CN118068253A - 一种高精度计量互感器误差测量方法 - Google Patents
一种高精度计量互感器误差测量方法 Download PDFInfo
- Publication number
- CN118068253A CN118068253A CN202410464914.7A CN202410464914A CN118068253A CN 118068253 A CN118068253 A CN 118068253A CN 202410464914 A CN202410464914 A CN 202410464914A CN 118068253 A CN118068253 A CN 118068253A
- Authority
- CN
- China
- Prior art keywords
- data
- point
- period
- measurement data
- imf component
- 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 146
- 238000000691 measurement method Methods 0.000 title abstract description 7
- 230000005856 abnormality Effects 0.000 claims abstract description 46
- 238000013528 artificial neural network Methods 0.000 claims abstract description 36
- 238000000034 method Methods 0.000 claims abstract description 23
- 230000007613 environmental effect Effects 0.000 claims abstract description 19
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 238000009499 grossing Methods 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 3
- 238000012545 processing Methods 0.000 abstract description 2
- 230000000737 periodic effect Effects 0.000 description 10
- 230000006870 function Effects 0.000 description 7
- 239000004020 conductor Substances 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002547 anomalous effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003534 oscillatory effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
Landscapes
- Testing And Monitoring For Control Systems (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及一种高精度计量互感器误差测量方法,包括:根据历史测量数据曲线获取周期项、残差项以及多个IMF分量,根据周期项的周期长度、IMF分量的周期长度以及IMF分量中每个数据点所在周期的周期长度获取IMF分量中每个数据点的异常程度,根据残差项以及每个IMF分量中的数据点的异常程度获取历史测量数据曲线中数据点的异常程度,根据历史的测量数据以及历史每一时刻的环境数据、工作频率以及磁场数据构建神经网络,根据历史测量数据曲线中每个数据点的异常程度确定神经网络的损失函数,根据训练好的神经网络获取当前时刻测量数据的预测误差。本发明获取的测量数据的预测误差更加准确。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种高精度计量互感器误差测量方法。
背景技术
电流互感器以及电压互感器用于测量电力***中电流和电压,为电能计量装置的重要组成部分,电流互感器将一次侧的高电流转换为低电流,在二次侧输出,从而便于对测量。电压互感器将一次侧的高电流转换为低电压,在二次侧输出,从而便于对测量。
电流互感器以及电压互感器受环境、互感器一次侧的工作频率、磁场等影响,二次侧输出的结果可能存在偏差,为了确保电网的安全运行,需要对电流互感器以及电压互感器的误差进行快速测量,以便根据测量的误差进行电流互感器、电压互感器的校准。
发明内容
为解决上述问题,本发明提供一种高精度计量互感器误差测量方法,该方法包括以下步骤:
根据互感器历史的测量数据,绘制历史测量数据曲线;对历史测量数据曲线进行STL分解,得到周期项以及残差项;对历史测量数据曲线进行平滑,对平滑后的历史测量数据曲线进行EMD分解,得到多个IMF分量;
对于每个IMF分量,获取IMF分量中每个数据点所在周期的周期长度;根据周期项的周期长度、IMF分量的周期长度以及IMF分量中每个数据点所在周期的周期长度获取IMF分量中每个数据点的异常程度;
根据残差项以及历史测量数据曲线中每个数据点在每个IMF分量中对应的数据点的异常程度获取历史测量数据曲线中每个数据点的异常程度;
根据历史的测量数据以及历史每一时刻的环境数据、工作频率以及磁场数据构建神经网络,根据历史测量数据曲线中每个数据点的异常程度确定神经网络的损失函数;
将当前时刻的测量数据以及当前时刻的环境数据、工作频率以及磁场数据输入到训练好的神经网络中,输出当前时刻测量数据的预测误差。
优选的,所述获取IMF分量中每个数据点所在周期的周期长度,包括:
对于IMF分量中每个数据点,当该数据点为极值点时,将该数据点左侧距离该数据点最近的极值点作为起点,将该数据点右侧从左往右数第2个极值点作为终点,将起点到终点作为该数据点所在的周期;当该数据点不为极值点时,将该数据点左侧从右往左数第2个极值点作为起点,将该数据点右侧从左往右数第2个极值点作为终点,将起点到终点作为该数据点所在的周期;
将每个数据点所在的周期的时间长度,作为每个数据点所在周期的周期长度。
优选的,所述周期项的周期长度的获取方法为:
对周期项进行傅里叶变换,将周期项转换到频域,获取得到的结果中幅值最大的正弦波的频率,将该频率的倒数作为周期项的周期长度。
优选的,所述IMF分量的周期长度的获取方法为:
对于每个IMF分量,对IMF分量进行傅里叶变换,将IMF分量转换到频域,获取得到的结果中幅值最大的正弦波的频率,将该频率的倒数作为IMF分量的周期长度。
优选的,所述IMF分量中每个数据点的异常程度满足表达式:
其中,表示第i个IMF分量中第j个数据点的异常程度;/>表示第i个IMF分量的周期长度,i表示IMF分量的序号;/>表示周期项的周期长度;/>表示第i个IMF分量中第j个数据点所在周期的周期长度;/>表示绝对值符号;tanh()表示双曲正切函数。
优选的,所述历史测量数据曲线中每个数据点的异常程度满足表达式:
其中,表示历史测量数据曲线中第j个数据点的异常程度;/>表示残差项中第j个残差值;S表示历史测量数据曲线中包含的数据点的个数;/>表示第i个IMF分量中第j个数据点的异常程度;i表示IMF分量的序号;n表示IMF分量的数量。
优选的,所述根据历史的测量数据以及历史每一时刻的环境数据、工作频率以及磁场数据构建神经网络,包括:
采用的神经网络为LSTM神经网络;神经网络的输入为每一时刻的测量数据以及每一时刻的环境数据、工作频率、磁场数据,输出为每一时刻的测量数据对应的预测误差;神经网络的数据集为历史的测量数据以及历史每一时刻的环境数据、工作频率、磁场数据构成的数据集,标签为历史的测量数据的误差;其中历史的测量数据的误差的获取方法为:将互感器的输出与已知准确的测量设备进行比较,从而得出误差。
优选的,所述神经网络的损失函数满足表达式:
其中,表示历史测量数据曲线中第j个数据点的异常程度;/>表示历史测量数据曲线中第j个数据点的预测误差;/>表示历史第j个时刻的测量数据的误差;S表示历史测量数据曲线中包含的数据点的个数。
本发明的技术方案的有益效果是:本发明通过神经网络的方式获取测量数据的误差,相较于传统将互感器的输出与已知准确的测量设备进行比较得到误差,本发明操作更加简便高效。
进一步地,本发明根据历史测量数据曲线中每个数据点的异常程度构建神经网络的损失函数,使得神经网络训练结果更加准确,提高了获取的测量数据的预测误差的准确性。
