CN117290679A - 电流互感器的运行状态检测方法、装置及电子设备 - Google Patents
电流互感器的运行状态检测方法、装置及电子设备 Download PDFInfo
- Publication number
- CN117290679A CN117290679A CN202311190142.4A CN202311190142A CN117290679A CN 117290679 A CN117290679 A CN 117290679A CN 202311190142 A CN202311190142 A CN 202311190142A CN 117290679 A CN117290679 A CN 117290679A
- Authority
- CN
- China
- Prior art keywords
- current transformer
- output data
- data
- imf
- sample entropy
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 62
- 239000011159 matrix material Substances 0.000 claims abstract description 51
- 238000000034 method Methods 0.000 claims abstract description 48
- 239000013598 vector Substances 0.000 claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 28
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 25
- 238000007781 pre-processing Methods 0.000 claims abstract description 18
- 238000003062 neural network model Methods 0.000 claims abstract description 17
- 230000002159 abnormal effect Effects 0.000 claims description 15
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 5
- 238000003064 k means clustering Methods 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 11
- 238000012545 processing Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000010276 construction Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 230000009466 transformation Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- 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
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
- G06F18/23—Clustering 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电流互感器的运行状态检测方法、装置及电子设备,该方法包括:获取变电站的电流互感器的输出数据,对电流互感器的输出数据进行预处理得到去噪数据;对去噪数据进行经验模态分解得到多个IMF分量,计算得到各IMF分量的样本熵;基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,将待检测的输出数据对应的特征向量矩阵输入至该检测模型进行检测,得到电流互感器的运行状态检测结果。本发明可以实现在实际工况下准确评估互感器的运行差状态的目的。
Description
技术领域
本发明涉及电力计量监测技术领域,具体涉及一种电流互感器的运行状态检测方法、装置及电子设备。
背景技术
作为配网线路中的关键设备电流互感器,并大规模应用于线路中,主要工作原理为通过电磁感应来测量线路中的电流信号。由于电网智能化和特高压输电的快速发展,导致配网中的电流互感器工作环境日益恶劣,影响其稳定运行的因素增多,为电网的安全稳定地运行带来了一定的隐患。实现配网中电流互感器运行状态快速、准确、高效的在线识别技术,是电力***的经济和智能化建设的关键。
为提高单个电流互感器运行状态的检测精度,利用sigmoid函数对该母线上的电流互感器数值与电流有效值进行关系拟合,选择函数中心点及不确定域作为特征向量进行故障诊断。但单一数理统计方法难以处理分布特性复杂的互感器输出数据,导致现有方法无法在实际工况下准确评估互感器的运行差状态。
发明内容
有鉴于此,有必要提供一种电流互感器的运行状态检测方法、装置及电子设备,用以实现在实际工况下准确评估互感器的运行状态的目的。
为了实现上述目的,本发明提供了一种电流互感器的运行状态检测方法,包括:
获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
进一步地,所述获取变电站的电流互感器的输出数据,包括:
