CN110632546B - 基于全网域证据集的电子式互感器可信度评估方法和装置 - Google Patents
基于全网域证据集的电子式互感器可信度评估方法和装置 Download PDFInfo
- Publication number
- CN110632546B CN110632546B CN201910909246.3A CN201910909246A CN110632546B CN 110632546 B CN110632546 B CN 110632546B CN 201910909246 A CN201910909246 A CN 201910909246A CN 110632546 B CN110632546 B CN 110632546B
- Authority
- CN
- China
- Prior art keywords
- electronic transformer
- distance
- dimensional data
- credibility
- data set
- 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.)
- Active
Links
Images
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
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Power Engineering (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于全网域证据集的电子式互感器可信度概率评估方法和装置,对电子式互感器高维数据集进行聚类,得到聚类后的电子式互感器高维数据集的不同簇,剔除噪声点数据;根据电子式互感器高维数据集和电子式互感器高维数据集的不同簇的可信度概率,输出为预测的可信度概率,对预先建立的XGBoost模型进行训练,得到训练好的XGBoost模型;将待评估电子式互感器高维数据集,输入训练好的XGBoost模型,得到预测的可信度概率,从而判断电子式互感器是否存在计量误差,在不依赖标准互感器的情况下,评估电子式互感器测量数据的可信度。
Description
技术领域
本发明属于数字电能计量技术领域,具体涉及一种基于全网域证据集的电子式互感器可信度评估方法和装置。
背景技术
目前,电子式互感器在国内用于数字电能计量推广应用较少,仅有江西等4省开展了其用于数字电能计量推广应用的示范应用,远不能满足智能电网数字化电能计量的发展要求。由于缺乏电子式互感器计量运行态势分析及风险评估手段,制约了电子式互感器用于数字电能计量应用的发展进程。电子式互感器计量运行态势分析及风险评估技术难点主要体现在4个方面:一是针对电子式互感器状态分析手段,通过与传统互感器进行误差比对的方式,难以适应电子式互感器规模化应用场景下误差状态分析;二是在无标准器的条件下,需要采用数据分析方法分析电子式互感器运行态势,但目前国内缺乏电子式互感器计量大数据采集、存贮相关研究,无法开展相关分析;三是缺乏电子式互感器采集数据用于数字电能计量应用风险评估方法,无法对电子式互感器数字电能计量应用风险进行评估以及异常状态时电量处理,导致数字电能计量应用风险难以控制;四是现有电子式互感器现场检测设备和专用工装较少,现场检测项目和手段并不完善,难以开展在线检测工作,无法及时发现电子式互感器误差异常,造成计量数据用于数字电能计量应用的风险进一步加大。因此,亟需开展面向数字电能计量应用的电子式互感器计量运行态势多维度分析及风险评估研究。
在不依赖标准器的条件下,解决在运电子式互感器误差状态评估的问题,是计量技术领域的国际性难题;进一步评估电子式互感器测量数据用于数字电能计量应用的可信度及风险,则是数字电能计量推广应用的关键环节。
发明内容
为解决上述问题,本发明提供了一种基于全网域证据集的电子式互感器可信度评估方法和装置。
本发明技术方案如下:一种基于全网域证据集的电子式互感器可信度概率评估方法,对电子式互感器高维数据集进行聚类,得到聚类后的电子式互感器高维数据集的不同簇,剔除噪声点数据;
根据电子式互感器高维数据集和聚类后的电子式互感器高维数据集的不同簇的可信度概率,对预先建立的XGBoost模型进行训练,得到训练好的XGBoost模型;
将待评估电子式互感器高维数据集,输入训练好的XGBoost模型,得到预测的可信度概率,从而判断电子式互感器是否存在计量误差。
前述的一种基于全网域证据集的电子式互感器可信度概率评估方法,其特征在于,所述电子式互感器高维数据集包括环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压数据。
前述的一种基于全网域证据集的电子式互感器可信度概率评估方法,其特征在于,对电子式互感器高维数据集进行聚类,具体为:获取电子式互感器高维数据集D,半径参数ε,密度阈值MinPts,根据上述参数,采用DBSCAN密度聚类算法,得到聚类结果。
前述的一种基于全网域证据集的电子式互感器可信度概率评估方法,其特征在于,所述半径参数ε确定过程为:
