CN117992741A - 基于广域相量测量数据的cvt误差状态评估方法及*** - Google Patents
基于广域相量测量数据的cvt误差状态评估方法及*** Download PDFInfo
- Publication number
- CN117992741A CN117992741A CN202410404286.3A CN202410404286A CN117992741A CN 117992741 A CN117992741 A CN 117992741A CN 202410404286 A CN202410404286 A CN 202410404286A CN 117992741 A CN117992741 A CN 117992741A
- Authority
- CN
- China
- Prior art keywords
- feature
- causal
- voltage
- time sequence
- vector
- 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
- 238000005259 measurement Methods 0.000 title claims abstract description 50
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 230000001364 causal effect Effects 0.000 claims abstract description 158
- 239000013598 vector Substances 0.000 claims abstract description 118
- 238000000034 method Methods 0.000 claims abstract description 90
- 230000003993 interaction Effects 0.000 claims abstract description 70
- 238000004364 calculation method Methods 0.000 claims abstract description 18
- 230000007246 mechanism Effects 0.000 claims abstract description 14
- 230000008569 process Effects 0.000 claims description 42
- 230000009466 transformation Effects 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 15
- 238000004590 computer program Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 10
- 238000000605 extraction Methods 0.000 claims description 8
- 230000010339 dilation Effects 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- 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，提供了一种基于广域相量测量数据的CVT误差状态评估方法及***。该方法包括，分别提取电压时序因果特征和电流时序因果特征；对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将电流时序因果特征与向量相似度相乘，得到第二相似度特征；基于第一相似度特征、第二相似度特征、电压时序因果特征和电流时序因果特征进行交互后，再重构得到重构特征；基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征。
Description
技术领域
本发明涉及电力计量在线监测技术领域，尤其涉及一种基于广域相量测量数据的CVT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。
电网的广域测量***（Wide-Area Measurement System，WAMS）由PMU（PhasorMeasurement Unit，相量测量单元）为基层信息采集单元，实现电力***的广域监测和控制体系。PMU通过实时、高频率的相量测量，提供了电网各节点的精准数据，而广域测量***集成多个PMU单元，实现对广域范围内电力***的同步监测与控制。PMU能够获取实时的电压和电流数据，从而实现高精度的相量测量，为广域***提供准确的输入，而广域***则整合和分析来自各个PMU的数据，实现对整个电力***状态的全面监测和管理。
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。电容式电压互感器（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。
在CVT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量测偏差越限，同时互感器分布范围大、数量多、难以带电检测与全面感知，使得现有的管理机制与检验手段无法确定其真实情况与潜在隐患，在线路中电容式电压互感器误差判断方面，广域***中的PMU测量数据难以得到有效的利用。
发明内容
为了解决上述背景技术中存在的技术问题，本发明提供一种基于广域相量测量数据的CVT误差状态评估方法及***，本发明能够对电容式电压互感器误差状态进行准确评估。
