CN114460521A - 电流互感器误差状态判别方法、装置、终端设备及介质 - Google Patents
电流互感器误差状态判别方法、装置、终端设备及介质 Download PDFInfo
- Publication number
- CN114460521A CN114460521A CN202111601423.5A CN202111601423A CN114460521A CN 114460521 A CN114460521 A CN 114460521A CN 202111601423 A CN202111601423 A CN 202111601423A CN 114460521 A CN114460521 A CN 114460521A
- Authority
- CN
- China
- Prior art keywords
- data set
- current transformer
- current
- line
- node
- 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
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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电流互感器误差状态判别方法、装置、终端设备及介质，该方法包括：基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集；在建模数据集中模拟线路故障状态，生成故障数据；利用故障数据与建模数据集，构建被测电流互感器的异常数据库；确定异常数据库的局部异常因子阈值边界；计算监测数据集的局部异常因子，并与局部异常因子阈值边界比较，判别被测电流互感器的误差状态。本发明实现了电流互感器计量误差的在线评估，摆脱了对停电和实物标准器的依赖，可适用于不同原理或准确度等级的电流互感器，具有精度高、适用性强的优点。
Description
技术领域
本发明涉及电网数据分析技术领域，尤其涉及一种电流互感器误差状态判别方法、装置、终端设备及介质。
背景技术
电流互感器，简称CT，是一种将大电流转化为小电流进而实现测量的通用设备，在电力***中的应用十分广泛。计量性能是电流互感器最为关键的属性，随着长期运行，电流互感器由于受到电、磁、热、力等多种物理场的影响，会使得互感器可能发生误差偏移，甚至异常，进而导致电流测量的故障，严重影响电力***的稳定运行。因此，在电流互感器入网前通常要进行校验工作，以保证其测量准确性。
目前，针对电流互感器的校验通常包括二大类，分别为基于精确建模、基于信号处理的方法来实现误差的在线评估。其中，精确建模法基于已知的电力***精确等效模型，建立方程组求解未知的互感器误差。但该类方法所需的电网高精度等效参数往往难以获得，工程应用难度大。信号处理法通常利用小波变换、频移算法、集成滤波等方法分析单台互感器的输出信号识别误差变化，但该方法仅能发现CT的误差突变，对于长期运行中误差的渐变型变化并不敏感，存在对电网造成冲击与测量精度不高的问题，工程适用性较弱。
发明内容
本发明的目的在于提供一种电流互感器误差状态判别方法、装置、终端设备及介质，以解决现有技术电流互感器误差状态在线识别方法中存在的测量精度低、可实施性差且容易对电网造成冲击的问题。
为实现上述目的，本发明提供一种电流互感器误差状态判别方法，包括：
基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集；
在所述建模数据集中模拟线路故障状态，生成故障数据；利用所述故障数据与所述建模数据集，构建被测电流互感器的异常数据库；
确定所述异常数据库的局部异常因子阈值边界；
计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态。
进一步地，所述基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集，包括：采集被测电流互感器的实时二次输出数据，提取所述实时二次输出数据中基波的电流幅值及相位，分别根据电流幅值、相位构建电流矢量的实部、虚部，将构建的电流矢量作为监测数据集；
采集被测电流互感器正常运行状态下的历史输出数据，分别根据历史输出数据中的电流幅值、相位构建电流矢量的实部、虚部，将构建的电流矢量作为建模数据集。
进一步地，在所述分别构建监测数据集、建模数据集之后，还包括对所述监测数据集、建模数据集进行数据预处理，包括：
利用基尔霍夫电流定律，分别计算所述监测数据集、所述建模数据集中的节点电流矢量和；所述节点电流矢量和为节点中的所有线路的电流矢量之和；
将各线路中电流矢量幅值最大的线路作为归一化基准，将所述节点电流矢量和与所述归一化基准相除，得到节点的归一化电流矢量。
进一步地，所述在所述建模数据集中模拟线路故障状态，生成故障数据，包括：
基于所述建模数据集，按照预设条件为建模数据添加临界误差，生成各个线路的故障数据。
进一步地，所述确定所述异常数据库的局部异常因子阈值边界，包括：
基于所述异常数据库，计算各条线路故障时的多个局部异常因子，将多个局部异常因子中的最小局部异常因子作为对应线路的局部异常因子阈值；
将所述局部异常因子阈值中的最小值作为异常数据库的局部异常因子阈值边界。
进一步地，所述计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态，包括：