给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)被称为k-距离;k-距离是点p(i)到所有点(除了p(i)点)之间距离第k近的距离;对待聚类集合中每个点p(i)都计算k-距离,得到所有点的k-距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k-距离;对所有点的k-距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k-距离的变化曲线图,绘出曲线,将所绘曲线的斜率绝对值最大的位置所对应的k-距离的值,确定为半径ε的值;
前述的一种基于全网域证据集的电子式互感器可信度概率评估方法,其特征在于,所述聚类后的电子式互感器高维数据集的不同簇的可信度概率,计算方法为:
式中,P为一个簇的可信度概率,Y为一个簇中可信数据的数量,N为一个类中不可信数据的数量,比差和角差大于设定值的数据是不可信数据,比差和角差小于设定值的数据是可信数据;
所述比差和角差计算方法为:
JC=(J-J')*60
其中,BC为比差,B为电子式互感器测量电压或电流幅值,B’为传统电磁式标准互感器电压或电流幅值;JC为角差,J为电子互感器测量电压或电流相位,J’为传统电磁式标准互感器电压或电流相位。
一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,包括:
聚类模块,用于对电子式互感器高维数据集进行聚类,得到聚类后的电子式互感器高维数据集的不同簇,剔除噪声点数据;
XGBoost模型训练模块,用于根据电子式互感器高维数据集和电子式互感器高维数据集的不同簇的可信度概率,对预先建立的XGBoost模型进行训练,得到训练好的XGBoost模型;
评估模块,用于将待评估电子式互感器高维数据集,输入训练好的XGBoost模型,得到预测的可信度概率,从而判断电子式互感器是否存在计量误差。
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,电子式互感器高维数据集包括环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压数据。
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,对电子式互感器高维数据集进行聚类,具体为:获取电子式互感器高维数据集D,半径参数ε,密度阈值MinPts,根据上述参数,采用DBSCAN密度聚类算法,得到聚类结果。
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,所述半径参数ε确定过程为:
给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)被称为k-距离;k-距离是点p(i)到所有点(除了p(i)点)之间距离第k近的距离;对待聚类集合中每个点p(i)都计算k-距离,得到所有点的k-距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k-距离;对所有点的k-距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k-距离的变化曲线图,绘出曲线,将所绘曲线的斜率绝对值最大的位置所对应的k-距离的值,确定为半径ε的值;
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,所述电子式互感器高维数据集的不同簇的可信度概率,计算方法为:
式中,P为一个簇的可信度概率,Y为一个簇中可信数据的数量,N为一个类中不可信数据的数量,比差和角差大于设定值的数据是不可信数据,比差和角差小于设定值的数据是可信数据;
所述比差和角差计算方法为:
JC=(J-J')*60
其中,BC为比差,B为电子式互感器测量电压或电流幅值,B’为传统电磁式标准互感器电压或电流幅值;JC为角差,J为电子互感器测量电压或电流相位,J’为传统电磁式标准互感器电压或电流相位。
本发明有益效果:本发明利用电子式互感器的采样输出值,构建基于XGBoost的可信度评估模型,预测电子式互感器的可信度概率,进而分析电子式互感器的运行状态,引入可信度评估方法对电子式互感器测量数据用于数字电能计量应用评估;
该方法能够在不依赖传统电磁式标准互感器条件下,解决在运电子式互感器误差状态无法评估的问题,可以用于评估电子式互感器测量数据用于数字电能计量应用可信度。
附图说明
图1为本发明具体实施方式中的一种方法流程图;
图2为本发明具体实施方式中的Xgboost模型预测概率与真实结果对比图。
具体实施方式
下面结合具体的实施例对本发明技术方案作进一步的详细描述,以使本领域的技术人员可以更好的理解本发明并能予以实施,但所举实施例不作为对本发明的限定。
实施例1:
如图1所示,一种基于全网域证据集的电子式互感器可信度评估方法,包括步骤:
步骤一,对电子式互感器高维数据集进行聚类,得到聚类后的电子式互感器高维数据集的不同簇;
所述电子式互感器高维数据集为电子式互感器对智能变电站全网域采集的负荷数据和环境数据,即全网域证据集,所述环境数据包括环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动,负荷数据包括电子式互感器的测量电流、测量电压;电子式互感器可以为智能变电站中的一个或多个同型号的电子式互感器;电子式互感器高维数据集包括m条数据样本,每条数据样本包括六维特征数据。
比差和角差是电子式互感器测量数据与传统电磁式标准互感器真实电压电流数据比对后计算得到的,以此作为模型训练的标签,比差和角差由下式(1)和式(2)得到:
JC=(J-J')*60 (2)
其中,BC为比差,B为电子互感器测量电压或电流幅值,B’为传统电磁式标准互感器电压或电流幅值,无量纲;JC为角差,J为电子互感器测量电压或电流相位,J’为传统电磁式标准互感器电压或电流相位,单位为分。
对电子式互感器高维数据集进行聚类,得到聚类后的电子式互感器高维数据集的不同簇,具体为:
基于温度、湿度、磁场、振动、电流、电压六个维度特征,采用DBSCAN(具有噪声的基于密度的聚类方法)密度聚类算法,无需提前给定聚类中心的个数。此时的数据集聚类采用了6个特征,因此无法可视化。被聚成一类的数据被视为属于特征相似的一类数据。
电子式互感器高维数据集采用DBSCAN密度聚类算法进行聚类,具体过程为:
输入:电子式互感器高维数据集D,半径参数ε,密度阈值MinPts,
输出:聚类结果及噪声数据;噪声数据为不合格的数据,需要剔除,不参与整个训练预测的过程;
半径参数ε和密度阈值MinPts是需要用户输入的两个参数,用户根据数据集的特点和专家经验确定。本发明采用如下方法确定半径参数ε和密度阈值MinPts:
确定半径ε需要用到k-距离。k-距离是指:给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,假设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)就被称为k-距离。也就是说,k-距离是点p(i)到所有点(除了p(i)点)之间距离第k近的距离。对待聚类集合中每个点p(i)都计算k-距离,最后得到所有点的k-距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k-距离。根据得到的所有点的k-距离集合E,对k-距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k-距离的变化曲线图,绘出曲线,将所绘曲线的斜率绝对值最大的位置所对应的k-距离的值,确定为半径ε的值。其中,k-距离中k的取值为密度阈值MinPts。
步骤二,计算电子式互感器高维数据集的不同簇的可信度概率,数据集中同一个簇的可信度概率是相等的。每个簇的数据被认为是特征相似的,但是簇中的每条数据样本都有比差和角差,即每条数据样本都有标签,比差和角差大的数据被认为是不可信数据,比差和角差小的数据被认为是可信数据。因此,对于某一类特征相似的数据,它的可信度可用概率P表示。每个簇中的每条数据样本都有与传统电磁式标准互感器相比对的比差和角差,如果准确度低于国家标准的准确级0.2,即比差大于0.2%或者角差大于10’,单位分,认为此条数据不可信。电子式互感器误差的国家标准如下表1所示,可信度概率P如式(3):
式中,Y为一个类中可信数据的数量,N为一个类中不可信数据的数量。
表1,电子式互感器误差的国家标准;
步骤三,根据输入特征环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压,和电子式互感器高维数据集的不同簇的可信度概率,输出为预测的可信度概率,对预先建立的XGBoost模型进行训练,高维数据集聚类后的一个簇采用同一个标签,即真实的可信度概率P,70%的数据样本作为训练集,30%的数据样本作为测试集。训练集包括6个输入特征和对应的标签,标签为可信度概率,聚类后的噪声点剔除,不参与组成训练集;模型训练的目的就是让输出尽可能逼近标签;
所述XGBoost模型,输入特征为环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压,输出为电子互感器测量数据的预测的可信度概率P’。预测概率P’在0-1之间,即测量数据可信则为1,测量数据不可信则为0。
训练数据集描述如表2所示:
表2,训练数据集描述表
步骤四,将待评估电子式互感器高维数据集,输入训练好的XGBoost模型,可直接得到预测的可信度概率,根据预测的可信度概率判断数据是否可信,进而得到电子互感器是否存在计量误差。待评估电子式互感器高维数据集包括电子式互感器的环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压六个维度特征;
不依赖传统电磁式标准互感器,输入为环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压,输出为可信度概率。图2为Xgboost模型预测可信度概率P’与真实结果对比图。预测可信度概率P’在0-1之间,即测量数据可信则为1,测量数据不可信则为0。
综上所述:本发明利用电子式互感器的采样输出值,构建基于XGBoost的可信度评估模型,预测电子式互感器的可信度概率,进而分析电子式互感器的运行状态,引入可信度评估方法对电子式互感器测量数据用于数字电能计量应用评估;
该方法能够在不依赖传统电磁式标准互感器条件下,解决在运电子式互感器误差状态无法评估的问题,可以用于评估电子式互感器测量数据用于数字电能计量应用的可信度。
该方法能够在不依赖传统电磁式标准互感器条件下,解决在运电子式互感器误差状态无法评估的问题,并且进一步评估电子式互感器测量数据用于数字电能计量应用的可信度。
实施例2:
一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,包括:
聚类模块,用于对电子式互感器高维数据集进行聚类,得到聚类后的电子式互感器高维数据集的不同簇,剔除噪声点数据;
XGBoost模型训练模块,用于根据电子式互感器高维数据集和电子式互感器高维数据集的不同簇的可信度概率,对预先建立的XGBoost模型进行训练,得到训练好的XGBoost模型;
评估模块,用于将待评估电子式互感器高维数据集,输入训练好的XGBoost模型,得到预测的可信度概率,从而判断电子式互感器是否存在计量误差。
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,电子式互感器高维数据集包括环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压数据。
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,对电子式互感器高维数据集进行聚类,具体为:获取电子式互感器高维数据集D,半径参数ε,密度阈值MinPts,根据上述参数,采用DBSCAN密度聚类算法,得到聚类结果。
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,所述半径参数ε确定过程为:
给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)被称为k-距离;k-距离是点p(i)到所有点(除了p(i)点)之间距离第k近的距离;对待聚类集合中每个点p(i)都计算k-距离,得到所有点的k-距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k-距离;对所有点的k-距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k-距离的变化曲线图,绘出曲线,将所绘曲线的斜率绝对值最大的位置所对应的k-距离的值,确定为半径ε的值;
前述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,所述电子式互感器高维数据集的不同簇的可信度概率,计算方法为:
式中,P为一个簇的可信度概率,Y为一个簇中可信数据的数量,N为一个类中不可信数据的数量,比差和角差大于设定值的数据是不可信数据,比差和角差小于设定值的数据是可信数据;
所述比差和角差计算方法为:
JC=(J-J')*60
其中,BC为比差,B为电子式互感器测量电压或电流幅值,B’为传统电磁式标准互感器电压或电流幅值;JC为角差,J为电子互感器测量电压或电流相位,J’为传统电磁式标准互感器电压或电流相位。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。
本申请是参照根据本申请实施例的方法、设备(系统)、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。
以上仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (6)
1.一种基于全网域证据集的电子式互感器可信度概率评估方法,其特征在于,
根据电子式互感器高维数据集和聚类后的电子式互感器高维数据集的不同簇的可信度概率,对预先建立的XGBoost模型进行训练,得到训练好的XGBoost模型;
将待评估电子式互感器高维数据集,输入训练好的XGBoost模型,得到预测的可信度概率,根据预测的可信度概率判断电子式互感器是否存在计量误差;
对电子式互感器高维数据集进行聚类,具体为:对电子式互感器高维数据集进行聚类,具体为:获取电子式互感器高维数据集D,半径参数ε,密度阈值MinPts,根据上述参数,采用DBSCAN密度聚类算法,得到聚类结果;
所述半径参数ε确定过程为:
给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)被称为k-距离;k-距离是点p(i)到除了p(i)点之外所有点之间距离第k近的距离;对待聚类集合中每个点p(i)都计算k-距离,得到所有点的k-距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k-距离;对所有点的k-距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k-距离的变化曲线图,绘出曲线,将所绘曲线的斜率绝对值最大的位置所对应的k-距离的值,确定为半径ε的值;
k的取值为密度阈值MinPts,所述密度阈值MinPts为预先设定的阈值。
2.根据权利要求1所述的一种基于全网域证据集的电子式互感器可信度概率评估方法,其特征在于,所述电子式互感器高维数据集包括环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压数据。
4.一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,包括:
聚类模块,用于对电子式互感器高维数据集进行聚类,得到聚类后的电子式互感器高维数据集的不同簇,剔除噪声点数据;
XGBoost模型训练模块,用于根据电子式互感器高维数据集和电子式互感器高维数据集的不同簇的可信度概率,对预先建立的XGBoost模型进行训练,得到训练好的XGBoost模型;
评估模块,用于将待评估电子式互感器高维数据集,输入训练好的XGBoost模型,得到预测的可信度概率,从而判断电子式互感器是否存在计量误差;
对电子式互感器高维数据集进行聚类,具体为:获取电子式互感器高维数据集D,半径参数ε,密度阈值MinPts,根据上述参数,采用DBSCAN密度聚类算法,得到聚类结果;
所述半径参数ε确定过程为:
给定数据集P={p(i);i=0,1,…n},对于任意点p(i),计算点p(i)到集合S={p(0),p(1),p(2),…,p(i-1),p(i+1),…,p(n)}中所有点之间的距离,距离按照从小到大的顺序排序,设排序后的距离集合为J={j(1),j(2),…,j(k-1),j(k),j(k+1),…,j(n)},则j(k)被称为k-距离;k-距离是点p(i)到除了p(i)点之外所有点之间距离第k近的距离;对待聚类集合中每个点p(i)都计算k-距离,得到所有点的k-距离集合E={e(1),e(2),…,e(n)},e(n)为第n个点的k-距离;对所有点的k-距离集合E进行升序排序后得到排序后的k-距离集合E’,拟合一条排序后的E’集合中k-距离的变化曲线图,绘出曲线,将所绘曲线的斜率绝对值最大的位置所对应的k-距离的值,确定为半径ε的值;
k的取值为密度阈值MinPts,所述密度阈值MinPts为预先设定的阈值。
5.根据权利要求4所述的一种基于全网域证据集的电子式互感器可信度概率评估装置,其特征在于,电子式互感器高维数据集包括环境温度、环境湿度、智能变电站空间磁场、电子式互感器运行环境振动、电子式互感器的测量电流、测量电压数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909246.3A CN110632546B (zh) | 2019-09-25 | 2019-09-25 | 基于全网域证据集的电子式互感器可信度评估方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910909246.3A CN110632546B (zh) | 2019-09-25 | 2019-09-25 | 基于全网域证据集的电子式互感器可信度评估方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110632546A CN110632546A (zh) | 2019-12-31 |
CN110632546B true CN110632546B (zh) | 2021-07-02 |
Family
ID=68972898
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910909246.3A Active CN110632546B (zh) | 2019-09-25 | 2019-09-25 | 基于全网域证据集的电子式互感器可信度评估方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110632546B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113236508B (zh) * | 2021-05-31 | 2022-04-05 | 浙江运达风电股份有限公司 | 一种用于风力发电机组风速-功率异常数据检测的方法 |
CN113297797B (zh) * | 2021-06-02 | 2023-12-15 | 东南大学 | 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 |
CN113313191A (zh) * | 2021-06-13 | 2021-08-27 | 西北工业大学 | 一种基于无监督学习的分布式孔径交互智能评估方法 |
CN113702895B (zh) * | 2021-10-28 | 2022-02-08 | 华中科技大学 | 一种电压互感器误差状态在线定量评估方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104218570A (zh) * | 2014-08-21 | 2014-12-17 | 国家电网公司 | 一种电能计量装置整体计量误差的在线评估方法和系统 |
CN107884739A (zh) * | 2017-09-29 | 2018-04-06 | 国网吉林省电力有限公司电力科学研究院 | 一种电子式互感器带电分析系统 |
CN109188082A (zh) * | 2018-08-14 | 2019-01-11 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器状态评估方法 |
CN109376926A (zh) * | 2018-10-23 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 电能计量器具的误差预测方法、装置、设备及存储介质 |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
-
2019
- 2019-09-25 CN CN201910909246.3A patent/CN110632546B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104218570A (zh) * | 2014-08-21 | 2014-12-17 | 国家电网公司 | 一种电能计量装置整体计量误差的在线评估方法和系统 |
CN107884739A (zh) * | 2017-09-29 | 2018-04-06 | 国网吉林省电力有限公司电力科学研究院 | 一种电子式互感器带电分析系统 |
CN109188082A (zh) * | 2018-08-14 | 2019-01-11 | 国网陕西省电力公司电力科学研究院 | 一种基于bp神经网络的变压器状态评估方法 |
CN109376926A (zh) * | 2018-10-23 | 2019-02-22 | 南方电网科学研究院有限责任公司 | 电能计量器具的误差预测方法、装置、设备及存储介质 |
CN110095744A (zh) * | 2019-04-04 | 2019-08-06 | 国网江苏省电力有限公司电力科学研究院 | 一种电子式互感器误差预测方法 |
Non-Patent Citations (5)
Title |
---|
Application of Evidence Theory in Transformer Fault Diagnosis Based on Distance Measure;Wang Jianyuan,et al.;《2010 Asia-Pacific Power and Energy Engineering Conference》;20100415;第1-4页 * |
Reliability Probability Evaluation Method of Electronic transformer based on Xgboost model;Gang Chen,et al.;《2020 12th IEEE PES Asia-Pacific Power and Energy Engineering Conference》;20201013;第1-5页 * |
Xgboost算法在区域用电预测中的应用;许裕栗 等;《自动化仪表》;20180731;第39卷(第7期);摘要及第3页第1栏第6-9行 * |
智能电能表计量可信性分析方法研究;黄友朋 等;《电测与仪表》;20150831;第52卷(第16A期);摘要及第21页第2栏第8-15行 * |
电子式互感器状态评价及可靠性计算研究;李一泉 等;《广东电力》;20121130;第25卷(第11期);第10-15页,第29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110632546A (zh) | 2019-12-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110632546B (zh) | 基于全网域证据集的电子式互感器可信度评估方法和装置 | |
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN113792825B (zh) | 一种用电信息采集设备故障分类模型训练方法及装置 | |
Wang et al. | A novel weighted sparse representation classification strategy based on dictionary learning for rotating machinery | |
CN109597968B (zh) | 基于smt大数据的锡膏印刷性能影响因素分析方法 | |
CN108241901B (zh) | 一种基于预测数据的变压器预警评估方法及装置 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN105954695A (zh) | 一种基于同步的同质传感器突变参数识别方法与装置 | |
CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
CN110544047A (zh) | 一种不良数据辨识方法 | |
CN110930057A (zh) | 基于lof算法的配电变压器检验结果可信度的量化评判方法 | |
CN111950840A (zh) | 一种计量检定装置智能运维知识检索方法及系统 | |
CN117572837B (zh) | 一种智慧电厂ai主动运维方法及系统 | |
CN112528762B (zh) | 一种基于数据关联分析的谐波源识别方法 | |
CN112949735A (zh) | 一种基于离群数据挖掘的液态危化品挥发浓度异常发现方法 | |
CN115035966B (zh) | 基于主动学习和符号回归的超导体筛选方法、装置及设备 | |
CN116187861A (zh) | 基于同位素的水质溯源监测方法及相关装置 | |
Wu et al. | Optimization and improvement based on K-Means Cluster algorithm | |
CN111105041A (zh) | 一种用于智慧数据碰撞的机器学习方法及装置 | |
CN115586321A (zh) | 油中溶解气在线监测数据识别方法、系统、存储器及设备 | |
CN112487991B (zh) | 一种基于特征自学习的高精度负荷辨识方法及系统 | |
Du et al. | Unstructured log oriented fault diagnosis for operation and maintenance management | |
CN112149969B (zh) | 特高压直流控制保护合并单元运行状态评价方法及系统 |
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 |