一种电能表电能质量检测方法、系统以及设备技术方案

本发明专利技术公开了一种电能表电能质量检测方法、系统以及设备，包括以下步骤：获取电压波形数据，在电压波形数据上记录电能质量分类情况；对电压波形数据进行预处理，将电压波形数据划分为训练集和测试集；利用训练集数据，训练深度置信网络模型；将测试集输入到训练好的深度置信网络模型中对深度置信网络模型进行精度测试，将实时电压波形数据输入深度置信网络模型，得到实时的电能质量分类情况。本发明专利技术将深度学习理论应用于电能表电能质量监测，通过深度置信网络自动学习提取发生电能质量问题时的电压特征，精确迅速地监测电能表用户侧的电能质量分类情况，避免了人工特征提取的繁杂操作，大大提高了计算效率。

A power quality testing method, system and equipment of electric energy meter

【技术实现步骤摘要】
一种电能表电能质量检测方法、系统以及设备
本专利技术涉及电能质量检测
，尤其涉及一种电能表电能质量检测方法、系统以及设备。
技术介绍
目前，随着风电光伏等可再生能源的高速发展以及电动汽车等新型负荷的大规模使用，谐波、电压波动与闪变等电能质量问题发生的频率日益增加，严重影响了精密设备的正常运行和用户的用电质量，因此亟需在用户侧对电能质量进行监测和识别，为用户提供实时的电能质量信息，提高用户的用电质量和消费体验。但是，目前我国的电能表仅仅具备单一的谐波监测功能，不具备完善的电能质量监测和识别功能。另一方面，当前电能质量问题的特征提取依赖于小波变换、傅里叶变换等人工提取方法，步骤繁多、操作复杂。综上所述，现有技术中对电能质量进行检测时，存在着步骤繁多、操作复杂的技术问题。
技术实现思路
本专利技术提供了一种电能表电能质量检测方法、系统以及设备，用于解决现有技术中对电能质量进行检测时，存在着步骤繁多、操作复杂的技术问题。本专利技术提供的一种电能表电能质量检测方法，适用于预先构建好的深度置信网络模型，包括以下步骤：获取电能表输出的电压波形数据，在电压波形数据上记录电能质量分类情况；对记录有电能质量分类情况的电压波形数据进行预处理，将预处理后的记录有电能质量分类情况的电压波形数据划分为训练集和测试集；利用训练集数据，采用无监督的逐层预训练方法和有监督的反向调参方法训练深度置信网络模型，得到训练好的深度置信网络模型；将测试集输入到训练好的深度置信网络模型中，判断深度置信网络模型输出的电能质量分类情况的精度是否满足要求；若精度不满足要求，重新利用训练集对深度置信网络模型进行训练；若满足要求，将实时电压波形数据输入深度置信网络模型，得到实时的电能质量分类情况。优选的，深度置信网络模型包括输入层、隐藏层以及输出层，所述隐藏层的层数为N层，输入层、隐藏层以及输出层的每一层中包含有多个神经单元。优选的，在构建深度置信网络模型时，将隐藏层的层数N设置为3，输入层的神经单元数为16，3层隐藏层的神经单元数设置为20，输出层的神经单元数为8，学习效率为0.85。优选的，深度置信网络模型中相邻两层的任意两个神经单元通过带权值的边相互连接，输入层与第1层隐藏层构成第1层RBM，第1层隐藏层与第2层隐藏层构成第2层RBM，第2层隐藏层与第3层隐藏层构成第3层RBM。优选的，电能质量分类情况包括电压短时中断、电压暂降、电压暂升、电压波动和闪变、谐波、过电压、欠电压以及正常电压。优选的，对记录有电能质量分类情况的电压波形数据进行预处理的过程包括：剔除不良数据，将电压波形数据进行随机打乱；将随机打乱后的电压波形数据进行归一化处理。优选的，按5:1的比例将记录有电能质量分类情况的电压波形数据划分为训练集和测试集。优选的，无监督的逐层预训练方法的具体过程如下：统计隐藏层的可见层单元数和隐藏层的神经单元总数，计算隐藏层的神经单元被激活的概率，得到概率分布的情况；根据概率分布的情况计算进行吉布斯采样，产生在区间[0,1]上的随机数，根据随机数确定隐藏层神经单元的值：基于隐藏层神经单元的值对隐藏层的可见层单元进行重构，确定重构后可见层单元的值；根据重构后可见层单元的值计算隐藏层神经单元被激活的概率，更新深度置信网络模型的参数值。一种电能表电能质量检测系统，包括深度置信网络模型构建模块、电压波形获取模块、数据预处理模块、模型训练模块、模型检测模块以及电能质量分类情况输出模块；所述深度置信网络模型构建模块用于构建深度置信网络模型；所述电压波形获取模块用于获取电能表输出的电压波形数据，在电压波形数据上记录电能质量分类情况；所述数据预处理模块用于对记录有电能质量分类情况的电压波形数据进行预处理，将预处理后的记录有电能质量分类情况的电压波形数据划分为训练集和测试集；所述模型训练模块用于利用训练集数据，采用无监督的逐层预训练方法和有监督的反向调参方法训练深度置信网络模型，得到训练好的深度置信网络模型；所述模型检测模块用于将测试集输入到训练好的深度置信网络模型中，判断深度置信网络模型输出的电能质量分类情况的精度是否满足要求；所述电能质量分类情况输出模块用于将实时电压波形数据输入深度置信网络模型，得到实时的电能质量分类情况。一种电能表电能质量检测设备，包括处理器以及存储器；所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；所述处理器用于根据所述程序代码中的指令执行上述的一种电能表电能质量检测方法。从以上技术方案可以看出，本专利技术具有以下优点：本专利技术实施例将深度学习理论应用于电能表电能质量监测，通过深度置信网络自动学习提取发生电能质量问题时的电压特征，精确迅速地监测电能表用户侧的电能质量分类情况，能够精确迅速地识别各种电能质量问题满足用户多样化的需求和提高用户消费体验，避免人工特征提取的繁杂操作，大大提高了计算效率。附图说明为了更清楚地说明本专利技术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，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。图1为本专利技术实施例提供的一种电能表电能质量检测方法、系统以及设备的方法流程图。图2为本专利技术实施例提供的一种电能表电能质量检测方法、系统以及设备的系统结构图。图3为本专利技术实施例提供的一种电能表电能质量检测方法、系统以及设备的设备框架图。图4为本专利技术实施例提供的一种电能表电能质量检测方法、系统以及设备的深度置信网络模型的结构图。图5为本专利技术实施例提供的一种电能表电能质量检测方法、系统以及设备的深度置信网络模型中的RBM模型结构图。具体实施方式本专利技术实施例提供了一种电能表电能质量检测方法、系统以及设备，用于解决现有技术中对电能质量进行检测时，存在着步骤繁多、操作复杂的技术问题。为使得本专利技术的专利技术目的、特征、优点能够更加的明显和易懂，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，下面所描述的实施例仅仅是本专利技术一部分实施例，而非全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。请参阅图1，图1为本专利技术实施例提供的一种电能表电能质量检测方法、系统以及设备的方法流程图。本专利技术提供的一种电能表电能质量检测方法，适用于预先构建好的深度置信网络模型，包括以下步骤：从电能表计量芯片的模数转换器中获取电能表输出的电压波形数据，在电压波形数据上记录电能质量分类情况；对记录有电能质量分类情况的电压波形数据进行预处理，以便于后续对数据进行计算；将预处理后的记本文档来自技高网...

