一种交流微电网的电能计量方法、系统、设备和介质与流程

1.本发明涉及电能计量技术领域，尤其涉及一种交流微电网的电能计量方法、系统、设备和介质。


背景技术：

2.随着以新能源为主体的新型电力系统的构建，分布式电源因发电灵活、就地消纳、绿色清洁等优势已成新型电力系统发展的重要补充。交流微电网作为提高分布式电源利用的一种有效方式，具有不间断供电、运行方式灵活、可用于重要负荷应急电源等特点。然而，由于大量含非线性负载灵活接入交流微电网中，具有随机性和不确定性等特征，且用户与交流微电网之间电能双向流动，会导致交流微电网系统抗干扰能力差。
3.目前，现有的电能计量装置是在额定频率为50hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降。


技术实现要素：

4.本发明提供了一种交流微电网的电能计量方法、系统、设备和介质，解决了现有的电能计量装置是在额定频率为50hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降的技术问题。
5.本发明第一方面提供的一种交流微电网的电能计量方法，包括：
6.响应于接收到的电能计量请求，确定所述电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集；
7.对所述电网谐波数据集进行预处理，构建对应的目标白噪声数据集；
8.采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型；
9.采用待检测谐波数据输入所述目标电能计量模型，输出所述待检测交流微电网对应的目标谐波电能。
10.可选地，所述对所述电网谐波数据集进行预处理，生成对应的白噪声数据集的步骤，包括：
11.对所述电网谐波数据集内的每个电网谐波数据分别注入多个不同类型的白噪声信号，生成各所述电网谐波数据对应的多个初始白噪声数据；
12.采用多个初始白噪声数据构建初始白噪声数据集；
13.对所述初始白噪声数据集进行经验模态分解，构建中间白噪声数据集；
14.对所述中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集。
15.可选地，所述对所述初始白噪声数据集进行经验模态分解，构建中间白噪声数据集的步骤，包括：
16.对所述初始白噪声数据集内的各所述初始白噪声数据进行分解，得到对应的目标分量和目标余项；
17.采用多个同类型的所述初始白噪声数据对应的所述目标分量和所述目标余项分别进行均值运算，得到多个对应的目标均值数据，所述目标均值数据包括分量均值和余项均值；
18.对各所述目标均值数据进行零均值归一化，生成对应的中间白噪声数据；
19.采用多个中间白噪声数据构建中间白噪声数据集。
20.可选地，所述对所述中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集的步骤，包括：
21.对所述中间白噪声数据集内的各所述中间白噪声数据进行希尔伯特变换，确定对应的目标瞬时频率；
22.采用各所述目标瞬时频率输入预设评价函数，输出各所述中间白噪声数据对应的目标评分；
23.比较各所述目标评分与预设标准评分；
24.若所述目标评分小于或等于所述预设标准评分，则剔除所述目标评分关联的所述中间白噪声数据；
25.若所述目标评分大于所述预设标准评分，则将所述目标评分关联的所述中间白噪声数据作为目标白噪声数据；
26.采用多个所述目标白噪声数据构建目标白噪声数据集。
27.可选地，所述采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型的步骤，包括：
28.采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标；
29.计算所述训练指标与关联的标准指标之间的训练损失值；
30.比对所述训练损失值与预设标准损失值；
31.若所述训练损失值小于或等于所述预设标准损失值，则停止训练，生成目标电能计量模型；
32.若所述训练损失值大于所述预设标准损失值，则按照预设梯度调整所述预设初始电能计量模型的网络参数；
33.跳转执行所述采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标的步骤，直至所述训练损失值小于或等于所述预设标准损失值，生成所述目标电能计量模型。
34.本发明第二方面提供的一种交流微电网的电能计量系统，包括：
35.响应模块，用于响应于接收到的电能计量请求，确定所述电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集；
36.数据预处理模块，用于对所述电网谐波数据集进行预处理，构建对应的目标白噪声数据集；
37.模型训练模块，用于采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型；
38.电能计量模块，用于采用待检测谐波数据输入所述目标电能计量模型，输出所述待检测交流微电网对应的目标谐波电能。
39.可选地，所述数据预处理模块包括：
40.初始白噪声数据子模块，用于对所述电网谐波数据集内的每个电网谐波数据分别注入多个不同类型的白噪声信号，生成各所述电网谐波数据对应的多个初始白噪声数据；
41.初始白噪声数据集子模块，用于采用多个初始白噪声数据构建初始白噪声数据集；
