CN116662771A - 电容式电压互感器自适应pca误差定量评价的方法及*** - Google Patents
电容式电压互感器自适应pca误差定量评价的方法及*** Download PDFInfo
- Publication number
- CN116662771A CN116662771A CN202310479878.7A CN202310479878A CN116662771A CN 116662771 A CN116662771 A CN 116662771A CN 202310479878 A CN202310479878 A CN 202310479878A CN 116662771 A CN116662771 A CN 116662771A
- Authority
- CN
- China
- Prior art keywords
- statistic
- value
- tolerance
- standard
- voltage transformer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 102
- 238000011158 quantitative evaluation Methods 0.000 title claims description 15
- 238000012795 verification Methods 0.000 claims abstract description 41
- 238000005259 measurement Methods 0.000 claims abstract description 18
- 239000003990 capacitor Substances 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims description 101
- 239000011159 matrix material Substances 0.000 claims description 37
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 230000001186 cumulative effect Effects 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 19
- 230000008569 process Effects 0.000 description 13
- 238000011156 evaluation Methods 0.000 description 10
- 238000004422 calculation algorithm Methods 0.000 description 6
- 230000005477 standard model Effects 0.000 description 6
- 238000012544 monitoring process Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000002159 abnormal effect Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000010219 correlation analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011002 quantification Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012804 iterative process Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000012847 principal component analysis method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电容式电压互感器自适应PCA误差定量评价的方法及***，其中方法包括：基于电容式电压互感器的历史检定数据，建立标准PCA模型；计算待评估的电容式电压互感器的Q统计量，将所述Q统计量与计算出的所述标准PCA模型的Q统计量阈值进行比较；当所述Q统计量大于所述Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；基于所述Q统计量，确定所述超差互感器中的超差相；基于故障重构法获取所述超差相的虚拟标准值，将所述虚拟标准值、与超差相的在线测量值进行比较，确定所述超差相的误差。
Description
技术领域
本发明涉及电网运维技术领域，更具体地，涉及一种电容式电压互感器自适应PCA误差定量评价的方法及***。
背景技术
随着用电需求的持续增长，我国输电网络的覆盖范围越来越广，电容式电压互感器(Capacitor Voltage Transformer，CVT)是高压和超高压输电网络中的关键计量设备，主要用来对一次电压进行精确测量。CVT的计量准确度关系到电能结算的公平性和电网保护的可靠性。但CVT因其结构复杂，运行性能容易受到周围自然环境、电场等外界因素的影响，从而CVT的计量准确度将受到一定的影响。为了避免超差的CVT应用在电网中，可通过定量评估CVT的计量误差识别出超差的CVT。
