CN110095744A - 一种电子式互感器误差预测方法 - Google Patents

一种电子式互感器误差预测方法 Download PDF

Info

Publication number
CN110095744A
CN110095744A CN201910270880.7A CN201910270880A CN110095744A CN 110095744 A CN110095744 A CN 110095744A CN 201910270880 A CN201910270880 A CN 201910270880A CN 110095744 A CN110095744 A CN 110095744A
Authority
CN
China
Prior art keywords
mutual inductor
electronic mutual
data
sample data
environment parameter
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.)
Granted
Application number
CN201910270880.7A
Other languages
English (en)
Other versions
CN110095744B (zh
Inventor
黄奇峰
李红斌
卢树峰
杨世海
范洁
李志新
陈铭明
寇英刚
陈庆
徐敏锐
陈刚
孟展
陈文广
陆子刚
胡琛
成国峰
吴桥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Yangzhou Power Supply Co of Jiangsu Electric Power Co
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Huazhong University of Science and Technology
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Yangzhou Power Supply Co of Jiangsu Electric Power Co
Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Huazhong University of Science and Technology, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd, Yangzhou Power Supply Co of Jiangsu Electric Power Co, Electric Power Research Institute of State Grid Jiangsu Electric Power Co Ltd filed Critical Huazhong University of Science and Technology
Priority to CN201910270880.7A priority Critical patent/CN110095744B/zh
Publication of CN110095744A publication Critical patent/CN110095744A/zh
Application granted granted Critical
Publication of CN110095744B publication Critical patent/CN110095744B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种电子式互感器误差预测方法，包括下述步骤：采集电子式互感器的误差数据和环境参量数据生成样本数据，并剔除其中异常数据；基于Z‑score标准化方法对样本数据进行标准化处理；对环境参量的历史数据进行聚类处理，通过训练学习建立电子式互感器误差预测模型；根据环境参量值，基于预测模型对电子式互感器的比差和角差进行预测。优点：本发明不需要建立任何物理模型，基于多维数据驱动的方法，根据电子式互感器的误差数据和环境参量数据，可以实现电子式互感器误差的在线估计，解决了电子式互感器误差和环境参量不存在确定函数关系的问题，有利于提高电子式互感器误差预测的准确性。

Description

一种电子式互感器误差预测方法
技术领域
本发明属于输配电设备状态评估与故障诊断领域，更具体地，涉及一种基 于聚类神经网络的电子式互感器误差预测方法。
背景技术
电子式互感器是承担智能变电站数字化、自动化、信息化、互动化的关键 设备之一。采用电子式互感器后，信号传输光纤化从根本上解决了电磁式互感 器传输到二次设备的附加误差问题，大大提高了测量和计量***的准确性。但 是从现场运行问题来看，电子式互感器的准确度问题仍然占据较大的比例。尽 管所有的在运电子式互感器都通过了型式试验和出厂试验，但到现场安装时其 误差合格率普遍偏低，多数互感器都需要在现场进行误差调整。由于外界环境 参量的改变使得电子式互感器的误差发生变化，实验室内、现场离线运行以及 在线运行时电子式互感器的误差不一致，互感器误差状态的稳定性较差，严重 影响了电子式互感器的计量可信度。
电子式互感器的误差考核通常采用定期检修或者停电检修的方法，利用标 准电磁式互感器对电子式互感器进行校验，包括离线校验方法和在线校验方法。 这些校验方法无法评估电子式互感器的长期运行误差，而且现场实施困难，需 要繁重的劳动操作。
现有技术包括基于时序模型的电子式互感器误差预测方法，通过确定历史 状态数据在时间上的相关性对未来变化趋势进行预测。但是该方法没有计及外 界因素的作用，当外界环境发生较大变化时，预测结果可能存在较大误差。
现有技术还包括基于误差反向传播神经网络的电子式互感器误差预测方 法，将空心线圈电流互感器等效为一个多输入单输出的***，基于前馈神经网 络来逼近互感器误差的退化特性，根据神经网络模型对互感器的比差进行了预 测。但是该方法没有考虑样本数据中异常值对模型的结构和参数的影响，而且 该模型还存在容易陷入局部最小值、收敛速度慢等缺点。
综上所述，现有技术无法评估电子式互感器的长期运行误差，现场实施困 难，需要繁重的劳动操作，受外界环境影响大，现场预测结果可能存在较大误 差，不可靠等。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种电子式互感 器误差预测方法。
为解决上述技术问题，本发明提供
一种电子式互感器误差预测方法，其特征在于，包括下述步骤：
S1：采集电子式互感器误差值和环境参量值生成样本数据；
S2：对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感 器误差值和环境参量值的单位和数量级；
对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较 大的空间，得到不同分类的聚类中心；
S3：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建 立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；
S4：基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对 电子式互感器的比差和角差进行预测。
进一步地，所述步骤S1中，电子式互感器误差和环境参量值生成的样本数 据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数 据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
进一步地，所述步骤S2中，基于Z-score标准化方法对样本数据进行标准 化处理，计算公式为：其中x′表示标准化处理的值，x表示样本数据， 表示样本数据的平均值，σ表示样本数据的标准差。
进一步地，所述步骤S2中，选取样本数据中K个对象作为聚类中心；计算 样本数据和聚类中心之间的欧式距离：其中，n表示样本数据 的个数，xi表示样本数据值，UK表示聚类中心，按照距离最近的原则将样本数 据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类 中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心 的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。
进一步地，所述步骤S3中，以电子式互感器的比差或角差作为输出变量， 以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数 为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为 Xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量Xi的元素，第i个输出向量为 Yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量Yi的元素，输出层权重为W＝[ω1, ω2,…,ωK]T，其中ω1，ω2，...ωK为初始输出层权重向量W的元素，基函数中心 值为聚类中心[U1,U2,…,UK]T，其中U1,U2,…,UK为聚类中心的元素,T表示矩阵 的转置。
进一步地，所述隐含神经元的映射函数为高斯函数：
其中，j＝1,2,…,K，Uj为聚类中心的元素，σ2为聚类中心元素的标准差；
根据输出层权重和映射函数，求得神经网络的输出为：ωj为初始输出层权重向量W的元素，根据最小二乘法得到神经网络输出层的最 终权重Wn＝[w1，w2，...，wk]T，其中w1,w2,…,wK表示最终输出层权重向量Wn的元 素。
进一步地，将环境参量值Ci＝(c1,c2,…,cp)代入步骤S3所建立的神经网络 的输入，电子式互感器比差或者角差的预测值为：以电子 式互感器误差实际值fi为基准，计算预测误差：其中，c1,c2,…, cp表示环境参量的元素，wj为最终输出层权重向量的元素，N为计算点数。
一种电子式互感器误差预测***，其特征在于，包括依次连接的数据采集 模块、标准化处理及聚类处理模块、预测模型建立模块和预测模块；
所述数据采集模块用于采集电子式互感器误差值和环境参量值生成样本数 据；
所述标准化处理和聚类处理模块用于对电子式互感器误差值的样本数据进 行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级，以及 对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的 空间，得到不同分类的聚类中心；
所述预测模型建立模块用于将聚类后的电子式互感器误差数据和环境参量 数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和 角差预测模型；
所述预测模块基于训练得到的比差预测模型和角差预测模型，根据环境参 量值，对电子式互感器的比差和角差进行预测。
进一步地，所述电子式互感器误差和环境参量值生成的样本数据分布规律 采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b 表示样本数据的最小值和最大值，g和h表示为分布参数。
进一步地，所述标准化处理和聚类处理模块采用基于Z-score标准化方法对 样本数据进行标准化处理，计算公式为：其中x′表示标准化处理的值， x表示样本数据，表示样本数据的平均值，σ表示样本数据的标准差；
所述标准化处理和聚类处理模块选取样本数据中K个对象作为聚类中心； 计算样本数据和聚类中心之间的欧式距离：其中，n表示样本 数据的个数，xi表示样本数据值，UK表示聚类中心，按照距离最近的原则将样 本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同 聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类 中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。
进一步地，所述预测模型建立模块用于以电子式互感器的比差或角差作为 输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出 神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i 个输入向量为Xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量Xi的元素，第i 个输出向量为Yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量Yi的元素，输出 层权重为W＝[ω1,ω2,…,ωK]T，其中ω1，ω2，...ωK为初始输出层权重向量W的 元素，基函数中心值为聚类中心[U1,U2,…,UK]T，其中U1,U2,…,UK为聚类中心 的元素,T表示矩阵的转置；
所述隐含神经元的映射函数为高斯函数：
其中，j＝1,2,…,K，Uj为聚类中心的元素，σ2为聚类中 心元素的标准差，
根据输出层权重和映射函数，求得神经网络的输出为： ωj为初始输出层权重向量W的元素，根据最小二乘法得到 神经网络输出层的最终权重Wn＝[w1，w2，...，wk]T，其中w1,w2,…,wK表示最终输出 层权重向量Wn的元素。
