CN116840764A - 一种电容式电压互感器综合误差状态评估方法及*** - Google Patents
一种电容式电压互感器综合误差状态评估方法及*** Download PDFInfo
- Publication number
- CN116840764A CN116840764A CN202311062076.2A CN202311062076A CN116840764A CN 116840764 A CN116840764 A CN 116840764A CN 202311062076 A CN202311062076 A CN 202311062076A CN 116840764 A CN116840764 A CN 116840764A
- Authority
- CN
- China
- Prior art keywords
- cvt
- day
- characteristic
- comprehensive
- 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 53
- 238000003062 neural network model Methods 0.000 claims abstract description 36
- 238000011156 evaluation Methods 0.000 claims abstract description 34
- 238000001228 spectrum Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 21
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 15
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 18
- 230000003044 adaptive effect Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 14
- 238000003860 storage Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 3
- 238000003786 synthesis reaction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 11
- 230000006870 function Effects 0.000 description 10
- 238000013210 evaluation model Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000012634 fragment Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
- 238000005728 strengthening 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Power Engineering (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力计量在线监测技术领域，提供了一种电容式电压互感器综合误差状态评估方法及***。该方法包括，获取CVT的在线波形信号，并进行切片处理和信号处理，得到时频谱特征；基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征；在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征；基于CVT单日综合特征，采用全连接层，得到第一中间特征；基于CVT历史单日综合特征，采用双向长短期记忆网络，得到输出结果，再经过全连接层，得到第二中间特征；将第一中间特征和第二中间特征进行融合，得到融合特征；基于融合特征，得到评估结果，根据评估结果，优化自适应神经网络模型的参数。
Description
技术领域
本发明涉及电力计量在线监测技术领域，尤其涉及一种电容式电压互感器综合误差状态评估方法及***。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
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。CVT是由串联电容器分压，再经电磁式互感器降压和隔离，作为用来变换电压的仪器，电容式电压互感器还可以将载波频率耦合到输电线用于长途通信、选择性的线路高频保护、遥控等功能上。和常规的电磁式电压互感器相比，电容式电压互感器器除了具有冲击绝缘强度高、制造简单、体积小、重量轻等优点外，在经济和安全上还有很多优越之处。
而在CVT实际运行过程中，CVT误差受到采集原理与工作环境等因素的影响而导致CVT在长期工作的过程中会出现不同程度的损耗。由于高压输电线路停电困难，CVT的离线检测无法经常性的进行，无法及时判断CVT是否处于正常的运行状态，影响电能的公平贸易结算，存在故障隐患。
现有的技术有采用某个场景的CVT离线数据训练神经网络模型，训练好神经网络模型后，直接用来对CVT在线数据，进行综合误差状态评估。但每个CVT使用场景不同，所以训练好的神经网络模型，并不能全部适应CVT的所有场景，评估结果存在较大的误差。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种电容式电压互感器综合误差状态评估方法及***，通过采用多场景的CVT离线数据对神经网络模型进行自适应调整，从而提高模型对各种场景下CVT数据预测精度。
为了实现上述目的，本发明采用如下技术方案：
本发明的第一个方面提供一种电容式电压互感器综合误差状态评估方法。
一种电容式电压互感器综合误差状态评估方法，包括：
获取CVT的每日实时采集波形信号、温度信息和湿度信息，采用已训练的自适应神经网络模型，得到电容式电压互感器综合误差状态评估结果；
