CN115392141B - 一种自适应的电流互感器误差评估方法 - Google Patents

一种自适应的电流互感器误差评估方法 Download PDF

Info

Publication number
CN115392141B
CN115392141B CN202211331032.0A CN202211331032A CN115392141B CN 115392141 B CN115392141 B CN 115392141B CN 202211331032 A CN202211331032 A CN 202211331032A CN 115392141 B CN115392141 B CN 115392141B
Authority
CN
China
Prior art keywords
error
current
current transformer
value
evaluation
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.)
Active
Application number
CN202211331032.0A
Other languages
English (en)
Other versions
CN115392141A (zh
Inventor
饶芳
陈勉舟
陈应林
代洁
任波
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.)
Wuhan Gelanruo Intelligent Technology Co ltd
Original Assignee
Wuhan Gelanruo Intelligent Technology 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 Wuhan Gelanruo Intelligent Technology Co ltd filed Critical Wuhan Gelanruo Intelligent Technology Co ltd
Priority to CN202211331032.0A priority Critical patent/CN115392141B/zh
Publication of CN115392141A publication Critical patent/CN115392141A/zh
Application granted granted Critical
Publication of CN115392141B publication Critical patent/CN115392141B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种自适应的电流互感器误差评估方法，包括：将同一变电站内同一母线上的各线路CT作为评估群体，构建各CT个体误差与测量值节点电流矢量和的物理关系，得到群体内每台CT的测量误差，记为第一误差估计值
Figure 93888DEST_PATH_IMAGE001
；建立个体CT误差评估模型；基于个体CT误差评估模型得到评估群体中各个待评估CT的第二误差估计值；采用改进后物理信息神经网络方法，将第一误差估计值和第二误差估计值进行融合，得到第三误差估计值；利用误差偏差值，对第一误差估计和第二误差估计值进行修正，自适应地实现了CT运行误差的实时在线评估。

