CN115329565B - 一种用于复杂电磁场环境的综合评价方法及系统 - Google Patents
一种用于复杂电磁场环境的综合评价方法及系统 Download PDFInfo
- Publication number
- CN115329565B CN115329565B CN202210949666.6A CN202210949666A CN115329565B CN 115329565 B CN115329565 B CN 115329565B CN 202210949666 A CN202210949666 A CN 202210949666A CN 115329565 B CN115329565 B CN 115329565B
- Authority
- CN
- China
- Prior art keywords
- electromagnetic field
- complex
- electric energy
- energy meter
- field signal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000005672 electromagnetic field Effects 0.000 title claims abstract description 259
- 238000011156 evaluation Methods 0.000 title claims abstract description 21
- 230000005611 electricity Effects 0.000 claims abstract description 72
- 230000008878 coupling Effects 0.000 claims abstract description 50
- 238000010168 coupling process Methods 0.000 claims abstract description 50
- 238000005859 coupling reaction Methods 0.000 claims abstract description 50
- 238000000034 method Methods 0.000 claims abstract description 25
- 238000012216 screening Methods 0.000 claims abstract description 9
- 238000000354 decomposition reaction Methods 0.000 claims description 43
- 230000008014 freezing Effects 0.000 claims description 19
- 238000007710 freezing Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 14
- 238000005259 measurement Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000004590 computer program Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 5
- 238000003860 storage Methods 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims 2
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 6
- 230000002159 abnormal effect Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 230000002411 adverse Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000003745 diagnosis Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000004075 alteration Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011056 performance test Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种用于复杂电磁场环境的综合评价方法及系统。其中，该方法包括：基于各种已知电磁场信号构建复杂已知电磁场信号特征，并构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征；确定已知耦合关系，根据已知耦合关系构建典型特征数据库；在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建复杂电能表用电信息特征以及复杂电能表工作状态特征；确定复杂耦合关系；将复杂耦合关系与典型特征数据库进行比对筛选，确定出所发生的复杂电磁场环境为哪一种或几种电磁场干扰信号，并记录预警信息。
Description
技术领域
本发明涉及复杂电磁场监测领域，并且更具体地，涉及一种用于复杂电磁场环境的综合评价方法及系统。
背景技术
近年来我国加快了智能电网的建设，智能电能表已在用户中全面普及。因为智能电能表运行过程中容易受到电磁干扰，所以电能表出厂前要进行抗磁场干扰的性能测试，保证其在300mT的恒定磁场环境下仍能正常工作，且电能表在运行过程中也有恒定磁场干扰事件记录。