进一步地，所述预测模块将环境参量值Ci＝(c1,c2,…,cp)代入步骤S4所建 立的神经网络的输入，电子式互感器比差或者角差的预测值为： 以电子式互感器误差实际值fi为基准，计算预测误差： 其中，c1,c2,…,cp表示环境参量的元素，wj为最终输出层权 重向量的元素，N为计算点数。
本发明所达到的有益效果：
本发明不需要建立任何物理模型，基于多维数据驱动的方法，根据电子式 互感器的误差数据和环境参量数据，可以实现电子式互感器误差的在线估计， 解决了电子式互感器误差和环境参量不存在确定函数关系的问题，有利于提高 电子式互感器误差预测的准确性。
附图说明
图1是本发明的实施流程示意图；
图2是电子式互感器误差状态监测平台示意图；
图3(a)、(b)、(c)、(d)和(f)分别是温度、湿度、振动、磁场和负荷 参量的聚类计算结果；
图4(a)和(b)分别是比差预测模型和角差预测模型的神经网络迭代结果；
图5(a)和(b)分别是基于本发明的电子式互感器的比差预测结果和角差 预测结果；
其中，1为空心线圈电流互感器，2为电磁式电流互感器，3为环境监测单 元，4为光纤远传单元，5为信号采集单元，6为数据处理单元，7为时间同步 单元，8为交换机，9为服务器。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明 本发明的技术方案，而不能以此来限制本发明的保护范围。
一种基于聚类神经网络的电子式互感器误差预测方法，包括以下步骤：
步骤1：采集电子式互感器误差值和环境参量值生成样本，基于β(g,h)分布 剔除样本中异常数据；
样本数据容量的取值范围在10000～∞，优选地，样本容量可以选取为15000。
电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布 来统一表示，即x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据 的最小值和最大值，g和h表示为分布参数。
令u＝(x-a)/(x-b)，分布参数g和h的估计值为：其中，表示u的均值，表示u的方差。
样本数据分布范围的估计值为：其中，为样本数据的均值，σ为样本数据的标准差。如果样本数据值在和之间， 则判断该数据为正常数据，否则判断该数据为异常数据，并将其剔除。
步骤2：基于Z-score标准化方法对剔除异常数据后的样本数据进行标准化 处理，统一电子式互感器误差值和环境参量值的单位和数量级；
针对剔除异常数据后的样本数据，基于Z-score标准化方法对样本数据进行 标准化处理，是一个分数与平均数的差再除以标准差的过程，计算公式为：
步骤3：对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个 差异较大的空间，得到不同分类的聚类中心；
选取样本数据中K个对象作为聚类中心，K的取值范围为1～4，优选地，K 取为4；计算样本数据和聚类中心之间的欧式距离：其中，n表示样本数据的个数，xi表示样本数据值，Uj表示聚类中心，按照距离 最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交 的聚类；将K个类别中所有样本数据的均值作为新的聚类中心；迭代计算样本 数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达 到最大迭代次数。
步骤4：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习， 建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；
以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变 量，通过训练学习建立径向基神经网络。该网络的输入神经元个数为p，输出神 经元个数为q，隐含神经元个数为K，p的取值范围为2～5，优选地，p取为5， q取为1；神经网络的第i个输入向量为Xi＝(x1,x2,…,xp)，第i个输出向量为Yi＝(y1, y2,…,yq)，输出层权重为W＝[ω1,ω2,…,ωK]T，基函数中心值为聚类中心[U1, U2,…Uj...,UK]T；隐含神经元的映射函数为高斯函数：其中，根据输出层权重和映射函数，可以求得神经网络的 输出为：根据最小二乘法得到 神经网络输出层的最终权重Wn＝[w1，w2，...，wk]T……(7)。
步骤5：基于训练得到的预测模型，根据环境参量值，对电子式互感器的比 差和角差进行预测。
将根据环境参量值Ci＝(c1,c2,…,cp)代入步骤S4所建立的神经网络的输入， 电子式互感器比差或者角差的预测值为：以电子 式互感器误差实际值fi为基准，计算预测误差：其 中N为计算点数。
下面结合附图和具体实施例对本发明作进一步说明。实施例是示例性的， 旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明按照以下步骤对电子式互感器的误差进行预测：
(1)搭建如图2所示的电子式互感器误差状态监测平台，采集电子式互感 器误差数据和环境参量数据。平台包括：环境监测单元3、光纤远传单元4、信 号采集单元5、数据处理单元6、时间同步单元7。平台中安装有一台0.2级的 空心线圈电流互感器1和一台0.2级的电磁式电流互感器2。以电磁式电流互感 器2输出为标准信号，可以得到空心线圈电流互感器1误差的比对结果。环境 监测单元3可对互感器安装处的环境参量进行采集，包括温度、湿度、振动、 磁场等参量；光纤远传单元4则将环境监测单元的数据标准化，发送给一台数 据处理单元6；数据处理单元6将数据通过交换机8传输给服务器9，监测数据 在服务器9中进行存储；信号采集单元5采集数字化电磁式电流互感器2的输 出数据；数据处理单元6同时接收信号采集单元5的输出数据和空心线圈电流 互感器1的采样值报文数据。根据环境参量和空心线圈电流互感器1的误差数 据构建原始随机矩阵D；时钟同步单元7构建了整个***的同步时钟***，负 责同步光纤远传单元4、数据处理单元6以及信号采集单元5。利用公式(1) 和公式(2)对数据样本中的2组异常数据进行剔除。
(2)利用公式(3)对剔除异常数据后的样本数据进行标准化处理，统一电 子式互感器误差值和环境参量值的单位和数量级。
(3)利用公式(4)反复迭代，得到环境参量的聚类中心，聚类结果如图3所示。
(4)以电子式互感器的比差或者角差作为输出变量，以温度、湿度、振 动、磁场和负荷参量作为输入变量，利用公式(5)～公式(7)计算神经网络输 出层的权重，建立聚类神经网络，神经网络迭代结果如图4所示。
(5)将环境参量代入神经网络，利用公式(8)预测电子式互感器的比差 或者角差，预测结果如图5所示，可以看出比差预测误差的最大绝对值为 0.05％，角差预测误差的最大绝对值为9.5’。以电子式互感器误差真实值为基 准，利用公式(9)计算预测误差，可以得到比差预测误差达到7.4％，角差预测 误差达到9.5％，表明预测结果和实际值吻合。本领域内的技术人员应明白，本 申请的实施例可提供为方法、***、或计算机程序产品。因此，本申请可采用 完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。 而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可 用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的 计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品 的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/ 或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或 方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式 处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机 或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流 程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设 备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中 的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个 流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使 得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处 理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个 流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。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，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些 改进和变形也应视为本发明的保护范围。

Claims (12)

1.一种电子式互感器误差预测方法，其特征在于，包括下述步骤：
S1：采集电子式互感器误差值和环境参量值生成样本数据；
S2：对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级；
对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；
S3：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；
S4：基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。
2.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S1中，电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
3.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S2中，基于Z-score标准化方法对样本数据进行标准化处理，计算公式为：其中x′表示标准化处理的值，x表示样本数据，表示样本数据的平均值，σ表示样本数据的标准差。
4.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S2中，选取样本数据中K个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离：其中，n表示样本数据的个数，xi表示样本数据值，UK表示聚类中心，按照距离最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。
5.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S3中，以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为Xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量Xi的元素，第i个输出向量为Yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量Yi的元素，输出层权重为W＝[ω1,ω2,…,ωK]T，其中ω1，ω2，...ωK为初始输出层权重向量W的元素，基函数中心值为聚类中心[U1,U2,…,UK]T，其中U1,U2,…,UK为聚类中心的元素,T表示矩阵的转置。
6.根据权利要求5所述的电子式互感器误差预测方法，其特征在于，所述隐含神经元的映射函数为高斯函数：
其中，j＝1,2,…,K，Uj为聚类中心的元素，σ2为聚类中心元素的标准差；
根据输出层权重和映射函数，求得神经网络的输出为：ωj为初始输出层权重向量W的元素，根据最小二乘法得到神经网络输出层的最终权重Wn＝[w1,w2,…,wk]T，其中w1,w2,…,wK表示最终输出层权重向量Wn的元素。
7.根据权利要求6所述的电子式互感器误差预测方法，其特征在于，将环境参量值Ci＝(c1,c2,…,cp)代入步骤S3所建立的神经网络的输入，电子式互感器比差或者角差的预测值为：以电子式互感器误差实际值fi为基准，计算预测误差：其中，c1,c2,…,cp表示环境参量的元素，wj为最终输出层权重向量的元素，N为计算点数。
8.一种电子式互感器误差预测***，其特征在于，包括依次连接的数据采集模块、标准化处理及聚类处理模块、预测模型建立模块和预测模块；
所述数据采集模块用于采集电子式互感器误差值和环境参量值生成样本数据；
所述标准化处理和聚类处理模块用于对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级，以及对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；
所述预测模型建立模块用于将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；
所述预测模块基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。
9.根据权利要求8所述的电子式互感器误差预测***，其特征在于，所述电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
10.根据权利要求8所述的电子式互感器误差预测***，其特征在于，所述标准化处理和聚类处理模块采用基于Z-score标准化方法对样本数据进行标准化处理，计算公式为：其中x′表示标准化处理的值，x表示样本数据，表示样本数据的平均值，σ表示样本数据的标准差；
所述标准化处理和聚类处理模块选取样本数据中K个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离：其中，n表示样本数据的个数，xi表示样本数据值，UK表示聚类中心，按照距离最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。
11.根据权利要求8所述的电子式互感器误差预测***，其特征在于，所述预测模型建立模块用于以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为Xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量Xi的元素，第i个输出向量为Yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量Yi的元素，输出层权重为W＝[ω1,ω2,…,ωK]T，其中ω1，ω2，...ωK为初始输出层权重向量W的元素，基函数中心值为聚类中心[U1,U2,…,UK]T，其中U1,U2,…,UK为聚类中心的元素,T表示矩阵的转置；
所述隐含神经元的映射函数为高斯函数：
其中，j＝1,2,…,K，Uj为聚类中心的元素，σ2为聚类中心元素的标准差，根据输出层权重和映射函数，求得神经网络的输出为：ωj为初始输出层权重向量W的元素，根据最小二乘法得到神经网络输出层的最终权重Wn＝[w1,w2,…,wk]T，其中w1,w2,…,wK表示最终输出层权重向量Wn的元素。
12.根据权利要求8所述的电子式互感器误差预测***，其特征在于，所述预测模块将环境参量值Ci＝(c1,c2,…,cp)代入步骤S4所建立的神经网络的输入，电子式互感器比差或者角差的预测值为：以电子式互感器误差实际值fi为基准，计算预测误差：其中，c1,c2,…,cp表示环境参量的元素，wj为最终输出层权重向量的元素，N为计算点数。
CN201910270880.7A 2019-04-04 2019-04-04 一种电子式互感器误差预测方法 Active CN110095744B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910270880.7A CN110095744B (zh) 2019-04-04 2019-04-04 一种电子式互感器误差预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910270880.7A CN110095744B (zh) 2019-04-04 2019-04-04 一种电子式互感器误差预测方法