获取等时间间隔采集的变电站的电流互感器的输出数据;所述输出数据包括正常状态数据和异常状态数据。
进一步地,所述对所述电流互感器的输出数据进行预处理,得到去噪数据,包括:
基于所述电流互感器的输出数据对应的时间序列数据,确定所述电流互感器的输出数据的标准差;
基于所述标准差对所述电流互感器的输出数据中的异常数据进行筛除,得到去噪数据。
进一步地,所述对所述去噪数据进行经验模态分解,得到多个IMF分量,包括:
构建所述去噪数据对应的各IMF分量、各IMF分量的中心频率以及所述去噪数据之间对应的变分问题表达式;
基于预设的二次惩罚因子和拉格朗日因子,并结合所述变分问题表达式,构建拉格朗日扩展表达式;
基于乘法算子交替算法对所述拉格朗日扩展表达式进行迭代计算,得到多个IMF分量。
进一步地,所述基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,包括:
对各IMF分量的样本熵组成的特征向量矩阵进行K-means聚类,得到聚类后的轮廓系数;
基于聚类后的轮廓系数以及所述多个IMF分量中去除各IMF分量后对应的聚类轮廓系数,确定各IMF分量对应的权重系数。
进一步地,所述多个IMF分量中去除各IMF分量后对应的聚类轮廓系数,基于如下公式计算得到:
其中,wk表示第k组样本聚类的簇,uk表示第k组样本的真实标签,Pk表示第k组样本对应的聚类轮廓系数,N表示IMF分量的总数;第k组样本是所述多个IMF分量中去除第k个IMF分量对应的样本;
各IMF分量对应的权重系数,基于如下公式计算得到:
其中,ck为第k个IMF分量对应的权重系数。
进一步地,所述特征向量矩阵,计算如下公式确定:
其中,α表示裕度指标,β表示波形指标,表示均方根值,FIMFN表示第N个IMF分量对应的样本熵;
表示所述特征向量矩阵,a1和a2分别表示所述特征向量矩阵中不同的特征向量。
本发明还提供一种电流互感器的运行状态检测装置,包括:
预处理模块,用于获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
分解模块,用于对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
确定模块,用于基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
检测模块,用于将所述特征向量矩阵输入至预设的BP神经网络模型将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
本发明还提供一种电子设备,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现如上述任意一项所述的电流互感器的运行状态检测方法中的步骤。
本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一项所述的电流互感器的运行状态检测方法。
采用上述实现方式的有益效果是:本发明提供的电流互感器的运行状态检测方法、装置及电子设备,通过对变电站的电流互感器的输出数据的异常值处理,即预处理,得到去噪数据,并基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,以独特的特征权重系数选择方式,使得各状态特征区别度更加明显,构建特征向量矩阵作为BP神经网络模型的输入,以电流互感器的运行状态检测结果(状态类型)作为输出,实现对电流互感器的在线运行状态的检测,在实际工况下准确评估互感器的运行差状态。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的电流互感器的运行状态检测方法的一实施例的流程图;
图2为本发明提供的BP神经网络模型的示意图;
图3为本发明提供的电流互感器的运行状态检测方法的另一实施例的流程图;
图4为本发明提供的没有进行特征权重选择的BP神经网络识别效果示意图;
图5为本发明提供的进行特征权重选择后的BP神经网络识别效果示意图;
图6为本发明提供的电流互感器的运行状态检测装置的一实施例的结构图;
图7为本发明提供的电子设备的一个实施例结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例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。
在本申请实施例的描述中,除非另有说明,“多个”的含义是两个或两个以上。
本发明实施例中术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或模块的过程、方法、装置、产品或设备不必限于清楚地列出的那些步骤或模块,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块。
在本发明实施例中出现的对步骤进行的命名或者编号,并不意味着必须按照命名或者编号所指示的时间/逻辑先后顺序执行方法流程中的步骤,已经命名或者编号的流程步骤可以根据要实现的技术目的变更执行次序,只要能达到相同或者相似的技术效果即可。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
本发明提供了一种电流互感器的运行状态检测方法、装置及电子设备,以下分别进行说明。
如图1所示,本发明提供一种电流互感器的运行状态检测方法,包括:
步骤110、获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
步骤120、对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
步骤130、基于各IMF分量(Intrinsic Mode Functions,内涵模态分量)的样本熵,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
步骤140、将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
可以理解的是,BP(Back Propagation,反向传播法)神经网络模型如图2所示,该模型输入变量的数量和性质对模型的权重分配及输出结果起着决定性影响,因此选取合适的输入变量是进行电流互感器状态检测的关键步骤。本发明根据特征矩阵构建方法对电流互感器输出信号进行特征构建,将计算好的特征矩阵作为网络输入,对应的电流互感器运行状态正常、固定偏差、漂移偏差、变比偏差和精度失真作为输出:
Y=[正常精度失真固定偏差变比偏差漂移偏差]
在一些实施例中,所述获取变电站的电流互感器的输出数据,包括:
获取等时间间隔采集的变电站的电流互感器的输出数据;所述输出数据包括正常状态数据和异常状态数据。
可以理解的是,采集变电站的电流互感器的真实输出数据为测试样本,根据互感器的状态分为异常状态和正常状态,其中异常状态又分为精度失真、固定误差、变比误差和漂移误差。采集正常状态和异常状态数据样本数量各200,数据长度N为1000,各故障类型数据实现全覆盖,采集时间间隔为一个小时采集一次电流互感器输出数据。正常状态数据指的是电流互感器为正常状态的数据,异常状态数据指的是电流互感器为异常状态的数据。
在一些实施例中,所述对所述电流互感器的输出数据进行预处理,得到去噪数据,包括:
基于所述电流互感器的输出数据对应的时间序列数据,确定所述电流互感器的输出数据的标准差;
基于所述标准差对所述电流互感器的输出数据中的异常数据进行筛除,得到去噪数据。
可以理解的是,根据采集的时间序列数据进行数据预处理,利用3σ原则对数据中的异常点进行去除,计算整个信号的标准差σ,统计各数据点是否在平均值的±3σ区间之内,对异常点进行筛选。再通过VMD(Variational Modal Decomposition,变分模态分解)算法对处理后的数据进行经验模态分解,得到多个IMF分量,计算各IMF的样本熵作为特征量,使得特征量更加明显为后续的状态检测奠定基础,避免了信号噪声的影响,并且更加突出了电流互感器各状态之间的特征。
在一些实施例中,所述对所述去噪数据进行经验模态分解,得到多个IMF分量,包括:
构建所述去噪数据对应的各IMF分量、各IMF分量的中心频率以及所述去噪数据之间对应的变分问题表达式;
基于预设的二次惩罚因子和拉格朗日因子,并结合所述变分问题表达式,构建拉格朗日扩展表达式;
基于乘法算子交替算法对所述拉格朗日扩展表达式进行迭代计算,得到多个IMF分量。
可以理解的是,本发明采用VMD算法对去噪数据进行经验模态分解,VMD算法分解是通过设置带宽限制的中心频率,围绕各中心频率将原始信号分解为一系列的本征模态函数的非线性信号分解方法,该算法主要分为两部分,分别为变分问题的构造和变分问题的求解。
变分问题的构造:
首先构造变分问题,若每个本征模态分量为中心频率范围内的带宽,将变分问题当作求解k个模态函数,求解各模态函数的估计带宽之和的最小值,其中分解得到的各模态之和为原始信号f,具体的步骤如下:
利用Hilbert变换计算各模态函数的单边频谱:
式中,δ(t)表示脉冲函数,j表示虚数符号,t表示时间。
根据各模态分量对中心频率进行估计,以基频带为标准对各模态分量频谱进行调制;
根据解调信号的梯度平方范数对各模态分量进行带宽估计,约束问题为:
式中,f表示原始信号,wk表示各模态分量的中心频率,uk表示分解后的模态分量,δ(t)表示脉冲函数。
变分问题的求解:
利用二次惩罚因子和拉格朗日乘法算子间约束问题转换为非约束问题,二次惩罚因子可以保证信号存在高斯噪声情况下重构的精度,拉格朗日算子能够保证约束条件的严格性,拉格朗日扩展表达式为:
式中,ɑ表示惩罚因子,λ表示拉格朗日因子。
通过乘法算子交替算法(Alternate Direction Method of Multipliers,ADMM)进行迭代计算,对进行迭代更新,计算扩展拉格朗日表达式的鞍点。/>表达公式为:
利用Parseval/Plancherel傅里叶等距变换转换到频域:
变量转换方式为,表示为非负频率区间积分形式,则更新公式为
根据相同步骤表示的更新公式
式中,uk表示分解得到的第k个本征模态序列分量;wk表示第k个本征模态分量的中心频率;f表示原始信号。
在一些实施例中,所述基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,包括:
对各IMF分量的样本熵组成的特征向量矩阵进行K-means聚类,得到聚类后的轮廓系数;
基于聚类后的轮廓系数以及所述多个IMF分量中去除各IMF分量后对应的聚类轮廓系数,确定各IMF分量对应的权重系数。
可以理解的是,根据电流互感器输出的二次电流VMD分解得到的IMF分量,分别计算各IMF分量的样本熵,得到各IMF分量样本熵与各类型信号之间的关系曲线,其中横轴对应IMF分量序号,纵轴对应各IMF分量的样本熵。首先对分解得到的各IMF分量样本熵组成的特征向量进行K-means聚类计算,得到聚类后的轮廓系数β,再去除各IMF分量后进行聚类轮廓系数计算βi,比较两者大小来分配相对应的权重因素,再对权重系数处理后的各IMF样本熵进行集合处理,得到特征向量。
在一些实施例中,所述多个IMF分量中去除各IMF分量后对应的聚类轮廓系数,基于如下公式计算得到:
其中,wk表示第k组样本聚类的簇,uk表示第k组样本的真实标签,Pk表示第k组样本对应的聚类轮廓系数,N表示IMF分量的总数;第k组样本是所述多个IMF分量中去除第k个IMF分量对应的样本;
各IMF分量对应的权重系数,基于如下公式计算得到:
其中,ck为第k个IMF分量对应的权重系数。
在一些实施例中,所述特征向量矩阵,计算如下公式确定:
其中,α表示裕度指标,β表示波形指标,表示均方根值,FIMFN表示第N个IMF分量对应的样本熵;
表示所述特征向量矩阵,a1和a2分别表示所述特征向量矩阵中不同的特征向量。
可以理解的是,根据上述步骤对分解得到的各IMF分量进行对应的权重系数进行计算,再利用整合方法将多维特征矩阵进行降维,得到最终的二维特征矩阵,即特征向量矩阵。
在另一些实施例中,电流互感器的运行状态检测方法的流程图如图3所示,在没有进行特征权重选择的BP神经网络识别效果如图4所示,通过训练好的BP神经网络模型将电流互感器输出信号进行特征提取之后作为输入量,得到电流互感器运作状态(状态正常、固定偏差、漂移偏差、变比偏差和精度失真),并将各组数据列入下图4中;进行特征权重选择后的BP神经网络识别效果如图5所示。本发明提供的方法对电流互感器状态识别准确度较高,同时在本发明提供的方法中,特征权重选择后使得各状态特征之间的区别更加明显,显著提高状态识别精度,该方法计算速度快、精度高,同时能够减小外界干扰信号对检测精度的影响,符合实际工程应用环境。
综上所述,本发明提供的电流互感器的运行状态检测方法,包括:获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果。
本发明通过对变电站的电流互感器的输出数据的异常值处理,即预处理,得到去噪数据,并基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,以独特的特征权重系数选择方式,使得各状态特征区别度更加明显,构建特征向量矩阵作为BP神经网络模型的输入,以电流互感器的运行状态检测结果(状态类型)作为输出,实现对电流互感器的在线运行状态的检测,在实际工况下准确评估互感器的运行差状态。
进一步地,本发明选择样本熵作为时间序列复杂程度的量化特征,通过VMD算法对电流互感器输出信号进行模态分解,再根据各分量的权重因子筛选相关分量,结合常用时频域指标作为特征向量,利用权重系数和的方法对特征向量进行降维处理,利用降维后的数据作为BP神经网络的输入对电流互感器的状态进行检测,该方法能实现在线检测,检测精度高、速度快,同时能够排除随机噪声对精度的影响,实用性较强。
如图6所示,本发明还提供一种电流互感器的运行状态检测装置600,包括:
预处理模块610,用于获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
分解模块620,用于对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
确定模块630,用于基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
检测模块640,用于将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
上述实施例提供的电流互感器的运行状态检测装置可实现上述电流互感器的运行状态检测方法实施例中描述的技术方案,上述各模块或单元具体实现的原理可参见上述电流互感器的运行状态检测方法实施例中的相应内容,此处不再赘述。
如图7所示,本发明还相应提供了一种电子设备700。该电子设备700包括处理器701、存储器702及显示器703。图7仅示出了电子设备700的部分组件,但是应理解的是,并不要求实施所有示出的组件,可以替代地实施更多或者更少的组件。
存储器702在一些实施例中可以是电子设备700的内部存储单元,例如电子设备700的硬盘或内存。存储器702在另一些实施例中也可以是电子设备700的外部存储设备,例如电子设备700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,存储器702还可既包括电子设备700的内部储存单元也包括外部存储设备。存储器702用于存储安装电子设备700的应用软件及各类数据。
处理器701在一些实施例中可以是一个中央处理器(Central Processing Unit,CPU),微处理器或其他数据处理芯片,用于运行存储器702中存储的程序代码或处理数据,例如本发明中的电流互感器的运行状态检测方法。
显示器703在一些实施例中可以是LED显示器、液晶显示器、触控式液晶显示器以及OLED(Organic Light-Emitting Diode,有机发光二极管)触摸器等。显示器703用于显示在电子设备700的信息以及用于显示可视化的用户界面。电子设备700的部件701-703通过***总线相互通信。
在本发明的一些实施例中,当处理器701执行存储器702中的电流互感器的运行状态检测程序时,可实现以下步骤:
获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
应当理解的是:处理器701在执行存储器702中的电流互感器的运行状态检测程序时,除了上面的功能之外,还可实现其他功能,具体可参见前面相应方法实施例的描述。
进一步地,本发明实施例对提及的电子设备700的类型不作具体限定,电子设备700可以为手机、平板电脑、个人数字助理(personal digitalassistant,PDA)、可穿戴设备、膝上型计算机(laptop)等便携式电子设备。便携式电子设备的示例性实施例包括但不限于搭载IOS、android、microsoft或者其他操作***的便携式电子设备。上述便携式电子设备也可以是其他便携式电子设备,诸如具有触敏表面(例如触控面板)的膝上型计算机(laptop)等。还应当理解的是,在本发明其他一些实施例中,电子设备700也可以不是便携式电子设备,而是具有触敏表面(例如触控面板)的台式计算机。
又一方面,本发明还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各方法提供的电流互感器的运行状态检测方法,该方法包括:
获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供的电流互感器的运行状态检测方法、装置及电子设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电流互感器的运行状态检测方法,其特征在于,包括:
获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
2.根据权利要求1所述的电流互感器的运行状态检测方法,其特征在于,所述获取变电站的电流互感器的输出数据,包括:
获取等时间间隔采集的变电站的电流互感器的输出数据;所述输出数据包括正常状态数据和异常状态数据。
3.根据权利要求1所述的电流互感器的运行状态检测方法,其特征在于,所述对所述电流互感器的输出数据进行预处理,得到去噪数据,包括:
基于所述电流互感器的输出数据对应的时间序列数据,确定所述电流互感器的输出数据的标准差;
基于所述标准差对所述电流互感器的输出数据中的异常数据进行筛除,得到去噪数据。
4.根据权利要求1所述的电流互感器的运行状态检测方法,其特征在于,所述对所述去噪数据进行经验模态分解,得到多个IMF分量,包括:
构建所述去噪数据对应的各IMF分量、各IMF分量的中心频率以及所述去噪数据之间对应的变分问题表达式;
基于预设的二次惩罚因子和拉格朗日因子,并结合所述变分问题表达式,构建拉格朗日扩展表达式;
基于乘法算子交替算法对所述拉格朗日扩展表达式进行迭代计算,得到多个IMF分量。
5.根据权利要求1所述的电流互感器的运行状态检测方法,其特征在于,所述基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,包括:
对各IMF分量的样本熵组成的特征向量矩阵进行K-means聚类,得到聚类后的轮廓系数;
基于聚类后的轮廓系数以及所述多个IMF分量中去除各IMF分量后对应的聚类轮廓系数,确定各IMF分量对应的权重系数。
6.根据权利要求5所述的电流互感器的运行状态检测方法,其特征在于,所述多个IMF分量中去除各IMF分量后对应的聚类轮廓系数,基于如下公式计算得到:
其中,wk表示第k组样本聚类的簇,uk表示第k组样本的真实标签,Pk表示第k组样本对应的聚类轮廓系数,N表示IMF分量的总数;第k组样本是所述多个IMF分量中去除第k个IMF分量对应的样本;
各IMF分量对应的权重系数,基于如下公式计算得到:
其中,ck为第k个IMF分量对应的权重系数。
7.根据权利要求6所述的电流互感器的运行状态检测方法,其特征在于,所述特征向量矩阵,计算如下公式确定:
其中,α表示裕度指标,β表示波形指标,表示均方根值,FIMFN表示第N个IMF分量对应的样本熵;
表示所述特征向量矩阵,a1和a2分别表示所述特征向量矩阵中不同的特征向量。
8.一种电流互感器的运行状态检测装置,其特征在于,包括:
预处理模块,用于获取变电站的电流互感器的输出数据,并对所述电流互感器的输出数据进行预处理,得到去噪数据;
分解模块,用于对所述去噪数据进行经验模态分解,得到多个IMF分量,并计算得到各IMF分量的样本熵;
确定模块,用于基于各IMF分量的样本熵对电流互感器运行状态的影响度,确定各IMF分量的权重系数,基于各IMF分量的样本熵和权重系数,确定特征向量矩阵;
检测模块,用于将所述特征向量矩阵输入至预设的BP神经网络模型将训练用的输出数据对应的特征向量矩阵输入至预设的BP神经网络模型进行训练,得到电流互感器状态检测模型,并将待检测的输出数据对应的特征向量矩阵输入至所述电流互感器状态检测模型进行检测,得到所述电流互感器的运行状态检测结果;
其中,所述电流互感器的输出数据,包括所述训练用的输出数据和所述待识别的输出数据。
9.一种电子设备,其特征在于,包括存储器和处理器,其中,
所述存储器,用于存储程序;
所述处理器,与所述存储器耦合,用于执行所述存储器中存储的所述程序,以实现如权利要求1至7中任意一项所述的电流互感器的运行状态检测方法中的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电流互感器的运行状态检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190142.4A CN117290679A (zh) | 2023-09-13 | 2023-09-13 | 电流互感器的运行状态检测方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311190142.4A CN117290679A (zh) | 2023-09-13 | 2023-09-13 | 电流互感器的运行状态检测方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117290679A true CN117290679A (zh) | 2023-12-26 |
Family
ID=89238194
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311190142.4A Pending CN117290679A (zh) | 2023-09-13 | 2023-09-13 | 电流互感器的运行状态检测方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290679A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117477495A (zh) * | 2023-12-28 | 2024-01-30 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测***及方法 |
CN118068253A (zh) * | 2024-04-18 | 2024-05-24 | 山东德源电力科技股份有限公司 | 一种高精度计量互感器误差测量方法 |
-
2023
- 2023-09-13 CN CN202311190142.4A patent/CN117290679A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117477495A (zh) * | 2023-12-28 | 2024-01-30 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测***及方法 |
CN117477495B (zh) * | 2023-12-28 | 2024-03-12 | 国网山西省电力公司太原供电公司 | 一种电流互感器状态监测***及方法 |
CN118068253A (zh) * | 2024-04-18 | 2024-05-24 | 山东德源电力科技股份有限公司 | 一种高精度计量互感器误差测量方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110346142B (zh) | 基于无监督特征对齐的变负载下滚动轴承故障诊断方法 | |
CN108318129B (zh) | 桥梁结构模态参数真假甄别方法及终端设备 | |
CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN117290679A (zh) | 电流互感器的运行状态检测方法、装置及电子设备 | |
Gao et al. | Spare optimistic based on improved ADMM and the minimum entropy de-convolution for the early weak fault diagnosis of bearings in marine systems | |
Zhang et al. | Modulation classification method for frequency modulation signals based on the time–frequency distribution and CNN | |
CN109975673B (zh) | 一种光伏微电网直流侧故障电弧识别方法 | |
CN103020459B (zh) | 一种多维度用电行为的感知方法及*** | |
CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN111080105A (zh) | 基于电压时序数据的台区户变关系识别方法及*** | |
CN110990121B (zh) | 一种基于应用画像的Kubernetes调度策略 | |
CN107730097B (zh) | 一种母线负荷预测方法、装置及计算设备 | |
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 | |
CN112596016A (zh) | 基于多个一维卷积神经网络集成的互感器故障诊断方法 | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及*** | |
CN117079005A (zh) | 一种光缆故障监测方法、***、装置及可读存储介质 | |
CN110991774A (zh) | 一种电量负荷预测方法及装置 | |
CN116826735A (zh) | 一种针对新能源场站宽频振荡辨识方法、装置 | |
CN114897032A (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
CN115236272A (zh) | 多工况条件下的气体传感器故障诊断方法、装置及存储介质 | |
CN108764301A (zh) | 一种基于反向稀疏表示的混凝土裂缝检测方法 | |
CN109981200A (zh) | 基于相关系数的频谱感知方法、装置、设备及存储介质 | |
Chang et al. | Machine learning techniques for single-line-to-ground fault classification in nonintrusive fault detection of extra high-voltage transmission network systems | |
CN112653158B (zh) | 一种用于含附加频率控制的双馈风电场频率响应特性辨识方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |