本发明涉及电能计量装置中互感器故障诊断技术领域,尤其涉及一种电能计量装置中传感器故障诊断方法及系统。
背景技术:
在电能计量中,通过电流互感器或电压互感器将交流电中的高电压、大电流变换成一个安全且标准化的低电压、小电流,以便连接标准化的计量仪表,用于测量电压、电流、电功率、电能等参数,同时有效地避免了高电压、大电流对人体和计量仪表可能造成的不良影响。电流互感器、电压互感器作为电能计量装置的重要组成部分,对电能计量的准确度影响重大。但是,由于工作环境的影响,电能计量装置长期带电运行过程中,可能出现电流互感器或电压互感器故障,从而降低电能计量的准确度,导致用户用电数据出现异常,因此有必要对电能计量装置中的互感器进行故障诊断,降低互感器因素对电能计量准确度的影响。
目前,一般通过处理用户的用电数据来进行故障诊断,所述用电数据包括峰值有功功率、平值有功功率、谷值有功功率、总无功功率以及总有功功率等。目前常用的诊断方法为神经网络算法,即BP(Back Propagation)算法,具体步骤为:将一个训练样本对作为输入信息输入到BP网络中;信息流正向传播,分别求取隐含层与输出层的输出,即oi与yk;求出真实输出与目标输出的差值;从输出层开始反向传播计算到第一个隐含层,按特定的原则向缩小误差的方向调整整个BP网络的连接权值;对其他所有训练样本对重复以上步骤,直到对整个网络训练样本的总误差到达设置要求。
但是,上述方法虽然能够处理这些用电数据,但需要人为设置大量的网络训练参数,必须要有足够的训练样本才能保证准确度,未能充分利用历史经验,这样耗费的时间会越来越长。
技术实现要素:
为克服相关技术中存在的问题,本发明提供一种电能计量装置中传感器故障诊断方法及系统。
根据本发明实施例的第一方面,提供一种电能计量装置中传感器故障诊断方法,包括:
获取预设时间段内用户的用电数据作为测试样本,所述用户的历史用电数据作为训练样本,其中,所述训练样本为传感器无故障时所述用户的历史用电数据;
分别对所述测试样本和训练样本采用主成分分析提取特征向量,将所述测试样本的特征向量构建测试样本集,所述训练样本的特征向量构建训练样本集;
将所述训练样本集输入预设极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值;
将所述隐层的输出权值更新到所述极端学习机模型;
将所述测试样本输入更新的所述极端学习模型进行训练,输出发生故障的权值和未发生故障的权值,确定所述用户的电能计量装置中的传感器在所述预设时间段内是否发生故障。
优选地,所述将所述训练样本集输入预设极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值,包括:
以所述训练样本集的特征向量作为输入节点,以发生故障和未发生故障为输出节点,建立所述极端学习机模型;
将所述训练样本集输入所述极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值。
优选地,所述将所述训练样本集输入所述极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值,包括:
预设激活函数和隐层节点数,将所述训练样本集输入所述极端学习机模型;
设定隐层的输入权值和隐层偏差;
根据所述隐层的输入权值和隐层偏差,计算隐层输出函数;
对所述隐层输出函数求解,得到的最小二乘解作为所述隐层的输出权值。
根据本发明实施例的第二方面,提供一种电能计量装置中传感器故障诊断系统,包括:
样本获取模块,用于获取预设时间段内用户的用电数据作为测试样本,所述用户的历史用电数据作为训练样本,其中,所述训练样本为传感器无故障时所述用户的历史用电数据;
降维模块,用于分别对所述测试样本和训练样本采用主成分分析提取特征向量,将所述测试样本的特征向量构建测试样本集,所述训练样本的特征向量构建训练样本集;
极端学习机训练模块,用于将所述训练样本集输入预设极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值;
极端学习机更新模块,用于将所述隐层的输出权值更新到所述极端学习机模型;
故障确定模块,用于将所述测试样本输入更新的所述极端学习模型进行训练,输出发生故障的权值和未发生故障的权值,确定所述用户的电能计量装置中的传感器在所述预设时间段内是否发生故障。
优选地,所述极端学习机训练模块包括:
极端学习机模型建立单元,用于以所述训练样本集的特征向量作为输入节点,以发生故障和未发生故障为输出节点,建立所述极端学习机模型;
训练单元,用于将所述训练样本集输入所述极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值。
优选地,所述训练单元包括:
样本输入子单元,用于预设激活函数和隐层节点数,将所述训练样本集输入所述极端学习机模型;
参数设定子单元,用于设定隐层的输入权值和隐层偏差;
隐层输出函数计算子单元,用于根据所述隐层的输入权值和隐层偏差,计算隐层输出函数;
输出权值计算子单元,用于对所述隐层输出函数求解,得到的最小二乘解作为所述隐层的输出权值。
本发明的实施例提供的技术方案可以包括以下有益效果:
本发明实施例提供一种电能计量装置中传感器故障诊断方法及系统,包括:获取预设时间段内用户的用电数据作为测试样本,所述用户的历史用电数据作为训练样本,其中,所述训练样本为传感器无故障时所述用户的历史用电数据;分别对所述测试样本和训练样本采用主成分分析提取特征向量,将所述测试样本的特征向量构建测试样本集,所述训练样本的特征向量构建训练样本集;将所述训练样本集输入预设极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值;将所述隐层的输出权值更新到所述极端学习机模型;将所述测试样本输入更新的所述极端学习模型进行训练,输出发生故障的权值和未发生故障的权值,确定所述用户的电能计量装置中的传感器在所述预设时间段内是否发生故障。本发明实施例提供的一种电能计量装置中传感器故障诊断方法,利用主成分分析对用户的当前用电数据和历史用电数据进行降维处理,获取测试样本集和训练样本集;利用极端学习机模型将对传感器无故障时所述用户的历史用电数据对应的训练样本集进行训练,获取极端学习机模型中隐层的输出权值;将测试样本集输入极端学习机模型输出传感器是否发生故障的分类结果。本方法利用主成分分析降维处理,降低了测试样本和训练样本的维数,大大降低了极端学习机对电能计量装置中传感器故障分析的计算量;利用极端学习机对电能计量装置中传感器故障进行故障分析,只需一个训练样本进行训练,根据训练结果,对测试样本进行训练,计算工作量小,故障诊断准确。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
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,对于本领域普通技术人员而言,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他的附图。
图1为本发明实施例提供的一种电能计量装置中传感器故障诊断方法的流程示意图;
图2为本发明实施例提供的一种对训练样本集训练的方法流程示意图;
图3为本发明实施例提供的一种电能计量装置中传感器故障诊断系统的结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
本发明实施例提供一种电能计量装置中传感器故障诊断方法,参见图1,包括:
S100:获取预设时间段内用户的用电数据作为测试样本,所述用户的历史用电数据作为训练样本。
在具体实施过程中,通过在各类用电客户或关口安装远程监控终端,通过远程控终端远程实时采集用户的用电数据,通过共用网络或系统专用网络把采集的用户的用电数据传给系统中心服务器,系统中心服务器将所述用电数据发送给电能计量装置中传感器故障系统,所述电能计量装置中传感器故障系统将所述用电数据作为测试样本进行传感器故障诊断。在具体实施过程中,所述用电数据包括峰值有功功率、平值有功功率、谷值有功功率、总无功功率以及总有功功率等,所述预设时间段包括半年、1年、2年等,技术人员可根据实际情况选取任意时间段,在此不做具体限定。
