CN116720622A - 一种电流互感器计量误差值预测方法 - Google Patents
一种电流互感器计量误差值预测方法 Download PDFInfo
- Publication number
- CN116720622A CN116720622A CN202310699195.2A CN202310699195A CN116720622A CN 116720622 A CN116720622 A CN 116720622A CN 202310699195 A CN202310699195 A CN 202310699195A CN 116720622 A CN116720622 A CN 116720622A
- Authority
- CN
- China
- Prior art keywords
- error
- temperature
- data
- component
- time
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 13
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims abstract description 7
- 238000003062 neural network model Methods 0.000 claims abstract description 4
- 230000000737 periodic effect Effects 0.000 claims description 27
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 230000007787 long-term memory Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005674 electromagnetic induction Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000001932 seasonal effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000004804 winding 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2474—Sequence data queries, e.g. querying versioned data
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Marketing (AREA)
- Artificial Intelligence (AREA)
- General Business, Economics & Management (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Fuzzy Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Databases & Information Systems (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明提供一种电流互感器计量误差值预测方法,包括以下步骤:将由互感器误差评估算法得到的误差评估值作为历史训练数据,并用STL法分解时间序列得到三个分量;采集各项影响因素数据,计算温度对趋势分量和周期分量的影响,得到剥离温度影响后的趋势分量、周期分量用于后续预测;采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量,其结果加上待测时间的预报温度附加误差作为趋势分量、周期分量预测结果;分别预测其他影响因素,并导入训练好的LSTM神经网络模型预测未来时段残差分量;组合分开预测的各误差分量,生成未来互感器误差预测结果。
Description
技术领域
本发明涉及电力计量在线监测技术领域,尤其涉及一种电流互感器计量误差值预测方法。
背景技术
作为电能计量装置的重要组成部分,互感器计量性能的准确可靠直接关系到电能贸易结算的公平公正。电流互感器(CT)是是依据电磁感应原理将一次侧大电流转换成二次侧小电流来测量的仪器,由闭合的铁心和绕组组成。
在CT的实际运行过程中,互感器误差受采集原理与恶劣环境等影响会在其工作寿命内出现测量偏差越限,因此不仅需要在其计量误差超差时能够进行准确快速的诊断,进一步的,需要对CT计量误差的劣化趋势做出及时的预测,以便相关运行维护***检修维护的工作,如果不能及时发现互感器状态劣化,将影响电网运行。
