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 PDFInfo
- 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
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
Description
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;
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;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;
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;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;
可选的,所述步骤102中
得到的所述关系式为:
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;
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;
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。
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。
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;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。
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。
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:
利用磁势平衡得:
选取同一母线上所有进出线同相CT为群体,群体内:
得到的关系式为:
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;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;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。
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;
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。
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。
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
;
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;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;
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;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;
所述步骤102中
得到的所述关系式为:
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;
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;
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。
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)
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)
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 |
-
2022
- 2022-10-28 CN CN202211331032.0A patent/CN115392141B/zh active Active
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 |