CN115469259B - 基于rbf神经网络的ct误差状态在线定量评估方法及装置 - Google Patents
基于rbf神经网络的ct误差状态在线定量评估方法及装置 Download PDFInfo
- Publication number
- CN115469259B CN115469259B CN202211191738.1A CN202211191738A CN115469259B CN 115469259 B CN115469259 B CN 115469259B CN 202211191738 A CN202211191738 A CN 202211191738A CN 115469259 B CN115469259 B CN 115469259B
- Authority
- CN
- China
- Prior art keywords
- current
- current transformer
- transformer
- error
- neural network
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000011158 quantitative evaluation Methods 0.000 title claims abstract description 20
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 238000005259 measurement Methods 0.000 claims abstract description 42
- 238000004458 analytical method Methods 0.000 claims abstract description 19
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000012216 screening Methods 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 13
- 230000009466 transformation Effects 0.000 claims abstract description 9
- 230000006870 function Effects 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 11
- 230000014509 gene expression Effects 0.000 claims description 9
- 238000003860 storage Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000004913 activation Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 15
- 238000004590 computer program Methods 0.000 description 11
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000819 phase cycle Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 125000003275 alpha amino acid group Chemical group 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002279 physical standard Substances 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Measurement Of Current Or Voltage (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于RBF神经网络的CT误差状态在线定量评估方法及装置,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;构建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关系式;利用目标电流互感器的目标相电流数据与额定变比计算电流真值作为电流基准值;将监测数据集中除目标电流互感器外的电流测量值作为输入,将所述电流基准值作为输出,训练LAPO‑RBF神经网络;利用所述LAPO‑RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。本发明能够实现对大规模电流互感器的计量误差状态进行定量在线评估。
Description
技术领域
本发明涉及电力计量在线监测技术领域,具体涉及一种基于RBF神经网络的CT误差状态在线定量评估方法及装置。
背景技术
电流互感器(Current transformers,CT)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子式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,提供一种基于RBF神经网络的CT误差状态在线定量评估方法及装置,实现对大规模电流互感器的计量误差状态进行定量在线评估。
本发明解决上述技术问题的技术方案如下:
第一方面,本发明提供一种基于RBF神经网络的CT误差状态在线定量评估方法,包括:
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;
根据基尔霍夫电流定律,构建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;
利用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,若某一相电流数据为正常状态,则将该电流互感器作为目标电流互感器,将该相
作为目标相;
将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值作为输入,
将所述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数;
利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
进一步的,所述稳定段的实时电流测量值的筛选方法,包括根据电流互感器量程以及电流波动筛选实时电流测量值。
