CN115542230B - 一种基于扩散模型的电流互感器误差估计方法及装置 - Google Patents
一种基于扩散模型的电流互感器误差估计方法及装置 Download PDFInfo
- Publication number
- CN115542230B CN115542230B CN202211478921.XA CN202211478921A CN115542230B CN 115542230 B CN115542230 B CN 115542230B CN 202211478921 A CN202211478921 A CN 202211478921A CN 115542230 B CN115542230 B CN 115542230B
- Authority
- CN
- China
- Prior art keywords
- noise
- current transformer
- diffusion model
- power spectrum
- phase difference
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Analysis (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Algebra (AREA)
- Life Sciences & Earth Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于扩散模型的电流互感器误差估计方法及装置,其方法包括:获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱;从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声,并将其进行匹配,并构成联合噪声分布;基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型;将目标电流互感器的实时二次电流值,输入到训练完成的潜在扩散模型,得到目标电流互感器的误差估计值。本发明通过电流互感器的多种误差噪声分布和扩散模型来估计误差,从而提高互感器误差估计的准确性和适应性。
Description
技术领域
本发明属于电力设备检测技术领域,具体涉及一种基于扩散模型的电流互感器误差估计方法及装置。
背景技术
CT(Current transformer)是电力***中较重要的高压设备之一,它被广泛地应用于继电保护、电流测量和电力***分析之中。传统的电流互感器是电磁感应式的,它的主要优点在于性能比较稳定,适合长期运行,并且具有长期的运行经验。
现阶段国内外对于电能计量装置的故障诊断或误差估计在局部诊断、人工分析层面上,对常见典型故障的诊断不够***和全面;对于电能计量装置的状态评估则过于依赖专家经验,涉及的电路的参量多、模型不统一,导致客观性和准确性不足,适应性差;因此,在互感器状态评估和误差指标体系的建立和状态评估方法的选取方面还有很大的改进空间。
此外,受制于电力设备运行环境差异、地域差异、经济条件差异,已有的故障诊断与状态评估研发成果未能大面积推广应用;大部分电力设备的维护,需要因地制宜地以常规的“人工现场校验+终端计量自动化***监测”的模式考核或评估电流互感器的运行状态;更多地采用二次检测设备(如互感器误差校验仪、电能表误差校验仪,PT二次压降误差校验仪等)进行设备校验、故障记录、回路检测等。因此,面向未来、具有适应性的电流互感器误差估计***亟待所需。
发明内容
为提高互感器误差估计的准确性和适应性,降低误差估计的难度,在本发明的第一方面提供了一种基于扩散模型的电流互感器误差估计方法,包括:获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱;基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声;基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布;基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型;将目标电流互感器的实时二次电流值,输入到训练完成的潜在扩散模型,得到目标电流互感器的误差估计值。
在本发明的一些实施例中,所述基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声包括:基于目标电流互感器的误差精度,对所述二次电流值、比差、相位差、电流波形图和瞬时功率谱进行多阶差分,得到与电流波形图对应的比差噪声、相位差噪声和功率谱噪声。
进一步的,所述基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布包括:将所述比差噪声、相位差噪声和瞬时功率谱噪声分别进行离散余弦变换,得到多个稀疏矩阵;根据预设的采样率和帧长,通过正交匹配追踪方法将所述多个稀疏矩阵进行匹配,构成联合噪声分布。
在本发明的一些实施例中,所述扩散模型包括:编码器,用于将电流互感器的运行数据编码为第一多维向量,并根据其估计一个或多个噪声分布;解码器,用于通过注意力机制以及一个或多个噪声分布,将第一多维向量解码为电流互感器误差;条件嵌入模块,用于通过注意力机制,将一个或多个噪声分布嵌入到解码器中。
进一步的,所述条件嵌入模块通过transformer,将一个或多个噪声分布嵌入到第二多维向量中。
在上述的实施例中,所述基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型包括:随机抽取联合噪声分布中的一个分布及其对应的电流波形图作为样本,电流互感器的误差作为标签;基于马尔科夫概率模型,将余下的分布对所述潜在扩散模进行迭代,直至所述潜在扩散模的损失函数值趋于稳定且低于阈值,得到训练完成的潜在扩散模型。
本发明的第二方面,提供了一种基于扩散模型的电流互感器误差估计装置,包括:获取模块,用于获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱;匹配模块,用于基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声;基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布;训练模块,用于基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型;估计模块,用于将目标电流互感器的实时二次电流值,输入到训练完成的潜在扩散模型,得到目标电流互感器的误差估计值。
本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,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本发明在第一方面提供的基于扩散模型的电流互感器误差估计方法。
本发明的第四方面,提供了一种计算机可读介质,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现本发明在第一方面提供的基于扩散模型的电流互感器误差估计方法。
本发明的有益效果是:
本发明通过提取电流互感器的多种误差噪声,由于噪声的稀疏性,通过压缩感知构建其稀疏表示,能有效降低扩散模型的输入数据量,从而提高其训练效率;同时,多种误差噪声分布,可通过马尔科夫概率模型提高扩散模型的可解释性和鲁棒性;另一方面,潜在扩散模型保留了电流互感器数据本身的同时,还产生了多样化的噪声特性,保留了互感器潜在特征。
附图说明
图1为本发明的一些实施例中的基于扩散模型的电流互感器误差估计方法的基本流程示意图;
图2为本发明的一些实施例中的电流波形图与其对应的误差趋势图;
图3为本发明的一些实施例中的潜在扩散模型结构原理图;
图4为本发明的一些实施例中的基于扩散模型的电流互感器误差估计装置的结构示意图;
图5为本发明的一些实施例中的电子设备的结构示意图。
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。
参考图1和图3,在本发明的第一方面,提供了一种基于扩散模型的电流互感器误差估计方法,包括:S100.获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱;S200.基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声;基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布;S300.基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型;S400.将目标电流互感器的实时二次电流值,输入到训练完成的潜在扩散模型,得到目标电流互感器的误差估计值。
在本发明的一些实施例的步骤S100中,获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱。通过设置在电流互感器的传感器、录波器或采样电路,获取电流互感器的运行数据。
可以理解,上述运行数据在用于扩散模型的训练阶段一般是指目标电流互感器的历史运行数据;但是扩散模型作为生成模型,能对缺失的特征或数据进行补全,即输入的运行数据为实时的二次电流值、比差、相位差、电流波形图和瞬时功率谱其中的一种或多种时,通过注意力机制和条件概率并不影响扩散模型估计电流互感器的误差,从而提高了模型的适应性。
《JJG1021-2007 电力互感器》标准规定了CT在1%、5%、20%、100%、120%的额定电流百分数下的比差阈值和角差阈值。定义电流互感器 1%、5%、20%、100%、120%的额定电流百分数下的比差阈值CME_base和角差阈值 CPE_base,通过电流互感器校验仪获取1%、5%、20%、100%、120%的额定电流百分数下的比差测量值CME和角差测量值 CPE。若|CME|>CME_base,则判断为“电流互感器比差超差”;若|CPE|>CPE_base,则判断为“电流互感器角差超差”。
参考图2,在本发明的一些实施例的步骤S200中,所述基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声包括:基于目标电流互感器的误差精度,对所述二次电流值、比差、相位差、电流波形图和瞬时功率谱进行多阶差分,得到与电流波形图对应的比差噪声、相位差噪声和功率谱噪声。
具体地,通过上述误差精度(1%、5%、20%、100%、120%),过滤掉高于误差精度的比差噪声、相位差噪声和瞬时功率谱噪声,从而能保持后续模型估计误差的一致性。然后求解上述多个运行数据的一阶差分或多阶差分,得到其对应的噪声。
可选的,通过Allan方差求解上述多个运行数据的噪声,即:将误差序列在某个指定的时间尺度上的波动情况进行了精确提取,其具体计算步骤如下:1.将整段误差序列按照预设的时间尺度(帧长)的长度(例如1分钟)进行分块;2.每块求平均值;3.相邻块的平均值求差;4.将所有差值进行统计,得到其均方值,并乘以1/2。
进一步的,所述基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布包括:将所述比差噪声、相位差噪声和瞬时功率谱噪声分别进行离散余弦变换,得到多个稀疏矩阵;根据预设的采样率和帧长,通过正交匹配追踪方法将所述多个稀疏矩阵进行匹配,构成联合噪声分布。