张竹在《电容式电压互感器计量误差状态评估和预测方法研究》中,在CVT计量误差状态评估的基础之上,选取表征CVT计量误差状态的Q统计量及其统计控制阀值作为预测对象,将CVT计量误差的状态预测映射为电网信息物理相关性的状态预测,消除电网波动对评估结果的影响。根据时间序列分析法建立基于Q-ARMA的CVT计量误差状态预测模型:研究了预测模型的建立方法,包括时间序列的平稳性处理,模型类型的识别,模型的定价原则以及模型的参数估计等。结果表明基于Q-ARMA的CVT计量误差状态预测模型能够预测出CVT在下一个采样时刻或者未来某个时间段内计量误差状态的变化趋势。
为避免二次信息***信息源的不准确,并减少电能计量的损失和保证测控保护装置的正常运行,如何预测CT误差未来变化趋势,以提前预警CT出现的风险,是一项技术难题。
发明内容
本发明的目的在于针对上述现有技术的不足,提供了一种电流互感器计量误差值预测方法,准确预测电流互感器未来误差。
为实现上述目的,本发明采用了如下技术方案:
本发明提供了一种电流互感器计量误差值预测方法,包括以下步骤:
S1、将由互感器误差评估算法得到的误差评估值作为历史训练数据,并用STL法分解时间序列得到三个分量;
S2、采集各项影响因素数据,计算温度对趋势分量和周期分量的影响,得到剥离温度影响后的趋势分量、周期分量用于后续预测;
S3、采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量,加上待测时间的预报温度对应的附加误差作为趋势分量、周期分量预测结果,将预测好的影响因素导入LSTM神经网络模型预测未来时段残差分量;
S4、组合分开预测的误差分量,生成未来互感器误差预测结果。
进一步,所述S1具体为:将由互感器误差估计算法得到的误差估计值作为历史训练数据,采集频率为1个/小时,数据量为N,形成预测数据序列,记作:YV;
采用STL法将与采集历史互感器误差序列数据对应的时间,互感器误差序列数据分解为三个分量,分别是趋势分量、周期分量和残差分量,即:
Yv=Tv+Sv+Rv (1)
其中,Tv、Sv、Rv分别为v时刻的趋势分量、周期分量、残差分量。
进一步,所述S2的具体步骤为:
S201、采集对应各项影响因素时间数据,每小时一次;
S202、记采集到的同时期历史训练数据温度时间序列为TEM,单位为℃、湿度时间序列为HUM,单位%rh,一次频率的时间序列为FRE,单位为Hz,负载的时间序列为LOA,单位VA,振动幅度时间序列为VIB,单位mm,磁场时间序列为MAG;
S203、将TEM运用最小二乘法进行拟合得到拟合曲线,yTEM(v)=a0+a1x+...+anxn,为拟合的n次项曲线;取n=3,作为温度对T的影响因素;
S204、将历史时间序列数据TEM中每日6时的数据点计算平均值记作TEM中每日12时的数据点计算平均值,记作/>以24h为周期,根据上午6时温度最低12时温度最高的,求得温度在周期影响下的拟合曲线STEM(v):
其中,v′为V在当日的时刻;
S205、分别计算趋势分量T、周期分量S剥离温度因素后的用于预测的趋势分量Tp、周期分量Sp,温度附加误差公式为:
其中,B为额定负荷;为一初设常数;ac为温度系数;Δt为测量点温度与20℃的差值;ωn为额定角频率;I1为原边电流;测量点温度简化为当日平均气温,得到当日温度附加误差Δf(T);
Tvp=Tv-(yTEM(v)×Δf(T)) (4)
Svp=Sv-(STEM(v)×Δf(T)) (5)
分别计算各时刻Tvp并组成序列数据Tp,分别计算Svp并组成序列数据Sp。
进一步,所述S3的具体步骤为:
S301、绘制时间序列Tp、Sp的自相关系数图和偏自相关系数图,通过两图的特征判断分别确定Tp、Sp选择的模型及模型参数;
S302、根据Tp、Sp符合的选型结果,和模型参数选择结果,将时间序列导入模型,得到预测模型M1、M2,并利用所述预测模型预测得到Tr、Sr、Trv、Srv;
S303、采用同样的arima模型算法预测待测时间段的频率FREr、湿度HUMr、负载LOAr、振动VIBr、磁场MAGr,对历史频率、湿度、负载、振动、磁场数据,和Rv导入LSTM长短期记忆神经网络中,通过训练得到残差分量预测模型M3,对于待测互感器未来时段,将预测到的频率FREr、HUMr、LOAr、VIBr、MAGr导入训练好的模型M3,得到Rrv和Rr。
进一步,所述S4的具体步骤为:
根据气象部门对待测日的天气预报,获得待测日每时刻的温度数据,与20℃的差值记作Δtp,并根据式(3)计算附加误差Δf(T)p,将剥离温度因素的趋势、周期预测结果加上待测当天温度影响的误差,再加上神经网络输出的残差预测结果,得到最后的预测结果,最终互感器在该时刻v预测的误差frv为:
frv=Trv+Srv+Δf(T)p+Rrv
计算各时刻frv,并组成互感器一段被预测时间的误差预测序列Fr。
本发明的有益效果为:准确预测未来时段电流互感器误差,及时发现将要超差的互感器,实现电流互感器风险预警;将误差评估算法得到的误差评估值作为本文的基本训练数据,根据电流互感器误差溯源结果,结合电流互感器结构特点,将误差序列分解,并分别进行修正后分别预测;
