【技术实现步骤摘要】
本专利技术属于电能表错接线诊断领域，具体涉及一种woa融合算法的cnn-svm的电能表错接线诊断方法(cnn-lcwoa-svm)。
技术介绍
1、由于人为或其他原因，电表的接线顺序与电路实际接线顺序不一致，将导致电表测量的电能与实际电能不符的情况。这种情况可能会对电力安全和电费计量造成影响，给供电公司带来经济损失，甚至会导致电路故障和事故发生，影响人民的生命财产安全。查找错接线一直是供电部门的一项重要工作，使用的办法主要分为现场停电检查与使用相量图进行带电检查。现场停电检查需要工作人员到现在进行操作，时间长，效率低，影响用户正常生产生活。使用绘制相量图的办法则对人员经验和技能要求较高，且易收到工作人员主观因素影响。随着人民的用电需求增加，传统的方法应对错接线已经捉襟见肘，且对供电工作人员负担较大，迫切需要新的办法。
2、深度学习是一种机器学习方法，它通过模拟人类神经系统的结构和功能，利用多层次的神经网络来进行数据建模和特征提取。近些年来，深度学习飞速发展广泛应用于图像分类、语音识别和自然语言处理等方面，并取得卓越的效果。为了提高供电企业的工作效率以及降低管理难度，研究深度学习在三相三线电能表错接线诊断上的应用具有十分重要的意义。
技术实现思路
1、本专利技术的目的在于提供一种基于woa融合算法的电能表错接线诊断方法，以解决现有方法对三相三线电能表错接线的诊断，速度慢效率低等问题。
2、本专利技术公开的基于woa融合算法的电能表接线错接线诊断方法，包括以下步
3、s1：收集与三相三线电能表错接线有关的电气特征参数；
4、s2：选取合适的关键电气特征参数；
5、s3：对数据进行预处理并将收集到的数据整理并分为训练集和测试集；
6、s4：将训练集的电能接线的电气特征参数作为融合模型的输入，实际的电能错接线种类作为融合模型的输出，对模型进行训练；
7、s5：将测试集中电能接线的电气特征参数作为样本数据的输入，判别错接线的种类；
8、s6：输出诊断结果及实际结果并输出混淆矩阵，验证算法的准确性。
9、进一步地，所述步骤s1中所收集到的电气特征参数有：ac电压，ac电流，零序电流，总功率因数，ac有功功率,总有功功率，ac无功功率，总无功功率，相序。
10、进一步地，所述步骤s2中，根据传统的诊断方法即相量图法，选取ac电压，ac电流，ac有功功率，ac无功功率，相序九个电气特征参数为模型的输入。
11、进一步地，在步骤s3中，将所需的电能表错接线的诊断数据进行预处理，去除电表采集失败的数据，一般为0或者空，去除电流过低的数据，当电流过小时，可能出现无功补偿器过补偿的情况造成分类情况错误。
12、三相三线电能表错接线类型多，需对数据进行整理，将相类似的错接线类型归为一类，将类型重新划分为6种：正常为1，电流反接为2，电压跨相为3，跨向反接4，串接(电流差)为5，串接(电流和)为6。将70％的数据分为训练集，30％的数据分为测试集。
13、进一步地，所述步骤s4中模型采用的cnn主要结构如下：
14、输入层，作为整个网络的输入，预处理完成后满足输入规格的数据；
15、卷积层，卷积层进行的处理就是卷积运算，提取数据中的局部特征。
16、池化层，减少参数数量，增强鲁棒性，池化可分为最大池化和平均池化。本专利技术采用最大池化，可以在保留电气数据最显著特征的同时减少计算量。
17、dropout层，防止过拟合，提升模型的泛化能力。
18、全连接层，用于扁平化输出。
19、采用以上的cnn网络结构对特征进行提取，便于后续网络进行分类
20、进一步地，所述步骤s4中模型采用的cnn-lcwoa-svm中的woa主要为以下结构。
21、鲸鱼算法包括三个部分分别是：包围猎物、捕获猎物、搜索猎物。该算法是一种模拟座头鲸狩猎行为的元启发式优化算法，通过随机或最佳搜索的方式进行模仿捕猎过程，并使用螺旋的方式模仿鲸鱼的泡泡网捕获模式。
22、(1)包围猎物
23、因为鲸鱼的狩猎范围是全局解的空间，因此必须先知道猎物的坐标然后再进行围捕。但是最优位置一开始是不知道的，因此woa算法假设当前的最佳候选解是为目标猎物即最优解。在进行了这个假设之后，其他的搜索方向都向着这个最优解前进。公式如下
24、d＝|c·x*(t)-x(t)| (1)
25、x(t+1)＝x*(t)-a·d (2)
26、式中：t为当前的迭代次数；x*为目前最优解；x为当前解；a、c为矩阵系数，公式如下
27、a＝2a·r-a (3)
28、c＝2r (4)
29、式中：r为[0,1]的随机数；a为收敛因子，线性地由2减小到0，其与迭代次数t线性相关，公式如下
30、a＝2-2t/tmax (5)
31、式中：tmax为最大迭代次数。
32、(2)捕获猎物
33、该阶段为搜索阶段，发现目标后，立刻计算与目标猎物的距离，然后通过螺旋式的轨迹向着猎物前进，相关数学模型公式如下
34、d1＝|c·x*(t)-x(t)| (6)
35、x(t+1)＝d1eblcos(2πl)+x*(t) (7)
36、式中：d1为鲸鱼到猎物的距离；b为螺旋系数；l为[-1,1]中的随机数。
37、鲸鱼在螺旋包围猎物的同时，也要不断收缩包围圈，所以要对选择收缩包围机制和螺旋模型设置概率p来更新鲸鱼的位置，即
38、
39、式中：p为[0,1]随机数。
40、(3)搜索猎物
41、当|a|≥1时，将进行全局搜索，此时鲸鱼以随机的游走的方式搜寻猎物，公式如下
42、d1＝|c·xrand(t)-x(t)| (9)
43、x(t+1)＝xrand(t)-a·d (10)
44、式中：xrand为鲸鱼群中任意鲸鱼的位置。
45、l指该算法使用了莱维飞行策略。莱维分布是一种重尾分布，可以模拟长距离的随机移动，有利于跳出局部最优解，寻找全局最优解本文档来自技高网...
【技术保护点】
1.一种基于CNN-LCWOA-SVM的电能表接线异常的诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，所述步骤S1中所收集到的电气特征参数有：AC电压，AC电流，零序电流，总功率因数，AC有功功率,总有功功率，AC无功功率，总无功功率，相序。
3.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，所述步骤S2中，根据传统的诊断方法即相量图法，选取AC电压，AC电流，AC有功功率，AC无功功率，相序九个电气特征参数为模型的输入。
4.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，在步骤S3中，将所需的电能表错接线的诊断数据进行预处理，去除电表采集失败的数据，一般为0或者空，去除电流过低的数据，当电流过小时，可能出现无功补偿器过补偿的情况造成分类情况错误。
5.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，在步骤S3中，将相类似的错接
6.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，所述步骤S4中模型采用的CNN-LCWOA-SVM中的CNN参数如下：
7.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，所述步骤S4中模型采用的CNN-LCWOA-SVM中的LCWOA包含以下结构：
8.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，所述步骤S4中模型采用的CNN-LCWOA-SVM中的LCWOA包含以下结构：
9.根据权利要求1所述的一种CNN-LCWOA-SVM电能表接线异常的诊断方法，其特征在于，在步骤S6中输出诊断结果和实际结果以及混淆矩阵。
...【技术特征摘要】
1.一种基于cnn-lcwoa-svm的电能表接线异常的诊断方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种cnn-lcwoa-svm电能表接线异常的诊断方法，其特征在于，所述步骤s1中所收集到的电气特征参数有：ac电压，ac电流，零序电流，总功率因数，ac有功功率,总有功功率，ac无功功率，总无功功率，相序。
3.根据权利要求1所述的一种cnn-lcwoa-svm电能表接线异常的诊断方法，其特征在于，所述步骤s2中，根据传统的诊断方法即相量图法，选取ac电压，ac电流，ac有功功率，ac无功功率，相序九个电气特征参数为模型的输入。
4.根据权利要求1所述的一种cnn-lcwoa-svm电能表接线异常的诊断方法，其特征在于，在步骤s3中，将所需的电能表错接线的诊断数据进行预处理，去除电表采集失败的数据，一般为0或者空，去除电流过低的数据，当电流过小时，可能出现无功补偿器过补偿的情况造成分类情况错误。
5.根据权利要求1所述的一种cnn-lcwoa-svm电能表接...
【专利技术属性】
技术研发人员：王琨，闫浩，
申请(专利权)人：无锡华创源科技有限公司，
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。