CN113935440A - 一种电压互感器误差状态迭代评估方法及*** - Google Patents
一种电压互感器误差状态迭代评估方法及*** Download PDFInfo
- Publication number
- CN113935440A CN113935440A CN202111534507.1A CN202111534507A CN113935440A CN 113935440 A CN113935440 A CN 113935440A CN 202111534507 A CN202111534507 A CN 202111534507A CN 113935440 A CN113935440 A CN 113935440A
- Authority
- CN
- China
- Prior art keywords
- state
- classifier model
- voltage transformer
- training set
- data
- 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 49
- 238000012549 training Methods 0.000 claims abstract description 88
- 238000003066 decision tree Methods 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000002159 abnormal effect Effects 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims description 28
- 238000007781 pre-processing Methods 0.000 claims description 12
- 238000003860 storage Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 7
- 238000009826 distribution Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 230000036541 health Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 14
- 238000004590 computer program Methods 0.000 description 9
- 238000012423 maintenance Methods 0.000 description 7
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
- G06F18/2148—Generating training patterns; Bootstrap methods, e.g. bagging or boosting characterised by the process organisation or structure, e.g. boosting cascade
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种电压互感器误差状态迭代评估方法及***,该方法包括以下步骤:S1,将电压互感器的状态评估数据集进行矫正预处理后作为训练集;S2,根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;S3,利用训练集对基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将其作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。本发明采用集成学习的方式对CVT在线评估错误矫正后的数据进行多轮迭代优化训练模型,提升CVT告警、异常状态的评估准确度。
Description
技术领域
本发明涉及电力设备性能评估技术领域,更具体地,涉及一种电压互感器误差状态迭代评估方法及***。
背景技术
电压互感器作为电力***中的关键设备,在保证二次设备和用电安全的前提下实现一次电压的准确测量,为电能计量、状态监控和继电保护等提供了可靠的依据。确保电压互感器处于稳定的运行状态,能够保证电力***在计量和测量方面的准确性,且提高自动装置和继电保护动作的可靠度,有利于实现电力***的安全、稳定和经济运行。
在电力***的实际运行中,由于电网运行工况复杂多变以及电压互感器使用年限的增长,电压互感器的运行状态以及自身的精度将随之而变化。这为电力***的安全、稳定和经济运行带来了隐患,为此需要对运行中电压互感器的计量误差状态进行有效评估,及时发现电压互感器的超差问题,为制定相应的维护以及检修策略提供可靠的依据;并对具有高超差风险的电压互感器进行风险预警,及时发现劣化趋势严重的电压互感器,保证电压互感器检修的及时性;同时可实现只对有需求的电压互感器进行必要的维护,避免以往对部分电压互感器的盲目检修维护,减小工作量,提高劳动效率。
