技术领域
[0001] 本发明涉电力数据测量技术领域，具体为一种电力数字功率计的寻优取样方法、功率计及设备。
相关背景技术
[0002] 在电力系统中，数字功率计作为一种关键的测量设备，广泛应用于电路参数(如电压、电流和功率)的精确测量与分析。这些测量数据对于电力系统的监控、故障诊断、能效评估及优化设计等方面具有至关重要的作用。为了提高采样精度，一些现有的电力数字功率尝试增加采样点数量，但这不仅增加了数据处理负担，还显著提高了硬件成本，如高速A/D转换器的使用，大量的采样数据也增加了后续信号处理和分析的复杂度，降低了整体效率。
[0003] 而且现有的电力数字功率计通常采用固定的采样点位置进行信号采集，这种方法忽略了电力信号在不同周期内的动态变化特性。由于电力信号往往包含复杂的波形特征、时域特性和频域特性，固定采样点位置可能无法准确捕捉信号的关键特征，导致测量精度下降。为此，我们提出一种电力数字功率计的寻优取样方法、功率计及设备。
具体实施方式
[0041] 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，都属于本发明保护的范围。
[0042] 请参阅图1‑2，本发明提供一种技术方案：一种电力数字功率计的寻优取样方法，所述方法具体步骤包括：
[0043] 步骤1：构建和训练取样预测模型
[0044] 步骤1.1数据收集：首先，收集历史采样的电力信号数据，包括电压和电流的时间序列数据，数据应涵盖不同的电力系统运行状态，以确保模型的泛化能力。
[0045] 步骤1.2数据预处理：对采集的电力信号数据进行预处理，以提取信号特征。提取的信号特征包括电压和电流的基本特征、波形特征、时域特征和频域特征。具体地，基本特征包括信号的频率、幅值和相位；波形特征包括信号波的波形形状、波形对称性和波形平滑度；时域特征包括信号的均值、方差、偏度、上升率和下降率；频域特征包括信号的频谱分布、频谱峰值和频谱宽度。
[0046] 步骤1.3数据清洗：对提取的特征数据进行清洗，以处理缺失值和异常值，包括填充缺失值、平滑异常值等，以确保数据的完整性和一致性。
[0047] 对于异常值，采用阈值判断法，将超出预设阈值范围的数据点视为异常值，并用其邻近点的均值进行替换。
[0048] 步骤1.4数据标准化：对清洗后的特征数据进行标准化处理，以消除不同特征之间的量纲差异，提高模型的训练效率。
[0049] 使用Z‑score标准化方法，将每个特征值减去其均值并除以其标准差，使得处理后的数据符合标准正态分布，标准化处理的公式为： 其中，X为原始数据，μ为原始数据的均值，σ为原始数据的标准差，Z为标准化后的数据。
[0050] 步骤1.5构建训练数据集：标记每条数据的最优采样点位置，与对应的特征数据一起构成训练数据集。进一步将训练数据集进行划分，分成训练集和验证集，用于模型的训练和验证。
[0051] 步骤1.6模型选择与初始化：选择长短时记忆网络(LSTM)模型构建取样预测模型，并对模型的参数进行初始化。LSTM模型因其能够处理时间序列数据的长期依赖关系而被选为本发明的首选模型。
[0052] 步骤1.7模型训练：使用训练集数据对LSTM模型进行迭代训练。在训练过程中，定期使用验证集评估模型性能，直到模型的性能满足需求，包括减小预测误差、提高采样点位置预测的准确率等。
[0053] 步骤1.8模型部署：训练完成后，保存LSTM模型的权重和偏置，并将模型进行部署，以用于后续进行取样位置预测。
[0054] 步骤2：实时信号特征提取
[0055] 实时采集被测电路中的电压和电流的时间序列数据，并提取电压和电流的基本特征、波形特征、时域特征和频域特征。
[0056] 步骤3：采样点位置预测
[0057] 将步骤2提取的信号特征输入步骤1中训练的取样预测模型，获得功率计在每个采样周期内最优的采样点位置列表，这些位置是基于当前电力信号特征动态预测的，能够准确捕捉信号的关键特征。
[0058] 步骤4：应用最优采样策略
[0059] 将步骤3获得的每个采样周期内最优采样点的位置列表应用到功率计的采样策略中。功率计按照预测的最优采样点位置进行实时取样，从而提高采样精度并降低采样成本。
[0060] LSTM模型作为循环神经网络(RNN)的一种特殊形式，通过引入遗忘门、输入门和输出门三个门控机制，有效地解决了传统RNN在长序列数据处理中的梯度消失或梯度爆炸问题，使得LSTM模型能够捕获电力信号中的长期依赖关系，对于电力系统中电压和电流等时间序列数据中的复杂动态变化具有更强的建模能力。由于LSTM模型能够处理长序列数据并保留关键信息，因此能够更准确地预测每个采样周期内最优的采样点位置，对于提高电力数字功率计的测量精度至关重要，尤其是在电力信号波动较大或存在复杂非线性关系的情况下。
[0061] LSTM模型具有较强的适应性，能够处理不同长度和特征的电力信号数据，这使得构建的取样预测模型能够适用于多种电力系统环境和运行状态，提高了模型的泛化能力和实用性。与传统的固定采样点位置方法相比，基于LSTM的取样预测模型能够根据实时采集的电力信号特征动态调整采样点位置。这种动态调整能力使得功率计能够更灵活地应对电力系统中的突发情况和变化，提高了测量的实时性和准确性。
[0062] 下面结合实施例1至3对本发明作进一步说明：
[0063] 实施例1：
[0064] 在取样预测模型开始训练前，需要对LSTM模型进行初始化，具体包括：
[0065] i)LSTM模型结构参数初始化
[0066] 输入层特征维度设定：根据提取的电力信号特征数量，设定LSTM模型输入层的特征维度,确保输入层能够接收并处理所有关键的电力信号特征。
[0067] 隐藏层配置：确定隐藏层的层数，以及每层隐藏单元的数量，隐藏层的设计应能够充分捕获电力信号中的时序依赖关系和非线性特征。
[0068] 输出层节点数设定：根据预测的最优采样点位置的数量，设定LSTM模型输出层的节点数，确保输出层能够生成与采样点位置相对应的预测结果。
[0069] ii)模型权重和偏置初始化
[0070] 采用小随机数对LSTM模型的权重和偏置进行初始化，该初始化方法有助于模型在训练开始时保持较小的偏差，并提高训练的稳定性。
[0071] iii)激活函数设置
[0072] 门控机制激活函数：设置Sigmoid函数作为LSTM模型门控机制的激活函数。Sigmoid函数能够输出0到1之间的值，适用于控制信息的流动和遗忘。
[0073] 记忆单元和隐藏状态激活函数：设置Tanh函数作为LSTM模型候选记忆单元和隐藏状态的激活函数。Tanh函数能够输出‑1到1之间的值，提供非线性变换并保持梯度稳定性。
[0074] iv)优化算法配置和学习率设置
[0075] 配置适合LSTM模型的优化算法，如Adam或RMSprop。Adam或RMSprop优化算法能够根据梯度信息更新模型参数，并加速训练过程。
[0076] 设置合适的学习率参数，学习率决定了模型在训练过程中的更新速度，过高的学习率可能导致模型不稳定，而过低的学习率则可能导致训练过程过慢。
[0077] 上述对LSTM模型初始化后，开始对模型进行训练，迭代训练过程如下：
[0078] i)使用训练集数据对LSTM模型进行迭代训练。
[0079] ii)在每次迭代中，从训练集中选取一批输入数据，并将其送入LSTM模型。
[0080] iii)LSTM模型通过计算输入门、遗忘门和输出门的值，更新记忆单元和隐藏状态，最终得到预测的输出序列。
[0081] iv)根据预测输出和真实标签计算损失函数值，以评估模型在当前迭代中的预测精度。
[0082] v)通过反向传播算法计算损失函数关于模型参数的梯度。
[0083] vi)使用配置的优化算法(如Adam或RMSprop)根据梯度更新LSTM模型的权重和偏置。
[0084] vii)重复上述迭代过程，直到达到预定的迭代次数或满足其他停止条件[0085] 在训练过程中，定期使用验证集对LSTM模型进行性能评估，计算验证集上的损失函数值，并观察其在训练过程中的变化趋势，如果验证集上的性能开始下降，说明可能出现了过拟合，此时应调整学习率或提前停止训练。
[0086] 根据验证集上的性能结果调整学习率,如果验证集上的损失函数值持续下降，说明模型正在学习，可以保持或适当增加学习率，如果验证集上的损失函数值开始上升，说明可能出现了过拟合，此时应减小学习率。
[0087] 当LSTM模型在验证集上达到满意的性能时，保存模型的权重和偏置。
[0088] 实施例2：
[0089] 提取的信号特征包括电压和电流的基本特征、波形特征、时域特征和频域特征。具体地，基本特征包括信号的频率、幅值和相位。
[0090] 频率的提取：为了计算信号在单位时间内的周期数，首先需要对信号进行采样，确保采样频率足够高以捕捉信号的所有重要特征。然后通过分析信号的周期性变化，例如寻找信号的重复模式或零点交叉点，来确定信号的周期。最后，将单位时间(如1秒)除以信号的周期，即可得到信号的频率。
[0091] 幅值的提取：提取信号的幅值相对简单。在信号的整个采样期间内，遍历所有样本点，并记录下最大值，该最大值即为信号的幅值，表示信号在采样期间内的最大振幅。
[0092] 相位的提取：相位的提取通常涉及与参考信号的比较。首先，选择一个参考信号，它应该是一个与待测信号具有相同频率和波形的标准信号。然后，通过比较待测信号与参考信号的初始偏移量来确定相位，可以通过计算两个信号之间的时间延迟或样本点偏移来实现。一旦确定了时间延迟，就可以将其转换为相位角，以度或弧度表示。
[0093] 波形特征包括信号波的波形形状、波形对称性和波形平滑度。
[0094] 波形形状的提取：为了提取信号的波形形状，首先需要对信号进行采样，确保采样频率足够高以捕捉信号的所有重要特征。然后，分析信号的整体趋势和变化，包括信号的峰值、谷值以及它们之间的变化，通过标记这些关键点并连接它们，可以描绘出信号的波形形状。
[0095] 波形对称性的提取：波形对称性的提取涉及对信号的正半周期和负半周期进行比较。首先，找到信号的正峰值和负峰值，并分别确定它们之间的时间间隔，即正半周期和负半周期，然后计算这两个半周期的面积，并比较它们的相似性。相似性可以通过计算两个半周期面积的差的绝对值与它们的和的比值来评估，计算公式为：这个比值越接近于0，说明波形对称性越好。
[0096] 波形平滑度的提取：波形平滑度的提取涉及对信号的变化率进行分析。首先，对信号进行一阶或二阶求导，以得到其导数。然后，计算导数在一定时间窗口内的变化程度，可以通过计算导数的方差或平均值来实现。变化程度越小，说明波形越平滑；变化程度越大，说明波形越粗糙。通过比较不同时间窗口内的变化程度，可以评估波形的整体平滑度。
[0097] 时域特征包括信号的均值、方差、偏度、上升率和下降率。
[0098] 对于时域特征，其中均值是信号在时间域上的平均水平，表示信号的中心趋势。首先对信号进行采样，得到一系列离散的数据点，然后计算这些数据点的算术平均值，即所有数据点之和除以数据点的总数，计算公式为： 其中xi是信号的第i个样本点，N是样本总数；方差通过计算信号所有样本点与其均值的差的平方的平均值获得，在提取均值的基础上，计算每个数据点与均值的差，然后求这些差的平方，最后计算这些平方差的平均值，计算公式为： 偏度是衡量信号分布形态偏斜方向和程
度的指标，首先计算信号的均值和标准差(方差的平方根)。然后利用三阶中心矩(即所有数据点与均值之差的三次方的平均值)除以标准差的三次方来计算偏度，计算公式为：
上升率用于描述信号中上升段落的斜率，首先识别信号
中的上升段落，通过比较相邻数据点的大小来实现，然后对于每个上升段落，计算其斜率，即段落终点与起点之间的纵坐标差除以横坐标差(对于离散信号，横坐标差通常为采样间隔的整数倍)，最后计算所有上升段落斜率的平均值作为整体上升率，斜率可表示为其中xstart和xend分别是上升段落的起始和结束样本点，start和end是分别是起始和结束样本点对应的序号；下降率的提取方式与上升率类似，但针对的是信号中的下降段落，首先识别信号中的下降段落，然后对于每个下降段落，计算其斜率，最后计算所有下降段落斜率的平均值作为整体下降率。
[0099] 频域特征包括信号的频谱分布、频谱峰值和频谱宽度。
[0100] 对于频域特征，其中频谱分布描述了信号在不同频率上的能量分布，为了提取频谱分布，首先需要对信号进行傅里叶变换(Fourier Transform)，将信号从时域转换到频域，傅里叶变换将信号分解为不同频率的正弦和余弦成分的叠加，从而得到信号的频谱表示。频谱分布通常通过绘制频谱图来展示，其中横轴表示频率，纵轴表示对应频率上的能量(或幅度)，其计算公式为： 其中x(t)是时域信号，X(f)是其对应的频率表示，f是频率；频谱峰值是频谱中能量(或幅度)最大的点，它对应信号的主要频率成分。为了提取频谱峰值，首先需要对信号进行傅里叶变换得到频谱。然后遍历频谱中的所有频率点，找到幅度最大的点，该点的频率即为频谱峰值，在提取时直接通过编程搜索频谱数组中的最大值及其对应的索引(即频率)，计算公式为：频谱峰值＝maxf|X(f)|；频谱宽度是衡量信号频谱在频率轴上分布范围的一个指标，频谱宽度的定义和计算方法有多种，一种常见的方法是基于幅度阈值的宽度。首先设定一个幅度阈值(通常根据信号的具体情况和需求来确定)，然后找到频谱中幅度超过该阈值的最低频率点和最高频率点。这两个频率点之间的差值即为基于幅度阈值的频谱宽度，计算公式为：频谱宽度＝f2‑f1，其中f1和f2分别是频谱中幅度超过阈值的最低和最高频率点。
[0101] 下面是使用python编程语言提取频域特征的代码示例：
[0102] import numpy as np
[0103] import matplotlib.pyplot as plt
[0104] #生成合成信号
[0105] fs＝1000#采样频率
[0106] t＝np.arange(0,1,1/fs)#时间向量
[0107] f1,f2＝50,120#信号的两个频率成分
[0108] signal＝0.6*np.sin(2*np.pi*f1*t)+2*np.sin(2*np.pi*f2*t)
[0109] #计算频谱
[0110] signal_fft＝np.fft.fft(signal)
[0111] freqs＝np.fft.fftfreq(len(signal),1/fs)
[0112] #提取频谱分布
[0113] magnitude_spectrum＝np.abs(signal_fft)
[0114] #提取频谱峰值
[0115] peak_freq＝freqs[np.argmax(magnitude_spectrum)]
[0116] #提取频谱宽度(基于幅度阈值)
[0117] threshold＝0.5*np.max(magnitude_spectrum)
[0118] above_threshold＝magnitude_spectrum>threshold
[0119] width_freqs＝freqs[above_threshold]
[0120] spectral_width＝np.max(width_freqs)‑np.min(width_freqs)
[0121] #绘制频谱图
[0122] plt.figure()
[0123] plt.plot(freqs[:len(freqs)//2],
[0124] magnitude_spectrum[:len(freqs)//2])#只绘制正频率部分
[0125] plt.title('Magnitude Spectrum')
[0126] plt.xlabel('Frequency(Hz)')
[0127] plt.ylabel('Magnitude')
[0128] plt.grid()
[0129] plt.axvline(x＝peak_freq,color＝'r',linestyle＝'‑‑',label＝'Peak Frequency')
[0130] plt.axvspan(np.min(width_freqs),np.max(width_freqs),color＝'y',alpha＝0.3,label＝'Spectral Width')
[0131] plt.legend()
[0132] plt.show()
[0133] #输出结果
[0134] print(f"频谱峰值对应的频率为:{peak_freq:.2f}Hz")
[0135] print(f"基于幅度阈值的频谱宽度为:{spectral_width:.2f}Hz")
[0136] 上述代码描述了如何使用Python编程语言和NumPy库来提取信号的频谱分布、频谱峰值以及基于幅度阈值的频谱宽度这三个频域特征，具体步骤为：
[0137] 步骤1：生成合成信号
[0138] 首先，生成一个包含两个正弦波成分的合成信号。通过设定采样频率、时间向量以及两个不同频率的正弦波成分，可以构造出该信号。
[0139] 步骤2：计算频谱
[0140] 接着，使用NumPy库中的快速傅里叶变换(FFT)函数来计算信号的频谱，FFT函数将信号从时域转换到频域，得到频谱的复数表示，同时计算对应的频率向量，以便后续分析。
[0141] 步骤3：提取频谱分布
[0142] 然后，提取频谱分布特征。通过计算频谱的幅度(即复数的模)，可以得到频谱分布，该分布描述了信号在不同频率上的能量分布情况。
[0143] 步骤4：提取频谱峰值
[0144] 接下来，提取频谱峰值特征。频谱峰值是频谱中幅度最大的点，它对应信号的主要频率成分，通过遍历频谱幅度数组，找到最大值及其对应的频率，即可得到频谱峰值。
[0145] 步骤5：提取频谱宽度(基于幅度阈值)
[0146] 最后，提取基于幅度阈值的频谱宽度特征。首先设定一个幅度阈值，然后找到频谱中幅度超过该阈值的最低频率点和最高频率点，这两个频率点之间的差值即为基于幅度阈值的频谱宽度。
[0147] 实施例3：
[0148] 本发明所述的功率计主要由以下几个模块构成：
[0149] 取样预测模块：此模块内部署了使用功率计寻优取样方法预先训练好的取样预测模型。该模型基于历史数据或模拟数据训练，能够预测在不同电路状态下最优的采样点位置。
[0150] 实时数据采集模块：该模块负责实时采集被测电路中的电压和电流的时间序列数据。它进一步提取这些数据的基本特征(如均值、峰值等)、波形特征(如波形形状、畸变等)、时域特征(如时域中的变化率等)和频域特征(如频谱分布等)。
[0151] 最优采样点预测模块：此模块将实时数据采集模块提取的信号特征输入到取样预测模块中的训练好的取样预测模型。通过模型计算，获得功率计在每个采样周期内最优的采样点位置列表。
[0152] 采样策略应用模块：该模块将最优采样点预测模块输出的每个采样周期内最优采样点的位置列表应用到功率计的采样策略中，以使功率计能够按照预测的最优采样点位置进行实时取样，从而提高测量的准确性和效率。
[0153] 本发明还提供了一种电子设备，该设备包括存储器和处理器，具体实现如下：
[0154] 存储器：用于存储一条或多条计算机指令。这些指令是实现上述功率计寻优取样方法所必需的。
[0155] 处理器：执行存储器中存储的一条或多条计算机指令，通过执行这些指令，处理器能够实现上述功率计的取样预测、数据采集、最优采样点预测和采样策略应用等功能。
[0156] 需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
[0157] 尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。