进一步地,本发明通过对历史测量数据曲线进行STL分解以及EMD分解,根据分解得到地周期项以及IMF分量的周期长度获取IMF分量中每个数据点的异常程度,结合残差项获取历史测量数据中每个数据点的异常程度,获取的异常程度考虑了历史测量数据的变化趋势以及周期性特征,结果更加准确,进一步提高了神经网络训练结果的准确性,使得最终得到的当前时刻的测量数据的预测误差更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明的一种高精度计量互感器误差测量方法的步骤流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种高精度计量互感器误差测量方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种高精度计量互感器误差测量方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种高精度计量互感器误差测量方法的步骤流程图,该方法包括以下步骤:
S001.根据互感器历史的测量数据绘制历史测量数据曲线,获取历史每一时刻的环境数据、工作频率以及磁场数据。
需要说明的是,电流互感器通过将一次侧的高电流转换为二次侧的低电流进行输出,二次侧的低电流与一次侧的高电流成一定比例,该比例取决于电流互感器的转换比,为定值。根据二次侧的低电流以及二次侧的低电流与一次侧的高电流之间的比例关系即可得到一次侧电流的测量值。同理,电压互感器通过将一次侧的高电压转换为二次侧的低电压进行输出,二次侧的低电压与一次侧的高电压成一定比例,该比例取决于电压互感器的转换比,为定值。根据二次侧的低电压以及二次侧的低电压与一次侧的高电压之间的比例关系即可得到一次侧电压的测量值。在本发明中,当互感器为电流互感器时,一次侧电流的测量值即为本发明的测量数据。当互感器为电压互感器时,一次侧的电压的测量值即为本发明的测量数据。
在一个实施例中,对于历史每一时刻的互感器的测量数据,以时间为横轴,以测量数据为纵轴,绘制历史测量数据曲线,将历史每一时刻互感器的测量数据转换为历史测量数据曲线中的一个数据点。
需要说明的是,互感器的测量结果受环境、互感器一次侧的工作频率、磁场等的影响,因此本发明保存了历史每一时刻的环境数据、互感器一次侧的工作频率、磁场数据,以便后续根据历史每一时刻的环境数据、互感器一次侧工作频率、磁场数据构建神经网络,根据神经网络获取当前时刻测量数据的误差。
在一个实施例中,环境数据包括温度、湿度等,是利用温度传感器、湿度传感器等采集的。互感器一次侧的工作频率根据电力***参数获得。磁场数据是利用磁力计采集的。
S002.对历史测量数据曲线进行STL分解,得到周期项以及残差项,对历史测量数据曲线进行平滑,对平滑后的历史测量数据曲线进行EMD分解,得到多个IMF分量,根据周期项的周期长度、IMF分量的周期长度以及IMF分量中每个数据点所在周期的周期长度获取IMF分量中每个数据点的异常程度。
需要说明的是,电流互感器所测量的电流数据通常是主导电路中电流的副本,即一次侧的电流,因此其波形与主导电路中的电流波形相似。在电力***中,交流电流的波形通常是正弦波形。同样地,电压互感器所测量的电压数据也是主导电路中电压的副本,其波形与主导电路中的电压波形相似,在电力***中,交流电压的波形通常是也是正弦波形。因此,历史测量数据曲线的波形近似于正弦波形,历史测量数据曲线具有一定的周期性。在本发明中,对历史测量数据曲线的周期性进行分析,从而获取历史测量数据曲线中每个数据点的异常程度。
在一个实施例中,利用STL分解算法对历史测量数据曲线进行分解,得到趋势项、周期项以及残差项。对周期项进行傅里叶变换,将周期项转换到频域,获取得到的结果中幅值最大的正弦波的频率,将该频率的倒数作为周期项的周期长度。
对历史测量数据曲线进行平滑,利用经验模态分解算法(Empirical ModeDecomposition,EMD)对平滑后的历史测量数据曲线进行分解,得到多个内涵模态分量(Intrinsic Mode Functions,IMF)。对于每个IMF分量,对IMF分量进行傅里叶变换,将IMF分量转换到频域,获取得到的结果中幅值最大的正弦波的频率,将该频率的倒数作为IMF分量的周期长度。
对于IMF分量中每个数据点,当该数据点为极值点时,将该数据点左侧距离该数据点最近的极值点作为起点,将该数据点右侧从左往右数第2个极值点作为终点,将起点到终点作为该数据点所在的周期。当该数据点不为极值点时,将该数据点左侧从右往左数第2个极值点作为起点,将该数据点右侧从左往右数第2个极值点作为终点,将起点到终点作为该数据点所在的周期。将每个数据点所在的周期的时间长度,作为每个数据点所在周期的周期长度。
需要说明的是,周期项反映了历史测量数据曲线的整体周期波动情况,周期性的周期长度代表了历史测量数据曲线的周期长度。当一个IMF分量的周期长度与历史测量数据曲线的周期长度越相关时,说明该IMF分量的周期波动规律与历史测量数据曲线的整体周期波动情况越符合,当该IMF分量的周期长度与历史测量数据曲线的周期长度越不相关时,说明该IMF分量周期波动规律与历史测量数据曲线的整体周期波动情况越不符合。每个IMF分量都代表了历史测量数据曲线中的特定频率和时间尺度的振荡行为,因此每个IMF分量中的数据点周期变化,当数据点所在周期的周期长度与对应的IMF分量整体的周期长度的差异越大,该数据点在对应的IMF分量中越异常。因此本发明结合每个IMF分量的周期长度与历史测量数据曲线的周期长度之间的关系,以及每个IMF分量中每个数据点所在周期的周期长度与对应的IMF分量整体的周期长度的差异,来获取每个IMF分量中每个数据点的异常程度。
在一个实施例中,根据周期项的周期长度、每个IMF分量的周期长度以及每个IMF分量中每个数据点所在周期的周期长度获取每个IMF分量中每个数据点的异常程度:
其中,表示第i个IMF分量中第j个数据点的异常程度;/>表示第i个IMF分量的周期长度,i表示IMF分量的序号;/>表示周期项的周期长度;/>表示第i个IMF分量中第j个数据点所在周期的周期长度;/>表示绝对值符号;tanh()表示双曲正切函数;表示第i个IMF分量的异常程度,其中/>为第i个IMF分量的周期长度与周期项的周期长度的比值,由于第1个IMF分量是基于平滑后的历史测量数据曲线的上下包络线的均值获取的,而上包络线是平滑后的历史测量数据曲线所有极大值点的连线,下包络线是平滑后的历史测量数据曲线所有极小值点的连线,上下包络线的均值曲线中的一个极大值点对应了平滑后的历史测量数据曲线中两个极大值点,上下包络线的均值曲线中的一个极小值点对应了平滑后的历史测量数据曲线中两个极小值点,如此使得第1个IMF分量的周期长度是历史测量数据曲线的周期长度的2倍。同理,第2个IMF分量是基于第1个IMF分量的上下包络线的均值获取的,第3个IMF分量是基于第2个IMF分量的上下包络线的均值获取的,依次类推,第i个IMF分量是基于第i-1个IMF分量的上下包络线的均值获取的,使得第i个IMF分量的周期长度为历史测量数据曲线的周期长度的i+1倍,而周期项的周期长度反映的是历史测量数据曲线的周期长度,因此当/>越接近/>时,说明第i个IMF分量越符合历史测量数据曲线的整体周期波动规律,当/>与/>差异越大时,说明第i个IMF分量越不符合历史测量数据曲线的整体周期波动规律,此时第i个IMF分量越异常;/>用来衡量第i个IMF分量中第j个数据点所在周期的周期长度是否与第i个IMF分量的周期长度相符,当/>与/>之间的差异越小时,说明第i个IMF分量中第j个数据点越符合第i个IMF分量的周期波动规律,当/>与/>之间的差异越大时,说明第i个IMF分量中第j个数据点越不符合第i个IMF分量的周期波动规律。因此,利用/>作为/>的指数,利用伽马变换的方式对/>进行进一步的修正,以获取第i个IMF分量中第j个数据点的异常程度,其中对/>加1是为了防止分母为0,当/>时,,第i个IMF分量中第j个数据点符合第i个IMF分量的周期波动规律,此时,即第i个IMF分量中第j个数据点的异常程度取决于第i个IMF分量的异常程度;当/>时,第i个IMF分量中第j个数据点不符合第i个IMF分量的周期波动规律,此时利用/>对/>进行增大,第i个IMF分量中第j个数据点的异常程度在第i个IMF分量的异常程度的基础上进行了放大。
至此,获取了每个IMF分量中每个数据点的异常程度。
S003.根据残差项以及历史测量数据曲线中每个数据点在每个IMF分量中对应的数据点的异常程度获取历史测量数据曲线中每个数据点的异常程度。
需要说明的是,残差项反映了数据点是否符合历史测量数据曲线整体的变化趋势与周期波动规律,历史测量数据曲线中的一个数据点对应每个IMF分量中的一个数据点,同时对应残差项中的一个残差,因此本发明结合历史测量数据曲线中的数据点在每个IMF分量中对应的数据点的异常程度以及历史测量数据曲线中的数据点的残差,获取历史测量数据曲线中每个数据点的异常程度。
在一个实施例中,历史测量数据曲线中数据点的异常程度满足表达式:
其中,表示历史测量数据曲线中第j个数据点的异常程度;/>表示历史测量数据曲线的第j个数据点的残差,即残差项中第j个残差值;S表示历史测量数据曲线中包含的数据点的个数;/>表示第i个IMF分量中第j个数据点的异常程度;i表示IMF分量的序号;n表示IMF分量的数量;/>表示第i个IMF分量中的权重,由于IMF分量的序号越小,IMF分量越高频,高频IMF分量对应于历史测量数据曲线中快速变化的部分,IMF分量的序号越大,IMF分量越低频,低频IMF分量对应于历史测量数据曲线中缓慢变化的部分,当低频IMF分量中数据点的异常程度越大,说明在该数据点在历史测量数据曲线中的异常性越显著,因此利用/>作为权重,使得对于低频IMF分量的权重设置越大,则在计算历史测量数据曲线中每个数据点的异常程度时,越关注低频的IMF分量中对应数据点的异常程度;/>表示历史测量数据曲线中的第i个数据点的残差异常性,当数据点的残差越小时,数据点越符合历史测量数据曲线整体的变化趋势与周期波动规律,当数据点的残差越大时,数据点越不符合历史测量数据曲线整体的变化趋势与周期波动规律,因此将/>与/>结合,得到历史测量数据曲线中第i个数据点的异常程度。
至此,获取了历史测量数据曲线中每个数据点的异常程度。
S004.根据历史的测量数据以及历史每一时刻的环境数据、工作频率以及磁场数据构建神经网络,根据历史测量数据曲线中每个数据点的异常程度确定神经网络的损失函数,根据训练好的神经网络获取当前时刻测量数据的预测误差。
本发明采用神经网络的方式获取测量数据的误差,神经网络的具体内容如下:
采用的神经网络为长短期记忆网络(Long Short-Term Memory,LSTM)。神经网络的输入为每一时刻的测量数据以及每一时刻的环境数据、互感器一次侧的工作频率、磁场数据,输出为每一时刻的测量数据对应的预测误差;神经网络的数据集为历史的测量数据以及历史每一时刻的环境数据、互感器一次侧的工作频率、磁场数据构成的数据集,标签为历史的测量数据的误差,历史的测量数据的误差的获取方法为:将互感器的输出与已知准确的测量设备进行比较,从而得出误差。
神经网络的损失函数为:
其中,表示历史测量数据曲线中第j个数据点的异常程度;/>表示历史测量数据曲线中第j个数据点的预测误差;/>表示历史测量数据曲线中第j个数据点的实际误差,即历史第j个时刻的测量数据的误差,又即历史第j个时刻的测量数据的标签值;S表示历史测量数据曲线中包含的数据点的个数,即历史的测量数据的数量;将/>作为历史第j个时刻的测量数据的权重,当历史测量数据曲线中第j个数据点的异常程度越大时,对应的测量数据的误差应该越大,误差越大对于测量数据整体的影响越大,因此为了排除较大的误差,对于异常程度越大的测量数据的预测误差应越关注,从而确保异常程度越大的测量数据的预测误差在训练过程中不断接近实际误差,因此将/>作为/>的权重,当/>越大时,越关注/>,当/>越小时,越不关注/>。
将当前时刻的测量数据以及当前时刻的环境数据、互感器一次侧的工作频率、磁场数据输入到训练好的神经网络中,输出当前时刻测量数据的预测误差。
至此,实现了计量互感器误差的测量。
以上所述仅为本发明的较佳实施例而已,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 (8)
1.一种高精度计量互感器误差测量方法,其特征在于,该方法包括以下步骤:
根据互感器历史的测量数据,绘制历史测量数据曲线;对历史测量数据曲线进行STL分解,得到周期项以及残差项;对历史测量数据曲线进行平滑,对平滑后的历史测量数据曲线进行EMD分解,得到多个IMF分量;
对于每个IMF分量,获取IMF分量中每个数据点所在周期的周期长度;根据周期项的周期长度、IMF分量的周期长度以及IMF分量中每个数据点所在周期的周期长度获取IMF分量中每个数据点的异常程度;
根据残差项以及历史测量数据曲线中每个数据点在每个IMF分量中对应的数据点的异常程度获取历史测量数据曲线中每个数据点的异常程度;
根据历史的测量数据以及历史每一时刻的环境数据、工作频率以及磁场数据构建神经网络,根据历史测量数据曲线中每个数据点的异常程度确定神经网络的损失函数;
将当前时刻的测量数据以及当前时刻的环境数据、工作频率以及磁场数据输入到训练好的神经网络中,输出当前时刻测量数据的预测误差。
2.根据权利要求1所述的一种高精度计量互感器误差测量方法,其特征在于,所述获取IMF分量中每个数据点所在周期的周期长度,包括:
对于IMF分量中每个数据点,当该数据点为极值点时,将该数据点左侧距离该数据点最近的极值点作为起点,将该数据点右侧从左往右数第2个极值点作为终点,将起点到终点作为该数据点所在的周期;当该数据点不为极值点时,将该数据点左侧从右往左数第2个极值点作为起点,将该数据点右侧从左往右数第2个极值点作为终点,将起点到终点作为该数据点所在的周期;
将每个数据点所在的周期的时间长度,作为每个数据点所在周期的周期长度。
3.根据权利要求1所述的一种高精度计量互感器误差测量方法,其特征在于,所述周期项的周期长度的获取方法为:
对周期项进行傅里叶变换,将周期项转换到频域,获取得到的结果中幅值最大的正弦波的频率,将该频率的倒数作为周期项的周期长度。
4.根据权利要求1所述的一种高精度计量互感器误差测量方法,其特征在于,所述IMF分量的周期长度的获取方法为:
对于每个IMF分量,对IMF分量进行傅里叶变换,将IMF分量转换到频域,获取得到的结果中幅值最大的正弦波的频率,将该频率的倒数作为IMF分量的周期长度。
5.根据权利要求1所述的一种高精度计量互感器误差测量方法,其特征在于,所述IMF分量中每个数据点的异常程度满足表达式:
;
其中,表示第i个IMF分量中第j个数据点的异常程度;/>表示第i个IMF分量的周期长度,i表示IMF分量的序号;/>表示周期项的周期长度;/>表示第i个IMF分量中第j个数据点所在周期的周期长度;/>表示绝对值符号;tanh()表示双曲正切函数。
6.根据权利要求1所述的一种高精度计量互感器误差测量方法,其特征在于,所述历史测量数据曲线中每个数据点的异常程度满足表达式:
;
其中,表示历史测量数据曲线中第j个数据点的异常程度;/>表示残差项中第j个残差值;S表示历史测量数据曲线中包含的数据点的个数;/>表示第i个IMF分量中第j个数据点的异常程度;i表示IMF分量的序号;n表示IMF分量的数量。
7.根据权利要求1所述的一种高精度计量互感器误差测量方法,其特征在于,所述根据历史的测量数据以及历史每一时刻的环境数据、工作频率以及磁场数据构建神经网络,包括:
采用的神经网络为LSTM神经网络;神经网络的输入为每一时刻的测量数据以及每一时刻的环境数据、工作频率、磁场数据,输出为每一时刻的测量数据对应的预测误差;神经网络的数据集为历史的测量数据以及历史每一时刻的环境数据、工作频率、磁场数据构成的数据集,标签为历史的测量数据的误差;其中历史的测量数据的误差的获取方法为:将互感器的输出与已知准确的测量设备进行比较,从而得出误差。
8.根据权利要求7所述的一种高精度计量互感器误差测量方法,其特征在于,所述神经网络的损失函数满足表达式:
;
其中,表示历史测量数据曲线中第j个数据点的异常程度;/>表示历史测量数据曲线中第j个数据点的预测误差;/>表示历史第j个时刻的测量数据的误差;S表示历史测量数据曲线中包含的数据点的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410464914.7A CN118068253B (zh) | 2024-04-18 | 2024-04-18 | 一种高精度计量互感器误差测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410464914.7A CN118068253B (zh) | 2024-04-18 | 2024-04-18 | 一种高精度计量互感器误差测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN118068253A true CN118068253A (zh) | 2024-05-24 |
CN118068253B CN118068253B (zh) | 2024-06-25 |
Family
ID=91102348
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410464914.7A Active CN118068253B (zh) | 2024-04-18 | 2024-04-18 | 一种高精度计量互感器误差测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118068253B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954695A (zh) * | 2016-04-20 | 2016-09-21 | 国家电网公司 | 一种基于同步的同质传感器突变参数识别方法与装置 |
WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
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 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及*** |
CN116643163A (zh) * | 2023-07-27 | 2023-08-25 | 浙江北岛科技有限公司 | 一种真空断路器远程在线监测*** |
CN116720622A (zh) * | 2023-06-14 | 2023-09-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电流互感器计量误差值预测方法 |
CN117290679A (zh) * | 2023-09-13 | 2023-12-26 | 国网新疆电力有限公司昌吉供电公司 | 电流互感器的运行状态检测方法、装置及电子设备 |
CN117312790A (zh) * | 2023-09-15 | 2023-12-29 | 国网重庆市电力公司营销服务中心 | 电压互感器误差预测方法、装置、设备及可读存储介质 |
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*** |
CN117374913A (zh) * | 2023-09-01 | 2024-01-09 | 华北电力大学 | 一种基于STL分解与多层seq2seq模型的波浪能预测方法和装置 |
CN117452310A (zh) * | 2023-09-26 | 2024-01-26 | 国网浙江省电力有限公司营销服务中心 | 基于权重系数分配TCN-BiGRU模型的CVT误差预测方法 |
CN117590142A (zh) * | 2024-01-19 | 2024-02-23 | 杭州万禾电力科技有限公司 | 基于深度学习的开关柜故障诊断方法及*** |
CN117633696A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市智德森水务科技有限公司 | 一种基于bim模型的水利工程施工监测方法及*** |
CN117689693A (zh) * | 2023-12-21 | 2024-03-12 | 浙江工业大学 | 一种基于图对比自监督学习的异常局部轨迹检测方法和装置 |
-
2024
- 2024-04-18 CN CN202410464914.7A patent/CN118068253B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105954695A (zh) * | 2016-04-20 | 2016-09-21 | 国家电网公司 | 一种基于同步的同质传感器突变参数识别方法与装置 |
WO2021164267A1 (zh) * | 2020-02-21 | 2021-08-26 | 平安科技(深圳)有限公司 | 异常检测方法、装置、终端设备及存储介质 |
WO2023130776A1 (zh) * | 2022-01-07 | 2023-07-13 | 国网浙江省电力有限公司电力科学研究院 | 储能电站电池工况健康状态预测方法及*** |
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 |
CN116720622A (zh) * | 2023-06-14 | 2023-09-08 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电流互感器计量误差值预测方法 |
CN116643163A (zh) * | 2023-07-27 | 2023-08-25 | 浙江北岛科技有限公司 | 一种真空断路器远程在线监测*** |
CN117374913A (zh) * | 2023-09-01 | 2024-01-09 | 华北电力大学 | 一种基于STL分解与多层seq2seq模型的波浪能预测方法和装置 |
CN117290679A (zh) * | 2023-09-13 | 2023-12-26 | 国网新疆电力有限公司昌吉供电公司 | 电流互感器的运行状态检测方法、装置及电子设备 |
CN117312790A (zh) * | 2023-09-15 | 2023-12-29 | 国网重庆市电力公司营销服务中心 | 电压互感器误差预测方法、装置、设备及可读存储介质 |
CN117452310A (zh) * | 2023-09-26 | 2024-01-26 | 国网浙江省电力有限公司营销服务中心 | 基于权重系数分配TCN-BiGRU模型的CVT误差预测方法 |
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*** |
CN117689693A (zh) * | 2023-12-21 | 2024-03-12 | 浙江工业大学 | 一种基于图对比自监督学习的异常局部轨迹检测方法和装置 |
CN117590142A (zh) * | 2024-01-19 | 2024-02-23 | 杭州万禾电力科技有限公司 | 基于深度学习的开关柜故障诊断方法及*** |
CN117633696A (zh) * | 2024-01-26 | 2024-03-01 | 深圳市智德森水务科技有限公司 | 一种基于bim模型的水利工程施工监测方法及*** |
Non-Patent Citations (4)
Title |
---|
SONG, QH (SONG, QINGHUI)等: "State Diagnosis of Elevator Control Transformer over Vibration Signal Based on MEA-BP Neural Network", SHOCK AND VIBRATION, vol. 2021, 11 January 2022 (2022-01-11) * |
束洪春;赵文渊;彭仕欣;: "配电网缆-线混合线路故障选线的HHT检测方法", 电力自动化设备, no. 05, 10 May 2009 (2009-05-10) * |
杨爱超;吴宇;邓小松;张谦;鲁彩江;胡琛;李敏;李东江;熊志凌;: "基于Prophet的电子式互感器误差预测方法", 自动化与仪器仪表, no. 06, 24 June 2020 (2020-06-24) * |
王立辉等: "基于CEEMDAN-ZCR的光纤电流互感器非线性误差识别", 电力工程技术, vol. 41, no. 04, 22 July 2022 (2022-07-22) * |
Also Published As
Publication number | Publication date |
---|---|
CN118068253B (zh) | 2024-06-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110707763B (zh) | 一种基于集成学习的交直流配电网负荷预测方法 | |
CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
CN116720622B (zh) | 一种电流互感器计量误差值预测方法 | |
CN109359665B (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN111598303B (zh) | 一种基于气象成分分解的夏季短期负荷预测方法 | |
CN108920868A (zh) | 基于智能电表数据的负荷辨识模型参数修正方法 | |
CN112991090A (zh) | 基于Transformer模型的光伏功率预测方法 | |
US20160320437A1 (en) | Frequency Measuring Method and Measuring Device For Electricity System | |
CN108595892A (zh) | 基于时间差分模型的软测量建模方法 | |
CN113743504A (zh) | 一种电压暂降源识别模型构建方法、装置、终端及介质 | |
CN110275129A (zh) | 一种确定高压电能计量装置合成误差的方法和*** | |
Arce et al. | Real-time power consumption monitoring and forecasting using regression techniques and machine learning algorithms | |
CN115018209A (zh) | 一种数字化电能计量***运行误差长期预测方法及设备 | |
CN111932051A (zh) | 一种基于非侵入式电力终端时序监测的恶意行为检测方法 | |
CN112836870A (zh) | 预测风电功率的方法、装置、设备和计算机可读存储介质 | |
CN106406830A (zh) | 一种准周期信号的预测方法和装置 | |
CN116701822A (zh) | 基于麻雀搜索算法与变分模态分解的负荷电能计量方法 | |
CN118068253B (zh) | 一种高精度计量互感器误差测量方法 | |
CN116995655A (zh) | 一种光伏短期预测曲线调整方法及*** | |
Mishra et al. | Power quality disturbances classification with deep learning approach | |
CN110909492A (zh) | 一种基于极端梯度提升算法的污水处理过程软测量方法 | |
CN109903181A (zh) | 基于压缩感知的缺失数据集下的线损预测方法 | |
CN110705373B (zh) | 一种基于小波包分析和残差网络的槽电压信号分类方法 | |
CN107480817B (zh) | 一种电压波动指标测量方法及*** | |
CN112686443A (zh) | 一种基于人工智能的光伏发电预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |