一种交流6路智能用电监测模块的制作方法

本发明涉及用电监测领域，更具体地说，它涉及一种交流6路智能用电监测模块。

背景技术：

1、用电监测模块用于对电路运行进行监测，以避免电流或电压过高而导致电力系统发生过载、短路、接地等故障。然而，现有技术中的用电监测模块往往不针对电路参数进行估算，也不能对异常数据流进行及时定位，造成用户无法在第一时间得知系统中的异常位置，并无法针对故障位置采取措施，例如降低负载、更换设备等，从而无法保障电力系统的正常运行。

2、由此，本发明提供了一种交流6路智能用电监测模块，改善了上述技术问题。

技术实现思路

1、本发明的目的是提供一种交流6路智能用电监测模块，解决了有技术中的用电监测模块往往不针对电路参数进行估算，也不能对异常数据流进行及时定位，造成用户无法在第一时间得知系统中的异常位置，并无法针对故障位置采取措施，例如降低负载、更换设备等，从而无法保障电力系统的正常运行的技术问题。

2、本发明的上述技术目的是通过以下技术方案得以实现的：一种交流6路智能用电监测模块，包括如下步骤：s1、将粒子群优化算法pso和遗传算法ga串联组合对电路参数进行估算；

3、s2、电力监控系统网络关键节点的识别；

4、s3、通过分析预击穿电压的分量来检测馈线故障。

5、作为本发明的一种优选技术方案，所述pso优化算法和ga优化算法均共享目标函数，所述目标函数fobj的公式如下：

6、fobj＝α×rmscost+β×thdcost，

7、

8、

9、其中表示流经各相电容的电流；x表示a、b和c相；是物理测量的实际电流；电流ic可由电流ix2与ic之差得到；α和β是平衡rms和thd在目标函数中的重要性的权重因子。

10、作为本发明的一种优选技术方案，pso是一种基于迭代种群的优化算法；其中，参数集为：

11、通过以下表达式进行更新：

12、vi，j＝ωt-1vi-1+2r1(pg-pi-1，j)

13、+2r2(pl,i-1，j-pi-1，j)，

14、pi，j＝pi-1，j+vi，j

15、其中j是粒子个数；i代表算法的全局迭代；vi，j是迭代i中第j个粒子的速度；pl,i-1，j是粒子j直到实际迭代的最佳个体结果；pg是算法执行过程中的全局最佳粒子；ωi-1是学习率因子；r1和r2因子设置为0.5。

16、作为本发明的一种优选技术方案，将新的集合进行下一次迭代；在下一次的迭代过程中，pso的收敛可能陷入局部极小值，需要引入适当的扰动以从pg构建新粒子；

17、引入适当的扰动以从pg构建新粒子的过程为：通过使用随机扰动δp对全局最佳粒子pg进行变异来创建新粒子pb；创建新粒子pb的计算公式为：

18、pb＝pg+δp；

19、因此，将目标函数的值与pb和pg进行比较；

20、如果fobj(pb)＜fobj(pg)，则粒子pb给出了比pg更好的估计，集合中最佳的粒子将被代入pg，该集合为：{pg+δp，pg+2δp，pg+4δp，...，pg+2jδp}，其中pg+2jδp表示在搜索边界内，pg+2j+1δp表示在边界外；

