CN114118404A - 基于神经网络的电能表相位不平衡状态症结研判方法 - Google Patents
基于神经网络的电能表相位不平衡状态症结研判方法 Download PDFInfo
- Publication number
- CN114118404A CN114118404A CN202111219778.8A CN202111219778A CN114118404A CN 114118404 A CN114118404 A CN 114118404A CN 202111219778 A CN202111219778 A CN 202111219778A CN 114118404 A CN114118404 A CN 114118404A
- Authority
- CN
- China
- Prior art keywords
- phase
- electric energy
- neural network
- energy meter
- sequence
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R29/00—Arrangements for measuring or indicating electric quantities not covered by groups G01R19/00 - G01R27/00
- G01R29/16—Measuring asymmetry of polyphase networks
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于神经网络的电能表相位不平衡状态症结研判方法，包括确定神经网络的输入层节点、输出层节点及预设网络层数；对神经网络进行超参调节、训练及测试，得到满足预设准确率的电能表相位不平衡状态症结研判神经网络；应用电能表相位不平衡状态症结研判神经网络对电能表进行相位不平衡状态症结智能研判。本发明通过将电能表相位不平衡状态症结的研判应用于神经网络，实现了智能远程准确判别电能表相位不平衡状态症结，提高判别准确率，减少现场研判工作量，大大提升了工作效率。
Description
技术领域
本发明涉及电能表异常状态检测技术领域，具体涉及一种基于神经网络的电能表相位不平衡状态症结研判方法。
背景技术
电能量计量设备电能表的异常状态会引发电量差错，影响电力公司和客户之间贸易结算的公平公正。电能表相位状态是接线相序、线序方式的体现，按照排列组合原理，三相三线电能表有30种以上的接线方式，除了正常接线状态，其他均为不平衡的异常相位状态，每种异常相位状态都对应不同的症结。当前对于三相三线电能表相位不平衡异常状态症结，通用方法为现场人工专业设备操作研判，这样会造成远程研判难度大、现场排查效率低及浪费过多的人力工时等问题。
发明内容
本发明的目的在于提供一种基于神经网络的电能表相位不平衡状态症结研判方法，可以解决现有技术中电能表现场排查效率低和浪费人力工时的问题。
本发明的目的是通过以下技术方案实现的：
本发明提供一种基于神经网络的电能表相位不平衡状态症结研判方法，包括以下步骤：
确定神经网络的输入层节点、输出层节点及预设网络层数；
输入层节点包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、总有功功率、A相有功功率、B相有功功率、C相有功能率、总无功功率、A相无功功率、B相无功功率、C相无功功率、总功率因素、A相功率因素、B相功率因素、C相功率因素、UAB大小、UAB相位角、UBC大小、UBC相位角、UCA大小、UCA相位角、UCB大小、UCB相位角；
输出层节点包括正相序正常状态、正相序AC相电流接反、正相序疑似AC相电流正向串接、正相序疑似AC相电流反向串接、正相序一相电流接反、正相序AC相错相、正相序AC相错相并一相反相、正相序其他状态，以及逆相序正常状态、逆相序AC相电流接反、逆相序疑似AC相电流正向串接、逆相序疑似AC相电流反向串接、逆相序一相电流接反、逆相序AC相错相、逆相序AC相错相并一相反相；
对神经网络进行超参调节、训练及测试，得到满足预设准确率的电能表相位不平衡状态症结研判神经网络；
应用电能表相位不平衡状态症结研判神经网络对电能表进行相位不平衡状态症结智能研判。
进一步的，所述对神经网络进行超参调优、训练及测试，得到满足预设准确率的电能表相位不平衡状态症结研判神经网络具体包括：
收集训练数据；
利用训练数据对神经网络进行训练；
通过测试数据对神经网络进行准确率测试，若不满足预设准确率，调整网络层数、神经元数和超参重新训练，直到测试结果满足预设准确率。
进一步的，所述应用电能表相位不平衡状态症结研判神经网络对电能表进行相位不平衡状态症结智能研判原理为：在电能表相位不平衡状态症结研判神经网络中输入对应真实电能表电能量数据后，电能表相位不平衡状态症结研判神经网络直接输出对应的状态结果。
进一步的，所述预设准确率为95％。
本发明的有益效果：