Publications (2)

Publication Number Publication Date
CN110095744A true CN110095744A (zh) 2019-08-06
CN110095744B CN110095744B (zh) 2021-05-11

Family

ID=67444305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910270880.7A Active CN110095744B (zh) 2019-04-04 2019-04-04 一种电子式互感器误差预测方法

Country Status (1)

Country Link
CN (1) CN110095744B (zh)

Cited By (28)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110542879A (zh) * 2019-09-30 2019-12-06 国网四川省电力公司电力科学研究院 电容式电压互感器运行性能变化趋势预测方法与***
CN110632545A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于回归神经网络电子式互感器误差风险评估方法和装置
CN110632546A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于全网域证据集的电子式互感器可信度评估方法和装置
CN111160419A (zh) * 2019-12-13 2020-05-15 中国电力科学研究院有限公司 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN111537938A (zh) * 2020-03-31 2020-08-14 国网江西省电力有限公司电力科学研究院 基于智能算法的电子式互感器误差短时预测方法
CN111814390A (zh) * 2020-06-18 2020-10-23 三峡大学 基于传递熵和小波神经网络的电压互感器误差预测方法
CN111896905A (zh) * 2020-06-18 2020-11-06 中国电力科学研究院有限公司 电力互感器运行误差状态识别方法及装置
CN112379322A (zh) * 2020-11-05 2021-02-19 广东电网有限责任公司佛山供电局 一种电容式电压互感器在线监测方法
CN112816754A (zh) * 2020-12-22 2021-05-18 深圳供电局有限公司 电流互感器电流补偿方法及设备
CN112989587A (zh) * 2021-03-04 2021-06-18 国网湖南省电力有限公司 一种电容式电压互感器劣化成因在线分析方法及***
CN112990598A (zh) * 2021-03-31 2021-06-18 浙江禹贡信息科技有限公司 一种水库水位时间序列预测方法与***
CN113156359A (zh) * 2021-04-16 2021-07-23 中国电力科学研究院有限公司 一种用于确定电容式电压互感器计量误差的方法及***
CN113218444A (zh) * 2021-03-31 2021-08-06 中国电力科学研究院有限公司 一种电能计量设备运行环境智能传感方法及设备
CN113325357A (zh) * 2021-08-04 2021-08-31 华中科技大学 基于输出时间序列差分的电压互感器误差评估方法及***
CN113376562A (zh) * 2021-06-08 2021-09-10 国网重庆市电力公司营销服务中心 基于滚动时窗—fcm聚类的cvt校验方法、设备及介质
CN113447879A (zh) * 2021-05-27 2021-09-28 国网山东省电力公司营销服务中心(计量中心) 基于多应力影响的电能表计量误差预测方法、***及装置
CN113567904A (zh) * 2021-07-02 2021-10-29 中国电力科学研究院有限公司 一种适用于电容式互感器的计量误差的方法及***
CN113702895A (zh) * 2021-10-28 2021-11-26 华中科技大学 一种电压互感器误差状态在线定量评估方法
CN113743651A (zh) * 2021-08-04 2021-12-03 三峡大学 基于机器学习和svm算法的电子式电压互感器误差状态预测方法
CN113777552A (zh) * 2021-11-09 2021-12-10 武汉格蓝若智能技术有限公司 一种电容式电压互感器计量误差的预测方法及***
CN113821938A (zh) * 2021-11-18 2021-12-21 武汉格蓝若智能技术有限公司 一种互感器计量误差状态短期预测方法及装置
CN115480204A (zh) * 2022-09-29 2022-12-16 武汉格蓝若智能技术有限公司 基于大数据推演的电流互感器运行误差在线评估优化方法
CN115542230A (zh) * 2022-11-24 2022-12-30 武汉格蓝若智能技术股份有限公司 一种基于扩散模型的电流互感器误差估计方法及装置
CN115616470A (zh) * 2022-12-20 2023-01-17 国网福建省电力有限公司 电流互感器计量误差状态预测方法、***、设备及介质
CN115878963A (zh) * 2023-01-05 2023-03-31 国网江苏省电力有限公司营销服务中心 电容式电压互感器计量误差预测方法、***、终端及介质
CN116125361A (zh) * 2023-02-03 2023-05-16 华中科技大学 电压互感器误差评估方法、***、电子设备及存储介质
CN118091527A (zh) * 2024-04-24 2024-05-28 威胜集团有限公司 一种基于可解释性深度学习的电压互感器误差评估方法
CN118091527B (zh) * 2024-04-24 2024-07-09 威胜集团有限公司 一种基于可解释性深度学习的电压互感器误差评估方法

Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103412948A (zh) * 2013-08-27 2013-11-27 北京交通大学 基于聚类的协同过滤的商品推荐方法及***
CN103837770A (zh) * 2014-02-26 2014-06-04 广东电网公司电力科学研究院 电力设备缺陷检测维护方法
CN104850859A (zh) * 2015-05-25 2015-08-19 电子科技大学 一种基于多尺度分析的图像特征包构建方法
EP2914068A1 (en) * 2014-02-28 2015-09-02 Zhejiang Sungiant arts and crafts Co., Ltd. Electronic transformer-controlled two-wire two-way LED (light-emitting diode) lamp string
US20150268290A1 (en) * 2012-10-24 2015-09-24 State Grid Corporation Of China (Sgcc) Method for On-Line Diagnosing Gradually-Changing Fault of Electronic Current Transformers
JP5858519B2 (ja) * 2011-08-31 2016-02-10 国立研究開発法人産業技術総合研究所 電子式変流器の誤差評価装置
CN106548021A (zh) * 2016-11-03 2017-03-29 华中科技大学 一种基于高维随机矩阵的电子式互感器误差状态评估方法
CN107817395A (zh) * 2017-09-05 2018-03-20 天津市电力科技发展有限公司 一种基于电网线路运行误差远程校准的窃电排查方法
CN107972508A (zh) * 2017-11-27 2018-05-01 南京晓庄学院 一种电动汽车充电功率控制方法及控制装置
CN108801448A (zh) * 2018-07-09 2018-11-13 滨州职业学院 一种智能终端监测的城市交通噪声监控***
CN109307852A (zh) * 2018-09-06 2019-02-05 中国电力科学研究院有限公司 一种确定电动汽车充电桩电能计量装置的计量误差的方法和***

Patent Citations (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP5858519B2 (ja) * 2011-08-31 2016-02-10 国立研究開発法人産業技術総合研究所 電子式変流器の誤差評価装置
US20150268290A1 (en) * 2012-10-24 2015-09-24 State Grid Corporation Of China (Sgcc) Method for On-Line Diagnosing Gradually-Changing Fault of Electronic Current Transformers
CN103412948A (zh) * 2013-08-27 2013-11-27 北京交通大学 基于聚类的协同过滤的商品推荐方法及***
CN103837770A (zh) * 2014-02-26 2014-06-04 广东电网公司电力科学研究院 电力设备缺陷检测维护方法
EP2914068A1 (en) * 2014-02-28 2015-09-02 Zhejiang Sungiant arts and crafts Co., Ltd. Electronic transformer-controlled two-wire two-way LED (light-emitting diode) lamp string
CN104850859A (zh) * 2015-05-25 2015-08-19 电子科技大学 一种基于多尺度分析的图像特征包构建方法
CN106548021A (zh) * 2016-11-03 2017-03-29 华中科技大学 一种基于高维随机矩阵的电子式互感器误差状态评估方法
CN107817395A (zh) * 2017-09-05 2018-03-20 天津市电力科技发展有限公司 一种基于电网线路运行误差远程校准的窃电排查方法
CN107972508A (zh) * 2017-11-27 2018-05-01 南京晓庄学院 一种电动汽车充电功率控制方法及控制装置
CN108801448A (zh) * 2018-07-09 2018-11-13 滨州职业学院 一种智能终端监测的城市交通噪声监控***
CN109307852A (zh) * 2018-09-06 2019-02-05 中国电力科学研究院有限公司 一种确定电动汽车充电桩电能计量装置的计量误差的方法和***