但是现有的恒定磁场干扰无法对其它复杂电磁场干扰进行区分，在发生其它电磁场干扰后导致恒定磁场干扰事件记录功能误报，在一些不法分子利用强电磁场对电能表进行干扰窃电时，不能起到取证固证的作用。
发明内容
根据本发明，提供了一种用于复杂电磁场环境的综合评价方法及系统，以解决现有的恒定磁场干扰无法对其它复杂电磁场干扰进行区分，在发生其它电磁场干扰后导致恒定磁场干扰事件记录功能误报，在一些不法分子利用强电磁场对电能表进行干扰窃电时，不能起到取证固证的作用的技术问题。
根据本发明的第一个方面，提供了一种用于复杂电磁场环境的综合评价方法，包括：
基于各种已知电磁场信号构建已知电磁场信号特征，并构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征；
确定所述已知电磁场信号特征、已知电能表用电信息特征以及已知电能表工作状态特征的已知耦合关系，根据所述已知耦合关系构建典型特征数据库；
在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征；
确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系；
将所述复杂耦合关系与所述典型特征数据库进行比对筛选，确定出所发生的复杂电磁场环境为哪一种或几种电磁场干扰信号，并记录预警信息。
可选地，基于各种已知电磁场信号构建已知电磁场信号特征，包括：
从时域、频域、能量域对所述已知电磁场信号进行分解，获取已知电磁场信号的时域、频域、能量域信息；
基于所述已知电磁场信号的时域、频域、能量域信息，得到各种不同的已知电磁场信号特征。
可选地，构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征，包括：
对各种不同的已知电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到已知电能表用电信息特征；
提取电表计量误差以及故障信息，得到已知电能表工作状态特征。
可选地，在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征，包括：
在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征；
对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征。
可选地，在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征，包括:
将数据分解为一组动态模式，设每个时间快照的空间测量的数量为N，时间快照数量为M，将时间序列数据排列为N×M的快照：
式中，ti为第i段的起始时间，向量x为N维列向量；
截取X中的一个1×M-1分矩阵，对X1M-1进行奇异值分解：
式中，*代表共轭转置，K为X1M-1的奇异值分解的秩；
计算A的K×K投影：
对A1特征分解：
式中，W的列为特征向量，Ʌ为包含相应特征值λk的对角矩阵；
对所有未来时间的近似分解可表示为：
式中，ζ为空间坐标，wk=ln(λk)/Δt初始系数值bk(0)通过伪逆(等价于最小二乘)的方法求出：
第一轮分解过程如下：
式中，ψk(1)表示从完整的M个快照里计算得到第一个模态，定义XM/2为：
通过对上式的后半部分进行第二轮分解，将XM/2分解为XM/2=X(1)M/2+X(2)M/2，迭代直到完成多分辨率分解。
可选地，对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征，包括：
求相邻周期特征量的差值，对所述差值取绝对值，以所述绝对值平均值作为衡量相邻两周期特征量波形的差异；
根据以下公式，对电能表中的电流进行相邻周期波形差异特性分析：
设每个周期电流的采样点数为N，周期数n，相邻两周期电流采样值分别是ik-1，ik：
电流差值△ik(j)的绝对值在一个周期内的平均值为：
δk反映了相邻两周期电流差异的大小，为避免电流数值对电流偏差的影响，对δk进行归一化：
波形相似度为：
可选地，确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系，包括：
确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系的耦合关系的相关性系数计算式为：
式中，n为样本能量，ρ为相关性系数，x，y为两个变量中对应的元素。
根据本发明的另一个方面，还提供了一种用于复杂电磁场环境的综合评价系统，包括：
构建已知特征模块，用于基于各种已知电磁场信号构建已知电磁场信号特征，并构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征；
构建典型数据库模块，用于确定所述已知电磁场信号特征、已知电能表用电信息特征以及已知电能表工作状态特征的已知耦合关系，根据所述已知耦合关系构建典型特征数据库；
构建复杂特征模块，用于在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征；
确定复杂耦合关系模块，用于确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系；
确定干扰信号模块，用于将所述复杂耦合关系与所述典型特征数据库进行比对筛选，确定出所发生的复杂电磁场环境为哪一种或几种电磁场干扰信号，并记录预警信息。
可选地，构建已知特征模块，包括：
获得已知电磁场信号域信息子模块，用于从时域、频域、能量域对所述已知电磁场信号进行分解，获取已知电磁场信号的时域、频域、能量域信息；
获得已知电磁场信号特征子模块，用于基于所述已知电磁场信号的时域、频域、能量域信息，得到各种不同的已知电磁场信号特征。
可选地，构建已知特征模块，包括：