互感器误差序列数据的分解与组合;温度对趋势分量和周期分量的影响算法;剥离温度这个大影响因素影响后的趋势分量和周期分量预测,使趋势、周期预测专注于除温度意外的原因,提高准确度;考虑到各种因素对残差分量的影响。
附图说明
图1为本发明一种电流互感器计量误差值预测方法的流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,下面结合附图,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
一种电流互感器计量误差值预测方法,包括以下步骤:
S1、将由互感器误差评估算法得到的误差评估值作为历史训练数据,并用STL法分解时间序列得到三个分量;
S2、采集各项影响因素数据,计算温度对趋势分量和周期分量的影响,得到剥离温度影响后的趋势分量、周期分量用于后续预测;
S3、采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量,加上待测时间的预报温度对应的附加误差作为趋势分量、周期分量预测结果,将预测好的影响因素导入LSTM神经网络模型预测未来时段残差分量;
S4、组合分开预测的误差分量,生成未来互感器误差预测结果。
所述S1具体为:将由互感器误差估计算法得到的误差估计值作为历史训练数据,采集频率为1个/小时,数据量为N,形成预测数据序列,记作:YV;
采用STL法将与采集历史互感器误差序列数据对应的时间,互感器误差序列数据分解为三个分量,分别是趋势分量、周期分量和残差分量,即:
Yv=Tv+Sv+Rv (1)
其中,Tv、Sv、Rv分别为v时刻的趋势分量、周期分量、残差分量。
STL法具体实施过程为:
假定TV(k)、SV(k)为内循环中第k-1次结束时的趋势分量、周期分量、初始时TV(k)=0。
去趋势:减去上一轮结果的趋势分量Yv′=Yv-Tv(k);
周期子序列平滑:用LOESS(q=nn(s),d=1)对每个子序列做回归(LOESS指局部加权回归,n(s)为LOESS平滑参数,q为数据子集获取范围,d为局部回归中的阶数),并向前向后各延展一个周期;平滑结果组成临时周期时间序列,记为Cv(k+1),v=-n(p)+1,...,-N+n(p);
周期子序列的低通量过滤:对上一个步骤的结果序列Cv(k+1)依次做长度n(p)n(p)、3的滑动平均(n(p)为一个周期的样本数,该处值24),然后做LOESS(q=nn(1),d=1)回归(n(s)为LOESS平滑参数),得到结果序列
去除平滑周期子序列趋势:
去周期:减去周期分量,
趋势平滑:对于去除周期之后的序列做LOESS(q=nn(t),d=1)回归,得到趋势分量
通过上述步骤获得互感器误差时间序列分解后的趋势分量时间序列、周期分量时间序列、残差分量时间序列,记作T、S、R,其中S周期为24。
所述S2的具体步骤为:
S201、采集对应各项影响因素时间数据,每小时一次;
在一种具体的实施方式中,包括存在季节趋势变化和日周期变化的环境温度、环境湿度,和一些随机性高的误差影响因素一次频率、二次负载、机身振动、环境磁场。
S202、记采集到的同时期历史训练数据温度时间序列为TEM,单位为℃、湿度时间序列为HUM,单位%rh,一次频率的时间序列为FRE,单位为Hz,负载的时间序列为LOA,单位VA,振动幅度时间序列为VIB,单位mm,磁场时间序列为MAG;
S203、将TEM运用最小二乘法进行拟合得到拟合曲线,yTEM(v)=a0+a1x+...+anxn,为拟合的n次项曲线;取n=3,作为温度对T的影响因素;
S204、将历史时间序列数据TEM中每日6时的数据点计算平均值记作TEM中每日12时的数据点计算平均值,记作/>以24h为周期,根据上午6时温度最低12时温度最高的,求得温度在周期影响下的拟合曲线STEM(v):
其中,v′为V在当日的时刻;
S205、分别计算趋势分量T、周期分量S剥离温度因素后的用于预测的趋势分量Tp、周期分量Sp,温度附加误差公式为:
其中,B为额定负荷;为一初设常数;ac为温度系数;Δt为测量点温度与20℃的差值;ωn为额定角频率;I1为原边电流;测量点温度简化为当日平均气温,得到当日温度附加误差Δf(T);
Tvp=Tv-(yTEM(v)×Δf(T)) (4)
Svp=Sv-(STEM(v)×Δf(T)) (5)
分别计算各时刻Tvp并组成序列数据Tp,分别计算Svp并组成序列数据Sp。
所述S3的具体步骤为:
S301、绘制时间序列Tp、Sp的自相关系数图和偏自相关系数图,通过两图的特征判断分别确定Tp、Sp选择的模型及模型参数;
在一种具体的实施方式中,由图中观察,偏自相关系数在p阶之后应为零,称其具有截尾性,自相关系数不能在某一步之后为零(截尾)而是按指数衰减(或成正弦波形式),称其具有拖尾性
S302、根据Tp、Sp符合的选型结果,和模型参数选择结果,将时间序列导入模型,得到预测模型M1、M2,并利用所述预测模型预测得到Tr、Sr、Trv、Srv;