评估CVT误差的主流方法是用精密仪器对其进行离线测量，该方式需要断电进行，操作繁杂、成本高昂，无法满足当前电网的运行和管理需求。随着互联网、人工智能和大数据等信息技术的快速发展，虽已有很多在线分析、评估CVT误差的方法，但是，大多数在线方法要么处于理论阶段，要么只能定性评估。
因此，需要一种技术，以实现对电容式电压互感器进行自适应PCA误差定量。
发明内容
本发明技术方案提供一种电容式电压互感器自适应PCA误差定量评价的方法及***，以解决如何对电容式电压互感器进行自适应PCA误差定量评价的问题。
为了解决上述问题，本发明提供了一种电容式电压互感器自适应PCA误差定量评价的方法，所述方法包括：
基于电容式电压互感器的历史检定数据，建立标准PCA模型；
计算待评估的电容式电压互感器的Q统计量，将所述Q统计量与计算出的所述标准PCA模型的Q统计量阈值进行比较；
当所述Q统计量大于所述Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；
基于所述Q统计量，确定所述超差互感器中的超差相；
基于故障重构法获取所述超差相的虚拟标准值，将所述虚拟标准值、与超差相的在线测量值进行比较，确定所述超差相的误差。
优选地，所述基于电容式电压互感器的历史检定数据与建立标准PCA模型之间所述方法还包括：
对基于电容式电压互感器的历史检定数据进行稳健缩放处理：将所述历史检定数据的均值用中位数替换，将历史检定数据的标准差用中位数绝对偏差替换；
对所述历史检定数据进行标准化处理：将所述历史检定数据的均值进行中心化和归一化。
优选地，基于电容式电压互感器的历史检定数据，建立标准PCA模型，包括：
基于电容式电压互感器的历史检定数据中电容式电压互感器的正常运行状态下所述电容式电压互感器的三相CVT的二次输出信息，基于所述二次输出信息建立采样数据矩阵X0；
对所述采样数据矩阵X0进行数据标准化处理，建立标准PCA模型。
优选地，所述标准PCA模型包括标准数据矩阵X，基于所述标准PCA模型计算Q统计量阈值，包括：
对所述标准数据矩阵X进行奇异值分解，确定特征值λ1，λ2，…λm和对应的特征向量[P Pe]；
基于预计的累计贡献率、确定的特征值λ1，λ2，…λm和对应的特征向量[P Pe]、预设主成分的个数p，确定所述标准PCA模型的残差子空间的载荷矩阵Pe；
基于检验置信度α，预设主成分的个数p、残差子空间的载荷矩阵Pe，计算Q统计量阈值。
优选地，还包括：当所述Q统计量小于所述Q统计量阈值时，将待评估的电容式电压互感器的运行状态确定为正常运行。
优选地，所述基于所述Q统计量，确定所述超差互感器中的超差相，还包括：
基于贡献图法计算每一相Q统计量的贡献率，确定贡献率最高的Q统计量对应的所述超差互感器中的相为超差相。
优选地，所述基于故障重构法获取所述超差相的虚拟标准值，包括：
S1，确定所述超差相发生故障的变量，根据故障的变量将故障状态下的目标点投影至标准PCA模型的主成分子空间PCS，获取目标点的估值；
S2，根据目标点的估值，确定新的目标点，并将新的目标点投影至标准PCA模型的主成分子空间PCS，重新获取目标点的估值；
S3，重复步骤S2，经过多次迭代，直到目标点的估值与正确值的差值小于预设的阈值，将目标点的估值作为所述虚拟标准值；
S4，将目标点的估值作为所述虚拟标准值。
基于本发明的另一方面，本发明提供一种电容式电压互感器自适应PCA误差定量评价的***，所述***包括：
初始单元，用于基于电容式电压互感器的历史检定数据，建立标准PCA模型；
确定单元，用于计算待评估的电容式电压互感器的Q统计量，将所述Q统计量与计算出的所述标准PCA模型的Q统计量阈值进行比较；当所述Q统计量大于所述Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；基于所述Q统计量，确定所述超差互感器中的超差相；
结果单元，用于基于故障重构法获取所述超差相的虚拟标准值，将所述虚拟标准值、与超差相的在线测量值进行比较，确定所述超差相的误差。
优选地，所述初始单元，用于基于电容式电压互感器的历史检定数据，建立标准PCA模型，还用于：
对所述历史检定数据进行稳健缩放处理：将所述历史检定数据的均值用中位数替换，将历史检定数据的标准差用中位数绝对偏差替换；
对所述历史检定数据进行标准化处理：将所述历史检定数据的均值进行中心化和归一化。
优选地，所述确定单元，用于基于所述标准PCA模型计算Q统计量阈值，还用于：
采集正常运行状态下所述电容式电压互感器的三相CVT的二次输出信息，基于所述二次输出信息建立采样数据矩阵X0；
对所述采样数据矩阵X0进行数据标准化处理，建立标准PCA模型；所述标准PCA模型包括标准数据矩阵X；
对所述标准数据矩阵X进行奇异值分解，计算其特征值λ1，λ2，…λm和对应的特征向量[P Pe]；
基于预计的累计贡献率、计算出的特征值λ1，λ2，…λm和对应的特征向量[P Pe]，选取主成分的个数p，确定所述标准PCA模型的残差子空间的载荷矩阵Pe；
确定检验置信度α，基于主成分的个数p、残差子空间的载荷矩阵Pe计算Q统计量阈值。
优选地，所述确定单元，还用于当所述Q统计量小于所述Q统计量阈值时，将待评估的电容式电压互感器确定为正常运行。
