CN111537938B - 基于智能算法的电子式互感器误差短时预测方法 - Google Patents

Abstract

本发明涉及一种基于智能算法的电子式互感器误差短时预测方法，属于电能计量领域。该方法包括以下步骤：S1：电子式互感器数据采集；S2：对数据集进行预处理操作；S3：引入箱线图将数据可视化；S4：建立Prophet模型对电子式互感器误差进行预测。本发明利用智能电网中电子式互感器计量数据，通过Prophet方法，对电子式互感器误差发展态势进行分析及仿真研究，以保证电子式互感器的安全稳定运行。本发明充分利用智能电网中电子式互感器计量数据，基于Prophet模型，提出了无标准器的条件下对电子式互感器误差发展态势进行短时预测的方法，以保证电子式互感器的安全稳定运行，可适应电子式互感器规模化应用场景下误差状态分析需求。

Description

基于智能算法的电子式互感器误差短时预测方法

技术领域

本发明属于电能计量领域，涉及基于智能算法的电子式互感器误差短时预测方法。

背景技术

在电子式互感器的实际运行过程中，不仅需要在其计量误差异常时能够进行准确快速的诊断，进一步的需要对电子式互感器计量误差的劣变趋势做出及时的预测，以便相关运行维护人员能够及时进行检修维护工作，减少电能计量的损失和保证测控保护装置的正常运行，对电力系统的安全稳定经济运行具有重要意义。

在预测方面广泛运用的智能算法包括神经网络，Prophet模型等等。神经网络被运用在多个方面，例如电力系统负荷预测，绝缘油击穿电压预测和铁路货运量预测等等。Prophet模型也在银行储备金预测，产品销售量预测和每日空气质量指数预测等方面取得了良好效果。

但关于电子式互感器计量状态预测的研究目前在国内外还处于空白状态，由于电子式互感器的二次输出信息进行状态预测会受到电网自身状态随机波动的影响，尚无有效的方法预测电子式互感器计量误差性能变化趋势。

发明内容

有鉴于此，本发明的目的在于提供一种基于智能算法的电子式互感器误差短时预测方法。利用智能电网中电子式互感器计量数据，通过Prophet方法，对电子式互感器误差发展态势进行分析及仿真研究，以保证电子式互感器的安全稳定运行。

为达到上述目的，本发明提供如下技术方案：

基于智能算法的电子式互感器误差短时预测方法，该方法包括以下步骤：

S1：电子式互感器数据采集；

S2：对数据集进行预处理操作；

S3：引入箱线图将数据可视化；

S4：建立Prophet模型对电子式互感器误差进行预测。

优选的，所述S1具体为：

电子式互感器数据源自220kV互感器误差状态监测平台；在该平台中，线路间隔安装有电磁式电流互感器和空心线圈电流互感器，2个互感器的准确度均为0.2级，额定电流均为600A；电磁式互感器的额定输出为5A，额定二次容量为25V·A，额定电流下的比差为0.08％、角差为6'；空心线圈电流互感器在额定电流下的比差为0.12％、角差为6'，输出遵循IEC61850-9-2协议；信号采集单元将电磁式电流互感器的模拟信号转换为数字信号；数据处理单元接收信号采集单元的输出信号及采样值报文数据，满足0.05级的准确度要求，并以电磁式电流互感器输出为标准得到误差比对结果。

优选的，所述S2具体为：

①设定数据上下边界，删除异常值；

②确定数据集中缺失值的占比，当占比较大时采用拉格朗日插值法或牛顿插值法插值，占比较小时不处理；

③由于互感器信号采集单元采集频率高，一个月下的数据样本中含有超过260万组数据，直接进行预测会使得模型求解变得非常困难；采用式(1)求得每小时数据的平均值，并以平均值作为训练样本，减少模型预测复杂度，提高预测效率；

式(1)中

为每小时数据平均值，

为每秒数据采样值。

优选的，所述S3具体为：

引入箱线图将数据可视化；箱线图利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据。

优选的，所述S4具体为：

建立Prophet模型

Prophet模型采用广义加法模型来拟合和预测函数，如式(2)所示；

y(t)＝g(t)+s(t)+h(t)+ε_t (2)

模型将时间序列分成3个部分的叠加：趋势、周期、突变项；

①如果时间序列增长趋势是非线性增长的，g(t)项为逻辑回归函数；如果增长趋势是线性增长的，g(t)项为线性函数；采用线性增长模型；

g(t)＝(k+a(t)^Tδ)t+(m_p+a(t)^Tγ) (3)

式中，k是增长率，δ是增长率调整值，m_p是偏移参数，γ被设为-s_jδ_j以令函数连续；

②s(t)用来表示周期性变化，由傅里叶级数组成；

式中：p表示目标序列的周期；c_n为要估计的系数参数；N为设定的近似项个数；

③突变项h(t)表示由特殊原因造成的变化；

h(t)＝Z(t)k (6)

z(t)＝[l(t∈D₁,...,l(t∈D_L))] (7)

式中：D_i表示时间序列中存在特殊变化的日期；l是用于表示时间t是否属于D_i的指示函数；参数k服从正态分布k～N(0,v)；

④ε_t为服从正态分布的噪声项，其用于表示随机而无法预测的波动。

本发明的有益效果在于：

本发明弥补了在电子式互感器计量状态预测研究方面的不足。通过对算例结果的分析可以得到如下结论：BP神经网络的拟合程度与预测效果呈负相关，而Prophet模型能够在保证预测精度的情况下得到较好的拟合效果；通过图像结果及量化分析对比，可以看出Prophet模型对电子式互感器误差的预测效果明显优于BP神经网络模型；电子式互感器的误差周期变化主要以日波动为主，其原因可能是由于一天内温度变化导致的误差变化速率改变。

综上所述，本发明充分利用智能电网中电子式互感器计量数据，基于Prophet模型，提出了无标准器的条件下对电子式互感器误差发展态势进行短时预测的方法，以保证电子式互感器的安全稳定运行，可适应电子式互感器规模化应用场景下误差状态分析需求。

本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述，并且在某种程度上，基于对下文的考察研究对本领域技术人员而言将是显而易见的，或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。

附图说明

为了使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作优选的详细描述，其中：

图1为互感器误差状态监测平台；

图2为原始互感器角差；

图3为预处理后的互感器角差图；

图4为角差箱线图；

图5为BP神经网络拓扑图；

图6为互感器角差预测；(a)为神经网络预测结果；(b)为Prophet模型预测结果；

图7为互感器角差趋势及周期分量。

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

1数据处理

1.1电子式互感器数据采集

本发明使用的电子式互感器数据源自如图1所示的220kV互感器误差状态监测平台。在该平台中，线路间隔安装有电磁式电流互感器和空心线圈电流互感器，2个互感器的准确度均为0.2级，额定电流均为600A。电磁式互感器的额定输出为5A，额定二次容量为25V·A，额定电流下的比差为0.08％、角差为6'；空心线圈电流互感器在额定电流下的比差为0.12％、角差为6'，输出遵循IEC61850-9-2协议。信号采集单元将电磁式电流互感器的模拟信号转换为数字信号。数据处理单元接收信号采集单元的输出信号及采样值报文数据，满足0.05级的准确度要求，并以电磁式电流互感器输出为标准得到误差比对结果。

本发明以角差数据为例，原始互感器角差数据为互感器2018/7/1-2018/7/31实际运行数据，采样时间间隔为1s，如图2所示。

1.2数据预处理

由于电子式互感器角差数据一般是不规则且含有噪声的，因此在使用智能算法对互感器角差进行预测之前，需要对数据集进行以下预处理操作：

①设定角差数据上下边界，删除异常值；

②确定数据集中缺失值的占比，当占比较大时采用拉格朗日插值法或牛顿插值法插值，占比较小时不处理；

③由于互感器采集单元采集频率高，一个月下的数据样本中含有超过260万组数据，直接进行预测会使得模型求解变得非常困难。可以采用式(1)求得每小时角差的平均值，并以平均值作为训练样本，减少模型预测复杂度，提高预测效率。

式(1)中

为每小时角差平均值，

为每秒角差采样值。

经过预处理操作后，得到互感器角差数据如图3所示。

1.3数据可视化

为了直观地看出角差分布是否具有对称性，角差的分散程度以及角差大致的发展趋势，本发明引入箱线图将角差数据可视化。箱线图主要利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据，是数据可视化的常用方法。将预处理后的数据集以24h为间隔划分为31组数据集，对应7/1-7/31日，每个数据集包含96组数据，绘制出箱线图如图4所示。

从图4中可以看出，在7月里，互感器角差整体分布较为均匀，分散程度较为稳定，仅有少数几日(3、5、6、7、8、22)异常值较多，分布比较集中。13-21日，中位线居中，角差正态分布，月初、月末中位数向上偏移，角差偏态分布。从中位线的变化情况可以看出互感器角差这个月整体呈波动下降的趋势。

2预测模型

2.1BP神经网络基本原理

BP(back propagation)神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络。根据Kolmogorov定理，对于一个3层BP神经网络，只要隐层节点数足够多，就能在闭集上以任意精度逼近任意非线性连续函数。