得到已知电能表用电信息特征子模块，用于对各种不同的已知电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到已知电能表用电信息特征；
得到已知电能表工作状态特征子模块，用于提取电表计量误差以及故障信息，得到已知电能表工作状态特征。
可选地，构建典型数据库模块，包括：
得到复杂电磁场信号特征子模块，用于在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征；
得到复杂电能表特征子模块，用于对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征。
可选地，得到复杂电磁场信号特征子模块，包括:
得到复杂电磁场信号特征单元，用于将数据分解为一组动态模式，设每个时间快照的空间测量的数量为N，时间快照数量为M，将时间序列数据排列为N×M的快照：
式中，ti为第i段的起始时间，向量x为N维列向量；
截取X中的一个1×M-1分矩阵，对X1M-1进行奇异值分解：
式中，*代表共轭转置，K为X1M-1的奇异值分解的秩；
计算A的K×K投影：
对A1特征分解：
式中，W的列为特征向量，Ʌ为包含相应特征值λk的对角矩阵；
对所有未来时间的近似分解可表示为：
式中，ζ为空间坐标，wk=ln(λk)/Δt初始系数值bk(0)通过伪逆(等价于最小二乘)的方法求出：
第一轮分解过程如下：
式中，ψk(1)表示从完整的M个快照里计算得到第一个模态，定义XM/2为：
通过对上式的后半部分进行第二轮分解，将XM/2分解为XM/2=X(1)M/2+X(2)M/2，迭代直到完成多分辨率分解。
可选地，得到复杂电能表特征子模块，包括：
确定特征量波形差异单元，用于求相邻周期特征量的差值，对所述差值取绝对值，以所述绝对值平均值作为衡量相邻两周期特征量波形的差异；
分析电流波形单元，用于根据以下公式，对电能表中的电流进行相邻周期波形差异特性分析：
设每个周期电流的采样点数为N，周期数n，相邻两周期电流采样值分别是ik-1，ik：
电流差值△ik(j)的绝对值在一个周期内的平均值为：
δk反映了相邻两周期电流差异的大小，为避免电流数值对电流偏差的影响，对δk进行归一化：
波形相似度为：
可选地，确定复杂耦合关系模块，包括：
确定复杂耦合关系子模块，用于确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系的耦合关系的相关性系数计算式为：
式中，n为样本能量，ρ为相关性系数，x，y为两个变量中对应的元素。
从而，以快速全面的提取复杂电磁环境信号特征，对信号特征进行分析，按特征划分复杂电磁场环境的类别，筛选有用的干扰事件上报，解决事件误报问题，保证了事件记录的有效性，发生人为异常电磁场冲击窃电行为时可及时固化证据，减少或避免磁场干扰对电能表计量性能的不利影响。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为本实施方式所述的一种用于复杂电磁场环境的综合评价方法的流程示意图；
图2为本实施方式所述的特征间耦合关系的示意图；
图3为本实施方式所述通过分析三类特征数据进行复杂电磁场环境的综合诊断筛选评价的示意图；
图4为本实施方式所述的一种用于复杂电磁场环境的综合评价系统的示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语（包括科技术语）对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
根据本发明的第一个方面，提供了一种用于复杂电磁场环境的综合评价方法100，参考图1所示，该方法100包括：
S101: 基于各种已知电磁场信号构建复杂已知电磁场信号特征，并构建与所述已知电磁场信号对应的已知电能表用电信息特征电能表计量数据特征电能表用电信息特征以及已知电能表工作状态特征；；
S102: 确定所述已知电磁场信号特征、已知电能表用电信息特征以及已知电能表工作状态特征的已知耦合关系，根据所述已知耦合关系构建典型特征数据库；
S103: 在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征；S104: 确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系；
S105: 将所述复杂耦合关系与所述典型特征数据库进行比对筛选，确定出所发生的复杂电磁场环境为哪一种或几种电磁场干扰信号，并记录预警信息。
具体地，对复杂电磁场环境信号进行分解，从时域、频域、能量域对信号进行分解，获取复杂电磁场环境的时域、频域、能量域信息，构建复杂电磁场信号特征；
对电能表中电流、电压、日冻结及电量等用电信息进行相邻周期波形差异特性分析，提取电能表计量误差、故障信息等，构建电能表工作状态特征；
提取恒定磁场、工频磁场、高频电场等不同电磁场发生信号，构建各种电磁场信号特征。
分析电能表用电信息特征、电能表工作状态特征、电磁场信号特征与复杂电磁场信号特征间耦合关系，揭示电能表用电信息特征、电能表工作状态特征、电磁场信号特征与各复杂电磁场信号间的线性、非线性关联特性，消除各特征与复杂电磁场信号间的冗余特征（参考图2所示），针对电能表用电信息（电流、电压、日冻结及电量等）、表计工作状态（计量误差等）以及复杂电磁场的典型特征量三类特征数据，通过分析三类特征数据进行复杂电磁场环境的综合诊断筛选评价（参考图3所示）。具体方法如下：
①将复杂电磁场信号以不同分辨率分离为不同时空尺度的模态分量，利用时频分布对各模态瞬时频率和能量特征进行采集，获得时域、频域、能量域特征。
将数据分解为一组动态模式，设每个时间快照的空间测量的数量为N，时间快照数量为M，首先将时间序列数据排列为N×M的快照：
式中，ti为第i段的起始时间，向量x为N维列向量。