【技术保护点】
1.一种电能表电能质量检测方法，其特征在于，适用于预先构建好的深度置信网络模型，包括以下步骤：/n获取电能表输出的电压波形数据，在电压波形数据上记录电能质量分类情况；/n对记录有电能质量分类情况的电压波形数据进行预处理，将预处理后的记录有电能质量分类情况的电压波形数据划分为训练集和测试集；/n利用训练集数据，采用无监督的逐层预训练方法和有监督的反向调参方法训练深度置信网络模型，得到训练好的深度置信网络模型；/n将测试集输入到训练好的深度置信网络模型中，判断深度置信网络模型输出的电能质量分类情况的精度是否满足要求；/n若精度不满足要求，重新利用训练集对深度置信网络模型进行训练；若满足要求，将实时电压波形数据输入深度置信网络模型，得到实时的电能质量分类情况。/n

【技术特征摘要】
1.一种电能表电能质量检测方法，其特征在于，适用于预先构建好的深度置信网络模型，包括以下步骤：
获取电能表输出的电压波形数据，在电压波形数据上记录电能质量分类情况；
对记录有电能质量分类情况的电压波形数据进行预处理，将预处理后的记录有电能质量分类情况的电压波形数据划分为训练集和测试集；
利用训练集数据，采用无监督的逐层预训练方法和有监督的反向调参方法训练深度置信网络模型，得到训练好的深度置信网络模型；
将测试集输入到训练好的深度置信网络模型中，判断深度置信网络模型输出的电能质量分类情况的精度是否满足要求；
若精度不满足要求，重新利用训练集对深度置信网络模型进行训练；若满足要求，将实时电压波形数据输入深度置信网络模型，得到实时的电能质量分类情况。


2.根据权利要求1所述的一种电能表电能质量检测方法，其特征在于，深度置信网络模型包括输入层、隐藏层以及输出层，所述隐藏层的层数为N层，输入层、隐藏层以及输出层的每一层中包含有多个神经单元。


3.根据权利要求2所述的一种电能表电能质量检测方法，其特征在于，在构建深度置信网络模型时，将隐藏层的层数N设置为3，输入层的神经单元数为16，3层隐藏层的神经单元数设置为20，输出层的神经单元数为8，学习效率为0.85。


4.根据权利要求3所述的一种电能表电能质量检测方法，其特征在于，深度置信网络模型中相邻两层的任意两个神经单元通过带权值的边相互连接，输入层与第1层隐藏层构成第1层RBM，第1层隐藏层与第2层隐藏层构成第2层RBM，第2层隐藏层与第3层隐藏层构成第3层RBM。


5.根据权利要求4所述的一种电能表电能质量检测方法，其特征在于，电能质量分类情况包括电压短时中断、电压暂降、电压暂升、电压波动和闪变、谐波、过电压、欠电压以及正常电压。


6.根据权利要求5所述的一种电能表电能质量检测方法，其特征在于，对记录有电能质量分类情况的电压波形数据进行预处理的过程包括：
剔除不良数据，将电压波形数据进行随机打乱；
将随机打乱后的电压波形数据进行归一...

【专利技术属性】
技术研发人员：林晓明，肖勇，钱斌，
申请(专利权)人：南方电网科学研究院有限责任公司，中国南方电网有限责任公司，
类型：发明
国别省市：广东;44