S303、采用同样的arima模型算法预测待测时间段的频率FREr、湿度HUMr、负载LOAr、振动VIBr、磁场MAGr,对历史频率、湿度、负载、振动、磁场数据,和Rv导入LSTM长短期记忆神经网络中,通过训练得到残差分量预测模型M3,对于待测互感器未来时段,将预测到的频率FREr、HUMr、LOAr、VIBr、MAGr导入训练好的模型M3,得到Rrv和Rr。
所述S4的具体步骤为:
根据气象部门对待测日的天气预报,获得待测日每时刻的温度数据,与20℃的差值记作Δtp,并根据式(3)计算附加误差Δf(T)p,将剥离温度因素的趋势、周期预测结果加上待测当天温度影响的误差,再加上神经网络输出的残差预测结果,得到最后的预测结果,最终互感器在该时刻v预测的误差frv为:
frv=Trv+Srv+Δf(T)p+Rrv
计算各时刻frv,并组成互感器一段被预测时间的误差预测序列Fr。
准确预测未来时段电流互感器误差,及时发现将要超差的互感器,实现电流互感器风险预警。
以上所述实施例仅表达了本发明的实施方式,其描述较为具体和详细,但并不能因此而理解为对本发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。因此,本发明专利的保护范围应以所附权利要求。
Claims (5)
1.一种电流互感器计量误差值预测方法,其特征在于,包括以下步骤:
S1、将由互感器误差评估算法得到的误差评估值作为历史训练数据,并用STL法分解时间序列得到三个分量;
S2、采集各项影响因素数据,计算温度对趋势分量和周期分量的影响,得到剥离温度影响后的趋势分量、周期分量用于后续预测;
S3、采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量,加上待测时间的预报温度对应的附加误差作为趋势分量、周期分量预测结果,将预测好的影响因素导入LSTM神经网络模型预测未来时段残差分量;
S4、组合分开预测的误差分量,生成未来互感器误差预测结果。
2.根据权利要求1所述的一种电流互感器计量误差值预测方法,其特征在于,所述S1具体为:将由互感器误差估计算法得到的误差估计值作为历史训练数据,采集频率为1个/小时,数据量为N,形成预测数据序列,记作:YV;
采用STL法将与采集历史互感器误差序列数据对应的时间,互感器误差序列数据分解为三个分量,分别是趋势分量、周期分量和残差分量,即:
Yv=Tv+Sv+Rv (1)
其中,Tv、Sv、Rv分别为v时刻的趋势分量、周期分量、残差分量。
3.根据权利要求2所述的一种电流互感器计量误差值预测方法,其特征在于,所述S2的具体步骤为:
S201、采集对应各项影响因素时间数据,每小时一次;
S202、记采集到的同时期历史训练数据温度时间序列为TEM,单位为℃、湿度时间序列为HUM,单位%rh,一次频率的时间序列为FRE,单位为Hz,负载的时间序列为LOA,单位VA,振动幅度时间序列为VIB,单位mm,磁场时间序列为MAG;
S203、将TEM运用最小二乘法进行拟合得到拟合曲线,yTEM(v)=a0+a1x+...+anxn,为拟合的n次项曲线;取n=3,作为温度对T的影响因素;
S204、将历史时间序列数据TEM中每日6时的数据点计算平均值记作TEM中每日12时的数据点计算平均值,记作/>以24h为周期,根据上午6时温度最低12时温度最高的,求得温度在周期影响下的拟合曲线STEM(v):
其中,v′为V在当日的时刻;
S205、分别计算趋势分量T、周期分量S剥离温度因素后的用于预测的趋势分量Tp、周期分量Sp,温度附加误差公式为:
其中,B为额定负荷;为一初设常数;ac为温度系数;Δt为测量点温度与20℃的差值;ωn为额定角频率;I1为原边电流;测量点温度简化为当日平均气温,得到当日温度附加误差Δf(T);
Tvp=Tv-(yTEM(v)×Δf(T)) (4)
Svp=Sv-(STEM(v)×Δf(T)) (5)
分别计算各时刻Tvp并组成序列数据Tp,分别计算Svp并组成序列数据Sp。
4.根据权利要求3所述的一种电流互感器计量误差值预测方法,其特征在于,所述S3的具体步骤为:
S301、绘制时间序列Tp、Sp的自相关系数图和偏自相关系数图,通过两图的特征判断分别确定Tp、Sp选择的模型及模型参数;
S302、根据Tp、Sp符合的选型结果,和模型参数选择结果,将时间序列导入模型,得到预测模型M1、M2,并利用所述预测模型预测得到Tr、Sr、Trv、Srv;
S303、采用arima模型算法预测待测时间段的频率FREr、湿度HUMr、负载LOAr、振动VIBr、磁场MAGr,首先对历史频率、湿度、负载、振动、磁场数据作为模型输入,和历史Rv作为输出,导入LSTM长短期记忆神经网络中,通过训练得到残差分量预测模型M3,对于待测互感器未来时段,将预测到的频率FREr、HUMr、LOAr、VIBr、MAGr导入训练好的模型M3,得到Rrv和Rr。
5.根据权利要求4所述的一种电流互感器计量误差值预测方法,其特征在于,所述S4的具体步骤为:
根据气象部门对待测日的天气预报,获得待测日每时刻的温度数据,与20℃的差值记作Δtp,并根据式(3)计算附加误差Δf(T)p,将剥离温度因素的趋势、周期预测结果加上待测当天温度影响的误差,再加上神经网络输出的残差预测结果,得到最后的预测结果,最终互感器在该时刻v预测的误差frv为:
frv=Trv+Srv+Δf(T)p+Rrv
计算各时刻frv,并组成互感器一段被预测时间的误差预测序列Fr。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699195.2A CN116720622B (zh) | 2023-06-14 | 2023-06-14 | 一种电流互感器计量误差值预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310699195.2A CN116720622B (zh) | 2023-06-14 | 2023-06-14 | 一种电流互感器计量误差值预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116720622A true CN116720622A (zh) | 2023-09-08 |
CN116720622B CN116720622B (zh) | 2024-07-09 |
Family
ID=87869311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310699195.2A Active CN116720622B (zh) | 2023-06-14 | 2023-06-14 | 一种电流互感器计量误差值预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116720622B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233687A (zh) * | 2023-11-13 | 2023-12-15 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
CN117972537A (zh) * | 2024-04-02 | 2024-05-03 | 国网山东省电力公司营销服务中心(计量中心) | 基于广域量测的电压互感器计量状态评估方法及*** |
CN118068253A (zh) * | 2024-04-18 | 2024-05-24 | 山东德源电力科技股份有限公司 | 一种高精度计量互感器误差测量方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5559431A (en) * | 1993-10-08 | 1996-09-24 | Micro-Epsilon Messtechnik Gmbh & Co. Kg | Method of calibrating a sensor |
CN111537938A (zh) * | 2020-03-31 | 2020-08-14 | 国网江西省电力有限公司电力科学研究院 | 基于智能算法的电子式互感器误差短时预测方法 |
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 |
CN115438576A (zh) * | 2022-08-18 | 2022-12-06 | 三峡大学 | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 |
CN115616470A (zh) * | 2022-12-20 | 2023-01-17 | 国网福建省电力有限公司 | 电流互感器计量误差状态预测方法、***、设备及介质 |
CN116049629A (zh) * | 2023-03-29 | 2023-05-02 | 国网福建省电力有限公司 | 一种电压互感器误差状态预测方法、***、设备和介质 |
-
2023
- 2023-06-14 CN CN202310699195.2A patent/CN116720622B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5559431A (en) * | 1993-10-08 | 1996-09-24 | Micro-Epsilon Messtechnik Gmbh & Co. Kg | Method of calibrating a sensor |
CN111537938A (zh) * | 2020-03-31 | 2020-08-14 | 国网江西省电力有限公司电力科学研究院 | 基于智能算法的电子式互感器误差短时预测方法 |
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 |
CN115438576A (zh) * | 2022-08-18 | 2022-12-06 | 三峡大学 | 基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法 |
CN115616470A (zh) * | 2022-12-20 | 2023-01-17 | 国网福建省电力有限公司 | 电流互感器计量误差状态预测方法、***、设备及介质 |
CN116049629A (zh) * | 2023-03-29 | 2023-05-02 | 国网福建省电力有限公司 | 一种电压互感器误差状态预测方法、***、设备和介质 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233687A (zh) * | 2023-11-13 | 2023-12-15 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN117233687B (zh) * | 2023-11-13 | 2024-02-06 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
CN117434486B (zh) * | 2023-12-20 | 2024-03-08 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
CN117972537A (zh) * | 2024-04-02 | 2024-05-03 | 国网山东省电力公司营销服务中心(计量中心) | 基于广域量测的电压互感器计量状态评估方法及*** |
CN118068253A (zh) * | 2024-04-18 | 2024-05-24 | 山东德源电力科技股份有限公司 | 一种高精度计量互感器误差测量方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116720622B (zh) | 2024-07-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116720622B (zh) | 一种电流互感器计量误差值预测方法 | |
CN106533750B (zh) | 一种云环境下非平稳型应用用户并发量的预测***及方法 | |
CN113312413B (zh) | 基于电力大数据的企业碳排放异常监测方法 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
JP2009294969A (ja) | 需要予測方法および需要予測装置 | |
Liu et al. | Real-time corporate carbon footprint estimation methodology based on appliance identification | |
Lv et al. | Short-term wind speed forecasting based on non-stationary time series analysis and ARCH model | |
CN109284933B (zh) | 一种基于数理统计的电子式互感器状态评估***及方法 | |
CN116306798A (zh) | 一种超短时风速预测方法及*** | |
CN102422235B (zh) | 确定等效机械负荷 | |
CN116933044A (zh) | 一种供电数据智能处理方法及*** | |
CN113361737A (zh) | 一种光伏组件的异常预警方法及*** | |
CN111178393A (zh) | 一种基于智能电表的用电器用电量分类计量方法及装置 | |
CN115408864A (zh) | 电子式互感器误差状态自适应预测方法、***及设备 | |
CN117878927B (zh) | 基于时序分析的电力***负荷趋势分析方法 | |
CN115508770A (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及*** | |
JP2016086521A (ja) | 消費電力予測方法および装置 | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断***及方法 | |
CN117094705A (zh) | 一种应用于高压开关柜缺陷预测的方法、***及设备 | |
CN115455684A (zh) | 一种基于噪声分析的油浸式变压器非接触式状态评估方法和*** | |
CN112580875B (zh) | 一种配电装置的故障预测方法及*** | |
CN115062533A (zh) | 多元回归预测模型的构建、预测方法及介质 | |
Zhang et al. | Optimal data selection rule mining for transformer condition assessment |
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 |