优选地，所述确定单元，用于基于所述Q统计量，确定所述超差互感器中的超差相，还用于：
基于贡献图法计算每一相Q统计量的贡献率，确定贡献率最高的Q统计量对应的所述超差互感器中的相为超差相。
优选地，所述结果单元，用于基于故障重构法获取所述超差相的虚拟标准值，还用于执行以下步骤：
S1，确定发生故障的变量，根据故障的变量将故障状态下的目标点投影至标准PCA模型的主成分子空间PCS，获取目标点的估值；
S2，根据目标点的估值，确定新的目标点，并将新的目标点投影至标准PCA模型的主成分子空间PCS，重新获取目标点的估值；
S3，重复步骤S2，经过多次迭代，直到目标点的估值与正确值的差值小于预设的阈值；
S4，将目标点的估值作为所述虚拟标准值。
基于本发明的另一方面，本发明提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于执行一种电容式电压互感器自适应PCA误差的定量评价的方法。
基于本发明的另一方面，本发明提供一种电子设备，所述电子设备包括：处理器和存储器；其中，
所述存储器，用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现一种电容式电压互感器自适应PCA误差的定量评价的方法。
本发明技术方案提供了一种电容式电压互感器自适应PCA误差定量评价的方法及***，其中方法包括：基于电容式电压互感器的历史检定数据，建立标准PCA模型；计算待评估的电容式电压互感器的Q统计量，将Q统计量与计算出的标准PCA模型的Q统计量阈值进行比较；当Q统计量大于Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；基于Q统计量，确定超差互感器中的超差相；基于故障重构法获取超差相的虚拟标准值，将虚拟标准值、与超差相的在线测量值进行比较，确定超差相的误差。本发明技术方案，从工程实践和定量评估两个维度较好地解决了电容式电压互感器的误差计算问题。本发明技术方案提出一种电容式电压互感器自适应PCA误差在线定量评价方法，通过在线监测运行中电容式电压互感器二次侧特征量，将特征量输入本发明算法模型即可识别出超差互感器，在此基础上，采用故障重构法重构出超差互感器的虚拟标准值，利用虚拟标准值和在线测量值比较即可计算其精确误差。本发明技术方案为识别出超差的电容式电压互感器以及在线分析评估电容式电压互感器的量化误差提供了一种手段，具备广阔的推广空间。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明优选实施方式的一种电容式电压互感器自适应PCA误差定量评价的方法流程图；
图2为根据本发明优选实施方式的CVT工作原理示意图；
图3为根据本发明优选实施方式的CVT信息物理相关性模型示意图；
图4为根据本发明优选实施方式的电容式电压互感器自适应PCA误差定量评价总体技术流程图；
图5为根据本发明优选实施方式的标准PCA模型的Q统计量和Q统计量阈值Qc示意图；
图6为根据本发明优选实施方式的基于信息物理相关性的评估模型示意图；
图7为根据本发明优选实施方式的基于主元分析的CVT计量误差评估模型量化流程示意图；
图8为根据本发明优选实施方式的在线监测数据样本的Q统计量示意图；
图9为根据本发明优选实施方式的超差互感器的贡献示意图；
图10为根据本发明优选实施方式的迭代重构法的几何意义示意图；
图11为根据本发明优选实施方式的B相的在线样本值和虚拟标准值示意图；
图12为根据本发明优选实施方式的B相的比值差示意图；
图13为根据本发明优选实施方式的一种电容式电压互感器自适应PCA误差定量评价的***结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的一种电容式电压互感器自适应PCA误差定量的评价方法流程图。本发明提供一种电容式电压互感器自适应PCA误差定量评价的方法：
(1)本发明将CVT的历史检定数据作为标准量建立PCA模型。该模型将一次侧电压信号投影到主元空间和残差空间，其中主元空间反映一次侧电压正常波动规律，残差空间反映CVT误差和噪声的波动情况，本发明所提方法仅考查误差信息，所以只对残差空间进行分析。在残差空间中计算标准模型的Q统计量和Q统计量阈值。CVT工作原理图如图2所示。CVT信息物理相关性模型如图3所示。
(2)本发明根据计算所得的在线样本的Q统计量，与上述(1)中的Q统计量阈值相比较判断该组互感器是否超差，再利用Q统计量贡献图法，定位一组三相中互感器中超差的具体单个互感器。
(3)本发明结合标准PCA模型和在线数据的投影值，对超差互感器进行故障重构，评估出超差互感器的虚拟标准值，最终，计算出超差互感器的量化误差。
如图1所示，本发明提供一种电容式电压互感器自适应PCA误差定量评价的方法，方法包括：
步骤101：基于电容式电压互感器的历史检定数据，建立标准PCA模型；
优选地，基于电容式电压互感器的历史检定数据，建立标准PCA模型，包括：
基于电容式电压互感器的历史检定数据中电容式电压互感器的正常运行状态下电容式电压互感器的三相CVT的二次输出信息，基于二次输出信息建立采样数据矩阵X0；
对采样数据矩阵X0进行数据标准化处理，建立标准PCA模型。
优选地，基于电容式电压互感器的历史检定数据与建立标准PCA模型之间所述方法还包括：