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
WU QIAO 等: "Error prediction method of electronic transformers based on RBF neural network", 《 2017 13TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS (ICEMI)》 *
胡琛 等: "基于随机矩阵理论的电子式互感器误差状态相关性分析方法", 《电力自动化设备》 *

Cited By (41)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110632545A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于回归神经网络电子式互感器误差风险评估方法和装置
CN110632546A (zh) * 2019-09-25 2019-12-31 国网江苏省电力有限公司电力科学研究院 基于全网域证据集的电子式互感器可信度评估方法和装置
CN110632545B (zh) * 2019-09-25 2021-09-21 国网江苏省电力有限公司电力科学研究院 基于回归神经网络电子式互感器误差风险评估方法和装置
CN110632546B (zh) * 2019-09-25 2021-07-02 国网江苏省电力有限公司电力科学研究院 基于全网域证据集的电子式互感器可信度评估方法和装置
CN110542879B (zh) * 2019-09-30 2022-02-11 国网四川省电力公司电力科学研究院 电容式电压互感器运行性能变化趋势预测方法与***
CN110542879A (zh) * 2019-09-30 2019-12-06 国网四川省电力公司电力科学研究院 电容式电压互感器运行性能变化趋势预测方法与***
CN111160419A (zh) * 2019-12-13 2020-05-15 中国电力科学研究院有限公司 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN111160419B (zh) * 2019-12-13 2023-04-18 中国电力科学研究院有限公司 一种基于深度学习的电子式互感器数据分类预测方法及装置
CN111537938B (zh) * 2020-03-31 2022-12-09 国网江西省电力有限公司电力科学研究院 基于智能算法的电子式互感器误差短时预测方法
CN111537938A (zh) * 2020-03-31 2020-08-14 国网江西省电力有限公司电力科学研究院 基于智能算法的电子式互感器误差短时预测方法
CN111896905A (zh) * 2020-06-18 2020-11-06 中国电力科学研究院有限公司 电力互感器运行误差状态识别方法及装置
CN111814390A (zh) * 2020-06-18 2020-10-23 三峡大学 基于传递熵和小波神经网络的电压互感器误差预测方法
CN111814390B (zh) * 2020-06-18 2023-07-28 三峡大学 基于传递熵和小波神经网络的电压互感器误差预测方法
CN112379322A (zh) * 2020-11-05 2021-02-19 广东电网有限责任公司佛山供电局 一种电容式电压互感器在线监测方法
CN112816754A (zh) * 2020-12-22 2021-05-18 深圳供电局有限公司 电流互感器电流补偿方法及设备
CN112989587A (zh) * 2021-03-04 2021-06-18 国网湖南省电力有限公司 一种电容式电压互感器劣化成因在线分析方法及***
CN112990598A (zh) * 2021-03-31 2021-06-18 浙江禹贡信息科技有限公司 一种水库水位时间序列预测方法与***
CN113218444A (zh) * 2021-03-31 2021-08-06 中国电力科学研究院有限公司 一种电能计量设备运行环境智能传感方法及设备
CN113156359B (zh) * 2021-04-16 2024-01-26 中国电力科学研究院有限公司 一种用于确定电容式电压互感器计量误差的方法及***
CN113156359A (zh) * 2021-04-16 2021-07-23 中国电力科学研究院有限公司 一种用于确定电容式电压互感器计量误差的方法及***
CN113447879A (zh) * 2021-05-27 2021-09-28 国网山东省电力公司营销服务中心(计量中心) 基于多应力影响的电能表计量误差预测方法、***及装置
CN113376562A (zh) * 2021-06-08 2021-09-10 国网重庆市电力公司营销服务中心 基于滚动时窗—fcm聚类的cvt校验方法、设备及介质
CN113567904A (zh) * 2021-07-02 2021-10-29 中国电力科学研究院有限公司 一种适用于电容式互感器的计量误差的方法及***
CN113743651A (zh) * 2021-08-04 2021-12-03 三峡大学 基于机器学习和svm算法的电子式电压互感器误差状态预测方法
CN113325357A (zh) * 2021-08-04 2021-08-31 华中科技大学 基于输出时间序列差分的电压互感器误差评估方法及***
CN113702895B (zh) * 2021-10-28 2022-02-08 华中科技大学 一种电压互感器误差状态在线定量评估方法
CN113702895A (zh) * 2021-10-28 2021-11-26 华中科技大学 一种电压互感器误差状态在线定量评估方法
CN113777552A (zh) * 2021-11-09 2021-12-10 武汉格蓝若智能技术有限公司 一种电容式电压互感器计量误差的预测方法及***
CN113821938A (zh) * 2021-11-18 2021-12-21 武汉格蓝若智能技术有限公司 一种互感器计量误差状态短期预测方法及装置
CN113821938B (zh) * 2021-11-18 2022-02-18 武汉格蓝若智能技术有限公司 一种互感器计量误差状态短期预测方法及装置
CN115480204A (zh) * 2022-09-29 2022-12-16 武汉格蓝若智能技术有限公司 基于大数据推演的电流互感器运行误差在线评估优化方法
CN115542230B (zh) * 2022-11-24 2023-03-24 武汉格蓝若智能技术股份有限公司 一种基于扩散模型的电流互感器误差估计方法及装置
CN115542230A (zh) * 2022-11-24 2022-12-30 武汉格蓝若智能技术股份有限公司 一种基于扩散模型的电流互感器误差估计方法及装置
CN115616470A (zh) * 2022-12-20 2023-01-17 国网福建省电力有限公司 电流互感器计量误差状态预测方法、***、设备及介质
CN115616470B (zh) * 2022-12-20 2023-09-22 国网福建省电力有限公司 电流互感器计量误差状态预测方法、***、设备及介质
CN115878963A (zh) * 2023-01-05 2023-03-31 国网江苏省电力有限公司营销服务中心 电容式电压互感器计量误差预测方法、***、终端及介质
CN115878963B (zh) * 2023-01-05 2023-06-23 国网江苏省电力有限公司营销服务中心 电容式电压互感器计量误差预测方法、***、终端及介质
CN116125361B (zh) * 2023-02-03 2023-07-18 华中科技大学 电压互感器误差评估方法、***、电子设备及存储介质
CN116125361A (zh) * 2023-02-03 2023-05-16 华中科技大学 电压互感器误差评估方法、***、电子设备及存储介质
CN118091527A (zh) * 2024-04-24 2024-05-28 威胜集团有限公司 一种基于可解释性深度学习的电压互感器误差评估方法
CN118091527B (zh) * 2024-04-24 2024-07-09 威胜集团有限公司 一种基于可解释性深度学习的电压互感器误差评估方法

Also Published As

Publication number Publication date
CN110095744B (zh) 2021-05-11

Similar Documents

Publication Publication Date Title
CN110095744A (zh) 一种电子式互感器误差预测方法
CN110082579B (zh) 一种台区智能反窃电监测方法、***、设备及介质
CN104200288B (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
CN105740975B (zh) 一种基于数据关联关系的设备缺陷评估与预测方法
CN109491289A (zh) 一种用于数据中心动力环境监控的动态预警方法及装置
CN113156917A (zh) 基于人工智能的电网设备故障诊断方法及***
CN106647650B (zh) 基于变量加权pca模型的分散式工业过程监测方法
CN109190672A (zh) 电力***运行工况无监督聚类方法及装置
CN109103991B (zh) 一种智能配电网的大数据分析方法
CN110826228B (zh) 一种地区电网运行品质极限评估方法
CN110348665A (zh) 一种低压台区电力***数据质量评价方法及装置
CN109298225B (zh) 一种电压量测数据异常状态自动识别模型***及方法
CN110019098A (zh) 基于Hadoop框架的电能计量大数据分析***
CN114297947B (zh) 基于深度学习网络的数据驱动风电***孪生方法及***
CN113659565B (zh) 一种新能源电力***频率态势的在线预测方法
CN108132423B (zh) 一种基于状态转移概率电力***监测数据失真的快速定位方法
CN109687426A (zh) 故障率参数建模方法、装置、设备与存储介质
CN111598165A (zh) 一种基于极限学习机的密度聚类离群点检测方法
CN115204698A (zh) 一种低压台区供电稳定性的实时分析方法
CN116956189A (zh) 一种电流异常检测***、方法、电子设备及介质
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理***
CN116467648A (zh) 一种基于物联表的非线性台区电力故障的早期监测方法
CN115169719A (zh) 一种基于模糊聚类和bp神经网络的台区状态预测模型
Ullah et al. Adaptive data balancing method using stacking ensemble model and its application to non-technical loss detection in smart grids
CN111143835A (zh) 基于机器学习的电力计量***业务逻辑非侵入式防护方法

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