当所述监测数据集的局部异常因子大于所述局部异常因子阈值边界时，则判定所述被测电流互感器出现误差超限，并触发故障警告。
本发明还提供一种电流互感器误差状态判别装置，包括：
数据获取单元，用于基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集；
数据库构建单元，用于在所述建模数据集中模拟线路故障状态，生成故障数据；利用所述故障数据与所述建模数据集，构建被测电流互感器的异常数据库；
阈值边界确定单元，用于确定所述异常数据库的局部异常因子阈值边界；
误差状态判别单元，用于计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态。
进一步地，所述电流互感器误差状态判别装置还包括：数据预处理单元，用于：
利用基尔霍夫电流定律，分别计算所述监测数据集、所述建模数据集中的节点电流矢量和；所述节点电流矢量和为节点中的所有线路的电流矢量之和；
将各线路中电流矢量幅值最大的线路作为归一化基准，将所述节点电流矢量和与所述归一化基准相除，得到节点的归一化电流矢量。
本发明还提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上任一项所述的电流互感器误差状态判别方法。
本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上任一项所述的电流互感器误差状态判别方法。
相对于现有技术，本发明的有益效果在于：
本发明公开了一种电流互感器误差状态判别方法，包括：基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集；在建模数据集中模拟线路故障状态，生成故障数据；利用故障数据与建模数据集，构建被测电流互感器的异常数据库；确定异常数据库的局部异常因子阈值边界；计算监测数据集的局部异常因子，并与局部异常因子阈值边界比较，判别被测电流互感器的误差状态。本发明实现了电流互感器计量误差的在线评估，摆脱了对停电和实物标准器的依赖，可适用于不同原理或准确度等级的电流互感器，具有精度高、适用性强等优点。
附图说明
为了更清楚地说明本发明的技术方案，下面将对实施方式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方式，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明某一实施例提供的电流互感器误差状态判别方法的流程示意图；
图2是本发明某一实施例提供的电流互感器故障的在线监测方法的流程示意图；
图3是本发明某一实施例提供的局部异常因子识别效果图；
图4是本发明某一实施例提供的电流互感器误差状态判别装置的结构示意图；
图5是本发明又一实施例提供的电流互感器误差状态判别装置的结构示意图；
图6是本发明某一实施例提供的终端设备的结构示意图。
具体实施方式
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，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
请参阅图1，本发明某一实施例提供一种电流互感器误差状态判别方法。如图1所示，该电流互感器误差状态判别方法包括步骤S10至步骤S40。各步骤具体如下：
S10、基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集；
S20、在所述建模数据集中模拟线路故障状态，生成故障数据；利用所述故障数据与所述建模数据集，构建被测电流互感器的异常数据库；
S30、确定所述异常数据库的局部异常因子阈值边界；
S40、计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态。
需要说明的是，在电流互感器在入网运行前通常要对其强制开展校验工作，以保证电流互感器测量的准确性。起初，针对电流互感器的校验方法主要是基于“停电校验”，即定期停电开展电流互感器校验工作。然而这种方式实施难度较大，由于计划性停电窗口少、时间短，导致在周期内无法做到检定全覆盖，从而导致大量超期未检的情况。为了打破对停电状态的依赖提出了“带电校验”法，其基本原理与“停电校验”法类似，也是利用标准器获取相对真值，待检定互感器的测得值与相对真值之间的偏差即为互感器的误差。不同的是，“带电校验”法的物理标准器通过特殊设计而成，具备体积小、重量轻等特点，可采用带电操作方式接入与待检定互感器相同的回路，并实现短期在线运行。显然这种方式依然受限于物理标准器，仅能定期开展。此外，带电操作过程可能激发局部暂态过程，对操作人员、检定设备乃至电力***运行都存在安全隐患。因此本实施例旨在提供一种新的方法，以克服上述两种校验方法存在的缺陷。
首先，对于电压互感器的误差监测方法进行说明。在进行电压互感器误差监测时，主要基于信息物理融合的方法，该方法在应用时能够考虑到在电网实际运行中，正常互感器为大多数，而异常互感器为极少数这一现状，以同一变电站内存在电气物理联系的互感器群体为评估对象，以群体内的物理相关性为约束条件，通过多元统计方法协同分析互感器群体输出的二次测量值实时规模化数据中蕴含的信息，挖掘跟踪约束关系的实时状态。通过这种信息融合的方式，能够彻底摆脱停电和实物标准器，且无需依赖精确等效参数，仅利用采集数据，即可实现误差偏移的监测，工程适用性较强。
然而，这种方法之所以只应用在电压互感器而不能应用于在电流互感器上，是因为：第一，电流互感器不存在强耦合关系，而电压互感器存在强耦合关系；第二，变电站内同一节点上测量同相的电压互感器测量值应保持一致，可以采用比较相互测量值来进行判断，而线路电流相互独立，不能采用比较相互测量值来实现；第三，稳态变电站中电压幅值为110％-120％的额定电压变化，电压波动较小；而变电站中电流互感器测量的各线路电流变化相互独立，幅值从0％-120％额定电流独立变化，波动极大。因此本实施例提供的方法，基于信息物理融合的思想，提出以同一特征节点上的多条线路的电流互感器为评估对象，以刚性约束关系，包括一基尔霍夫电流规律为约束条件以及基于聚类分析节点电流矢量和，从而对电流互感器进行的误差状态进行在线监测。
具体地，在执行步骤S10时，首先将变电站同一节点各线路电流互感器(CT)组成群体，采集CT群体实时的二次输出数据，构造监测数据集；同时，本步骤中还需收集CT正常运行状态下的历史数据，以构建建模数据集。需要说明的是，为了便于理解，本实施例主要以变电站某一节点以及该节点上所有线路的电流互感器为对象进行说明。在实际应用中，本发明提供的方法适用于变电站中的任意节点，在此不作任何限定。
在某一个具体实施例中，步骤S10又包括：
1.1)采集被测电流互感器的实时二次输出数据，提取所述实时二次输出数据中基波的电流幅值及相位，分别根据电流幅值、相位构建电流矢量的实部、虚部，将构建的电流矢量作为监测数据集；
1.2)采集被测电流互感器正常运行状态下的历史输出数据，分别根据历史输出数据中的电流幅值、相位构建电流矢量的实部、虚部，将构建的电流矢量作为建模数据集。
本实施例中，主要将当前变电站节点在每一时刻的电流矢量以虚部实部的形式，具体为以电流幅值、相位分别构建电流矢量的实部、虚部，然后将得到的电流矢量，作为二维的建模数据集与二维的监测数据集。
在某一个实施例中，在执行步骤S10之后，执行步骤S20之前，还包括对所述监测数据集、建模数据集进行数据预处理，包括：
利用基尔霍夫电流定律，分别计算所述监测数据集、所述建模数据集中的节点电流矢量和；所述节点电流矢量和为节点中的所有线路的电流矢量之和；
将各线路中电流矢量幅值最大的线路作为归一化基准，将所述节点电流矢量和与所述归一化基准相除，得到节点的归一化电流矢量。
本实施例中通过基尔霍夫电流定律(KCL)得到各线路节点的电流矢量和，然后选取该节点下所有线路中电流矢量幅值最大的一条线路，将其电流矢量作为归一化基准，优选变压器支路的电流矢量作为归一化标准。然后将所得到的节点电流矢量和与该归一化基准相除，作为节点在这一时刻的归一化电流矢量。
进一步地，执行步骤S20以构建被测电流互感器的异常数据库。具体地，在执行步骤S20时，首先进行参数选择，要基于CT二次侧数据采样频率与评估周期选择恰当的邻域参数K，然后在建模数据集上模拟单线路故障的情况，生成各线路故障数据，最后将各线路故障数据与二维的建模数据集组建单线路CT临界超差的异常数据库。
在某一个具体实施例中，步骤S20中生成各个线路的故障数据主要为：基于所述建模数据集，按照预设条件为建模数据添加临界误差，生成各个线路的故障数据。需要说明的是，该预设条件主要是确定电流互感器的准确度等级，然后再根据该准确度等级除以某一数值得到电流互感器的计量误差变化限值，最后根据该计量误差变化限值为每个建模数据添加临界误差，生成各个线路的故障数据。
进一步地，执行步骤S30，即确定所述异常数据库的局部异常因子(下称LOF因子)阈值边界。
在某一个具体实施例中，步骤S30具体包括：
3.1)基于所述异常数据库，按照线路分类计算各条线路故障时的LOF因子，并将每条故障线路的最小LOF因子作为对应线路的LOF因子阈值；
3.2)将所有LOF因子阈值中的最小值作为异常数据库的LOF因子阈值边界。
需要解释的是，本步骤中基于单线路电流互感器的临界超差的异常数据库，按线路分类依次对临界超差异常数据库进行LOF分析，将各条线路故障时得到的最小的LOF因子作为本条线路离群阈值，得到各线路临界超差异常时离群阈值，取其中的阈值最小值作为局部离群因子阈值边界。
最后，执行步骤S40，利用局部离群算法对二维监测数据集处理，计算得到监测数据集的LOF因子，然后与LOF因子阈值边界比较，判别被测电流互感器的误差状态。其中，当所述监测数据集的LOF因子大于所述LOF因子阈值边界时，则判定所述被测电流互感器出现误差超限，并触发故障警告。
因此，本发明实施例提供的电流互感器误差状态判别方法，实现了电流互感器计量误差的在线评估，摆脱了对停电和实物标准器的依赖，可适用于不同原理或准确度等级的电流互感器，具有精度高、适用性强的优点。
为了帮助理解本发明提供的方法，在某一具体实施方式中，以某一电流互感器为被测对象，对本发明提供的故障判别方法进行说明。其中，图2为本实施例提供的电流互感器故障的在线监测方法流程图。
如图2所示，本实施例中的电路模型为一进线、五出线的电路特征节点模型，具体地，本实施例共包括以下步骤：
(1)数据采集：将变电站同一节点上6条线路电流互感器(CT)组成群体，通过数据采集装置实时采集节点上6条线路各自电流互感器的二次侧的电流信号，包括电流信号的幅值与相位，从而形成同一特征节点上6条线路各自的电流矢量，构造监测数据集。收集6条线路正常历史数据构建建模数据集，数据规模，建模数据集中元素为各线路历史正常电流矢量。
(2)数据预处理：将得到的特征节点的群体矢量测量数据集中的6条线路上的电流矢量通过刚性约束条件：基尔霍夫电流定律(KCL)得到特征节点电流数据矢量和，并将矢量和进行归一化作为其归一化矢量，在此实例中进线线路是变压器支路，因此选取进线线路的电流矢量作为归一化标准，将所得到的节点电流矢量和与该归一化标准相除，作为特征节点在这一时刻的归一化矢量。将归一化矢量以虚部实部的形式表示，从而形成代表这一特征节点在不同时刻的归一化矢量二维数据集。对建模数据集与监测数据集均按照上述数据预处理方式得到各自对应的二维建模数据集与二维监测数据集。
(3)参数选取与数据库构建：针对CT的计量误差状态评估，在此实例中数据采集装置采样周期为10分钟，则对应评估周期8小时的数据长度为48，此时可以设置为K＝48，远大于常见数据波动的时长，可消除部分一次电网波动带来的影响。在二维建模数据集上模拟单线路故障，即按照预设条件为建模数据添加临界误差，生成各个线路的故障数据。具体地，该预设条件主要是确定电流互感器的准确度等级，然后再根据该准确度等级除以某一数值得到电流互感器的计量误差变化限值，最后根据该计量误差变化限值为每个建模数据添加临界误差，生成各个线路的故障数据。例如，在本实施例中，若CT的准确度等级为S，则该CT的计量误差变化限值即S/100。即根据同一节点上的线路数与各线路对应的电流互感器准确度等级，依次对每一条线路所对应的二维建模数据集中的数据添加该线路相应的电流互感器临界误差从而构建各线路故障数据。添加误差的方法为：依据本线路电流互感器准确度等级S，将相应本线路的二维建模数据集中的数据Q做：E＝Q*(1+S/100)或E＝Q*(1-S/100)，得到该线路故障数据E。电流互感器为0.2准确度级，因此给二维建模数据集添加0.2％的误差，构建各线路故障数据，与二维建模数据集构建单线路CT临界超差异常数据库，在数据库中按线路分类。
(4)阈值边界确定：基于单线路CT临界超差异常数据库，按线路分类依次对临界超差异常数据库进行LOF分析，将各条线路故障时得到的最小的LOF因子作为本条线路离群阈值，得到各线路临界超差异常时离群阈值，取其中的阈值最小值作为局部离群因子阈值边界，具体如表1所示：
表1各线路离线阈值
| 临界超差线路 | 线路1 | 线路2 | 线路3 | 线路4 | 线路5 | 线路6 |
| 离线阈值 | 1.782 | 1.765 | 1.768 | 1.750 | 1.774 | 1.778 |
由表1可知，6条线路中的离群阈值最小值为：1.75，因此选定1.75为局部离群因子边界，也即LOF因子阈值边界。
(5)算法处理：使用局部离群因子算法(LOF算法)对于二维监测数据集分析处理，得出对应的LOF因子。若数据集中出现了超出局部离群因子边界阈值的LOF因子，则判断在这一特征节点6条线路上的电流互感器中存在计量误差变化超限值的电流互感器，进而故障告警。其中，当出现计量误差变化超限值的电流互感器时，会出现部分离群点，实现效果如图3所示。由图3可知，分布较为稀疏的点(方形点)即为离群点，可以看出对于渐变误差本方法处理分析效果极佳。当出现离群点时，认为此时这一特征节点6条线路上的电流互感器中已经出现计量误差变化超限值的电流互感器，进而故障告警。
因此，通过本实施例可以对电流互感器计量误差进行在线监测，并在监测结果为故障时触发故障警告，进行及时的人工干预，有利于维护电网***的稳定，减少事故发生。
请参阅图4，本发明某一实施例还提供一种电流互感器误差状态判别装置，包括：
数据获取单元01，用于基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，按照各线路节点分别构建监测数据集、建模数据集；
数据库构建单元02，用于在所述建模数据集中模拟线路故障状态，生成故障数据；利用所述故障数据与所述建模数据集，构建被测电流互感器的异常数据库；
阈值边界确定单元03，用于确定所述异常数据库的局部异常因子阈值边界；
误差状态判别单元04，用于计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态。
在某一具体实施方式中，所述电流互感器误差状态判别装置还包括数据预处理单元05，如图5所示。具体地，该数据预处理单元05用于：
利用基尔霍夫电流定律，分别计算所述监测数据集、所述建模数据集中的各线路节点的电流矢量和；
将各线路中电流矢量幅值最大的线路作为归一化基准，对所述监测数据集、所述建模数据集进行归一化处理。
可以理解的是，本发明实施例提供的电流互感器误差状态判别装置用于执行如上述任意一项实施例所述的电流互感器误差状态判别方法。本实施例实现了电流互感器计量误差的在线评估，摆脱了对停电和实物标准器的依赖，可适用于不同原理或准确度等级的电流互感器，具有精度高、适用性强的优点。
请参阅图6，本发明某一实施例提供一种终端设备，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如上所述的电流互感器误差状态判别方法。
处理器用于控制该终端设备的整体操作，以完成上述的电流互感器误差状态判别方法的全部或部分步骤。存储器用于存储各种类型的数据以支持在该终端设备的操作，这些数据例如可以包括用于在该终端设备上操作的任何应用程序或方法的指令，以及应用程序相关的数据。该存储器可以由任何类型的易失性或非易失性存储设备或者它们的组合实现，例如静态随机存取存储器(Static Random Access Memory，简称SRAM)，电可擦除可编程只读存储器(Electrically Erasable Programmable Read-Only Memory，简称EEPROM)，可擦除可编程只读存储器(Erasable Programmable Read-Only Memory，简称EPROM)，可编程只读存储器(Programmable Read-Only Memory，简称PROM)，只读存储器(Read-OnlyMemory，简称ROM)，磁存储器，快闪存储器，磁盘或光盘。