具体地,一般的DCT(离散傅里叶变换)定义如下:
其中,x(i)是输入时域序列(波形或功率谱)中的第i项,y( j)是输出频域序列的第j项,系C(j)的定义如下:
可选的,采用KLT(Karhunen-Leece Transform)或主成分分析法(PCA),将上述由一种或多种噪声构建的向量经过特征分解,得到其稀疏向量。同时,电路的噪声信号通常包括元器件自带的热噪声,以及电路互感器所在电路的暂降、暂升、短时中断、脉冲暂态、振荡暂态、谐波和闪变等扰动,基于7种单一扰动以及40种混合扰动,通过正交匹配追踪方法将所述多个稀疏矩阵进行匹配,构成联合噪声分布。
参考图3,在本发明的一些实施例的步骤S300或步骤S400中,所述扩散模型包括:编码器,用于将电流互感器的运行数据编码为第一多维向量,并根据其估计一个或多个噪声分布;解码器,用于通过注意力机制以及一个或多个噪声分布,将第一多维向量解码为电流互感器误差;更具体地说,自动编码器(AE)结构是捕获感知压缩的结构。AE中的编码器将高维数据投影到潜空间(又称隐藏空间),解码器从潜空间(Latent Spcae)恢复原始数据。
条件嵌入模块(conditioning),用于通过注意力机制,将一个或多个噪声分布嵌入到解码器中。具体地,在本实施例中的扩散模型是一种依赖先验的条件模型(概率分布)。在本实施例中,先验通常是已经验证过的二次电流值、比差、相位差、电流波形图和瞬时功率谱中的一种或多种。
为了获得这种情况的潜在表示(特征),使用了一个transformer(例如CLIP),它将
电流互感器的数据特征嵌入到潜在向量中。因此,最终的损失函数不仅取决于原始电流
互感器数据的潜空间,而且还取决于条件的潜嵌入。
不失一般性,在图3中:x表示真实误差,为误差估计值;Z为包含多种噪声的第一
多维向量,t表示帧数或训练的轮数,Zt表示预测的噪声向量,表示后验的多维噪声向量
(第二多维向量)。Q、K、V表示注意力机制的权重向量,表示编码器。
训练过程中,潜在扩散模型包括两个阶段,分别对应感知损失和扩散损失。其中,第一阶段Diffusion的感知损失:自动编码器通过将数据投影到潜空间来捕捉数据的感知结构。该损失函数确保重建被限制在数据流形内,并减少使用数据空间损失(例如L1/L2损失)时可能出现的模糊。
其中扩散损失函数或目标函数(感知损失)表示为:
在学习的第二个阶段(Denoising),生成方法(解码)必须能够捕捉数据中存在的特征信息(噪声、时域信息、频域信息和功率谱信息)。Transformer的泛化能力和扩散模型的细节保持能力的结合,综合了两者的优点,并提供了生成细粒度的噪声或误差的能力,同时保留了电流波形中隐含的时域信息、频域信息和功率谱信息。
LDM的骨干是U-Net自编码器,具有稀疏连接,提供交叉注意力机制。Transformer网络将上述噪声、时域信息、频域信息和功率谱信息编码为潜在嵌入,然后通过交叉注意力层映射到U-Net的中间层。这个交叉注意力层实现了注意力机制,而Q,K和V是可学习的投影矩阵:
扩散模型通过逐步去除正态分布变量中的噪声来学习数据分布。DMs采用长度为T
的反向马尔可夫链。这也意味着DMs可以建模为时间步长T =1,…,T的一系列T去噪自编码
器。这由下式中的表示。需要说明的是,损失函数依赖于隐向量而不是向量空间。
因此,潜在扩散模型的扩散损失表示为:
在上述的实施例的步骤S300中,所述基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型包括:随机抽取联合噪声分布中的一个分布及其对应的电流波形图作为样本,电流互感器的误差作为标签;基于马尔科夫概率模型,将余下的分布对所述潜在扩散模进行迭代,直至所述潜在扩散模的损失函数值趋于稳定且低于阈值,得到训练完成的潜在扩散模型。
可选的,上述特征数据或联合噪声分布包含但不限于二次电流值、比差、相位差、电流波形图、电压波形图、瞬时功率谱以及其他电流互感器运行过程中产生的暂态或稳态特征(时间常数、磁滞系数)等。分布之间的误差计算可采用交叉熵、wasserstein距离等联合概率分布距离进行计算。
可以理解,通过对电流互感器误差多种构成因素的噪声分布的稀疏表示(压缩感知),可以在提高扩散模型的准确性和鲁棒性的同时,有效减少模型在噪声生成或推理过程中的数据量和计算量。
实施例2
参考图4,本发明的第二方面,提供了一种基于扩散模型的电流互感器误差估计装置1,包括:获取模块11,用于获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱;匹配模块12,用于基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声;基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布;训练模块13,用于基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型;估计模块14,用于将目标电流互感器的实时二次电流值,输入到训练完成的潜在扩散模型,得到目标电流互感器的误差估计值。
在本发明的一些实施例中,所述匹配模块12包括:提取单元,用于基于目标电流互感器的误差精度,对所述二次电流值、比差、相位差、电流波形图和瞬时功率谱进行多阶差分,得到与电流波形图对应的比差噪声、相位差噪声和功率谱噪声。匹配单元,用于基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布。
实施例3
参考图5,本发明的第三方面,提供了一种电子设备,包括:一个或多个处理器;存储装置,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本发明在第一方面的基于扩散模型的电流互感器误差估计方法。
电子设备500可以包括处理装置(例如中央处理器、图形处理器等)501,其可以根据存储在只读存储器(ROM)502中的程序或者从存储装置508加载到随机访问存储器(RAM)503中的程序而执行各种适当的动作和处理。在RAM 503中,还存储有电子设备500操作所需的各种程序和数据。处理装置501、ROM 502以及RAM 503通过总线504彼此相连。输入/输出(I/O)接口505也连接至总线504。
通常以下装置可以连接至I/O接口505:包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置506;包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置507;包括例如硬盘等的存储装置508;以及通信装置509。通信装置509可以允许电子设备500与其他设备进行无线或有线通信以交换数据。虽然图5示出了具有各种装置的电子设备500,但是应理解的是,并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图5中示出的每个方框可以代表一个装置,也可以根据需要代表多个装置。
特别地,根据本公开的实施例,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本公开的实施例包括一种计算机程序产品,其包括承载在计算机可读介质上的计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中,该计算机程序可以通过通信装置509从网络上被下载和安装,或者从存储装置508被安装,或者从ROM 502被安装。在该计算机程序被处理装置501执行时,执行本公开的实施例的方法中限定的上述功能。需要说明的是,本公开的实施例所描述的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的***、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的实施例中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行***、装置或者器件使用或者与其结合使用。而在本公开的实施例中,计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读信号介质可以发送、传播或者传输用于由指令执行***、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于:电线、光缆、RF(射频)等等,或者上述的任意合适的组合。
上述计算机可读介质可以是上述电子设备中所包含的;也可以是单独存在,而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个计算机程序,当上述一个或者多个程序被该电子设备执行时,使得该电子设备:
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的实施例的操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++、Python,还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本公开各种实施例的***、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。需要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的***来实现,或者可以用专用硬件与计算机指令的组合来实现。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于扩散模型的电流互感器误差估计方法,其特征在于,包括:
获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱;
基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声;基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布;
基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型;
将目标电流互感器的实时二次电流值,输入到训练完成的潜在扩散模型,得到目标电流互感器的误差估计值。
2.根据权利要求1所述的基于扩散模型的电流互感器误差估计方法,其特征在于,所述基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声包括:
基于目标电流互感器的误差精度,对所述二次电流值、比差、相位差、电流波形图和瞬时功率谱进行多阶差分,得到与电流波形图对应的比差噪声、相位差噪声和功率谱噪声。
3.根据权利要求2所述的基于扩散模型的电流互感器误差估计方法,其特征在于,所述基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布包括:
将所述比差噪声、相位差噪声和瞬时功率谱噪声分别进行离散余弦变换,得到多个稀疏矩阵;
根据预设的采样率和帧长,通过正交匹配追踪方法将所述多个稀疏矩阵进行匹配,构成联合噪声分布。
4.根据权利要求1所述的基于扩散模型的电流互感器误差估计方法,其特征在于,所述扩散模型包括:
编码器,用于将电流互感器的运行数据编码为第一多维向量,并根据其估计一个或多个噪声分布;
解码器,用于通过注意力机制以及一个或多个噪声分布,将第一多维向量解码为电流互感器误差;
条件嵌入模块,用于通过注意力机制,将一个或多个噪声分布嵌入到解码器中。
5.根据权利要求4所述的基于扩散模型的电流互感器误差估计方法,其特征在于,所述条件嵌入模块通过transformer,将一个或多个噪声分布嵌入到第二多维向量中。
6.根据权利要求1至5任一项所述的基于扩散模型的电流互感器误差估计方法,其特征在于,所述基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型包括:
随机抽取联合噪声分布中的一个分布及其对应的电流波形图作为样本,电流互感器的误差作为标签;
基于马尔科夫概率模型,将余下的分布对所述潜在扩散模型进行迭代,直至所述潜在扩散模型的损失函数值趋于稳定且低于阈值,得到训练完成的潜在扩散模型。
7.一种基于扩散模型的电流互感器误差估计装置,其特征在于,包括:
获取模块,用于获取目标电流互感器的运行数据,所述运行数据包括二次电流值、比差、相位差、电流波形图和瞬时功率谱;
匹配模块,用于基于目标电流互感器的误差精度,分别从所述运行数据提取与电流波形图对应的比差噪声、相位差噪声和瞬时功率谱噪声;基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布;
训练模块,用于基于所述联合噪声分布数据和所述运行数据,构建数据集并根据其训练潜在扩散模型;
估计模块,用于将目标电流互感器的实时二次电流值,输入到训练完成的潜在扩散模型,得到目标电流互感器的误差估计值。
8.根据权利要求7所述的基于扩散模型的电流互感器误差估计装置,其特征在于,所述匹配模块包括:
提取单元,用于基于目标电流互感器的误差精度,对所述二次电流值、比差、相位差、电流波形图和瞬时功率谱进行多阶差分,得到与电流波形图对应的比差噪声、相位差噪声和功率谱噪声;
匹配单元,用于基于正交匹配追踪方法,将所述比差噪声、相位差噪声和瞬时功率谱噪声进行匹配,并构成联合噪声分布。
9.一种电子设备,其特征在于,包括:一个或多个处理器;存储装置,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时,使得所述一个或多个处理器实现如权利要求1至6任一项所述的基于扩散模型的电流互感器误差估计方法。
10.一种计算机可读介质,其特征在于,其上存储有计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至6任一项所述的基于扩散模型的电流互感器误差估计方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211478921.XA CN115542230B (zh) | 2022-11-24 | 2022-11-24 | 一种基于扩散模型的电流互感器误差估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211478921.XA CN115542230B (zh) | 2022-11-24 | 2022-11-24 | 一种基于扩散模型的电流互感器误差估计方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115542230A CN115542230A (zh) | 2022-12-30 |
CN115542230B true CN115542230B (zh) | 2023-03-24 |
Family
ID=84719681
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211478921.XA Active CN115542230B (zh) | 2022-11-24 | 2022-11-24 | 一种基于扩散模型的电流互感器误差估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115542230B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5461306A (en) * | 1993-12-28 | 1995-10-24 | Schlumberger Industries, Inc. | DC current detection system for a current transformer |
CN101644752A (zh) * | 2009-08-14 | 2010-02-10 | 河南电力试验研究院 | 一种电流互感器在线精度检测方法和*** |
JP2013053855A (ja) * | 2011-08-31 | 2013-03-21 | National Institute Of Advanced Industrial & Technology | 電子式変流器の誤差評価装置 |
CN106054102A (zh) * | 2016-08-11 | 2016-10-26 | 国网浙江省电力公司电力科学研究院 | 一种电流互感器谐波误差测量*** |
KR101908369B1 (ko) * | 2017-06-07 | 2018-10-17 | 한국전력공사 | 계기용 변압 변류기의 비오차 판별 장치 및 컴퓨터 판독가능 기록 매체 |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
CN110632545A (zh) * | 2019-09-25 | 2019-12-31 | 国网江苏省电力有限公司电力科学研究院 | 基于回归神经网络电子式互感器误差风险评估方法和装置 |
-
2022
- 2022-11-24 CN CN202211478921.XA patent/CN115542230B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5461306A (en) * | 1993-12-28 | 1995-10-24 | Schlumberger Industries, Inc. | DC current detection system for a current transformer |
CN101644752A (zh) * | 2009-08-14 | 2010-02-10 | 河南电力试验研究院 | 一种电流互感器在线精度检测方法和*** |
JP2013053855A (ja) * | 2011-08-31 | 2013-03-21 | National Institute Of Advanced Industrial & Technology | 電子式変流器の誤差評価装置 |
CN106054102A (zh) * | 2016-08-11 | 2016-10-26 | 国网浙江省电力公司电力科学研究院 | 一种电流互感器谐波误差测量*** |
KR101908369B1 (ko) * | 2017-06-07 | 2018-10-17 | 한국전력공사 | 계기용 변압 변류기의 비오차 판별 장치 및 컴퓨터 판독가능 기록 매체 |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
CN110632545A (zh) * | 2019-09-25 | 2019-12-31 | 国网江苏省电力有限公司电力科学研究院 | 基于回归神经网络电子式互感器误差风险评估方法和装置 |
Non-Patent Citations (2)
Title |
---|
基于MSP430的智能型电流互感器校验仪的设计与实现;夏阳;《中国优秀硕士学位论文全文数据库 (工程科技Ⅱ辑)》;20130715;全文 * |
能源互联网电能数据误差成因分析研究;韩云飞;《中国优秀硕士学位论文全文数据库(工程科技Ⅱ辑)》;20220315;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115542230A (zh) | 2022-12-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2023123941A1 (zh) | 一种数据异常检测方法及装置 | |
US10909419B2 (en) | Abnormality detection device, learning device, abnormality detection method, and learning method | |
CN113777552B (zh) | 一种电容式电压互感器计量误差的预测方法及*** | |
CN112668238B (zh) | 一种降雨量处理方法、装置、设备和存储介质 | |
Jiang et al. | Literature review of power disaggregation | |
CN116320042A (zh) | 边缘计算的物联终端监测控制*** | |
CN112148557A (zh) | 一种性能指标实时预测方法、计算机设备及存储介质 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和*** | |
CN113723861A (zh) | 异常用电行为检测方法、装置、计算机设备和存储介质 | |
CN115392301A (zh) | 换流变压器状态识别方法、装置、设备、介质和程序产品 | |
CN113284001A (zh) | 用电量预测方法、装置、计算机设备和存储介质 | |
CN115542230B (zh) | 一种基于扩散模型的电流互感器误差估计方法及装置 | |
CN114881157A (zh) | 换流阀工作状态的检测方法、装置、设备和存储介质 | |
CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及*** | |
CN115144807B (zh) | 差分滤噪和载流分级的电流互感器在线评估方法、装置 | |
KR20200019377A (ko) | 측정 노이즈 추천을 통한 칼만 필터링 방법 및 이를 기록한 기록매체 | |
CN116777452A (zh) | 智能电表的预付费***及其方法 | |
CN114897032B (zh) | 一种基于宽度学习的电流互感器故障诊断方法、装置 | |
CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及*** | |
CN115222111A (zh) | 变压器健康状态评估方法、装置、设备及可读存储介质 | |
CN117526318B (zh) | 配电网状态评估方法、装置、电子设备、存储介质 | |
CN116125922B (zh) | 一种基于平行式字典学习的复杂工业过程监测方法和*** | |
CN117473275B (zh) | 一种数据中心的能耗检测方法 | |
CN114722962A (zh) | 一种电力***的低频振荡的辨识方法及*** | |
CN118094205A (zh) | 一种基于深度学习的智能化隧道结构健康监测*** |
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 |