如图5所示的是一种常见的BP神经网络拓扑结构，包含输入层、隐含层和输出层，每层都由一定数量神经元组成，上下层之间神经元全互连，连接强度用权值表示，同层神经元之间不相连。

图5中，x,x₁,...,x_l-1表示输入，假设隐含层有m个神经元，它们的输出为x′,x₁′,...,x′_m-1，输出层有n个神经元，输出y,y₁,...,y_n-1，输入层到隐含层的权值为w_ij，阈值为θ_j；隐含层到输出层的权值为w′_jk，阈值为θ′_k，各层神经元输出为：

其中，f(·)为激活函数，S型激励函数如式(3)所示。输入值经过各层激活函数得到输出值，网络根据输出值与实际值误差减小方向修正各个权值，不断迭代使得网络对输出响应值以设定精度逼近实际值。

2.2本发明Prophet模型基本原理

Prophet模型采用广义加法模型来拟合和预测函数，如式(4)所示。

y(t)＝g(t)+s(t)+h(t)+ε_t (4)

这里，模型将时间序列分成3个部分的叠加：趋势、周期、突变项。

①如果时间序列增长趋势是非线性增长的，g(t)项为逻辑回归函数；如果增长趋势是线性增长的，g(t)项为线性函数。从互感器角差箱线中可以看出增长趋势是线性的，因此，本发明采用的是线性增长模型。

g(t)＝(k+a(t)^Tδ)t+(m_p+a(t)^Tγ) (5)

式中，k是增长率，δ是增长率调整值，m_p是偏移参数，γ被设为-s_jδ_j以令函数连续。

②s(t)用来表示周期性变化，由傅里叶级数组成。

式中：p表示目标序列的周期；c_n为要估计的系数参数；N为设定的近似项个数，N越大，越能拟合复杂的周期性，但可能起不到很好的滤波效果。N的设定需要结合p进行考虑，对于每周的季节性，p设置为7，N则设置为3。

③突变项h(t)表示由特殊原因造成的变化。

h(t)＝Z(t)k (8)

z(t)＝[l(t∈D₁,...,l(t∈D_L))] (9)

式中：D_i表示时间序列中存在特殊变化的日期；l是用于表示时间t是否属于D_i的指示函数；参数k服从正态分布k～N(0,v)，v默认值设定为10，v越大，则允许模型以适应更大的波动，较小的值则抑制影响力。

④ε_t为服从正态分布的噪声项，其用于表示随机而无法预测的波动。

3实验结果

3.1参数设置

在利用神经网络进行预测之前，需要将预处理数据进行标准化处理，本文按式(10)采用Z-score标准化方法处理。

式中，μ为互感器角差数据集的均值，σ为互感器角差的标准差。

神经网络的相关参数对最终拟合精度以及预测精度影响非常大，参数设置不合理容易导致神经网络误差收敛陷入局部最优，达不到精度要求；同时，目标拟合精度设置过高，会导致神经网络出现过拟合现象，使得预测精度下降。

在神经网络训练中，可以通过循环语句不断修改神经网络参数，得到多组实验结果，从而通过对比得到最优参数设置。通过多次循环对比试验后，得到的最佳预测效果参数设置如表1所示。

表1神经网络参数设置表

在利用本发明Prophet模型进行互感器角差预测前，需要将预处理数据按照Prophet数据要求调整，更改为两列固定名称的dataframe：ds和y，其中ds列为日期，y列为序列。将输入数据格式处理好后，按照表2对Prophet模型参数进行设置。

表2 Prophet模型参数设置

3.2预测评价标准

为了提高预测模型的准确度，将2018/7月数据按7:3比例分为训练集、测试集。其中，训练集由7/1-7/21的数据组成，测试集由7/22-7/31的数据组成。为了对预测模型的准确度进行评价，由2018/8/1-2018/8/8互感器实际运行数据组成验证集，以平均绝对误差(MAE)和平均绝对百分误差(MAPE)，均方差MSE，均方根误差RMSE作为准确度衡量指标，将预测数据与验证集进行比较。

3.3预测结果分析

采用BP神经网络和Prophet模型对互感器角差预测结果分别如图6(a)和6(b)所示，两者的指标对比如表3所示。

表3拟合及预测结果对比

图6(a)中，由于神经网络的过度拟合反而会导致预测效果变差，因此通过适当的参数设置，预测结果中神经网络拟合曲线与角差实际曲线并没有完全贴合。在预测结果方面，神经网络仅预测出了未来8天互感器角差大致变化趋势，虽然平均绝对误差和均方根误差不高，但每天的预测误差非常大。