在一示例性实施例中，终端设备可以被一个或多个应用专用集成电路(Application Specific 1ntegrated Circuit，简称AS1C)、数字信号处理器(DigitalSignal Processor，简称DSP)、数字信号处理设备(Digital Signal Processing Device,简称DSPD)、可编程逻辑器件(Programmable Logic Device，简称PLD)、现场可编程门阵列(Field Programmable Gate Array，简称FPGA)、控制器、微控制器、微处理器或其他电子元件实现，用于执行如上述任一项实施例所述的电流互感器误差状态判别方法，并达到如上述方法一致的技术效果。
在另一示例性实施例中，还提供一种包括计算机程序的计算机可读存储介质，该计算机程序被处理器执行时实现如上述任一项实施例所述的电流互感器误差状态判别方法的步骤。例如，该计算机可读存储介质可以为上述包括计算机程序的存储器，上述计算机程序可由终端设备的处理器执行以完成如上述任一项实施例所述的电流互感器误差状态判别方法，并达到如上述方法一致的技术效果。
以上所述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，这些改进和润饰也视为本发明的保护范围。
Claims (10)
1.一种电流互感器误差状态判别方法，其特征在于，包括：
基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集；
在所述建模数据集中模拟线路故障状态，生成故障数据；利用所述故障数据与所述建模数据集，构建被测电流互感器的异常数据库；
确定所述异常数据库的局部异常因子阈值边界；
计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态。
2.根据权利要求1所述的电流互感器误差状态判别方法，其特征在于，所述基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集，包括：采集被测电流互感器的实时二次输出数据，提取所述实时二次输出数据中基波的电流幅值及相位，分别根据电流幅值、相位构建电流矢量的实部、虚部，将构建的电流矢量作为监测数据集；
采集被测电流互感器正常运行状态下的历史输出数据，分别根据历史输出数据中的电流幅值、相位构建电流矢量的实部、虚部，将构建的电流矢量作为建模数据集。
3.根据权利要求2所述的电流互感器误差状态判别方法，其特征在于，在所述分别构建监测数据集、建模数据集之后，还包括对所述监测数据集、建模数据集进行数据预处理，包括：
利用基尔霍夫电流定律，分别计算所述监测数据集、所述建模数据集中的节点电流矢量和；所述节点电流矢量和为节点中的所有线路的电流矢量之和；
将各线路中电流矢量幅值最大的线路作为归一化基准，将所述节点电流矢量和与所述归一化基准相除，得到节点的归一化电流矢量。
4.根据权利要求1所述的电流互感器误差状态判别方法，其特征在于，所述在所述建模数据集中模拟线路故障状态，生成故障数据，包括：
基于所述建模数据集，按照预设条件为建模数据添加临界误差，生成各个线路的故障数据。
5.根据权利要求1所述的电流互感器误差状态判别方法，其特征在于，所述确定所述异常数据库的局部异常因子阈值边界，包括：
基于所述异常数据库，计算各条线路故障时的多个局部异常因子，将多个局部异常因子中的最小局部异常因子作为对应线路的局部异常因子阈值；
将所述局部异常因子阈值中的最小值作为异常数据库的局部异常因子阈值边界。
6.根据权利要求1所述的电流互感器误差状态判别方法，其特征在于，所述计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态，包括：
当所述监测数据集的局部异常因子大于所述局部异常因子阈值边界时，则判定所述被测电流互感器出现误差超限，并触发故障警告。
7.一种电流互感器误差状态判别装置，其特征在于，包括：
数据获取单元，用于基于变电站同一节点下的各线路，根据每条线路中被测电流互感器的实时二次输出数据、正常运行状态下的历史数据，分别构建监测数据集、建模数据集；
数据库构建单元，用于在所述建模数据集中模拟线路故障状态，生成故障数据；利用所述故障数据与所述建模数据集，构建被测电流互感器的异常数据库；
阈值边界确定单元，用于确定所述异常数据库的局部异常因子阈值边界；
误差状态判别单元，用于计算监测数据集的局部异常因子，并与所述局部异常因子阈值边界比较，判别所述被测电流互感器的误差状态。
8.根据权利要求7所述的电流互感器误差状态判别装置，其特征在于，还包括：数据预处理单元，用于：
利用基尔霍夫电流定律，分别计算所述监测数据集、所述建模数据集中的节点电流矢量和；所述节点电流矢量和为节点中的所有线路的电流矢量之和；
将各线路中电流矢量幅值最大的线路作为归一化基准，将所述节点电流矢量和与所述归一化基准相除，得到节点的归一化电流矢量。
9.一种终端设备，其特征在于，包括：
一个或多个处理器；
存储器，与所述处理器耦接，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1-6任一项所述的电流互感器误差状态判别方法。
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，所述计算机程序被处理器执行时实现如权利要求1-6任一项所述的电流互感器误差状态判别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601423.5A CN114460521A (zh) | 2021-12-24 | 2021-12-24 | 电流互感器误差状态判别方法、装置、终端设备及介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111601423.5A CN114460521A (zh) | 2021-12-24 | 2021-12-24 | 电流互感器误差状态判别方法、装置、终端设备及介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114460521A true CN114460521A (zh) | 2022-05-10 |
Family
ID=81407463
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111601423.5A Pending CN114460521A (zh) | 2021-12-24 | 2021-12-24 | 电流互感器误差状态判别方法、装置、终端设备及介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114460521A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115372881A (zh) * | 2022-10-25 | 2022-11-22 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器计量误差评估方法及*** |
| CN115407255A (zh) * | 2022-11-03 | 2022-11-29 | 云南电网有限责任公司 | 一种电流互感器误差在线监测装置及方法 |
| 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 |
| CN115480203A (zh) * | 2022-09-28 | 2022-12-16 | 武汉格蓝若智能技术有限公司 | 一种电流互感器误差状态在线定量评估方法及*** |
| 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 |
| CN116840765A (zh) * | 2023-08-31 | 2023-10-03 | 武汉格蓝若智能技术股份有限公司 | 一种基于多元时序分析的电压互感器误差状态评估方法 |
| CN117491938A (zh) * | 2023-12-29 | 2024-02-02 | 国网甘肃省电力公司电力科学研究院 | 一种光伏储能***的电流互感器检测控制方法 |
-
2021
- 2021-12-24 CN CN202111601423.5A patent/CN114460521A/zh active Pending
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115480203A (zh) * | 2022-09-28 | 2022-12-16 | 武汉格蓝若智能技术有限公司 | 一种电流互感器误差状态在线定量评估方法及*** |
| CN115480203B (zh) * | 2022-09-28 | 2024-06-18 | 武汉格蓝若智能技术股份有限公司 | 一种电流互感器误差状态在线定量评估方法及*** |
| 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 |
| CN115372881A (zh) * | 2022-10-25 | 2022-11-22 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器计量误差评估方法及*** |
| CN115372881B (zh) * | 2022-10-25 | 2023-02-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器计量误差评估方法及*** |
| CN115407255A (zh) * | 2022-11-03 | 2022-11-29 | 云南电网有限责任公司 | 一种电流互感器误差在线监测装置及方法 |
| 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 |
| 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 |
| CN116840765A (zh) * | 2023-08-31 | 2023-10-03 | 武汉格蓝若智能技术股份有限公司 | 一种基于多元时序分析的电压互感器误差状态评估方法 |
| CN116840765B (zh) * | 2023-08-31 | 2023-11-07 | 武汉格蓝若智能技术股份有限公司 | 一种基于多元时序分析的电压互感器误差状态评估方法 |
| CN117491938A (zh) * | 2023-12-29 | 2024-02-02 | 国网甘肃省电力公司电力科学研究院 | 一种光伏储能***的电流互感器检测控制方法 |
| CN117491938B (zh) * | 2023-12-29 | 2024-03-01 | 国网甘肃省电力公司电力科学研究院 | 一种光伏储能***的电流互感器检测控制方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114460521A (zh) | 电流互感器误差状态判别方法、装置、终端设备及介质 | |
| CN107679768B (zh) | 一种基于电网实时数据的态势感知***及其构建方法 | |
| Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
| Arghandeh et al. | Topology detection in microgrids with micro-synchrophasors | |
| US11967823B2 (en) | Method for monitoring short-term voltage stability of power system | |
| US10503839B2 (en) | Detecting state estimation network model data errors | |
| Sun et al. | Power system observability and dynamic state estimation for stability monitoring using synchrophasor measurements | |
| Asada et al. | Identifying multiple interacting bad data in power system state estimation | |
| CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
| CN112504511A (zh) | 一种发电机定子温度监测方法、装置及介质 | |
| Som et al. | DPMU-based multiple event detection in a microgrid considering measurement anomalies | |
| CN115128345B (zh) | 一种基于谐波监测的电网安全预警方法及*** | |
| CN115754468A (zh) | 一种电流二次回路波形畸变的监测方法及*** | |
| Akrami et al. | Sparse distribution system state estimation: An approximate solution against low observability | |
| CN116401532A (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
| CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
| Gulati et al. | Overview of state estimation technique for power system control | |
| CN115343579A (zh) | 一种电网故障分析方法、装置及电子设备 | |
| JP2022132275A (ja) | 電力グリッドにおける相接続の決定 | |
| Hettiarachchige-Don et al. | Estimation of missing transmission line reactance data using multiple linear regression | |
| CN112749099A (zh) | 一种pas应用性能的评估方法、***、终端设备及介质 | |
| Ji et al. | A graph-theoretic method for identification of electric power distribution system topology | |
| CN113721106B (zh) | 配电网故障定位方法、装置及设备 | |
| Pacis et al. | Phasor Measurement Unit (PMU) based Power System State Estimation with Distributed Generation (DG) using Integrated Alternating Current (AC) Load Flow with Weighted Least Square Algorithm | |
| Febrianto et al. | Fault location and voltage sag analysis in electric distribution network |
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 |