然后截取X中的一个1×M-1分矩阵，对X1M-1进行奇异值分解：
式中，*代表共轭转置，K为X1M-1的奇异值分解的秩。
计算A的K×K投影：
对A1特征分解：
式中，W的列为特征向量，Ʌ为包含相应特征值λk的对角矩阵。
对所有未来时间的近似分解可表示为：
式中，ζ为空间坐标，wk=ln(λk)/Δt初始系数值bk(0)通过伪逆(等价于最小二乘)的方法求出。
第一轮分解过程如下：
式中，ψk(1)表示从完整的M个快照里计算得到第一个模态。定义XM/2为：
通过对上式的后半部分进行第二轮分解，将XM/2分解为XM/2=X(1)M/2+X(2)M/2，迭代直到完成多分辨率分解。
②对电能表各特征量相邻周期波形差异特性进行分析，通过对电能表中电流、电压、日冻结及电量等用电信息分析辅助对复杂电磁场环境的识别。
先求相邻周期特征量的差值，然后对其取绝对值，最后以该值平均值作为衡量相邻两周期特征量波形的差异。如下以电流为例：
设每个周期电流的采样点数为N，周期数n，相邻两周期电流采样值分别是ik-1，ik。
电流差值△ik(j)的绝对值在一个周期内的平均值为：
δk反映了相邻两周期电流差异的大小，为避免电流数值对电流偏差的影响，对δk进行归一化。
波形相似度为：
通过波形相似度可以看出电能表各特征量相邻周期的变化程度，进而反映复杂电磁场脉冲对其的影响。
③即使数据中出现异常值，由于异常值的秩次通常不会有明显变化，对相关性系数的影响很小，得到电能表用电信息特征、电能表工作状态特征、电磁场信号特征与复杂电磁场信号特征间耦合关系，耦合关系的相关性系数计算式为：
式中，n为样本能量，ρ为相关性系数，x，y为两个变量中对应的元素。
通过计算电能表用电信息特征、电能表工作状态特征、电磁场信号特征与各复杂电磁场信号间的相关系数，可有效消除各特征与复杂电磁场冲击场景间的冗余特征。
④针对电能表用电信息（电流、电压、日冻结及电量等）、表计工作状态（计量误差等）以及复杂电磁场的典型特征量三类特征数据，提取能够综合表征三类数据的融合特征，构建三类复杂电磁场环境深层特征的融合层，该融合层能够充分保留原始三类复杂电磁场环境特征信息，通过分析三类特征数据进行复杂电磁场环境的综合诊断筛选评价。
从而，以快速全面的提取复杂电磁环境信号特征，对信号特征进行分析，按特征划分复杂电磁场环境的类别，筛选有用的干扰事件上报，解决事件误报问题，保证了事件记录的有效性，发生人为异常电磁场冲击窃电行为时可及时固化证据，减少或避免磁场干扰对电能表计量性能的不利影响。
可选地，基于各种已知电磁场信号构建已知电磁场信号特征，包括：
从时域、频域、能量域对所述已知电磁场信号进行分解，获取已知电磁场信号的时域、频域、能量域信息；
基于所述已知电磁场信号的时域、频域、能量域信息，得到各种不同的已知电磁场信号特征。
可选地，构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征，包括：
对各种不同的已知电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到已知电能表用电信息特征；
提取电表计量误差以及故障信息，得到已知电能表工作状态特征。
可选地，在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征，包括：
在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征；
对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征。
可选地，在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征，包括:
将数据分解为一组动态模式，设每个时间快照的空间测量的数量为N，时间快照数量为M，将时间序列数据排列为N×M的快照：
式中，ti为第i段的起始时间，向量x为N维列向量；
截取X中的一个1×M-1分矩阵，对X1M-1进行奇异值分解：
式中，*代表共轭转置，K为X1M-1的奇异值分解的秩；
计算A的K×K投影：
对A1特征分解：
式中，W的列为特征向量，Ʌ为包含相应特征值λk的对角矩阵；
对所有未来时间的近似分解可表示为：
式中，ζ为空间坐标，wk=ln(λk)/Δt初始系数值bk(0)通过伪逆(等价于最小二乘)的方法求出：
第一轮分解过程如下：
式中，ψk(1)表示从完整的M个快照里计算得到第一个模态，定义XM/2为：
通过对上式的后半部分进行第二轮分解，将XM/2分解为XM/2=X(1)M/2+X(2)M/2，迭代直到完成多分辨率分解。
可选地，对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征，包括：
求相邻周期特征量的差值，对所述差值取绝对值，以所述绝对值平均值作为衡量相邻两周期特征量波形的差异；
根据以下公式，对电能表中的电流进行相邻周期波形差异特性分析：
设每个周期电流的采样点数为N，周期数n，相邻两周期电流采样值分别是ik-1，ik：
电流差值△ik(j)的绝对值在一个周期内的平均值为：
δk反映了相邻两周期电流差异的大小，为避免电流数值对电流偏差的影响，对δk进行归一化：
波形相似度为：
可选地，确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系，包括：
确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系的耦合关系的相关性系数计算式为：
式中，n为样本能量，ρ为相关性系数，x，y为两个变量中对应的元素。
从而，以快速全面的提取复杂电磁环境信号特征，对信号特征进行分析，按特征划分复杂电磁场环境的类别，筛选有用的干扰事件上报，解决事件误报问题，保证了事件记录的有效性，发生人为异常电磁场冲击窃电行为时可及时固化证据，减少或避免磁场干扰对电能表计量性能的不利影响。