Description

一种自适应的电流互感器误差评估方法
技术领域
本发明涉及智能电网领域，尤其涉及一种自适应的电流互感器误差评估方法。
背景技术
电流互感器（Current transformers）是电力***中的重要测量设备。其一次绕组串联在输变电主回路内，二次绕组则根据不同要求，分别接入测量仪表、继电保护或自动装置等设备，用于将一次回路的大电流变化为二次侧小电流，供测控保护计量设备安全采集。其准确可靠对于电力***的安全运行、控制保护、电能计量、贸易结算具有重大意义。
目前电流互感器误差评估通常采用离线校验或者在线校验的方法，通过直接比对法得到电流互感器的比差和角差。然而，这些方法的校验周期较长，现场接线复杂，工作效率低。为了完善电流互感器误差状态评估体系，亟需建立电流互感器误差状态评估方法，以及时发现其误差超差问题，减少电流互感器误差越限运行时间，指导互感器检测工作，从而保证电能计量的公平性。
发明内容
本发明针对现有技术中存在的技术问题，提供一种自适应的电流互感器误差评估方法，利用多维特征提取与集成融合学习的方法，根据变电站不同的CT电气物理关系，自适应地实现了CT运行误差的实时在线评估。
根据本发明的第一方面，提供了一种自适应的电流互感器误差评估方法，包括：步 骤1，将同一变电站内同一母线上的各线路CT作为评估群体S，根据基尔霍夫电流定律，构建 各CT个体误差与测量值节点电流矢量和的物理关系，利用数学处理方法，得到群体内每台 CT的测量误差，记为CT的第一误差估计值
Figure 822039DEST_PATH_IMAGE001
；
步骤2，利用离线建模、在线训练的方式，建立个体CT误差评估模型；所述个体CT误 差评估模型的输入为CT的多维特征参量，输出为CT的第二误差估计值
Figure 875446DEST_PATH_IMAGE002
；基于所述个体CT 误差评估模型得到所述评估群体S中各个待评估CT的第二误差估计值
Figure 26811DEST_PATH_IMAGE002
；
步骤3，采用改进后物理信息神经网络方法，将所述第一误差估计值
Figure 507470DEST_PATH_IMAGE001
和所述第 二误差估计值
Figure 65491DEST_PATH_IMAGE002
进行融合，得到第三误差估计值
Figure 719326DEST_PATH_IMAGE003
；
步骤4，分别计算第一误差估计值
Figure 679192DEST_PATH_IMAGE001
、第二误差估计值
Figure 330753DEST_PATH_IMAGE002
与第三误差估计值
Figure 923539DEST_PATH_IMAGE003
之间的误差偏差值
Figure 318749DEST_PATH_IMAGE004
和
Figure 133121DEST_PATH_IMAGE005
；利用所述误差偏差值
Figure 17900DEST_PATH_IMAGE004
和
Figure 284934DEST_PATH_IMAGE005
，对所述第一误差估计值
Figure 483834DEST_PATH_IMAGE001
和所述第二误差估计值
Figure 458438DEST_PATH_IMAGE002
进行修正，自适应实现CT运行误差的在线评估。
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，所述步骤1包括：
步骤101，实时获取并筛选变电站同一节点下的各线路CT的稳定段的电流测量值，构建监测数据集；
步骤102，根据基尔霍夫电流定律，构建所述监测数据集中目标CT的电流测量值以及误差与其他CT的电流测量值以及误差的关系式；
步骤103，以所述目标CT的目标相电流数据与额定变比计算目标CT的电流真值作 为电流基准值
Figure 451801DEST_PATH_IMAGE006
；在所述监测数据集中选取任一线路的CT的三相电流数据进行状态评估， 将电流数据为正常状态时对应的CT和相分别作为目标CT和目标相；
步骤104，将所述监测数据集中除目标CT外的其它CT的电流测量值作为输入，将所 述电流基准值
Figure 206131DEST_PATH_IMAGE006
作为输出，训练LAPO-RBF神经网络得到LAPO-RBF神经网络模型；