42.中间白噪声数据集子模块，用于对所述初始白噪声数据集进行经验模态分解，构建中间白噪声数据集；
43.目标白噪声数据子模块，用于对所述中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集。
44.可选地，所述中间白噪声数据集子模块包括：
45.分解单元，用于对所述初始白噪声数据集内的各所述初始白噪声数据进行分解，得到对应的目标分量和目标余项；
46.目标均值数据单元，用于采用多个同类型的所述初始白噪声数据对应的所述目标分量和所述目标余项分别进行均值运算，得到多个对应的目标均值数据，所述目标均值数据包括分量均值和余项均值；
47.中间白噪声数据单元，用于对各所述目标均值数据进行零均值归一化，生成对应的中间白噪声数据；
48.中间白噪声数据集构建单元，用于采用多个中间白噪声数据构建中间白噪声数据集。
49.本发明第三方面提供的一种电子设备，包括存储器及处理器，所述存储器中储存有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器执行如上述任一项所述的交流微电网的电能计量方法的步骤。
50.本发明第四方面提供的一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被执行时实现如上述任一项所述的交流微电网的电能计量方法。
51.从以上技术方案可以看出，本发明具有以下优点：
52.响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集，对电网谐波数据集进行预处理，构建对应的目标白噪声数据集，采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型，采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能；解决现有的电能计量装置是在额定频率为50hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降的技术问题；通过结合eemd分解算法和深度信念网络(dbn网络)构建的目标电能计量模型对含有非线性负载的交流微电网中谐波电流信号进行分析，即根据谐波电流信号自身的结构特点通过eemd分解算法自适应的获取信号的局部时间和频率特征信息，并借助dbn网络强大的数据表征能力，从而实现谐波分量自适应检测，进而实达到了谐波电能和间谐波电能精确检测和计量的有益效果。
附图说明
53.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。
54.图1为本发明实施例一提供的一种交流微电网的电能计量方法的步骤流程图；
55.图2为本发明实施例二提供的一种交流微电网的电能计量方法的步骤流程图；
56.图3为本发明实施例提供的一种谐波功率潮流流向图；
57.图4为本发明实施例二提供的一种交流微电网结构图；
58.图5为本发明实施例二提供的一种预设初始电能计量模型示意图；
59.图6为本发明实施例二提供的一种不同目标电能计量模型层的对应性能示意图；
60.图7为本发明实施例二提供的一种模型损失函数的近似值示意图；
61.图8为本发明实施例二提供的一种谐波自适应检测架构图；
62.图9为本发明实施例三提供的一种交流微电网的电能计量系统的结构框图。
具体实施方式
63.本发明实施例提供了一种交流微电网的电能计量方法、系统、设备和介质，用于解决现有的电能计量装置是在额定频率为50hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降的技术问题。
64.电能的计量方式有全波电能计量、基波电能计量、基波和谐波电能分别计量三种方式。全波电能计量方式会导致交流微电网中线性负载用户在遭受谐波危害的同时，还要多缴纳电费；而非线性负载用户不仅造成谐波污染，而且还少缴电费。基波电能计量方式可以避免线性负载用户承担额外的谐波电能费用，但非线性负载用户只需支付基波有功电能电费，而其产生谐波污染的行为并未受到任何经济处罚。基波电能和谐波电能分开计量方式，按照实际注入或消纳电力谐波的情况分摊相应电能费用，有助于推进对电能的更准确计量而且对供需双方抑制电力谐波、提高电能利用率等均有激励作用。
65.交流微电网系统中非线性负载作为谐波源，在吸收有功功率的同时，会将其中一部分基波功率转化为谐波和间谐波，反送到交流微电网系统中，从而引起系统中线性负载的电压、电流波形畸变。非线性负载产生的谐波和间谐波有功功率与基波有功功率方向相反，从而使得其消耗的总有功功率小于基波有功功率，造成电能少计。如上述分析，线性负载消耗的总有功功率大于基波有功功率，造成电能多计。谐波功率潮流流向如图3所示。
66.基波有功功率平衡表达式如式(1)所示：
67.pg＝p1+p2+
…
+pn+psꢀꢀ
(1)
68.谐波和间谐波有功功率平衡表达式如式(2)所示：
69.pk＝p
sk
+p
1k
+p
2k
…
+p
nk
ꢀꢀ
(2)
70.为使得本发明的发明目的、特征、优点能够更加的明显和易懂，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，下面所描述的实施例仅仅是本发明一部分实施例，而非全部的实施例。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它实施例，都属于本发明保护的范围。
71.请参阅图1，图1为本发明实施例一提供的一种交流微电网的电能计量方法的步骤流程图。
72.本发明提供的一种交流微电网的电能计量方法，包括：
73.步骤101、响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集。
74.电能计量请求，指的是针对交流微电网进行电能计量的请求信息。
75.电网谐波数据集，指的是采集待检测交流微电网在非线性负载下所产生的电压、电流信号数据，选取的特征参量包括数据来源类型、采样节点、采样频率和数据长度。
76.在本发明实施例中，响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集。
77.步骤102、对电网谐波数据集进行预处理，构建对应的目标白噪声数据集。
78.预处理，指的是对电网谐波数据集注入白噪声信号，然后再进行emd分解和hilbert变换之后，通过评价函数筛选出得分较高的目标白噪声数据集。
79.在本发明实施例中，对电网谐波数据集注入白噪声信号，然后再进行emd分解和hilbert变换之后，通过评价函数筛选出得分较高的目标白噪声数据集。
80.步骤103、采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型。
81.目标电能计量模型，指的是用于接收待检测交流微电网对应待检测谐波数据，输出对应待检测交流微电网对应的目标谐波电能的计量模型。
82.在本发明实施例中，根据预处理得到的目标白噪声数据集对目标白噪声数据集输入预设初始电能计量模型进行训练，从而生成对应的目标电能计量模型。
83.步骤104、采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能。
84.在本发明实施例中，采用待检测谐波数据输入目标电能计量模型，输出对应的电压信号、电流信号和幅值谱，采用最小二乘法进行频谱峰值拟合，获得电力谐波的幅值、角频率和初相角，进而生成对应的目标谐波电能。
85.在本发明中，响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集，对电网谐波数据集进行预处理，构建对应的目标白噪声数据集，采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型，采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能；解决现有的电能计量装置是在额定频率为50hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降的技术问题；通过结合eemd分解算法和深度信念网络(dbn网络)构建的目标电能计量模型对含有非线性负载的交流微电网中谐波电流信号进行分析，即根据谐波电流信号自身的结构特点通过eemd分解算法自适应的获取信号的局部时间和频率特征信息，并借助dbn网络强大的数据表征能力，从而实现谐波分量自适应检测，进而实达到了谐波电能和间谐波电能精确检
测和计量的有益效果。
86.请参阅图2，图2为本发明实施例二提供的一种交流微电网的电能计量方法的步骤流程图。
87.本发明提供的一种交流微电网的电能计量方法，包括：
88.步骤201、响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集。
89.需要说明的是，本发明是应用于交流微电网进行电能计量，在本实施例中，交流mg结构如图4所示，交流微电网由由额定功率为150kw的光伏发电，额定功率为15kw的风力发电，额定功率为80kw混合储能系统及能源管理系统组成，通过400v交流母线接入大电网。
90.电能表数据采集设备为dewe5000型电能质量测试仪，电能表数据采集设备具有16个隔离输入模块和100mb/s信号输出速率，能够实现电压、电流信号现场数据采集。本次采集的原始数据为电压、电流信号，得到的总样本点数量为3
×
106，基波频率为50hz，一个周波内采样200个点，5min采样60000个周波。采样点设置在交流mg实验室的pcc点，通过开关控制进行不同工况切换，采集范围包括储能放电、风力发电、光伏发电、风光储等工况下实时电压、电流数据。
91.电网谐波数据集包括储能放电、风力发电、光伏发电、风光发电、风光储能发电等非线性负载所产生的电压、电流信号，选取的特征参量包括数据来源类型、采样节点、采样频率和数据长度。首先对数据进行分段，从每组测量数据中取出100000条数据，分为2组，其中1组作为训练数据集，总共90000条，用于训练dbn-eemd模型；另外1组作为测试数据集，用于验证模型，总共10000条。
92.表1、不同工况下数据来源
93.工况类型采样节点采样频率(khz)时间长度工况1储能放电并网点10khz5min工况2风力发电并网点10khz5min工况3光伏发电并网点10khz5min工况4风光发电并网点10khz5min工况5风光储能发电并网点10khz5min
94.在本发明实施例中，步骤201的具体实施过程与步骤101类似，在此不再赘述。
95.步骤202、对电网谐波数据集内的每个电网谐波数据分别注入多个不同类型的白噪声信号，生成各电网谐波数据对应的多个初始白噪声数据。
96.值得一提的是，针对emd信号进行分解时易出现模态混叠、频率波动等问题，结合高斯白噪声(white gaussian noise，wgn)频谱的均匀分布、零均值特性，norden e.huang提出了eemd方法。由于wgn信号的注入，不同时间尺度的微电网输出电压、电流信号会自动分布到合适的参考尺度上。经过多次分解，注入的wgn信号相互抵消。以eemd多次分解的平均值时作为最终结果。
97.值得一提的是，将原始电压电流信号经过eemd进行分解，由于电能计量的信息主要体现在高频上，所以，只考虑前四个imf分量。
98.在本发明实施例中，电网谐波数据为电压、电流信号，非线性负载在不同工况下产生的电网谐波数据x(t)注入白噪声ωi(t)中，得到复合信号xi(t)，公式如下：
99.xi(t)＝x(t)+ωi(t)
ꢀꢀ
(3)
100.式中，x(t)表示第i个电网谐波数据，ωi(t)表示第i个白噪声，xi(t)表示第i个复合信号，i＝1,2,
…
,m。
101.步骤203、采用多个初始白噪声数据构建初始白噪声数据集。
102.在本发明实施例中，采用多个初始白噪声数据构建初始白噪声数据集。
103.步骤204、对初始白噪声数据集进行经验模态分解，构建中间白噪声数据集。
104.进一步地，步骤204可以包括以下子步骤：
105.s11、对初始白噪声数据集内的各初始白噪声数据进行分解，得到对应的目标分量和目标余项。
106.在本发明实施例中，对复合信号xi(t)进行emd分解，得到n个imf(intrinsic mode function，imf)目标分量ci(t)及目标余项ri(t)，公式如下：
107.xi(t)＝ci(t)+ri(t)
ꢀꢀ
(4)
108.式中，ci(t)表示目标分量，ri(t)表示目标余项，i＝1,2,
…
,n。
109.s12、采用多个同类型的初始白噪声数据对应的目标分量和目标余项分别进行均值运算，得到多个对应的目标均值数据，目标均值数据包括分量均值和余项均值。
110.值得一提的是，在步骤202中，在每个电网谐波数据x(t)中注入的是不同的wgn信号。
111.在本发明实施例中，利用高斯白噪声频谱的零均值原理，在步骤202中电网谐波数据x(t)中注入不同的wgn信号，重复式(3)、式(4)达到预定分解次数，将所分解的imf分量求均值，公式如下：
[0112][0113][0114]
式中，c(t)表示分量均值，n表示imf分量数量，r(t)表示余项均值，m表示余项分量数量。
[0115]
值得一提的是，每个初始白噪声数据对应有一个分量均值和一个余项均值，此处有多个初始白噪声数据。
[0116]
s13、对各目标均值数据进行零均值归一化，生成对应的中间白噪声数据。
[0117]
在本发明实施例中，利用wgn信号零均值归一化，消除wgn影响，获取中间白噪声数据xs(t)，公式如下：
[0118]
xs(t) ＝c(t)+r(t)
ꢀꢀ
(7)
[0119]
式中，xs(t)表示中间白噪声数据。
[0120]
s14、采用多个中间白噪声数据构建中间白噪声数据集。
[0121]
在本发明实施例中，采用多个中间白噪声数据构建中间白噪声数据集.
[0122]
步骤205、对中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集。
[0123]
s21、对中间白噪声数据集内的各中间白噪声数据进行希尔伯特变换，确定对应的目标瞬时频率。
[0124]
在本发明实施例中，对中间白噪声数据xs(t)分解出的中间imf分量cs(t)进行hilbert变换，则可获得目标瞬时频率，公式如下：
[0125][0126][0127][0128]
值得一提的是，对中间白噪声数据xs(t)分解出的中间imf分量cs(t)进行hilbert变换进行hilbert变换，则可获得解析信号；通过相位函数获得瞬时角频率函数和瞬时频率函数。
[0129][0130][0131]
式中，fi(t)表示第i个目标瞬时频率，ω(t)表示瞬时角频率，表示相位，α(t)表示hilbert变换解析信号，h[cs(t)]表示幅值，cs(t)表示中间imf分量，z(t)表示解析信号，j表示实验标准偏差。
[0132]
值得一提的是，对解析信号z(t)进行变换后，可得到幅值谱h(ω(t),t)，根据上述推导，可得到交流mg中中间白噪声数据xs(t)的hilbert边际能量谱e(ω(t))，用于反映电流信号某一频率总的幅值和在整个时间跨度内的能量分布，如式(14)所示：
[0133]
h(ω(t),t)＝re∑α(t)e
j∫ω(t)dt
ꢀꢀ
(13)
[0134][0135]
式中，h(ω(t),t)表示幅值谱，e(ω(t))表示边际能量谱，re表示傅里叶变换。
[0136]
需要说明的是，在进行eemd分解时，加入的wgn需合理设置其系数，若系数设置过大或过小都会使分解误差增大，导致分解结果无意义。根据交流mg中原始电流信号特征，采用评价函数实验标准偏差来选择最优的wgn信号，降低因wgn系数设置不合理对分解结果的影响。
[0137]
s21、采用各目标瞬时频率输入预设评价函数，输出各中间白噪声数据对应的目标评分。
[0138]
在本发明实施例中，根据求出加入不同次wgn信号时，第j个imf的瞬时频率实验标准偏差si，得到式(15)：
[0139][0140][0141]
式中，si表示实验标准偏差，fi(t)
′
表示第i个imf的目标瞬时频率平均值，i＝1,2,
…
,j，根据加入不同次wgn信号，sj越小，则评分越高。
[0142]
s22、比较各目标评分与预设标准评分。
[0143]
在本发明实施例中，比较各中间白噪声数据关联的目标评分与预设标准评分
[0144]
s23、若目标评分小于或等于预设标准评分，则剔除目标评分关联的中间白噪声数
据。
[0145]
在本发明实施例中，若目标评分小于或等于预设标准评分，则剔除目标评分关联的中间白噪声数据。
[0146]
s24、若目标评分大于预设标准评分，则将目标评分关联的中间白噪声数据作为目标白噪声数据。
[0147]
在本发明实施例中，若目标评分大于预设标准评分，则将目标评分关联的中间白噪声数据作为目标白噪声数据。
[0148]
s25、采用多个目标白噪声数据构建目标白噪声数据集。
[0149]
在本发明实施例中，采用多个目标白噪声数据构建目标白噪声数据集，从而筛选出评分较高的目标白噪声数据。
[0150]
步骤206、采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型。
[0151]
值得一提的是，预设初始电能计量模型采用深度信念网络(deep belief network，dbn)，dbn是将多个受限玻尔兹曼机(restricted boltzmann machine,rbm)进行堆叠构成的，采用无监督模式从低层到高层训练各层rbm。使用反向传播(back propagation，bp)算法对整个预设初始电能计量模型训练误差进行微调。预设初始电能计量模型(dbn-bp的网络训练模型)如图5所示。
[0152]
值得一提的是，本发明采用hinton提出的对比散度(contrastive divergence，cd)算法对rbm进行快速训练和学习，用式(15)中评价函数最优的目标白噪声数据集作为标签值，把rbm输出特征向量作为预设初始电能计量模型输入特征向量，通过预设初始电能计量模型进行监督训练，反向不断调整参数，减小训练误差。最终利用目标电能计量模型获得匹配的最优wgn信号，减少人为设置误差，使得分离结果更加逼近理论值。
[0153]
s31、采用目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标。
[0154]
s32、计算训练指标与关联的标准指标之间的训练损失值。
[0155]
s33、比对训练损失值与预设标准损失值。
[0156]
s34、若训练损失值小于或等于预设标准损失值，则停止训练，生成目标电能计量模型。
[0157]
s35、若训练损失值大于预设标准损失值，则按照预设梯度调整预设初始电能计量模型的网络参数。
[0158]
s36、跳转执行采用目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标的步骤，直至训练损失值小于或等于预设标准损失值，生成目标电能计量模型。
[0159]
在本发明实施例中，采用目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标，计算训练指标与关联的标准指标之间的训练损失值，比对训练损失值与预设标准损失值，若训练损失值小于或等于预设标准损失值，则停止训练，生成目标电能计量模型；若训练损失值大于预设标准损失值，则按照预设梯度调整预设初始电能计量模型的网络参数跳转执行采用目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标的步骤，直至训练损失值小于或等于预
设标准损失值，生成目标电能计量模型。
[0160]
值得一提的是，在目标电能计量模型验证时，每次从电网谐波数据集中随机抽取一组来验证模型的准确性。上述过程完成之后，分别从5种不同工况下采集的数据中，随机抽取数据分析其电流及功率的谐波特性。数据采集设备设置相同采样频率均为10khz，时间长度均为5min，用于数据一致性和比较分析，不同工况下数据来源见表2。
[0161]
采用bp算法对整个目标电能计量模型训练误差进行微调。目标电能计量模型结构是信号提取效率的关键，此处通过量化目标电能计量模型不同层数的重构误差来对比不同结构对信号特征的提取效率。在经过多次试验后，将目标电能计量模型层数设置为3层，每层的节点数依次为350、200和50个，得到的重构误差是最小的(0.010)，耗时8.1秒，对比结果如表2所示。
[0162]
表2、目标电能计量模型层数对比表
[0163][0164]
需要说明的是，对目标电能计量模型的损失函数进行了测试，经过8次迭代，测试误差和训练误差分别降低到了0.01％和0.02％，试验表明测试训练误差明显小于训练误差，两者基本逼近零值，性能测试结果如图6和图7所示。
[0165]
步骤207、采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能。
[0166]
在本发明实施例中，采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的谐波电压和谐波电流，计算谐波的功率：
[0167]
p＝u(t)
·
i(t)
ꢀꢀ
(17)
[0168]
式中，p表示谐波功率，u(t)表示谐波电压，i(t)表示谐波电流。
[0169]
值得一提的是，基波功率和谐波功率方向相反，则用户负载产生谐波，现场电能表会少计电量，因此应对反向谐波功率单独计算分析，得到谐波产生的电能：
[0170]
e＝pt
ꢀꢀ
(18)
[0171]
式中，e表示反向谐波产生的电能，t表示时间。
[0172]
如图8所示，先利用测试设备对交流mg中不同工况下非线性负载产生的原始谐波数据进行采样，将采样数据合理分类后整合成没有标签的电网谐波数据集。接着，对每组原始数据人为加入白噪声信号，再进行emd分解和hilbert变换之后，通过评价函数筛选出得分较高的目标白噪声数据集。然后，利用原始采样数据集和目标白噪声数据集作为测试数据集，对预设初始电能计量模型进行训练。最后，在进行谐波检测时，直接将原始采样数据送入训练好的目标电能计量模型，目标电能计量模型根据交流mg中的信号数据特征会自适
应匹配白噪声信号，从而减少人为设置误差，使得分离结果更加逼近理论值。
[0173]
在本发明中，响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集，对电网谐波数据集进行预处理，构建对应的目标白噪声数据集，采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型，采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能；解决现有的电能计量装置是在额定频率为50hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降的技术问题；通过结合eemd分解算法和深度信念网络(dbn网络)构建的目标电能计量模型对含有非线性负载的交流微电网中谐波电流信号进行分析，即根据谐波电流信号自身的结构特点通过eemd分解算法自适应的获取信号的局部时间和频率特征信息，并借助dbn网络强大的数据表征能力，从而实现谐波分量自适应检测，进而实达到了谐波电能和间谐波电能精确检测和计量的有益效果。
[0174]
请参阅图9，图9为本发明实施例三提供的一种交流微电网的电能计量系统的结构框图。
[0175]
本发明提供的一种交流微电网的电能计量系统，包括：
[0176]
响应模块301，用于响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集；
[0177]
数据预处理模块302，用于对电网谐波数据集进行预处理，构建对应的目标白噪声数据集；
[0178]
模型训练模块303，用于采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型；
[0179]
电能计量模块304，用于采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能。
[0180]
进一步地，数据预处理模块302包括：
[0181]
初始白噪声数据子模块，用于对电网谐波数据集内的每个电网谐波数据分别注入多个不同类型的白噪声信号，生成各电网谐波数据对应的多个初始白噪声数据。
[0182]
初始白噪声数据集子模块，用于采用多个初始白噪声数据构建初始白噪声数据集。
[0183]
中间白噪声数据集子模块，用于对初始白噪声数据集进行经验模态分解，构建中间白噪声数据集。
[0184]
目标白噪声数据子模块，用于对中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集。
[0185]
进一步地，中间白噪声数据集子模块包括：
[0186]
分解单元，用于对初始白噪声数据集内的各初始白噪声数据进行分解，得到对应的目标分量和目标余项；
[0187]
目标均值数据单元，用于采用多个同类型的初始白噪声数据对应的目标分量和目标余项分别进行均值运算，得到多个对应的目标均值数据，目标均值数据包括分量均值和余项均值；
[0188]
中间白噪声数据单元，用于对各目标均值数据进行零均值归一化，生成对应的中间白噪声数据；
[0189]
中间白噪声数据集构建单元，用于采用多个中间白噪声数据构建中间白噪声数据集。
[0190]
进一步地，目标白噪声数据子模块包括：
[0191]
目标瞬时频率单元，用于对中间白噪声数据集内的各中间白噪声数据进行希尔伯特变换，确定对应的目标瞬时频率。
[0192]
目标评分单元，用于采用各目标瞬时频率输入预设评价函数，输出各中间白噪声数据对应的目标评分。
[0193]
评分比较单元，用于比较各目标评分与预设标准评分。
[0194]
第一数据处理单元，用于若目标评分小于或等于预设标准评分，则剔除目标评分关联的中间白噪声数据。
[0195]
第二数据处理单元，用于若目标评分大于预设标准评分，则将目标评分关联的中间白噪声数据作为目标白噪声数据。
[0196]
单元，用于采用多个目标白噪声数据构建目标白噪声数据集。
[0197]
进一步地，模型训练模块303包括：
[0198]
训练指标子模块，用于采用目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标。
[0199]
训练损失值子模块，用于计算训练指标与关联的标准指标之间的训练损失值。
[0200]
损失值比对子模块，用于比对训练损失值与预设标准损失值。
[0201]
第一模型处理子模块，用于若训练损失值小于或等于预设标准损失值，则停止训练，生成目标电能计量模型。
[0202]
第二模型处理子模块，用于若训练损失值大于预设标准损失值，则按照预设梯度调整预设初始电能计量模型的网络参数。
[0203]
跳转子模块，用于跳转执行采用目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标的步骤，直至训练损失值小于或等于预设标准损失值，生成目标电能计量模型。
[0204]
在本发明中，响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集，对电网谐波数据集进行预处理，构建对应的目标白噪声数据集，采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型，采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能；解决现有的电能计量装置是在额定频率为50hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降的技术问题；通过结合eemd分解算法和深度信念网络(dbn网络)构建的目标电能计量模型对含有非线性负载的交流微电网中谐波电流信号进行分析，即根据谐波电流信号自身的结构特点通过eemd分解算法自适应的获取信号的局部时间和频率特征信息，并借助dbn网络强大的数据表征能力，从而实现谐波分量自适应检测，进而实达到了谐波电能和间谐波电能精确检测和计量的有益效果。
[0205]
本发明实施例的一种电子设备，电子设备包括：存储器及处理器，存储器中储存有计算机程序；计算机程序被处理器执行时，使得处理器执行如上述任一实施例的交流微电网的电能计量方法。
[0206]
存储器可以是诸如闪存、eeprom(电可擦除可编程只读存储器)、eprom、硬盘或者rom之类的电子存储器。存储器具有用于执行上述方法中的任何方法步骤的程序代码的存储空间。例如，用于程序代码的存储空间可以包括分别用于实现上面的方法中的各种步骤的各个程序代码。这些程序代码可以从一个或者多个计算机程序产品中读出或者写入到这一个或者多个计算机程序产品中。这些计算机程序产品包括诸如硬盘，紧致盘(cd)、存储卡或者软盘之类的程序代码载体。程序代码可以例如以适当形式进行压缩。这些代码当由计算处理设备运行时，导致该计算处理设备执行上面所描述的方法中的各个步骤。
[0207]
本发明实施例提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被执行时实现如本发明任一实施例的交流微电网的电能计量方法。
[0208]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统，装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0209]
在本技术所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，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，仅仅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，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0210]
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网络单元上。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。
[0211]
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。
[0212]
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(可以是个人计算机，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、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0213]
以上所述，以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

技术特征：
1.一种交流微电网的电能计量方法，其特征在于，包括：响应于接收到的电能计量请求，确定所述电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集；对所述电网谐波数据集进行预处理，构建对应的目标白噪声数据集；采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型；采用待检测谐波数据输入所述目标电能计量模型，输出所述待检测交流微电网对应的目标谐波电能。2.根据权利要求1所述的交流微电网的电能计量方法，其特征在于，所述对所述电网谐波数据集进行预处理，生成对应的白噪声数据集的步骤，包括：对所述电网谐波数据集内的每个电网谐波数据分别注入多个不同类型的白噪声信号，生成各所述电网谐波数据对应的多个初始白噪声数据；采用多个初始白噪声数据构建初始白噪声数据集；对所述初始白噪声数据集进行经验模态分解，构建中间白噪声数据集；对所述中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集。3.根据权利要求2所述的交流微电网的电能计量方法，其特征在于，所述对所述初始白噪声数据集进行经验模态分解，构建中间白噪声数据集的步骤，包括：对所述初始白噪声数据集内的各所述初始白噪声数据进行分解，得到对应的目标分量和目标余项；采用多个同类型的所述初始白噪声数据对应的所述目标分量和所述目标余项分别进行均值运算，得到多个对应的目标均值数据，所述目标均值数据包括分量均值和余项均值；对各所述目标均值数据进行零均值归一化，生成对应的中间白噪声数据；采用多个中间白噪声数据构建中间白噪声数据集。4.根据权利要求3所述的交流微电网的电能计量方法，其特征在于，所述对所述中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集的步骤，包括：对所述中间白噪声数据集内的各所述中间白噪声数据进行希尔伯特变换，确定对应的目标瞬时频率；采用各所述目标瞬时频率输入预设评价函数，输出各所述中间白噪声数据对应的目标评分；比较各所述目标评分与预设标准评分；若所述目标评分小于或等于所述预设标准评分，则剔除所述目标评分关联的所述中间白噪声数据；若所述目标评分大于所述预设标准评分，则将所述目标评分关联的所述中间白噪声数据作为目标白噪声数据；采用多个所述目标白噪声数据构建目标白噪声数据集。5.根据权利要求1所述的交流微电网的电能计量方法，其特征在于，所述采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型的步骤，包括：采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成
对应的训练指标；计算所述训练指标与关联的标准指标之间的训练损失值；比对所述训练损失值与预设标准损失值；若所述训练损失值小于或等于所述预设标准损失值，则停止训练，生成目标电能计量模型；若所述训练损失值大于所述预设标准损失值，则按照预设梯度调整所述预设初始电能计量模型的网络参数；跳转执行所述采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，根据训练结果生成对应的训练指标的步骤，直至所述训练损失值小于或等于所述预设标准损失值，生成所述目标电能计量模型。6.一种交流微电网的电能计量系统，其特征在于，包括：响应模块，用于响应于接收到的电能计量请求，确定所述电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集；数据预处理模块，用于对所述电网谐波数据集进行预处理，构建对应的目标白噪声数据集；模型训练模块，用于采用所述目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型；电能计量模块，用于采用待检测谐波数据输入所述目标电能计量模型，输出所述待检测交流微电网对应的目标谐波电能。7.根据权利要求6所述的交流微电网的电能计量系统，其特征在于，所述数据预处理模块包括：初始白噪声数据子模块，用于对所述电网谐波数据集内的每个电网谐波数据分别注入多个不同类型的白噪声信号，生成各所述电网谐波数据对应的多个初始白噪声数据；初始白噪声数据集子模块，用于采用多个初始白噪声数据构建初始白噪声数据集；中间白噪声数据集子模块，用于对所述初始白噪声数据集进行经验模态分解，构建中间白噪声数据集；目标白噪声数据子模块，用于对所述中间白噪声数据集进行希尔伯特变换，构建目标白噪声数据集。8.根据权利要求7所述的交流微电网的电能计量系统，其特征在于，所述中间白噪声数据集子模块包括：分解单元，用于对所述初始白噪声数据集内的各所述初始白噪声数据进行分解，得到对应的目标分量和目标余项；目标均值数据单元，用于采用多个同类型的所述初始白噪声数据对应的所述目标分量和所述目标余项分别进行均值运算，得到多个对应的目标均值数据，所述目标均值数据包括分量均值和余项均值；中间白噪声数据单元，用于对各所述目标均值数据进行零均值归一化，生成对应的中间白噪声数据；中间白噪声数据集构建单元，用于采用多个中间白噪声数据构建中间白噪声数据集。9.一种电子设备，其特征在于，包括存储器及处理器，所述存储器中储存有计算机程
序，所述计算机程序被所述处理器执行时，使得所述处理器执行如权利要求1-5任一项所述的交流微电网的电能计量方法的步骤。10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1-5任一项所述的交流微电网的电能计量方法。

技术总结
本发明公开了一种交流微电网的电能计量方法、系统、设备和介质，响应于接收到的电能计量请求，确定电能计量请求对应的待检测交流微电网并获取对应的电网谐波数据集，对电网谐波数据集进行预处理，构建对应的目标白噪声数据集，采用目标白噪声数据集输入预设初始电能计量模型进行训练，生成对应的目标电能计量模型，采用待检测谐波数据输入目标电能计量模型，输出待检测交流微电网对应的目标谐波电能；解决现有的电能计量装置是在额定频率为50Hz下的标准正弦电压和电流信号下运行的，并未考虑交流微电网并网发电环境下的谐波和间谐波等干扰因素，会存在信号畸变、次同步振荡、电压波动等问题，从而使得电能计量的准确性下降的技术问题。降的技术问题。降的技术问题。


技术研发人员：裴润生 冯振亮 余永平 梁国强 梁活航
受保护的技术使用者：广东电网有限责任公司中山供电局
技术研发日：2023.05.16
技术公布日：2023/8/13