CN107966638B - 校正误差的方法和装置、存储介质及处理器 - Google Patents
校正误差的方法和装置、存储介质及处理器 Download PDFInfo
- Publication number
- CN107966638B CN107966638B CN201711484714.4A CN201711484714A CN107966638B CN 107966638 B CN107966638 B CN 107966638B CN 201711484714 A CN201711484714 A CN 201711484714A CN 107966638 B CN107966638 B CN 107966638B
- Authority
- CN
- China
- Prior art keywords
- value
- radial distance
- azimuth angle
- measured value
- error
- 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
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000036961 partial effect Effects 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims abstract description 25
- 238000010801 machine learning Methods 0.000 claims abstract description 13
- 230000006870 function Effects 0.000 claims description 77
- 238000005259 measurement Methods 0.000 claims description 74
- 238000013528 artificial neural network Methods 0.000 claims description 39
- 238000012937 correction Methods 0.000 claims description 21
- 238000004088 simulation Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 description 16
- 210000002569 neuron Anatomy 0.000 description 14
- 238000012545 processing Methods 0.000 description 8
- 230000000875 corresponding effect Effects 0.000 description 7
- 238000002474 experimental method Methods 0.000 description 7
- 238000013507 mapping Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 238000009413 insulation Methods 0.000 description 4
- 238000009825 accumulation Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000002829 reductive effect Effects 0.000 description 3
- 230000035945 sensitivity Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005034 decoration Methods 0.000 description 2
- 230000006866 deterioration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000004744 fabric Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008844 regulatory mechanism Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/12—Testing dielectric strength or breakdown voltage ; Testing or monitoring effectiveness or level of insulation, e.g. of a cable or of an apparatus, for example using partial discharge measurements; Electrostatic testing
-
- 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
- G01R35/005—Calibrating; Standards or reference devices, e.g. voltage or resistance standards, "golden" references
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Position Fixing By Use Of Radio Waves (AREA)
Abstract
本发明公开了一种校正误差的方法和装置、存储介质及处理器。其中，该方法包括：获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；依据上述误差值对上述测量值进行校正。本发明解决了现有技术中无法对局部放电定位的误差进行校正，导致时延估计的精度较低的技术问题。