进一步的,根据电流互感器量程以及电流波动筛选实时电流测量值,包括:
针对任一电流互感器的实时电流测量值,筛取电流幅值在电流互感器额定量程的50%及以上的电流测量数据;
对筛选后的电流测量数据,进行二次差分处理,筛去电流测量数据中的断点,得到稳定段的实时电流测量值,构建监测数据集。
进一步的,所述的二次差分处理根据下式进行:
式中为采样点i处对应的电流幅值,为电流幅值二阶差分值,i为数据
采样点。
进一步的,根据基尔霍夫电流定律,构建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,包括:
根据基尔霍夫电流定律,可知:
式中表示第i条线路上时刻电流互感器的误差,为第i条线路上时
刻电流互感器的电流测量值;
通过移项可得:;
令,则得到:。
进一步的,LAPO-RBF神经网络结构包括输入层、隐含层和输出层;
输入层的输入数据为:;
隐含层的输出采用具有非线性逼近能力的激活函数;隐含层的输出表示为:
式中,H为隐含层输出,b为高斯基函数的宽度,b>0;为第j个隐函数神经元中
心向量;
输出层的表达式:
;
由此可得:
式中,为监测数据集中第i条线路上CT在时刻的电流测量值,为输出层
的权值。
进一步的,各电流互感器误差的解析值根据下式计算:
。
第二方面,本发明提供一种基于RBF神经网络的CT误差状态在线定量评估装置,包括:
数据集构建模块,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;
关系式构建模块,根据基尔霍夫电流定律,构建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;
基准值计算模块,利用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,若某一相电流数据为正常状态,则将该电流互感器作为目标
电流互感器,将该相作为目标相;
训练模块,将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值
作为输入,将所述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数;
评估模块,利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
第三方面,本发明提供一种电子设备,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,进而实现本发明第一方面所述的一种基于RBF神经网络的CT误差状态在线定量评估方法。
第四方面,本发明提供一种非暂态计算机可读存储介质,所述存储介质中存储有用于实现本发明第一方面所述的一种基于RBF神经网络的CT误差状态在线定量评估的计算机软件程序。
本发明的有益效果是:本发明实现了电流互感器计量误差的定量评估,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、使用性强等优点。
附图说明
图1为本发明实施例提供的一种基于RBF神经网络的CT误差状态在线定量评估方法流程示意图;
图2为本发明实施例提供的单相电流互感器接线图;
图3为本发明实施例提供的单相电流互感器接线图的等效电路图;
图4为本发明实施例提供的LAPO-RBF神经网络结构示意图;
图5为本发明实施例提供的一种基于RBF神经网络的CT误差状态在线定量评估装置结构示意图;
图6为本发明实施例提供的电子设备的实施例示意图;
图7为本发明实施例提供的一种计算机可读存储介质的实施例示意图。
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。
如图1所示,本发明实施例提供一种基于RBF神经网络的CT误差状态在线定量评估方法,该方法包括以下步骤:
S100,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。
所述稳定段的实时电流测量值的筛选方法,包括根据电流互感器量程以及电流波动筛选实时电流测量值。
针对任一电流互感器的实时电流测量值,筛取电流幅值在电流互感器额定量程的50%及以上的电流测量数据;
对筛选后的电流测量数据,进行二次差分处理,筛去电流测量数据中的断点,得到稳定段的实时电流测量值,构建监测数据集。
所述的二次差分处理根据下式进行:
(1)
式中为采样点i处对应的电流幅值,为电流幅值二阶差分值,i为数据
采样点。
S200,根据基尔霍夫电流定律,构建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。
结合电流互感器比值误差和相位误差的定义,得出各CT个体误差与测量节点电流矢量和的物理关系。
如图2图3所示,
额定电流比为:
(2)
利用磁势平衡得:
(3)
因为存在,则一次电流值与二次电流值会存在比值误差与相位误差;
比值误差:
(4)
相位误差:为旋转180°后二次电流值与一次电流值的夹角。
评估群体的三相电流测量值构成测试数据集,测试数据集由同一母线上各线路电流真值与不同的CT的个体误差(比值误差、相位误差)组成。由基尔霍夫电流定律决定:同一母线上各线路电流真值构建的节点电流矢量和为0,但是测量数据集因为包含每台CT的个体误差,且个体误差因各台CT存在物理差异,各不相同,导致由测量值构建的节点电流矢量和不为0,故该节点电流矢量和与各CT的个体误差有关。
一次侧线路的电流真值记为:
(5)
其中,表示一次侧线路的电流真值,表示一次侧线路的电流真值的幅值,r
表示一次侧线路的电流相序(r=A、B、C),i为第i条线路,表示一次侧线路的电流真值的
相位。
二次侧线路的电流测量值记为:
(6)
式中,为各线路电流测量值,m表示二次侧线路的电流相序(m=A、B、C)。
根据基尔霍夫电流定律,有:
(7)
式中,n为线路总数。
根据式(6)可以得到:
(8)
式中,表示第i条线路上时刻CT的个体误差,为第i条线路上时刻CT
的电流测量值。
根据式(7)(8)可以得到:
(9)
通过上式可知,某线路CT的电流真值与同一母线上其他线路CT的真值有关。
S300,在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,若某一相电流数据为正常状态,则将该电流互感器作为目标电流互感器,将该相作为目
标相;而当某一相电流数据为正常状态时,则目标电流互感器的电流真值根据下式计
算:
(10)
具体地,对任一线路的电流互感器的三相电流数据进行状态评估可以通过如下方式:
(1)将线路上同组三相电流互感器构建为群体,采集广域空间范围内多群体的历史正常电流数据;
(2)数据预处理及特征参量提取,依据电流互感器量程以及电流波动筛选稳定段数据,依据预处理后的稳定三相电流数据,提取其零序不平衡及负序不平衡作为特征参量,构建建模特征参量集;
(3)基于建模特征参量集,经归一化处理后使用聚类分析确定特征参量数据边界。
(4)针对于监测CT群体,采集其二次侧输出构成监测数据集,进行数据预处理并提取特征参量,依据特征参量数据边界判断监测CT群体计量误差状态,同时动态调整边界;
(5)提取群体异常时段三相电流数据,计算各相对于异常特征参量的贡献指标,选取贡献指标最大相作为群体内超差CT所在。
则根据式(9)(10)可得:
(11)
将作为电流基准值。
S400,将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值作为
输入,将所述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数。
在现场运行过程中CT二次测输出三相电流数据与线路电流基准值之间并无明确的函数关系,难以得到CT误差的解析值,故本发明构建了改进的RBF神经网络拓扑。改进的RBF神经网络拓扑如图4所示。
RBF神经网络是一类三层前向神经网络。
第一层是输入层。当前CT电流基准值与不同线路的CT二次侧电流数据有关,故定于输入数据:
(12)
第二层是隐含层。隐含层的输出采用具有非线性逼近能力的激活函数。RBF神经网络隐含层的输出表示为:
(13)
式(12)中,H为隐含层输出,b为高斯基函数的宽度,b>0;为第j个隐函数神经
元中心向量。
第三层是输出层。表达式如下:
(14)
式(13)中,为输出层的权值,是RBF神经网络的预测输出。
通过式(12)、(13)可知:
(15)
为了加快RBF神经网络的求解速度,使用闪电连接过程优化算法(Lightning
Attachment Procedure Optimization,LAPO)寻找最优基函数中心、半径b,具体步骤如
下:
(1)初始化基函数中心、基半径;
(2)确定闪电的下一跳;
(3)闪电分支消失;
(4)上迎先导的移动;
(5)连接点的确定,即寻到最优的基函数中心、基半径。
利用已知的电流测量值作为输入,已知的电流测量值对应的电流真值作为约束条件,训练并优化LAPO-RBF神经网络参数。
当输入监测数据集中除目标电流互感器外的其他电流互感器的电流测量值时,输
出得到目标电流互感器的电流真值,此时神经网络参数、C、b可以唯一确定。
S500,利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
根据式(15)可得:
(16)
如图5所示,本发明实施例提供一种基于RBF神经网络的CT误差状态在线定量评估装置,该装置包括:
数据集构建模块,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;
关系式构建模块,根据基尔霍夫电流定律,构建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;
基准值计算模块,利用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,若某一相电流数据为正常状态,则将该电流互感器作为目标
电流互感器,将该相作为目标相;
训练模块,将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值
作为输入,将所述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数;
评估模块,利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
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,本发明实施例提了一种电子设备500,包括存储器510、处理器520及存储在存储器520上并可在处理器520上运行的计算机程序511,处理器520执行计算机程序511时实现以下步骤:
S100,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;
S200,根据基尔霍夫电流定律,构建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;
S300,利用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,若某一相电流数据为正常状态,则将该电流互感器作为目标电流互感器,
将该相作为目标相;
S400,将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值作为
输入,将所述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数;
S500,利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
请参阅图7,图7为本发明实施例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600,其上存储有计算机程序611,该计算机程序611被处理器执行时实现如下步骤:
S100,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;
S200,根据基尔霍夫电流定律,构建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;
S300,利用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,若某一相电流数据为正常状态,则将该电流互感器作为目标电流互感器,将
该相作为目标相;
S400,将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值作为
输入,将所述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数;
S500,利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
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 (10)
1.一种基于RBF神经网络的CT误差状态在线定量评估方法,其特征在于,包括:
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;
根据基尔霍夫电流定律,构建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;
利用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,若某一相电流数据为正常状态,则将该电流互感器作为目标电流互感器,将该相作为
目标相;
将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值作为输入,将所
述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数;
利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
2.根据权利要求1所述的方法,其特征在于,稳定段的电流测量值的筛选方法,包括根据电流互感器量程以及电流波动筛选电流测量值。
3.根据权利要求2所述的方法,其特征在于,根据电流互感器量程以及电流波动筛选实时电流测量值,包括:
针对任一电流互感器的电流测量值,筛取电流幅值在电流互感器额定量程的50%及以上的电流测量数据;
对筛选后的电流测量数据,进行二次差分处理,筛去电流测量数据中的断点,得到稳定段的电流测量值,构建监测数据集。
4.根据权利要求3所述的方法,其特征在于,所述的二次差分处理根据下式进行:
式中为采样点i处对应的电流幅值,为电流幅值二阶差分值,i为数据采样点。
5.根据权利要求1所述的方法,其特征在于,根据基尔霍夫电流定律,构建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,包括:
根据基尔霍夫电流定律,可知:
式中表示第i条线路上时刻电流互感器的误差,为第i条线路上时刻电流互感
器的电流测量值;
通过移项可得:;
令,则得到:。
6.根据权利要求1所述的方法,其特征在于,LAPO-RBF神经网络结构包括输入层、隐含层和输出层;
输入层的输入数据为:;
隐含层的输出采用具有非线性逼近能力的激活函数;隐含层的输出表示为:
式中,H为隐含层输出,b为高斯基函数的宽度,b>0;为第j个隐函数神经元中心向量;
输出层的表达式:
;
由此可得:
式中,为监测数据集中第i条线路上CT在时刻的电流测量值,为输出层的权
值。
7.根据权利要求6所述的方法,其特征在于,各电流互感器误差的解析值根据下式计算:
。
8.一种基于RBF神经网络的CT误差状态在线定量评估装置,其特征在于,包括:
数据集构建模块,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;
关系式构建模块,根据基尔霍夫电流定律,构建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;
基准值计算模块,利用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,若某一相电流数据为正常状态,则将该电流互感器作为目标电流互
感器,将该相作为目标相;
训练模块,将监测数据集中除目标电流互感器外的其他电流互感器的电流测量值作为
输入,将所述电流基准值作为输出,训练LAPO-RBF神经网络,得到神经网络参数;
评估模块,利用所述LAPO-RBF神经网络参数计算各电流互感器误差的解析值,根据所述解析值对各电流互感器误差状态进行在线定量评估。
9.一种电子设备,其特征在于,包括:
存储器,用于存储计算机软件程序;
处理器,用于读取并执行所述计算机软件程序,进而实现权利要求1-7任一项所述的一种基于RBF神经网络的CT误差状态在线定量评估。
10.一种非暂态计算机可读存储介质,其特征在于,所述存储介质中存储有用于实现权利要求1-7任一项所述的一种基于RBF神经网络的CT误差状态在线定量评估的计算机软件程序。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191738.1A CN115469259B (zh) | 2022-09-28 | 2022-09-28 | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211191738.1A CN115469259B (zh) | 2022-09-28 | 2022-09-28 | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115469259A CN115469259A (zh) | 2022-12-13 |
CN115469259B true CN115469259B (zh) | 2024-05-24 |
Family
ID=84334369
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211191738.1A Active CN115469259B (zh) | 2022-09-28 | 2022-09-28 | 基于rbf神经网络的ct误差状态在线定量评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115469259B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115932702B (zh) * | 2023-03-14 | 2023-05-26 | 武汉格蓝若智能技术股份有限公司 | 基于虚拟标准器的电压互感器在线运行校准方法及装置 |
CN117169800B (zh) * | 2023-10-25 | 2024-02-06 | 华中科技大学 | 一种基于知识引导的电流互感器在线监测方法及装置 |
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*** |
CN118091526B (zh) * | 2024-04-23 | 2024-07-05 | 华中科技大学 | 一种电流互感器测量误差在线监测方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CA2280281A1 (en) * | 1998-08-13 | 2000-02-13 | Mcgraw-Edison Company | Current transformer saturation correction using artificial neural networks |
CN109828227A (zh) * | 2019-01-24 | 2019-05-31 | 东南大学 | 一种基于电流信息特征的电子式电流互感器故障诊断方法 |
CN112084709A (zh) * | 2020-09-04 | 2020-12-15 | 西安交通大学 | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 |
CN114282608A (zh) * | 2021-12-22 | 2022-04-05 | 国网安徽省电力有限公司 | 一种电流互感器隐性故障诊断预警方法及*** |
-
2022
- 2022-09-28 CN CN202211191738.1A patent/CN115469259B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5574387A (en) * | 1994-06-30 | 1996-11-12 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CA2280281A1 (en) * | 1998-08-13 | 2000-02-13 | Mcgraw-Edison Company | Current transformer saturation correction using artificial neural networks |
CN1246620A (zh) * | 1998-08-13 | 2000-03-08 | 麦克劳-爱迪生公司 | 采用模拟神经网络的电流互感器饱和校正 |
CN109828227A (zh) * | 2019-01-24 | 2019-05-31 | 东南大学 | 一种基于电流信息特征的电子式电流互感器故障诊断方法 |
CN112084709A (zh) * | 2020-09-04 | 2020-12-15 | 西安交通大学 | 基于遗传算法和径向基神经网络的大型发电机绝缘状态评估方法 |
CN114282608A (zh) * | 2021-12-22 | 2022-04-05 | 国网安徽省电力有限公司 | 一种电流互感器隐性故障诊断预警方法及*** |
Non-Patent Citations (2)
Title |
---|
基于RBF神经网络的光纤电流互感器温度补偿;王佳颖;王朔;刘宸;冯利民;王鼎;靳俊杰;;仪表技术与传感器;20200615(第06期);全文 * |
电子式电流互感器误差模型及误差状态预测方法;胡琛;张竹;杨爱超;李敏;焦洋;李东江;;电力工程技术;20200728(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115469259A (zh) | 2022-12-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN103245881B (zh) | 一种基于潮流分布特征的配电网故障分析方法及装置 | |
CN110417011B (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN115392141B (zh) | 一种自适应的电流互感器误差评估方法 | |
CN115508770B (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN115469260B (zh) | 一种基于Hausdorff的电流互感器异常识别方法、*** | |
CN116973694B (zh) | 配电网故障诊断优化方法及*** | |
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*** | |
Makasa et al. | On-line voltage stability load index estimation based on PMU measurements | |
CN115480203B (zh) | 一种电流互感器误差状态在线定量评估方法及*** | |
CN112989587B (zh) | 一种电容式电压互感器劣化成因在线分析方法及*** | |
CN115248906B (zh) | 一种发电机出线双电流互感器的状态误差识别方法及*** | |
CN115616470B (zh) | 电流互感器计量误差状态预测方法、***、设备及介质 | |
CN111046327A (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
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 | |
CN109378835A (zh) | 基于互信息冗余性最优的大规模电力***暂态稳定评估*** | |
CN115932702A (zh) | 基于虚拟标准器的电压互感器在线运行校准方法及装置 | |
CN110783918A (zh) | 一种基于线性模型的配电三相区间状态估计求解算法 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN109066651A (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN114660531A (zh) | 一种基于电表测量误差补偿的检测方法、***及装置 | |
CN114997566A (zh) | 考虑节点连通度损失的电网阻塞风险评估方法及*** | |
CN113241736A (zh) | 一种用于新能源送出线路保护适应性分析的方法及*** | |
CN102842906A (zh) | 一种综合负荷模型中电动机功率比例的计算方法 | |
CN113156247A (zh) | 一种电力***低频振荡的预警方法及装置 |
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 | ||
CB02 | Change of applicant information | ||
CB02 | Change of applicant information |
Country or region after: China Address after: 430000, Unit T4, Building B12, No. 88 Guanggu Sixth Road, Donghu New Technology Development Zone, Wuhan City, Hubei Province Applicant after: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Applicant before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd. Country or region before: China |
|
GR01 | Patent grant | ||
GR01 | Patent grant |