CN117992931A - 一种直流信号特征库与参比信号模型建立***及方法 - Google Patents
一种直流信号特征库与参比信号模型建立***及方法 Download PDFInfo
- Publication number
- CN117992931A CN117992931A CN202410397797.7A CN202410397797A CN117992931A CN 117992931 A CN117992931 A CN 117992931A CN 202410397797 A CN202410397797 A CN 202410397797A CN 117992931 A CN117992931 A CN 117992931A
- Authority
- CN
- China
- Prior art keywords
- direct current
- data
- signals
- electric energy
- characteristic parameters
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 239000013598 vector Substances 0.000 claims abstract description 22
- 238000007619 statistical method Methods 0.000 claims abstract description 21
- 238000000605 extraction Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 16
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 230000001131 transforming effect Effects 0.000 claims abstract description 4
- 238000004458 analytical method Methods 0.000 claims description 26
- 238000001914 filtration Methods 0.000 claims description 17
- 230000005540 biological transmission Effects 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000001228 spectrum Methods 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 10
- 230000009466 transformation Effects 0.000 claims description 10
- 238000007635 classification algorithm Methods 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000003066 decision tree Methods 0.000 claims description 5
- 230000003595 spectral effect Effects 0.000 claims description 5
- 238000012706 support-vector machine Methods 0.000 claims description 5
- 238000001514 detection method Methods 0.000 abstract description 9
- 238000004364 calculation method Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 5
- 238000005259 measurement Methods 0.000 description 5
- 238000004088 simulation Methods 0.000 description 5
- 238000004140 cleaning Methods 0.000 description 4
- 230000010363 phase shift Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000005265 energy consumption Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000005293 physical law Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种直流信号特征库与参比信号模型建立***及方法,属于电能检测技术领域,数据采集设备实时采集直流信号,数据预处理模块对其进行预处理;特征提取模块对预处理后的数据进行变换和分析;聚类或分类模块对提取出的特征向量进行聚类或分类算法;统计分析模块对分类后的数据进行统计分析,建立典型直流信号特征库;参比信号模型建立模块根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型。能够实现对不同类型和特征参数的动态直流信号进行有效识别和分类,防止直流信号之间重叠或交叉,便于直流信号电能的准确计量。
Description
技术领域
本发明涉及电能检测技术领域,尤其涉及一种直流信号特征库与参比信号模型建立***及方法。
背景技术
在直流输配用电***中,为了监测和评估电能的消耗和使用情况需要对电能进行计算。计算电能是能源管理的基础,通过对电能的计算,可以了解整个***或设备的能源消耗情况,有助于进行能效评估和能源优化,这对于节约能源、提高能源利用效率以及降低能源成本非常重要。电能计算也是电力计量和结算的重要依据,通过对电能进行准确计算,可以确定电力供应商向用户提供的电能量,以便计量和结算电费。这对于电力市场的正常运转和公平交易非常重要。另外,通过对电能的计算和比较,可以识别***中可能存在的异常情况,例如电能消耗异常、电能损耗过多等,这有助于及时发现和诊断***中的故障,并采取相应的措施进行修复或优化。此外,通过计算电能,可以了解***或设备的负荷使用情况。这有助于进行负荷管理和负荷优化,以确保***在正常运行范围内,避免过载和能源浪费的情况发生。
在直流输配用电***中,准确、高效的计算电能具有重要意义,为能源管理、计量和结算、故障诊断以及负荷管理等方面的工作提供数据支持和指导,优化***的性能和能源利用效率。
在直流输配用电***中存在动态直流信号,动态直流信号是指随时间变化的直流电压和电流信号,其波形复杂多变,具有宽动态范围和非平稳性等特点。动态直流信号的存在会影响电能的准确计量和有效管理,因此需要对动态直流信号进行检测和分析,以确定其特征参数和电能值。
目前,对动态直流信号缺乏有效的检测技术,动态直流信号的电能无法准确计量,因此,针对动态直流信号的电能计量,仍然存在着实现精确测量的需求和挑战。
发明内容
本发明的目的在于提供一种直流信号特征库与参比信号模型建立***及方法,用于解决动态直流信号的电能无法直接计量,缺乏有效的检测技术,不便于准确计算的技术问题。
为了实现上述目的,本发明提供如下技术方案:
第一方面,一种直流信号特征库与参比信号模型建立***,包括:
数据采集设备,用于对直流输配用电***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中;
数据预处理模块,用于对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高数据质量;
特征提取模块,用于对预处理后的数据进行时域、频域和时频域的变换及分析,提取出反映直流信号特性和规律的特征参数;
聚类或分类模块,用于对提取出的特征参数进行聚类或分类算法,基于特征参数对直流信号进行分类,并为每一类赋予一个标签;
统计分析模块,用于对分类后的直流信号进行统计分析,确定每一类的直流信号的特征参数的范围和分布,建立典型直流信号特征库;
参比信号模型建立模块,用于根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系。
进一步地,数据采集设备包括传感器和数据采集器;
传感器安装在直流输配用电***中的不同位置,用于检测直流电压和电流信号,并将检测到的信号发送给数据采集器;
数据采集器用于接收传感器发送的信号,并将接收到的信号转换为数字信号,并将数字信号存储在数据库中。
进一步地,数据预处理模块包括滤波器、去噪器和归一化器;
滤波器用于对数据库中的数据进行滤波操作,去除高频噪声和低频干扰;
去噪器用于对滤波后的数据进行去噪操作,去除异常值和孤立点;
归一化器用于对去噪后的数据进行归一化操作,使其在同一尺度下进行比较。
进一步地,特征提取模块包括时域分析器、频域分析器和时频域分析器;
时域分析器用于对预处理后的数据进行时域分析,提取出有效值、峰值因数时域特征参数;
频域分析器用于对预处理后的数据进行频域分析,提取出频谱分布、谐波含量频域特征参数;
时频域分析器用于对预处理后的数据进行时频域分析,提取出瞬时功率、功率因数时频域特征参数。
进一步地,聚类或分类模块包括聚类器或分类器;
聚类器用于对特征提取模块输出的特征向量进行无监督的聚类算法,聚类算法包括K-均值算法、层次聚类算法,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;
分类器用于对特征提取模块输出的特征向量进行有监督的分类算法,分类算法包括支持向量机、决策树、神经网络,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签。
进一步地,统计分析模块包括统计器和库生成器;
统计器用于对聚类或分类模块输出的不同类的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布;
库生成器用于根据统计器输出的结果,建立典型直流信号特征库,将每一类信号的标签和特征参数的范围和分布,存储在典型直流信号特征库中。
进一步地,参比信号模型建立模块包括模型生成器和模型存储器;
模型生成器用于根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系,表达式如下:
,
其中是电能,/>是电压信号,/>是电流信号,/>是信号的周期;
模型存储器用于将模型生成器生成的动态直流电能参比信号模型存储在数据库中。
第二方面,一种直流信号特征库与参比信号模型建立的方法,包括以下步骤:
a)在实际应用中的不同类型和场景下的直流输配用电***中安装数据采集设备,对***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中;
b)对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高数据质量;
c)对预处理后的数据进行时域、频域和时频域的变换及分析,提取出反映直流信号特性和规律的特征参数,特征参数包括有效值、峰值因数、频谱分布、谐波含量;
d)对提取出的特征向量进行聚类或分类算法,基于特征参数对直流信号进行分类,并为每一类赋予一个标签;
e)对分类后的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,建立典型直流信号特征库;
f)根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系。
进一步地,特征参数包括:有效值、峰值因数、频谱分布和谐波含量。
进一步地,动态直流信号与动态直流电能之间的数学关系,表达式如下:
,
其中是电能,/>是电压信号,/>是电流信号,/>是信号的周期。
本发明的有益效果:对直流电压和电流信号数据进行实时采集,并对采集到的数据进行滤波、去噪、归一化处理,去除数据中的异常值,提高了数据的质量;
对预处理后得到数据进行时域、频域和时频域的变换及分析,提取出反应直流信号特征和规律的特征参数,并对其进行聚类或分类算法,基于特征参数对直流信号进行分类,并为每一类赋予一个标签,对不同类型和特征参数的动态直流信号进行有效识别和分类,防止直流信号之间重叠或交叉,减少计算量;
建立动态直流信号与动态直流电能之间的数学关系,为后续进行波形仿真拟合发生和电能检测提供理论依据和计算方法,便于准确计量电能;
模型生成器根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,动态直流电能参比信号模型描述动态直流信号与动态直流电能之间的数学关系,然后通过模型存储器将模型生成器生成的动态直流电能参比信号模型存储在数据库中,以便后续进行调用和应用。
本发明的这些和其它目的、特点和优势,通过下述的详细说明,得以充分体现。
附图说明
图1示出了本发明直流信号特征库与参比信号模型建立***的结构示意图。
图2示出了本发明直流信号特征库与参比信号模型建立方法的方法流程图。
具体实施方式
以下描述用于揭露本发明以使本领域技术人员能够实现本发明。以下描述中的优选实施例只作为举例,本领域技术人员可以想到其他显而易见的变型。在以下描述中界定的本发明的基本原理可以应用于其他实施方案、变形方案、改进方案、等同方案以及没有背离本发明的精神和范围的其他技术方案。
本领域技术人员应理解的是,在说明书的揭露中,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单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,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单元。因此,上述术语不能理解为对本发明的限制。
可以理解的是,术语“一”应理解为“至少一”或“一个或多个”,即在一个实施例中,一个元件的数量可以为一个,而在另外的实施例中,该元件的数量可以为多个,术语“一”不能理解为对数量的限制。
参考图1,依本发明一较佳实施例的一种直流信号特征库与参比信号模型建立***将在以下被详细地阐述,其中,一种直流信号特征库与参比信号模型建立***,包括数据采集设备、数据预处理模块、特征提取模块、聚类或分类模块、统计分析模块和参比信号模型建立模块。数据采集设备用于对直流输配用电***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中。数据预处理模块用于对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高了数据质量。特征提取模块用于对预处理后的数据进行时域变换和分析、频域变换和分析及时频域变换和分析,提取出反映直流信号特性和规律的特征参数,特征参数包括有效值、峰值因数、频谱分布、谐波含量。
时域分析的具体步骤如下:
对预处理后的数据进行采样,得到离散时间信号,对离散时间信号进行滤波,去除噪声和干扰,得到清洁信号y(n);对清洁信号进行统计分析,计算信号的基本参数,如有效值、峰值因数、均值、方差、偏度、峰度等,反映信号的幅度、形状、对称性、平坦度等特征;对清洁信号进行相关分析,计算信号的自相关函数、互相关函数、协方差函数等,反映信号的周期性、相似性、相关性等特征。
频域分析的具体步骤如下:
对清洁信号进行傅里叶变换,得到信号的频谱Y(f);对信号的频谱进行滤波,去除不需要的频率成分,得到有效频谱,Z(f);对有效频谱进行统计分析,计算信号的基本参数,如频率、幅度、相位、功率、能量、谐波含量等,反映信号的频率特性和能量分布;对有效频谱进行相关分析,计算信号的功率谱密度、能量谱密度、交叉谱密度等,反映信号的功率和能量如何随频率变化,以及不同信号之间的频率相关性。
聚类或分类模块用于对提取出的特征向量进行聚类或分类算法,基于特征参数对直流信号进行分类,并为每一类赋予一个标签。为/>的数据矩阵,其中/>为信号的个数,/>为采样点的个数,/>为第/>个信号的向量,/>为去趋势后的信号的向量,/>为第/>个信号的特征向量,/>为/>的特征矩阵,其中4为特征参数的个数,有:
,
,
接着,对提取出的特征向量进行聚类,本实施例选择k-means聚类算法,设置聚类数为4,并随机初始化4个聚类中心,然后按照k-means聚类算法的流程进行迭代计算,直到得到最终的聚类结果,将每个信号划分为1,2,3,4之一的类别。设为/>的聚类中心矩阵,其中每一行代表一个聚类中心的特征向量,/>为第/>个聚类中心的向量,/>为第/>个信号的类别标签,/>为/>的类别标签向量,有:
,
,
,
,
其中为第/>个聚类中心所包含的信号的索引集合,/>为其元素个数。
最后,对聚类结果进行评估和可视化,使用距离误差和和轮廓系数等指标来衡量聚类的效果,也使用散点图、柱状图、折线图等方法来展示聚类的结果。设SSE为距离误差和,SIL为轮廓系数,有:
,
,
其中为第/>个信号与同一类别中其他信号的平均距离,/>为第/>个信号与最近的其他类别中的信号的平均距离。
统计分析模块用于对分类后的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,建立典型直流信号特征库。对聚类或分类模块分类后的直流信号进行循环处理,计算每个类别信号的特征参数的均值、方差、最大值、最小值、中位数、四分位数等,反映每个类别信号的特征参数的范围和分布,将这些结果存储在一个名为stat的矩阵中,每一行代表一个类别,每一列代表一个统计量;对每个类别的信号进行可视化,绘制每个类别信号的直方图、箱线图、散点图等,反映每个类别信号的特征参数的分布和变化,将这些图形保存在一个名为plot的文件夹中,每个类别对应一个子文件夹,每个图形对应一个文件;对每个类别的信号进行归一化,将每个类别信号的特征参数转换为[0,1]区间内的数值,反映每个类别信号的特征参数的相对大小和比例,将这些结果存储在一个名为norm的矩阵中,每一行代表一个信号,每一列代表一个特征参数。
参比信号模型建立模块用于根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系。计算动态直流信号的电能,使用以下公式:
,
其中是电能,/>是电压信号,/>是电流信号,/>是信号的周期。
然后,分析电能计量误差的产生机理,其中主要有以下几种误差来源:
电压通道的非线性误差,主要由电压采样电阻、电压分压器、电压放大器等元件引起,导致电压信号的失真和相移。
电流通道的非线性误差,主要由电流互感器、电流采样电阻、电流放大器等元件引起,导致电流信号的失真和相移。
有功功率测量单元的非线性误差,主要由乘法器、滤波器、积分器等元件引起,导致有功功率信号的失真和相移。
电能测量单元的非线性误差,主要由计数器、时钟、存储器等元件引起,导致电能信号的失真和相移。
接着,建立动态直流电能参比信号模型,使用卡尔曼滤波器,根据电能计量误差的产生机理,对动态直流信号进行波形仿真拟合发生,生成与动态直流信号相匹配的参考信号,然后将参考信号与动态直流信号进行对比,计算出动态直流信号的电能误差。
通过在实际应用中的不同类型和场景下的直流输配用电***中安装数据采集设备,对***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中;然后通过对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高数据质量;再通过对预处理后的数据进行时域、频域和时频域的变换及分析,提取出反映直流信号特性和规律的特征参数,特征参数包括有效值、峰值因数、频谱分布、谐波含量;接着通过对提取出的特征向量进行聚类或分类算法,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;然后通过对分类后的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,建立典型直流信号特征库;最后根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系。
能够实现对不同类型和特征参数的动态直流信号进行有效识别和分类,防止直流信号之间重叠或交叉,便于直流信号电能的准确计量,以及建立动态直流信号与动态直流电能之间的数学关系,为后续进行波形仿真拟合发生和电能检测提供理论依据和计算方法。
数据采集设备包括多个传感器和一个数据采集器,传感器分别安装在直流输配用电***中的不同位置,用于检测直流电压和电流信号,能够对直流输配用电***中的直流电压和电流信号进行实时采集,并将检测到的信号发送给所述数据采集器;数据采集器用于接收传感器发送的信号,并将其转换为数字信号,并将数字信号存储在数据库中。
通过利用传感器对直流输配用电***中的直流电压和电流信号进行实时检测,并将检测到的信号发送给数据采集器;然后通过利用数据采集器对接收到的信号进行模拟数字转换,并将转换后的数字信号存储在数据库中。能够获取尽可能多样化和全面化的直流信号数据,以便后续进行特征提取和分类。
数据预处理模块包括一个滤波器、一个去噪器和一个归一化器;所述滤波器用于对数据库中的数据进行滤波操作,去除高频噪声和低频干扰;所述去噪器用于对滤波后的数据进行去噪操作,去除异常值和孤立点;所述归一化器用于对去噪后的数据进行归一化操作,使其在同一尺度下进行比较。
通过利用滤波器对数据库中的数据进行滤波操作,去除高频噪声和低频干扰,如使用巴特沃斯滤波器、卡尔曼滤波器;然后通过利用去噪器对滤波后的数据进行去噪操作,去除异常值和孤立点,如使用中值滤波、均值滤波、小波变换;最后通过利用归一化器对去噪后的数据进行归一化操作,使其在同一尺度下进行比较,如使用最大最小归一化、标准差归一化、Z分数归一化。能够为后续进行特征提取和分类提供干净和规范化的数据。
特征提取模块包括一个时域分析器、一个频域分析器和一个时频域分析器;所述时域分析器用于对预处理后的数据进行时域分析,提取出有效值、峰值因数时域特征参数;所述频域分析器用于对预处理后的数据进行频域分析,提取出频谱分布、谐波含量频域特征参数;所述时频域分析器用于对预处理后的数据进行时频域分析,提取出瞬时功率、功率因数时频域特征参数,能够为后续进行分类提供有区分度和代表性的特征向量。
通过利用时域分析器对预处理后的数据进行时域分析,提取出有效值、峰值因数时域特征参数,如使用均方根值、峰均比公式计算;然后通过利用频域分析器对预处理后的数据进行频域分析,提取出频谱分布、谐波含量频域特征参数,如使用快速傅里叶变换、总谐波失真率公式计算;最后通过利用时频域分析器对预处理后的数据进行时频域分析,提取出瞬时功率、功率因数时频域特征参数,如使用瞬时功率公式和功率因数公式进行计算。瞬时功率公式:
,
功率因数公式:
。
聚类或分类模块包括一个聚类器或一个分类器;所述聚类器用于对特征提取模块输出的特征向量进行无监督的聚类算法,如K-均值算法、层次聚类算法,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;所述分类器用于对特征提取模块输出的特征向量进行有监督的分类算法,如支持向量机、决策树、神经网络,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签。能够实现对不同类型和特征参数的动态直流信号进行有效识别和分类,为后续进行统计分析和参比信号模型建立提供依据和标准。
通过利用聚类器或分类器对特征提取模块输出的特征向量进行聚类或分类算法,如K-均值算法、层次聚类算法,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;K-均值算法是指通过选择K个初始中心点,计算每个数据点到各个中心点的距离,将数据点分配到距离最近的中心点所属的类中,然后更新各个中心点的位置,重复以上过程直到收敛;层次聚类算法是指通过计算数据点之间的相似度或距离,将最相似或最近的数据点合并为一个类,然后逐步合并其他数据点或类,直到达到预设的层次数或停止条件;所述分类器用于对特征提取模块输出的特征向量进行有监督的分类算法,如支持向量机、决策树、神经网络,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;支持向量机是指通过寻找一个超平面,将不同类的数据点分隔开,并使得超平面到各个类数据点的距离最大化;决策树是指通过构建一个树形结构,将数据点按照一定的规则和条件进行划分,并使得每个叶节点中只包含一种类的数据点;神经网络是指通过构建一个由多个神经元组成的网络结构,将输入数据经过多层非线性变换和激活函数处理,输出预测结果,并通过反向传播和梯度下降方法优化网络参数。
统计分析模块包括一个统计器和一个库生成器;所述统计器用于对聚类或分类模块输出的不同类的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,如最大值、最小值、平均值、标准差、偏度、峰度;所述库生成器用于根据所述统计器输出的结果,建立典型直流信号特征库,将每一类信号的标签和特征参数的范围和分布,存储在典型直流信号特征库中。能够为后续进行参比信号模型建立提供典型直流信号的样本和规范。
通过利用统计器对聚类或分类模块输出的不同类的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,如使用描述性统计、推断性统计、假设检验方法计算;然后通过利用库生成器根据所述统计器输出的结果,建立典型直流信号特征库,将每一类信号的标签和特征参数的范围和分布,存储在典型直流信号特征库中,如使用表格、图形、公式方式表示。
参比信号模型建立模块包括一个模型生成器和一个模型存储器;所述模型生成器用于根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系,表达式为:
,
其中是电能,/>是电压信号,/>是电流信号,/>是信号的周期;所述模型存储器用于将所述模型生成器生成的动态直流电能参比信号模型存储在数据库中。能够为后续进行波形仿真拟合发生和电能检测提供准确和可靠的参考标准。
通过利用模型生成器根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系;如根据欧姆定律、功率公式、积分公式基本物理定律和数学公式,推导出累积电能与动态直流电压和电流之间的关系式;然后通过利用模型存储器将所述模型生成器生成的动态直流电能参比信号模型存储在数据库中,以便后续进行调用和应用。
本发明解决的技术问题是如何利用***建立直流信号特征库与参比信号模型。如图2,本发明还提供一种直流信号特征库与参比信号模型建立方法,包括以下步骤:
a)在实际应用中的不同类型和场景下的直流输配用电***中安装数据采集设备,对***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中;
b)对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高数据质量;
c)对预处理后的数据进行时域、频域和时频域的变换及分析,提取出反映直流信号特性和规律的特征参数,特征参数包括有效值、峰值因数、频谱分布、谐波含量;
d)对提取出的特征向量进行聚类或分类算法,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;
e)对分类后的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,建立典型直流信号特征库;
f)根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系,表达式为:,
其中是电能,/>是电压信号,/>是电流信号,/>是信号的周期。
通过在实际应用中的不同类型和场景下的直流输配用电***中安装数据采集设备,对***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中;然后通过对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高数据质量;再通过对预处理后的数据进行时域、频域和时频域的变换及分析,提取出反映直流信号特性和规律的特征参数,特征参数包括有效值、峰值因数、频谱分布、谐波含量;接着通过对提取出的特征向量进行聚类或分类算法,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;然后通过对分类后的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,建立典型直流信号特征库;最后通过根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系。能够利用所述的***建立直流信号特征库与参比信号模型,为后续进行波形仿真拟合发生和电能检测提供理论依据和计算方法。
本领域的技术人员应理解,上述描述及附图中所示的本发明的实施例只作为举例而并不限制本发明。本发明的优势已经完整并有效地实现。本发明的功能及结构原理已在实施例中展示和说明,在没有背离所述原理下,本发明的实施方式可以有任何变形或修改。
Claims (10)
1.一种直流信号特征库与参比信号模型建立***,其特征在于,包括:
数据采集设备,用于对直流输配用电***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中;
数据预处理模块,用于对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高数据质量;
特征提取模块,用于对预处理后的数据进行时域、频域和时频域的变换及分析,提取出反映直流信号特性和规律的特征参数;
聚类或分类模块,用于对提取出的特征参数进行聚类或分类算法,基于特征参数对直流信号进行分类,并为每一类赋予一个标签;
统计分析模块,用于对分类后的直流信号进行统计分析,确定每一类的直流信号的特征参数的范围和分布,建立典型直流信号特征库;
参比信号模型建立模块,用于根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系。
2.如权利要求1所述的***,其特征在于,数据采集设备包括传感器和数据采集器;
传感器安装在直流输配用电***中的不同位置,用于检测直流电压和电流信号,并将检测到的信号发送给数据采集器;
数据采集器用于接收传感器发送的信号,并将接收到的信号转换为数字信号,并将数字信号存储在数据库中。
3.如权利要求2所述的***,其特征在于,数据预处理模块包括滤波器、去噪器和归一化器;
滤波器用于对数据库中的数据进行滤波操作,去除高频噪声和低频干扰;
去噪器用于对滤波后的数据进行去噪操作,去除异常值和孤立点;
归一化器用于对去噪后的数据进行归一化操作,使其在同一尺度下进行比较。
4.如权利要求3所述的***,其特征在于,特征提取模块包括时域分析器、频域分析器和时频域分析器;
时域分析器用于对预处理后的数据进行时域分析,提取出有效值、峰值因数时域特征参数;
频域分析器用于对预处理后的数据进行频域分析,提取出频谱分布、谐波含量频域特征参数;
时频域分析器用于对预处理后的数据进行时频域分析,提取出瞬时功率、功率因数时频域特征参数。
5.如权利要求4所述的***,其特征在于,聚类或分类模块包括聚类器或分类器;
聚类器用于对特征提取模块输出的特征向量进行无监督的聚类算法,聚类算法包括K-均值算法、层次聚类算法,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签;
分类器用于对特征提取模块输出的特征向量进行有监督的分类算法,分类算法包括支持向量机、决策树、神经网络,将具有相似或相同特征参数的直流信号划分为不同的类,并给每一类赋予一个标签。
6.如权利要求5所述的***,其特征在于,统计分析模块包括统计器和库生成器;
统计器用于对聚类或分类模块输出的不同类的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布;
库生成器用于根据统计器输出的结果,建立典型直流信号特征库,将每一类信号的标签和特征参数的范围和分布,存储在典型直流信号特征库中。
7.如权利要求6所述的***,其特征在于,参比信号模型建立模块包括模型生成器和模型存储器;
模型生成器用于根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系,表达式如下:
,
其中是电能,/>是电压信号,/>是电流信号,/>是信号的周期;
模型存储器用于将模型生成器生成的动态直流电能参比信号模型存储在数据库中。
8.一种直流信号特征库与参比信号模型建立的方法,其特征在于,包括以下步骤:
a)在实际应用中的不同类型和场景下的直流输配用电***中安装数据采集设备,对***中的直流电压和电流信号进行实时采集,并将采集到的数据存储在数据库中;
b)对数据库中的数据进行滤波、去噪、归一化操作,去除数据中的噪声和异常值,提高数据质量;
c)对预处理后的数据进行时域、频域和时频域的变换及分析,提取出反映直流信号特性和规律的特征参数;
d)对提取出的特征向量进行聚类或分类算法,基于特征参数对直流信号进行分类,并为每一类赋予一个标签;
e)对分类后的直流信号进行统计分析,确定每一类信号的特征参数的范围和分布,建立典型直流信号特征库;
f)根据直流信号的特征参数和电能计量误差产生机理,建立动态直流电能参比信号模型,用于描述动态直流信号与动态直流电能之间的数学关系。
9.如权利要求8所述的方法,其特征在于,特征参数包括:有效值、峰值因数、频谱分布和谐波含量。
10.如权利要求9所述的方法,其特征在于,动态直流信号与动态直流电能之间的数学关系,表达式如下:
,
其中是电能,/>是电压信号,/>是电流信号,/>是信号的周期。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410397797.7A CN117992931B (zh) | 2024-04-03 | 2024-04-03 | 一种直流信号特征库与参比信号模型建立***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410397797.7A CN117992931B (zh) | 2024-04-03 | 2024-04-03 | 一种直流信号特征库与参比信号模型建立***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117992931A true CN117992931A (zh) | 2024-05-07 |
CN117992931B CN117992931B (zh) | 2024-06-11 |
Family
ID=90895433
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410397797.7A Active CN117992931B (zh) | 2024-04-03 | 2024-04-03 | 一种直流信号特征库与参比信号模型建立***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117992931B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017128A (zh) * | 2006-10-13 | 2007-08-15 | 华中科技大学 | 基于电化学噪声的局部腐蚀分析方法和装置 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
WO2023092923A1 (zh) * | 2021-11-26 | 2023-06-01 | 北京理工大学 | 复合干扰信号识别方法和*** |
CN116482526A (zh) * | 2023-04-28 | 2023-07-25 | 国网重庆市电力公司市北供电分公司 | 一种用于非故障相阻抗继电器的分析*** |
CN117171657A (zh) * | 2023-08-22 | 2023-12-05 | 华能托里风力发电有限公司 | 风力发电设备故障诊断方法、装置、电子设备及存储介质 |
CN117668751A (zh) * | 2023-11-30 | 2024-03-08 | 广东一业建设股份有限公司 | 一种高低压电力***故障诊断方法及装置 |
-
2024
- 2024-04-03 CN CN202410397797.7A patent/CN117992931B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101017128A (zh) * | 2006-10-13 | 2007-08-15 | 华中科技大学 | 基于电化学噪声的局部腐蚀分析方法和装置 |
CN104502103A (zh) * | 2014-12-07 | 2015-04-08 | 北京工业大学 | 一种基于模糊支持向量机的轴承故障诊断方法 |
WO2023092923A1 (zh) * | 2021-11-26 | 2023-06-01 | 北京理工大学 | 复合干扰信号识别方法和*** |
CN116482526A (zh) * | 2023-04-28 | 2023-07-25 | 国网重庆市电力公司市北供电分公司 | 一种用于非故障相阻抗继电器的分析*** |
CN117171657A (zh) * | 2023-08-22 | 2023-12-05 | 华能托里风力发电有限公司 | 风力发电设备故障诊断方法、装置、电子设备及存储介质 |
CN117668751A (zh) * | 2023-11-30 | 2024-03-08 | 广东一业建设股份有限公司 | 一种高低压电力***故障诊断方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN117992931B (zh) | 2024-06-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109146705B (zh) | 一种用电特征指标降维与极限学习机算法进行窃电检测的方法 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN110991786A (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN109767054A (zh) | 基于深度神经网络算法的能效云评估方法及边缘能效网关 | |
CN115170000A (zh) | 一种基于电能表通信模块的远程监测方法及*** | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、***及计算机设备 | |
CN114720764B (zh) | 一种基于电表实时监测数据的谐波分析方法及*** | |
CN111783696A (zh) | 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法 | |
CN112213687B (zh) | 基于伪异常点辨识的关口电能表数据异常检测方法及*** | |
CN115617784A (zh) | 一种信息化配电的数据处理***及其处理方法 | |
CN111626360A (zh) | 用于检测锅炉故障类型的方法、装置、设备和存储介质 | |
CN116955936A (zh) | 企业大数据算法属性数据预测方法 | |
CN114118219A (zh) | 基于数据驱动的长期加电设备健康状态实时异常检测方法 | |
CN113810792B (zh) | 一种基于云计算的边缘数据采集分析*** | |
CN117782198B (zh) | 一种基于云边端架构的公路机电设备运行监测方法及*** | |
CN116681186B (zh) | 一种基于智能终端的用电质量分析方法及装置 | |
CN114266457A (zh) | 一种配电线路异损诱因检测的方法 | |
CN114184870A (zh) | 非侵入式负荷识别方法及设备 | |
CN117277566B (zh) | 基于大数据的电网数据分析电力调度***及方法 | |
CN114545158A (zh) | 自动分离局部放电信号和噪声信号 | |
CN117992931B (zh) | 一种直流信号特征库与参比信号模型建立***及方法 | |
CN117434337A (zh) | 一种宽频电压信号测量方法及*** | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及*** | |
CN116482526A (zh) | 一种用于非故障相阻抗继电器的分析*** |
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 |