本發(fā)明涉及電能質(zhì)量自動化檢測，具體涉及一種電能質(zhì)量智能監(jiān)測方法、裝置及其物聯(lián)網(wǎng)監(jiān)測系統(tǒng)。

背景技術(shù)：

1、隨著智能電力系統(tǒng)的不斷發(fā)展，清潔能源并網(wǎng)、非線性負荷用電在產(chǎn)生大量諧波，對電網(wǎng)電能質(zhì)量造成較大影響，直接影響電網(wǎng)運行安全、企業(yè)的正常生產(chǎn)和造成大量經(jīng)濟損失。

2、隨著人傳感器技術(shù)、人工智能、物聯(lián)網(wǎng)和大數(shù)據(jù)科學(xué)技術(shù)的飛速發(fā)展，電力系統(tǒng)自動化技術(shù)得到了廣泛應(yīng)用，顯著提升了電力系統(tǒng)的運行效率和穩(wěn)定性。電力系統(tǒng)是國民經(jīng)濟的重要支柱，其穩(wěn)定運行對保障國民經(jīng)濟的穩(wěn)定發(fā)展具有重要意義。電能質(zhì)量作為評價電力系統(tǒng)運行狀況的重要指標，其監(jiān)測與控制是保障電力系統(tǒng)正常運行的關(guān)鍵環(huán)節(jié)。隨著電力市場的逐步開放和電力系統(tǒng)的不斷優(yōu)化，電能質(zhì)量問題也日益突出，成為影響電力系統(tǒng)穩(wěn)定運行的重要因素。

3、而電能質(zhì)量監(jiān)測離不開電流傳感器檢測的數(shù)據(jù)，在電網(wǎng)運行過程電流的測量受噪聲、誤差等諸多因素影響，導(dǎo)致變量數(shù)據(jù)非線性、非平穩(wěn)性嚴重，如果電流數(shù)據(jù)不加以處理，會導(dǎo)致模型輸入無效信息，從而使得模型無法有效擬合出輸入、輸出間的非線性關(guān)系，從而會影響電能質(zhì)量監(jiān)測結(jié)果。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：針對如何提高電能質(zhì)量管理的效率與質(zhì)量、電能質(zhì)量監(jiān)測分析的準確性，進一步找出擾動原因并減輕干擾影響，幫助供用電部門在規(guī)劃中改善供用電系統(tǒng)結(jié)構(gòu)，本發(fā)明公開了一種電能質(zhì)量智能監(jiān)測方法、裝置及其物聯(lián)網(wǎng)監(jiān)測系統(tǒng)，提高供用電系統(tǒng)運行的穩(wěn)定性。

2、技術(shù)方案：本發(fā)明公開一種電能質(zhì)量智能監(jiān)測方法，包括如下步驟：

3、步驟1：在線路上設(shè)置多個電流傳感器，構(gòu)建電流檢測處理模塊，用于根據(jù)獲取的多個電流傳感器檢測值，分別經(jīng)過處理后輸出每個電流傳感器的預(yù)測值；

4、步驟2：構(gòu)建電能質(zhì)量預(yù)測模型，包括電流傳感器1～n、電流檢測處理模塊1～n、propht模型-bitcn神經(jīng)網(wǎng)絡(luò)模型2、propht模型-bilstm神經(jīng)網(wǎng)絡(luò)模型2、bitcn神經(jīng)網(wǎng)絡(luò)模型-bilstm神經(jīng)網(wǎng)絡(luò)模型、gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型2和gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型3-4；

5、電流傳感器1～n分別與電流檢測處理模塊1～n對應(yīng)連接，電流檢測處理模塊1～n輸出每個電流傳感器的預(yù)測值，作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型3的輸入，gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型3輸出分別作為propht模型-bitcn神經(jīng)網(wǎng)絡(luò)模型2、propht模型-bilstm神經(jīng)網(wǎng)絡(luò)模型2、gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型2、gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型4和bitcn神經(jīng)網(wǎng)絡(luò)模型-bilstm神經(jīng)網(wǎng)絡(luò)模型的輸入，propht模型-bitcn神經(jīng)網(wǎng)絡(luò)模型2輸出和propht模型-bilstm神經(jīng)網(wǎng)絡(luò)模型2輸出作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型2的輸入，gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型2輸出和bitcn神經(jīng)網(wǎng)絡(luò)模型-bilstm神經(jīng)網(wǎng)絡(luò)模型輸出分別作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型4的輸入，gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型4輸出分別作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型2、bitcn神經(jīng)網(wǎng)絡(luò)模型-bilstm神經(jīng)網(wǎng)絡(luò)模型和gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型3的輸入；

6、步驟3：gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型4輸出的三參數(shù)為<a,b,c>把電網(wǎng)的電能質(zhì)量分為很好、好、比較好、差和很差5個質(zhì)量等級，得到最終的電能質(zhì)量智能監(jiān)測結(jié)果。

7、進一步地，所述電流檢測處理模塊包括ceem?dan分解模型、vmd模型1-k，bilstm神經(jīng)網(wǎng)絡(luò)模型1-k，propht模型-bitcn神經(jīng)網(wǎng)絡(luò)模型1、bitcn神經(jīng)網(wǎng)絡(luò)模型、bitcn神經(jīng)網(wǎng)絡(luò)模型-xgboost模型、propht模型-bilstm神經(jīng)網(wǎng)絡(luò)模型1、bilstm神經(jīng)網(wǎng)絡(luò)模型-xgboost模型、gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型1和gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型1-2；

8、電流傳感器輸出值分別作為ceemdan分解模型、propht模型-bitcn神經(jīng)網(wǎng)絡(luò)模型1和propht模型-bilstm神經(jīng)網(wǎng)絡(luò)模型1的輸入，ceemdan分解模型輸出的多個不同頻率分量imf1-k分別作為vmd模型1-k的輸入和bitcn神經(jīng)網(wǎng)絡(luò)模型的輸入，vmd模型1-k的輸出分別作為對應(yīng)的bilstm神經(jīng)網(wǎng)絡(luò)模型1-k的輸入，bilstm神經(jīng)網(wǎng)絡(luò)模型1-k的輸出作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型1和bilstm神經(jīng)網(wǎng)絡(luò)模型-xgboost模型的輸入，bitcn神經(jīng)網(wǎng)絡(luò)模型輸出作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型1的輸入和bitcn神經(jīng)網(wǎng)絡(luò)模型-xgboost模型的輸入，propht模型-bitcn神經(jīng)網(wǎng)絡(luò)模型1輸出和propht模型-bilstm神經(jīng)網(wǎng)絡(luò)模型1輸出分別作為bitcn神經(jīng)網(wǎng)絡(luò)模型-xgboost模型、bilstm神經(jīng)網(wǎng)絡(luò)模型-xgboost模型和gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型1的輸入，bitcn神經(jīng)網(wǎng)絡(luò)模型-xgboost模型輸出和bilstm神經(jīng)網(wǎng)絡(luò)模型-xgboost模型輸出分別作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型1-2的輸入，gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型1輸出分別作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型1-2的輸入，gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型1的輸出作為gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型2的輸入；

9、gcn圖神經(jīng)網(wǎng)絡(luò)模型-propht模型1和gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型1-2的輸出值分別為x、y和z構(gòu)成三參數(shù)為<x,y,z>作為參數(shù)傳感器的預(yù)測值。

10、進一步地，所述步驟3中電能質(zhì)量等級與三參數(shù)<a,b,c>的對應(yīng)關(guān)系為：

11、 序號 電能質(zhì)量等級 三參數(shù) 1 很好 <0.7，0.8，0.9> 2 好 <0.6，0.7，0.8> 3 比較好 <0.5，0.6，0.7> 4 差 <0.4，0.5，0.6> 5 很差 <0.3，0.4，0.5>

12、。

13、本發(fā)明還公開一種電能質(zhì)量物聯(lián)網(wǎng)監(jiān)測裝置，包括存儲器和處理器，所述的存儲器中存儲有計算機程序，當所述的計算機程序被處理器執(zhí)行時，實現(xiàn)上述電能質(zhì)量智能監(jiān)測方法。

14、本發(fā)明還公開一種電能質(zhì)量物聯(lián)網(wǎng)監(jiān)測系統(tǒng)，包括電網(wǎng)參數(shù)采集端1～n、電網(wǎng)參數(shù)集中器以及電網(wǎng)質(zhì)量監(jiān)測物聯(lián)網(wǎng)云平臺，所述電網(wǎng)參數(shù)采集端1～n采集電網(wǎng)參數(shù)，通過lora通信模塊上傳電網(wǎng)參數(shù)集中器，電網(wǎng)參數(shù)集中器通過4g通信模塊將電網(wǎng)參數(shù)上傳電網(wǎng)質(zhì)量監(jiān)測物聯(lián)網(wǎng)云平臺，電網(wǎng)質(zhì)量監(jiān)測物聯(lián)網(wǎng)云平臺對獲取的電網(wǎng)參數(shù)做如上所述的電能質(zhì)量智能監(jiān)測方法，實現(xiàn)電網(wǎng)參數(shù)大數(shù)據(jù)處理與存儲。

15、優(yōu)選地，還包括電能質(zhì)量監(jiān)測應(yīng)用端，用戶應(yīng)用電能質(zhì)量監(jiān)測應(yīng)用端通過5g網(wǎng)訪問電網(wǎng)質(zhì)量監(jiān)測物聯(lián)網(wǎng)云平臺對電網(wǎng)參數(shù)信息進行實時監(jiān)測與預(yù)警。