现有的电压互感器在线运行误差状态评估方法基于多指标融合对电压互感器的二次输出电压进行分析,从中提炼出反映误差状态的各类状态评估指标,但各类状态评估指标所体现出的互感器误差程度有所差异,例如有的指标衡量的是渐变误差,有的指标衡量的是突变误差。通过确定各状态评估指标在状态评估过程中的贡献率并加以融合,以解决各指标所带来的差异,最终实现在不依赖标准互感器和不停电运行下电压互感器误差状态的在线评估,实时监测互感器误差状态。现有技术方案输出的CVT(Capacitor Voltage Transformers,电容式电压互感器)状态,状态构成指标有CVT突变误差、渐变误差的历史变化趋势概率,CVT告警、异常状态存在模糊边界划判问题;当前技术方案输出CVT运行状态,例如在线检测CVT状态告警或异常,以及停电检修、检测发现CVT告警、异常,这两个状态存在误判问题,检修后,同样的情况无法从根源层面提升当前互感器状态评估能力。因此,有必要提供一种新的电压互感器误差状态评估的方法,以解决CVT告警、异常状态存在模糊边界划判问题,以及在线检测状态与停电检修时检测状态的误判问题。
发明内容
本发明针对现有技术中存在的技术问题,提供一种电压互感器误差状态迭代评估方法及***,通过停电检测后的CVT状态评估数据,使用集成学习的方式对存在状态评估错误矫正后的CVT数据重新训练模型,达到提升CVT告警、异常状态的评估准确度的目的。
根据本发明的第一方面,提供了一种电压互感器误差状态迭代评估方法,包括以下步骤:
S1,将电压互感器的状态评估数据集进行矫正预处理后作为训练集;
S2,根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
S3,预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,步骤S1中,所述将电压互感器的状态评估数据集进行矫正预处理,包括:
将电压互感器的在线检测状态数据与其停电后检测状态数据做核对,将在线检测状态数据中识别错误的数据替换为停电后检测状态数据,重新整合为修正后的数据集,修正后的数据集作为训练集。
可选的,步骤S2包括:
S201,使用决策树做分类器模型,根据所述训练集,寻找最优状态的划分分类叶子节点;
S202,建立决策树的必要参数,设定必要参数的阈值范围,通过网格搜索的方式从阈值范围中寻找划分分类叶子结点的最优超参数,根据最优超参数训练决策树分类模型作为基本分类器模型。
可选的,步骤S201包括:
使用决策树做分类器模型;
获取所述训练集中每条样本数据的多个分类特征参数,多个所述分类特征参数至少包括:修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态、健康状态,每个所述分类特征参数可分类的状态类型至少包括:正常、异常、告警,通过以下公式计算训练集内全部分类特征参数的信息熵X:
其中,n为训练集中样本数据的数量;
根据以下公式计算得到当前分类特征参数A对训练集D的信息增益g(D,A):
所述信息增益g(D,A)则是最优状态的划分分类叶子节点,将信息增益g(D,A)作为分类依据给训练集的样本数据分类。
可选的,所述必要参数包括树模型最大深度、树分支最小叶样本和树最大根结点,分别设定树模型最大深度阈值范围、树分支最小叶样本阈值范围和树最大根结点阈值范围。
可选的,步骤S3包括:
S301,初始化训练集中样本数据的权值分布,通过基本分类器模型对训练集的样
本数据进行测试,得到第m个基本分类器模型里第n条电压互感器的样本数据权重,根
据样本数据权重计算当前基本分类器模型预测错误的总误差Gm(x);
S302,根据当前基本分类器模型预测错误的总误差Gm(x)计算当前的基本分类器
模型错误权重率,根据当前的基本分类器模型错误权重率计算当前轮迭代基本分
类器模型的预测错误总误差率系数,根据当前轮迭代基本分类器模型的预测错误总误
差率系数更新训练集中样本数据的权值;
S303,将更新后的训练集对下一个基本分类器模型进行训练,直到迭代次数达到基本分类器模型的最大数量;
根据本发明的第二方面,提供一种电压互感器误差状态迭代评估***,包括:
数据预处理模块,用于将电压互感器的状态评估数据集进行矫正预处理后作为训练集;
基本分类器模块,用于根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
强分类器模块,用于预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
根据本发明的第三方面,提供了一种电子设备,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现上述一种电压互感器误差状态迭代评估方法的步骤。
根据本发明的第四方面,提供了一种计算机可读存储介质,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现上述一种电压互感器误差状态迭代评估方法的步骤。
本发明的有益效果:
本发明提供的一种电压互感器误差状态迭代评估方法、***、电子设备及计算机可读存储介质,为了提升停电检测后CVT在线状态评估的准确性,将在线检测存在状态偏差的CVT状态数据做矫正预处理后重新作为输入项,采用Boosting的集成学习方式,利用存在矫正的CVT状态数据重新训练基本分类器模型,经过多次迭代直到输出分类准确的强分类器模型,再使用强分类器模型进行CVT在线检测数据的状态分类,达到提升CVT告警、异常状态的评估准确度的目的。
附图说明
图1为本发明提供的一种电压互感器误差状态迭代评估方法流程图;
图2为本发明步骤S2的流程图;
图3为本发明步骤S3的流程图;
图4为本发明步骤S3的过程示意图;