根据本发明的另一个方面，还提供了一种用于复杂电磁场环境的综合评价系统400，参考图4所示，该系统400包括：
构建已知特征模块410，用于基于各种已知电磁场信号构建已知电磁场信号特征，并构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征；
构建典型数据库模块420，用于确定所述已知电磁场信号特征、已知电能表用电信息特征以及已知电能表工作状态特征的已知耦合关系，根据所述已知耦合关系构建典型特征数据库；
构建复杂特征模块430，用于在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征；
确定复杂耦合关系模块440，用于确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系；
确定干扰信号模块450，用于将所述复杂耦合关系与所述典型特征数据库进行比对筛选，确定出所发生的复杂电磁场环境为哪一种或几种电磁场干扰信号，并记录预警信息。
可选地，构建已知特征模块，包括：
获得已知电磁场信号域信息子模块，用于从时域、频域、能量域对所述已知电磁场信号进行分解，获取已知电磁场信号的时域、频域、能量域信息；
获得已知电磁场信号特征子模块，用于基于所述已知电磁场信号的时域、频域、能量域信息，得到各种不同的已知电磁场信号特征。
可选地，构建已知特征模块，包括：
得到已知电能表用电信息特征子模块，用于对各种不同的已知电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到已知电能表用电信息特征；
得到已知电能表工作状态特征子模块，用于提取电表计量误差以及故障信息，得到已知电能表工作状态特征。
可选地，构建典型数据库模块，包括：
得到复杂电磁场信号特征子模块，用于在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征；
得到复杂电能表特征子模块，用于对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征。可选地，得到复杂电磁场信号特征子模块，包括:
得到复杂电磁场信号特征单元，用于将数据分解为一组动态模式，设每个时间快照的空间测量的数量为N，时间快照数量为M，将时间序列数据排列为N×M的快照：
式中，ti为第i段的起始时间，向量x为N维列向量；
截取X中的一个1×M-1分矩阵，对X1M-1进行奇异值分解：
式中，*代表共轭转置，K为X1M-1的奇异值分解的秩；
计算A的K×K投影：
对A1特征分解：
式中，W的列为特征向量，Ʌ为包含相应特征值λk的对角矩阵；
对所有未来时间的近似分解可表示为：
式中，ζ为空间坐标，wk=ln(λk)/Δt初始系数值bk(0)通过伪逆(等价于最小二乘)的方法求出：
第一轮分解过程如下：
式中，ψk(1)表示从完整的M个快照里计算得到第一个模态，定义XM/2为：
通过对上式的后半部分进行第二轮分解，将XM/2分解为XM/2=X(1)M/2+X(2)M/2，迭代直到完成多分辨率分解。
可选地，得到复杂电能表特征子模块，包括：
确定特征量波形差异单元，用于求相邻周期特征量的差值，对所述差值取绝对值，以所述绝对值平均值作为衡量相邻两周期特征量波形的差异；
分析电流波形单元，用于根据以下公式，对电能表中的电流进行相邻周期波形差异特性分析：
设每个周期电流的采样点数为N，周期数n，相邻两周期电流采样值分别是ik-1，ik：
电流差值△ik(j)的绝对值在一个周期内的平均值为：
δk反映了相邻两周期电流差异的大小，为避免电流数值对电流偏差的影响，对δk进行归一化：
波形相似度为：
可选地，确定复杂耦合关系模块，包括：
确定复杂耦合关系子模块，用于确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系的耦合关系的相关性系数计算式为：
式中，n为样本能量，ρ为相关性系数，x，y为两个变量中对应的元素。
本发明的实施例的一种用于复杂电磁场环境的综合评价系统400与本发明的另一个实施例的一种用于复杂电磁场环境的综合评价方法100相对应，在此不再赘述。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。本申请实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
显然，本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样，倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内，则本申请也意图包含这些改动和变型在内。
Claims (9)
1.一种用于复杂电磁场环境的综合评价方法，其特征在于，包括：
基于各种已知电磁场信号构建已知电磁场信号特征，并构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征；
确定所述已知电磁场信号特征、已知电能表用电信息特征以及已知电能表工作状态特征的已知耦合关系，根据所述已知耦合关系构建典型特征数据库；
在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征；
确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系；
将所述复杂耦合关系与所述典型特征数据库进行比对筛选，确定出所发生的复杂电磁场环境为哪一种或几种电磁场干扰信号，并记录预警信息；
在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征，包括：
在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征；
对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征；
在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征，包括:
将数据分解为一组动态模式，设每个时间快照的空间测量的数量为N，时间快照数量为M，将时间序列数据排列为N×M的快照：
X＝[x(t1),x(t2),...,x(tM)]
式中，ti为第i段的起始时间，向量x为N维列向量；
截取X中的一个1×M-1分矩阵，对X1 M-1进行奇异值分解：
式中，*代表共轭转置，K为X1 M-1的奇异值分解的秩；
计算A的K×K投影：
对A1特征分解：
A1W＝WΛ
式中，W的列为特征向量，Λ为包含相应特征值λk的对角矩阵；
对所有未来时间的近似分解可表示为：
式中，ζ为空间坐标，wk＝ln(λk)/Δt初始系数值bk(0)通过伪逆的方法求出：
第一轮分解过程如下：
式中，ψk (1)表示从完整的M个快照里计算得到第一个模态，定义XM/2为：
通过对上式的后半部分进行第二轮分解，将XM/2分解为XM/2＝X(1)M/2+X(2)M/2，迭代直到完成多分辨率分解；
对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征，包括：
求相邻周期特征量的差值，对所述差值取绝对值，以所述绝对值平均值作为衡量相邻两周期特征量波形的差异；
根据以下公式，对电能表中的电流进行相邻周期波形差异特性分析：
设每个周期电流的采样点数为N，周期数n，相邻两周期电流采样值分别是ik-1，ik：
Δik(j)＝ik(j)-ik-1(j),j＝1,2,...,N；k＝2,3,...,n
电流差值△ik(j)的绝对值在一个周期内的平均值为：
δk反映了相邻两周期电流差异的大小，为避免电流数值对电流偏差的影响，对δk进行归一化：
波形相似度为：
2.根据权利要求1所述的方法，其特征在于，基于各种已知电磁场信号构建已知电磁场信号特征，包括：
从时域、频域、能量域对所述已知电磁场信号进行分解，获取已知电磁场信号的时域、频域、能量域信息；
基于所述已知电磁场信号的时域、频域、能量域信息，得到各种不同的已知电磁场信号特征。
3.根据权利要求1所述的方法，其特征在于，构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征，包括：
对各种不同的已知电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到已知电能表用电信息特征；
提取电表计量误差以及故障信息，得到已知电能表工作状态特征。
4.根据权利要求1所述的方法，其特征在于，确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系，包括：
确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系的相关性系数计算式为：
式中，n为样本能量，ρ为相关性系数，x，y为两个变量中对应的元素。
5.一种用于复杂电磁场环境的综合评价系统，其特征在于，包括：
构建已知特征模块，用于基于各种已知电磁场信号构建已知电磁场信号特征，并构建与所述已知电磁场信号对应的已知电能表用电信息特征以及已知电能表工作状态特征；
构建典型数据库模块，用于确定所述已知电磁场信号特征、已知电能表用电信息特征以及已知电能表工作状态特征的已知耦合关系，根据所述已知耦合关系构建典型特征数据库；
构建复杂特征模块，用于在发生复杂电磁场环境干扰时，基于复杂电磁场信号构建复杂电磁场信号特征，并构建与所述复杂电磁场信号对应的复杂电能表用电信息特征以及复杂电能表工作状态特征；
确定复杂耦合关系模块，用于确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系；
确定干扰信号模块，用于将所述复杂耦合关系与所述典型特征数据库进行比对筛选，确定出所发生的复杂电磁场环境为哪一种或几种电磁场干扰信号，并记录预警信息；
构建复杂特征模块，包括：
得到复杂电磁场信号特征子模块，用于在发生复杂电磁场环境干扰时，从时域、频域、能量域对所述复杂电磁场信号进行分解，获取复杂电磁场信号的时域、频域、能量域信息，基于所述复杂电磁场信号的时域、频域、能量域信息，得到复杂电磁场信号特征；
得到复杂电能表特征子模块，用于对所述复杂电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到复杂电能表用电信息特征，并提取电表计量误差以及故障信息，得到复杂电能表工作状态特征；
得到复杂电磁场信号特征子模块，包括:
得到复杂电磁场信号特征单元，用于将数据分解为一组动态模式，设每个时间快照的空间测量的数量为N，时间快照数量为M，将时间序列数据排列为N×M的快照：
X＝[x(t1),x(t2),...,x(tM)]
式中，ti为第i段的起始时间，向量x为N维列向量；
截取X中的一个1×M-1分矩阵，对X1 M-1进行奇异值分解：
式中，*代表共轭转置，K为X1 M-1的奇异值分解的秩；
计算A的K×K投影：
A1＝U*A U＝U*X2 MVΣ-1
对A1特征分解：
A1W＝WΛ
式中，W的列为特征向量，Λ为包含相应特征值λk的对角矩阵；
对所有未来时间的近似分解可表示为：
式中，ζ为空间坐标，wk＝ln(λk)/Δt初始系数值bk(0)通过伪逆(等价于最小二乘)的方法求出：
第一轮分解过程如下：
式中，ψk(1)表示从完整的M个快照里计算得到第一个模态，定义XM/2为：
通过对上式的后半部分进行第二轮分解，将XM/2分解为XM/2＝X(1)M/2+X(2)M/2，迭代直到完成多分辨率分解；
得到复杂电能表特征子模块，包括：
确定特征量波形差异单元，用于求相邻周期特征量的差值，对所述差值取绝对值，以所述绝对值平均值作为衡量相邻两周期特征量波形的差异；
分析电流波形单元，用于根据以下公式，对电能表中的电流进行相邻周期波形差异特性分析：
设每个周期电流的采样点数为N，周期数n，相邻两周期电流采样值分别是ik-1，ik：
Δik(j)＝ik(j)-ik-1(j),j＝1,2,...,N；k＝2,3,...,n
电流差值△ik(j)的绝对值在一个周期内的平均值为：
δk反映了相邻两周期电流差异的大小，为避免电流数值对电流偏差的影响，对δk进行归一化：
波形相似度为：
6.根据权利要求5所述的系统，其特征在于，构建已知特征模块，包括：
获得已知电磁场信号域信息子模块，用于从时域、频域、能量域对所述已知电磁场信号进行分解，获取已知电磁场信号的时域、频域、能量域信息；
获得已知电磁场信号特征子模块，用于基于所述已知电磁场信号的时域、频域、能量域信息，得到各种不同的已知电磁场信号特征。
7.根据权利要求5所述的系统，其特征在于，构建已知特征模块，包括：
得到已知电能表用电信息特征子模块，用于对各种不同的已知电磁场信号干扰状态下电能表中的电流、电压、日冻结及电量用电信息进行相邻周期波形差异特性分析，得到已知电能表用电信息特征；
得到已知电能表工作状态特征子模块，用于提取电表计量误差以及故障信息，得到已知电能表工作状态特征。
8.根据权利要求5所述的系统，其特征在于，确定复杂耦合关系模块，包括：
确定复杂耦合关系子模块，用于确定所述复杂电磁场信号特征、复杂电能表用电信息特征以及复杂电能表工作状态特征的复杂耦合关系的耦合关系的相关性系数计算式为：
式中，n为样本能量，ρ为相关性系数，x，y为两个变量中对应的元素。
9.一种计算机可读存储介质，其特征在于，所述存储介质存储有计算机程序，所述计算机程序用于执行上述权利要求1-4任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210949666.6A CN115329565B (zh) | 2022-08-09 | 2022-08-09 | 一种用于复杂电磁场环境的综合评价方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210949666.6A CN115329565B (zh) | 2022-08-09 | 2022-08-09 | 一种用于复杂电磁场环境的综合评价方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115329565A CN115329565A (zh) | 2022-11-11 |
| CN115329565B true CN115329565B (zh) | 2023-04-07 |
Family
ID=83922225
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210949666.6A Active CN115329565B (zh) | 2022-08-09 | 2022-08-09 | 一种用于复杂电磁场环境的综合评价方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115329565B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117435871B (zh) * | 2023-11-07 | 2024-07-19 | 深圳市赛盛技术有限公司 | 基于磁场分析的设备电磁干扰降低方法、系统及介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101776740A (zh) * | 2010-01-19 | 2010-07-14 | 云南电网公司 | 电能计量自动化仿真实验室 |
| CN111460900A (zh) * | 2020-03-04 | 2020-07-28 | 中国工程物理研究院应用电子学研究所 | 一种复杂电磁环境构建等效性量化评估方法 |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2749729B2 (ja) * | 1991-08-29 | 1998-05-13 | 三菱電機株式会社 | 磁気記録再生回路 |
| CN207780130U (zh) * | 2017-12-06 | 2018-08-28 | 国网重庆市电力公司电力科学研究院 | 一种二次设备的研究系统 |
| CN110018376B (zh) * | 2019-05-08 | 2021-05-28 | 南华大学 | 一种碳纤维复合材料雷电电磁环境测试装置及方法 |
| CN110097297B (zh) * | 2019-05-21 | 2023-08-22 | 国网湖南省电力有限公司 | 一种多维度窃电态势智能感知方法、系统、设备及介质 |
| CN112948744A (zh) * | 2019-11-26 | 2021-06-11 | 上海交通大学 | Rfid非侵入式感知模型构建方法、装置、设备和介质 |
| CN114814397A (zh) * | 2021-09-17 | 2022-07-29 | 中国电力科学研究院有限公司 | 一种用于换流站现场瞬态干扰的监测系统及方法 |
-
2022
- 2022-08-09 CN CN202210949666.6A patent/CN115329565B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101776740A (zh) * | 2010-01-19 | 2010-07-14 | 云南电网公司 | 电能计量自动化仿真实验室 |
| CN111460900A (zh) * | 2020-03-04 | 2020-07-28 | 中国工程物理研究院应用电子学研究所 | 一种复杂电磁环境构建等效性量化评估方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115329565A (zh) | 2022-11-11 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Baraldi et al. | Robust signal reconstruction for condition monitoring of industrial components via a modified Auto Associative Kernel Regression method | |
| Hao et al. | A data-driven multiplicative fault diagnosis approach for automation processes | |
| Harrou et al. | An improved multivariate chart using partial least squares with continuous ranked probability score | |
| Zhao et al. | Statistical analysis and online monitoring for multimode processes with between-mode transitions | |
| EP3438842B1 (en) | Preprocessor and abnormality predictor diagnosis system | |
| CN103824137B (zh) | 一种复杂机械设备多工况故障预测方法 | |
| Li et al. | Fault detection, identification and reconstruction of sensors in nuclear power plant with optimized PCA method | |
| CN113518011B (zh) | 异常检测方法和装置、电子设备及计算机可读存储介质 | |
| CN108549908B (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
| Quiñones-Grueiro et al. | An unsupervised approach to leak detection and location in water distribution networks | |
| Mahan et al. | White Noise Test: detecting autocorrelation and nonstationarities in long time series after ARIMA modeling. | |
| CN115329565B (zh) | 一种用于复杂电磁场环境的综合评价方法及系统 | |
| Chakour et al. | Diagnosis of uncertain nonlinear systems using interval kernel principal components analysis: Application to a weather station | |
| CN111680725A (zh) | 基于重构贡献的气体传感器阵列多故障隔离算法 | |
| CN103927343A (zh) | 一种phm系统诊断与预测能力综合验证方法 | |
| Han et al. | Sensor drift detection based on discrete wavelet transform and grey models | |
| CN115685045A (zh) | 一种电压互感器在线评估方法 | |
| Yi et al. | A local–global transformer for distributed monitoring of multi-unit nonlinear processes | |
| US9535917B1 (en) | Detection of anomalous utility usage | |
| CN114383648A (zh) | 一种温度仪表故障诊断方法及装置 | |
| Hao | Key performance monitoring and diagnosis in industrial automation processes | |
| CN114881160B (zh) | 基于改进dtw距离的航天器异常子模式检测方法及装置 | |
| Upadhyaya et al. | Sensor fault analysis using decision theory and data-driven modeling of pressurized water reactor subsystems | |
| CN116449204B (zh) | 用于对置活塞磁力线性发电机的故障检测方法及相关装置 | |
| Yi et al. | Detection of medium-voltage electricity theft types based on robust regression and convolutional neural network |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |