一种电能表电能质量检测方法、系统以及设备与流程

本发明涉及电能质量检测技术领域，尤其涉及一种电能表电能质量检测方法、系统以及设备。

背景技术：

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。

技术实现要素：

本发明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。

本发明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，本发明具有以下优点：

本发明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，显而易见地，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为本发明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为本发明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为本发明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为本发明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为本发明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

本发明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。

为使得本发明的发明目的、特征、优点能够更加的明显和易懂，下面将结合本发明实施例中的附图，对本发明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发明一部分实施例，而非全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

请参阅图1，图1为本发明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。

本发明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，以便于对深度置信网络模型进行训练和测试。

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；有监督的反向调参方法是为了使得以下代价函数值最小：

其中，e为代价函数，y⁽ⁿ⁾为第n个训练数据期望的输出，o⁽ⁿ⁾为第n个训练数据产生的实际输出，n为训练数据总数，n的取值范围为1～n；

采用梯度下降法更新参数值：

其中，w^(l)和b^(l)分别更新前的l层的权重矩阵和偏置矩阵，w^(l)*和b^(l)*分别更新后的l层的权重矩阵和偏置矩阵。

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，将输出概率最大的电能质量作为检测结果。

作为一个优选的实施例，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，每一层内的每一个神经单元相互独立。

如图4所示，作为一个优选的实施例，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。

作为一个优选的实施例，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，如图5所示，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。

作为一个优选的实施例，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。

作为一个优选的实施例，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，具体公式如下：

其中，xg为归一化后的数据，x为原数据，xmax和xmin分别为同一个数据的最大值和最小值。

作为一个优选的实施例，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。

作为一个优选的实施例，无监督的逐层预训练方法为对每层rbm采用对比散度法进行训练，将训练得到的隐藏层作为下层rbm的可见层，以此逐层训练直至最高层；

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，具体公式如下：

计算隐藏层单元被激活的概率p(hj＝1|v)：

其中，v＝(v1,v2,…,vi)和h＝(h1,h2...,hj)为分别为可见层向量和隐藏层向量，i和j分别为可见层和隐藏层单元总数，vi和hj分别为第i个可见层单元和第j个隐藏层单元的值，i的取值范围为1～i，j的取值范围为1～j；bj为第j个隐藏层单元的偏置；wij为第i个可见层单元与第j个隐藏层单元之间的连接权重；σ(·)为逻辑函数sigmoid函数，满足以下条件：

根据概率分布的情况计算进行一次吉布斯采样，产生在区间[0,1]上的随机数rj，根据随机数确定隐藏层神经单元的值hj；公式如下：

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，先计算重构后的可见层单元的概率分布进行一步吉布斯采样确定重构后可见层单元的值具体公式如下：

其中，ai为第i个可见层单元的偏置。

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；

其中，为wij更新后的值，为ai更新后的值，为bj更新后的值，λ为学习效率；

循环上述步骤，直至满足深度置信网络模型的输出的精度达到要求或者达到最大迭代次数。

如图2所示，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201、电压波形获取模块202、数据预处理模块203、模型训练模块204、模型检测模块205以及电能质量分类情况输出模块206；

所述深度置信网络模型201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202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203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204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205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206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。

如图3所示，一种电能表电能质量检测设备30，所述设备包括处理器300以及存储器301；

所述存储器301用于存储程序代码302，并将所述程序代码302传输给所述处理器；

所述处理器300用于根据所述程序代码302中的指令执行上述的一种电能表电能质量检测方法实施例中的步骤。

示例性的，所述计算机程序302可以被分割成一个或多个模块/单元，所述一个或者多个模块/单元被存储在所述存储器301中，并由所述处理器300执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序302在所述终端设备30中的执行过程。

所述终端设备30可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端设备可包括，但不仅限于，处理器300、存储器301。本领域技术人员可以理解，图3仅仅是终端设备30的示例，并不构成对终端设备30的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。

所称处理器300可以是中央处理单元(centralprocessingunit，cpu)，还可以是其他通用处理器、数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现成可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器301可以是所述终端设备30的内部存储单元，例如终端设备30的硬盘或内存。所述存储器301也可以是所述终端设备30的外部存储设备，例如所述终端设备30上配备的插接式硬盘，智能存储卡(smartmediacard,smc)，安全数字(securedigital,sd)卡，闪存卡(flashcard)等。进一步地，所述存储器301还可以既包括所述终端设备30的内部存储单元也包括外部存储设备。所述存储器301用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器301还可以用于暂时地存储已经输出或者将要输出的数据。

所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-onlymemory)、随机存取存储器(ram，randomaccessmemory)、磁碟或者光盘等各种可以存储程序代码的介质。

以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。