图5为本发明提供的一种电压互感器误差状态迭代评估***结构图;
图6为本发明提供的一种可能的电子设备的硬件结构示意图;
图7为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
图1为本发明提供的一种电压互感器误差状态迭代评估方法流程图,如图1所示,方法包括:
S1,将电压互感器的状态评估数据集进行矫正预处理后作为训练集;
S2,根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
S3,预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
可以理解的是,基于背景技术中的缺陷,本发明实施例提出了一种电压互感器误差状态迭代评估方法。为了提升停电检测后CVT在线状态评估的准确性,将在线检测存在状态偏差的CVT状态数据做矫正预处理后重新作为输入项,采用Boosting的集成学习方式,利用存在矫正的CVT状态数据重新训练基本分类器模型,经过多次迭代直到输出分类准确的强分类器模型,再使用强分类器模型进行CVT在线检测数据的状态分类,达到提升CVT告警、异常状态的评估准确度的目的。
在一种可能的实施例方式中,步骤S1中,所述将电压互感器的状态评估数据集进行矫正预处理,包括:
将电压互感器的在线检测状态数据与其停电后检测状态数据做核对,将在线检测状态数据中识别错误的数据替换为停电后检测状态数据,重新整合为修正后的数据集,修正后的数据集作为训练集。
可以理解的是,将电压互感器的停电后检测状态数据作为准确的状态数据,通过步骤S1对电压互感器的在线检测状态数据进行矫正,将矫正后的数据作为后续步骤中训练决策树的分类器的训练数据,能获得更高的准确率。
在一种可能的实施例方式中,如图2所示,步骤S2包括:
S201,使用决策树做分类器模型,根据所述训练集,寻找最优状态的划分分类叶子节点;
S202,建立决策树的必要参数,设定必要参数的阈值范围,通过网格搜索的方式从阈值范围中寻找划分分类叶子结点的最优超参数,根据最优超参数训练决策树分类模型作为基本分类器模型。
可以理解的是,通过步骤S201和步骤S202,可以搭建决策树的基本分类器模型。
具体的,本实施例中步骤S201包括:
使用决策树做分类器模型;
获取所述训练集中每条样本数据的多个分类特征参数,多个所述分类特征参数至少包括:修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态、健康状态,分别记为:p 1 、p 2 、p 3 、p 4 、p 5 、p 6 ……p i ;每个所述分类特征参数可分类的状态类型至少包括:正常、异常、告警,分类特征参数可分类的状态类型的种类数量记为k。
本实施例以上述六种分类特征进行举例说明,假设每种分类特征参数可分类的状态类型的种类数量为上述的正常、异常、告警三种。上述六种分类特征参数的信息熵分别记为p 1 、p 2 、p 3 、p 4 、p 5 、p 6 ,分类特征参数的三种状态类型分别占训练集的比例记为x 1 、x 2 和x 3,通过以下公式可计算训练集内每个分类特征参数的信息熵:
上述对单个分类特征参数的信息熵p i 计算的公式可总结为:
其中,此处i为分类特征参数的数量,x 1 、x 2 、x 3 ……x k 为每种状态类型分别占训练集的比例。
利用单个分类特征参数的信息熵p i ,通过以下公式计算训练集内全部分类特征参数的信息熵X:
其中,k为分类特征参数可分类的状态类型的种类数量。例如,本实施例中每个分类特征参数可分类的状态类型设定为正常、异常、告警三种,此处k即取3。相应的,若是每个分类特征参数可分类的状态类型的数量大于3,则k取其对应的数值。
其中,n为训练集中样本数据的数量。
根据以下公式计算得到当前分类特征参数A对训练集D的信息增益g(D,A):
根据信息熵减去条件熵,得出差值,最终计算出当前分类特征参数A对CVT的训练集D的信息增益,所述信息增益g(D,A)则是最优状态的划分分类叶子节点,将信息增益g(D, A)作为分类依据给训练集的样本数据分类。
建立好决策树的最优状态的划分分类叶子节点,还需设定决策树的必要参数。为了搭建分类准确率更高的决策树分类器模型,本实施例采用网格搜索的方式寻找当前决策树最优超参数。
在一种可能的实施例方式中,寻找当前决策树最优超参数的方法如下:建立决策树的必要参数,所述必要参数包括树模型最大深度'max_depth'、树分支最小叶样本'max_ leaf_nodes'和树最大根结点'min_samples_leaf',分别设置树模型最大深度'max_depth'的阈值范围、树分支最小叶样本'max_leaf_nodes'的阈值范围和树最大根结点'min_ samples_leaf'的阈值范围。例如本实施例中,设置树模型最大深度'max_depth'阈值范围为2~6,树分支最小叶样本'max_leaf_nodes'阈值范围为2~30,树最大根结点'min_ samples_leaf'阈值范围为2~5;通过网格搜索的方式对三个必要参数的阈值范围递归以筛选出最优超参数,筛选出的最优超参数分别是'max_depth':2, 'max_leaf_nodes':3,' min_samples_leaf':2。所述最优超参数用于训练分类器模型,根据训练结果得到后续步骤中对电压互感器的状态分类迭代的基本分类器模型。
得到基本分类器模型后,需要使用训练集对多个基本分类器模型通过集成学习方式进行迭代,以获得分类更加准确的强分类器模型。
