CN108535572A - 基于基波零序特征的计量系统二次回路监测方法及装置 - Google Patents

Abstract

本发明公开了一种基于基波零序特征的计量系统二次回路监测方法及装置，本发明获取高压计量系统电压回路中的三相电压、电流回路中的三相电流以及中性线电流；利用矢量叠加得到零序电压分量与零序电流分量；提取基波零序分量幅值与相位；将基波电压的幅值与相位、基波零序点电流的幅值与相位、基波零序电流与中性线电流差的绝对值作为输入变量、各类故障作为输出变量建立基于深度信念网络分类器实现对故障的分类与识别。本发明能够精准提取高压计量系统二次回路故障特征，准确对各类故障进行分类与识别，以便有效切除故障并对二次回路实时监测，从而保证电能计量的安全、稳定与准确。

Description

基于基波零序特征的计量系统二次回路监测方法及装置

技术领域

本发明涉及高压计量系统二次回路状态监测与故障诊断技术，具体涉及一种基于基波零序特征的计量系统二次回路监测方法及装置，用于对高压电计量系统电压回路与电流回路的状态监测与故障诊断。

背景技术

随着我国经济的发展，用电量急剧增加，供配电稳定性要求越来越高。高压电力计量系统，作为电能计量一个重要环节，系统的安全与稳定十分重要，因此实时监测高压计量系统二次回路电流、电压的状态具有重要意义。传统的失压失流报警装置均从失压、失流的定义出发，实现对电压、电流状态的监测，由于失压失流的定义发生了变化，带来了许多误报警等不良情况。这些不良情况导致以下问题：1)造成电能计量的不准确，给用户与供电公司带来财产损失；2)引起故障切除装置的误动作，对计量二次回路的正常工作造成干扰；3)不能及时的切除故障，严重的威胁计量二次回路的稳定运行。因此，针对目前所用的失压失流报警装置存在无法发现特殊故障、误判以及实时监控能力差等问题，研究合适的方法并设计相关装置，实现对电压、电流状态的实时监测，提高失压失流故障识别的准确性，对维护高压计量系统二次回路的安全与稳定具有重要意义。

发明内容

本发明要解决的技术问题：针对现有技术的上述问题，提供一种基于基波零序特征的计量系统二次回路监测方法及装置，本发明能够精准提取高压计量系统二次回路故障特征，准确对各类故障进行分类与识别，以便有效切除故障并对二次回路实时监测，从而保证电能计量的安全、稳定与准确。

为了解决上述技术问题，本发明采用的技术方案为：

一种基于基波零序特征的计量系统二次回路监测方法，实施步骤包括：

1)针对被监测的高压计量系统，获取其电压回路中的三相电压U_a、U_b、U_c，获取电流回路中的三相电流I_a、I_b、I_c以及中性线电流I_n；

2)将三相电压U_a、U_b、U_c进行矢量叠加得到含有大量谐波与白噪声的零序电压分量3U₀，将三相电流I_a、I_b、I_c进行矢量叠加得到含有大量谐波与白噪声的零序电流分量3I₀；

3)根据零序电压分量3U₀/零序电流分量3I₀提取基波零序分量，得到基波零序电压的幅值3U₀₁及相位/基波零序电流的幅值3I₀₁及相位

4)计算基波零序电流与中性线电流I_n之间的差的绝对值得到基波零序电流与中性线电流差的绝对值I_e；

5)将基波零序电压的幅值3U₀₁、基波零序电压的幅值基波零序电流的幅值3I₀₁、基波零序电流的相位以及基波零序电流与中性线电流差的绝对值I_e作为输入向量输入完成训练的机器学习分类模型，所述机器学习分类模型被训练包含输入向量和作为输出结果的二次回路故障之间的映射关系，最终得到被监测的高压计量系统二次回路的监测结果。

优选地，步骤3)的详细步骤包括：

3.1)初始化迭代次数k的值为0，输入原始零序电压分量3U₀/零序电流分量3I₀的量测方程与状态方程，将原始零序电压/原始零序电流分量随机产生初始样本并进行随机采样；

3.2)计算出原始零序电压分量3U₀/零序电流分量3I₀所产生粒子的状态值和粒子权重；

3.3)建立广义回归神经网络GRNN，通过广义回归神经网络GRNN对原始零序电压分量3U₀/零序电流分量3I₀的状态值进行优化和调整；

3.4)计算有效粒子数；

3.5)判断有效粒子数是否小于设定有效粒子数的阈值，如果是则进行重采样，然后跳转执行下一步；否则，直接跳转执行下一步；

3.6)进行零序电压/零序电流状态估计并计算似然概率密度，得到当前最优状态估计值对应的零序电压分量3U₀/零序电流分量3I₀；

3.7)计算累加对数似然比及最大累加对数似然比；

3.8)判断最大累加对数似然比超过判决阈值是否成立，如果成立则对当前最优状态估计值对应的零序电压分量3U₀/零序电流分量3I₀进行保存，然后跳转执行下一步；否则，直接跳转执行下一步；

3.9)状态更新，将迭代次数k加1；

3.10)判断迭代是否结束，如果尚未结束，则跳转执行步骤3.2)；否则跳转执行下一步；

3.11)输出基波零序电压的幅值3U₀₁及相位/基波零序电流的幅值3I₀₁及相位

优选地，步骤3.3)的详细步骤包括：

3.3.1)建立广义回归神经网络GRNN，广义回归神经网络GRNN的输入向量定义为目标向量定义为z_k，根据式(1)对广义回归神经网络GRNN进行训练；

式(1)中，表示初始预测值，Y_i训练样本的因变量值，z_k为目标向量，为输入向量中的元素，σ表示高斯函数的宽度系数又称为光滑因子，n表示为样本容量；

3.3.2)构造一个n维向量jΔ＜L(j＝1,2,…,n/2)，其中为输入向量中的元素，jΔ表示输入向量各元素调整值，参数L表示定义的调整范围，n表示向量维数；

3.3.3)根据式(2)将n维向量作为输入向量，将式(1)训练得到的预测值作为训练样本的因变量值，进一步训练广义回归神经网络GRNN；

式(2)中，表示转换后的预测值，表示初始预测值，z_k为目标向量，为输入向量中的元素，σ表示高斯函数的宽度系数又称为光滑因子，n表示为样本容量；

3.3.4)通过广义回归神经网络GRNN的输出向量z_k的指示，将样本被最优点取代，其中jΔ表示输入向量各元素调整值，表示为输入向量中的元素。

优选地，步骤5)中的机器学习分类模型为基于深度信念网络分类器，所述基于深度信念网络分类器的训练步骤包括：

S1)选取正常、失压、失流、中性线断线时高压计量系统二次回路的基波零序电压、电流的幅值与相位作为样本数据和特征变量，所述失压包括电压互感器极性接反、电压单相断线、电压互感器内部故障，所述失流包括电流互感器极性接反、电流回路单相断线、测量线圈短接，对样本数据进行标准化处理后按一定的比例将其分为训练集；

S2)对高压计量系统二次回路的状态进行编码；

S3)建立基于深度信念网络分类器的二次回路故障分类与识别模型；

S4)初始化故障分类与识别模型的参数令其为一组服从高斯分布的较小随机数值；

S5)选取训练集中的无标签样本，通过对比散度算法对二次回路故障分类与识别模型的模型底部受限玻尔兹曼机层进行预训练；

S6)采用训练集中的标签样本通过BP算法对整个网络进行调优，完成对基于深度信念网络分类器的二次回路故障分类与识别模型的训练。

优选地，步骤S5)的详细步骤包括：

S5.1)初始化二次回路故障分类与识别模型的可见层单元的初始状态v₀＝x₀，初始化W、a、b为服从高斯分布的随机较数值，设定各受限玻尔兹曼机层最大训练迭代次数；其中v₀表示可见层单元的初始状态向量，x₀表示训练样本，W表示连接权重矩阵，a表示可见层的偏置向量，b表示隐含层的偏置向量；

S5.2)对二次回路故障分类与识别模型的所有隐单元计算式(3)，从条件分布P(h_0j|v₀)中抽取h₀～P(h₀|v₀)，其中h_0j表示隐含层第j个神经元的初始状态值，v₀表示可见层单元的初始状态向量，h₀表示隐含层的初始状态向量；

式(3)中，h_0j表示隐含层第j个神经元的初始状态值，v₀表示可见层单元的初始状态向量，b_j表示隐含层第j个神经元的偏置值，v_0i表示可见层单元第i个神经元的初始状态值，W_ij表示可见层节点i与隐含层节点j之间的连接权重值，n表示可见层节点数，σ()为sigmoid函数；

S5.3)对二次回路故障分类与识别模型的所有可见单元计算式(4)，从条件分布P(v_1i|h₀)中抽取v₁～P(v₁|h₀)，其中v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，v₁表示1次吉布斯采样后可见层单元的状态向量，h₀表示隐含层的初始状态向量；

式(4)中，v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，h₀表示隐含层的初始状态向量，a_i表示可见层第i个神经元的偏置值，h_0j表示隐含层第j个神经元的初始状态值，W_ij表示可见层节点i与隐含层节点j之间的连接权重值，m表示隐含层节点数，σ()为sigmoid函数；

S5.4)对二次回路故障分类与识别模型的所有隐单元计算式(5)；

式(5)中，h_1j表示1次吉布斯采样后隐含层单元第j个神经元的状态值，v₀表示可见层单元的初始状态向量，b_j表示隐含层第j个神经元的偏置值，v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，W_ij表示表示可见层节点i与隐含层节点j之间的连接权重值，n表示可见层节点数，σ()为sigmoid函数；

S5.5)根据式(6)更新二次回路故障分类与识别模型的参数；

式(6)中，W表示表示连接权重矩阵，a表示可见层的偏置向量，b表示隐含层的偏置向量，ρ表示学习速率，h₀表示隐含层的初始状态向量，v₀表示可见层单元的初始状态向量，表示可见层单元初始状态向量的转置，v₁表示1次吉布斯采样后可见层单元的状态向量，表示1次吉布斯采样后可见层单元状态向量的转置。

本发明还提供一种基于基波零序特征的计量系统二次回路监测设备，包括计算机设备，该计算机设备被编程以执行本发明基于基波零序特征的计量系统二次回路监测方法的步骤。

本发明基于基波零序特征的计量系统二次回路监测方法具有下述优点：本发明基于基波零序特征的计量系统二次回路监测方法分别获取高压计量系统电压回路中的三相电压、电流回路中的三相电流以及中性线电流，利用矢量叠加得到含有大量谐波与白噪声的零序电压分量与零序电流分量，利用基于神经网络的重要样本调整粒子滤波算法提取基波零序分量幅值与相位，将基波电压的幅值与相位、基波零序点电流的幅值与相位、基波零序电流与中性线电流差的绝对值作为输入变量，将各类故障作为输出变量，建立基于深度信念网络的高压计量系统二次回路识别机制，该识别机制包含了五个输入变量和作为输出变量的各类故障之间的映射关系，最终实现对故障的分类与识别，相比于目前已有的失压失流报警装置，具有准确识别故障并能精准定位故障类型、有效识别中性线故障、不会发生误报警等优点。本发明能够将零序分量中的谐波和白噪声有效去除，实现对基波零序分量的提取；能够弥补已有报警装置的普遍缺陷(无法识别中性线断线故障、易发生误报警、实时监控能力差)，准确的对故障进行报警，实时监测计量二次回路的状态，从而保障高压计量系统的安全与稳定。

本发明基于基波零序特征的计量系统二次回路监测装置为本发明基于基波零序特征的计量系统二次回路监测方法完全对应的程序单元构成的装置，因此同样也具有本发明基于基波零序特征的计量系统二次回路监测方法的前述优点，故在此不再赘述。

附图说明

图1为本发明实施例方法的基本流程示意图。

图2为本发明实施例中的电压回路三相电压波形。

图3为本发明实施例中的电流回路三相电流波形。

图4为本发明实施例中基于改进粒子滤波的基波零序分量提取流程图。

图5为本发明实施例中的电压回路零序电压原始波形。

图6为本发明实施例中的电流回路零序电流原始波形。

图7为本发明实施例方法的基波零序电压的幅值。

图8为本发明实施例方法的基波零序电压的相位。

图9为本发明实施例方法的基波零序电流的幅值。

图10为本发明实施例方法的基波零序电流的相位。

图11为本发明实施例中高压计量系统二次回路故障诊断流程图。

图12为本发明实施例中的高压计量系统二次回路故障诊断模型示意图。

具体实施方式

如图1所示，本实施例基于基波零序特征的计量系统二次回路监测方法的实施步骤包括：

1)针对被监测的高压计量系统，获取其电压回路中的三相电压U_a、U_b、U_c，获取电流回路中的三相电流I_a、I_b、I_c以及中性线电流I_n；

2)将三相电压U_a、U_b、U_c进行矢量叠加得到含有大量谐波与白噪声的零序电压分量3U₀，将三相电流I_a、I_b、I_c进行矢量叠加得到含有大量谐波与白噪声的零序电流分量3I₀；

3)根据零序电压分量3U₀/零序电流分量3I₀提取基波零序分量，得到基波零序电压的幅值3U₀₁及相位/基波零序电流的幅值3I₀₁及相位

4)计算基波零序电流与中性线电流I_n之间的差的绝对值得到基波零序电流与中性线电流差的绝对值I_e(可写成函数表达式I_e＝|3I₀₁-I_n|)；

5)将基波零序电压的幅值3U₀₁、基波零序电压的幅值基波零序电流的幅值3I₀₁、基波零序电流的相位以及基波零序电流与中性线电流差的绝对值I_e作为输入向量输入完成训练的机器学习分类模型，所述机器学习分类模型被训练包含输入向量和作为输出结果的二次回路故障之间的映射关系，最终得到被监测的高压计量系统二次回路的监测结果。

本实施例中，步骤1)通过DL-PT202H1电流型电压互感器测量高压计量系统电压回路的三相电压U_a、U_b、U_c，通过HBC-LSP闭环霍尔电流传感器测量高压计量系统电流回路的三相电流I_a、I_b、I_c以及中性线电流I_n；针对采集得到的信号，通过RC滤波、比例运放、电压抬升等电路，将采集的电压、电流控制再处理器能够正常工作的范围，通过A/D转换将处理后的电压、电流变换成模拟量输入到中央处理器中。本实施例中采集得到三相电压波形如图2所示，其中(a)表示电压回路正常运行时的三相电压波形，(b)表示电压回路单相断线时的三相电压波形，(c)表示电压互感器内部故障时的三相电压波形，(d)表示电压互感器极性接反时的三相电压波形；采集得到的三相电流波形如图3所示，其中，(a)表示电流回路正常运行时的三相电流波形，(b)表示电流回路单相断线时的三相电流波形，(c)表示电流互感器极性接反时的三相电流波形，(d)表示电流回路测量线圈短接时的三相电流波形。

如图4所示，步骤3)的详细步骤包括：

3.1)初始化迭代次数k的值为0，输入原始零序电压分量3U₀/零序电流分量3I₀的量测方程与状态方程，将原始零序电压/原始零序电流分量随机产生初始样本并进行随机采样；

本实施例中，量测方程Z_k如下式所示：

[x₁,x₂,…,x_2n-1,x_2n,A₀]^T+υ_k

＝H_k·x_k+υ_k

上式中，k表示采样周期数，T_s表示采样周期，ω_n表示第n次谐波的角速度，τ表示衰减时间常数，A_n表示第n次谐波的幅值，φ_n表示第n次谐波的初相位，A₀表示衰减直流分量的幅值，H_k表示测量矩阵，x_k表示状态量，υ_k表示均值为零、方差为R_k的量测噪声，n表示所含谐波次数。状态方程如下式所示：

上式中，x_2n表示k时刻状态量，k表示采样周期数，n为谐波次数，A₀表示衰减直流分量的幅值，w_k-1表示均值为零、方差为Q_k-1的过程噪声。当k＝0时，由先验概率密度分布函数P(x₀)随机产生样本，根据P(x₀)分布采样得到对零序电压分量和零序电流分量进行状态预测，根据零序电压分量和零序电流分量的状态方程进行采样：其中表示k时刻第i个粒子的状态值，q表示重要密度函数，x_k表示k时刻的状态量，表示初始时刻第i个粒子的状态值，k表示采样时间，z₀表示初始时刻量测值，N表示粒子数。

3.2)计算出原始零序电压分量3U₀/零序电流分量3I₀所产生粒子的状态值和粒子权重；

本实施例中粒子权重的计算函数表达式如下：

上式中，表示k时刻第i个粒子的权重值，表示k-1时刻第i个粒子的权重值，p表示先验分布密度，z_k表示k时刻量测值，表示k-1时刻第i个粒子的状态值，表示k时刻第i个粒子的状态值，N表示粒子数。针对计算得到的粒子权重还需要采用下式进行归一化处理：

上式中，表示k时刻第i个粒子的权重值，N表示粒子数。

3.3)建立广义回归神经网络GRNN，通过广义回归神经网络GRNN对原始零序电压分量3U₀/零序电流分量3I₀的状态值进行优化和调整；

3.4)计算有效粒子数；

3.5)判断有效粒子数是否小于设定有效粒子数的阈值，如果是则进行重采样，然后跳转执行下一步；否则，直接跳转执行下一步；

3.6)进行零序电压/零序电流状态估计并计算似然概率密度，得到当前最优状态估计值对应的零序电压分量3U₀/零序电流分量3I₀；

本实施例中进行零序电压/零序电流状态估计时，最优的状态估计值如下式所示；

上式中，表示k时刻粒子的估计值，表示k时刻第i个粒子的权重值，N表示粒子数，表示k时刻第i个粒子的状态量。

根据最优的状态估计值，可计算得出最优的状态估计值下基波零序电压/基波零序电流的幅值：

上式中，A₁表示最优的状态估计值下基波零序电压/基波零序电流的幅值，x₁表示第1个状态量的估计值，x₂表示第2个状态量的估计值。

根据最优的状态估计值，可计算得出最优的状态估计值下基波零序电压/基波零序电流的相位：

上式中，φ₁表示最优的状态估计值下基波零序电压/基波零序电流的相位，x₁表示第1个状态量的估计值，x₂表示第2个状态量的估计值。

3.7)计算累加对数似然比及最大累加对数似然比；

3.8)判断最大累加对数似然比超过判决阈值是否成立，如果成立则对当前最优状态估计值对应的零序电压分量3U₀/零序电流分量3I₀进行保存，然后跳转执行下一步；否则，直接跳转执行下一步；

3.9)状态更新，将迭代次数k加1；

3.10)判断迭代是否结束，如果尚未结束，则跳转执行步骤3.2)；否则跳转执行下一步；

3.11)输出基波零序电压的幅值3U₀₁及相位/基波零序电流的幅值3I₀₁及相位

本实施例中，步骤3.3)的详细步骤包括：

3.3.1)建立广义回归神经网络GRNN，广义回归神经网络GRNN的输入向量定义为目标向量定义为z_k，根据式(1)对广义回归神经网络GRNN进行训练；

式(1)中，表示初始预测值，Y_i训练样本的因变量值，z_k为目标向量，为输入向量中的元素，σ表示高斯函数的宽度系数又称为光滑因子，n表示为样本容量；

3.3.2)构造一个n维向量jΔ＜L(j＝1,2,…,n/2)，其中为输入向量中的元素，jΔ表示输入向量各元素调整值，参数L表示定义的调整范围，n表示向量维数；

3.3.3)根据式(2)将n维向量作为输入向量，将式(1)训练得到的预测值作为训练样本的因变量值，进一步训练广义回归神经网络GRNN；

式(2)中，表示转换后的预测值，表示初始预测值，z_k为目标向量，为输入向量中的元素，σ表示高斯函数的宽度系数又称为光滑因子，n表示为样本容量；

3.3.4)通过广义回归神经网络GRNN的输出向量z_k的指示，将样本被最优点取代，其中jΔ表示输入向量各元素调整值，表示为输入向量中的元素。

通过矢量叠加得到零序电压的原始波形如图5所示，零序电流的原始波形如图6所示。通过基于神经网络的重要样本调整粒子滤波算法提取基波零序分量幅值与相位，得到基波零序电压的幅值和相位如图7-8所示，图7为提取的基波零序电压的幅值，图8为提取的基波零序电压的相位。基波零序电流的幅值和相位如图9-10所示，其中，图9为提取的基波零序电流的幅值，图10为提取的基波零序电流的相位。

本实施例中，步骤5)中的机器学习分类模型为基于深度信念网络分类器，如图11所示，基于深度信念网络分类器的训练步骤包括：

S1)选取正常、失压、失流、中性线断线时高压计量系统二次回路的基波零序电压、电流的幅值与相位作为样本数据和特征变量，所述失压包括电压互感器极性接反、电压单相断线、电压互感器内部故障，所述失流包括电流互感器极性接反、电流回路单相断线、测量线圈短接，对样本数据进行标准化处理后按一定的比例将其分为训练集；

S2)对高压计量系统二次回路的状态进行编码，如表1所示；

表1：二次回路状态编码。

S3)建立基于深度信念网络分类器的二次回路故障分类与识别模型；

如图12所示，该识别机制包括5个输入，分别为：基波电压的幅值与相位、基波零序点电流的幅值与相位、基波零序电流与中性线电流差的绝对值，包括8个输出，分别为：电压互感器极性接反、电压回路单相断线、电压互感器内部故障、电流互感器极性接反、电流回路单相断线、测量线圈短接、中性线断线故障、正常。

S4)初始化故障分类与识别模型的参数令其为一组服从高斯分布的较小随机数值；

S5)选取训练集中的无标签样本，通过对比散度算法(Contrastive Divergence，CD算法)对二次回路故障分类与识别模型的模型底部受限玻尔兹曼机(RestrictedBoltzmann Machine，RBM)层进行预训练；

S6)采用训练集中的标签样本通过BP算法对整个网络进行调优，完成对基于深度信念网络分类器的二次回路故障分类与识别模型的训练。

本实施例中，步骤S5)的详细步骤包括：

S5.1)初始化二次回路故障分类与识别模型的可见层单元的初始状态v₀＝x₀，初始化W、a、b为服从高斯分布的随机较数值，设定各受限玻尔兹曼机层最大训练迭代次数；其中v₀表示可见层单元的初始状态向量，x₀表示训练样本，W表示连接权重矩阵，a表示可见层的偏置向量，b表示隐含层的偏置向量；

S5.2)对二次回路故障分类与识别模型的所有隐单元计算式(3)，从条件分布P(h_0j|v₀)中抽取h₀～P(h₀|v₀)，其中h_0j表示隐含层第j个神经元的初始状态值，v₀表示可见层单元的初始状态向量，h₀表示隐含层的初始状态向量；

式(3)中，h_0j表示隐含层第j个神经元的初始状态值，v₀表示可见层单元的初始状态向量，b_j表示隐含层第j个神经元的偏置值，v_0i表示可见层单元第i个神经元的初始状态值，W_ij表示可见层节点i与隐含层节点j之间的连接权重值，n表示可见层节点数，σ()为sigmoid函数；

S5.3)对二次回路故障分类与识别模型的所有可见单元计算式(4)，从条件分布P(v_1i|h₀)中抽取v₁～P(v₁|h₀)，其中v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，v₁表示1次吉布斯采样后可见层单元的状态向量，h₀表示隐含层的初始状态向量；

式(4)中，v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，h₀表示隐含层的初始状态向量，a_i表示可见层第i个神经元的偏置值，h_0j表示隐含层第j个神经元的初始状态值，W_ij表示可见层节点i与隐含层节点j之间的连接权重值，m表示隐含层节点数，σ()为sigmoid函数；

S5.4)对二次回路故障分类与识别模型的所有隐单元计算式(5)；

式(5)中，h_1j表示1次吉布斯采样后隐含层单元第j个神经元的状态值，v₀表示可见层单元的初始状态向量，b_j表示隐含层第j个神经元的偏置值，v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，W_ij表示表示可见层节点i与隐含层节点j之间的连接权重值，n表示可见层节点数，σ()为sigmoid函数；

S5.5)根据式(6)更新二次回路故障分类与识别模型的参数；

式(6)中，W表示表示连接权重矩阵，a表示可见层的偏置向量，b表示隐含层的偏置向量，ρ表示学习速率，h₀表示隐含层的初始状态向量，v₀表示可见层单元的初始状态向量，表示可见层单元初始状态向量的转置，v₁表示1次吉布斯采样后可见层单元的状态向量，表示1次吉布斯采样后可见层单元状态向量的转置。

本实施例基于基波零序特征的计量系统二次回路监测方法具体是通过MATLAB和计算机程序(c#)实现，通过MATLAB实现基于神经网络的重要样本调整粒子滤波算法和基于深度信念网络分类器的高压计量系统二次回路故障分类与识别机制。

下述数据为10kV高压计量系统二次回路各种运行状态时，利用基于神经网络的重要样本调整粒子滤波算法提取基波零序分量的幅值与相位，输入基于深度信念网络分类器的高压计量系统二次回路故障分类与识别机制中，得到的识别结果，如表2所示。其中参数设置为：选用5层网络结构，RBM隐层单元数为500，训练样本数为1000，测试样本数为500。

表2：基于DBNC的10kV计量系统二次回路故障识别结果。

由表2可知，本实施例基于基波零序特征的计量系统二次回路监测方法识别高压计量系统二次回路故障的效果较好，故障识别的准确率基本保持在95％以上。

综上所述，本实施例基于基波零序特征的计量系统二次回路监测方法通过该获取高压计量系统电压回路中的三相电压、电流回路中的三相电流以及中性线电流，利用矢量叠加得到含有大量谐波与白噪声的零序电压分量与零序电流分量；利用基于神经网络的重要样本调整粒子滤波算法提取基波零序分量幅值与相位；将基波电压的幅值与相位、基波零序点电流的幅值与相位、基波零序电流与中性线电流差的绝对值作为输入变量，将各类故障作为输出变量，建立基于深度信念网络分类器的高压计量系统二次回路识别机制，该识别机制包含了五个输入变量和作为输出变量的故障之间的映射关系从而实现对故障的分类与识别，能够将零序分量中的谐波和白噪声有效去除实现对基波零序分量的提取，能够精准提取高压计量系统二次回路故障特征，准确对各类故障进行分类与识别，以便有效切除故障并对二次回路实时监测，从而保证电能计量的安全、稳定与准确，实时监测计量二次回路的状态从而保障高压计量系统的安全与稳定。相比于目前已有的失压失流报警方法而言，具有准确识别故障并能精准定位故障类型、有效识别中性线故障、不会发生误报警等优点。

以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (6)

1.一种基于基波零序特征的计量系统二次回路监测方法，其特征在于实施步骤包括：

1)针对被监测的高压计量系统，获取其电压回路中的三相电压U_a、U_b、U_c，获取电流回路中的三相电流I_a、I_b、I_c以及中性线电流I_n；

2)将三相电压U_a、U_b、U_c进行矢量叠加得到含有大量谐波与白噪声的零序电压分量3U₀，将三相电流I_a、I_b、I_c进行矢量叠加得到含有大量谐波与白噪声的零序电流分量3I₀；

3)根据零序电压分量3U₀/零序电流分量3I₀提取基波零序分量，得到基波零序电压的幅值3U₀₁及相位基波零序电流的幅值3I₀₁及相位

4)计算基波零序电流与中性线电流I_n之间的差的绝对值得到基波零序电流与中性线电流差的绝对值I_e；

5)将基波零序电压的幅值3U₀₁、基波零序电压的幅值基波零序电流的幅值3I₀₁、基波零序电流的相位以及基波零序电流与中性线电流差的绝对值I_e作为输入向量输入完成训练的机器学习分类模型，所述机器学习分类模型被训练包含输入向量和作为输出结果的二次回路故障之间的映射关系，最终得到被监测的高压计量系统二次回路的监测结果。

2.根据权利要求1所述的基于基波零序特征的计量系统二次回路监测方法，其特征在于，步骤3)的详细步骤包括：

3.1)初始化迭代次数k的值为0，输入原始零序电压分量3U₀/零序电流分量3I₀的量测方程与状态方程，将原始零序电压/原始零序电流分量随机产生初始样本并进行随机采样；

3.2)计算出原始零序电压分量3U₀/零序电流分量3I₀所产生粒子的状态值和粒子权重；

3.3)建立广义回归神经网络GRNN，通过广义回归神经网络GRNN对原始零序电压分量3U₀/零序电流分量3I₀的状态值进行优化和调整；

3.4)计算有效粒子数；

3.5)判断有效粒子数是否小于设定有效粒子数的阈值，如果是则进行重采样，然后跳转执行下一步；否则，直接跳转执行下一步；

3.6)进行零序电压/零序电流状态估计并计算似然概率密度，得到当前最优状态估计值对应的零序电压分量3U₀/零序电流分量3I₀；

3.7)计算累加对数似然比及最大累加对数似然比；

3.8)判断最大累加对数似然比超过判决阈值是否成立，如果成立则对当前最优状态估计值对应的零序电压分量3U₀/零序电流分量3I₀进行保存，然后跳转执行下一步；否则，直接跳转执行下一步；

3.9)状态更新，将迭代次数k加1；

3.10)判断迭代是否结束，如果尚未结束，则跳转执行步骤3.2)；否则跳转执行下一步；

3.11)输出基波零序电压的幅值3U₀₁及相位基波零序电流的幅值3I₀₁及相位

3.根据权利要求2所述的基于基波零序特征的计量系统二次回路监测方法，其特征在于，步骤3.3)的详细步骤包括：

3.3.1)建立广义回归神经网络GRNN，广义回归神经网络GRNN的输入向量定义为目标向量定义为z_k，根据式(1)对广义回归神经网络GRNN进行训练；

式(1)中，表示初始预测值，Y_i训练样本的因变量值，z_k为目标向量，为输入向量中的元素，σ表示高斯函数的宽度系数又称为光滑因子，n表示为样本容量；

3.3.2)构造一个n维向量其中为输入向量中的元素，jΔ表示输入向量各元素调整值，参数L表示定义的调整范围，n表示向量维数；

3.3.3)根据式(2)将n维向量作为输入向量，将式(1)训练得到的预测值作为训练样本的因变量值，进一步训练广义回归神经网络GRNN；

式(2)中，表示转换后的预测值，表示初始预测值，z_k为目标向量，为输入向量中的元素，σ表示高斯函数的宽度系数又称为光滑因子，n表示为样本容量；

3.3.4)通过广义回归神经网络GRNN的输出向量z_k的指示，将样本被最优点取代，其中jΔ表示输入向量各元素调整值，表示为输入向量中的元素。

4.根据权利要求1所述的基于基波零序特征的计量系统二次回路监测方法，其特征在于，步骤5)中的机器学习分类模型为基于深度信念网络分类器，所述基于深度信念网络分类器的训练步骤包括：

S1)选取正常、失压、失流、中性线断线时高压计量系统二次回路的基波零序电压、电流的幅值与相位作为样本数据和特征变量，所述失压包括电压互感器极性接反、电压单相断线、电压互感器内部故障，所述失流包括电流互感器极性接反、电流回路单相断线、测量线圈短接，对样本数据进行标准化处理后按一定的比例将其分为训练集；

S2)对高压计量系统二次回路的状态进行编码；

S3)建立基于深度信念网络分类器的二次回路故障分类与识别模型；

S4)初始化故障分类与识别模型的参数令其为一组服从高斯分布的较小随机数值；

S5)选取训练集中的无标签样本，通过对比散度算法对二次回路故障分类与识别模型的模型底部受限玻尔兹曼机层进行预训练；

S6)采用训练集中的标签样本通过BP算法对整个网络进行调优，完成对基于深度信念网络分类器的二次回路故障分类与识别模型的训练。

5.根据权利要求4所述的基于基波零序特征的计量系统二次回路监测方法，其特征在于，步骤S5)的详细步骤包括：

S5.1)初始化二次回路故障分类与识别模型的可见层单元的初始状态v₀＝x₀，初始化W、a、b为服从高斯分布的随机较数值，设定各受限玻尔兹曼机层最大训练迭代次数；其中v₀表示可见层单元的初始状态向量，x₀表示训练样本，W表示连接权重矩阵，a表示可见层的偏置向量，b表示隐含层的偏置向量；

S5.2)对二次回路故障分类与识别模型的所有隐单元计算式(3)，从条件分布P(h_0j|v₀)中抽取h₀～P(h₀|v₀)，其中h_0j表示隐含层第j个神经元的初始状态值，v₀表示可见层单元的初始状态向量，h₀表示隐含层的初始状态向量；

式(3)中，h_0j表示隐含层第j个神经元的初始状态值，v₀表示可见层单元的初始状态向量，b_j表示隐含层第j个神经元的偏置值，v_0i表示可见层单元第i个神经元的初始状态值，W_ij表示可见层节点i与隐含层节点j之间的连接权重值，n表示可见层节点数，σ()为sigmoid函数；

S5.3)对二次回路故障分类与识别模型的所有可见单元计算式(4)，从条件分布P(v_1i|h₀)中抽取v₁～P(v₁|h₀)，其中v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，v₁表示1次吉布斯采样后可见层单元的状态向量，h₀表示隐含层的初始状态向量；

式(4)中，v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，h₀表示隐含层的初始状态向量，a_i表示可见层第i个神经元的偏置值，h_0j表示隐含层第j个神经元的初始状态值，W_ij表示可见层节点i与隐含层节点j之间的连接权重值，m表示隐含层节点数，σ()为sigmoid函数；

S5.4)对二次回路故障分类与识别模型的所有隐单元计算式(5)；

式(5)中，h_1j表示1次吉布斯采样后隐含层单元第j个神经元的状态值，v₀表示可见层单元的初始状态向量，b_j表示隐含层第j个神经元的偏置值，v_1i表示1次吉布斯采样后可见层单元第i个神经元的状态值，W_ij表示表示可见层节点i与隐含层节点j之间的连接权重值，n表示可见层节点数，σ()为sigmoid函数；

S5.5)根据式(6)更新二次回路故障分类与识别模型的参数；

式(6)中，W表示表示连接权重矩阵，a表示可见层的偏置向量，b表示隐含层的偏置向量，ρ表示学习速率，h₀表示隐含层的初始状态向量，v₀表示可见层单元的初始状态向量，表示可见层单元初始状态向量的转置，v₁表示1次吉布斯采样后可见层单元的状态向量，表示1次吉布斯采样后可见层单元状态向量的转置。

6.一种基于基波零序特征的计量系统二次回路监测设备，包括计算机设备，其特征在于，所述计算机设备被编程以执行权利要求1～5中任意一项所述基于基波零序特征的计量系统二次回路监测方法的步骤。