为了分析所述用户的电能计量装置中的传感器是否故障,所述用户的历史用电数据作为训练样本,所述训练样本为传感器无故障时所述用户的历史用电数据,在具体实施过程中,所述用户的历史用电数据包括半年、1年或2年的历史用电数据,技术人员可根据实际情况选取任意时间段,在此不做具体限定。
S200:分别对所述测试样本和训练样本采用主成分分析提取特征向量,将所述测试样本的特征向量构建测试样本集,所述训练样本的特征向量构建训练样本集。
由于获取的用户的用电数据较多,包括峰值有功功率、平值有功功率、谷值有功功率、总无功功率、总有功功率等,由于数据中存在一些冗余数据和噪声,导致在在进行故障诊断时,增加了计算工作量。
本发明实施例中,通过对所述测试样本和训练样本采用主成分分析提取特征向量,将所述测试样本的特征向量构建测试样本集,所述训练样本的特征向量构建训练样本集,去除噪声和冗余数据。
主成分分析降维处理一方面可以有效地找出用户的用电数据中最主要的元素和结构,另外一方面能够去除噪音和冗余数据为后续故障诊断减小计算工作量。其本质是在数据空间的基础上通过构造出一组新的潜隐变量来降低原始数据空间的维数,再抽取出新的映射空间的主要变化,提取出特征向量,由此构成对原始数据空间特性的理解。
S300:将所述训练样本集输入预设极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值。
在具体实施过程中,步骤S300的具体实施方式包括以下步骤:
S310:以所述训练样本集的特征向量作为输入节点,以发生故障和未发生故障为输出节点,建立所述极端学习机模型;
S320:将所述训练样本集输入所述极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值。
在具体实施过程中,参见图2所示,步骤S320的具体实施方式包括以下步骤:
S321:预设激活函数和隐层节点数,将所述训练样本集输入所述极端学习机模型。
在具体实施过程中,对于训练样本(xi,ti),i=1,2,…N,其中xi∈Rn,ti=[ti1,…tim]T∈Rm,在本例中xi表示训练样本集中总的数据,在具体实施过程中,所述用户的历史用电数据包括所述用户两年的用电数据,ti表示发生故障和未发生故障的特征数据。
预设激活函数g(x)和隐层节点数L,在本发明实施例中,预设所述激励函数为g(x)为正弦函数,预设隐层节点数L为8。当然,在具体实施过程中,正弦函数为所述激励函数为g(x)的优选函数,用户可根据实际情况选取其他函数,但是,所选择的激活函数必须满足无穷阶次可微的条件。8为优选隐层节点数,用户可根据实际情况选取任意数字作为隐层节点数,在此不作具体限定。
S322:设定隐层的输入权值和隐层偏差。
在本发明实施例中,设定隐层的输入权值和隐层偏差,具体的,wi=[wi1,wi2,…win]T是连接隐含层第i节点与输入层节点的权值,即隐层的输入权值;bi是隐层第i节点的隐层偏差,在具体实施过程中,隐层的输入权值wi和隐含层节点偏差bi可包括选取任意数字,在此不做具体限定。
S323:根据所述隐层的输入权值和隐层偏差,计算隐层输出函数。
在具体实施过程中,根据步骤S301和步骤S302中的设定,对于训练样本(xi,ti),i=1,2,…N,其中xi∈Rn,ti=[ti1,…tim]T∈Rm,含有L个隐含层节点的极端学习机模型的输出函数为
其中,βi=[βi1,…,βim]T是连接隐层第i节点和输出层节点的权值。
S324:对所述隐层输出函数求解,得到的最小二乘解作为所述隐层的输出权值。
在具体实施过程中,由于i=1,2,…N,式(1)包括N个方程,可以写为矩阵形式:
Hβ=T (2)
其中,
(3)式中,H为神经网络的隐层输出矩阵,H的第i列是相对于输入x1,…,xN的第i个隐含层节点的输出向量,输出权值β=H+T,由β可以得出个各种故障原因的所占比重,达到最终目的最终诊断的方法分类。其中,H+是所述隐层输出矩阵H的穆尔-彭罗斯广义逆矩阵。式(2)的最小二乘解。
在本发明实施例中,利用极端学习机模型进行训练,只需一个训练样本集,即只需传感器无故障时所述用户的历史用电数据作为一个训练样本,对训练样本主成分分析降维处理后进行极端学习机训练,获得极端学习机模型隐层的输出权值。本过程计算工作量小,计算速度快。
