CN115186751A - 一种基于s变换的CVT计量误差预测方法、装置及存储介质 - Google Patents

一种基于s变换的CVT计量误差预测方法、装置及存储介质 Download PDF

Info

Publication number
CN115186751A
CN115186751A CN202210821450.1A CN202210821450A CN115186751A CN 115186751 A CN115186751 A CN 115186751A CN 202210821450 A CN202210821450 A CN 202210821450A CN 115186751 A CN115186751 A CN 115186751A
Authority
CN
China
Prior art keywords
time
data
frequency
frequency map
cvt
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.)
Pending
Application number
CN202210821450.1A
Other languages
English (en)
Inventor
杨路
张鼎衢
宋强
招景明
李经儒
孟庆亮
陈�峰
黄智坤
唐捷
彭策
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.)
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Measurement Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202210821450.1A priority Critical patent/CN115186751A/zh
Publication of CN115186751A publication Critical patent/CN115186751A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • 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
    • 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)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于s变换的CVT计量误差预测方法、装置及存储介质。该方法包括步骤：实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据；将所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据分别进行S变换处理到第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱；从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集；将所述第一特征数据集进行PCA降维处理得到第二特征数据集；将所述第二特征数据集输入至基于DFF神经网络的CVT计量误差预测模型，输出CVT计量误差预测结果。本发明提高了CVT计量误差预测的效率。

Description

一种基于s变换的CVT计量误差预测方法、装置及存储介质
技术领域
本发明涉及CVT计量误差预测技术领域，尤其涉及一种基于s变换的CVT计量误差预测方法、装置及存储介质。
背景技术
现有技术中采用了深度学***稳的随机信号，单纯的时序数据解析的方法，无法在规定计量准确度的要求下，将CVT渐变性的计量误差与其传感信号的自身波动相区分，导致准确度下降。
目前技术人员停电检定互感器误差状态时，存在耗费人力物力大和效率低的缺点。同时，如果互感器超差不及时发现会导致损害电力结算公平甚至电网安全。
发明内容
本发明提供一种基于s变换的CVT计量误差预测方法、装置及存储介质，提高了CVT计量误差预测的效率。
本发明一实施例提供一种基于s变换的CVT计量误差预测方法，包括以下步骤：
实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据；
将所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据分别进行S变换处理到第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱；
从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集；
将所述第一特征数据集进行PCA降维处理得到第二特征数据集，将降为后的特征记为第二特征；
将所述第二特征数据集输入至基于DFF神经网络的CVT计量误差预测模型，输出CVT计量误差预测结果。
进一步的，所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据按时间序列进行表示。
进一步的，从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，具体为：
从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取峰值指标数据、波形指标数据、峭度指标数据、Tamura纹理数据、一阶颜色矩数据、二阶颜色矩数据和三阶颜色矩数据。
进一步的，根据以下公式采集用于训练所述基于DFF神经网络的CVT计量误差预测模型的原始数据：
Figure BDA0003744653800000021
其中，N表示能够采集到的时间点的数量，n1表示不超差的时间点的数量，n2表示超差的时间点的数量。
进一步的，根据以下公式进行S变换处理：
Figure BDA0003744653800000022
其中，τ＝xT，f＝y/nT，τ为平移因子，用于控制高斯窗在时间轴t上的位置，f为信号特征频率，x为按一定时长间隔进行采样的时间采样点编号，y为按一定频率长间隔进行采样的频率采样点编号，T为采样周期，n为采样点数，sig表示待测信号。
进一步的，所述基于DFF神经网络的CVT计量误差预测模型包括k个输入单元、2层隐含层、若干个隐含神经元和1个输出单元，其中，k等于所述第二特征的数量。
本发明另一实施例提供了一种基于s变换的CVT计量误差预测装置，包括S变换处理模块、PCA降维处理模块和计量误差预测模块；
所述用于实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据，将所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据分别进行S变换处理到第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱，从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集；
所述PCA降维处理模块用于对所述第一特征数据集进行PCA降维处理得到第二特征数据集，将降为后的特征记为第二特征；
所述计量误差预测模块用于将所述第二特征数据集输入至基于DFF神经网络的CVT计量误差预测模型，输出CVT计量误差预测结果。
本发明另一实施例提供了一种可读存储介质，所述可读存储介质包括存储的计算机程序，所述计算机程序执行时，控制所述可读存储介质所在的设备执行本发明任意一项方法项实施例所述的基于s变换的CVT计量误差预测方法。
本发明的实施例，具有如下有益效果：
本发明提供了一种基于s变换的CVT计量误差预测方法、装置及存储介质，该方法通过S变换处理对实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据进行了处理，解决了数据不平稳的问题。同时，通过从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，挖掘了深层特征能够更加深度挖掘数据信息。再使用PCA降维处理，使得输入所述基于DFF神经网络的CVT计量误差预测模型中的数据进一步精简，不仅提高了所述基于DFF神经网络的CVT计量误差预测模型的预测效率，同时提升了预测结果的准确度。
附图说明
图1是本发明一实施例提供的基于s变换的CVT计量误差预测方法的流程示意图；
图2是本发明一实施例提供的基于s变换的CVT计量误差预测装置的结构示意图。
具体实施方式
下面将结合本发明中的附图，对本发明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做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。
如图1所示，本发明一实施例提供的一种基于s变换的CVT计量误差预测方法，包括以下步骤：
步骤S101：实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据。所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据按时间序列进行表示。
步骤S102：将所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据分别进行S变换处理到第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱。
作为其中一种实施例，根据以下公式进行S变换处理：
Figure BDA0003744653800000051
其中，τ＝xT，f＝y/nT，τ为平移因子，用于控制高斯窗在时间轴t上的位置，f为信号特征频率，x为按一定时长间隔进行采样的时间采样点编号，y为按一定频率长间隔进行采样的频率采样点编号，T为采样周期，n为采样点数，sig表示待测信号，d为微分符号。
步骤S103：从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集。
作为其中一种实施例，从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，具体为：
从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取峰值指标数据、波形指标数据、峭度指标数据、Tamura纹理数据、一阶颜色矩数据、二阶颜色矩数据和三阶颜色矩数据。
步骤S104：对所述第一特征数据集进行PCA降维处理得到第二特征数据集，将降为后的特征记为第二特征。
步骤S105：将所述第二特征数据集输入至基于DFF神经网络的CVT计量误差预测模型，输出CVT计量误差预测结果。所述误差预测结果具体为CVT误差预测值。
作为其中一种实施例，根据以下步骤获取用于所述基于DFF神经网络的CVT计量误差预测模型的训练集：
步骤S11：采集站点的停电检测下的真实误差数据和对应误差数据的一次电压频率数据、环境温度数据、泄漏电流数据、二次负载数据,所述误差数据包括比差和角差。
步骤S12：设能够采集到的时间点(时)为N个，其中不超差的时间点n1个，超差的时间点n2个，那么采集的数据量为N*：
Figure BDA0003744653800000061
即当超差时间点大于9倍不超差时间点时使用全部有效数据，当超差时间点不大于9倍不超差时间点时使用全部超差时间点和最近9倍的不超差时间点。采用该方法实现了数据采集全覆盖，保障了数据所属误差状态的全面。采集到的所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据按时间序列进行表示。
步骤S13：将每一个误差点的前10天(即240小时)的一次电压频率数据、环境温度数据、泄漏电流数据、二次负载数据绘制相应的时序图，在所述时序图的基础上采用s变换时频分析法处理得到相应的时频图谱；所述时频图谱包括述一次电压频率数据的第一时频图谱、环境温度数据的第二时频图谱、泄漏电流数据的第三时频图谱和二次负载数据的第四时频图谱。
步骤S14：从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集。将从时频图谱中提取的第一特征数据作为新的预测变量，而不是原始的时序数据作为预测变量，解决了数据非平稳的问题，并深入挖掘了数据特征信息。其中，所述时频图谱的横坐标对应时间信息，纵坐标对应频率信息，n组数据对应n个时频图谱。
具体的，从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取h个图像特征，共得到4h个特征，即所述第一特征数据包括h个图像特征对应的特征数据，所述第一特征数据集包括4h个特征对应的特征数据。
所述h个图像特征包括：峰值指标数据、波形指标数据、峭度指标数据、Tamura纹理数据、一阶颜色矩数据、二阶颜色矩数据和三阶颜色矩数据。
峰值指标：用于描述图谱的峰高和峰面；
波形指标：反映实际波形与标准正弦波的差异和畸变，用于诊断低频领域的不平衡和不对中；
峭度指标：为描述CVT误差影响参量时频图谱尖峰程度的一项指标；
Tamura纹理：包括对比度和方向度，其中，对比度：通过对整个图像或某一区域中的像素强度分布情况进行统计得到；方向度：通过计算每个像素点处的方向角可得到方向度；
颜色矩：图像中的任何颜色分布均可以用其矩来表示。由于颜色分布信息主要集中在低阶矩中，因此采用颜色的1阶矩、2阶矩和3阶矩就足以表达图像的颜色分布。因此，所述第一特征数据集包括4h个特征对应的特征数据，具体为h＝8,所述第一特征数据集包括32项特征。
步骤S15：将所述第一特征数据集进行PCA降维处理得到第二特征数据集。所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据对应时频图谱的图像特征高达32项，因此，很难理清楚各个特征之间的关系，常常容易出现两个特征是强相关的但是却都用来训练的情况，如果存在大量这样的冗余特征，将极大的影响机器学习的效率，极度浪费运行内存和运行时间。因此，通过PCA降维方法优化出最重要的新特征，将降维后的特征记为第二特征，对应得到第二特征数据训练集。
步骤S16：采用所述第二特征数据训练集所述基于DFF神经网络的CVT计量误差预测模型至收敛。所述基于DFF神经网络的CVT计量误差预测模型包括k个输入单元、2层隐含层、若干个隐含神经元和1个输出单元，其中，k等于所述第二特征的数量。
与现有技术中将输入数据直接用于训练的基于神经网络的评估模型相比，本发明通过S变换处理对初始特征数据进行了处理，解决了数据不平稳的问题，同时，挖掘了深层特征能够更加深度挖掘数据信息，再使用PCA降维处理，使得输入所述基于DFF神经网络的CVT计量误差预测模型中的数据进一步精简，不仅提高了所述基于DFF神经网络的CVT计量误差预测模型的预测效率，同时提升了预测结果的准确度。本发明无需停电评估可减小对电网影响，工作量小、耗时小、不受条件制约，符合当下需求。
在上述发明实施例的基础上，本发明对应提供了装置项实施例，如图2所示；
本发明另一实施例提供了一种基于s变换的CVT计量误差预测装置，包括S变换处理模块101、PCA降维处理模块102和计量误差预测模块103；
所述用于实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据，将所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据分别进行S变换处理到第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱，从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集；
所述PCA降维处理模块用于对所述第一特征数据集进行PCA降维处理得到第二特征数据集，将降为后的特征记为第二特征；
所述计量误差预测模块用于将所述第二特征数据集输入至基于DFF神经网络的CVT计量误差预测模型，输出CVT计量误差预测结果。
为描述的方便和简洁，本发明装置项实施例包括上述基于s变换的CVT计量误差预测方法实施例中的全部实施方式，此处不再赘述。
在上述发明项实施例的基础上，本发明对应提供了可读存储介质项实施例；本发明另一实施例提供了一种可读存储介质，所述可读存储介质包括存储的计算机程序，所述计算机程序执行时，控制所述可读存储介质所在的设备执行如本发明任意一项方法项实施例所述的基于s变换的CVT计量误差预测方法。
示例性的，所述计算机程序可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器中，并由所述处理器执行，以完成本发明。所述一个或多个模块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在所述终端设备中的执行过程。
所述终端设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器、存储器。
所称处理器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，所述处理器是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述终端设备的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作***、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、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)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/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(即上述可读存储介质)中。基于这样的理解，本发明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。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。
本领域普通技术人员可以理解实现上述实施例中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

Claims (8)

1.一种基于s变换的CVT计量误差预测方法，其特征在于，包括以下步骤：
实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据；
将所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据分别进行S变换处理到第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱；
从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集；
将所述第一特征数据集进行PCA降维处理得到第二特征数据集，将降为后的特征记为第二特征；
将所述第二特征数据集输入至基于DFF神经网络的CVT计量误差预测模型，输出CVT计量误差预测结果。
2.根据权利要求1所述的基于s变换的CVT计量误差预测方法，其特征在于，所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据按时间序列进行表示。
3.根据权利要求2所述的基于s变换的CVT计量误差预测方法，其特征在于，从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，具体为：
从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取峰值指标数据、波形指标数据、峭度指标数据、Tamura纹理数据、一阶颜色矩数据、二阶颜色矩数据和三阶颜色矩数据。
4.根据权利要求3所述的基于s变换的CVT计量误差预测方法，其特征在于，根据以下公式采集用于训练所述基于DFF神经网络的CVT计量误差预测模型的原始数据：
Figure FDA0003744653790000021
其中，N表示能够采集到的时间点的数量，n1表示不超差的时间点的数量，n2表示超差的时间点的数量。
5.根据权利要求4所述的基于s变换的CVT计量误差预测方法，其特征在于，根据以下公式进行S变换处理：
Figure FDA0003744653790000022
其中，τ＝xT，f＝y/nT，τ为平移因子，用于控制高斯窗在时间轴t上的位置，f为信号特征频率，x为按一定时长间隔进行采样的时间采样点编号，y为按一定频率长间隔进行采样的频率采样点编号，T为采样周期，n为采样点数，sig表示待测信号。
6.根据权利要求1至5任一项所述的基于s变换的CVT计量误差预测方法，其特征在于，所述基于DFF神经网络的CVT计量误差预测模型包括k个输入单元、2层隐含层、若干个隐含神经元和1个输出单元，其中，k等于所述第二特征的数量。
7.一种基于s变换的CVT计量误差预测装置，其特征在于，包括S变换处理模块、PCA降维处理模块和计量误差预测模块；
所述用于实时采集待测互感器的一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据，将所述一次电压频率数据、环境温度数据、泄漏电流数据和二次负载数据分别进行S变换处理到第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱，从所述第一时频图谱、第二时频图谱、第三时频图谱和第四时频图谱中分别提取第一特征数据，得到第一特征数据集；
所述PCA降维处理模块用于对所述第一特征数据集进行PCA降维处理得到第二特征数据集，将降为后的特征记为第二特征；
所述计量误差预测模块用于将所述第二特征数据集输入至基于DFF神经网络的CVT计量误差预测模型，输出CVT计量误差预测结果。
8.一种可读存储介质，其特征在于，所述可读存储介质包括存储的计算机程序，所述计算机程序执行时，控制所述可读存储介质所在的设备执行如权利要求1至6中任意一项所述的基于s变换的CVT计量误差预测方法。
CN202210821450.1A 2022-07-13 2022-07-13 一种基于s变换的CVT计量误差预测方法、装置及存储介质 Pending CN115186751A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210821450.1A CN115186751A (zh) 2022-07-13 2022-07-13 一种基于s变换的CVT计量误差预测方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210821450.1A CN115186751A (zh) 2022-07-13 2022-07-13 一种基于s变换的CVT计量误差预测方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN115186751A true CN115186751A (zh) 2022-10-14

Family

ID=83519469

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210821450.1A Pending CN115186751A (zh) 2022-07-13 2022-07-13 一种基于s变换的CVT计量误差预测方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN115186751A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880102A (zh) * 2023-03-08 2023-03-31 国网福建省电力有限公司 一种电能计量方法、***、设备及存储介质

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115880102A (zh) * 2023-03-08 2023-03-31 国网福建省电力有限公司 一种电能计量方法、***、设备及存储介质

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
CN112015603A (zh) 用户终端硬件检测方法、装置、计算机装置及存储介质
CN109034365A (zh) 深度学习模型的训练方法及装置
CN109580004A (zh) 一种温度检测方法及装置
US20220222799A1 (en) Method for detecting defect in products and electronic device using method
CN111626360A (zh) 用于检测锅炉故障类型的方法、装置、设备和存储介质
CN115186751A (zh) 一种基于s变换的CVT计量误差预测方法、装置及存储介质
CN113112099A (zh) 电网日电量预测模型训练方法和电网日电量预测方法
CN113190429B (zh) 服务器性能预测方法、装置及终端设备
CN114970357A (zh) 节能效果评价方法、***、装置及存储介质
CN109697083B (zh) 数据的定点化加速方法、装置、电子设备及存储介质
CN114227717A (zh) 基于巡检机器人的智能巡检方法、装置、设备及存储介质
CN116894593A (zh) 光伏发电功率预测方法、装置、电子设备及存储介质
CN115689061B (zh) 风电超短期功率预测方法及相关设备
CN116432908A (zh) 近零碳园区的碳核算方法、装置、终端及存储介质
CN113376564B (zh) 基于数据分析的智能电表计量校正方法、装置及终端
CN115935822A (zh) 计算机参数长期退化趋势预测方法、***、设备及介质
CN111862894A (zh) 一种背光亮度的调整方法、装置、终端和可读存储介质
CN111239615A (zh) 电池模型的参数的确定方法和装置、存储介质、计算机设备
CN115587287B (zh) 一种电能表的隐患排查方法、装置及电能表
CN116129206B (zh) 图像解耦表征学习的处理方法、装置及电子设备
CN113191017B (zh) 虚拟量测模型构建方法、虚拟量测方法、***、电子设备及计算机可读存储介质
CN115587524A (zh) 设备剩余使用寿命预测方法、装置、电子设备及存储介质
CN111143776B (zh) 一种电量负荷预测方法及装置
CN117474037B (zh) 基于空间距离对齐的知识蒸馏方法及装置

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