[发明专利]一种基于电力数据采集的高精度误差检测方法及系统

说明书

本发明涉及一种基于电力数据采集的高精度误差检测方法和系统，其方法包括：获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列;利用目标识别网络和训练完成的基于注意力机制的双向GRU分别识别待测电力数据的差分波形及其对应的压缩序列；根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。本发明结合了目标识别网络和GRU分别识别电力数据的差分波形及感知压缩序列，在提高电力高精度误差检测的准确性和通用性。

技术领域

本发明属于电力数据处理领域，具体涉及基于电力数据采集的高精度误差检测方法及系统。

背景技术

电力数据通常包括各种电力设备在运行中的电压值、电流值及其变化值，而电力扰动则反映了源-网-荷侧的各类扰动，例如，电源侧新能源并网由于其间歇性或电力电子设备的开断特性容易造成电力扰动，雷击等气象因素也是造成电力扰动的常见原因；电网侧发生的各类电网故障以及变压器、电容器等设备异常运行也会造成监测数据中出现相应的波形畸变；用户侧敏感设备故障以及负荷的动态用电行为同样会产生电力扰动。这些扰动，其本质均是电压、电流发生畸变、偏离期望值的现象或事件。消除或检测这些扰动，对于提高电力数据采集的精度具有重要意义。

经过研究发现，电力系统在运行过程中还存在一系列扰动特征不明显的微弱扰动，这些扰动很难通过传统的信号处理方法提取特征，然后基于确定性的判据准确检测到。检测的难点在于扰动波形的形式种类众多，需要从微弱扰动的波形数据中提取可用于检测的隐藏特征。尤其是，一些微弱地、连续有多个周期具有相似波形特征的扰动，容易被检测为多个扰动事件对待。

电力扰动数据中蕴含着丰富的设备运行状态信息，对电力扰动的准确检测和辨识，不仅可以改善和提高电能质量，还可为设备维护提供决策支持，提高供电可靠性与经济性。因此，对电力扰动数据进行准确的检测具有重要的意义。目前，电力扰动的检测方法主要基于信号处理方法（小波变换、傅里叶变换）提取特征信号特征，然后基于提取到的特征量得到对应的检测判据。

而在深度学习领域，每一种信息的来源或者形式，都可以称为一种模态。例如，人有触觉，听觉，视觉，嗅觉；信息的媒介，有语音、视频、文字等；多种多样的传感器，如雷达、红外、加速度计等。以上的每一种都可以称为一种模态。随着多模态学习（MultiModalMachine Learning，MMML)的兴起和发展，利用多种角度或方式理解或学习信息(信号)的内在特征，但将其应用于信号检测或处理领域比较少见。

注意力模型最近几年在深度学习各个领域被广泛使用，无论是图像处理、语音识别还是自然语言处理的各种不同类型的任务中。深度学习中的注意力机制从本质上讲和人类的选择性视觉注意力机制类似，核心目标也是从众多信息中选择出对当前任务目标更关键的信息。

发明内容

为解决提高电力扰动的检测准确性和通用性，在本发明的第一方面提供了一种基于电力数据采集的高精度误差检测方法，包括：获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形；根据预设的测量矩阵对每个差分波形进行压缩采样，得到每个差分波形的压缩序列;利用目标识别网络和训练完成的基于注意力机制的双向GRU分别识别待测电力数据的差分波形及其对应的压缩序列；根据识别出的差分波形及其对应的压缩序列的类别实时判断待测电力数据中是否存在高精度误差。

在本发明的一些实施例中，所述获取待测电力数据的波形图，将每个采样周期的波形图与其邻近一个或多个周期的波形图进行比较，得到每个采样周期的波形图的一个或多个差分波形包括如下步骤：利用窗函数将差分波形均匀分割成多个分帧，并计算每个分帧内的差分波形的有效值：若所述差分波形的有效值低于第一阈值，则忽略该差分波形；若所述差分波形的有效值高于或等于第一阈值，则对所述差分波形进行傅里叶变换，记录并保存其对应的基波频率和谐波频率。