S400:将所述隐层的输出权值更新到所述极端学习机模型。
根据步骤S300计算的隐层的输出权值,更新所述极端学习机模型。
S500:将所述测试样本输入更新的所述极端学习模型进行训练,输出发生故障的权值和未发生故障的权值,确定所述用户的电能计量装置中的传感器在所述预设时间段内是否发生故障。
将步骤S200获得的测试样本集输入更新后的极端学习机模型,发生故障和未发生故障作为2个输出节点,进行训练,得出所述测试样本集的最终分类结果,即发生故障的权值和未发生故障的权值,从而确定所述电能计量装置的传感器在预设时间段内是否发生故障。
本发明实施例提供一种电能计量装置中传感器故障诊断方法及系统,包括:获取预设时间段内用户的用电数据作为测试样本,所述用户的历史用电数据作为训练样本,其中,所述训练样本为传感器无故障时所述用户的历史用电数据;分别对所述测试样本和训练样本采用主成分分析提取特征向量,将所述测试样本的特征向量构建测试样本集,所述训练样本的特征向量构建训练样本集;将所述训练样本集输入预设极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值;将所述隐层的输出权值更新到所述极端学习机模型;将所述测试样本输入更新的所述极端学习模型进行训练,输出发生故障的权值和未发生故障的权值,确定所述用户的电能计量装置中的传感器在所述预设时间段内是否发生故障。本发明实施例提供的一种电能计量装置中传感器故障诊断方法,利用主成分分析对用户的当前用电数据和历史用电数据进行降维处理,获取测试样本集和训练样本集;利用极端学习机模型将对传感器无故障时所述用户的历史用电数据对应的训练样本集进行训练,获取极端学习机模型中隐层的输出权值;将测试样本集输入极端学习机模型输出传感器是否发生故障的分类结果。本方法利用主成分分析降维处理,降低了测试样本和训练样本的维数,大大降低了极端学习机对电能计量装置中传感器故障分析的计算量;利用极端学习机对电能计量装置中传感器故障进行故障分析,只需一个训练样本进行训练,根据训练结果,对测试样本进行训练,计算工作量小,故障诊断准确。
基于相同的技术构思,本发明实施例还提供一种电能计量装置中传感器故障诊断系统,参见图3所示,包括:依次连接的样本获取模块100、降维模块200、极端学习机训练模块300、极端学习机更新模块400和故障确定模块500。
所述样本获取模块100,用于获取预设时间段内用户的用电数据作为测试样本,所述用户的历史用电数据作为训练样本,其中,所述训练样本为传感器无故障时所述用户的历史用电数据。
所述降维模块200,用于分别对所述测试样本和训练样本采用主成分分析提取特征向量,将所述测试样本的特征向量构建测试样本集,所述训练样本的特征向量构建训练样本集。
所述极端学习机训练模块300,用于将所述训练样本集输入预设极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值。
在一种可能的实施例中,所述极端学习机训练模块300包括:
极端学习机模型建立单元,用于以所述训练样本集的特征向量作为输入节点,以发生故障和未发生故障为输出节点,建立所述极端学习机模型;
训练单元,用于将所述训练样本集输入所述极端学习机模型进行训练,得到所述极端学习机模型中隐层的输出权值。
在具体实施过程中,所述训练单元包括:
样本输入子单元,用于预设激活函数和隐层节点数,将所述训练样本集输入所述极端学习机模型;
参数设定子单元,用于设定隐层的输入权值和隐层偏差;
隐层输出函数计算子单元,用于根据所述隐层的输入权值和隐层偏差,计算隐层输出函数;
输出权值计算子单元,用于对所述隐层输出函数求解,得到的最小二乘解作为所述隐层的输出权值。
所述极端学习机更新模块400,用于将所述隐层的输出权值更新到所述极端学习机模型。
所述故障确定模块500,用于将所述测试样本输入更新的所述极端学习模型进行训练,输出发生故障的权值和未发生故障的权值,确定所述用户的电能计量装置中的传感器在所述预设时间段内是否发生故障。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。