对基于电容式电压互感器的历史检定数据进行稳健缩放处理：将历史检定数据的均值用中位数替换，将历史检定数据的标准差用中位数绝对偏差替换；
对历史检定数据进行标准化处理：将历史检定数据的均值进行中心化和归一化。
步骤102：计算待评估的电容式电压互感器的Q统计量，将Q统计量与计算出的标准PCA模型的Q统计量阈值进行比较；
优选地，标准PCA模型包括标准数据矩阵X，基于标准PCA模型计算Q统计量阈值，包括：
对标准数据矩阵X进行奇异值分解，确定特征值λ1，λ2，…λm和对应的特征向量[PPe]；
基于预计的累计贡献率、确定的特征值λ1，λ2，…λm和对应的特征向量[P Pe]、预设主成分的个数p，确定标准PCA模型的残差子空间的载荷矩阵Pe；
基于检验置信度α，预设主成分的个数p、残差子空间的载荷矩阵Pe，计算Q统计量阈值。
步骤103：当Q统计量大于Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；
优选地，还包括：当Q统计量小于Q统计量阈值时，将待评估的电容式电压互感器确定为正常运行。
步骤104：基于Q统计量，确定超差互感器中的超差相；
优选地，基于Q统计量，确定超差互感器中的超差相，还包括：
基于贡献图法计算每一相Q统计量的贡献率，确定贡献率最高的Q统计量对应的超差互感器中的相为超差相。
步骤105：基于故障重构法获取超差相的虚拟标准值，将虚拟标准值、与超差相的在线测量值进行比较，确定超差相的误差。
优选地，基于故障重构法获取超差相的虚拟标准值，包括：
S1，确定超差相发生故障的变量，根据故障的变量将故障状态下的目标点投影至标准PCA模型的主成分子空间PCS，获取目标点的估值；
S2，根据目标点的估值，确定新的目标点，并将新的目标点投影至标准PCA模型的主成分子空间PCS，重新获取目标点的估值；
S3，重复步骤S2，经过多次迭代，直到目标点的估值与正确值的差值小于预设的阈值，将目标点的估值作为虚拟标准值；
S4，将目标点的估值作为虚拟标准值。
本发明提供的一种电容式电压互感器自适应PCA误差定量评价方法，能够准确定位超差互感器；本发明能够量化超差互感器的误差状况；本发明的误差识别和计算方法主要利用数理统计和CVT的物理电气关系，算法时间和空间复杂度低，适合于嵌入式终端运行，可以有效支持在线误差评估。
如图4所示，本发明提供一种电容式电压互感器自适应PCA误差定量评价方法，具体实施方式如下：
1、数据预处理
本发明为了减少多个离群值对估计均值和标准差时的影响，所以要对均值和标准差进行稳健缩放。在稳健缩放中，均值被替换为中位数，标准差被替换为样本与中位数的中位数绝对偏差(Median Absolute Deviation，MAD)，通过一致的修正尺度，准确估计标准差，并正确识别所有离群值，ABC三相中只要有一相出现离群值，就将该组样本删除。
sMAD＝1.4826median{|xi-xmedian|} (1)
其中xmedian是x的中位数，需要常数1.4826才能使MAD成为高斯数据标准差的无偏估计。MAD的优点是它的计算成本较低，并且对离群异常值的识别相当灵敏。
本发明再对数据进行标准化操作，标准化的目的是避免个别变量在过程诊断方法中占主导地位。标准化包括均值中心化和归一化。均值中心化即对每个变量减去样本均值，归一化将均值中心化处理后的模型除以其方差，即将每个变量标定到单位方差，以使每个变量被赋予相等的权重。
2、本发明利用历史检定数据建立标准PCA模型，计算标准模型的Q统计量阈值，定位某组超差的互感器和其中具体某一相超差的互感器。
主元分析(Principal Component Analysis，PCA)也称主成分分析，是一种典型的数据统计分析方法。它能够在保证原始变量主要信息的前提下，降低变量的维数，使问题得到简化。它是用变量的少数几个线性组合来说明***的绝大多数信息的一种多元统计分析方法。
本发明根据统计学理论研究原始测量变量协方差矩阵的内部结构关系，在此基础上，构造原始变量的几个综合指标(也就是变量的线性组合)，而且这几个综合指标(也就是主元)能够反映***的绝大多数信息，并且综合指标的个数小于原变量的。这样，可以减少变量的数目，从而使得在研究复杂问题时更容易抓住主要矛盾，简化了问题，这就是主元分析的基本思路。
本发明主元分析的计算过程为：假设采集到的过程数据样本为X0∈Φn×m，其中n为测量数据的样本个数，m为过程变量的个数。为了避免因为变量量纲的不同所带来的影响，首先需要对数据样本进行标准化处理，标准化后的数据矩阵为：
X＝(X0-1nbT)∑-1 (2)
将标准化后的采样数据进行分解如下：
式中TX＝[t1,t2,...,tm]为得分矩阵，PX＝[p1,p2,...,pm]为载荷矩阵。
1)用标准数据建立PCA模型并计算Q统计量和Q统计量阈值Qc
本发明以输变电线路节点三相电压不平衡度的短时不变特性建立评估标准量，此时三相电容式电压互感器的二次输出线性相关。利用主元分析的方法对电容式电压互感器的二次输出进行分析，通过建立Q统计量，将电容式电压互感器计量误差的状态评估映射为信息物理相关性约束下Q统计量的状态评估。
由于已经有一组三相的历史检定的不超差的标准数据，利用此历史标准数据建立标准PCA模型，可以计算出标准模型的Q统计量阈值Qc＝0.1005，如图5所示。