16、優(yōu)選地，所述電能質(zhì)量監(jiān)測應(yīng)用端采用計算機或者手機app。

17、優(yōu)選地，所述電網(wǎng)參數(shù)采集端1～n包括stm32微處理器、lora通信模塊、電壓與電流傳感器、專用電能芯片、舞動傳感器、傾斜傳感器、溫度傳感器、存儲器和rs485通信口；電壓與電流傳感器輸出作為專用電能芯片輸入，專用電能芯片為rn8302b，采集電網(wǎng)的電壓與電流有效值、頻率、有功功率、無功功率、視在功率和功率因素，所述stm32微處理器與所述lora通信模塊、舞動傳感器、傾斜傳感器、溫度傳感器、存儲器和rs485通信口連接。電能質(zhì)量物聯(lián)網(wǎng)監(jiān)測系統(tǒng)結(jié)構(gòu)見圖3所示。

18、與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點在于：

19、1、本發(fā)明在電網(wǎng)運行過程電流的測量受噪聲、誤差等諸多因素影響，導(dǎo)致變量數(shù)據(jù)非線性、非平穩(wěn)性嚴重，如果電流數(shù)據(jù)不加以處理直接構(gòu)建預(yù)測模型，會導(dǎo)致模型輸入無效信息，從而使得模型無法有效擬合出輸入、輸出間的非線性關(guān)系。ceemdan分解模型和vmd模型能夠有效降低原始電流數(shù)據(jù)的非平穩(wěn)性和非線性，并且能夠?qū)㈦娏鞲哳l噪聲剝離，實現(xiàn)電流時間序列值濾波，同時分解出的各電流子序列分量包含原電流時間序列值的不同頻率的特征，也實現(xiàn)了對電流時間序列值的特征值提取。本發(fā)明應(yīng)用ceemdan分解模型(自適應(yīng)噪聲完全集合經(jīng)驗?zāi)B(tài)分解模型)對電流時間序列值進行一次分解得到電流子時間序列除包含噪聲等因素外，也包含部分表征信號特征的高頻成分，采用vmd模型對電流子時間序列進行二次分解可以挖掘出電網(wǎng)電流的更多深層的時頻信息來提升模型預(yù)測精度。采用vmd模型對電流子時間序列進行二次分解預(yù)測能更好的幫助預(yù)測模型利用特征信息擬合輸入、輸出非線性關(guān)系，二次分解技術(shù)能有效提取變量深層時頻信息，充分降低變量的非平穩(wěn)性、非線性，從而幫助模型提高了預(yù)測性能。

20、2、考慮弱學(xué)習(xí)器gcn圖神經(jīng)網(wǎng)絡(luò)模型、bitcn神經(jīng)網(wǎng)絡(luò)模型、bilstm神經(jīng)網(wǎng)絡(luò)模型分別與xgboost模型的組合，獲得更具備顯著泛化能力的強學(xué)習(xí)器，使預(yù)測誤差更小，解決了電流時間序列值波動大且波動頻率高的問題，與其他預(yù)測模型相比，gcn圖神經(jīng)網(wǎng)絡(luò)模型-xgboost模型、bitcn神經(jīng)網(wǎng)絡(luò)模型-xgboost模型和bilstm神經(jīng)網(wǎng)絡(luò)模型-xgboost模型在電流時間序列值預(yù)測中均方根誤差小，預(yù)測結(jié)果精度高，具有較好的實用價值。

21、3、xgboost模型是通過特征分裂添加多個回歸樹模型，回歸樹通過劃分特征空間，不同空間分別對應(yīng)電流時間序列值預(yù)測結(jié)果，通過不斷的訓(xùn)練電流時間序列值預(yù)測樹模型并擬合多顆樹模型預(yù)測殘差，逐步減少之前預(yù)測誤差，即通過多顆回歸樹的集成電流時間序列預(yù)測模型進行決策，進而減少電流時間序列預(yù)測回歸誤差，提升xgboost模型的預(yù)測效果。

22、4、bitcn神經(jīng)網(wǎng)絡(luò)模型采用2個相反的tcn神經(jīng)網(wǎng)絡(luò)模型實現(xiàn)對電流時間序列值的特征信息雙向提取，正向tcn神經(jīng)網(wǎng)絡(luò)模型使用電流時間序列歷史信息值的作為輸入，反向tcn神經(jīng)網(wǎng)絡(luò)模型使用電流時間序列未來信息作為輸入，雙向tcn神經(jīng)網(wǎng)絡(luò)模型從兩個方向提升電流時間序列信息的特征融合效果，兼顧電流時間序列信息值雙向時序關(guān)聯(lián)方面的特性，將tcn神經(jīng)網(wǎng)絡(luò)模型構(gòu)建成前向網(wǎng)絡(luò)和反向網(wǎng)絡(luò)，提高預(yù)測電流時間序列值的準確性和可靠性。

23、5、gcn圖神經(jīng)網(wǎng)絡(luò)模型將多種輸入的電流時間序列值轉(zhuǎn)換為圖結(jié)構(gòu)后，利用gcn圖神經(jīng)網(wǎng)絡(luò)模型能夠捕獲電流時間序列值信息之間關(guān)系的特性，由gcn圖神經(jīng)網(wǎng)絡(luò)模型提取隱藏在電流時間序列值信息之間的電流變化信息，提高電流時間序列值預(yù)測的準確性、魯棒性和可靠性。