在一种可能的实施例方式中,如图3~图4所示,步骤S3包括:
S301,初始化训练集中样本数据的权值分布,通过基本分类器模型对训练集的样
本数据进行测试,得到第m个基本分类器模型里第n条电压互感器的样本数据权重,根
据样本数据权重计算当前基本分类器模型预测错误的总误差Gm(x)。
更加详细的,步骤S301中,将样本数据采用Boosting算法中AdaBoost的方式,初始
化训练集中样本数据的权值分布,权值分布,训练集中的每个样本
数据计作w i ,其中i=1,2,…N,n为训练集中样本数据的数量;用m表示基本分类器模型的数
量,m=1,2,…M。
通过基本分类器模型对训练集的样本数据进行测试,得到预测的正确率为c 1 ,对
应的错误率为e 1 =1-c 1 ,初始化的电压互感器样本数据权重为,代表在第m个基
本分类器模型里第n条电压互感器的样本数据权重,表示当前基本分类器
模型的分类预测结果和实际结果不一致时取1,一致时取0;为二元分类公
式,其中,y m (x n )表示当前迭代轮次的基本分类器模型的预测结果,t n 表示二元分类的逻辑
结果为0。此处计算相当于对预测错误的样本数据权重做了加权。通过以下公式计算当前基
本分类器模型预测错误的总误差Gm(x)
S302,根据当前基本分类器模型预测错误的总误差Gm(x)计算当前的基本分类器
模型错误权重率,根据当前的基本分类器模型错误权重率计算当前轮迭代基本分类
器模型的预测错误总误差率系数,根据当前轮迭代基本分类器模型的预测错误总误差
率系数更新训练集中样本数据的权值。
S303,将更新后的训练集对下一个基本分类器模型进行训练,直到迭代次数达到基本分类器模型的最大数量M。
更加详细的,在步骤S302和步骤S303中,每次初始化基本分类器模型时的电压互
感器的样本数据权重是一样的,电压互感器训练集中错误数据权重随着基本分类器模型迭
代到最大数量M,预测错误的总误差Gm(x)随着每轮基本分类器模型的迭代都在变化,每一
轮迭代得到的基本分类器模型预测错误的总误差Gm(x)除以全部的权重的和得
到当前的基本分类器模型错误权重率:
接下来就是更新训练集中样本数据的权值分布。通过以下公式(8),把第M个基本
分类器模型产生的权重,乘以指数函数传递给,如果数据
状态在当前基本分类器模型里面预测错误,则为,权重就更新为,否则权重更新为;电压互感器的数据状态预测正确的不更新权重,将当前
基本分类器模型预测错误的数据权重更新,持续迭代直到完成M个基本分类器模型的迭代:
S304,每轮迭代的基本分类器模型准确率为y m ,根据每轮迭代的基本分类器模型
准确率y m 与预测错误总误差率系数输出强分类器模型G(x),使用符号函数对强分类器
模型G(x)计算得到最终的电压互感器状态结果。
具体的,往后迭代M个基本分类器模型,每轮迭代基本分类器模型的准确率用y m 表
示,y m =c1,预测错误总误差率系数,使用符号函数sign()计算出最终的电压互感器状态
结果,迭代到M个基本分类器模型为,最终输
出一个强分类器模型G(x),简化的公式如下:
图5为本发明实施例提供的一种电压互感器误差状态迭代评估***结构图,如图5所示,一种电压互感器误差状态迭代评估***,包括数据预处理模块、基本分类器模块和强分类器模块,其中:
数据预处理模块,用于将电压互感器的状态评估数据集进行预处理后作为训练集;
基本分类器模块,用于根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
强分类器模块,用于预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
可以理解的是,本发明提供的一种电压互感器误差状态迭代评估***与前述各实施例提供的一种电压互感器误差状态迭代评估方法相对应,电压互感器误差状态迭代评估***的相关技术特征可参考电压互感器误差状态迭代评估方法的相关技术特征,在此不再赘述。
请参阅图6,图6为本发明实施例提供的电子设备的实施例示意图。如图6所示,本发明实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
S1,将电压互感器的状态评估数据集进行预处理后作为训练集;
S2,根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
S3,预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
请参阅图7,图7为本发明提供的一种计算机可读存储介质的实施例示意图。如图7所示,本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,该计算机程序被处理器执行时实现如下步骤:
S1,将电压互感器的状态评估数据集进行预处理后作为训练集;
S2,根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
S3,预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
本发明实施例提供的一种电压互感器误差状态迭代评估方法、***及存储介质,将电压互感器的停电后检测状态数据作为准确的状态数据,采用停电后检测状态数据对电压互感器的在线检测状态数据进行矫正,将矫正后的数据作为后续步骤中训练决策树的分类器的训练数据,提高了训练出的决策树分类器的分类准确性。为了提升停电检测后CVT在线状态评估的准确性,将在线检测存在状态偏差的CVT状态数据做矫正预处理后重新作为输入项,采用Boosting的集成学习方式,利用存在矫正的CVT状态数据重新训练基本分类器模型,经过多次迭代直到输出分类准确的强分类器模型,再使用强分类器模型进行CVT在线检测数据的状态分类,达到提升CVT告警、异常状态的评估准确度的目的。
CVT在线监测状态评估场景下,封装输入的是CVT状态指标,并非物理电参量,工程化应用方面当前技术方案扩宽了原CVT状态评价的单一使用场景,支持跨CVT、变电站的CVT状态评估,同时因为未直接使用CVT物理电参量,模型低权限运行环境也保障了外界无法通过电参量等参数指标试图反编译本公司CVT状态评估算法原理。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、***、或计算机程序产品。因此,本发明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,本发明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。
本发明是参照根据本发明实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (9)
1.一种电压互感器误差状态迭代评估方法,其特征在于,包括以下步骤:
S1,将电压互感器的状态评估数据集进行矫正预处理后作为训练集;
S2,根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
S3,预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
2.根据权利要求1所述的方法,其特征在于,步骤S1中,所述将电压互感器的状态评估数据集进行矫正预处理,包括:
将电压互感器的在线检测状态数据与其停电后检测状态数据做核对,将在线检测状态数据中识别错误的数据替换为停电后检测状态数据,重新整合为修正后的数据集,修正后的数据集作为训练集。
3.根据权利要求1所述的方法,其特征在于,步骤S2包括:
S201,使用决策树做分类器模型,根据所述训练集,寻找最优状态的划分分类叶子节点;
S202,建立决策树的必要参数,设定必要参数的阈值范围,通过网格搜索的方式从阈值范围中寻找划分分类叶子结点的最优超参数,根据最优超参数训练决策树分类模型作为基本分类器模型。
4.根据权利要求3所述的方法,其特征在于,步骤S201包括:
使用决策树做分类器模型;
获取所述训练集中每条样本数据的多个分类特征参数,多个所述分类特征参数至少包括:修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态、健康状态,每个所述分类特征参数可分类的状态类型至少包括:正常、异常、告警,通过以下公式计算训练集内全部分类特征参数的信息熵X:
其中,i为分类特征参数的数量,k为分类特征参数可分类的状态类型的种类数量,x 1 、 x 2 、x 3 ……x k 为每种状态类型分别占训练集的比例,p i 为训练集内每个分类特征参数的信息熵;
其中,n为训练集中样本数据的数量;
根据以下公式计算得到当前分类特征参数A对训练集D的信息增益g(D,A):
所述信息增益g(D,A)则是最优状态的划分分类叶子节点,将信息增益g(D,A)作为分类依据给训练集的样本数据分类。
5.根据权利要求3所述的方法,其特征在于,步骤S202中,所述必要参数包括树模型最大深度、树分支最小叶样本和树最大根结点,分别设定树模型最大深度阈值范围、树分支最小叶样本阈值范围、树最大根结点阈值范围。
6.根据权利要求1所述的方法,其特征在于,步骤S3包括:
S301,初始化训练集中样本数据的权值分布,通过基本分类器模型对训练集的样本数
据进行测试,得到第m个基本分类器模型里第n条电压互感器的样本数据权重,根据样
本数据权重计算当前基本分类器模型预测错误的总误差Gm(x);
S302,根据当前基本分类器模型预测错误的总误差Gm(x)计算当前的基本分类器模型
错误权重率,根据当前的基本分类器模型错误权重率计算当前轮迭代基本分类器模
型的预测错误总误差率系数,根据当前轮迭代基本分类器模型的预测错误总误差率系
数更新训练集中样本数据的权值;
S303,将更新后的训练集对下一个基本分类器模型进行训练,直到迭代次数达到基本分类器模型的最大数量;
7.一种电压互感器误差状态迭代评估***,其特征在于,包括:
数据预处理模块,用于将电压互感器的状态评估数据集进行矫正预处理后作为训练集;
基本分类器模块,用于根据训练集,通过网格搜索的方式寻找划分分类叶子节点的最优超参数,根据最优超参数训练出的决策树模型作为基本分类器模型;
强分类器模块,用于预设迭代次数,利用训练集对所述基本分类器模型使用集成学习方式进行迭代,每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项,直到迭代结束,输出当前电压互感器最终的强分类器模型,根据强分类器模型计算出电压互感器的最终状态结果。
8.一种电子设备,其特征在于,包括存储器、处理器,所述处理器用于执行存储器中存储的计算机管理类程序时实现如权利要求1-6任一项所述的一种电压互感器误差状态迭代评估方法的步骤。
9.一种计算机可读存储介质,其特征在于,其上存储有计算机管理类程序,所述计算机管理类程序被处理器执行时实现如权利要求1-6任一项所述的一种电压互感器误差状态迭代评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534507.1A CN113935440A (zh) | 2021-12-15 | 2021-12-15 | 一种电压互感器误差状态迭代评估方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111534507.1A CN113935440A (zh) | 2021-12-15 | 2021-12-15 | 一种电压互感器误差状态迭代评估方法及*** |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113935440A true CN113935440A (zh) | 2022-01-14 |
Family
ID=79289087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111534507.1A Pending CN113935440A (zh) | 2021-12-15 | 2021-12-15 | 一种电压互感器误差状态迭代评估方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113935440A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091360A (zh) * | 2022-01-21 | 2022-02-25 | 武汉格蓝若智能技术有限公司 | 一种多模型融合的电压互感器误差状态评估方法 |
CN114779029A (zh) * | 2022-06-16 | 2022-07-22 | 武汉格蓝若智能技术有限公司 | 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 |
CN115392141A (zh) * | 2022-10-28 | 2022-11-25 | 武汉格蓝若智能技术股份有限公司 | 一种自适应的电流互感器误差评估方法 |
CN115508765A (zh) * | 2022-10-28 | 2022-12-23 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器采集装置在线自诊断方法及*** |
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 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN117804670A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市沃感科技有限公司 | 一种板式压力传感器的误差修正方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN111860658A (zh) * | 2020-07-24 | 2020-10-30 | 华北电力大学(保定) | 一种基于代价敏感和集成学习的变压器故障诊断方法 |
CN112396130A (zh) * | 2020-12-09 | 2021-02-23 | 中国能源建设集团江苏省电力设计院有限公司 | 静力触探试验岩层智能识别方法、***、计算机设备及介质 |
-
2021
- 2021-12-15 CN CN202111534507.1A patent/CN113935440A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108765373A (zh) * | 2018-04-26 | 2018-11-06 | 西安工程大学 | 一种基于集成分类器在线学习的绝缘子异常自动检测方法 |
CN111860658A (zh) * | 2020-07-24 | 2020-10-30 | 华北电力大学(保定) | 一种基于代价敏感和集成学习的变压器故障诊断方法 |
CN112396130A (zh) * | 2020-12-09 | 2021-02-23 | 中国能源建设集团江苏省电力设计院有限公司 | 静力触探试验岩层智能识别方法、***、计算机设备及介质 |
Non-Patent Citations (1)
Title |
---|
ACDREAMERS: ""决策树之ID3算法"", 《HTTPS://BLOG.CSDN.NET/ACDREAMERS/ARTICLE/DETAILS/44661149》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114091360A (zh) * | 2022-01-21 | 2022-02-25 | 武汉格蓝若智能技术有限公司 | 一种多模型融合的电压互感器误差状态评估方法 |
CN114091360B (zh) * | 2022-01-21 | 2022-04-22 | 武汉格蓝若智能技术有限公司 | 一种多模型融合的电压互感器误差状态评估方法 |
CN114779029A (zh) * | 2022-06-16 | 2022-07-22 | 武汉格蓝若智能技术有限公司 | 融合群体冗余关联和结构参数的cvt内绝缘在线评估方法 |
CN115392141A (zh) * | 2022-10-28 | 2022-11-25 | 武汉格蓝若智能技术股份有限公司 | 一种自适应的电流互感器误差评估方法 |
CN115508765A (zh) * | 2022-10-28 | 2022-12-23 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器采集装置在线自诊断方法及*** |
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 |
CN116596336A (zh) * | 2023-05-16 | 2023-08-15 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN116596336B (zh) * | 2023-05-16 | 2023-10-31 | 合肥联宝信息技术有限公司 | 电子设备的状态评估方法、装置、电子设备及存储介质 |
CN117804670A (zh) * | 2024-02-28 | 2024-04-02 | 深圳市沃感科技有限公司 | 一种板式压力传感器的误差修正方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113935440A (zh) | 一种电压互感器误差状态迭代评估方法及*** | |
Khelif et al. | Direct remaining useful life estimation based on support vector regression | |
CN114091360B (zh) | 一种多模型融合的电压互感器误差状态评估方法 | |
CN110852441B (zh) | 一种基于改进朴素贝叶斯算法的火灾预警方法 | |
CN110543166A (zh) | 一种加权k近邻标准化方法的多模态工业过程故障检测方法 | |
CN114090393B (zh) | 一种告警级别的确定方法、装置及设备 | |
CN117973902B (zh) | 一种基于保电平台故障处置智能决策方法及*** | |
CN115470995A (zh) | 电池容量预测模型训练方法、电池分容方法及装置 | |
WO2023136871A1 (en) | Multi-dimensional root cause analysis based on cross-metrics | |
Zhang et al. | Fault diagnosis of oil-immersed power transformer based on difference-mutation brain storm optimized catboost model | |
Shehzad et al. | Deep learning-based meta-learner strategy for electricity theft detection | |
CN116365519B (zh) | 一种电力负荷预测方法、***、存储介质及设备 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
CN113033898A (zh) | 基于k均值聚类与bi-lstm神经网络的电负荷预测方法及*** | |
CN116956702A (zh) | 一种用电安全预警方法、介质及*** | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN114565051B (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
CN116316699A (zh) | 一种大电网频率安全态势预测方法、装置及存储介质 | |
Chen et al. | A data fusion-based methodology of constructing health indicators for anomaly detection and prognostics | |
CN114859270A (zh) | 一种变压器绕组故障诊断方法及*** | |
CN113128130A (zh) | 一种判断直流配电***稳定性的实时监测方法及装置 | |
Hashim et al. | Stacked machine learning models for non-technical loss detection in smart grid: A comparative analysis | |
Grbovic et al. | A boosting method for process fault detection with detection delay reduction and label denoising | |
CN116596328A (zh) | 一种电力***负荷状态识别方法 | |
Hwang et al. | Development of Machine Learning based Model for Anomaly Detection and Fault Cause Diagnosis of Assets in Petrochemical Industries |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20220114 |
|
RJ01 | Rejection of invention patent application after publication |