相比于CVT的0.2级计量准确度要求，电力***三相不平衡度在一定时间内的波动可视为常数，变电站三相CVT的二次输出信息之间存在线性相关性。当三相CVT正常运行时，二次输出信息之间的线性相关性主要体现在电网的一次物理电压变化上，可将三相CVT正常运行时的线性相关性作为评估标准量。通过对三相CVT的二次输出信息进行相关性分析，将电力***的一次电压信号波动与CVT的自身异常造成的测量数据偏差相互剥离，则剩余的二次输出信息即为三相CVT的计量误差信息。利用数值分析的方法进行量化，建立统计特征量，根据统计量的变化实现三相CVT计量误差的状态评估。则在三相对称运行的约束下，基于信息物理相关性分析的CVT计量误差状态评估模型如图6所示。
CVT在运行过程中会产生大量的测量数据，反映了一次电压的物理状态信息和自身的计量误差信息。可在节点三相电压不平衡度短时不变特性的制约下，利用统计分析的方法对三相CVT测量数据中体现的信息物理相关性进行量化分析，从而实现CVT计量误差的状态评估。根据上述内容可得，利用主元分析对三相CVT计量误差状态的评估流程如下图所示。具体步骤如下：
基于电容式电压互感器的历史检定数据中电容式电压互感器的正常运行状态下三相CVT的二次输出信息，获取数据矩阵X0。
对数据矩阵X0进行标准化数据处理，得到标准化的数据矩阵X及其均值向量b和方差矩阵Σ；
对标准化矩阵X进行奇异值分解，计算其特征值λ1，λ2，…λm和对应的特征向量[PPe]；
按照累计贡献率CPV％≥85％的原则选取主成分的个数p，确定主元子空间的载荷矩阵P以及残差子空间的载荷矩阵Pe；
选取检验置信度α，根据公式计算Q统计量的统计阈值Qc，建立CVT计量误差状态的评估标准量。如图7所示。
本发明采集运行过程中三相CVT的二次输出信息，根据公式计算过程信息的Q统计量。若小于统计阀值Qc，表明此时三相CVT处于正常运行状态；若大于统计阀值Qc，表明此时三相CVT有较大可能处于异常运行状态。
当某组三相CVT二次输出信息的Q统计量超过统计阀值Qc时，判断出这一组三相CVT的计量误差发生异常变化，为超差互感器。
当采集到一组三相CVT的在线监测数据之后，根据之前建立的PCA标准模型计算在线监测数据样本的Q统计量，如图8所示。
将这个样本的Q统计量和标准模型的Q统计量阈值进行比较，由此图中可以看出，在线运行数据样本的Q统计量超过了标准模型的Q统计量阈值，表明此时有CVT发生故障，但是不知道是具体哪一相超差。
2)根据贡献图，找出超差相互感器
在对多个数据变量进行监测时，最为常用的变量辨识方法是针对统计量的贡献图法，通过分析各个变量对超限统计量的构造所起的作用，可以得到变量对特征统计量的重要程度——贡献率，从而判断哪一相CVT发生异常。
贡献图(Contribution Plot)方法是一种非常有用的故障辨识工具，它实际上就是各变量对残差子空间的贡献值的柱状图，是基于这样的理论假设的：贡献率的大小代表了变量引起生产异常程度的大小，贡献率的绝对值较大者多是引起故障的原因，也就是说故障变量对故障检测指标的贡献是最大的。贡献图的贡献率实际上反映的就是故障在观测变量上的影响，并且贡献图的方法不需要任何有关故障的先验知识就可以产生贡献图。从贡献图中可以观察出哪些是异常变量。这种方法能有效隔离故障且并不需要太大计算量。当在线运行数据的Q统计量超过其统计控制阈值Qc时，表明有CVT发生故障，此时就可以通过对残差空间变量的贡献图的分析，找出是哪些残差空间变量的变化引起了统计量超出控制限，识别出这一组三相互感器中具体的某一相超差互感器。
画出这一组三相超差互感器的贡献图，如图9所示，由此图中可以看出，当三相CVT的测量数据的Q统计量超过其统计控制阈值时，B相幅值数据在贡献图中分量最大，于是就识别出B相超差。
3、故障重构
在上述第二步找到超差相互感器的基础上，采用故障重构方法重构出超差互感器的虚拟标准值，利用虚拟标准值和样本测试值比较计算出其精确误差。
故障重构过程，即寻找故障值所对应的正常值的一个最佳估计值的过程。目前已有一些针对传感器故障重构的研究方法，如迭代法和最优化法，且这两种方法都被证实十分有效。对超差互感器进行处理，根据超差互感器当前的故障情况，这里使用迭代法，迭代重构就是沿着故障方向，逐步逼近主成分子空间的过程。由式计算的/>也是x的一个估计值，但由于估计/>时所用的x是包含有故障的数据，因此，/>不是正确值的最佳估计值。为了排除故障对估计的干扰，通过多次迭代的方法来寻找正确值的最佳估计。
下面用几何方法来研究迭代重构的实质。如下图所示，迭代过程是一个多次向主成分子空间投影的过程。在正常条件下，数据点应该落在主成分子空间内，但由于有一定的自由噪声，实际的正常测量点(空心点)应落在主成分子空间(PCS)附近。而故障状态下的A点(实心点)由于有故障因此偏离了PCS。假设故障发生在x2变量上，因此，沿着ξ的方向恢复数据的过程实际上是寻找R点的过程。首先将A点投影到PCS上，得到即可找到B点；再又将B点投影到上PCS，找到C点。如此多次，就会使得估计值趋近于正确值R点。在实际中，R点不一定刚好落在PCS内，而是落在靠近PCS的正常值的范围之内。如图10所示。
本发明由于已经在第二步中，识别出B相超差，在用故障重构方法得到了这个B相故障值所对应的正常值的一个虚拟标准值之后，利用虚拟标准值和在线测量值比较可计算出其精确误差，如图11所示，误差逐渐偏移至0.4％，和预期结果一致。