Description
技术领域
本发明涉及电力故障处理领域，具体而言，涉及一种校正误差的方法和装置、存储介质及处理器。
背景技术
局部放电(Partial Discharge)是电力设备绝缘性能劣化的表现形式，又是绝缘性能进一步劣化的原因。对局部放电信号进行监测是及时发现设备绝缘缺陷，预防绝缘击穿故障的重要手段。特高频电磁波定位法因其具有全站局放定位、灵敏度高且适合在线监测的特点，成为了最有发展潜力的全站局放定位方法。
近些年，UHF传感器阵列的局放定位方法(简称UHF法)引起了国内外学者的广泛研究，研究结果表明，时延估计是UHF法进行局放定位的关键，现行的主要的时延估计算法有阈值法、相关估计法、及能量累积法。但是，UHF法因自身的局限性而产生定位误差，进行局放定位的精度较低。实验发现，定位误差的大小都具有随着局放源距离的增加而增加的特点，且定位误差的增加与局放源距离的增加呈非线性关系。因此，需要对特高频局部放电定位误差进行校正，以提高时延估计的精度。
但是，目前提高时延估计精度的方法，一是硬件上采用性能更好的天线阵列和采样率更高的示波器，二是从软件上改进时延估计的算法。硬件性能上的提升无疑会大大增加产品的费用，性价比低，学者们通常从改进软件上入手，目前常用的时延估计算法有阈值法、广义相关法和能量累积法。阈值法和能量累积法对信号的信噪比要求较高；相关估计法要求信号与噪声、噪声与噪声互不相关，对于非平稳信号的时延估计能力较差，改进的相关估计法即广义加权相关估计法，该算法需要事先知道噪声信号的统计先验知识，受噪声信号的影响仍然较大。然而变电站现场电磁干扰源众多，采集到的电磁波信号的信噪比不高，降噪算法很难消除噪声干扰，现有的时延估计算法对噪声信号较为敏感，因而导致时延估计精度不高。
针对上述现有技术中无法对局部放电定位的误差进行校正，导致时延估计的精度较低的问题，目前尚未提出有效的解决方案。
发明内容
本发明实施例提供了一种校正误差的方法和装置、存储介质及处理器，以至少解决现有技术中无法对局部放电定位的误差进行校正，导致时延估计的精度较低的技术问题。
根据本发明实施例的一个方面，提供了一种校正误差的方法，包括：获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；依据上述误差值对上述测量值进行校正。
进一步地，获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度包括：确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；通过定位上述至少一个测量点的坐标位置，得到上述局部放电源的测量值，其中，上述测量值至少包括：径向距离和方位角度。
进一步地，至少通过如下方式确定上述第一模型：基于BP神经网络，确定上述误差值与上述测量值的径向距离和方位角度的关系公式：
其中，△R为上述误差值，r为上述测量值的径向距离，θ为上述测量值的方位角度；将上述关系公式作为上述第一模型。
进一步地，依据上述误差值对上述测量值进行校正包括：依据上述误差值确定上述测量值的补偿函数，其中，上述误差值根据上述测量值与预定标准值确定，上述补偿函数通过如下公式计算得到：
r′为上述预定标准值的径向距离；θ′为上述预定标准值的方位角度；上述补偿函数至少包括：上述测量值的径向距离的补偿函数，上述测量值的方位角度的补偿函数；△r＝k1(r,θ)为上述测量值的径向距离的补偿函数；△θ＝k2(r,θ)为上述测量值的方位角度的补偿函数，k1和k2为常数；采用上述补偿函数对上述测量值进行校正。
根据本发明实施例的另一方面，还提供了一种校正误差的装置，包括：获取模块，用于获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；分析模块，用于使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；校正模块，用于依据上述误差值对上述测量值进行校正。
进一步地，上述获取模块包括：确定子模块，用于确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；定位子模块，用于通过定位上述至少一个测量点的坐标位置，得到上述局部放电源的测量值，其中，上述测量值至少包括：径向距离和方位角度。
进一步地，至少通过如下模块确定上述第一模型：第一确定模块，用于基于BP神经网络，确定上述误差值与上述测量值的径向距离和方位角度的关系公式：
其中，△R为上述误差值，r为上述测量值的径向距离，θ为上述测量值的方位角度；第二确定模块，用于将上述关系公式作为上述第一模型。
进一步地，上述校正模块包括：补偿确定子模块，用于依据上述误差值确定上述测量值的补偿函数，其中，上述误差值根据上述测量值与预定标准值确定，上述补偿函数通过如下公式计算得到：
r′为上述预定标准值的径向距离；θ′为上述预定标准值的方位角度；上述补偿函数至少包括：上述测量值的径向距离的补偿函数，上述测量值的方位角度的补偿函数；△r＝k1(r,θ)为上述测量值的径向距离的补偿函数；△θ＝k2(r,θ)为上述测量值的方位角度的补偿函数，k1和k2为常数；校正子模块，用于采用上述补偿函数对上述测量值进行校正。
根据本发明实施例的另一方面，还提供了一种存储介质，上述存储介质包括存储的程序，其中，上述程序执行任意一项上述的校正误差的方法。
根据本发明实施例的又一方面，还提供了一种处理器，上述处理器用于运行程序，其中，上述程序运行时执行任意一项上述的校正误差的方法。
在本发明实施例中，通过获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；依据上述误差值对上述测量值进行校正，达到了有效对局部放电定位的误差进行校正的目的，从而实现了提高时延估计的精度的技术效果，进而解决了现有技术中无法对局部放电定位的误差进行校正，导致时延估计的精度较低的技术问题。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1是根据本发明实施例的一种BP神经网络模型的示意图；
图2是根据本发明实施例的一种校正误差的方法的步骤流程图；
图3是根据本发明实施例的一种可选的校正误差的方法的步骤流程图；
图4a是根据本发明实施例的一种可选的基于实际坐标进行标定的标定点位置示意图；
图4b是根据本发明实施例的一种可选的进行样条插值后的标定点位置示意图；
图5是根据本发明实施例的一种可选的基于三次样条插值法的拟合曲线图；
图6a是根据本发明实施例的一种可选的进行样条插值后的径向距离的定位误差随r的变化关系图；
图6b是根据本发明实施例的一种可选的进行样条插值后的方位角度的定位误差值随r的变化关系图；
图7a是根据本发明实施例的一种可选的径向距离r的测量误差在校正前和校正后随r的变化规律图；
图7b是根据本发明实施例的一种可选的方位角度θ的测量误差在校正前和校正后随r的变化规律图；以及
图8是根据本发明实施例的一种校正误差的装置的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
首先，为方便理解本发明实施例，下面将对本发明中所涉及的部分术语或名词进行解释说明：
BP神经网络：是指一种采用误差反向传播算法(Error Back-propagationAlgorithm，BP)的多层人工神经网络。
实施例1
根据本发明实施例，提供了一种校正误差的方法实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
需要说明的是，在介绍本申请各个可选或优选的实施例之前，可以先将BP神经网络基本原理进行阐明：
BP神经网络是包含有多个隐含层的网络，具备处理线性不可分问题的能力，通过信号的正向传播和误差的反向调节机制实现对未知系统的学习，它的特点是具有强大的非线性映射能力，能够以任意精度逼近任意连续的非线性函数，这就是已被证明的万能逼近定理。同时具有较强的容错能力，且对不确定的复杂问题具有自学习和自适应能力，这为BP神经网络在非线性系统中的应用奠定了基础。
在一种可选的实施例中，BP神经网络的网络结构如图1所示,对于一个有N个输入节点(X1，X2，X3...XN)，隐含层有q个神经元(对应的输出为P1，P2，P3...Pq)，L个输出节点(对应的输出为y1，y2，y3...yL)的BP神经网络，网络的输入输出关系为：
其中，θ为理想的输出，ω为对应的权值系数。
BP神经网络的应用需要注意如下几个问题：
(1)确定网络层数：BP神经网络由输入层---隐含层---输出层组成，其中，隐含层的数目是可以调节的，理论上已经证明，任意闭区间的连续函数都可以通过单个隐含层的BP神经网络逼近，因此，在大部分的应用场景下，单个隐含层网络通过调节隐含层神经元的个数，即可实现其强大的非线性映射功能。
(2)确定输入节点数：输入节点数取决于输入向量的维数。本系统输入向量由径向距离误差值Δr和方向角误差值Δθ组成，故输入节点数为2。
(3)确定隐含层节点数:在网络层数已经确定的情况下，BP神经网络的性能很大程度上取决于隐含层神经元的个数，隐含层神经元个数的选择是一个非常重要且复杂的问题，目前并没有明确的解析式来确定一个最优的隐含层神经元节点个数，通常依据以下三个参考公式确定大概的隐含层节点数目：
1)M＝log2n，n是输入节点的个数。
2)
其中n是输入层节点个数，K为样本数，M是隐含层节点个数。规定i>M时，CMi＝0。
3)
其中a是[0,10]之间的常数，n为输入层神经元个数，m是输出层神经元个数。
(4)确定输出层神经元个数:输出层神经元的个数要依据实际解决的问题而定，本发明是做非线性映射处理，每一个径向距离和方向角都唯一映射一个误差值，故本发明的输出层神经元个数为1。
(5)训练方法的选择:BP神经网络的训练方法受实际问题、样本个数的影响，RPROP算法对于模式识别问题具有较好的适用性，LM算法在处理数百个权值的函数逼近网络时，效率较高，收敛速度较快且均方误差较小。本发明通过对各种方法的比较，最终选择LM算法作为训练方法。
图1是根据本发明实施例的一种校正误差的方法的步骤流程图，如图1所示，该方法包括如下步骤：
步骤S102，获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；
步骤S104，使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；
步骤S106，依据上述误差值对上述测量值进行校正。
在一种可选的实施方式中，上述第一模型可以为一种基于BP神经网络确定的补偿曲面。
作为一种可选的实施方式，本申请可以在数据库或者服务器中预先存储多个测量值的径向距离和方位角度以及误差值，从而可以基于BP神经网络使用多组数据通过机器学习训练得到上述第一模型。
其中，可以将测量值的径向距离和方位角度以及误差值输入至神经网络中，以通过建立相应的神经元，并根据神经元之间的预设函数(如Sigmoid函数)确定图像特征和图像特征映射，从而根据确定的特征进行映射处理，得到定位上述局部放电源的误差值。
另外，在本申请所提供的可选实施例中，在建立上述第一模型之后，可以利用深度学习或者KNN算法，将图像信息中存在相同特征的测量值信息滤除，以得到存在差异的误差值特征信息，进而得到定位上述局部放电源的误差值。
本申请采用BP神经网络学习的方法对特高频局部放电定位误差进行校正，在一种可选的实施例中，本申请可以预先认为或设定定位系统存在固有误差，利用BP神经网络高度容错及无限逼近非线性函数的能力，识别及再现定位系统的固有误差，然后对实际测量值进行补偿，采用K-Means机器学习算法对测量值进行去抖动，通过对有限个标定点(径向距离r,方位角θ)误差值的训练，构造了0<r≤66m,0<θ≤360°的误差补偿曲面，然后对实测值进行修正。
需要说明的是，BP神经网络具有非常强的非线性映射能力，同时能够对未知的系统具有学习能力，且因其并行机制的冗余性使其具有很强的容错能力。
为了提高UHF法变电站站域局放定位的精度，本申请提出了一种基于BP神经网络的定位误差校正方法，采用K-Means机器学习算法对测量值进行去抖动，通过对有限个标定点(径向距离r,方位角θ)误差值的训练，构造了0<r≤66m,0<θ≤360°的误差补偿曲面，然后对实测值进行修正。考虑工程应用因素，提出了基于样条插值获取样本的方法，减少了工作量，具有工程可操作性。实验结果表明，在r∈(0,40m)范围时，径向距离测量误差呈递减趋势，r>40m范围时，径向距离测量误差呈递增趋势，方向角测量误差分布具有相似的规律，经过误差补偿后，误差分布趋于平稳且误差值大大减小，证明了本申请所提供的校正误差的方法的可行性与有效性。
需要说明的是，上述误差产生的原因可以为以下几种：特高频信号传感天线是特高频检测系统的关键部分，其功能是实现局部放电信号的获取，传感天线的性能直接决定了整个检测系统的性能，是否具备抑制低频干扰(200MHZ以下)的能力、是否具有较高的检测灵敏度、全向性能如何以及超频带宽内的匹配特性是衡量传感天线性能的关键；带通滤波器的滤波性能决定了采集信号的纯净性，特高频放大器的输入保护性能对系统的可靠性具有重要影响，放大器特性同时还会影响检测的灵敏度；数据采集系统的采集精度和速度直接决定了时延估计的最高精度，时延估计误差最小为一个采样时间间隔。所以系统硬件的性能好坏直接影响定位精度的高低。此外，除上述主要的原因之外，还包括以下原因：电磁噪声干扰与电磁波传播衰减、时延估计算法的局限性等。
在一种可选的实施例中，图2是根据本发明实施例的一种可选的校正误差的方法的步骤流程图，如图2所示，获取定位局部放电源的测量值包括：
步骤S202，确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；
步骤S204，通过定位上述至少一个测量点的坐标位置，得到上述局部放电源的测量值，其中，上述测量值至少包括：径向距离和方位角度。
在一种可选的实施例中，上述第一传感器和上述第二传感器之间存在上述局部放电源的至少一个测量点。
基于上述步骤S202至步骤S204中所提供的实施例，可以确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点，通过定位上述至少一个测量点的坐标位置，得到上述局部放电源的测量值，其中，上述测量值至少包括：径向距离和方位角度。
作为一种可选的实施例，本申请可以采用局部放电模拟装置(EM TEST DITO，局部放电模拟器)进行局部放电模拟实验，该模拟装置可依照EN/IEC 61000-4-2标准产生精确的放电脉冲，可选的，上述第一传感器和第二传感器连线的中垂线方向的方向角为0度，在0度方向上用总长为100米的布卷尺对测量点位置坐标进行标定，在0-66m之间每隔六米标定一个点并进行定位实验。
在一种可选的实施例中，依据上述误差值对上述测量值进行校正包括：依据上述误差值确定上述测量值的补偿函数，其中，上述误差值根据上述测量值与预定标准值确定，上述补偿函数通过如下公式计算得到：
r′为上述预定标准值的径向距离；θ′为上述预定标准值的方位角度；上述补偿函数至少包括：上述测量值的径向距离的补偿函数，上述测量值的方位角度的补偿函数；△r＝k1(r,θ)为上述测量值的径向距离的补偿函数；△θ＝k2(r,θ)为上述测量值的方位角度的补偿函数，k1和k2为常数；采用上述补偿函数对上述测量值进行校正。
在一种可选的实施例中，由于变电站现场环境噪声干扰较多，造成定位系统的测量值与预定标准值出现偏差，局部放电源的平面位置由径向距离r和方位角度θ唯一确定，需要对局部放电源位置测量值(径向距离r，方位角度θ)进行修正，本发明的核心思路为承认系统的固有误差的存在，利用BP神经网络学习误差的分布规律，依据上述误差值确定上述测量值的补偿函数，其中，上述误差值根据上述测量值与预定标准值确定，上述补偿函数通过如下公式计算得到：
采用上述补偿函数对上述测量值进行校正。
此外，需要说明的是，由于本申请中的误差补偿模型是误差值随上述测量值的径向距离r和方位角度θ变化的补偿曲面，本申请利用BP神经网络来构造上述补偿曲面，并不能求出具体的解析式。
在低信噪比(外界干扰信号较大)的电磁环境中，测量出的同一放电点(测量点)的位置坐标存在波动，干扰了误差样本的选取，使取得的样本不具有典型性，所以本申请中的误差值样本的选取采用基于K-Means聚类的方法，每获得一个测量结果均需要进行多次的测量，通过K-Means算法进行聚类，以聚类中心作为最终的测量值，然后与预定标准值比较得到误差值样本。
作为一种可选的实施例，至少通过如下方式确定上述第一模型：基于BP神经网络，确定上述误差值与上述测量值的径向距离和方位角度的关系公式：
其中，△R为上述误差值，r为上述测量值的径向距离，θ为上述测量值的方位角度；将上述关系公式作为上述第一模型。
需要说明的是，本申请的核心思想为利用BP神经网络学习定位误差随方位角度θ与径向距离r的变化规律，事先并不知道误差的分布规律，只是大致上了解随着径向距离的增加，特高频电磁波弱信号的检测更加困难，定位误差有随着径向距离的增加有增大的趋势，所以需要进行可行性分析实验，来验证BP神经网络对复杂不确定随机值的学习能力，以此来说明BP神经网络误差校正方案的有效性。
基于BP神经网络，预先设定上述误差值与上述测量值的径向距离和方位角度的关系公式：
其中，△R为上述误差值，r＝1,2,3...70；θ＝15k,k＝0,1,2...23。
其中，r可以但不限于从1增加到70，步长为3，θ可以但不限于从0增加到345°，步长为15°。θ不同即UHF信号传播途径不同时，必然存在时延标定和定位误差，因此，上述关系公式中使用随机数来表征这一特性，故Δr的值将由θ和r共同决定。现将这些值作为学习样本，对BP神经网络进行训练，通过对不同结构的BP神经网络进行训练，发现用2-30-1(即两个输入，一个输出，隐含层有30个神经元)的结构效果最好，神经网络在第八次训练后，训练样本的网络输出与期望输出的均方根误差为0.019，其中，0019为归一化后的值，反归一化后为0.22m。
基于上述实施例可知，在本申请实施例中，由于BP神经网络具有高度的容错能力，可以完全实现对随机波动的曲面进行模拟再现，由此证明了本申请中的校正误差的方法的有效性。
作为一种可选的实施例，由于构建0<r≤66m,0<θ≤360°范围的误差补偿曲面，需要用大量的样本对神经网络进行训练，若以r的步长6m、θ的步长15°选取标定点作为训练样本的话，那么仍然需要标定264个点，如图4a所示，既要知道这264个点的实际坐标，又要在这些点利用模拟放电器进行放电，然后得出待校正的特高频定位系统的测量值，工作量巨大，可操作性不强，考虑工程应用的因素，本申请提出了一种基于样条插值的样本获取方法，该方法的思路是在任意两个实际的标定点之间插入若干点即可得到更丰富的训练样本，从而减少了为获得误差样本数据而做的局部放电模拟实验的次数，大大降低了工作量。
并且，作为另一种可选的实施例，在设备分布较有规律的变电站，在选取标定点时可作简化处理，即认为方位角度θ对误差分布规律的影响较小，若假定误差值在不同方向角上的分布规律相同，则选取训练样本时只需要测定一个角度方向上的误差值，如图4b所示，然后通过样条插值法在任意两个标定点之间插入若干点，从而得到信息更丰富的训练样本。
在本申请实施例中，可以但不限于利用上述关系公式产生仿真数据，现取θ＝0°方向上、r步长为6m的11个数据，分别为-0.0653m、-0.6987m、0.6556m、0.8468m、1.3407m、1.7767m、2.2196m、3.8056m、3.9680m、4.7298m、6.2717m，图5为基于三次样条插值法的拟合曲线，然后利用三次样条插值在两个相邻的数据点之间再插进1个数据点，再假定同一r值的误差值相同，即可得到504(21×24)个训练样本，此样本与直接通过上述修正公式产生504个数据点的均方根误差为0.48m，误差可以接受，证明了该获取样本方法的可行性，实验发现通过插值法获取样本的方法，网络输出与期望输出的均方根误差为2.95×10-6，此处的期望输出值为神经网络的训练样本，由此可见基于样条插值获取更多训练样本的方法具有较高的可行性，产生误差在可接受的范围内。
作为一种可选的实施例，本申请可以采用EM TEST DITO(局部放电模拟器)进行局部放电模拟实验，该模拟器可依照EN/IEC 61000-4-2标准产生精确的放电脉冲，该实验规定传感器1、2连线的中垂线方向的方向角为0度，在0度方向上用总长为100米的布卷尺对测量点位置坐标进行标定，在0-66m之间每隔六米标定一个点并进行定位实验，测量结果如表1所示。
表1测量结果
在一种可选的实施例中，可以根据样条插值的思路，在每两个相邻的误差数据点之间插入两个数据，插值后的径向距离的定位误差随r的变化关系如图6a，然后依据r相同、θ不同时误差值相同来简化地获取误差样本数据，并对神经网络进行训练，插值后的方位角度的定位误差值随r的变化关系如图6b所示。
在一种可选的实施例中，可以利用模拟放电器进行局部放电模拟实验，在θ＝90°的方向角上，在0-66m之间每隔六米进行定位实验，利用本发明的方法对系统给出的测量值进行补偿得到最终的定位结果，定位测量值及补偿曲面补偿后的数据误差如表2所示。径向距离r的测量误差在校正前和校正后随r的变化规律如图7a所示，方位角度θ的测量误差在校正前和校正后随r的变化规律如图7b所示。
表2定位数据测量值及补偿后的误差
由图7a至图7b可知，方位角度的定位测量值和径向距离的定位测量值的误差在校正之前具有随着r的增大逐渐增大的趋势且系统定位误差值整体较大，校正之后的误差值变化趋于平稳，且误差值整体较小。由此可证明，本申请提出的基于BP神经网络的特高频局部放电误差校正方法的有效性与稳定性。
实施例2
本发明实施例还提供了一种用于实施上述校正误差的方法的装置，图8是根据本发明实施例的一种校正误差的装置的结构示意图，如图8所示，上述校正误差的装置，包括：获取模块90、分析模块92和校正模块94，其中，
获取模块90，用于获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；分析模块92，用于使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；校正模块94，用于依据上述误差值对上述测量值进行校正。
在一种可选的实施例中，上述获取模块包括：确定子模块，用于确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；定位子模块，用于通过定位上述至少一个测量点的坐标位置，得到上述局部放电源的测量值，其中，上述测量值至少包括：径向距离和方位角度。
在一种可选的实施例中，至少通过如下模块确定上述第一模型：第一确定模块，用于基于BP神经网络，确定上述误差值与上述测量值的径向距离和方位角度的关系公式：
其中，△R为上述误差值，r为上述测量值的径向距离，θ为上述测量值的方位角度；第二确定模块，用于将上述关系公式作为上述第一模型。
在一种可选的实施例中，上述校正模块包括：补偿确定子模块，用于依据上述误差值确定上述测量值的补偿函数，其中，上述误差值根据上述测量值与预定标准值确定，上述补偿函数通过如下公式计算得到
r′为上述预定标准值的径向距离；θ′为上述预定标准值的方位角度；上述补偿函数至少包括：上述测量值的径向距离的补偿函数，上述测量值的方位角度的补偿函数；△r＝k1(r,θ)为上述测量值的径向距离的补偿函数；△θ＝k2(r,θ)为上述测量值的方位角度的补偿函数，k1和k2为常数；校正子模块，用于采用上述补偿函数对上述测量值进行校正。
需要说明的是，上述各个模块是可以通过软件或硬件来实现的，例如，对于后者，可以通过以下方式实现：上述各个模块可以位于同一处理器中；或者，上述各个模块以任意组合的方式位于不同的处理器中。
此处需要说明的是，上述获取模块90、分析模块92和校正模块94对应于实施例1中的步骤S102至步骤S106，上述模块与对应的步骤所实现的实例和应用场景相同，但不限于上述实施例1所公开的内容。需要说明的是，上述模块作为装置的一部分可以运行在计算机终端中。
需要说明的是，本实施例的可选或优选实施方式可以参见实施例1中的相关描述，此处不再赘述。
上述的校正误差的装置还可以包括处理器和存储器，上述获取模块90、分析模块92和校正模块94等均作为程序单元存储在存储器中，由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核，由内核去存储器中调取相应的程序单元，上述内核可以设置一个或以上。存储器可能包括计算机可读介质中的非永久性存储器，随机存取存储器(RAM)和/或非易失性内存等形式，如只读存储器(ROM)或闪存(flash RAM)，存储器包括至少一个存储芯片。
本申请实施例还提供了一种存储介质。可选地，在本实施例中，上述存储介质包括存储的程序，其中，在上述程序运行时控制上述存储介质所在设备执行上述任意一种校正误差的方法。
可选地，在本实施例中，上述存储介质可以位于计算机网络中计算机终端群中的任意一个计算机终端中，或者位于移动终端群中的任意一个移动终端中。
本申请实施例还提供了一种处理器。可选地，在本实施例中，上述处理器用于运行程序，其中，上述程序运行时执行上述任意一种校正误差的方法。
本申请实施例提供了一种设备，设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序，处理器执行程序时实现以下步骤：获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；依据上述误差值对上述测量值进行校正。
可选地，上述处理器执行程序时，还可以确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；通过定位上述至少一个测量点的坐标位置，得到上述局部放电源的测量值，其中，上述测量值至少包括：径向距离和方位角度。
可选地，上述处理器执行程序时，还可以基于BP神经网络，确定上述误差值与上述测量值的径向距离和方位角度的关系公式：
其中，△R为上述误差值，r为上述测量值的径向距离，θ为上述测量值的方位角度；将上述关系公式作为上述第一模型。
可选地，上述处理器执行程序时，还可以依据上述误差值确定上述测量值的补偿函数，其中，上述误差值根据上述测量值与预定标准值确定，上述补偿函数通过如下公式计算得到：
r′为上述预定标准值的径向距离；θ′为上述预定标准值的方位角度；上述补偿函数至少包括：上述测量值的径向距离的补偿函数，上述测量值的方位角度的补偿函数；△r＝k1(r,θ)为上述测量值的径向距离的补偿函数；△θ＝k2(r,θ)为上述测量值的方位角度的补偿函数，k1和k2为常数；采用上述补偿函数对上述测量值进行校正。
本申请还提供了一种计算机程序产品，当在数据处理设备上执行时，适于执行初始化有如下方法步骤的程序：获取定位局部放电源的测量值，以及上述测量值的径向距离和方位角度；使用第一模型对上述测量值的径向距离和方位角度进行分析，得到定位上述局部放电源的误差值，其中，上述第一模型为使用多组数据通过机器学习训练得到的，上述多组数据中的每组数据均包括：上述测量值的径向距离和方位角度、上述误差值；依据上述误差值对上述测量值进行校正。
可选地，上述计算机程序产品执行程序时，还可以确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；通过定位上述至少一个测量点的坐标位置，得到上述局部放电源的测量值，其中，上述测量值至少包括：径向距离和方位角度。
可选地，上述计算机程序产品执行程序时，还可以基于BP神经网络，确定上述误差值与上述测量值的径向距离和方位角度的关系公式：
其中，△R为上述误差值，r为上述测量值的径向距离，θ为上述测量值的方位角度；将上述关系公式作为上述第一模型。
可选地，上述计算机程序产品执行程序时，还可以依据上述误差值确定上述测量值的补偿函数，其中，上述误差值根据上述测量值与预定标准值确定，上述补偿函数通过如下公式计算得到：
r′为上述预定标准值的径向距离；θ′为上述预定标准值的方位角度；上述补偿函数至少包括：上述测量值的径向距离的补偿函数，上述测量值的方位角度的补偿函数；△r＝k1(r,θ)为上述测量值的径向距离的补偿函数；△θ＝k2(r,θ)为上述测量值的方位角度的补偿函数，k1和k2为常数；采用上述补偿函数对上述测量值进行校正。
上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
在本发明的上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述的部分，可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中，应该理解到，所揭露的技术内容，可通过其它的方式实现。其中，以上所描述的装置实施例仅仅是示意性的，例如所述单元的划分，可以为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，单元或模块的间接耦合或通信连接，可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可为个人计算机、服务器或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、移动硬盘、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种校正误差的方法，其特征在于，包括：
获取定位局部放电源的测量值，以及所述测量值的径向距离和方位角度；
使用第一模型对所述测量值的径向距离和方位角度进行分析，得到定位所述局部放电源的误差值，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：所述测量值的径向距离和方位角度、所述误差值；
依据所述误差值对所述测量值进行校正；
其中，至少通过如下方式确定所述第一模型：基于BP神经网络，确定所述误差值与所述测量值的径向距离和方位角度的关系公式；将所述关系公式作为所述第一模型；
其中，所述关系公式为：
2.根据权利要求1所述的方法，其特征在于，获取定位局部放电源的测量值，以及所述测量值的径向距离和方位角度包括：
确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；
通过定位所述至少一个测量点的坐标位置，得到所述局部放电源的测量值，其中，所述测量值至少包括：径向距离和方位角度。
3.根据权利要求1所述的方法，其特征在于，依据所述误差值对所述测量值进行校正包括：
依据所述误差值确定所述测量值的补偿函数，其中，所述误差值根据所述测量值与预定标准值确定，所述补偿函数通过如下公式计算得到：
r′为所述预定标准值的径向距离；θ′为所述预定标准值的方位角度；所述补偿函数至少包括：所述测量值的径向距离的补偿函数，所述测量值的方位角度的补偿函数；Δr＝k1(r,θ)为所述测量值的径向距离的补偿函数；Δθ＝k2(r,θ)为所述测量值的方位角度的补偿函数，k1和k2为常数；
采用所述补偿函数对所述测量值进行校正。
4.一种校正误差的装置，其特征在于，包括：
获取模块，用于获取定位局部放电源的测量值，以及所述测量值的径向距离和方位角度；
分析模块，用于使用第一模型对所述测量值的径向距离和方位角度进行分析，得到定位所述局部放电源的误差值，其中，所述第一模型为使用多组数据通过机器学习训练得到的，所述多组数据中的每组数据均包括：所述测量值的径向距离和方位角度、所述误差值；
校正模块，用于依据所述误差值对所述测量值进行校正；
其中，至少通过如下模块确定所述第一模型：第一确定模块，用于基于BP神经网络，确定所述误差值与所述测量值的径向距离和方位角度的关系公式；第二确定模块，用于将所述关系公式作为所述第一模型；
其中，所述关系公式为：
5.根据权利要求4所述的装置，其特征在于，所述获取模块包括：
确定子模块，用于确定局部放电模拟装置中第一传感器和第二传感器之间的至少一个测量点；
定位子模块，用于通过定位所述至少一个测量点的坐标位置，得到所述局部放电源的测量值，其中，所述测量值至少包括：径向距离和方位角度。
6.根据权利要求4所述的装置，其特征在于，所述校正模块包括：
补偿确定子模块，用于依据所述误差值确定所述测量值的补偿函数，其中，所述误差值根据所述测量值与预定标准值确定，所述补偿函数通过如下公式计算得到：
r′为所述预定标准值的径向距离；θ′为所述预定标准值的方位角度；所述补偿函数至少包括：所述测量值的径向距离的补偿函数，所述测量值的方位角度的补偿函数；Δr＝k1(r,θ)为所述测量值的径向距离的补偿函数；Δθ＝k2(r,θ)为所述测量值的方位角度的补偿函数，k1和k2为常数；
校正子模块，用于采用所述补偿函数对所述测量值进行校正。
7.一种存储介质，其特征在于，所述存储介质包括存储的程序，其中，所述程序执行权利要求1至3中任意一项所述的校正误差的方法。
8.一种处理器，其特征在于，所述处理器用于运行程序，其中，所述程序运行时执行权利要求1至3中任意一项所述的校正误差的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711484714.4A CN107966638B (zh) | 2017-12-29 | 2017-12-29 | 校正误差的方法和装置、存储介质及处理器 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711484714.4A CN107966638B (zh) | 2017-12-29 | 2017-12-29 | 校正误差的方法和装置、存储介质及处理器 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107966638A CN107966638A (zh) | 2018-04-27 |
| CN107966638B true CN107966638B (zh) | 2020-09-11 |
Family
ID=61993764
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711484714.4A Active CN107966638B (zh) | 2017-12-29 | 2017-12-29 | 校正误差的方法和装置、存储介质及处理器 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107966638B (zh) |
Families Citing this family (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108549068B (zh) * | 2018-05-24 | 2022-07-15 | 上海景复信息科技有限公司 | 一种三维扫描数据处理方法及数据处理系统 |
| CN211668521U (zh) * | 2018-05-31 | 2020-10-13 | 上海快仓智能科技有限公司 | 用于图像采集的自动引导车、以及图像采集和处理系统 |
| CN109191386B (zh) * | 2018-07-18 | 2020-11-06 | 武汉精测电子集团股份有限公司 | 一种基于BPNN的快速Gamma校正方法及装置 |
| CN110472801B (zh) * | 2019-08-26 | 2023-04-07 | 南方电网科学研究院有限责任公司 | 直流输电线路电磁环境评估方法及系统 |
| CN110764049B (zh) * | 2019-10-30 | 2023-05-23 | 北京小米智能科技有限公司 | 信息处理方法、装置、终端及存储介质 |
| CN112578248A (zh) * | 2020-12-26 | 2021-03-30 | 广东电网有限责任公司电力科学研究院 | 一种局部放电定位误差修正方法和系统 |
| CN112946569A (zh) * | 2021-02-01 | 2021-06-11 | Oppo广东移动通信有限公司 | 测量距离校正方法、装置、介质及电子设备 |
| CN113884823A (zh) * | 2021-08-11 | 2022-01-04 | 国网天津市电力公司电力科学研究院 | 适应敞开式变电站局部放电定位误差补偿装置及方法 |
| CN114966547B (zh) * | 2022-05-18 | 2023-05-12 | 珠海视熙科技有限公司 | 一种提高声源定位精度的补偿方法、系统及装置 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106019098A (zh) * | 2016-06-15 | 2016-10-12 | 国网北京市电力公司 | 局部放电定位方法、装置及系统 |
-
2017
- 2017-12-29 CN CN201711484714.4A patent/CN107966638B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106019098A (zh) * | 2016-06-15 | 2016-10-12 | 国网北京市电力公司 | 局部放电定位方法、装置及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107966638A (zh) | 2018-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107966638B (zh) | 校正误差的方法和装置、存储介质及处理器 | |
| CN112041693A (zh) | 一种基于混合录波的配电网故障定位系统 | |
| CN113138322B (zh) | 配电网高阻接地故障的检测方法、装置、设备和存储介质 | |
| CN112485598A (zh) | 结合波形相关性与幅值特征的小电流接地故障定位方法 | |
| CN110137944B (zh) | 一种基于随机矩阵理论的电压稳定性扰动源定位方法 | |
| Liu et al. | Dual-channel convolutional network-based fault cause identification for active distribution system using realistic waveform measurements | |
| CN107749627B (zh) | 基于改进匹配追踪的智能配电网潮流雅可比矩阵估计方法 | |
| Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
| CN111175608A (zh) | 基于加速独立分量分析的配电网谐波责任定量划分方法 | |
| CN117590172A (zh) | 应用于变压器的局部放电声电联合定位方法、装置和设备 | |
| Tsotsopoulou et al. | Advanced fault location scheme for superconducting cables based on deep learning algorithms | |
| CN109557365B (zh) | 电网电压频率和相角检测方法及系统、单相电网检测系统 | |
| Feng et al. | Identification of faults using sparse optimization | |
| CN118068228B (zh) | 一种特高压电抗器短路的高效检测方法及系统 | |
| CN108680832B (zh) | 一种基于sa-apso及降维投影动态收缩圆的局部放电定位方法 | |
| CN114201991A (zh) | 一种基于超声传感器阵列的局放信号检测方法和系统 | |
| CN107132500B (zh) | 一种同步相量测量单元在线校准方法与装置 | |
| CN113687292B (zh) | 大数据、云环境下电能表错误接线的检测系统及方法 | |
| CN116781407B (zh) | 基于典型变量差异度分析的交流电网隐蔽攻击检测方法 | |
| CN116826705A (zh) | 谐波源定位的方法及系统 | |
| Gašperin et al. | Signal processing and stochastic filtering for EIS based PHM of fuel cell systems | |
| CN117452137A (zh) | 输电线路单端故障测距方法、装置、电子设备及存储介质 | |
| Chen et al. | Performance measurement in wireless sensor networks using time-frequency analysis and neural networks | |
| CN115183884A (zh) | 电热协同系统的红外测温补偿方法及装置 | |
| CN115474108A (zh) | 一种基于边缘计算的事件监控系统及监控方法 |
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 |