一种基于神经网络的负荷特征分析系统及方法与流程

1.本发明涉及电力系统分析技术领域，具体是涉及一种基于神经网络的负荷特征分析系统及方法。


背景技术：

2.负荷特性是用电设备耗电时特有的电气特征，不同的电器设备工作时其负荷特性具有或大或小的差异，如不同的设备消耗有功、无功不同，线性负荷与非线性负荷的电流曲线和谐波含量不同，电动负荷与非电动类负荷v
‑
i特性不同。
3.随着我国智能小区和工业用电的不断建设和发展，积累了大量居民用电数据。面对散乱的海量数据需要进行挖掘并研究居民、工业用电行为类型，对负荷特征进行分析。居民负荷特征可能包含以下影响因素：(1)日最小负荷率，最小负荷/日最大负荷；(2)日峰谷差，日最大负荷
‑
日最小负荷；(3)日峰谷差率，(日最大负荷
‑
日最小负荷)/日最大负荷；(4)日负荷率，用户平均负荷/最大负荷。现有技术无法对负荷进行识别，或者识别不准确。


技术实现要素：

4.为了克服现有技术存在的缺点，本发明提出了一种基于神经网络的负荷特征分析系统及方法，实现对现场负荷特征数据进行现场采集分析。
5.本发明提供一种基于神经网络的负荷特征分析系统，包括模拟采集传感器、信号调理电路、a/d转换板卡、fpga单元、dsp计算单元、负荷特征数据输出显示单元；模拟采集传感器连接信号调理电路，信号调理电路连接a/d转换板卡，a/d板卡连接fpga单元，fpga单元连接dsp计算单元，dsp计算单元连接负荷特征数据输出显示单元。
6.基于上述分析系统的分析方法，包括以下步骤：
7.步骤1，在负荷现场，利用模拟采集传感器采集现场负荷的电压、电流信号；
8.步骤2，采集到的电压、电流信号经信号调理电路调整成为a/d转换板卡适合的信号；
9.步骤3，步骤2调整后的信号传送至a/d转换板卡，a/d转换板卡将采集到模拟信号转换为数字信号；
10.步骤4，利用fpga单元对硬件电路直接编程、并进行计算，实现多路信号的同步采集，保证数据的快速一致性；
11.步骤5，dsp计算单元对多路采集数据进行分析，得到负荷特征数据；
12.步骤6，负荷特征数据输出显示单元输出显示负荷特征数据分析结果。
13.所述的dsp计算单元，植入神经网络分析算法；所述的神经网络分析算法的具体步骤为：
14.(1)获取电力用户用电信息，采集系统中的负荷数据向量x＝[x1,x2,x3]
t
；例如(x1、x2、x3)＝(电压、电流、容量)；第i个神经元的权值系数构成的加权矢量w
i
＝[w
i1
,w
i2
,
w
i3
]
t
，在没有反馈的情况下，神经元的稳态输出值为
[0015]
(2)找到y
i
取最大值时的神经元i；
[0016]
(3)为使网络具有一种聚类功能，定义一个拓扑领域n
c
，使n
c
内的单元输出为1，n
c
外的单元输出为0；
[0017]
(4)权值的训练公式为：
[0018]
其中0<a(t)<1，为学习因子，权值训练后返回步骤(2)，直到n
c
满足要求为止；
[0019]
(5)输入下一个矢量，转入步骤(1)进行下一轮的学习，直到所有的样本都学习完为止。
[0020]
本发明的有益效果在于：本发明可以实现对现场负荷特征数据进行现场采集分析，方便工程技术人员对现场载波通信影响因素的判断。其主要优点在于，通过fpga可以实现多路信号的同步采集，保证数据的快速一致性；同时采用高性能dsp计算芯片，并植入先进的神经网络分析算法，对多路采集数据进行分析，得到负荷特征数据。可以在线现场就特征数据分析，不用采取录波方式。
附图说明
[0021]
图1为本发明基于神经网络的负荷特征分析系统各部分连接关系图；
[0022]
图2为本发明基于神经网络的负荷特征分析方法流程图。
具体实施方式
[0023]
实施例1，本发明提供一种基于神经网络的负荷特征分析系统，包括模拟采集传感器、信号调理电路、a/d转换板卡、fpga单元、dsp计算单元、负荷特征数据输出显示单元；模拟采集传感器连接信号调理电路，信号调理电路连接a/d转换板卡，a/d板卡连接fpga单元，fpga单元连接dsp计算单元，dsp计算单元连接负荷特征数据输出显示单元。
[0024]
基于上述分析系统的分析方法，包括以下步骤：
[0025]
步骤1，在负荷现场，利用模拟采集传感器采集现场负荷的电压、电流信号；
[0026]
步骤2，采集到的电压、电流信号经信号调理电路调整成为a/d转换板卡适合的信号；
[0027]
步骤3，步骤2调整后的信号传送至a/d转换板卡，a/d转换板卡将采集到模拟信号转换为数字信号；
[0028]
步骤4，利用fpga单元对硬件电路直接编程、并进行计算，实现多路信号的同步采集，保证数据的快速一致性；
[0029]
步骤5，dsp计算单元对多路采集数据进行分析，得到负荷特征数据；
[0030]
步骤6，负荷特征数据输出显示单元输出显示负荷特征数据分析结果。
[0031]
所述的dsp计算单元，植入神经网络分析算法；所述的神经网络分析算法的具体步骤为：
[0032]
(1)获取电力用户用电信息，采集系统中的负荷数据向量x＝[x1,x2,x3]
t
；例如
(x1、x2、x3)＝(电压、电流、容量)；第i个神经元的权值系数构成的加权矢量w
i
＝[w
i1
,w
i2
,w
i3
]
t
，在没有反馈的情况下，神经元的稳态输出值为
[0033]
(2)找到y
i
取最大值时的神经元i；
[0034]
(3)为使网络具有一种聚类功能，定义一个拓扑领域n
c
，使n
c
内的单元输出为1，n
c
外的单元输出为0；
[0035]
(4)权值的训练公式为：
[0036]
其中0<a(t)<1，为学习因子，权值训练后返回步骤(2)，直到n
c
满足要求为止；
[0037]
(5)输入下一个矢量，转入步骤(1)进行下一轮的学习，直到所有的样本都学习完为止。
[0038]
神经网络分析方法，重点用于分析现场的v
‑
i动态轨迹，提取谐波分量等影响hplc通信的主要因素。


技术特征：
1.一种基于神经网络的负荷特征分析系统，其特征在于，包括模拟采集传感器、信号调理电路、a/d转换板卡、fpga单元、dsp计算单元、负荷特征数据输出显示单元；模拟采集传感器连接信号调理电路，信号调理电路连接a/d转换板卡，a/d板卡连接fpga单元，fpga单元连接dsp计算单元，dsp计算单元连接负荷特征数据输出显示单元。2.根据权利要求1所述的一种基于神经网络的负荷特征分析系统，其特征在于，其分析方法包括以下步骤：步骤1，在负荷现场，利用模拟采集传感器采集现场负荷的电压、电流信号；步骤2，采集到的电压、电流信号经信号调理电路调整成为a/d转换板卡适合的信号；步骤3，步骤2调整后的信号传送至a/d转换板卡，a/d转换板卡将采集到模拟信号转换为数字信号；步骤4，利用fpga单元对硬件电路直接编程、并进行计算，实现多路信号的同步采集，保证数据的快速一致性；步骤5，dsp计算单元对多路采集数据进行分析，得到负荷特征数据；步骤6，负荷特征数据输出显示单元输出显示负荷特征数据分析结果。3.根据权利要求2所述的一种基于神经网络的负荷特征分析系统，其特征在于，所述的dsp计算单元，植入神经网络分析算法；所述的神经网络分析算法的具体步骤为：(1)获取电力用户用电信息，采集系统中的负荷数据向量x＝[x1,x2,x3]
t
；第i个神经元的权值系数构成的加权矢量w
i
＝[w
i1
,w
i2
,w
i3
]
t
，在没有反馈的情况下，神经元的稳态输出值为(2)找到y
i
取最大值时的神经元i；(3)为使网络具有一种聚类功能，定义一个拓扑领域n
c
，使n
c
内的单元输出为1，n
c
外的单元输出为0；(4)权值的训练公式为：其中0<a(t)<1，为学习因子，权值训练后返回步骤(2)，直到n
c
满足要求为止；(5)输入下一个矢量，转入步骤(1)进行下一轮的学习，直到所有的样本都学习完为止。

技术总结
一种基于神经网络的负荷特征分析系统及方法，涉及电力系统分析技术领域，包括模拟采集传感器、信号调理电路、A/D转换板卡、FPGA单元、DSP计算单元、负荷特征数据输出显示单元；模拟采集传感器连接信号调理电路，信号调理电路连接A/D转换板卡，A/D板卡连接FPGA单元，FPGA单元连接DSP计算单元，DSP计算单元连接负荷特征数据输出显示单元。本发明的有益效果在于：本发明可以实现对现场负荷特征数据进行现场采集分析，方便工程技术人员对现场载波通信影响因素的判断。影响因素的判断。影响因素的判断。


技术研发人员：李汐 崔胜胜 孙剑锋 马斌 华书蓓 杨艳 高阳 刘于超 包积花 王逸晖 龙存玉 李琰
受保护的技术使用者：国网青海省电力公司
技术研发日：2021.07.01
技术公布日：2021/10/23