本发明通过将电能表相位不平衡状态症结的研判应用于神经网络，将电能表电能量大数据进行模型训练，通过对神经网络模型进行超参调优、训练以及可信度测试，得到满足准确率的电能表相位不平衡状态症结研判神经网络，实现了智能远程准确判别电能表相位不平衡状态症结，提高判别准确率，减少现场研判工作量，大大提升了工作效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。
图1为基于神经网络的电能表相位不平衡状态症结研判方法流程示意图；
图2为电能表相位不平衡状态症结研判神经网络的技术演示示意图。
具体实施方式
下面结合附图对本公开实施例进行详细描述。
以下通过特定的具体实例说明本公开的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本公开的其他优点与功效。显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。本公开还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本公开的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。基于本公开中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本公开保护的范围。
请参阅图1和图2，本发明实施例提供一种基于神经网络的电能表相位不平衡状态症结研判方法，包括以下步骤：
确定神经网络的输入层节点、输出层节点及预设网络层数；
输入层节点包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、总有功功率、A相有功功率、B相有功功率、C相有功能率、总无功功率、A相无功功率、B相无功功率、C相无功功率、总功率因素、A相功率因素、B相功率因素、C相功率因素、UAB大小、UAB相位角、UBC大小、UBC相位角、UCA大小、UCA相位角、UCB大小、UCB相位角等；结合电能表历史电能量数据和神经网络，进而设置神经网络的输入项。
输出层节点包括正相序正常状态、正相序AC相电流接反、正相序疑似AC相电流正向串接、正相序疑似AC相电流反向串接、正相序一相电流接反、正相序AC相错相、正相序AC相错相并一相反相、正相序其他状态，以及逆相序正常状态、逆相序AC相电流接反、逆相序疑似AC相电流正向串接、逆相序疑似AC相电流反向串接、逆相序一相电流接反、逆相序AC相错相、逆相序AC相错相并一相反相以及逆相序其他状态；根据神经网络设置好输出层的输出项。
对神经网络进行超参调节、训练及测试，得到满足预设准确率的电能表相位不平衡状态症结研判神经网络；其具体实现过程如下：
收集训练数据，训练数据包括电能表相位不平衡状态症结的历史数据；
利用训练数据对神经网络进行训练，采用收集到的电能表相位不平衡状态症结的历史数据对神经网络进行训练，使之能够对电能表相位不平衡状态症结进行研判；
通过测试数据(输入项对应输出结果的正确数据)对能够对电能表相位不平衡状态症结进行研判进行准确率测试，若不满足预设准确率，调整网络层数、神经元数和超参重新训练，直到测试结果满足预设准确率，就是说在测试过程中，当电能表相位不平衡状态症结研判神经网络对电能表进行相位不平衡状态症结智能研判准确率大于等于95％，则认为训练好的电能表相位不平衡状态症结研判神经网络满足实际应用要求。
最后，应用满足测试准确率的电能表相位不平衡状态症结研判神经网络对电能表进行相位不平衡状态症结智能研判，可以实现远程远程智能准确判别电能表相位不平衡状态症结。
需要说明的是，在投入使用中，在电能表相位不平衡状态症结研判神经网络中输入对应真实电能表电能量数据后，电能表相位不平衡状态症结研判神经网络直接输出对应的状态结果。
以上仅为说明本发明的实施方式，并不用于限制本发明，对于本领域的技术人员来说，凡在本发明的精神和原则之内，不经过创造性劳动所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (4)
1.基于神经网络的电能表相位不平衡状态症结研判方法，其特征在于，包括以下步骤：
确定神经网络的输入层节点、输出层节点及预设网络层数；
输入层节点包括A相电压、B相电压、C相电压、A相电流、B相电流、C相电流、总有功功率、A相有功功率、B相有功功率、C相有功能率、总无功功率、A相无功功率、B相无功功率、C相无功功率、总功率因素、A相功率因素、B相功率因素、C相功率因素、UAB大小、UAB相位角、UBC大小、UBC相位角、UCA大小、UCA相位角、UCB大小、UCB相位角；
输出层节点包括正相序正常状态、正相序AC相电流接反、正相序疑似AC相电流正向串接、正相序疑似AC相电流反向串接、正相序一相电流接反、正相序AC相错相、正相序AC相错相并一相反相、正相序其他状态，以及逆相序正常状态、逆相序AC相电流接反、逆相序疑似AC相电流正向串接、逆相序疑似AC相电流反向串接、逆相序一相电流接反、逆相序AC相错相、逆相序AC相错相并一相反相；
对神经网络进行超参调节、训练及测试，得到满足预设准确率的电能表相位不平衡状态症结研判神经网络；
应用电能表相位不平衡状态症结研判神经网络对电能表进行相位不平衡状态症结智能研判。
2.根据权利要求1所述的基于神经网络的电能表相位不平衡状态症结研判方法，其特征在于，所述对神经网络进行超参调优、训练及测试，得到满足预设准确率的电能表相位不平衡状态症结研判神经网络具体包括：
收集训练数据；
利用训练数据对神经网络进行训练；
通过测试数据对神经网络进行准确率测试，若不满足预设准确率，调整网络层数、神经元数和超参重新训练，直到测试结果满足预设准确率。
3.根据权利要求1所述的基于神经网络的电能表相位不平衡状态症结研判方法，其特征在于，所述应用电能表相位不平衡状态症结研判神经网络对电能表进行相位不平衡状态症结智能研判原理为：在电能表相位不平衡状态症结研判神经网络中输入对应真实电能表电能量数据后，电能表相位不平衡状态症结研判神经网络直接输出对应的状态结果。
4.根据权利要求1所述的基于神经网络的电能表相位不平衡状态症结研判方法，其特征在于，所述预设准确率为95％。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111219778.8A CN114118404A (zh) | 2021-10-20 | 2021-10-20 | 基于神经网络的电能表相位不平衡状态症结研判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111219778.8A CN114118404A (zh) | 2021-10-20 | 2021-10-20 | 基于神经网络的电能表相位不平衡状态症结研判方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114118404A true CN114118404A (zh) | 2022-03-01 |
Family
ID=80376226
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111219778.8A Pending CN114118404A (zh) | 2021-10-20 | 2021-10-20 | 基于神经网络的电能表相位不平衡状态症结研判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114118404A (zh) |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
| CN106058854A (zh) * | 2016-06-02 | 2016-10-26 | 国网天津市电力公司 | 一种配网电流三相不平衡度的评价方法 |
| CN110084502A (zh) * | 2019-04-19 | 2019-08-02 | 国网安徽省电力有限公司 | 一种电能质量治理设备运行状态评估方法及装置 |
| CN110716133A (zh) * | 2019-09-06 | 2020-01-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网及大数据技术的高压断路器故障研判方法 |
| CN110874685A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于神经网络的智能电能表运行状态判别方法及系统 |
| US20210312275A1 (en) * | 2020-04-06 | 2021-10-07 | Infineon Technologies Austria Ag | ML-Based Phase Current Balancer |
-
2021
- 2021-10-20 CN CN202111219778.8A patent/CN114118404A/zh active Pending
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105976266A (zh) * | 2016-05-16 | 2016-09-28 | 国网江苏省电力公司电力科学研究院 | 基于典型电压暂降波形匹配的电压暂降原因识别方法 |
| CN106058854A (zh) * | 2016-06-02 | 2016-10-26 | 国网天津市电力公司 | 一种配网电流三相不平衡度的评价方法 |
| CN110874685A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于神经网络的智能电能表运行状态判别方法及系统 |
| CN110084502A (zh) * | 2019-04-19 | 2019-08-02 | 国网安徽省电力有限公司 | 一种电能质量治理设备运行状态评估方法及装置 |
| CN110716133A (zh) * | 2019-09-06 | 2020-01-21 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于物联网及大数据技术的高压断路器故障研判方法 |
| US20210312275A1 (en) * | 2020-04-06 | 2021-10-07 | Infineon Technologies Austria Ag | ML-Based Phase Current Balancer |
Non-Patent Citations (4)
| Title |
|---|
| 李江腾 等: "基于知识嵌入和DNN的工商业用户异常用电检测", 电力工程技术, vol. 39, no. 3, 28 May 2020 (2020-05-28), pages 1 * |
| 杨建, 罗安, 涂春鸣, 赵巍: "应用神经网络和遗传算法的智能电网综合补偿控制的研究", 控制理论与应用, no. 05, 25 October 2002 (2002-10-25), pages 86 - 89 * |
| 王雷 等: "基于云平台的计量运行数据深化应用与故障智能识别研究", 电测与仪表, vol. 57, no. 7, 10 April 2020 (2020-04-10), pages 6 * |
| 许均星;李川;李英娜;: "基于遗传算法优化BP神经网络的窃电分析", 软件, no. 11, 15 November 2017 (2017-11-15), pages 26 - 31 * |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106656637B (zh) | 一种电网异常检测方法及装置 | |
| CN104156892B (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
| CN108767852B (zh) | 一种电-气耦合系统节点可靠性评估方法 | |
| CN105044624B (zh) | 带故障诊断功能的七电平逆变器及故障诊断方法 | |
| CN102981049B (zh) | 一种用于微电网系统的频率检测方法 | |
| CN103514571B (zh) | 一种基于负荷曲线分解的商业居民负荷类型负荷建模方法 | |
| CN107093895A (zh) | 基于预想故障集自动筛选的在线暂态安全稳定评估方法 | |
| CN110673509A (zh) | 一种用于半实物仿真平台的电量变送器模拟系统及方法 | |
| CN103632043A (zh) | 一种基于实测响应信息的电力系统主导失稳模式识别方法 | |
| CN109272190A (zh) | 一种基于动量bp神经网络的电力电缆状态评价方法 | |
| CN101958543A (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
| CN104215882A (zh) | 一种基于有源单端口网络电阻极性的电压暂降源定位方法 | |
| CN104991218A (zh) | 一种监测电能计量装置运行状态的系统 | |
| CN109494726A (zh) | 基于dlrnn神经网络的电力系统稳定性在线评估方法 | |
| CN109977577A (zh) | 考虑天然气输配管网不确定性的气-电耦合系统可靠性评估方法 | |
| Rao et al. | Wideband impedance online identification of wind farms based on combined data-driven and knowledge-driven | |
| CN104574221B (zh) | 一种基于损失电量特征参数的光伏电站运行状态辨识方法 | |
| CN111159841B (zh) | 一种基于数据融合的配电网短路电流计算方法 | |
| CN103107536B (zh) | 一种海上油田群电网的状态估计方法 | |
| CN105260521B (zh) | 一种基于层次分析法的负荷融合建模方法 | |
| CN114118404A (zh) | 基于神经网络的电能表相位不平衡状态症结研判方法 | |
| CN104200027B (zh) | 一种考虑低电压穿越特性的风电场等效建模方法与装置 | |
| CN103400201B (zh) | 求解以测点正常率最大为目标的状态估计问题的方法 | |
| CN106529713A (zh) | 一种基于灰色gmdh网络组合模型的风速预测方法及系统 | |
| CN116738689B (zh) | 基于Elman模型的水轮发电机组状态健康评估系统及方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220301 |