从图6(b)中可以看出，Prophet预测模型对于角差数据拟合程度很高，对突变点和异常点的包容性很强。同时，由于Prophet模型非常擅长预测带有明显周期性的时间序列，其预测曲线不仅符合角差的发展趋势，平均绝对误差、均方根误差等指标都不高，同时，每天的预测误差也非常小，与实际曲线非常贴合。因此，对于互感器角差预测，Prophet模型明显优于神经网络模型。

Prophet模型按式(4)拟合时间序列，采用Prophet模型对互感器角差进行预测，除了预测结果，还能得到角差在一段时间内的发展趋势和周期波动情况，如图7所示。

图7中trend分量表示互感器在7月角差发展和预测趋势，蓝色阴影表示预测的置信范围。Weekly和daily分量表示互感器角差的周波动情况和日波动情况。对比各个分量的波动幅值，趋势项(-0.02,0.04)，周波动(-0.0025,0.015)，日波动(-0.03，0.03)，可以发现，互感器角差变化主要以日波动变化为主。而在日分量中可以看出，角差在晚上9点到白天8点处于一个很高的水平，而在白天10点-6点处于非常低的水平，这可能是由于温度上升，导致空心线圈互感器和电磁式电流互感器误差变化速率不同，导致最终的角差数据出现了明显的日波动。

最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本技术方案的宗旨和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (4)

1.基于智能算法的电子式互感器误差短时预测方法，其特征在于：该方法包括以下步骤：

S1：电子式互感器数据采集；

S2：对数据集进行预处理操作；

S3：引入箱线图将数据可视化；

S4：建立Prophet模型对电子式互感器误差进行预测；

所述S4具体为：

建立Prophet模型

Prophet模型采用广义加法模型来拟合和预测函数，如式(2)所示；

y(t)＝g(t)+s(t)+h(t)+ε_t (2)

①如果时间序列增长趋势是非线性增长的，g(t)项为逻辑回归函数；如果增长趋势是线性增长的，g(t)项为线性函数；采用线性增长模型；

g(t)＝(k+a(t)^Tδ)t+(m_p+a(t)^Tγ) (3)

式中，k是增长率，δ是增长率调整值，m_p是偏移参数，γ被设为-s_jδ_j以令函数连续；

②s(t)用来表示周期性变化，由傅里叶级数组成；

式中：p表示目标序列的周期；c_n为要估计的系数参数；N为设定的近似项个数；

③突变项h(t)表示由特殊原因造成的变化；

h(t)＝z(t)w (6)

z(t)＝l(t∈D_i) (7)

式中：D_i表示时间序列中存在特殊变化的日期；l是用于表示时间t是否属于D_i的指示函数；参数w服从正态分布w～N(0,v)；

④ε_t为服从正态分布的噪声项，其用于表示随机而无法预测的波动。

2.根据权利要求1所述的基于智能算法的电子式互感器误差短时预测方法，其特征在于：所述S1具体为：

电子式互感器数据源自220kV互感器误差状态监测平台；在该平台中，线路间隔安装有电磁式电流互感器和空心线圈电流互感器，2个互感器的准确度均为0.2级，额定电流均为600A；电磁式电流互感器的额定输出为5A，额定二次容量为25V·A，额定电流下的比差为0.08％、角差为6'；空心线圈电流互感器在额定电流下的比差为0.12％、角差为6'，输出遵循IEC61850-9-2协议；信号采集单元将电磁式电流互感器的模拟信号转换为数字信号；数据处理单元接收信号采集单元的输出信号及采样值报文数据，满足0.05级的准确度要求，并以电磁式电流互感器输出为标准得到误差比对结果。

3.根据权利要求1所述的基于智能算法的电子式互感器误差短时预测方法，其特征在于：所述S2具体为：

①设定数据上下边界，删除异常值；

②确定数据集中缺失值的占比，当占比较大时采用拉格朗日插值法或牛顿插值法插值，占比较小时不处理；

③由于互感器信号采集单元采集频率高，一个月下的数据样本中含有超过260万组数据，直接进行预测会使得模型求解变得非常困难；采用式(1)求得每小时数据的平均值，并以平均值作为训练样本，减少模型预测复杂度，提高预测效率；

式(1)中

为每小时数据平均值，

为每秒数据采样值。

4.根据权利要求1所述的基于智能算法的电子式互感器误差短时预测方法，其特征在于：所述S3具体为：

引入箱线图将数据可视化；箱线图利用数据中的五个统计量：最小值、第一四分位数、中位数、第三四分位数与最大值来描述数据。

Images