所述自适应神经网络模型的训练过程包括：获取CVT的每日实时采集波形信号，并进行切片处理和信号处理，得到时频谱特征；基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征；在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征；基于CVT单日综合特征，采用全连接层，得到第一中间特征；基于CVT历史单日综合特征，采用双向长短期记忆网络，得到输出结果，再经过全连接层，得到第二中间特征；将第一中间特征和第二中间特征进行融合，得到融合特征；基于融合特征，得到评估结果，根据评估结果，优化自适应神经网络模型的参数。
进一步地，所述切片处理包括：设置切片长度，且相邻的两个切片之间存在设定时间长度的重复提取长度，对CVT的每日实时采集波形信号进行切片。
进一步地，所述基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征的过程包括：基于时频谱特征，采用若干个卷积神经网络，得到若干个特征；将若干个特征纵向叠加，得到CVT单日特征。
进一步地，所述在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征的过程包括：基于每日的温度曲线和湿度曲线，计算某时间段的温度均值和湿度均值；基于某时间段与CVT单日特征中时间的对应关系，将温度均值和湿度均值加入CVT单日特征中，构建CVT单日综合特征。
进一步地，所述将第一中间特征和第二中间特征进行融合，得到融合特征的过程采用以下公式：
oi＝wi1li+wi2ri
其中，oi表示融合特征O的第i维分量，li表示计算日综合特征L的第i维分量，ri表示基于历史运行状态的计算日特征R的第i维分量，wi1,wi2分别表示计算日综合特征第i维分量li的权重和基于历史运行状态的计算日特征第i维分量ri的权重。
进一步地，根据时频谱特征和时频谱特征所对应的状态类别，构建数据集合；将数据集合划分为训练集和测试集；采用训练集训练自适应神经网络模型。
更进一步地，所述根据评估结果，优化自适应神经网络模型的参数的过程包括，判断评估结果是否与状态类别相同，若不相同，则优化自适应神经网络模型的参数，若相同，继续下一轮迭代训练，直到迭代设置的迭代次数，得到已训练的自适应神经网络模型。
本发明的第二个方面提供一种电容式电压互感器综合误差状态评估***。
一种电容式电压互感器综合误差状态评估***，包括：
在线评估模块，其被配置为：获取CVT的每日实时采集波形信号、温度信息和湿度信息，采用已训练的自适应神经网络模型，得到电容式电压互感器综合误差状态评估结果；
自适应神经网络模型训练模块，其被配置为：获取CVT的每日实时采集波形信号，并进行切片处理和信号处理，得到时频谱特征；基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征；在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征；基于CVT单日综合特征，采用全连接层，得到第一中间特征；基于CVT历史单日综合特征，采用双向长短期记忆网络，得到输出结果，再经过全连接层，得到第二中间特征；将第一中间特征和第二中间特征进行融合，得到融合特征；基于融合特征，得到评估结果，根据评估结果，优化自适应神经网络模型的参数。
本发明的第三个方面提供一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一个方面所述的电容式电压互感器综合误差状态评估方法中的步骤。
本发明的第四个方面提供一种计算机设备。
一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述第一个方面所述的电容式电压互感器综合误差状态评估方法中的步骤。
与现有技术相比，本发明的有益效果是：
本发明通过采用多场景的CVT离线波形信号对神经网络模型进行自适应调整，得到的自适应调整后的自适应神经网络模型，用于CVT在线波形信号的实时预测，从而提高模型对各种场景下CVT在线波形的预测精度，及时判断CVT是否处于正常的运行状态，避免故障隐患。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明示出的电容式电压互感器综合误差状态评估方法的流程图；
图2是本发明示出的深度学习的特征提取模型的结构图；
图3是本发明示出的对CVT进行自适应调整的流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
需要注意的是，附图中的流程图和框图示出了根据本公开的各种实施例的方法和***的可能实现的体系架构、功能和操作。应当注意，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，所述模块、程序段、或代码的一部分可以包括一个或多个用于实现各个实施例中所规定的逻辑功能的可执行指令。也应当注意，在有些作为备选的实现中，方框中所标注的功能也可以按照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，或者它们有时也可以按照相反的顺序执行，这取决于所涉及的功能。同样应当注意的是，流程图和/或框图中的每个方框、以及流程图和/或框图中的方框的组合，可以使用执行规定的功能或操作的专用的基于硬件的***来实现，或者可以使用专用硬件与计算机指令的组合来实现。
实施例一
如图1所示，本实施例提供了一种电容式电压互感器综合误差状态评估方法，本实施例以该方法应用于服务器进行举例说明，可以理解的是，该方法也可以应用于终端，还可以应用于包括终端和服务器和***，并通过终端和服务器的交互实现。服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务器、云通信、中间件服务、域名服务、安全服务CDN、以及大数据和人工智能平台等基础云计算服务的云服务器。终端可以是智能手机、平板电脑、笔记本电脑、台式计算机、智能音箱、智能手表等，但并不局限于此。终端以及服务器可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。本实施例中，该方法包括以下步骤：
获取CVT的每日实时采集波形信号、温度信息和湿度信息，采用已训练的自适应神经网络模型，得到电容式电压互感器综合误差状态评估结果；
所述自适应神经网络模型的训练过程包括：获取CVT的每日实时采集波形信号，并进行切片处理和信号处理，得到时频谱特征；基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征；在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征；基于CVT单日综合特征，采用全连接层，得到第一中间特征；基于CVT历史单日综合特征，采用双向长短期记忆网络，得到输出结果，再经过全连接层，得到第二中间特征；将第一中间特征和第二中间特征进行融合，得到融合特征；基于融合特征，得到评估结果，根据评估结果，优化自适应神经网络模型的参数。
Step1：数据集的采集及预处理。
从CVT互感器的监测装置中采集每日CVT的波形信号，并根据CVT在线监测平台的结果获得对应的每日CVT状态。对单日的CVT波形信号进行切片，切片规则如下，设置切片长度为T(s)，且相邻的两个切片之间存在Δt的重复提取长度产生N段波形信号片段。通过相应信号处理操作得到各段波形信号对应的时频谱S＝{s1,s2,…,sN}。按照如下方式设置数据集D＝{X,Y}，任一样本d(x,y),(d∈D,x∈X,y∈Y)表示为任一日期内的数据，其特征由单日时频谱表示，即X＝S。其分类状态Y由互感器在线检测***中显示的单日状态表示。对应类别分为(正常，异常，告警)。将构造数据集合进行归一化处理并以7：3的比例分为训练集Dtraining和测试集Dtest。
当监测装置采集的时间较短，导致数据量不足时，切片之间存在重复提取的数据，可以产生更多的片段，使得训练更充分。波形信号数据中存储着时间维度的信息。无重复区段的切片在经过信号处理的各项操作后，会弱化切片之间的时间先后顺序上的对应关系，即弱化时间维度信息。为了能够保留相关信息，因此对波形数据进行重复区段切片处理。
Step2：构建深度学习的特征提取模型，所构建的深度学习的特征提取模型如图2所示。
Step2.1：将样本数据d的特征时频谱{s1,s2,…,sN}分别输入对应的N个卷积神经网络(CNN)模块。在每个CNN模块中，时频谱s通过多层卷积池化处理后，将深层特征由全连接层展开得到k维特征q,dim＝[1×k]。将N个模块中提取的特征{q1,q2,…,qN}纵向叠加得到CVT单日特征f,dim＝[N×k]。
Step2.2：添加温度信息和湿度信息。根据每日的温度和湿度曲线，得到时间段为TD的温湿度均值。将TD和T的对应关系向CVT的单日特征添加温度和湿度信息。则新的单日特征f′为
其中，表示为第i个切片处理后输入的对应CNN模块的维度特征，表示为提取第i个切片对应时间段的温度的均值，/>表示为提取第i个切片对应时间段的湿度的均值。
Step3：构建深度学习的分类模型，所构建的深度学习的特征分类模型。
Step3.1：提取D日的CVT特征，F＝{f1′,f2′,…,fD′}，将其输入到双层Bi-LSTM模型中，进行分类训练。
Step3.2：通过重复Step2和Step3.1的步骤，输入集合DTrain中的各个样本的特征数据x和标签数据y用于模型训练，以获得合适的网络模型。
Step3.3：将测试集DTest中的样本输入训练好的网络模型中，得到对应样本的预测标签ypredict，将ypredict与实际标签ytest比较，得出该方案的精确度。
Step4：对CVT进行自适应调整。
由于每个CVT使用场景不同，为了精确评估每个CVT的综合误差状态，对模型进行自适应调整，其流程如图3所示。
Step4.1：基于现有模型，根据待测CVT的历史数据对于待测CVT的综合误差评估模型进行自适应调整，基于之前的模型及参数，对于待测CVT的综合误差评估模型进行以下调整，将计算日综合特征通过Dense层得到计算日综合特征L＝{l1,l2,…,lk}，用以强化计算日的运行过程的影响，并将Bi-LSTM输出的Dense层连接一个Dense层得到基于历史运行状态的计算日特征R＝{r1,r2,…,rk}，用以强化该阶段历史数据对于计算日的影响。将两个强影响分量融合得到O，其具体方法为：
oi＝wi1li+wi2ri
其中，wi1表示计算日综合特征第i维分量的权重，wi2表示基于历史运行状态的计算日特征第i维分量的权重
即O＝{o1,o2,…,ok}＝{w11l1+w12r1,w21l2+w22r2,…,wk1lk+wk2rk}。
其中，oi表示融合特征O的第i维分量，li表示计算日综合特征L的第i维分量，ri表示基于历史运行状态的计算日特征R的第i维分量，wi1,wi2分别表示计算日综合特征第i维分量li的权重和基于历史运行状态的计算日特征第i维分量ri的权重。
最终经过softmax函数得到评估结果。
本发明设计的自适应调整通过计算日的采集数据测试待测CVT存在一定的突变性，为了降低二次回路突然变化等原因产生的影响，加入基于待测CVT的历史运行状态的一般性结果。对待测CVT的运行状态进行综合性的判断。通过从时间的维度去获取待测CVT的运行状态在运行过程中的变化情况。相较于只针对待测日期分析待测CVT的运行状态，基于历史的分析结果更能反应待测CVT的一般性弱化实时数据中因为某些工况变化的原因导致数据突变的影响。
Step4.2：依据Step4.1的流程，使用待测CVT的历史数据，依照预先构造的整体CVT评估模型及参数，对待测CVT的评估模型进行训练调整以得到具有最高精确度的模型。
Step5：采用深度神经网络模型对CVT进行在线综合误差评估分类。
采集待测日期对应CVT在线监测***中波形信号、温度和湿度信息，经过数据预处理后，输入自适应神经网络模型中，输出本日CVT在线综合误差评估的分类结果。
实施例二
本实施例提供了一种电容式电压互感器综合误差状态评估***。
一种电容式电压互感器综合误差状态评估***，包括：
在线评估模块，其被配置为：获取CVT的每日实时采集波形信号、温度信息和湿度信息，采用已训练的自适应神经网络模型，得到电容式电压互感器综合误差状态评估结果；
自适应神经网络模型训练模块，其被配置为：获取CVT的每日实时采集波形信号，并进行切片处理和信号处理，得到时频谱特征；基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征；在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征；基于CVT单日综合特征，采用全连接层，得到第一中间特征；基于CVT历史单日综合特征，采用双向长短期记忆网络，得到输出结果，再经过全连接层，得到第二中间特征；将第一中间特征和第二中间特征进行融合，得到融合特征；基于融合特征，得到评估结果，根据评估结果，优化自适应神经网络模型的参数。
此处需要说明的是，上述在线评估模块和自适应神经网络模型训练模块与实施例一中的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为***的一部分可以在诸如一组计算机可执行指令的计算机***中执行。
实施例三
本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述实施例一所述的电容式电压互感器综合误差状态评估方法中的步骤。
实施例四
本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述实施例一所述的电容式电压互感器综合误差状态评估方法中的步骤。
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，本发明可采用硬件实施例、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和光学存储器等)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。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(RandomAccessMemory，RAM)等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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)
1.一种电容式电压互感器综合误差状态评估方法，其特征在于，包括：
获取CVT的每日实时采集波形信号、温度信息和湿度信息，采用已训练的自适应神经网络模型，得到电容式电压互感器综合误差状态评估结果；
所述自适应神经网络模型的训练过程包括：获取CVT的每日实时采集波形信号，并进行切片处理和信号处理，得到时频谱特征；基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征；在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征；基于CVT单日综合特征，采用全连接层，得到第一中间特征；基于CVT历史单日综合特征，采用双向长短期记忆网络，得到输出结果，再经过全连接层，得到第二中间特征；将第一中间特征和第二中间特征进行融合，得到融合特征；基于融合特征，得到评估结果，根据评估结果，优化自适应神经网络模型的参数。
2.根据权利要求1所述的电容式电压互感器综合误差状态评估方法，其特征在于，所述切片处理包括：设置切片长度，且相邻的两个切片之间存在设定时间长度的重复提取长度，对CVT的每日实时采集波形信号进行切片。
3.根据权利要求1所述的电容式电压互感器综合误差状态评估方法，其特征在于，所述基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征的过程包括：基于时频谱特征，采用若干个卷积神经网络，得到若干个特征；将若干个特征纵向叠加，得到CVT单日特征。
4.根据权利要求1所述的电容式电压互感器综合误差状态评估方法，其特征在于，所述在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征的过程包括：基于每日的温度曲线和湿度曲线，计算某时间段的温度均值和湿度均值；基于某时间段与CVT单日特征中时间的对应关系，将温度均值和湿度均值加入CVT单日特征中，构建CVT单日综合特征。
5.根据权利要求1所述的电容式电压互感器综合误差状态评估方法，其特征在于，所述将第一中间特征和第二中间特征进行融合，得到融合特征的过程采用以下公式：
oi＝wi1li+wi2ri
其中，oi表示融合特征O的第i维分量，ii表示计算日综合特征L的第i维分量，ri表示基于历史运行状态的计算日特征R的第i维分量，wi1,wi2分别表示计算日综合特征第i维分量li的权重和基于历史运行状态的计算日特征第i维分量ri的权重。
6.根据权利要求1所述的电容式电压互感器综合误差状态评估方法，其特征在于，根据时频谱特征和时频谱特征所对应的状态类别，构建数据集合；将数据集合划分为训练集和测试集；采用训练集训练自适应神经网络模型。
7.根据权利要求6所述的电容式电压互感器综合误差状态评估方法，其特征在于，所述根据评估结果，优化自适应神经网络模型的参数的过程包括，判断评估结果是否与状态类别相同，若不相同，则优化自适应神经网络模型的参数，若相同，继续下一轮迭代训练，直到迭代设置的迭代次数，得到已训练的自适应神经网络模型。
8.一种电容式电压互感器综合误差状态评估***，其特征在于，包括：
在线评估模块，其被配置为：获取CVT的每日实时采集波形信号、温度信息和湿度信息，采用已训练的自适应神经网络模型，得到电容式电压互感器综合误差状态评估结果；
自适应神经网络模型训练模块，其被配置为：获取CVT的每日实时采集波形信号，并进行切片处理和信号处理，得到时频谱特征；基于时频谱特征，采用若干个卷积神经网络，提取CVT单日特征；在CVT单日特征中按照时间对应关系，加入温度信息和湿度信息，构建CVT单日综合特征；基于CVT单日综合特征，采用全连接层，得到第一中间特征；基于CVT历史单日综合特征，采用双向长短期记忆网络，得到输出结果，再经过全连接层，得到第二中间特征；将第一中间特征和第二中间特征进行融合，得到融合特征；基于融合特征，得到评估结果，根据评估结果，优化自适应神经网络模型的参数。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的电容式电压互感器综合误差状态评估方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的电容式电压互感器综合误差状态评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311062076.2A CN116840764A (zh) | 2023-08-22 | 2023-08-22 | 一种电容式电压互感器综合误差状态评估方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311062076.2A CN116840764A (zh) | 2023-08-22 | 2023-08-22 | 一种电容式电压互感器综合误差状态评估方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116840764A true CN116840764A (zh) | 2023-10-03 |
Family
ID=88160176
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311062076.2A Pending CN116840764A (zh) | 2023-08-22 | 2023-08-22 | 一种电容式电压互感器综合误差状态评估方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116840764A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849691A (zh) * | 2024-03-08 | 2024-04-09 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警***和方法 |
| CN117992741A (zh) * | 2024-04-07 | 2024-05-07 | 国网山东省电力公司营销服务中心(计量中心) | 基于广域相量测量数据的cvt误差状态评估方法及*** |
-
2023
- 2023-08-22 CN CN202311062076.2A patent/CN116840764A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117849691A (zh) * | 2024-03-08 | 2024-04-09 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警***和方法 |
| CN117849691B (zh) * | 2024-03-08 | 2024-05-14 | 国网江西省电力有限公司电力科学研究院 | 一种电容式电压互感器多维协同运行监测预警***和方法 |
| CN117992741A (zh) * | 2024-04-07 | 2024-05-07 | 国网山东省电力公司营销服务中心(计量中心) | 基于广域相量测量数据的cvt误差状态评估方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116840764A (zh) | 一种电容式电压互感器综合误差状态评估方法及*** | |
| CN112101480B (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN111222549B (zh) | 一种基于深度神经网络的无人机故障预测方法 | |
| Khelif et al. | RUL prediction based on a new similarity-instance based approach | |
| CN116757534B (zh) | 一种基于神经训练网络的智能冰箱可靠性分析方法 | |
| CN108445752B (zh) | 一种自适应选择深度特征的随机权神经网络集成建模方法 | |
| CN111539515A (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
| CN113887846B (zh) | 一种电容式电压互感器的超差风险预警方法 | |
| CN110222371A (zh) | 基于贝叶斯和神经网络的发动机剩余寿命在线预测方法 | |
| CN112668105B (zh) | 一种基于sae与马氏距离的直升机传动轴异常判定方法 | |
| Edwards et al. | Impact of input uncertainty on failure prognostic algorithms: Extending the remaining useful life of nonlinear systems | |
| CN114169631B (zh) | 一种基于数据分析的油田电力负荷管控*** | |
| CN106682159A (zh) | 一种阈值配置方法 | |
| CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
| CN107295537A (zh) | 一种测评无线传感器网络可靠性的方法及*** | |
| CN116610998A (zh) | 一种基于多模态数据融合的开关柜故障诊断方法和*** | |
| CN116683648A (zh) | 一种智能型配电柜及其控制*** | |
| Ismail et al. | Adaptive neural network prediction model for energy consumption | |
| Yao et al. | RUL prediction method for rolling bearing using convolutional denoising autoencoder and bidirectional LSTM | |
| CN114444811A (zh) | 一种基于注意力机制的铝电解混频数据过热度预测方法 | |
| CN117875778A (zh) | 基于融合模型的微波组件质量管控方法、设备及存储介质 | |
| CN112560252A (zh) | 一种航空发动机剩余寿命预测方法 | |
| CN113222414B (zh) | 模型稳定性的评估方法、装置、电子设备和存储介质 | |
| CN115754875A (zh) | 一种电压互感器误差评估方法及装置 | |
| CN114760194A (zh) | 一种物联网设备的故障研判方法 |
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 |