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基于广域相量测量数据的CVT误差状态评估方法。
基于广域相量测量数据的CVT误差状态评估方法，包括：
获取广域相量测量的电压时序数据和电流时序数据；
分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征；
对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将电流时序因果特征与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征进行求和，得到电压交互特征；将第一相似度特征与电流时序因果特征进行求和，得到电流交互特征；将电压交互特征和电流交互特征进行重构，得到重构特征；
基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征；输出特征经全连接层及归一化层，得到CVT误差状态评估结果。
进一步地，在获取广域相量测量的电压时序数据和电流时序数据之后还包括：采用最大最小归一化方法对电压时序数据和电流时序数据分别进行归一化处理。
进一步地，所述分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征，包括采用TCN网络分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征，所述TCN网络包括多个扩张因果卷积层和多个残差网络，将电压时序数据或电流时序数据输入至扩张因果卷积层，残差网络将扩张因果卷积层的输出特征与电压时序数据或电流时序数据相加，提取复杂时序特征。
进一步地，所述对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度的过程，采用以下公式：
；
式中，表示电压时序因果特征/>和电流时序因果特征/>之间的向量相似度。
进一步地，所述将电压交互特征和电流交互特征进行重构，得到重构特征的过程，采用以下公式：
；
式中，为重构特征，/>为哈达玛积运算，/>为电压交互特征，/>为电流交互特征。
进一步地，所述基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征的过程，采用以下公式：
；
；
；
；
；
；
式中，为重构特征，/>为电压时序因果特征，/>为电流时序因果特征；K,V,Q分别为键向量，值向量和查询向量；/>，/>，/>分别为/>、/>和/>参与K向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与V向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与Q向量线性变换时的自适应权重参数；/>、/>、/>分别为K,V,Q三个向量线性变换时对应的权重矩阵；/>为输出特征，/>为K向量的长度，/>为激活函数。
进一步地，所述得到CVT误差状态评估结果的过程包括：将输出特征输入至全连接层中进行分析以得到分类值；基于分类值，采用函数，得到CVT误差状态评估结果。
本发明的第二个方面提供一种基于广域相量测量数据的CVT误差状态评估***。
基于广域相量测量数据的CVT误差状态评估***，包括：
数据获取模块，其被配置为：获取广域相量测量的电压时序数据和电流时序数据；
特征提取模块，其被配置为：分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征；
特征交互模块，其被配置为：对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将电流时序因果特征与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征进行求和，得到电压交互特征；将第一相似度特征与电流时序因果特征进行求和，得到电流交互特征；将电压交互特征和电流交互特征进行重构，得到重构特征；
评估模块，其被配置为：基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征；输出特征经全连接层及归一化层，得到CVT误差状态评估结果。
进一步地，所述特征提取模块中采用TCN网络，所述TCN网络包括多个扩张因果卷积层和多个残差网络，将电压时序数据或电流时序数据输入至扩张因果卷积层，残差网络将扩张因果卷积层的输出特征与电压时序数据或电流时序数据相加，提取复杂时序特征，以得到电压时序因果特征和电流时序因果特征。
进一步地，所述特征交互模块中计算向量相似度的过程，采用以下公式：
；
式中，表示电压时序因果特征/>和电流时序因果特征/>之间的向量相似度。
进一步地，所述特征交互模块中将电压交互特征和电流交互特征进行重构，得到重构特征的过程，采用以下公式：
；
式中，为重构特征，/>为哈达玛积运算，/>为电压交互特征，/>为电流交互特征。
进一步地，所述特征交互模块的处理过程可以采用以下公式：
；
；
；
；
；
；
式中，为重构特征，/>为电压时序因果特征，/>为电流时序因果特征；K,V,Q分别为键向量，值向量和查询向量；/>，/>，/>分别为/>、/>和/>参与K向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与V向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与Q向量线性变换时的自适应权重参数；/>、/>、/>分别为K,V,Q三个向量线性变换时对应的权重矩阵；/>为输出特征，/>为K向量的长度，/>为激活函数。