21、pg的计算公式为：

22、p＝pg+2rδp

23、其中，r＝0，1，2，...，j。

24、作为本发明的一种优选技术方案，估计参数的过程如下：s51、所有m个粒子随机初始化并生成的参数都在其相应的搜索范围内；

25、s52、使用目标函数fobj对所有粒子进行评估；

26、s53、通过使用创建新粒子函数pb变异最佳粒子生成新粒子；

27、s54、如果满足fobj(pb)＜fobj(pg)条件，则将集合中最好的粒子替换为中最好的粒子；

28、s55、所有粒子都具有由vi，j计算的速度和由pl，i-1，j更新的位置；

29、s56、从s52开始为下一代重复该过程。

30、作为本发明的一种优选技术方案，遗传算法ga使用连续域中的解来进行更准确的参数估计；在每次迭代结束时，选择最好的个体，并在下一步计算中通过它们生成新的解；

31、交叉阶段包括随机选择上一次迭代的两个父代并执行以下表达式来创建新的子代：

32、xi，j＝(1-γ)x1，i+γx2，i

33、其中xi，j代表第i次迭代中的第j个孩子，x1，i和x2，i分别是迭代i的第一个和第二个父代，γ服从正态分布

34、作为本发明的一种优选技术方案，所述电力监控系统网络关键节点的识别过程为：基于dqn算法原理，训练神经网络得到状态和动作的最优映射，得到数据从各监控点到其他监控系统有效节点的最优路径；

35、统计汇总后，使用公式：

36、在等式中，l表示优化函数，j表示路径通畅度，λ表示路径距离，i lil(i)表示包含节点的最优路径数，lil表示所有节点之间的最优路径数；

37、在无向无权网络中，假设agent处于某种状态，进行动作选择时需要考虑的因素是下一状态的度值和接近度；此时，边权等于1，奖励函数如下：

38、

39、度值越大，越接近网络中心的节点被选中的概率越高；相应的训练完成后，这些节点在最优路径中所占的比例会更大；这样，排序结果的重要性就会受到影响；在无向加权网络中，奖励函数矩阵使用公式：

40、

41、当监测点处于某一状态时，选择动作时考虑的因素是下一个状态的边权重和节点强度；计算每个节点的dqnrank值，并根据大小对重要性进行排序。

42、作为本发明的一种优选技术方案，通过有限差分计算得到被测电压dud/dt对数字暂态电压波形ud(t)的导数；然后固定电压导数绝对值最大值的时间tm1；测量到相绝缘击穿前一时刻的时间间隔，即，到前一个模块的最大导数δtprev＝tm1-tmo；如果考虑一次绝缘击穿，则可以接受δtprev＞1ms；如果δtprev<1ms则从处理中排除导数的最大值(相绝缘击穿)；如果时间间隔δtprev超过1ms，即δtprev＞1ms，然后从时刻tm1开始，它们移动到波形ud(t)的开始，平均(积分)时间等于δtu≈(0.025…0.1)t0(t0是指定的频率周期)，即到时间t0＝tm1-δtu；

43、从该时间点到tm1时刻，确定击穿前线对地电压的平均值为：

44、

45、式中ud，k——损坏相上的瞬时线对地电压；是损坏相上的线对地电压采样数；h是采样周期；

46、然后确定平均预击穿电压的符号(ud.av)；从时刻tm1开始，在有限的时间间隔δti内确定平均值：对于出线馈线中记录的zs电流i0的所有波形图：

47、

48、其中是zs当前样本数；是积分时间，等于es中自由充电振荡周期的三分之一；

49、

50、ls.eqv，ltl.eqv分别是电源电气系统和负载以及电力线的等效电感；

51、从所有平均电流中选出两个最大的模块zs电流，并确定它们的符号；

52、zs电流平均值符号(i0.av)与损坏相平均预击穿电压符号重合的馈线，即符号(i0.av)＝符号(ud.av)被认为是损坏的。

53、综上所述，本发明具有以下有益效果：先采用串联的方式将两种优化算法粒子群优化(pso)和遗传算法(ga)进行组合，来对电路参数进行估算；再基于dqn的复杂网络电力监控节点识别方法,对电力系统进行多维监测预警，将异常监测数据提供给人工神经网络进行分析；最后通过分析预击穿电压的分量来检测馈线故障；实现对电路参数进行估算，也能对异常数据流进行及时定位，使得用户能够在第一时间得知系统中的异常位置，从而可以针对故障位置采取措施，保障了电力系统的正常运行。