【技术实现步骤摘要】
本专利技术涉及电能质量监测，具体而言，涉及一种电能质量监测方法及装置。
技术介绍
1、随着消费和生产技术的不断升级，对电能质量的要求也在不断提高，而劣质的电能不仅会导致人们生产生活的质量下降，还会对工业生产造成影响，如当电能不稳定时，会导致大量的不合格产品的产生，严重时还会导致电气或电子设备故障。在现代电力系统中，几乎每一种事件都会在电网的电能质量上留下自己的标签，通过对电网电能质量的检测和分类，即可找到每一个事件的标签，从而掌握电网的运行状况。然而现有的电能质量监测方法单一，仅从单一分类的角度进行监测信号分析，导致监测分类精度低，忽略了在电能质量中多种电力事件的关联性。
技术实现思路
1、本专利技术的目的在于提供一种电能质量监测方法及装置，解决现有电能质量监测方法单一的问题，实现了在电能质量中从多种电力事件的关联性出发，提高了监测分类的精度和监测分类能力。
2、为了实现上述目的，本专利技术采取的技术方案如下：
3、第一方面，本申请提供了一种电能质量监测方法，所述方法包括：
4、获取在不同电网区段中所包含的原始监测信号集和原始监测时间集；
5、对所述原始监测信号集进行预处理，得到预处理监测信号集；
6、对所述原始监测时间集进行预处理，得到预处理监测时间集；
7、对所述预处理监测信号集进行时间差分计算，得到监测信号差分数据集；
8、对所述监测信号差分数据集和所述预处理监测时间集进行小波变换，得到监测信
9、将所述监测信号变换数据集输入至预设的电能质量监测模型中，得到电能质量监测标签，所述电能质量监测标签用于响应于电能质量监测调度，所述电能质量监测模型为基于多目标深度卷积神经网络所建立的卷积模型。
10、第二方面，本申请还提供了一种电能质量监测装置，所述装置包括：
11、获取模块，用于获取在不同电网区段中所包含的原始监测信号集和原始监测时间集；
12、第一处理模块，用于对所述原始监测信号集进行预处理，得到预处理监测信号集；
13、第二处理模块，用于对所述原始监测时间集进行预处理，得到预处理监测时间集；
14、第三处理模块，用于对所述预处理监测信号集进行时间差分计算，得到监测信号差分数据集；
15、第四处理模块，用于对所述监测信号差分数据集和所述预处理监测时间集进行小波变换，得到监测信号变换数据集；
16、第五处理模块，用于将所述监测信号变换数据集输入至预设的电能质量监测模型中，得到电能质量监测标签，所述电能质量监测标签用于响应于电能质量监测调度，所述电能质量监测模型为基于多目标深度卷积神经网络所建立的卷积模型。
17、本专利技术的有益效果为：
18、由于电力事件引起的异常信号往往由多种因素进行叠加形成，但多重电能质量异常中每一种异常信号不是相互排斥、相互独立的，而是存在一定的关联性，如电压骤降往往伴随着谐波，电压闪变也常常伴随着暂态脉冲等。本方法先对监测信号进行时间差分计算，以从信号周期的角度建立多种电力事件的时间联系，之后本方法从多目标深度卷积神经网络所建立的卷积模型进行标签分类，通过权重联系函数深度挖掘多种电力事件的关联。本方法大大提高了监测分类的精度和监测分类能力，为后期电能质量监测调度提供了指导。
19、本专利技术的其他特征和优点将在随后的说明书阐述，并且，部分地从说明书中变得显而易见，或者通过实施本专利技术实施例了解。本专利技术的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。
本文档来自技高网...【技术保护点】
1.一种电能质量监测方法，其特征在于，包括：
2.根据权利要求1所述的电能质量监测方法，其特征在于,对所述预处理监测信号集进行时间差分计算，得到监测信号差分数据集，包括：
3.根据权利要求1所述的电能质量监测方法，其特征在于,所述电能质量监测模型为基于多目标深度卷积神经网络所建立的卷积模型，其中根据所述电能质量监测模型训练得到电能质量监测训练标签，包括：
4.根据权利要求3所述的电能质量监测方法，其特征在于,对所述多目标训练信号集进行预设的共享层训练，得到多目标训练信号集的共享特征信息，所述共享层包括四层卷积层和两层池化层，所述共享层的排列依次为：卷积层1-池化层1-卷积层2-卷积层3-卷积层4-池化层2，其中卷积层1至卷积层4中卷积核依次减小，所述池化层1和池化层2中池化核相等。
5.根据权利要求3所述的电能质量监测方法，其特征在于,对所述共享特征信息进行预设的特定层训练，得到多目标训练信号集的特征分类信息，所述特定层包括五层卷积层和三层池化层，所述特定层的排列依次为：卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-卷
6.根据权利要求3所述的电能质量监测方法，其特征在于,对所述特征分类信息通过预设的Dense层进行标签映射，得到电能质量监测训练标签中，包括权重联系函数，所述权重联系函数用于将单个目标之间的特征分类进行联系，所述权重联系函数的计算包括：
7.根据权利要求6所述的电能质量监测方法，其特征在于,对所述单个目标的损失函数修正信息通过预设的权重联系模型进行求解，得到权重联系函数，所述预设的权重联系模型为：
8.根据权利要求1所述的电能质量监测方法，其特征在于,将所述监测信号变换数据集输入至预设的电能质量监测模型中，得到电能质量监测标签之后，包括：
9.根据权利要求8所述的电能质量监测方法，其特征在于,对每个电能质量故障区段对应的相邻区段进行故障判断，得到每个相邻区段的故障区间，包括：
10.一种电能质量监测装置，其特征在于，包括：
...【技术特征摘要】
1.一种电能质量监测方法，其特征在于，包括：
2.根据权利要求1所述的电能质量监测方法，其特征在于,对所述预处理监测信号集进行时间差分计算，得到监测信号差分数据集，包括：
3.根据权利要求1所述的电能质量监测方法，其特征在于,所述电能质量监测模型为基于多目标深度卷积神经网络所建立的卷积模型，其中根据所述电能质量监测模型训练得到电能质量监测训练标签，包括：
4.根据权利要求3所述的电能质量监测方法，其特征在于,对所述多目标训练信号集进行预设的共享层训练，得到多目标训练信号集的共享特征信息，所述共享层包括四层卷积层和两层池化层，所述共享层的排列依次为：卷积层1-池化层1-卷积层2-卷积层3-卷积层4-池化层2，其中卷积层1至卷积层4中卷积核依次减小，所述池化层1和池化层2中池化核相等。
5.根据权利要求3所述的电能质量监测方法，其特征在于,对所述共享特征信息进行预设的特定层训练，得到多目标训练信号集的特征分类信息，所述特定层包括五层卷积层和三层池化层，所述特定层的排列依次为：卷积层1-池化层1-卷积层2-池化层2-卷积层3-卷积层4-卷积层5-池化...
【专利技术属性】
技术研发人员：姜学亮，
申请(专利权)人：武汉杰创博特自动化科技有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。