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基于广域相量测量数据的CVT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基于广域相量测量数据的CVT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：
本发明通过向量相似度计算进行多特征组合重构的方法，使得重构特征携带更加丰富的有效特征信息，进而提高了基于广域相量量测数据实现的电容式电压互感器误差状态评估的准确性。
本发明提出一种改进的注意力机制，通过在注意力计算的过程中加入前后时间步特征增量信息，提高了特征在时序上的表达能力，进而提高了CVT误差状态评估的准确性。
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是本发明示出的基于广域相量测量数据的CVT误差状态评估方法的流程图。
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
本实施例提供了一种基于广域相量测量数据的CVT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：
获取广域相量测量的电压时序数据和电流时序数据；
分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征；
对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将电流时序因果特征与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征进行求和，得到电压交互特征；将第一相似度特征与电流时序因果特征进行求和，得到电流交互特征；将电压交互特征和电流交互特征进行重构，得到重构特征；
基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征；输出特征经全连接层及归一化层，得到CVT误差状态评估结果。
下面结合附图对本实施例进行详细描述，如图1所示：
步骤1：采集广域***中PMU测量的历史电压时序数据Xu和电流时序数据Xi，并对电压时序数据Xu和电流时序数据Xi进行归一化处理。具体过程如下：
具体地，采集广域***中PMU测量的历史电压时序数据Xu和电流时序数据Xi。所获取的历史电压时序数据表示为，所获取的历史电流时序数据表示为/>。
由于这两种数据的数量单位和数量级有所不同，为了消除指标之间的量纲影响，故对采集的数据进行归一化处理。在此使用最大-最小值归一化方法将所获取的电压时序数据Xu和电流时序数据Xi进行归一化处理。归一化公式如下所示：
。
式中，为各序列中初始数据值，/>为归一化处理后的数据值，/>和/>分别为序列中的最小值和最大值。
步骤2：利用TCN网络分别对电压时序数据和电流时序数据/>进行时序特征提取。
具体地，在TCN网络中，主要是通过扩张因果卷积和残差网络结合起来，对输入数据进行特征提取。电压时序数据和电流时序数据/>输入TCN网络后，首先进入扩张因果卷积层。这一层使用了扩张卷积和因果卷积，因果卷积能确保卷积计算时，当前时间步的信息只受到过去时间步的影响，避免了未来信息的泄漏。而扩张卷积扩大了卷积核的感受野，能有效地捕获序列中的长时间依赖。经过扩张因果卷积层计算后的输出会通过残差网络，使用残差连接的方式将扩张因果卷积层的输出与其输入相加，并通过堆叠多个扩张因果卷积层和残差块，使得网络提取出输入数据的复杂时序特征。经由TCN网络分别对输入的电压时序数据/>和电流时序数据/>分别进行特征提取，可以得到电压时序因果特征/>和电流时序因果特征/>。
步骤3：对电压时序因果特征和电流时序因果特征/>进行特征相似度计算，得到电压与电流之间的向量相似度，将电压时序因果特征/>与向量相似度相乘，得到第一相似度特征；将电流时序因果特征/>与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征/>进行求和，得到电压时序因果特征进行信息交互后的特征/>；将第一相似度特征与电流时序因果特征/>进行求和，得到电流时序因果特征进行信息交互后的特征/>；随后将电压时序因果特征进行信息交互后的特征/>和电流时序因果特征进行信息交互后的特征/>重构为特征信息更加丰富的重构特征/>。
其中，对电压时序因果特征和电流时序因果特征/>进行特征相似度计算，得到电压与电流之间的向量相似度的过程，具体可公式表达如下：
；
式中，表示电压时序因果特征/>和电流时序因果特征/>之间的向量相似度。
更为具体地，将电流时序因果特征与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征/>进行求和，得到电压时序因果特征进行信息交互后的特征/>；具体可公式表达如下：
；
式中，为电压时序因果特征/>经过相似特征信息交互后的特征。
更为具体地，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将第一相似度特征与电流时序因果特征/>进行求和，得到电流时序因果特征进行信息交互后的特征/>；具体可公式表达如下：
；
式中，为电流时序因果特征/>经过相似特征信息交互后的特征。
更为具体地，将电压时序因果特征进行信息交互后的特征和电流时序因果特征进行信息交互后的特征/>重构为特征信息更加丰富的重构特征/>；具体计算公式表达如下：
；
式中，为重构特征，/>为哈达玛积运算，/>为电压时序因果特征/>经过相似特征信息交互后的特征，/>为电流时序因果特征/>经过相似特征信息交互后的特征
步骤4：将上述所得的电压时序因果特征、电流时序因果特征/>和重构特征输入改进的注意力机制中，进行三种特征的有效融合及特征重要性的重新分配。
本发明设计了一种包含时序关系的自注意机制计算方法。在注意力机制的计算过程中，首先需要获取计算注意力权重分布的键向量、值向量和查询向量，然后通过所获取的这三个向量进行注意力计算。为了有效利用前后短期时间步之间依赖性关系，本发明在注意力计算的过程中加入前后时间步特征增量信息，提高特征在时序上的表达能力，使得最后的识别结果更加准确。具体计算过程如下所示：
；
；
；
；
；
；
式中，为重构特征/>前后时间步之间特征增量的集合，/>和/>为TCN网络从电压、电流时序数据中初步提取的时序特征；K,V,Q分别为键向量，值向量和查询向量；/>，/>，/>为/>、/>和/>参与K向量线性变换时的自适应权重参数；/>，，/>为/>、/>和/>参与V向量线性变换时的自适应权重参数；/>，/>，/>为、/>和/>参与Q向量线性变换时的自适应权重参数；/>、/>、/>分别为K,V,Q三个向量线性变换时对应的权重矩阵；/>为经过改进注意力计算后的输出特征，/>为K向量的长度，/>为激活函数。
步骤5：将经过改进注意力机制计算后的输出特征送入全连接层，随后经过函数进行特征值分类，从而输出互感器误差状态的评估结果（正常或异常）。
将上述经过改进注意力机制计算后的输出特征送入全连接层，通过全连接层的多个神经元将特征整合为对应的分类值，随后送入/>函数进行分类计算，得到最终的互感器误差状态评估结果。
步骤6：对上述网络模型进行训练，得到训练完备的CVT误差状态评估网络。
以交叉熵函数作为损失函数，并使用随机梯度下降的方法对整体网络中参数进行更新直至损失不再降低，得到训练完备的基于广域相量测量数据的互感器误差状态评估网络模型。
实施例二
本实施例提供了一种基于广域相量测量数据的CVT误差状态评估***。
基于广域相量测量数据的CVT误差状态评估***，其特征在于，包括：
数据获取模块，其被配置为：获取广域相量测量的电压时序数据和电流时序数据；
特征提取模块，其被配置为：分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征；
特征交互模块，其被配置为：对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将电流时序因果特征与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征进行求和，得到电压交互特征；将第一相似度特征与电流时序因果特征进行求和，得到电流交互特征；将电压交互特征和电流交互特征进行重构，得到重构特征；
评估模块，其被配置为：基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征；输出特征经全连接层及归一化层，得到CVT误差状态评估结果。
在一些实施例中，所述基于广域相量测量数据的CVT误差状态评估***还包括：预处理模块，其被配置为：采用最大最小归一化方法对电压时序数据和电流时序数据分别进行归一化处理。
在一些实施例中，所述特征提取模块中采用TCN网络，所述TCN网络包括多个扩张因果卷积层和多个残差网络，将电压时序数据或电流时序数据输入至扩张因果卷积层，残差网络将扩张因果卷积层的输出特征与电压时序数据或电流时序数据相加，提取复杂时序特征，以得到电压时序因果特征和电流时序因果特征。
在一些实施例中，所述特征交互模块中计算向量相似度的过程，采用以下公式：
；
式中，表示电压时序因果特征/>和电流时序因果特征/>之间的向量相似度。
在一些实施例中，所述特征交互模块中将电压交互特征和电流交互特征进行重构，得到重构特征的过程，采用以下公式：
；
式中，为重构特征，/>为哈达玛积运算，/>为电压交互特征，/>为电流交互特征。
在一些实施例中，所述特征交互模块的处理过程可以采用以下公式：
；
；
；
；
；
；
式中，为重构特征，/>为电压时序因果特征，/>为电流时序因果特征；K,V,Q分别为键向量，值向量和查询向量；/>，/>，/>分别为/>、/>和/>参与K向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与V向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与Q向量线性变换时的自适应权重参数；/>、/>、/>分别为K,V,Q三个向量线性变换时对应的权重矩阵；/>为输出特征，/>为K向量的长度，/>为激活函数。
在一些实施例中，所述评估模块具体被配置为：将输出特征输入至全连接层中进行分析以得到分类值；基于分类值，采用函数，得到CVT误差状态评估结果。
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基于广域相量测量数据的CVT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基于广域相量测量数据的CVT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 (14)
1.基于广域相量测量数据的CVT误差状态评估方法，其特征在于，包括：
获取广域相量测量的电压时序数据和电流时序数据；
分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征；
对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将电流时序因果特征与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征进行求和，得到电压交互特征；将第一相似度特征与电流时序因果特征进行求和，得到电流交互特征；将电压交互特征和电流交互特征进行重构，得到重构特征；
基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征；输出特征经全连接层及归一化层，得到CVT误差状态评估结果。
2.根据权利要求1所述的基于广域相量测量数据的CVT误差状态评估方法，其特征在于，在获取广域相量测量的电压时序数据和电流时序数据之后还包括：采用最大最小归一化方法对电压时序数据和电流时序数据分别进行归一化处理。
3.根据权利要求1所述的基于广域相量测量数据的CVT误差状态评估方法，其特征在于，所述分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征，包括采用TCN网络分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征，所述TCN网络包括多个扩张因果卷积层和多个残差网络，将电压时序数据或电流时序数据输入至扩张因果卷积层，残差网络将扩张因果卷积层的输出特征与电压时序数据或电流时序数据相加，提取复杂时序特征。
4.根据权利要求1所述的基于广域相量测量数据的CVT误差状态评估方法，其特征在于，所述对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度的过程，采用以下公式：
；
式中，表示电压时序因果特征/>和电流时序因果特征/>之间的向量相似度。
5.根据权利要求1所述的基于广域相量测量数据的CVT误差状态评估方法，其特征在于，所述将电压交互特征和电流交互特征进行重构，得到重构特征的过程，采用以下公式：
；
式中，为重构特征，/>为哈达玛积运算，/>为电压交互特征，/>为电流交互特征。
6.根据权利要求1所述的基于广域相量测量数据的CVT误差状态评估方法，其特征在于，所述基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征的过程，采用以下公式：
；
；
；
；
；
；
式中，为重构特征，/>为电压时序因果特征，/>为电流时序因果特征；K,V,Q分别为键向量，值向量和查询向量；/>，/>，/>分别为/>、/>和/>参与K向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与V向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与Q向量线性变换时的自适应权重参数；/>、/>、/>分别为K,V,Q三个向量线性变换时对应的权重矩阵；/>为输出特征，为K向量的长度，/>为激活函数。
7.根据权利要求1所述的基于广域相量测量数据的CVT误差状态评估方法，其特征在于，所述得到CVT误差状态评估结果的过程包括：将输出特征输入至全连接层中进行分析以得到分类值；基于分类值，采用函数，得到CVT误差状态评估结果。
8.基于广域相量测量数据的CVT误差状态评估***，其特征在于，包括：
数据获取模块，其被配置为：获取广域相量测量的电压时序数据和电流时序数据；
特征提取模块，其被配置为：分别提取电压时序数据的电压时序因果特征和电流时序数据的电流时序因果特征；
特征交互模块，其被配置为：对电压时序因果特征和电流时序因果特征进行特征相似度计算，得到向量相似度，将电压时序因果特征与向量相似度相乘，得到第一相似度特征；将电流时序因果特征与向量相似度相乘，得到第二相似度特征；将第二相似度特征与电压时序因果特征进行求和，得到电压交互特征；将第一相似度特征与电流时序因果特征进行求和，得到电流交互特征；将电压交互特征和电流交互特征进行重构，得到重构特征；
评估模块，其被配置为：基于电压时序因果特征、电流时序因果特征和重构特征，结合注意力机制的键向量、值向量和查询向量，进行融合及特征重要性的重新分配，得到输出特征；输出特征经全连接层及归一化层，得到CVT误差状态评估结果。
9.根据权利要求8所述的基于广域相量测量数据的CVT误差状态评估***，其特征在于，所述特征提取模块中采用TCN网络，所述TCN网络包括多个扩张因果卷积层和多个残差网络，将电压时序数据或电流时序数据输入至扩张因果卷积层，残差网络将扩张因果卷积层的输出特征与电压时序数据或电流时序数据相加，提取复杂时序特征，以得到电压时序因果特征和电流时序因果特征。
10.根据权利要求8所述的基于广域相量测量数据的CVT误差状态评估***，其特征在于，所述特征交互模块中计算向量相似度的过程，采用以下公式：
；
式中，表示电压时序因果特征/>和电流时序因果特征/>之间的向量相似度。
11.根据权利要求8所述的基于广域相量测量数据的CVT误差状态评估***，其特征在于，所述特征交互模块中将电压交互特征和电流交互特征进行重构，得到重构特征的过程，采用以下公式：
；
式中，为重构特征，/>为哈达玛积运算，/>为电压交互特征，/>为电流交互特征。
12.根据权利要求8所述的基于广域相量测量数据的CVT误差状态评估***，其特征在于，所述特征交互模块的处理过程可以采用以下公式：
；
；
；
；
；
；
式中，为重构特征，/>为电压时序因果特征，/>为电流时序因果特征；K,V,Q分别为键向量，值向量和查询向量；/>，/>，/>分别为/>、/>和/>参与K向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与V向量线性变换时的自适应权重参数；/>，/>，/>为/>、/>和/>参与Q向量线性变换时的自适应权重参数；/>、/>、/>分别为K,V,Q三个向量线性变换时对应的权重矩阵；/>为输出特征，为K向量的长度，/>为激活函数。
13.一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中任一项所述的基于广域相量测量数据的CVT误差状态评估方法中的步骤。
14.一种计算机设备，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中任一项所述的基于广域相量测量数据的CVT误差状态评估方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410404286.3A CN117992741B (zh) | 2024-04-07 | 2024-04-07 | 基于广域相量测量数据的cvt误差状态评估方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410404286.3A CN117992741B (zh) | 2024-04-07 | 2024-04-07 | 基于广域相量测量数据的cvt误差状态评估方法及*** |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117992741A true CN117992741A (zh) | 2024-05-07 |
| CN117992741B CN117992741B (zh) | 2024-06-21 |
Family
ID=90902433
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410404286.3A Active CN117992741B (zh) | 2024-04-07 | 2024-04-07 | 基于广域相量测量数据的cvt误差状态评估方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117992741B (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346287A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 基于影响因素分析的交通流量序列模式匹配方法 |
| WO2021068528A1 (zh) * | 2019-10-11 | 2021-04-15 | 平安科技（深圳）有限公司 | 基于卷积神经网络的注意力权重计算方法、装置及设备 |
| 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 |
| CN115603320A (zh) * | 2022-11-11 | 2023-01-13 | 国网上海市电力公司（Cn） | 一种基于广域量测数据的实时感知与在线评估方法及*** |
| CN116840764A (zh) * | 2023-08-22 | 2023-10-03 | 国网山东省电力公司营销服务中心(计量中心) | 一种电容式电压互感器综合误差状态评估方法及*** |
| CN116859317A (zh) * | 2023-07-27 | 2023-10-10 | 国网冀北电力有限公司计量中心 | 电容式电压互感器计量误差预测方法及装置 |
| CN116881704A (zh) * | 2023-09-06 | 2023-10-13 | 北京新亚盛创电气技术有限公司 | 电网运行状态的预警方法及*** |
| CN117313525A (zh) * | 2023-09-19 | 2023-12-29 | 内蒙古电力(集团)有限责任公司内蒙古超高压供电分公司 | Cvt误差状态定性评估模型建立方法、装置、设备及介质 |
| CN117332231A (zh) * | 2023-09-27 | 2024-01-02 | 国网北京市电力公司 | 电容式电压互感器计量误差值的预测方法及*** |
| CN117668746A (zh) * | 2023-11-20 | 2024-03-08 | 国网吉林省电力有限公司营销服务中心 | 一种cvt误差预测方法、装置及存储介质 |
-
2024
- 2024-04-07 CN CN202410404286.3A patent/CN117992741B/zh active Active
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108346287A (zh) * | 2018-01-30 | 2018-07-31 | 浙江大学 | 基于影响因素分析的交通流量序列模式匹配方法 |
| WO2021068528A1 (zh) * | 2019-10-11 | 2021-04-15 | 平安科技（深圳）有限公司 | 基于卷积神经网络的注意力权重计算方法、装置及设备 |
| 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 |
| CN115603320A (zh) * | 2022-11-11 | 2023-01-13 | 国网上海市电力公司（Cn） | 一种基于广域量测数据的实时感知与在线评估方法及*** |
| CN116859317A (zh) * | 2023-07-27 | 2023-10-10 | 国网冀北电力有限公司计量中心 | 电容式电压互感器计量误差预测方法及装置 |
| CN116840764A (zh) * | 2023-08-22 | 2023-10-03 | 国网山东省电力公司营销服务中心(计量中心) | 一种电容式电压互感器综合误差状态评估方法及*** |
| CN116881704A (zh) * | 2023-09-06 | 2023-10-13 | 北京新亚盛创电气技术有限公司 | 电网运行状态的预警方法及*** |
| CN117313525A (zh) * | 2023-09-19 | 2023-12-29 | 内蒙古电力(集团)有限责任公司内蒙古超高压供电分公司 | Cvt误差状态定性评估模型建立方法、装置、设备及介质 |
| CN117332231A (zh) * | 2023-09-27 | 2024-01-02 | 国网北京市电力公司 | 电容式电压互感器计量误差值的预测方法及*** |
| CN117668746A (zh) * | 2023-11-20 | 2024-03-08 | 国网吉林省电力有限公司营销服务中心 | 一种cvt误差预测方法、装置及存储介质 |
Non-Patent Citations (2)
| Title |
|---|
| 刘建锋;张科曌;田权;黄世龙;: "基于序电流灰色关联分析与多信息融合的广域后备保护算法", 电力***保护与控制, no. 19, 14 October 2018 (2018-10-14) * |
| 施翼;杨焕文;陈佐鹏;耿涛;: "基于核密度估计的逆变器故障诊断方法", 变频器世界, no. 04, 15 April 2019 (2019-04-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117992741B (zh) | 2024-06-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hong et al. | Vehicle energy system active defense: a health assessment of lithium‐ion batteries | |
| CN109635928A (zh) | 一种基于深度学习模型融合的电压暂降原因识别方法 | |
| Reche et al. | Data mining-based method to reduce multiple estimation for fault location in radial distribution systems | |
| CN110687450B (zh) | 基于相空间重构和粒子滤波的锂电池剩余寿命预测方法 | |
| CN112257263B (zh) | 基于自注意力机制的设备剩余寿命预测*** | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及*** | |
| CN116401532B (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
| CN110361609B (zh) | 特高压设备监测***及方法 | |
| Kim et al. | Real-time power system transient stability prediction using convolutional layer and long short-term memory | |
| CN117992741B (zh) | 基于广域相量测量数据的cvt误差状态评估方法及*** | |
| CN113092933A (zh) | 一种基于lstm的单相接地故障选线方法及*** | |
| Qin et al. | Detection and localization of coordinated state-and-topology false data injection attack by multi-modal learning | |
| CN114325072B (zh) | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 | |
| CN113092934B (zh) | 基于聚类和lstm的单相接地故障判定方法及*** | |
| Zhang et al. | Fault line selection method based on transfer learning depthwise separable convolutional neural network | |
| Gök et al. | Transient event classification using pmu data with deep learning techniques and synthetically supported training‐set | |
| Chu et al. | A relaxed support vector data description algorithm based fault detection in distribution systems | |
| Guo et al. | Multisource target data fusion tracking method for heterogeneous network based on data mining | |
| Zhang et al. | Fault judgment of transmission cable based on multi-channel data fusion and transfer learning | |
| CN115169234B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
| Li et al. | Intelligent frequency safety prediction of power system via spectral residual and spatiotemporal attention correction | |
| CN118091526B (zh) | 一种电流互感器测量误差在线监测方法及装置 | |
| CN117371623B (zh) | 一种电能表运行状态预警方法及*** | |
| Xie et al. | Power Transformer Fault Diagnosis Model Based on Association Rules Analysis | |
| Wu et al. | Adversarial Transfer Learning of Power Data Based on One-Dimensional Pyramid Pooling |
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 |