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】
本专利技术涉及低压量测元件抗干扰领域,特别是涉及一种二次侧低压量测元件抗干扰方法、设备、介质及产品。
技术介绍
1、目前,中国配网智能化技术仍处于发展的阶段,在技术运行和建设效果方面还在不断地提升,配电自动化系统的发展需要大量可靠的智能配电设备,而低压台区运维仍以人力现场投入为主,亟需智能感知和在线监测等技术手段。
2、然而,在电力行业中,二次侧量测元件通常需要工作在一次设备产生的强电磁干扰环境中,因谐电压波动等原因产生的内部干扰和非二次设备产生的外部干扰均会对量测元件的量测过程造成显著影响,这使得低压量测元件的量测精度降低;现有研究将低压量测元件的干扰防护分为3个方面:消除干扰源头,切断干扰传播路径,提升设备抗干扰能力。屏蔽和接地是主要的硬件抗干扰途径,屏蔽保护主要针对辐射干扰,通过屏蔽室或屏蔽网不会影响内外部电路的正常工作,使用低电阻率材料屏蔽高频干扰,高磁导率材料屏蔽低频干扰;接地保护可以抑制多种干扰,利用接地棒和接地网抑制噪声和防止干扰。
3、硬件抗干扰方面存在局限性和问题,相比于硬件抗干扰,在二次侧低压量测元件增加软件抗干扰和信号降噪算法具备适应性。因此需要针对低压量测元件的干扰问题进行研究。目前,亟待一种能对低压量测元件抗干扰的方法出现,以保证低压量测元件量测过程中量测的准确性。
技术实现思路
1、本专利技术的目的是提供一种二次侧低压量测元件抗干扰方法、设备、介质及产品,以保证低压量测元件量测过程中量测的准确性。
2、为实现上述目的,
3、一种二次侧低压量测元件抗干扰方法,包括:
4、构建包含多种自适应降噪算法的自适应降噪模块;采用多种自适应降噪算法分别对含有不同噪声种类的量测信号降噪,确定对每种噪声降噪效果最优的自适应降噪算法;将二次侧量测元件测量过程中采集的量测信号输入训练好的判别网络,输出噪声种类判别参数;令所述噪声种类判别参数和所述采集的量测信号一起输入自适应降噪模块,通过噪声种类判别参数选择相应的自适应降噪算法,对量测信号进行降噪,得到自适应降噪信号;将所述自适应降噪信号输入训练好的预测重构网络,对自适应降噪信号进行预测重构,得到最终降噪信号。
5、可选地,多种所述自适应降噪算法包括:rls算法、nlms算法和lms算法;量测信号中的噪声种类包括:静电放电噪声、浪涌噪声、电快速瞬变噪声和振铃噪声。
6、对静电放电噪声降噪效果最优的自适应降噪算法为rls算法;对浪涌噪声降噪效果最优的自适应降噪算法为rls算法;对电快速瞬变噪声降噪效果最优的自适应降噪算法为nlms算法;对振铃噪声降噪效果最优的自适应降噪算法为rls算法;对同时含有的振铃噪声和浪涌噪声降噪效果最优的自适应降噪算法为rls算法;对同时含有的电快速瞬变噪声和浪涌噪声降噪效果最优的自适应降噪算法为lms算法;对同时含有的振铃噪声和电快速瞬噪声降噪效果最优的自适应降噪算法为nlms算法。
7、可选地,所述判别网络的训练方法包括:
8、构建量测信号数据库;所述量测信号数据库包含不同噪声种类的不同信噪比的量测信号;以所述量测信号数据库为输入,所述量测信号数据库中每个量测信号所包含的噪声种类判别参数为输出,构成第一训练集;利用所述第一训练集,以对比损失函数最小作为训练的目标,binary cross-entropy损失函数作为训练的对比损失函数,sigiomd作为激活函数,对判别网络进行迭代训练,获得训练好的判别网络。
9、可选地,所述预测重构网络的训练方法包括:
10、以量测信号数据库为输入,量测信号数据库中每个量测信号对应的无噪声量测信号为输出,构成第二训练集;利用所述第二训练集,以对比损失函数最小作为训练的目标,huber loss作为训练的对比损失函数,relu作为激活函数,对预测重构网络进行迭代训练,获得训练好的预测重构网络。
11、可选地,预测重构网络中的dropout层之后加入了attention单元;所述attention单元采用注意力机制。
12、可选地,将所述自适应降噪信号输入训练好的预测重构网络,对自适应降噪信号进行预测重构,得到最终降噪信号,之后还包括:
13、对所述采集的量测信号和所述最终降噪信号分别计算信噪比,评估降噪效果。
14、可选地,对所述采集的量测信号和所述最终降噪信号分别计算信噪比,评估降噪效果,具体包括:
15、计算所述采集的量测信号的输入信噪比,以及所述最终降噪信号的输出信噪比;将输出信噪比与输入信噪比的差确定为提高的信噪比;计算最终降噪信号与干净信号之间的均方根误差;所述干净信号为所述采集的量测信号对应的无噪声量测信号;根据所述提高的信噪比和所述均方根误差对降噪效果进行评估。
16、一种计算机设备,包括:存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序以实现上述任一项所述的二次侧低压量测元件抗干扰方法的步骤。
17、一种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上述任一项所述的二次侧低压量测元件抗干扰方法的步骤。
18、一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述任一项所述的二次侧低压量测元件抗干扰方法的步骤。
19、根据本专利技术提供的具体实施例,本专利技术公开了以下技术效果:
20、本专利技术实施例的一种二次侧低压量测元件抗干扰方法、设备、介质及产品,选取对每种噪声降噪效果最优的自适应降噪算法,通过判别网络对于量测信号的时域、频域或时频域特征的提取,判别出噪声的种类,噪声种类判别参数作为判别网络的输出;噪声种类判别参数和量测信号同时作为自适应降噪模块的输入,根据噪声种类判别参数的不同,选择不同的自适应降噪算法的组合对量测信号进行降噪,得到自适应降噪信号;自适应降噪信号作为预测重构网络的输入,得到最终降噪信号,实现对量测信号的降噪,保证了低压量测元件量测过程中量测的准确性。
本文档来自技高网...【技术保护点】
1.一种二次侧低压量测元件抗干扰方法,其特征在于,包括:
2.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,多种所述自适应降噪算法包括:RLS算法、NLMS算法和LMS算法;
3.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,所述判别网络的训练方法包括:
4.根据权利要求3所述的二次侧低压量测元件抗干扰方法,其特征在于,所述预测重构网络的训练方法包括:
5.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,预测重构网络中的Dropout层之后加入了Attention单元;所述Attention单元采用注意力机制。
6.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,将所述自适应降噪信号输入训练好的预测重构网络,对自适应降噪信号进行预测重构,得到最终降噪信号,之后还包括:
7.根据权利要求6所述的二次侧低压量测元件抗干扰方法,其特征在于,对所述采集的量测信号和所述最终降噪信号分别计算信噪比,评估降噪效果,具体包括:
8.一种计算机设备,包括:
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述二次侧低压量测元件抗干扰方法的步骤。
10.一种计算机程序产品,包括计算机程序,其特征在于,该计算机程序被处理器执行时实现权利要求1-7中任一项所述二次侧低压量测元件抗干扰方法的步骤。
...【技术特征摘要】
1.一种二次侧低压量测元件抗干扰方法,其特征在于,包括:
2.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,多种所述自适应降噪算法包括:rls算法、nlms算法和lms算法;
3.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,所述判别网络的训练方法包括:
4.根据权利要求3所述的二次侧低压量测元件抗干扰方法,其特征在于,所述预测重构网络的训练方法包括:
5.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,预测重构网络中的dropout层之后加入了attention单元;所述attention单元采用注意力机制。
6.根据权利要求1所述的二次侧低压量测元件抗干扰方法,其特征在于,将所述自适应降噪信号输入训练好的预测重构网络,对自适应降噪...
【专利技术属性】
技术研发人员:郑格,关石磊,张文彪,史常凯,尹惠,张凌云,吴岩,
申请(专利权)人:中国电力科学研究院有限公司,
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。