CN110632545A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110632545A CN110632545A CN201910909225.1A CN201910909225A CN110632545A CN 110632545 A CN110632545 A CN 110632545A CN 201910909225 A CN201910909225 A CN 201910909225A CN 110632545 A CN110632545 A CN 110632545A
- Authority
- CN
- China
- Prior art keywords
- electronic transformer
- neural network
- difference
- model
- predicted
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 43
- 238000012502 risk assessment Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000007613 environmental effect Effects 0.000 claims abstract description 46
- 230000000306 recurrent effect Effects 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 14
- 238000012216 screening Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013210 evaluation model Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 abstract description 6
- 238000005070 sampling Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 8
- 238000005259 measurement Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 5
- 238000012360 testing method Methods 0.000 description 5
- 230000004913 activation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- Development Economics (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Quality & Reliability (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于回归神经网络的电子式互感器误差风险评估方法和装置,其特征在于,根据电子式互感器电流、电压以及筛选后的环境特征数据训练基于回归神经网络的电子式互感器风险评估模型;向模型输入待评估电子式互感器的特征数据,得到电子式互感器预测的比差和角差,通过预测的比差和角差计算电子式互感器运行风险指数。本发明利用电子式互感器的采样电流电压值,结合环境特征数据对电子式互感器建模,预测比差和角差,进行风险评估,并验证互感器评估的准确性,本发明能够在不依赖标准器的条件下,解决在运电子式互感器误差状态评估的问题,评估电子式互感器测量数据用于工程的可靠性及风险。
Description
技术领域
本发明属于量测技术领域,具体涉及一种基于回归神经网络的电子式互感器误差风险评估方法和装置。
背景技术
电子式互感器是一种配电装置,由连接到传输***和二次转换器的一个或多个电压或电流传感器组成,用以传输正比于被测量的量,供给测量仪器、仪表和继电保护或控制装置。随着我国智能电网技术的发展,电子式互感器成为了智能电网中实现电参量信息数字化的关键设备。
但为了评估在运电子式互感器最为关注的误差性能,往往需要提供高精度的标准器对被测电子式互感器进行校准,而高精度的标准器由于运行环境的制约,往往难以投入高压环境中,即使在线投入,也只能短时校准。
由于缺乏电子式互感器的运行状态即测量误差的评价手段,难以及时发现潜在隐患,而电力***安全稳定运行要求高,若未及时发现电子式互感器隐患而停电检修将带来极大的经济损失,降低用户满意度。
目前设备制造厂商的电子式互感器生产水平参差不齐,设计方法也存在差异。
发明内容
为解决上述问题,本发明公开了一种基于回归神经网络的电子式互感器误差风险评估方法和装置,解决了电子式互感器测量误差难以评估的问题。
本发明技术方案如下:一种基于回归神经网络的电子式互感器误差风险评估方法,
根据电子式互感器电流、电压以及筛选后的环境特征数据训练基于回归神经网络的电子式互感器风险评估模型;
向模型输入待评估电子式互感器的特征数据,得到电子式互感器预测的比差和角差,通过预测的比差和角差计算电子式互感器运行风险指数。
进一步的,所述环境特征数据包括:环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境的振动。
进一步的,电子式互感器环境特征数据筛选过程为:
对每个环境特征数据的最大值和最小值进行分析,确定两者之差的阈值Th;
对某一个环境特征,满足:
Mmax-Mmin<Th
Mmax,Mmin分别为某一个环境特征M的最大、最小值。
进一步的,所述基于回归神经网络的电子式互感器风险评估模型,包括四层全连接层,输入为电子式互感器环境特征和电流、电压,电子式互感器的真实比差和角差作为标签,输出预测的电子式互感器的比差和角差。
进一步的,电子式互感器运行风险指数R,计算方法为:
R=α(|p′|-0.2)/0.2+β(|q′|-10)/10
其中,p'为待评估电子式互感器通过模型预测出的比差,q'为待评估电子式互感器通过模型预测出的角差;α和β为权重系数。