步骤105，利用所述LAPO-RBF神经网络模型得到各个所述待评估CT的所述电流基 准值，根据所述电流基准值计算各个所述待评估CT的第一误差估计值
Figure 208722DEST_PATH_IMAGE001
。
可选的，所述步骤102中
得到的所述关系式为：
Figure 794424DEST_PATH_IMAGE007
(10)
Figure 958689DEST_PATH_IMAGE008
(11)
Figure 200315DEST_PATH_IMAGE009
、
Figure 554067DEST_PATH_IMAGE010
接近于0，n为线路条数，m表示A、B或C相，
Figure 931958DEST_PATH_IMAGE011
为测量 值的和的电流实部，
Figure 532704DEST_PATH_IMAGE012
为测量值的和的电流虚部，
Figure 58363DEST_PATH_IMAGE013
为各线路电流测量值，
Figure 402757DEST_PATH_IMAGE014
为相应的比值差，
Figure 635155DEST_PATH_IMAGE015
为相应的相位差。
可选的，所述步骤2中的所述多维特征参量包括：工况参量、电磁参量和环境参量。
可选的，所述步骤2包括：
步骤201，获取离线检测过程中的各个CT的多维特征参量构建离线数据集；基于所述离线数据集训练ANN模型得到预训练模型；
步骤202，获取在线检测过程中的各个CT的多维特征参量，根据CT的电流值的范围构造各个分段数据集；
步骤203，将各个分段数据集分别输入各个所述预训练模型进行训练，得到各个CT的电流值的范围对应的各个所述个体CT误差评估模型；
步骤204，将所述待评估CT的在线监测数据输入其电流值所在分段对应的所述个 体CT误差评估模型，所述个体CT误差评估模型输出该待评估CT的第二误差估计值
Figure 718387DEST_PATH_IMAGE002
。
可选的，所述步骤3中采用改进后物理信息神经网络的方法得到误差评估值的融合模型；
所述融合模型的输入特征量为：
Figure 669025DEST_PATH_IMAGE016
，输出特征量为：
Figure 551530DEST_PATH_IMAGE017
；
Figure 966331DEST_PATH_IMAGE003
为待评估CT的第三误差估计值。
可选的，所述融合模型的构建过程包括：
通过全连接神经网络来逼近函数，利用自动微分技术，求出偏微分方程残差和初边值残差约束，并将其作为正则项放入损失函数中，利用变色龙算法获得神经网络连接权重参数W和偏微分方程物理参数b。
可选的，所述步骤4中对所述第一误差估计值
Figure 908879DEST_PATH_IMAGE001
和所述第二误差估计值
Figure 346814DEST_PATH_IMAGE002
进行 修正的过程包括：
当具备群体评估条件时，得到所述待评估CT的误差评估值
Figure 846060DEST_PATH_IMAGE018
；
当不具备群体评估条件时，得到所述待评估CT的误差评估值
Figure 53050DEST_PATH_IMAGE019
。
本发明提供的一种自适应的电流互感器误差评估方法，利用多维特征提取与集成融合学习的思想，采用变色龙算法优化后物理信息神经网络算法，实现了小规模群体（单组CT）和大规模群体（3组及以上）评估结果的互补和互校，提高了CT误差评估的准确性和适应范围。
附图说明
图1为本发明提供的一种自适应的电流互感器误差评估方法的流程图；
图2（a）为单相电流互感器原理图；
图2（b）为单相电流互感器的等值电路图；
图3为物理信息神经网络的网络结构图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的一种自适应的电流互感器误差评估方法的流程图，如图1所示，包括：
步骤1，将同一变电站内同一母线上的各线路CT（电流互感器）作为评估群体S，根 据基尔霍夫电流定律，构建各CT个体误差与测量值节点电流矢量和的物理关系，利用数学 处理方法，得到群体内每台CT的测量误差，记为CT的第一误差估计值
Figure 166499DEST_PATH_IMAGE001
。
步骤2，利用离线建模、在线训练的方式，建立个体CT误差评估模型；个体CT误差评 估模型的输入为CT的多维特征参量，输出为CT的第二误差估计值
Figure 91730DEST_PATH_IMAGE002
；基于个体CT误差评估 模型得到评估群体S中各个待评估CT的第二误差估计值
Figure 378355DEST_PATH_IMAGE002
。
步骤3，采用改进后物理信息神经网络（Floyd-PINNs）方法，将第一误差估计值
Figure 705431DEST_PATH_IMAGE020
和第二误差估计值
Figure 724203DEST_PATH_IMAGE021
进行融合，得到第三误差估计值
Figure 448314DEST_PATH_IMAGE022
。
步骤4，分别计算第一误差估计值
Figure 476313DEST_PATH_IMAGE023
、第二误差估计值
Figure 657896DEST_PATH_IMAGE021
与第三误差估计值
Figure 175465DEST_PATH_IMAGE022
之间的误差偏差值
Figure 809708DEST_PATH_IMAGE024
和
Figure 375819DEST_PATH_IMAGE025
；利用误差偏差值
Figure 490536DEST_PATH_IMAGE024
和
Figure 116690DEST_PATH_IMAGE025
，对第一误差估计值
Figure 238230DEST_PATH_IMAGE023
和第二误 差估计值
Figure 670348DEST_PATH_IMAGE021
进行修正，自适应实现CT运行误差的在线评估。
本发明提供的一种自适应的电流互感器误差评估方法，利用多维特征提取与集成融合学习的方法，根据变电站不同的CT电气物理关系，自适应地实现了CT运行误差的实时在线评估。
实施例1
本发明提供的实施例1为本发明提供的一种自适应的电流互感器误差评估方法的实施例，结合图1可知，该误差评估方法的实施例包括：
步骤1，将同一变电站内具有电气物理关系的CT构建为群体S'，以同一母线上的各 线路CT作为评估群体S，根据基尔霍夫电流定律，构建各CT个体误差与测量值节点电流矢量 和的物理关系，利用数学处理方法（最小二乘法、神经网络等方法），得到群体内每台CT的测 量误差，记为CT的第一误差估计值
Figure 826523DEST_PATH_IMAGE023
。
在一种可能的实施例方式中，步骤1包括：
步骤101，实时获取并筛选变电站同一节点下的各线路CT的稳定段的电流测量值，构建监测数据集。
步骤102，根据基尔霍夫电流定律，构建监测数据集中目标CT的电流测量值以及误差与其他CT的电流测量值以及误差的关系式。
在一种可能的实施例方式中，步骤102中
如图2（a）和图2（b）所示分别为单相电流互感器原理图及其等值电路图，结合图2（a）和图2（b）可知:
额定电流比为：
Figure 623577DEST_PATH_IMAGE026
(1)
利用磁势平衡得：
Figure 543998DEST_PATH_IMAGE027
(2)
因为存在
Figure 451911DEST_PATH_IMAGE028
，则一次电流值与二次电流值会存在差异，分为比值误差
Figure 462592DEST_PATH_IMAGE029
与相位差
Figure 492865DEST_PATH_IMAGE030
，如式(3)、(4)所示：
Figure 588997DEST_PATH_IMAGE031
(3)
Figure 300601DEST_PATH_IMAGE032
(4)
式中，
Figure 978838DEST_PATH_IMAGE033
为CT额定变比，
Figure 117696DEST_PATH_IMAGE034
和
Figure 701124DEST_PATH_IMAGE035
分别为CT实际一次电流的幅值与相位，
Figure 278736DEST_PATH_IMAGE036
和
Figure 998430DEST_PATH_IMAGE037
分别 为在测量条件下施加
Figure 308189DEST_PATH_IMAGE038
时，实际二次电流的幅值与相位。
选取同一母线上所有进出线同相CT为群体，群体内：
Figure 696357DEST_PATH_IMAGE039
为各线路电流真值，
Figure 749763DEST_PATH_IMAGE040
为电流真值幅值，
Figure 589543DEST_PATH_IMAGE041
为电流真值相位，
Figure 70203DEST_PATH_IMAGE042
为各线路电流测 量值，
Figure 690540DEST_PATH_IMAGE043
为相应的比值差，
Figure 282059DEST_PATH_IMAGE044
为相应的相位差，共n条线路。
Figure 976345DEST_PATH_IMAGE045
(5)
Figure 706535DEST_PATH_IMAGE046
(6)
Figure 486272DEST_PATH_IMAGE047
(7)
Figure 881481DEST_PATH_IMAGE048
(8)
Figure 758171DEST_PATH_IMAGE049
(9)
得到的关系式为：
Figure 580633DEST_PATH_IMAGE050
(10)
Figure 847666DEST_PATH_IMAGE051
(11)
Figure 358151DEST_PATH_IMAGE052
、
Figure 27030DEST_PATH_IMAGE053
接近于0，n为线路条数，m表示A、B或C相，
Figure 20393DEST_PATH_IMAGE054
为测量 值的和的电流实部，
Figure 837040DEST_PATH_IMAGE055
为测量值的和的电流虚部，
Figure 574052DEST_PATH_IMAGE056
为各线路电流测量值，
Figure 97437DEST_PATH_IMAGE057
为相应的比值差，
Figure 527281DEST_PATH_IMAGE058
为相应的相位差。
有公式可得：和电流与各线路误差值已经构建起函数关系，其中各线路测量值和电流为已知量，误差为未知量。
步骤103，以目标CT的目标相电流数据与额定变比计算目标CT的电流真值作为电 流基准值
Figure 581956DEST_PATH_IMAGE059
；在监测数据集中选取任一线路的CT的三相电流数据进行状态评估，将电流数 据为正常状态时对应的CT和相分别作为目标CT和目标相。
步骤104，将监测数据集中除目标CT外的其它CT的电流测量值作为输入，将电流基 准值
Figure 857080DEST_PATH_IMAGE059
作为输出，训练LAPO-RBF神经网络得到LAPO-RBF神经网络模型。
步骤105，利用LAPO-RBF神经网络模型得到各个待评估CT的电流基准值，根据电流 基准值计算各个待评估CT的第一误差估计值
Figure 500550DEST_PATH_IMAGE023
。
步骤2，利用离线建模、在线训练的方式，建立个体CT误差评估模型；个体CT误差评 估模型的输入为CT的多维特征参量，输出为CT的第二误差估计值
Figure 898034DEST_PATH_IMAGE021
；基于个体CT误差评估 模型得到评估群体S中各个待评估CT的第二误差估计值
Figure 626955DEST_PATH_IMAGE021
。
在一种可能的实施例方式中，步骤2中的多维特征参量包括：工况参量、电磁参量和环境参量。
在一种可能的实施例方式中，步骤2包括：
步骤201，获取离线检测过程中的各个CT的多维特征参量构建离线数据集；基于离线数据集训练ANN模型得到预训练模型。
步骤202，获取在线检测过程中的各个CT的多维特征参量，通过数据预处理，根据CT的电流值的范围构造各个分段数据集。
即设定各个电流值范围，将离线数据集分为各个电流值范围对应的各个分段数据集。
步骤203，将各个分段数据集分别输入各个预训练模型进行训练，得到各个CT的电流值的范围对应的各个个体CT误差评估模型；
步骤204，将待评估CT的在线监测数据输入其电流值所在分段对应的个体CT误差 评估模型，个体CT误差评估模型输出该待评估CT的第二误差估计值
Figure 705770DEST_PATH_IMAGE021
。
步骤3，采用改进后物理信息神经网络（Floyd-PINNs）方法，将第一误差估计值
Figure 515332DEST_PATH_IMAGE023
和第二误差估计值
Figure 286979DEST_PATH_IMAGE021
进行融合，得到第三误差估计值
Figure 237617DEST_PATH_IMAGE022
。
在一种可能的实施例方式中，步骤3中采用改进后物理信息神经网络的方法得到误差评估值的融合模型。
所述融合模型的输入特征量为：
Figure 182439DEST_PATH_IMAGE060
，输出特征量为：
Figure 534923DEST_PATH_IMAGE061
；
Figure 477471DEST_PATH_IMAGE022
为待评估CT的第三误差估计值。
在一种可能的实施例方式中，融合模型的构建过程包括：
通过全连接神经网络来逼近函数，利用自动微分技术，求出偏微分方程残差和初边值残差约束，并将其作为正则项放入损失函数中，利用变色龙算法获得神经网络连接权重参数W和偏微分方程物理参数b。
具体的，如图3所示为物理信息神经网络（PINNs）的网络结构图，结合图3，物理信息神经网络（PINNs）的原理为：在输入时间和空间数据后，首先通过全连接神经网络来逼近函数，再利用自动微分技术，求出偏微分方程残差和初边值残差约束，并将其作为正则项放入损失函数中，最后利用梯度下降法获得神经网络连接权重参数（W）和偏微分方程物理参数（b）。
由于梯度下降发不能保证收敛到全局最优解，故在本发明中利用变色龙算法（Floyd算法）对物理信息神经网络的超参数W和b进行寻优，构造改进后的物理信息神经网络（Floyd-PINNs）。
变色龙算法的步骤如下：
1)初始化物理信息神经网络的超参数W和b。
2)搜索猎物。
3)变色龙眼睛旋转。
4)捕获猎物。
将第一误差估计值
Figure 915406DEST_PATH_IMAGE023
和第二误差估计值
Figure 149072DEST_PATH_IMAGE021
代入误差评估值融合模型求解待评 估CT的第三误差估计值
Figure 621642DEST_PATH_IMAGE022
。
步骤4，分别计算第一误差估计值
Figure 735092DEST_PATH_IMAGE023
、第二误差估计值
Figure 722639DEST_PATH_IMAGE021
与第三误差估计值
Figure 946947DEST_PATH_IMAGE022
之间的误差偏差值
Figure 8444DEST_PATH_IMAGE024
和
Figure 604379DEST_PATH_IMAGE025
；利用误差偏差值
Figure 16906DEST_PATH_IMAGE024
和
Figure 44905DEST_PATH_IMAGE025
，对第一误差估计值
Figure 288804DEST_PATH_IMAGE023
和第二误 差估计值
Figure 478477DEST_PATH_IMAGE021
进行修正，自适应实现CT运行误差的在线评估。
在一种可能的实施例方式中，步骤4中对第一误差估计值
Figure 378300DEST_PATH_IMAGE023
和第二误差估计值
Figure 757460DEST_PATH_IMAGE021
进行修正的过程包括：
当具备群体评估条件时，采用步骤1得出第一误差评估值
Figure 59128DEST_PATH_IMAGE023
，利用误差偏差值
Figure 419703DEST_PATH_IMAGE024
进行修正，得到待评估CT的误差评估值
Figure 869139DEST_PATH_IMAGE062
。
当不具备群体评估条件时，采用步骤2得出第二误差评估值
Figure 238940DEST_PATH_IMAGE021
，利用误差偏差值
Figure 129536DEST_PATH_IMAGE025
进行修正，得到待评估CT的误差评估值
Figure 255753DEST_PATH_IMAGE063
。
本发明实施例提供的一种自适应的电流互感器误差评估方法，利用多维特征提取与集成融合学习的思想，采用变色龙算法优化后物理信息神经网络算法，实现了小规模群体（单组CT）和大规模群体（3组及以上）评估结果的互补和互校，提高了CT误差评估的准确性和适应范围。
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 (5)

1.一种自适应的电流互感器误差评估方法，其特征在于，所述误差评估方法包括：
步骤1，将同一变电站内同一母线上的各线路电流互感器作为评估群体S，根据基尔霍 夫电流定律，构建各电流互感器个体误差与测量值节点电流矢量和的物理关系，利用数学 处理方法，得到群体内每台电流互感器的测量误差，记为电流互感器的第一误差估计值
Figure 160383DEST_PATH_IMAGE001
；
步骤2，利用离线建模、在线训练的方式，建立个体电流互感器误差评估模型；所述个体 电流互感器误差评估模型的输入为电流互感器的多维特征参量，输出为电流互感器的第二 误差估计值
Figure 512867DEST_PATH_IMAGE002
；基于所述个体电流互感器误差评估模型得到所述评估群体S中各个待评估 电流互感器的第二误差估计值
Figure 189836DEST_PATH_IMAGE002
；
步骤3，采用改进后物理信息神经网络方法，将所述第一误差估计值
Figure 690087DEST_PATH_IMAGE001
和所述第二误 差估计值
Figure 376283DEST_PATH_IMAGE002
进行融合，得到第三误差估计值
Figure 396323DEST_PATH_IMAGE003
；
步骤4，分别计算第一误差估计值
Figure 509773DEST_PATH_IMAGE001
、第二误差估计值
Figure 435003DEST_PATH_IMAGE002
与第三误差估计值
Figure 721628DEST_PATH_IMAGE003
之间 的误差偏差值
Figure 48704DEST_PATH_IMAGE004
和
Figure 333055DEST_PATH_IMAGE005
；利用所述误差偏差值
Figure 785728DEST_PATH_IMAGE004
和
Figure 813727DEST_PATH_IMAGE005
，对所述第一误差估计值
Figure 995309DEST_PATH_IMAGE001
和所 述第二误差估计值
Figure 512878DEST_PATH_IMAGE002
进行修正，自适应实现电流互感器运行误差的在线评估；
所述步骤1包括：
步骤101，实时获取并筛选变电站同一节点下的各线路电流互感器的稳定段的电流测量值，构建监测数据集；
步骤102，根据基尔霍夫电流定律，构建所述监测数据集中目标电流互感器的电流测量值以及误差与其他电流互感器的电流测量值以及误差的关系式；
步骤103，以所述目标电流互感器的目标相电流数据与额定变比计算目标电流互感器 的电流真值作为电流基准值
Figure 412701DEST_PATH_IMAGE006
；在所述监测数据集中选取任一线路的电流互感器的三相 电流数据进行状态评估，将电流数据为正常状态时对应的电流互感器和相分别作为目标电 流互感器和目标相；
步骤104，将所述监测数据集中除目标电流互感器外的其它电流互感器的电流测量值 作为输入，将所述电流基准值
Figure 978812DEST_PATH_IMAGE006
作为输出，训练LAPO-RBF神经网络得到LAPO-RBF神经网络 模型；
步骤105，利用所述LAPO-RBF神经网络模型得到各个所述待评估电流互感器的所述电 流基准值，根据所述电流基准值计算各个所述待评估电流互感器的第一误差估计值
Figure 827950DEST_PATH_IMAGE001
；
所述步骤102中
得到的所述关系式为：
Figure 454104DEST_PATH_IMAGE007
(10)
Figure 637960DEST_PATH_IMAGE008
(11)
Figure 7762DEST_PATH_IMAGE009
、
Figure 163937DEST_PATH_IMAGE010
接近于0，n为线路条数，m表示A、B或C相，
Figure 272576DEST_PATH_IMAGE011
为测量值的和 的电流实部，
Figure 881412DEST_PATH_IMAGE012
为测量值的和的电流虚部，
Figure 789325DEST_PATH_IMAGE013
为各线路电流测量值，
Figure 862323DEST_PATH_IMAGE014
为相应 的比值差，
Figure 830279DEST_PATH_IMAGE015
为相应的相位差；
所述步骤3中采用改进后物理信息神经网络的方法得到误差评估值的融合模型；
所述融合模型的输入特征量为：
Figure 926411DEST_PATH_IMAGE016
，输出特征量为：
Figure 451064DEST_PATH_IMAGE017
；
Figure 581831DEST_PATH_IMAGE018
为待评估电流互感器的第三误差估计值。
2.根据权利要求1所述的误差评估方法，其特征在于，所述步骤2中的所述多维特征参量包括：工况参量和环境参量，所述工况参量包括：电磁参量。
3.根据权利要求1或2所述的误差评估方法，其特征在于，所述步骤2包括：
步骤201，获取离线检测过程中的各个电流互感器的多维特征参量构建离线数据集；基于所述离线数据集训练ANN模型得到预训练模型；
步骤202，获取在线检测过程中的各个电流互感器的多维特征参量，根据电流互感器的电流值的范围构造各个分段数据集；
步骤203，将各个分段数据集分别输入各个所述预训练模型进行训练，得到各个电流互感器的电流值的范围对应的各个所述个体电流互感器误差评估模型；
步骤204，将所述待评估电流互感器的在线监测数据输入其电流值所在分段对应的所 述个体电流互感器误差评估模型，所述个体电流互感器误差评估模型输出该待评估电流互 感器的第二误差估计值
Figure 720689DEST_PATH_IMAGE002
。
4.根据权利要求1所述的误差评估方法，其特征在于，所述融合模型的构建过程包括：
通过全连接神经网络来逼近函数，利用自动微分技术，求出偏微分方程残差和初边值残差约束，并将其作为正则项放入损失函数中，利用变色龙算法获得神经网络连接权重参数W和偏微分方程物理参数b。
5.根据权利要求1所述的误差评估方法，其特征在于，所述步骤4中对所述第一误差估 计值
Figure 100854DEST_PATH_IMAGE001
和所述第二误差估计值
Figure 616149DEST_PATH_IMAGE002
进行修正的过程包括：
当具备群体评估条件时，得到所述待评估电流互感器的误差评估值
Figure 601423DEST_PATH_IMAGE019
；
当不具备群体评估条件时，得到所述待评估电流互感器的误差评估值
Figure 911182DEST_PATH_IMAGE020
。
CN202211331032.0A 2022-10-28 2022-10-28 一种自适应的电流互感器误差评估方法 Active CN115392141B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211331032.0A CN115392141B (zh) 2022-10-28 2022-10-28 一种自适应的电流互感器误差评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211331032.0A CN115392141B (zh) 2022-10-28 2022-10-28 一种自适应的电流互感器误差评估方法

Publications (2)

Publication Number Publication Date
CN115392141A CN115392141A (zh) 2022-11-25
CN115392141B true CN115392141B (zh) 2023-03-24

Family

ID=84115027

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211331032.0A Active CN115392141B (zh) 2022-10-28 2022-10-28 一种自适应的电流互感器误差评估方法

Country Status (1)

Country Link
CN (1) CN115392141B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN117151932B (zh) * 2023-10-27 2024-01-12 武汉纺织大学 一种非平稳输出的电流互感器误差状态预测方法和***

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1988306A (zh) * 2006-11-18 2007-06-27 重庆市电力公司 一种基于人工神经网络模型的智能化母线保护方法
US20200309829A1 (en) * 2019-04-01 2020-10-01 Dake He On-line monitoring system for the performance of the measurement equipment in the entire power grid based on wide-area synchronous measurement
CN111025222A (zh) * 2019-12-31 2020-04-17 三峡大学 基于递推主元分析的电子式电压互感器状态监测方法
CN111537939B (zh) * 2020-04-17 2022-05-27 武汉格蓝若智能技术有限公司 一种基于多指标融合的电压互感器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
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
CN113935440A (zh) * 2021-12-15 2022-01-14 武汉格蓝若智能技术有限公司 一种电压互感器误差状态迭代评估方法及***
CN114692505A (zh) * 2022-04-12 2022-07-01 广东电网有限责任公司 一种电容式电压互感器误差预测方法及装置
CN115166618B (zh) * 2022-09-06 2022-11-25 武汉格蓝若智能技术有限公司 一种非平稳输出的电流互感器误差评估方法

Also Published As

Publication number Publication date
CN115392141A (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115392141B (zh) 一种自适应的电流互感器误差评估方法
CN107577870B (zh) 基于同步相量量测的配电网电压功率灵敏度鲁棒估计方法
CN106505557B (zh) 一种遥测错误辨识方法及装置
CN115469259B (zh) 基于rbf神经网络的ct误差状态在线定量评估方法及装置
CN112821420B (zh) 一种基于XGBoost的ASFR模型中动态阻尼因子、多维频率指标的预测方法及***
CN115480204A (zh) 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
CN115469260B (zh) 一种基于Hausdorff的电流互感器异常识别方法、***
CN115508770B (zh) 一种基于kl-nb算法的电能表运行状态在线评估方法
CN115616470B (zh) 电流互感器计量误差状态预测方法、***、设备及介质
CN103324858A (zh) 配电网三相潮流状态估计方法
CN115480203A (zh) 一种电流互感器误差状态在线定量评估方法及***
CN112651519A (zh) 一种基于深度学习理论的二次设备故障定位方法及***
CN111371088A (zh) 一种基于bp神经网络修正svg控制策略的方法及***
CN115248906A (zh) 一种发电机出线双电流互感器的状态误差识别方法及***
Andreoli et al. Topology validation via simultaneous state & topology estimation with phasor data processing capability
CN113241736A (zh) 一种用于新能源送出线路保护适应性分析的方法及***
CN112565180B (zh) 基于移动目标防御的电网防御方法、***、设备及介质
CN113139295A (zh) 电力***综合状态估计方法及***
Rodríguez-García et al. Methodology for measurement-based load modeling considering integration of dynamic load models
CN115954956A (zh) 一种配电网分布式电源接入容量评估方法及***
CN109193639A (zh) 一种电力***抗差估计方法
CN115130550A (zh) 一种基于梯度提升决策树的配电变压器故障识别方法
CN113721461A (zh) 一种基于多试验场景的新能源机组参数辨识方法及***
CN114421531A (zh) 一种计及全局灵敏度的主动配电网分布式电压控制方法
CN113806899A (zh) 一种配电网拓扑关系的识别方法、装置及移动终端

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