System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电能表监测,具体涉及一种流水线电能表在线监测方法、系统及设备。
技术介绍
1、在电力系统中,电能表是进行电能计量和计费的关键设备,其准确性和可靠性直接关系到能源分配的效率和公平性,对于保障电力公司的收入和消费者权益至关重要。但现有技术缺少能够高效的实时检测电能表异常以及对系统进行预警的方法,导致对潜在故障的响应不够及时,无法有效预防和减少故障发生。因此,如何快速、准确的监控和评估电能表的性能至关重要。
技术实现思路
1、本专利技术的目的是针对现有技术存在的上述问题,提供一种能够实时分析电能表性能数据,快速、准确的实现电能表故障监测的流水线电能表在线监测方法、系统及设备。
2、为实现以上目的,本专利技术的技术方案如下:
3、一种流水线电能表在线监测方法,所述监测方法包括电能表故障诊断方法,所述电能表故障诊断方法包括以下步骤:
4、s1、基于电能表检测到的物理参数数据构建混合数据模型,基于传感器实时采集到的物理参数数据构建实时数据流;其中,
5、所述混合数据模型为:
6、
7、上式中,mh表示构建的混合数据模型;pi表示由电能表检测到的第i个物理参数的数据;为pi的权重系数;si表示第i个物理参数的历史平均值;为si的权重系数;αi为引入的非线性因子;i∈[1,n],n为物理参数的总个数;
8、所述实时数据流为:
9、
10、上式中,dt为构建的实时数据流;θi表示
11、s2、基于混合数据模型、实时数据流构建多维度决策树,所述多维度决策树将混合数据与实时数据流进行数据对比并通过逻辑判断识别电能表是否处于异常模式;其中,
12、所述多维度决策树为:
13、
14、上式中,td(dt,mh)表示构建的多维度决策树,其输出是一个二进制值,若为1则表示电能表处于异常模式,若为0则表示电能表处于正常模式;表示实时数据流中第i个物理参数在t时刻的数据;表示混合数据模型中第i个物理参数在t时刻的数据;δ表示决策敏感度参数,用于调整对于异常识别敏感性;τ表示预设的决策阈值,用于判断数据偏差是否显著到被标识为异常。
15、所述监测方法还包括未来趋势预测方法,所述未来趋势预测方法为将电能表检测到的物理参数数据输入逻辑回归模型中以预测各物理参数的未来趋势,基于以下公式动态调整逻辑回归模型的参数设置:
16、
17、
18、上式中,βopt表示对β′进行动态调整后得到的逻辑回归模型的参数合集;β′表示对β进行优化后得到的逻辑回归模型的参数合集;β表示初始的逻辑回归模型的参数合集;βj表示初始的逻辑回归模型的参数合集中第j个参数;μ表示调整幅度;ν表示学习率;表示梯度运算符。
19、所述监测方法还包括系统预警方法,所述系统预警方法包括以下步骤:
20、a1、将电能表检测到的物理参数数据与电能表的运行背景信息进行非线性映射,其中,所述非线性映射的过程如下:
21、
22、上式中,f(x,v)表示非线性映射的过程;x、y分别表示电能表检测到的物理参数数据、电能表的运行背景信息;表示kronecker积;||·||f表示距离度量,用于计算两个数据集之间的相似度;σ表示调节参数,用于控制非线性映射的灵敏度;
23、a2、将经过非线性映射后的电能表检测到的物理参数数据与电能表的运行背景信息融合并抽取抽象特征,然后根据以下公式将抽象特征映射到高维特征空间,得到高维特征向量:
24、
25、上式中,a表示高维特征向量;λk、μk、νk分别表示第k个线性变换中的权重系数、周期性参数、非线性程度参数;m表示线性变换的总数;⊙表示hadamard积;∈表示引入的小常数,用于确保数值稳定性;z表示抽象特征;
26、a3、将高维特征向量输入系统运行状态评估模型中,判断系统运行状态评估模型输出的预警信号是否超过预设的预警阈值,若是,发出预警信号,实现对系统运行状态的预警;其中,所述系统运行状态评估模型为:
27、
28、上式中,h表示预警信号;w、b分别表示对高维特征向量进行线性变换的权重矩阵、偏置项;te表示时间依赖函数;u表示时间依赖函数te的变量。
29、所述物理参数包括电流、电压、功率、频率,所述运行背景信息包括温度、湿度、震动。
30、一种流水线电能表在线监测系统,所述监测系统包括数据获取模块、电能表故障诊断模块;
31、所述数据获取模块,用于获取电能表检测到的物理参数数据、传感器实时采集到的物理参数数据;
32、所述电能表故障诊断模块,用于首先基于电能表检测到的物理参数数据构建混合数据模型,基于传感器实时采集到的物理参数数据构建实时数据流,然后基于混合数据模型、实时数据流构建多维度决策树,通过多维度决策树将混合数据与实时数据流进行数据对比,识别电能表是否处于异常模式;构建的电能表混合模型为:
33、
34、上式中,mh表示构建的混合数据模型,pi表示由电能表检测到的第i个物理参数的数据;为pi的权重系数;si表示第i个物理参数的历史平均值;为si的权重系数;αi为引入的非线性因子;i∈[1,n],n为物理参数的总个数;
35、构建的实时数据流为:
36、
37、上式中,dt为构建的实时数据流;θi表示用于实时采集第i个物理参数的传感器的采集参数;xi(t)表示用于实时采集第i个物理参数的传感器在t时刻实时采集到的数据;λt为衰减常数;ωi、φi分别为用于实时采集第i个物理参数的传感器的角频率、相位;ξt表示用于反映实时数据随机波动的随机干扰项;
38、构建的多维度决策树为:
39、
40、上式中,td(dt,mh)表示构建的多维度决策树,其输出是一个二进制值,若为1则表示电能表处于异常模式,若为0则表示电能表处于正常模式;表示实时数据流中第i个物理参数在t时刻的数据;表示混合数据模型中第i个物理参数在t时刻的数据;δ表示决策敏感度参数,用于调整对于异常识别敏感性;τ表示预设的决策阈值,用于判断数据偏差是否显著到被标识为异常。
41、所述监测系统还包括未来趋势预测模块,所述未来趋势预测模块用于将电能表检测到的物理参数数据输入逻辑回归模型中以预测各物理参数的未来趋势,并基于以下公式动态调整逻辑回归模型的参数设置:
42、
43、
44、上式中,βopt表示对β′进行动态调整后得到的逻辑回归模型的参数合集本文档来自技高网...
【技术保护点】
1.一种流水线电能表在线监测方法,其特征在于:
2.根据权利要求1所述的一种流水线电能表在线监测方法,其特征在于:
3.根据权利要求1所述的一种流水线电能表在线监测方法,其特征在于:
4.根据权利要求3所述的一种流水线电能表在线监测方法,其特征在于:所述物理参数包括电流、电压、功率、频率,所述运行背景信息包括温度、湿度、震动。
5.一种流水线电能表在线监测系统,其特征在于:
6.根据权利要求5所述的一种流水线电能表在线监测系统,其特征在于:
7.根据权利要求5所述的一种流水线电能表在线监测系统,其特征在于:
8.根据权利要求7所述的一种流水线电能表在线监测系统,其特征在于:所述物理参数包括电流、电压、功率、频率,所述运行背景信息包括温度、湿度、震动。
9.一种流水线电能表在线监测设备,其特征在于:
10.一种计算机可读存储介质,其特征在于:
【技术特征摘要】
1.一种流水线电能表在线监测方法,其特征在于:
2.根据权利要求1所述的一种流水线电能表在线监测方法,其特征在于:
3.根据权利要求1所述的一种流水线电能表在线监测方法,其特征在于:
4.根据权利要求3所述的一种流水线电能表在线监测方法,其特征在于:所述物理参数包括电流、电压、功率、频率,所述运行背景信息包括温度、湿度、震动。
5.一种流水线电能表在线监测系统,其特征在于:
【专利技术属性】
技术研发人员:倪胡旋,石洪,庹璟,刘岑岑,丁隽洁,赵皓,姚坎,常琴,李艳,赵聪,周先保,陈汉萍,童瑾,杜玉泽,孙成泽,冀家旺,
申请(专利权)人:国网湖北省电力有限公司营销服务中心湖北省电力负荷管理中心,计量中心,资金集约中心,
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。