110785930.2A CN202110785930A CN113240057B CN 113240057 B CN113240057 B CN 113240057B CN 202110785930 A CN202110785930 A CN 202110785930A CN 113240057 B CN113240057 B CN 113240057B
Authority
CN
China
Prior art keywords
waveform
power data
differential
differential waveform
sequence
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
Application number
CN202110785930.2A
Other languages
English (en)
Other versions
CN113240057A (zh
Inventor
郭小炼
尚驰祥
吴天音
范源泉
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.)
Wuhan Zhongyuan Electronic Information Co ltd
Original Assignee
Wuhan Zhongyuan Electronic Information 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 Wuhan Zhongyuan Electronic Information Co ltd filed Critical Wuhan Zhongyuan Electronic Information Co ltd
Priority to CN202110785930.2A priority Critical patent/CN113240057B/zh
Publication of CN113240057A publication Critical patent/CN113240057A/zh
Application granted granted Critical
Publication of CN113240057B publication Critical patent/CN113240057B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明涉及一种基于电力数据采集的高精度误差检测方法和***，其方法包括：获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列;利用目标识别网络和训练完成的基于注意力机制的双向GRU分别识别待测电力数据的差分波形及其对应的压缩序列；根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。本发明结合了目标识别网络和GRU分别识别电力数据的差分波形及感知压缩序列，在提高电力高精度误差检测的准确性和通用性。

Description

一种基于电力数据采集的高精度误差检测方法及***
技术领域
本发明属于电力数据处理领域，具体涉及基于电力数据采集的高精度误差检测方法及***。
背景技术
电力数据通常包括各种电力设备在运行中的电压值、电流值及其变化值，而电力扰动则反映了源-网-荷侧的各类扰动，例如，电源侧新能源并网由于其间歇性或电力电子设备的开断特性容易造成电力扰动，雷击等气象因素也是造成电力扰动的常见原因；电网侧发生的各类电网故障以及变压器、电容器等设备异常运行也会造成监测数据中出现相应的波形畸变；用户侧敏感设备故障以及负荷的动态用电行为同样会产生电力扰动。这些扰动，其本质均是电压、电流发生畸变、偏离期望值的现象或事件。消除或检测这些扰动，对于提高电力数据采集的精度具有重要意义。
经过研究发现，电力***在运行过程中还存在一系列扰动特征不明显的微弱扰动，这些扰动很难通过传统的信号处理方法提取特征，然后基于确定性的判据准确检测到。检测的难点在于扰动波形的形式种类众多，需要从微弱扰动的波形数据中提取可用于检测的隐藏特征。尤其是，一些微弱地、连续有多个周期具有相似波形特征的扰动，容易被检测为多个扰动事件对待。
电力扰动数据中蕴含着丰富的设备运行状态信息，对电力扰动的准确检测和辨识，不仅可以改善和提高电能质量，还可为设备维护提供决策支持，提高供电可靠性与经济性。因此，对电力扰动数据进行准确的检测具有重要的意义。目前，电力扰动的检测方法主要基于信号处理方法（小波变换、傅里叶变换）提取特征信号特征，然后基于提取到的特征量得到对应的检测判据。
而在深度学习领域，每一种信息的来源或者形式，都可以称为一种模态。例如，人有触觉，听觉，视觉，嗅觉；信息的媒介，有语音、视频、文字等；多种多样的传感器，如雷达、红外、加速度计等。以上的每一种都可以称为一种模态。随着多模态学习（MultiModalMachine Learning，MMML)的兴起和发展，利用多种角度或方式理解或学习信息(信号)的内在特征，但将其应用于信号检测或处理领域比较少见。
注意力模型最近几年在深度学习各个领域被广泛使用，无论是图像处理、语音识别还是自然语言处理的各种不同类型的任务中。深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似，核心目标也是从众多信息中选择出对当前任务目标更关键的信息。
发明内容
为解决提高电力扰动的检测准确性和通用性，在本发明的第一方面提供了一种基于电力数据采集的高精度误差检测方法，包括：获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列;利用目标识别网络和训练完成的基于注意力机制的双向GRU分别识别待测电力数据的差分波形及其对应的压缩序列；根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。
在本发明的一些实施例中，所述获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形包括如下步骤：利用窗函数将差分波形均匀分割成多个分帧，并计算每个分帧内的差分波形的有效值：若所述差分波形的有效值低于第一阈值，则忽略该差分波形；若所述差分波形的有效值高于或等于第一阈值，则对所述差分波形进行傅里叶变换，记录并保存其对应的基波频率和谐波频率。
在本发明的一些实施例中，所述预设的测量矩阵通过如下步骤获取：计算每个差分波形的有效值，根据预设的第二阈值对其进行比较，得到由所述每个差分波形的有效值构成的符号函数序列{a n }；根据符号函数序列和logistic映射确定预设的测量矩阵中的每个元素。
进一步的，所述根据符号函数序列和Logistic映射确定测量矩阵中的每个元素:确定Logistic映射的初始值和参数值μ，生成随机序列{b n }；随机选取一个差分波形的有效值的采样值，将其作为符号函数序列{a n }的初始值；根据所述符号函数序列{a n }和所述随机序列{b n }确定测量矩阵的每个元素：Φ=a n ×b n ，其中Φ表示测量矩阵的元素，a n 和b n 分别代表符号函数序列和随机序列中的第n个元素。
在本发明的一些实施例中，所述训练完成的基于注意力机制的双向GRU通过如下步骤训练:
对每个差分波形的压缩序列进行特征提取，得到多个特征向量；
将所述多个特征向量作为双向GRU的输入，所述双向GRU的隐藏层的状态参数作为注意力层的输入，构建基于注意力机制的双向GRU；
更新所述基于注意力机制的双向GRU的权重矩阵，直至基于注意力机制的双向GRU的误差低于阈值，得到训练完成的基于注意力机制的双向GRU。
进一步的，所述对每个差分波形的压缩序列进行特征提取，得到多个特征向量之前还包括：对每个差分波形的压缩序列进行频率偏差校正。
本发明的第二方面，提供了一种基于电力数据采集的高精度误差检测***，包括获取模块、采样模块、识别模块和判断模块，所述获取模块，用于获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；所述采样模块，用于根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列；所述识别模块，用于利用目标识别网络和训练完成的基于注意力机制的双向GRU模型分别识别差分波形及其对应的压缩序列；所述判断模块，用于根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的方法。
进一步的，所述识别模块包括目标识别网络和基于注意力机制的双向GRU，所述目标识别网络，用于识别差分波形；所述基于注意力机制的双向GRU，用于识别差分波形对应的压缩序列。
在本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现实现本发明第一方面提供的基于电力数据采集的高精度误差检测方法。
在本发明的第四方面，提供了一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现本发明第一方面提供的方法基于电力数据采集的高精度误差检测方法。
本发明的有益效果是：
1.将电力数据的差分波形和有效值作为电力扰动的特征，利用深度学习分别学习电力扰动中所包含的波形信息和序列信息，融合波形信息和序列信息的模型具有更好的通用性和准确性；
2.利用压缩感知压缩电力数据，在损失微小的数据完整性前提下提高检查实时性；
3.目标识别网络识别波形，基于注意力的双向GRU识别序列数据，融合两者的特征信息，能进一步提高高精度误差的准确性和模型的鲁棒性。
附图说明
图1为本发明的一些实施例中的基于压缩感知与深度学习的电力扰动检测流程示意图；
图2为本发明的一些实施例中的采集到差分波形的示意图；
图3为本发明的一些实施例中的基于注意力机制的双向GRU结构及训练过程示意图；
图4为本发明的一些实施例中的基于电力数据采集的高精度误差检测***的结构示意图；
图5为本发明的一些实施例中的电子设备的基本结构图。
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。
参考图1，在本发明的第一方面提供了一种基于电力数据采集的高精度误差检测方法，包括如下步骤：S100.获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；S200.根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列;S300.利用目标识别网络和训练完成的基于注意力机制的双向GRU分别识别待测电力数据的差分波形及其对应的压缩序列；S400.根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。可以理解，采集的误差一般来自设备自身的老化，或电网因为扰动而导致的设备异常，进而形成或积累了误差，而这种误差采用传统检测或测量方法往往不易察觉。
参考图2，为了提高高精度误差检测的实时性，减少传输时延，对电力数据进行压缩，在本发明的一些实施例的步骤S100中，所述获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形包括如下步骤：利用窗函数将差分波形均匀分割成多个分帧，并计算每个分帧内的差分波形的有效值：若所述差分波形的有效值低于第一阈值，则忽略该差分波形；若所述差分波形的有效值高于或等于第一阈值，则对所述差分波形进行傅里叶变换，记录并保存其对应的基波频率和谐波频率。第一阈值为多个周期内分帧的差分波形的有效值的均方根（MSE）的5%-20%。图2中（a）部分、（b）部分、(c)部分分别示出了电力数据的原始波形、延迟一周期后的原始波形（邻近波形）和差分波形的波形图。
在本发明的一些实施例的步骤S200中，所述预设的测量矩阵通过如下步骤获取：计算每个差分波形的有效值，根据预设的第二阈值对其进行比较，得到由所述每个差分波形的有效值构成的符号函数序列{a n }，即：每个差分波形的有效值与第二阈值进行比较：若大于第二阈值，则取值为1；若小于第二阈值，则取为-1；若等于第二阈值，则取值为0；由此根据符号函数序列和logistic映射确定预设的测量矩阵中的每个元素。其中，第二阈值多个差分波形的有效值的均方根（MSE）的5%-20%。
进一步的，更好的拟合实际差分波形的变化趋势，所述根据符号函数序列和Logistic映射确定测量矩阵中的每个元素:确定Logistic映射的初始值和参数值μ，生成随机序列{b n }；随机选取一个差分波形的有效值的采样值，将其作为符号函数序列{a n }的初始值；根据所述符号函数序列{a n }和所述随机序列{b n }确定测量矩阵的每个元素：Φ=a n ×b n ，其中Φ表示测量矩阵的元素（省略了矩阵的元素行列序号），a n 和b n 分别代表符号函数序列和随机序列中的第n个元素。在一个具体的实施例中，Logistic映射的参数值μ∈[1.872,2.0],初始值a 0 =0.23,0.37或0.7；优选的，μ=2.0，随机序列{b n }满足伯努利分布，同时满足RIP（Restricted Isometry Property,有限等距性质）。
可以理解，通过符号函数序列拟合差分波形的压缩序列的粗粒度变化趋势，通过Logistic映射的混沌特性拟合差分波形的细粒度的随机性，将两者的乘积作为测量矩阵的元素能进一步提高高精度误差测量的准确性。
不失一般性，电力数据在长周期上具有一定的混沌特性，因此利用混沌映射生成的测量矩阵能够有效对电力数据进行压缩，上述Logistic映射还可替换为Tent映射、车比雪夫映射等一维混沌映射，至于多维混沌映射由于计算复杂度高，不利于检测的实时性；在此基础上为了适应不同信噪比环境下采集到的电力数据，测量矩阵还可替换为差分波形的有效值的随机采样值初始确定高斯随机测量矩阵、伯努利测量矩阵、稀疏测量矩阵、托普利兹测量矩阵、循环测量矩阵、哈达玛测量矩阵中的一种或多种测量矩阵的元素，从而提高高精度误差的检测通用性。
参考图3，在本发明的一些实施例的步骤S300中，所述训练完成的基于注意力机制的双向GRU通过如下步骤训练:S301.对每个差分波形的压缩序列进行特征提取，得到多个特征向量；S302.将所述多个特征向量作为双向GRU的输入，所述双向GRU的隐藏层的状态参数作为注意力层的输入，构建基于注意力机制的双向GRU；S303.更新所述基于注意力机制的双向GRU的权重矩阵，直至基于注意力机制的双向GRU的误差低于阈值，得到训练完成的基于注意力机制的双向GRU。
示意性地，图3示出了基于注意力机制的双向GRU的基本结构和相关的训练过程： 输入序列（S 1 -S t ）经过双向GRU网络得到隐藏状态参量(h 1 -h t ),隐藏状态参量通过注意力模 块信息选择的学习过程得到注意力分布
Figure 586080DEST_PATH_IMAGE001
。
隐藏状态参量通过注意力分布的信息加权选取后得到新的信息量（m 1-m t ），最后经 过全连层输出差分序列结果：即，差分序列是否表示存在高精度误差。可以理解，注意力机 制表现为隐藏状态参量(h 1 -h t )通过注意力模块信息选择的注意力分布
Figure 40064DEST_PATH_IMAGE001
的学习过 程，全连接层通常包括激活函数或分类函数，也可将激活函数或分类函数的分类过程通过 注意力模块实现。
进一步的，所述对每个差分波形的压缩序列进行特征提取，得到多个特征向量之前还包括：对每个差分波形的压缩序列进行频率偏差校正。具体地，首先确定参考周期的过零点，通过多次线性插值确定采样波形的精确周期，从而对采样点数据进行频率校正。
在本发明的一些实施例的步骤S400中，根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。具体地，将基于注意力机制的双向GRU和目标识别网络通过决策树分类器对两者得到的差分波形预测结果或序列预测结果进行融合，最终判断电力数据是否存在扰动。目标识别网络至少包括R-CNN、Fast R-CNN、Faster R-CNN、 Detectron、YOLO系列网络、SSD、FCN或DeepLab其中的一种。
实施例2
参考图4，在本发明的第二方面提供了一种基于电力数据采集的高精度误差检测***1，包括获取模块11、采样模块12、识别模块13和判断模块14，所述获取模块11，用于获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；所述采样模块12，用于根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列；所述识别模块13，用于利用目标识别网络和训练完成的基于注意力机制的双向GRU模型分别识别差分波形及其对应的压缩序列；所述判断模块14，用于根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。
进一步的，所述识别模块13包括目标识别网络和基于注意力机制的双向GRU，所述目标识别网络，用于识别差分波形；所述基于注意力机制的双向GRU，用于识别差分波形对应的压缩序列。
可以理解，在检测出上述高精度误差之后，针对其误差分析确定干扰源或更换或检修采集器，以提高采集器的测量精度。
实施例3
本发明的第三方面，提供了一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现本发明第一方面提供的基于电力数据采集的高精度误差检测方法。
参考图5，电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501，其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中，还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507；包括例如硬盘等的存储装置508；以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置509从网络上被下载和安装，或者从存储装置508被安装，或者从ROM 502被安装。在该计算机程序被处理装置501执行时，执行本公开的实施例的方法中限定的上述功能。需要说明的是，本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码，程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python、Go，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机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于电力数据采集的高精度误差检测方法，其特征在于，包括：
获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；
根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列;
利用目标识别网络和训练完成的基于注意力机制的双向GRU分别识别待测电力数据的差分波形及其对应的压缩序列；
根据识别出的差分波形及其对应的压缩序列的类别，实时判断待测电力数据中是否存在高精度误差。
2.根据权利要求1所述的基于电力数据采集的高精度误差检测方法，其特征在于，所述获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形包括如下步骤：
利用窗函数将差分波形均匀分割成多个分帧，并计算每个分帧内的差分波形的有效值：
若每个分帧内的差分波形的有效值低于第一阈值，则忽略该分帧内的差分波形；
若每个分帧内的差分波形的有效值高于或等于第一阈值，则对所述分帧内的差分波形进行傅里叶变换，记录并保存其对应的基波频率和谐波频率。
3.根据权利要求1所述的基于电力数据采集的高精度误差检测方法，其特征在于，所述预设的测量矩阵通过如下步骤获取：
计算每个差分波形的有效值，根据预设的第二阈值对其进行比较，得到由所述每个差分波形的有效值构成的符号函数序列{a n }；
根据符号函数序列和logistic映射确定预设的测量矩阵中的每个元素。
4.根据权利要求3所述的基于电力数据采集的高精度误差检测方法，其特征在于，所述根据符号函数序列和Logistic映射确定测量矩阵中的每个元素:
确定Logistic映射的初始值和参数值μ，生成随机序列{b n }；
随机选取一个差分波形的有效值的采样值，将其作为符号函数序列{a n }的初始值；
根据所述符号函数序列{a n }和所述随机序列{b n }确定测量矩阵的每个元素：Φ=a n ×b n ，其中Φ表示测量矩阵的元素，a n 和b n 分别代表符号函数序列和随机序列中的第n个元素。
5.根据权利要求1所述的基于电力数据采集的高精度误差检测方法，其特征在于，所述训练完成的基于注意力机制的双向GRU通过如下步骤训练:
对每个差分波形的压缩序列进行特征提取，得到多个特征向量；
将所述多个特征向量作为双向GRU的输入，所述双向GRU的隐藏层的状态参数作为注意力层的输入，构建基于注意力机制的双向GRU；
更新所述基于注意力机制的双向GRU的权重矩阵，直至基于注意力机制的双向GRU的误差低于阈值，得到训练完成的基于注意力机制的双向GRU。
6.根据权利要求5所述的基于电力数据采集的高精度误差检测方法，其特征在于，所述对每个差分波形的压缩序列进行特征提取，得到多个特征向量之前还包括：
对每个差分波形的压缩序列进行频率偏差校正。
7.一种基于电力数据采集的高精度误差检测***，其特征在于，包括获取模块、采样模块、识别模块和判断模块，
所述获取模块，用于获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；
所述采样模块，用于根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列；
所述识别模块，用于利用目标识别网络和训练完成的基于注意力机制的双向GRU模型分别识别差分波形及其对应的压缩序列；
所述判断模块，用于根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。
8.根据权利要求7所述的基于电力数据采集的高精度误差检测***，其特征在于，所述识别模块包括目标识别网络和基于注意力机制的双向GRU，
所述目标识别网络，用于识别差分波形；
所述基于注意力机制的双向GRU，用于识别差分波形对应的压缩序列。
9.一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6中任一项所述的基于电力数据采集的高精度误差检测方法。
10.一种计算机可读介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1-6中任一项所述的基于电力数据采集的高精度误差检测方法。
CN202110785930.2A 2021-07-12 2021-07-12 一种基于电力数据采集的高精度误差检测方法及*** Active CN113240057B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110785930.2A CN113240057B (zh) 2021-07-12 2021-07-12 一种基于电力数据采集的高精度误差检测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110785930.2A CN113240057B (zh) 2021-07-12 2021-07-12 一种基于电力数据采集的高精度误差检测方法及***

Publications (2)

Publication Number Publication Date
CN113240057A CN113240057A (zh) 2021-08-10
CN113240057B true CN113240057B (zh) 2021-09-28

Family

ID=77135440

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110785930.2A Active CN113240057B (zh) 2021-07-12 2021-07-12 一种基于电力数据采集的高精度误差检测方法及***

Country Status (1)

Country Link
CN (1) CN113240057B (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183280A (zh) * 2020-09-21 2021-01-05 西安交通大学 基于emd和压缩感知的水声目标辐射噪声分类方法及***
CN112564280A (zh) * 2020-11-30 2021-03-26 海南电网有限责任公司电力科学研究院 一种用于高铁站的电能质量检测及保护***

Family Cites Families (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10713341B2 (en) * 2011-07-13 2020-07-14 Scott F. McNulty System, method and apparatus for generating acoustic signals based on biometric information
US10193396B1 (en) * 2014-05-07 2019-01-29 Energous Corporation Cluster management of transmitters in a wireless power transmission system
JP5890816B2 (ja) * 2013-09-30 2016-03-22 富士重工業株式会社 フィルタリング装置および環境認識システム
CN109685314B (zh) * 2018-11-20 2021-10-29 中国电力科学研究院有限公司 一种基于长短期记忆网络的非侵入负荷分解方法和***
CN110414412B (zh) * 2019-07-25 2023-03-31 长沙理工大学 基于大数据分析的广域电网多重扰动精确识别方法和装置
CN110929563A (zh) * 2019-10-14 2020-03-27 广东浩迪创新科技有限公司 一种用电器识别方法及装置
CN111965409B (zh) * 2020-07-17 2023-01-03 浙江理工大学 基于分段差分波形有效值的电压暂态扰动检测方法
CN111965541B (zh) * 2020-08-18 2021-06-18 杭州核诺瓦科技有限公司 检测电机磁回路槽楔、气隙、转子断条状态的装置及方法
CN112307969B (zh) * 2020-10-30 2024-03-12 全球能源互联网欧洲研究院 一种脉冲信号的分类辨识方法、装置及计算机设备
CN112487880B (zh) * 2020-11-13 2021-09-24 河北省科学院应用数学研究所 基于最大误差准则的中值滤波器、设备和***

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112183280A (zh) * 2020-09-21 2021-01-05 西安交通大学 基于emd和压缩感知的水声目标辐射噪声分类方法及***
CN112564280A (zh) * 2020-11-30 2021-03-26 海南电网有限责任公司电力科学研究院 一种用于高铁站的电能质量检测及保护***

Also Published As

Publication number Publication date
CN113240057A (zh) 2021-08-10

Similar Documents

Publication Publication Date Title
CN108593260B (zh) 光缆线路故障定位和检测方法及终端设备
US10228994B2 (en) Information processing system, information processing method, and program
CN107784276B (zh) 微震事件识别方法和装置
CN113884961B (zh) Soc校准方法、建模方法、建模装置、计算机设备及介质
US20210034918A1 (en) Method and apparatus for detecting signal features
CN105637331A (zh) 异常检测装置、异常检测方法及计算机可读取的存储介质
CN113837596B (zh) 一种故障确定方法、装置、电子设备及存储介质
CN116416884B (zh) 一种显示器模组的测试装置及其测试方法
CN113948159B (zh) 一种变压器的故障检测方法、装置及设备
CN116257663A (zh) 面向无人地面车辆的异常检测与关联分析方法及相关设备
CN113240057B (zh) 一种基于电力数据采集的高精度误差检测方法及***
CN116030370A (zh) 基于多目标追踪的行为识别方法、装置及电子设备
CN107894837A (zh) 动态情感分析模型样本处理方法及装置
CN116702005A (zh) 一种基于神经网络的数据异常诊断方法和电子设备
CN115577249A (zh) 多视角特征融合的变压器声信号识别方法、***及介质
CN114500075A (zh) 用户异常行为检测方法、装置、电子设备及存储介质
CN114187552A (zh) 一种机房动力环境监控方法及***
CN115238805B (zh) 异常数据识别模型的训练方法及相关设备
CN111695501A (zh) 一种基于操作***内核调用数据的设备软故障检测方法
CN113011096B (zh) 基于模型和数据混合驱动的电流互感器饱和波形恢复方法
CN114001939B (zh) 一种线路连接装置监测方法、装置、设备及存储介质
Yu et al. Similarity study of hydrological time series based on data mining
CN115237739B (zh) 板卡运行环境的分析方法、装置、设备及可读存储介质
CN117074840B (zh) 直流充电桩在线测试***
CN115617023B (zh) 航天器姿控***异常定位方法和装置

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