一种基于回归神经网络的电子式互感器误差风险评估装置,其特征在于,包括:
基于回归神经网络的电子式互感器风险评估模型训练模块,用于根据电子式互感器电流、电压以及筛选后的环境特征数据训练基于回归神经网络的电子式互感器风险评估模型;
电子式互感器运行风险指数计算模块,用于向模型输入待评估电子式互感器的特征数据,得到电子式互感器预测的比差和角差,通过预测的比差和角差计算电子式互感器运行风险指数。
进一步的,所述环境特征数据包括:环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境的振动。
进一步的,电子式互感器环境特征数据筛选过程为:
对每个环境特征数据的最大值和最小值进行分析,确定两者之差的阈值Th;
对某一个环境特征,满足:
Mmax-Mmin<Th
Mmax,Mmin分别为某一个环境特征M的最大、最小值。
进一步的,所述基于回归神经网络的电子式互感器风险评估模型,包括四层全连接层,输入为电子式互感器环境特征和电流、电压,电子式互感器的真实比差和角差作为标签,输出预测的电子式互感器的比差和角差。
进一步的,电子式互感器运行风险指数R,计算方法为:
R=α(|p′|-0.2)/0.2+β(|q′|-10)/10
其中,p'为待评估电子式互感器通过模型预测出的比差,q'为待评估电子式互感器通过模型预测出的角差;α和β为权重系数。
本发明有益效果:
1)本发明利用电子式互感器的采样电流电压值,结合环境特征数据对电子式互感器建模,预测比差和角差,进行风险评估,并验证互感器评估的准确性,本发明能够在不依赖标准器的条件下,解决在运电子式互感器误差状态评估的问题,评估电子式互感器测量数据用于工程的可靠性及风险;
2)本发明通过对电子式互感器环境特征数据中的无效数据进行剔除,达到了提高数据的价值密度、优化数据存取速度的效果。
附图说明
图1为本发明具体实施方式中的一种电子式互感器误差风险评估方法流程图;
图2为本发明具体实施方式中的一种比差的预测散点图;
图3为本发明具体实施方式中的一种角差的预测散点图。
具体实施方式
下面结合具体的实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1:
如图1所示,一种基于回归神经网络的电子式互感器误差风险评估方法,包括步骤:
步骤一、对电子式互感器所处的环境特征数据进行有效性的筛选,得到筛选后的有效环境特征数据,具体步骤包括:
1)环境特征数据包括:环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动,对每个环境特征数据的最大值和最小值进行分析,确定两者之差的阈值Th;Th的值要能准确反映出不稳定环境的临界状态,以便后续对数据的筛选。
2)对某一个环境特征M(温度、湿度、磁场或振动),需要满足:
Mmax-Mmin<Th (1)
Mmax,Mmin分别为某一个环境特征M的最大、最小值,去除所有差值大于阈值的数据组,排除环境不稳定对电子式互感器运行的影响从而更好地进行模型的建立与训练;
根据电子式互感器电流和电压计算电子式互感器的真实比差和角差,
JC=(J-J′)*60 (2)
其中,BC为比差,B为电子互感器测量电压(电流)幅值,B’为传统电磁式标准互感器电压(电流)幅值,无量纲;JC为角差,J为电子互感器测量电压(电流)相位,J’为传统电磁式标准互感器电压(电流)相位,单位为分。
步骤二、根据电子式互感器电流和电压、环境特征数据,训练基于回归神经网络的电子式互感器风险评估模型;
所述基于回归神经网络的电子式互感器风险评估模型,包括四层全连接层,输入为电子式互感器四种环境特征(温度,湿度,震动,磁场)和电流、电压,电子式互感器的真实比差和角差作为标签,输出预测的电子式互感器的比差和角差,神经网络通过调整神经元之间的权重来对电子式互感器的各项特征进行学习。训练基于回归神经网络的电子式互感器风险评估模型,具体步骤包括:
1)将筛选后的有效数据中的70%划为训练集,剩下30%划为测试集。训练集用于模型的学习,将每组电子式互感器工作时的温度(℃)、湿度(RH)、振动(g)和磁场(Gs)、以及电流、电压数据作为模型的输入样本,神经网络的标签为真实的比差和角差。
第l层的权重系数组成了一个n×m的矩阵W,第l层的偏倚组成了一个n×1的向量bl,第l-1层的输出组成了一个m×1的向量al-1,第l层未激活前线性输出z组成了一个n×1的向量zl,则第l层的输出al第为:
al=σ(zl)=σ(Wlal-1+bl) (4)
由此可见,第l层的输出组成了一个n×1的向量al。
2)通过前向传播和后向传播,即
用梯度下降算法不断地调整神经元之间连接的权值,直到损失函数减小到最小,模型收敛:
3)使用测试集来验证模型的效果。将测试集每组数据(温度、湿度、震动、磁场、电子式互感器的电流与电压)输入模型,得到预测的比差和角差,与测试集每组数据中的电流电压算出的真实角差和比差比较,得到比差和角差的误差。这里我们使用统计学中的均方根误差来衡量模型的效果好坏,若模型效果越好,则该误差越小,比差和角差的预测准确度更高。若模型效果不好,则加深网络深度,重复两到三次后,选择其中误差最小的一种模型结构作为训练好的模型。
步骤三、向训练好的基于回归神经网络的电子式互感器风险评估模型输入待评估电子式互感器的特征数据,得到电子式互感器预测的比差和角差,通过比差和角差计算电子式互感器运行风险指数。
向训练好的基于回归神经网络的电子式互感器风险评估模型输入待评估电子式互感器的温度、湿度、震动和磁场、电流、电压数据,便可以预测电子式互感器运行时的比差和角差,通过预测的比差和角差进行风险评估。根据GB/T 2.8407.7-2007规定的测量用电子式电压互感器的电压误差(比差)与相位误差(角差)限值,由于本发明数据源要求的准确级为0.2,即比差大于0.2%或者角差大于10°时数据不可信,故按照各自超出的百分比乘以不同的权重系数α和β,用以下公式进行互感器运行风险指数的计算:
R=α(|p′|-0.2)/0.2+β(|q′|-10)/10 (6)
其中p'为待评估电子式互感器通过模型预测出的比差,q'为待评估电子式互感器通过模型预测出的角差。同样地,若比差和角差越小,则电子式互感器的风险指数越低,其运行效果更可靠。反之若比差和角差越大,则电子式互感器的风险指数越高。
电子式互感器误差风险评估方法即在不依赖标准器的条件下,解决在运电子式互感器误差状态无法评估的问题,同时还需要进一步评估电子式互感器测量数据用于工程的风险。输入电子式互感器的工作环境数据(电流、电压、温度、湿度、振动和磁场),便可预测得到互感器工作时的比差和角差,这也就间接得到了电子式互感器的工作可靠性,比差和角差越小,互感器的工作可靠性越高,反之则越低。
如图2与图3所示,为测试集中的实际比差和角差与神经网络预测出的比差和角差相比较绘出的散点图,理想情况下散点应逼近一条通过原点的直线,可以看出本模型能够在预测上达到较好的效果。接下来便可以使用预测得到的比差和角差进一步预估互感器的风险指数,若取样300组数据,计算真实与预测情况下的各风险级别的数量占比,若R值在5%以下,则无风险;若在5%到10%间,则为次级风险;10%以上则为一级风险。结果可见下表。
表1真实及预测各风险级别占比情况
本发明通过提出了一种基于回归神经网络的电子式互感器误差风险评估方法,对经过筛选的有效数据进行学习,并可在没有标准器的情况下预测出电子式互感器的运行比差与角差。在此基础上,又通过对预测比差与角差的分析,进一步对电子式互感器运行可靠性及风险进行评估。
实施例2:
一种基于回归神经网络的电子式互感器误差风险评估装置,包括:
基于回归神经网络的电子式互感器风险评估模型训练模块,用于根据电子式互感器电流、电压以及筛选后的环境特征数据训练基于回归神经网络的电子式互感器风险评估模型;
电子式互感器运行风险指数计算模块,用于向模型输入待评估电子式互感器的特征数据,得到电子式互感器预测的比差和角差,通过预测的比差和角差计算电子式互感器运行风险指数。
所述环境特征数据包括:环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境的振动。
电子式互感器环境特征数据筛选过程为:
对每个环境特征数据的最大值和最小值进行分析,确定两者之差的阈值Th;
对某一个环境特征,满足:
Mmax-Mmin<Th
Mmax,Mmin分别为某一个环境特征M的最大、最小值。
所述基于回归神经网络的电子式互感器风险评估模型,包括四层全连接层,输入为电子式互感器环境特征和电流、电压,电子式互感器的真实比差和角差作为标签,输出预测的电子式互感器的比差和角差。
电子式互感器运行风险指数R,计算方法为:
R=α(|p′|-0.2)/0.2+β(|q′|-10)/10
其中,p'为待评估电子式互感器通过模型预测出的比差,q'为待评估电子式互感器通过模型预测出的角差;α和β为权重系数。
以上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 (10)
1.一种基于回归神经网络的电子式互感器误差风险评估方法,其特征在于,
根据电子式互感器电流、电压以及筛选后的环境特征数据训练基于回归神经网络的电子式互感器风险评估模型;
向模型输入待评估电子式互感器的特征数据,得到电子式互感器预测的比差和角差,通过预测的比差和角差计算电子式互感器运行风险指数。
2.根据权利要求1所述的一种基于回归神经网络的电子式互感器误差风险评估方法,其特征在于,所述环境特征数据包括:环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境的振动。
3.根据权利要求1所述的一种基于回归神经网络的电子式互感器误差风险评估方法,其特征在于,电子式互感器环境特征数据筛选过程为:
对每个环境特征数据的最大值和最小值进行分析,确定两者之差的阈值Th;
对某一个环境特征,满足:
Mmax-Mmin<Th
Mmax,Mmin分别为某一个环境特征M的最大、最小值。
4.根据权利要求1所述的一种基于回归神经网络的电子式互感器误差风险评估方法,其特征在于,所述基于回归神经网络的电子式互感器风险评估模型,包括四层全连接层,输入为电子式互感器环境特征和电流、电压,电子式互感器的真实比差和角差作为标签,输出预测的电子式互感器的比差和角差。
5.根据权利要求1所述的一种基于回归神经网络的电子式互感器误差风险评估方法,其特征在于,电子式互感器运行风险指数R,计算方法为:
R=α(|p′|-0.2)/0.2+β(|q′|-10)/10
其中,p'为待评估电子式互感器通过模型预测出的比差,q'为待评估电子式互感器通过模型预测出的角差;α和β为权重系数。
6.一种基于回归神经网络的电子式互感器误差风险评估装置,其特征在于,包括:
基于回归神经网络的电子式互感器风险评估模型训练模块,用于根据电子式互感器电流、电压以及筛选后的环境特征数据训练基于回归神经网络的电子式互感器风险评估模型;
电子式互感器运行风险指数计算模块,用于向模型输入待评估电子式互感器的特征数据,得到电子式互感器预测的比差和角差,通过预测的比差和角差计算电子式互感器运行风险指数。
7.根据权利要求6所述的一种基于回归神经网络的电子式互感器误差风险评估装置,其特征在于,所述环境特征数据包括:环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境的振动。
8.根据权利要求6所述的一种基于回归神经网络的电子式互感器误差风险评估装置,其特征在于,电子式互感器环境特征数据筛选过程为:
对每个环境特征数据的最大值和最小值进行分析,确定两者之差的阈值Th;
对某一个环境特征,满足:
Mmax-Mmin<Th
Mmax,Mmin分别为某一个环境特征M的最大、最小值。
9.根据权利要求6所述的一种基于回归神经网络的电子式互感器误差风险评估装置,其特征在于,所述基于回归神经网络的电子式互感器风险评估模型,包括四层全连接层,输入为电子式互感器环境特征和电流、电压,电子式互感器的真实比差和角差作为标签,输出预测的电子式互感器的比差和角差。
10.根据权利要求6所述的一种基于回归神经网络的电子式互感器误差风险评估装置,其特征在于,电子式互感器运行风险指数R,计算方法为:
R=α(|p′|-0.2)/0.2+β(|q′|-10)/10
其中,p'为待评估电子式互感器通过模型预测出的比差,q'为待评估电子式互感器通过模型预测出的角差;α和β为权重系数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909225.1A CN110632545B (zh) | 2019-09-25 | 2019-09-25 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909225.1A CN110632545B (zh) | 2019-09-25 | 2019-09-25 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110632545A true CN110632545A (zh) | 2019-12-31 |
CN110632545B CN110632545B (zh) | 2021-09-21 |
Family
ID=68974210
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910909225.1A Active CN110632545B (zh) | 2019-09-25 | 2019-09-25 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632545B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN112014785A (zh) * | 2020-08-06 | 2020-12-01 | 三峡大学 | 基于弹性网络的空心线圈电流互感器误差补偿方法 |
CN113297797A (zh) * | 2021-06-02 | 2021-08-24 | 东南大学 | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 |
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 |
CN113887846A (zh) * | 2021-12-07 | 2022-01-04 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
CN114114126A (zh) * | 2021-11-22 | 2022-03-01 | 浙江华采科技有限公司 | 低磁导率磁粉芯电流互感器的数字校准方法及*** |
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 |
CN115542064A (zh) * | 2022-12-01 | 2022-12-30 | 威胜集团有限公司 | 一种互感器误差状态实时监测方法及装置 |
CN117131458A (zh) * | 2023-10-26 | 2023-11-28 | 国网江西省电力有限公司电力科学研究院 | 一种用于光纤电流互感器的数据有效性分析方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255792A (zh) * | 2017-06-20 | 2017-10-17 | 华中科技大学 | 一种电子式电压互感器误差在线监测方法及*** |
CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
CN109031130A (zh) * | 2018-05-31 | 2018-12-18 | 轻客智能科技(江苏)有限公司 | 一种电量校准方法及装置 |
CN109581269A (zh) * | 2018-12-25 | 2019-04-05 | 中国电力科学研究院有限公司 | 一种电子式互感器误差特性快速评价方法及*** |
CN109583044A (zh) * | 2018-11-09 | 2019-04-05 | 中国直升机设计研究所 | 基于rbf神经网络的直升机旋翼飞行载荷预测方法 |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
-
2019
- 2019-09-25 CN CN201910909225.1A patent/CN110632545B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107255792A (zh) * | 2017-06-20 | 2017-10-17 | 华中科技大学 | 一种电子式电压互感器误差在线监测方法及*** |
CN108414848A (zh) * | 2018-01-08 | 2018-08-17 | 浙江工业大学 | 一种含分布式电源配电网的电能质量多时段综合预警方法 |
CN109031130A (zh) * | 2018-05-31 | 2018-12-18 | 轻客智能科技(江苏)有限公司 | 一种电量校准方法及装置 |
CN109583044A (zh) * | 2018-11-09 | 2019-04-05 | 中国直升机设计研究所 | 基于rbf神经网络的直升机旋翼飞行载荷预测方法 |
CN109581269A (zh) * | 2018-12-25 | 2019-04-05 | 中国电力科学研究院有限公司 | 一种电子式互感器误差特性快速评价方法及*** |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
Non-Patent Citations (3)
Title |
---|
WU QIAO,ET AL.: "Error prediction method of electronic transformers based on RBF neural network", 《 2017 13TH IEEE INTERNATIONAL CONFERENCE ON ELECTRONIC MEASUREMENT & INSTRUMENTS (ICEMI)》 * |
卢树峰 等: "直流偏磁对电流互感器的作用机理研究", 《电测与仪表》 * |
黄玲芳: "基于回归神经网络误差配准算法的仿真实现", 《计算机仿真》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN112014785A (zh) * | 2020-08-06 | 2020-12-01 | 三峡大学 | 基于弹性网络的空心线圈电流互感器误差补偿方法 |
CN113297797A (zh) * | 2021-06-02 | 2021-08-24 | 东南大学 | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 |
CN113297797B (zh) * | 2021-06-02 | 2023-12-15 | 东南大学 | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 |
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 |
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 |
CN114114126A (zh) * | 2021-11-22 | 2022-03-01 | 浙江华采科技有限公司 | 低磁导率磁粉芯电流互感器的数字校准方法及*** |
CN113887846B (zh) * | 2021-12-07 | 2022-02-22 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
CN113887846A (zh) * | 2021-12-07 | 2022-01-04 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
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 |
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 |
CN115542064A (zh) * | 2022-12-01 | 2022-12-30 | 威胜集团有限公司 | 一种互感器误差状态实时监测方法及装置 |
CN117131458A (zh) * | 2023-10-26 | 2023-11-28 | 国网江西省电力有限公司电力科学研究院 | 一种用于光纤电流互感器的数据有效性分析方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110632545B (zh) | 2021-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632545B (zh) | 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 | |
CN111814390B (zh) | 基于传递熵和小波神经网络的电压互感器误差预测方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和*** | |
CN106443285B (zh) | 基于总体最小二乘法的多谐波源谐波责任量化分析方法 | |
CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN113792495B (zh) | 一种基于在线监测数据的避雷器运行状态识别方法、装置 | |
CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
CN114626769B (zh) | 一种电容式电压互感器运维方法及*** | |
CN110889207A (zh) | 一种基于深度学习的体系组合模型可信度智能评估方法 | |
CN102087311A (zh) | 一种提高电力互感器测量精度的方法 | |
CN113536662B (zh) | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 | |
Wang et al. | Multi‐harmonic sources location based on sparse component analysis and complex independent component analysis | |
CN109193639B (zh) | 一种电力***抗差估计方法 | |
CN115951292A (zh) | 一种电子式电压互感器误差状态在线评估方法及装置 | |
CN115878963A (zh) | 电容式电压互感器计量误差预测方法、***、终端及介质 | |
CN115408944A (zh) | 一种干式平波电抗器的热点温度预测方法 | |
CN112464848B (zh) | 一种基于密度空间聚类的信息流异常数据监测方法及装置 | |
CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 | |
Yu et al. | Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches | |
Xia et al. | Measurement error estimation for distributed smart meters through a modified BP neural network | |
CN110321650B (zh) | 基于新型试验设计与权重响应面的结构可靠性分析方法 | |
CN113537338A (zh) | 基于lstm神经网络和改进scada数据的抗差线路参数辨识方法 |
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 |