[發明專利]一種結合電力指紋知識和神經網絡的設備類型識別方法

有效

• 申請號: 202110267278.5
• 申請日: 2021-03-12
• 公開（公告）號: CN113033633B
• 公開（公告）日: 2022-12-09
• 發明（設計）人: 談竹奎;唐賽秋;林呈輝;劉斌;徐長寶;張秋雁;高吉普;王冕;徐玉韜;陳敦輝;王宇;汪明媚;古庭赟;孟令雯;顧威
• 申請（專利權）人: 貴州電網有限責任公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08;G06N5/02
• 代理公司: 貴陽中新專利商標事務所 52100
• 代理人: 胡緒東

1.一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：該方法包括以下步驟：

步驟S1、獲取設備使用時的電壓、電流采樣數據；

步驟S2、設置時間區間，則將步驟S1得到的電壓、電流采樣數據進行切割；

步驟S3、將步驟S2獲得的切割后的電壓、電流采樣數據輸入至訓練好的若干知識提取模型中，得到設備的電力指紋知識點；

步驟S4、將步驟S2獲得的切割后的電壓、電流采樣數據轉換為常用的電氣特征量；

步驟S5、將步驟S3獲得的電力指紋知識點進行編碼，并與步驟S4獲得的電氣特征量進行拼接，得到總特征向量；

步驟S6、將步驟S5獲得的總特征向量輸入至訓練好的神經網絡中，得到設備類型；

步驟S3所述的電力指紋知識點為：電氣外特性和狀態時變特性；電氣外特性的知識提取模型的實現方法如下：

①根據步驟S3得到的電壓諧波U_i和電流諧波I_i計算每一次諧波的阻抗值Z_i：

②計算各次諧波阻抗值的變異系數c_v

其中σ_z為各次諧波阻抗值的標準差，z為各次諧波阻抗值的均值；

③若變異系數大于等于10％，則判斷該設備外特性為非線性，若變異系數小于10％，進入下一步；

④根據步驟S3得到的功率因數cosφ，若功率因數大于等于0.98，則判斷該設備外特性為阻性，若功率因數小于0.98，則判斷該設備外特性為感性。

2.根據權利要求1所述的一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：步驟S1所獲取的電壓、電流采樣數據是采樣頻率大于100Hz的原始采樣數據。

3.根據權利要求1所述的一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：步驟S4所述的常用的電氣特征量為有功功率、無功功率、視在功率、電壓幅值、電流幅值、功率因數、0-31次諧波電流幅值和相位。

4.根據權利要求1所述的一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：電氣外特性為：描述設備在外電路中體現的特性，具體表現為阻性、感性、非線性。

5.根據權利要求1所述的一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：狀態時變特性為：描述設備在工作時電氣特征量是否趨于穩定。

6.根據權利要求1所述的一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：步驟S5所述的編碼方法采用獨熱碼、順序編碼或其他任意編碼方式。

7.根據權利要求1所述的一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：步驟S6所述的神經網絡訓練方法為：預先采集部分設備的電壓、電流數據，并經過步驟S2～S5得到總特征向量數據，最后輸入至神經網絡中進行反饋訓練，直至神經網絡能夠準確識別95％的訓練設備即可。

8.根據權利要求1所述的一種結合電力指紋知識和神經網絡的設備類型識別方法，其特征在于：神經網絡模型參數設置為：網絡層數為3層，每層神經元數分別為52，20，10，層與層之間采用全連接方式，神經元激活函數設置為sigmoid函數。