本发明以自适应PCA算法为主线，辅助数据预处理、特征提取，分类建模，贡献图法和故障重构方法。再通过在线监测运行中电容式电压互感器二次侧特征量，将特征量输入本专发明的PCA算法模型即可识别出某组超差的互感器，再利用Q统计量贡献图法，定位这一组三相互感器中具体单个超差的互感器。
本发明在找到超差相互感器的基础上，采用故障重构法重构出超差相的虚拟标准值，利用虚拟标准值和在线测量值比较并计算出其精确误差。如图12所示。
本发明以自适应PCA算法为主线，辅助数据预处理、特征提取，分类建模，贡献图法和故障重构方法。再通过在线监测运行中电容式电压互感器二次侧特征量，将特征量输入本专利的PCA算法模型即可识别出某组超差的互感器，再利用Q统计量贡献图法，定位这一组三相互感器中具体单个超差的互感器。本发明在找到超差相互感器的基础上，采用故障重构法重构出超差相的虚拟标准值，利用虚拟标准值和在线测量值比较并计算出其精确误差。本发明提供一种计算机可读存储介质，计算机可读存储介质存储有计算机程序，计算机程序用于执行一种电容式电压互感器自适应PCA误差的定量评价的方法。
本发明提供一种电子设备，电子设备包括：处理器和存储器；其中，
存储器，用于存储处理器可执行指令的存储器；
处理器，用于从存储器中读取可执行指令，并执行指令以实现一种电容式电压互感器自适应PCA误差的定量评价的方法。
图13为根据本发明优选实施方式的一种电容式电压互感器自适应PCA误差定量评价的***结构图。如图13所示，本发明提供一种电容式电压互感器自适应PCA误差定量评价***，***包括：
初始单元1301，用于基于电容式电压互感器的历史检定数据，建立标准PCA模型；
优选地，初始单元1301，用于基于电容式电压互感器的历史检定数据，建立标准PCA模型，还用于：
对基于电容式电压互感器的历史检定数据进行稳健缩放处理：将历史检定数据的均值用中位数替换，将历史检定数据的标准差用中位数绝对偏差替换；
对历史检定数据进行标准化处理：将历史检定数据的均值进行中心化和归一化。
确定单元1302，用于计算待评估的电容式电压互感器的Q统计量，将Q统计量与计算出的标准PCA模型的Q统计量阈值进行比较；当Q统计量大于Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；基于Q统计量，确定超差互感器中的超差相；
优选地，确定单元1302，用于标准PCA模型包括标准数据矩阵X，基于标准PCA模型计算Q统计量阈值，包括：
对标准数据矩阵X进行奇异值分解，确定特征值λ1，λ2，…λm和对应的特征向量[PPe]；
基于预计的累计贡献率、确定的特征值λ1，λ2，…λm和对应的特征向量[P Pe]、预设主成分的个数p，确定标准PCA模型的残差子空间的载荷矩阵Pe；
基于检验置信度α，预设主成分的个数p、残差子空间的载荷矩阵Pe，计算Q统计量阈值。
优选地，确定单元1302，还用于当Q统计量小于Q统计量阈值时，将待评估的电容式电压互感器确定为正常运行。
优选地，确定单元1302，用于基于Q统计量，确定超差互感器中的超差相，还用于：
基于贡献图法计算每一相Q统计量的贡献率，确定贡献率最高的Q统计量对应的超差互感器中的相为超差相。
结果单元1303，用于基于故障重构法获取超差相的虚拟标准值，将虚拟标准值、与超差相的在线测量值进行比较，确定超差相的误差。
优选地，结果单元1303，用于基于故障重构法获取超差相的虚拟标准值，还用于执行以下步骤：
S1，确定超差相发生故障的变量，根据故障的变量将故障状态下的目标点投影至标准PCA模型的主成分子空间PCS，获取目标点的估值；
S2，根据目标点的估值，确定新的目标点，并将新的目标点投影至标准PCA模型的主成分子空间PCS，重新获取目标点的估值；
S3，重复步骤S2，经过多次迭代，直到目标点的估值与正确值的差值小于预设的阈值；
S4，将目标点的估值作为虚拟标准值。
本发明优选实施方式的一种电容式电压互感器自适应PCA误差定量评价***与本发明优选实施方式的一种电容式电压互感器自适应PCA误差定量评价方法相对应，在此不再进行赘述。
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。本发明实施例中的方案可以采用各种计算机语言实现，例如，面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
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/或方框图来描述的。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、嵌入式处理机或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性概念，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，则本发明也意图包含这些改动和变型在内。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (10)
1.一种电容式电压互感器自适应PCA误差的定量评价方法，其特征在于，所述方法包括：
基于电容式电压互感器的历史检定数据，建立标准PCA模型；
计算待评估的电容式电压互感器的Q统计量，将所述Q统计量与计算出的所述标准PCA模型的Q统计量阈值进行比较；
当所述Q统计量大于所述Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；
基于所述Q统计量，确定所述超差互感器中的超差相；
基于故障重构法获取所述超差相的虚拟标准值，将所述虚拟标准值、与超差相的在线测量值进行比较，确定所述超差相的误差。
2.根据权利要求1所述的方法，其特征在于，所述基于电容式电压互感器的历史检定数据与建立标准PCA模型之间所述方法还包括：
对基于电容式电压互感器的历史检定数据进行稳健缩放处理：将所述历史检定数据的均值用中位数替换，将历史检定数据的标准差用中位数绝对偏差替换；
对所述历史检定数据进行标准化处理：将所述历史检定数据的均值进行中心化和归一化。
3.根据权利要求1所述的方法，其特征在于，基于电容式电压互感器的历史检定数据，建立标准PCA模型，包括：
基于电容式电压互感器的历史检定数据中电容式电压互感器的正常运行状态下所述电容式电压互感器的三相CVT的二次输出信息，基于所述二次输出信息建立采样数据矩阵X0；
对所述采样数据矩阵X0进行数据标准化处理，建立标准PCA模型。
4.根据权利要求3所述的方法，其特征在于，所述标准PCA模型包括标准数据矩阵X，基于所述标准PCA模型计算Q统计量阈值，包括：
对所述标准数据矩阵X进行奇异值分解，确定特征值λ1，λ2，…λm和对应的特征向量[PPe]；
基于预计的累计贡献率、确定的特征值λ1，λ2，…λm和对应的特征向量[P Pe]、预设主成分的个数p，确定所述标准PCA模型的残差子空间的载荷矩阵Pe；
基于检验置信度α，预设主成分的个数p、残差子空间的载荷矩阵Pe，计算Q统计量阈值。
5.根据权利要求1所述的方法，其特征在于，还包括：当所述Q统计量小于所述Q统计量阈值时，将待评估的电容式电压互感器的运行状态确定为正常运行。
6.根据权利要求1所述的方法，其特征在于，所述基于所述Q统计量，确定所述超差互感器中的超差相，还包括：
基于贡献图法计算每一相Q统计量的贡献率，确定贡献率最高的Q统计量对应的所述超差互感器中的相为超差相。
7.根据权利要求1所述的方法，其特征在于，所述基于故障重构法获取所述超差相的虚拟标准值，包括：
S1，确定所述超差相发生故障的变量，根据故障的变量将故障状态下的目标点投影至标准PCA模型的主成分子空间PCS，获取目标点的估值；
S2，根据目标点的估值，确定新的目标点，并将新的目标点投影至标准PCA模型的主成分子空间PCS，重新获取目标点的估值；
S3，重复步骤S2，经过多次迭代，直到目标点的估值与正确值的差值小于预设的阈值，将目标点的估值作为所述虚拟标准值；
S4，将目标点的估值作为所述虚拟标准值。
8.一种电容式电压互感器自适应PCA误差定量评价的***，其特征在于，所述***包括：
初始单元，用于基于电容式电压互感器的历史检定数据，建立标准PCA模型；
确定单元，用于计算待评估的电容式电压互感器的Q统计量，将所述Q统计量与计算出的所述标准PCA模型的Q统计量阈值进行比较；当所述Q统计量大于所述Q统计量阈值时，将待评估的电容式电压互感器确定为超差互感器；基于所述Q统计量，确定所述超差互感器中的超差相；
结果单元，用于基于故障重构法获取所述超差相的虚拟标准值，将所述虚拟标准值、与超差相的在线测量值进行比较，确定所述超差相的误差。
9.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序用于执行权利要求1-7中任一项所述的方法。
10.一种电子设备，其特征在于，所述电子设备包括：处理器和存储器；其中，
所述存储器，用于存储所述处理器可执行指令的存储器；
所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现权利要求1-7中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310479878.7A CN116662771A (zh) | 2023-04-28 | 2023-04-28 | 电容式电压互感器自适应pca误差定量评价的方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310479878.7A CN116662771A (zh) | 2023-04-28 | 2023-04-28 | 电容式电压互感器自适应pca误差定量评价的方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116662771A true CN116662771A (zh) | 2023-08-29 |
Family
ID=87708780
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310479878.7A Pending CN116662771A (zh) | 2023-04-28 | 2023-04-28 | 电容式电压互感器自适应pca误差定量评价的方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116662771A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117991171A (zh) * | 2024-04-03 | 2024-05-07 | 国网山东省电力公司营销服务中心(计量中心) | 互感器计量误差监测方法、***、介质、设备及产品 |
| CN118191719A (zh) * | 2024-05-17 | 2024-06-14 | 云南电网有限责任公司 | 电容式电压互感器计量特性状态评估方法、装置及*** |
-
2023
- 2023-04-28 CN CN202310479878.7A patent/CN116662771A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117991171A (zh) * | 2024-04-03 | 2024-05-07 | 国网山东省电力公司营销服务中心(计量中心) | 互感器计量误差监测方法、***、介质、设备及产品 |
| CN118191719A (zh) * | 2024-05-17 | 2024-06-14 | 云南电网有限责任公司 | 电容式电压互感器计量特性状态评估方法、装置及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11544426B2 (en) | Systems and methods for enhanced sequential power system model parameter estimation | |
| JP6467186B2 (ja) | データストリームにおける不良データを検出、訂正、および検査するためのシステムおよび方法 | |
| CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
| CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及*** | |
| CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
| CN111313405B (zh) | 一种基于多量测断面的中压配电网拓扑辨识方法 | |
| WO2015047520A1 (en) | Electrical power grid monitoring apparatus, articles of manufacture, and methods of monitoring equipment of an electrical power grid | |
| CN112098915A (zh) | 双母线分段接线下多台电压互感器继发性误差的评估方法 | |
| US20190137550A1 (en) | Sensitivity Based Thevenin Index for Voltage Stability Assessment Considering N-1 Contingency | |
| CN111458661A (zh) | 一种配电网线变关系诊断方法、装置及*** | |
| US20210124854A1 (en) | Systems and methods for enhanced power system model parameter estimation | |
| CN115685045A (zh) | 一种电压互感器在线评估方法 | |
| CN113746425B (zh) | 光伏逆变器参数异常分析方法、*** | |
| CN106019043B (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
| CN117706452A (zh) | 基于knn-gru模型的电压互感器的在线评估方法 | |
| CN115575880B (zh) | 一种电力互感器计量误差状态在线检测方法 | |
| CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 | |
| CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及*** | |
| Bhattacharyya et al. | Adaptive, online models to detect and estimate gross error in SPNDs | |
| CN114336612B (zh) | 电站及其故障设备的电量损失计算方法、相关应用设备 | |
| CN117974073B (zh) | 基于Revit软件的电力工程数字化模型算量统计方法及*** | |
| Zhong et al. | Rapid Identification Method for the Sudden Change of Operating Errors in Smart Electricity Meters | |
| CN117472898B (zh) | 一种基于融合的配电网异常数据纠错方法及*** | |
| CN118157325B (zh) | 一种用于新能源电力的实时监测方法及*** | |
| CN116794581A (zh) | 保护测量回路误差评估方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |