CN114091360A - 一种多模型融合的电压互感器误差状态评估方法 - Google Patents
一种多模型融合的电压互感器误差状态评估方法 Download PDFInfo
- Publication number
- CN114091360A CN114091360A CN202210073100.1A CN202210073100A CN114091360A CN 114091360 A CN114091360 A CN 114091360A CN 202210073100 A CN202210073100 A CN 202210073100A CN 114091360 A CN114091360 A CN 114091360A
- Authority
- CN
- China
- Prior art keywords
- model
- cvt
- state
- data set
- data
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 43
- 238000012549 training Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000003066 decision tree Methods 0.000 claims abstract description 29
- 230000002159 abnormal effect Effects 0.000 claims abstract description 17
- 238000002790 cross-validation Methods 0.000 claims abstract description 10
- 230000008569 process Effects 0.000 claims description 14
- 238000012795 verification Methods 0.000 claims description 11
- 238000012360 testing method Methods 0.000 claims description 9
- 230000036541 health Effects 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 12
- 230000004927 fusion Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000001514 detection method Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000004806 packaging method and process Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 241000820057 Ithone Species 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种多模型融合的电压互感器误差状态评估方法，包括：将CVT数据集分割成K份，根据K折交叉验证法将CVT数据集随机划分为K个数据子集；CVT数据集中的数据为表示CVT状态的各个参数；构建对CVT数据集进行分类的集成模型；集成模型包括多层基模型和一层元模型，基模型包括：决策树模型和朴素贝叶斯模型；基于数据子集，通过集成学习Stacking方式对集成模型进行训练，任意一层的基模型的输出数据依次用于建立其下一层基模型的数据集，最后一层基模型的输出数据用于建立元模型的数据集；基于训练后的集成模型对待测电压互感器误差状态进行评估；在CVT数据样本偏少和样本不平衡时等不理想情况下，依然可以对的CVT告警、异常状态的评估准确度。
Description
技术领域
本发明涉及电压互感器状态评估领域，尤其涉及一种多模型融合的电压互感器误差状态评估方法。
背景技术
电压互感器作为电力系统中的关键设备，在保证二次设备和用电安全的前提下实现一次电压的准确测量，为电能计量、状态监控和继电保护等提供了可靠的依据。确保电压互感器处于稳定的运行状态，能够保证电力系统在计量和测量方面的准确性，且提高自动装置和继电保护动作的可靠度，有利于实现电力系统的安全、稳定和经济运行。
在电力系统的实际运行中，由于电网运行工况复杂多变以及电压互感器使用年限的增长，电压互感器的运行状态以及自身的精度将随之而变化。这为电力系统的安全、稳定和经济运行带来了隐患，为此需要对运行中电压互感器的计量误差状态进行有效评估，及时发现电压互感器的超差问题，为制定相应的维护以及检修策略提供可靠的依据；并对具有高超差风险的电压互感器进行风险预警，及时发现劣化趋势严重的电压互感器，保证电压互感器检修的及时性；同时可实现只对有需求的电压互感器进行必要的维护，避免以往对部分电压互感器的盲目检修维护，减小工作量，提高劳动效率。
现有技术还公开一种基于分类器进行电压互感器误差状态评估的方案，利用CVT状态数据训练基本分类器模型，经过多次迭代直到输出分类准确的强分类器模型。这种方案在训练数据不平衡时会导致精度下降，尤其在训练样本数据量偏小时，只能使用一种模型迭代，异常样本迭代中会获得较高权重，且无法通过多种弱模型的组合平衡异常样本，最终会影响强分类器的预测准确性。
发明内容
本发明针对现有技术中存在的技术问题，提供一种多模型融合的电压互感器误差状态评估方法，通过确定各状态评估指标在状态评估过程中的贡献率并加以融合，以解决各指标所带来的差异，最终实现在不依赖标准互感器和不停电运行下电压互感器误差状态的在线评估，实时监测互感器误差状态；为了提升停电检测后在线状态评估错误的CVT状态，将在线检测存在状态偏差的CVT状态数据做校正后重新作为输入项，采用Stacking的集成学习方式，对存在矫正的CVT数据重新训练模型，提升CVT告警、异常状态的评估准确度，CVT数据较少时，通过对数据做K折交叉验证处理，通过多种分类器模型作为基分类器通过K次交叉验证输出K个弱分类器验证集合并后拼接上样本真实label，带入第二层模型进行训练，输出一个Stacking融合多个模型的最终的模型，在CVT数据样本偏少和样本不平衡时等不理想情况下，依然可以对的CVT告警、异常状态的评估准确度。
根据本发明的第一方面，提供了一种多模型融合的电压互感器误差状态评估方法，包括：
步骤1，将CVT数据集分割成K份，根据K折交叉验证法将所述CVT数据集随机划分为K个数据子集；所述CVT数据集中的数据为表示CVT状态的各个参数；
步骤2，构建对所述CVT数据集进行分类的集成模型；所述集成模型包括多层基模型和一层元模型，所述基模型包括：决策树模型和朴素贝叶斯模型；所述基模型和所述元模型的输出均为表示电压互感器误差状态的状态类别；
步骤3，基于所述数据子集，通过集成学习Stacking方式对所述集成模型进行训练，任意一层的所述基模型的输出数据依次用于建立其下一层所述基模型的数据集，最后一层所述基模型的输出数据用于建立所述元模型的数据集；基于训练后的所述集成模型对待测电压互感器误差状态进行评估。
在上述技术方案的基础上，本发明还可以作出如下改进。
可选的，表示CVT状态的各个所述参数包括：修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态和健康状态；
表示各个所述参数的状态和所述电压互感器误差状态的各个状态类别包括：正常、异常和告警。
可选的，所述步骤1还包括：在K个所述数据子集选择其中一个作为验证集，其余作为训练集；
所述步骤3中，从第一层所述基模型开始，基于K-1个所述训练集，重复K-1次分别
训练当前层的各个所述基模型后，用训练后的当前层的各个所述基模型分别对所述验证集
进行预测，分别得出每层每个基模型预测结果
，将验证集预测值
取平均值得到数据集
；该基模型不是最后一层基模型时，将所述数据集
与真实值分类结果组成其下一层所述基模型的数据集，该层基模型是最后一层基模型
时，将所述数据集
与真实值分类结果组成所述元模型的数据集。
可选的，所述步骤3还包括：K折交叉验证中，每个基模型都被训练K次，当前层所有
基模型对测试集T进行预测，结果为
;将当前基模型对所述测试集进行预测，
查看模型准确度相关指标，观测到所述模型预测相关指标低于设定值时，更换该基模型为
其他分类模型或者寻找其它问题。
可选的，所述步骤2中构建所述决策树模型的过程包括：通过网格搜索方法寻找当前决策树模型的最优超参数；将当前决策树模型的最优超参数作为下个步骤中决策树模型的超参数；所述决策树模型的超参数包括：树模型最大深度、树分支最小叶样本和树最大根结点。
可选的，所述寻找当前决策树模型的最优超参数的过程包括：
分别设置所述决策树的树模型最大深度max_depth、树分支最小叶样本max_leaf_nodes和树最大根结点min_samples_leaf的阈值范围，在各个阈值范围中寻找各个超参数的最优超参数的值。
可选的，所述步骤3中训练所述基模型中的所述决策树模型的过程包括：
步骤301，计算所述CVT数据集中所有所述参数的信息熵为：
；
其中，
；
表示所述CVT数据集中的当前数据集
中第i个所述参数，
为当前数据集中
参数
的状态分别占总CVT数据集的比例；
步骤302，计算所述CVT数据集所有参数在已知自身信息熵X的情况下的算其他随机参数Y的不确定性的条件熵：
步骤303，计算出当前特征A对所述CVT数据集D的信息增益为：
，根据所述信息增益划分叶子结点作为分类依据给所述CVT
数据集样本分类。
可选的，所述步骤3中训练所述基模型中的所述朴素贝叶斯模型的过程包括：
步骤311，计算任意第i个所述分类类别
的先验概率为：
；其中，A为
所述CVT数据集总样本数；
步骤312，计算任意第i个所述分类类别
的条件后验概率为：
；
步骤313，计算任意第i个所述分类类别
的条件概率为：
；
通过比较各个所述分类类别的条件概率值大小判断后续测试样本所属分类。
本发明提供的一种多模型融合的电压互感器误差状态评估方法，校正停电检测后错误的互感器状态，校正错误数据并重新对CVT数据特征做训练模型，达到提升当前CVT状态的评估准确度。CVT在线监测状态评估场景下，封装输入的是CVT状态指标，并非物理电参量，工程化应用方面当前技术方案扩宽了原CVT状态评价的单一使用场景，支持跨CVT、变电站的CVT状态评估，同时因为未直接使用CVT物理电参量，模型低权限运行环境也保障了外界无法通过电参量等参数指标试图反编译本公司CVT状态评估算法原理。主要针对构建CVT状态评估模型时，CVT参与训练数据不够、样本分布不均匀导致的最终模型泛化能力不够的问题。
附图说明
图1为本发明提供的一种多模型融合的电压互感器误差状态评估方法中构造数据集的实施例的流程图；
图2为本发明提供的一种多模型融合的电压互感器误差状态评估方法中构造集成模型的实施例的流程图；
图3为本发明提供的利用数据集训练各个模型的实施例的示意图；
图4为本发明提供的通过集成学习Stacking方式训练集成模型的实施例的示意图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
如图1和图2分别为本发明提供的一种多模型融合的电压互感器误差状态评估方法中构造数据集和构造集成模型的实施例的流程图，结合图1和图2可知，该状态评估方法包括：
步骤1，将CVT数据集分割成K份，根据K折交叉验证法将所述CVT数据集随机划分为K个数据子集；所述CVT数据集中的数据为表示CVT状态的各个参数；
具体实施中，步骤1用于对CVT数据集进行预处理，预处理过程中根据K折交叉验证
法将数据集随机划分为K个大小相似每份数据不一致的数据子集，分别用
表示。
步骤2，构建对所述CVT数据集进行分类的集成模型；所述集成模型包括多层基模型和一层元模型，所述基模型包括：决策树模型和朴素贝叶斯模型；所述基模型和所述元模型的输出均为表示电压互感器误差状态的状态类别；
步骤3，基于所述数据子集，通过集成学习Stacking方式对所述集成模型进行训练，任意一层的所述基模型的输出数据依次用于建立其下一层所述基模型的数据集，最后一层所述基模型的输出数据用于建立所述元模型的数据集；基于训练后的所述集成模型对待测电压互感器误差状态进行评估。
通过停电检测后的CVT状态评估数据，使用集成学习的方式对存在状态评估错误矫正后的CVT数据重新训练模型，达到提升CVT告警、异常状态的评估准确度。
通过分析CVT状态评估数据，发现异常样本敏感，尤其在训练样本数据量偏小时，只能使用一种模型迭代，异常样本迭代中会获得较高权重，且无法通过多种弱模型的组合平衡异常样本，最终会影响强分类器的预测准确性，训练样本偏少时比较明显的问题。
本发明提供的一种多模型融合的电压互感器误差状态评估方法，通过确定各状态评估指标在状态评估过程中的贡献率并加以融合，以解决各指标所带来的差异，最终实现在不依赖标准互感器和不停电运行下电压互感器误差状态的在线评估，实时监测互感器误差状态；为了提升停电检测后在线状态评估错误的CVT状态，将在线检测存在状态偏差的CVT状态数据做校正后重新作为输入项，采用Stacking的集成学习方式，对存在矫正的CVT数据重新训练模型，提升CVT告警、异常状态的评估准确度，CVT数据较少时，通过对数据做K折交叉验证处理，通过多种分类器模型作为基分类器通过K次交叉验证输出K个弱分类器验证集合并后拼接上样本真实label，带入第二层模型进行训练，输出一个Stacking融合多个模型的最终的模型，在CVT数据样本偏少和样本不平衡时等不理想情况下，依然可以对的CVT告警、异常状态的评估准确度。
实施例1
本发明提供的实施例1为本发明提供的一种多模型融合的电压互感器误差状态评估的实施例，结合图1和图2可知，该状态评估方法的实施例包括：
步骤1，将CVT数据集分割成K份，根据K折交叉验证法将CVT数据集随机划分为K个数据子集；CVT数据集中的数据为表示CVT状态的各个参数。
可以理解的是，表示CVT状态的各个参数包括：修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态和健康状态。
在一种可能的实施例方式中，步骤1还包括：在K个数据子集选择其中一个作为验证集，其余作为训练集。
步骤2，构建对所述CVT数据集进行分类的集成模型；所述集成模型包括多层基模型和一层元模型，所述基模型包括：决策树模型和朴素贝叶斯模型；所述基模型和所述元模型的输出均为表示电压互感器误差状态的状态类别。
可以理解的是，表示电压互感器误差状态的各个状态类别包括：正常、异常和告警。
在一种可能的实施例方式中，步骤2中构建决策树模型的过程包括：通过网格搜索方法寻找当前决策树模型的最优超参数；将当前决策树模型的最优超参数作为下个步骤中决策树模型的超参数；决策树模型的超参数包括：树模型最大深度、树分支最小叶样本和树最大根结点。
寻找当前决策树模型的最优超参数的过程包括：
分别设置所述决策树的树模型最大深度max_depth、树分支最小叶样本max_leaf_nodes和树最大根结点min_samples_leaf的阈值范围，在各个阈值范围中寻找各个超参数的最优超参数的值。
本发明提供的实施例中，树模型最大深度设置为max_depth为2-6，树分支最小叶样本min_samples_leaf设置为2-30，树最大根结点max_leaf_nodes设置为2-5。
网格搜索各个超参数范围递归筛选出最优超参数分别设置为：max_depth= 2,max_leaf_nodes= 3, min_samples_leaf=2。
步骤3，基于所述数据子集，通过集成学习Stacking方式对所述集成模型进行训练，任意一层的所述基模型的输出数据依次用于建立其下一层所述基模型的数据集，最后一层所述基模型的输出数据用于建立所述元模型的数据集；基于训练后的所述集成模型对待测电压互感器误差状态进行评估。
如图3所示为本发明提供的利用数据集训练各个模型的实施例的示意图，如图4所示为本发明提供的通过集成学习Stacking方式训练集成模型的实施例的示意图。
在一种可能的实施例方式中，分别训练出2个基模型（决策树、朴素贝叶斯），根据
实际情况可继续扩展多个不同分类算法训练更多基模型，如图4所示，BM-1-1表示第一层基
模型的第一个基模型，最终元模型用MM表示，以此类推，第N层第一个基模型表示为BM-N-1,
这里基模型统一用
表示，根据的K折交叉验证中K值，每个基模型的训练集
会被切分成
等份，其中一份被作为验证集，每个基模型都被训练K次，当前层所有基模型
对测试集T进行预测，结果为
;将当前基模型对所述测试集进行预测，查看模
型准确度相关指标，观测到所述模型预测相关指标低于设定值时，更换该基模型为其他分
类模型或者寻找其它问题。
然后每层的K次，从第一层所述基模型开始，基于K-1个所述训练集，重复K-1次分
别训练当前层的各个所述基模型后，用训练后的当前层的各个所述基模型分别对所述验证
集进行预测，分别得出每层每个基模型预测结果
，将验证集预测值
取平均值得到数据集
；该基模型不是最后一层基模型时，将所述数据集
与真实值分类结果组成其下一层所述基模型的数据集，该层基模型是最后一层基模型
时，将所述数据集
与真实值分类结果组成所述元模型的数据集。
表示CVT状态的参数至少包括：修正后的互感器状态、比差状态、角差状态、稳定性
状态、可靠程度状态、健康状态，CVT状态的参数的总数为m个，分别表示为
。表示CVT状态的状态类别至少包括：正常、异常、告
警三种，状态类别的总个数为k个。
步骤301，本实施例以上述六种分类特征进行举例说明，假设每种分类特征参数可
分类的状态类型的种类数量为上述的正常、异常、告警三种。上述六种分类特征参数的信息
熵分别记为
，分类特征参数的三种状
态类别分别占训练集的比例记为x1、x2和x3，通过以下公式可计算训练集内每个分类特征
参数的信息熵：
上述对单个分类特征参数
的信息熵计算的公式可总结为：
其中，此处i为分类特征参数的序号数，x1、x2、x3……xk为每种状态类别分别占训练集的比例。
利用单个分类特征参数的信息熵，通过以下公式计算训练集内全部分类特征参数的信息熵：
步骤302，计算CVT数据集所有参数（修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态和健康状态）在已知自身信息熵X的情况下的算其他随机参数Y的不确定性的条件熵：
步骤303，根据信息熵减去条件熵，得出差值，计算出当前特征A对CVT数据集D的信
息增益为：
，根据信息增益划分叶子结点作为分类依据给CVT
数据集样本分类。
在一种可能的实施例方式中，步骤3中训练基模型中的朴素贝叶斯模型的过程中，
数据集预处理通过K折交叉验证法划分数据集后
组训练集作为当前基模型二（朴素贝叶
斯模型）的数据集，当前数据集
=（修正后的互感器状态、比差状态、角差状态、稳定性状
态、可靠程度状态、健康状态）当前CVT可分类特征有正常、异常、告警3类，CVT可分类特征计
分别计作
,可分类类别计作
，数据集单分类样本
数量为
，数据集总样本数计作A。该过程包括：
步骤311，未知预测样本任何特征时，计算任意第i个分类类别
的先验概率为：
；其中，A为CVT数据集总样本数。
步骤312，计算任意第i个分类类别
的条件后验概率为：
。
步骤313，计算任意第i个分类类别
的条件概率为：
。
通过比较各个分类类别的条件概率值大小判断后续测试样本所属分类。
本发明实施例提出了一种多模型融合的电压互感器误差状态评估方法，校正停电检测后错误的互感器状态，校正错误数据并重新对CVT数据特征做训练模型，达到提升当前CVT状态的评估准确度。CVT在线监测状态评估场景下，封装输入的是CVT状态指标，并非物理电参量，工程化应用方面当前技术方案扩宽了原CVT状态评价的单一使用场景，支持跨CVT、变电站的CVT状态评估，同时因为未直接使用CVT物理电参量，模型低权限运行环境也保障了外界无法通过电参量等参数指标试图反编译本公司CVT状态评估算法原理。主要针对构建CVT状态评估模型时，CVT参与训练数据不够、样本分布不均匀导致的最终模型泛化能力不够的问题。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
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、系统、或计算机程序产品。因此，本发明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、CD-ROM、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（系统）、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。
Claims (8)
1.一种多模型融合的电压互感器误差状态评估方法，其特征在于，所述状态评估方法包括：
步骤1，将CVT数据集分割成K份，根据K折交叉验证法将所述CVT数据集随机划分为K个数据子集；所述CVT数据集中的数据为表示CVT状态的各个参数；
步骤2，构建对所述CVT数据集进行分类的集成模型；所述集成模型包括多层基模型和一层元模型，所述基模型包括：决策树模型和朴素贝叶斯模型；所述基模型和所述元模型的输出均为表示电压互感器误差状态的状态类别；
步骤3，基于所述数据子集，通过集成学习Stacking方式对所述集成模型进行训练，任意一层的所述基模型的输出数据依次用于建立其下一层所述基模型的数据集，最后一层所述基模型的输出数据用于建立所述元模型的数据集；基于训练后的所述集成模型对待测电压互感器误差状态进行评估。
2.根据权利要求1所述的状态评估方法，其特征在于，表示CVT状态的各个所述参数包括：修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态和健康状态；
表示各个所述参数的状态和所述电压互感器误差状态的各个状态类别包括：正常、异常和告警。
3.根据权利要求1所述的状态评估方法，其特征在于，所述步骤1还包括：在K个所述数据子集选择其中一个作为验证集，其余作为训练集；
所述步骤3中，从第一层所述基模型开始，基于K-1个所述训练集，重复K-1次分别训练
当前层的各个所述基模型后，用训练后的当前层的各个所述基模型分别对所述验证集进行
预测，分别得出每层每个基模型预测结果
，将验证集预测值
取平均值得到数据集
；该基模型不是最后一层基模型时，将所述数据集
与真实值分类
结果组成其下一层所述基模型的数据集，该层基模型是最后一层基模型时，将所述数据集
与真实值分类结果组成所述元模型的数据集。
4.根据权利要求3所述的状态评估方法，其特征在于，所述步骤3还包括：K折交叉验证
中，每个基模型都被训练K次，当前层所有基模型对测试集T进行预测，结果为
;将当前基模型对所述测试集进行预测，查看模型准确度相关指标，观测到
所述模型预测相关指标低于设定值时，更换该基模型为其他分类模型或者寻找其它问题。
5.根据权利要求1所述的状态评估方法，其特征在于，所述步骤2中构建所述决策树模型的过程包括：通过网格搜索方法寻找当前决策树模型的最优超参数；将当前决策树模型的最优超参数作为下个步骤中决策树模型的超参数；所述决策树模型的超参数包括：树模型最大深度、树分支最小叶样本和树最大根结点。
6.根据权利要求5所述的状态评估方法，其特征在于，所述寻找当前决策树模型的最优超参数的过程包括：
分别设置所述决策树的树模型最大深度max_depth、树分支最小叶样本max_leaf_nodes和树最大根结点min_samples_leaf的阈值范围，在各个阈值范围中寻找各个超参数的最优超参数的值。
7.根据权利要求3所述的状态评估方法，其特征在于，所述步骤3中训练所述基模型中的所述决策树模型的过程包括：
步骤301，计算所述CVT数据集中所有所述参数的信息熵为：
；
其中，
表示所述CVT数据集中的当前数据集中第i个所述参数的状态，k表示CVT状态
的参数的总个数；
步骤302，计算所述CVT数据集所有参数在已知自身信息熵X的情况下的算其他随机参数Y的不确定性的条件熵：
步骤303，计算出当前特征对所述当前数据集的信息增益为：
，根据所述信息增益划分叶子结点作为分类依据给所述CVT数据集样本分类。
8.根据权利要求3所述的状态评估方法，其特征在于，所述步骤3中训练所述基模型中的所述朴素贝叶斯模型的过程包括：
步骤311，计算任意第i个所述分类类别
的先验概率为：
；其中，A为所述
CVT数据集总样本数；
步骤312，计算任意第i个所述分类类别
的条件后验概率为：
；
步骤313，计算任意第i个所述分类类别
的条件概率为：
；
通过比较各个所述分类类别的条件概率值大小判断后续测试样本所属分类。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210073100.1A CN114091360B (zh) | 2022-01-21 | 2022-01-21 | 一种多模型融合的电压互感器误差状态评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210073100.1A CN114091360B (zh) | 2022-01-21 | 2022-01-21 | 一种多模型融合的电压互感器误差状态评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114091360A true CN114091360A (zh) | 2022-02-25 |
| CN114091360B CN114091360B (zh) | 2022-04-22 |
Family
ID=80309072
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210073100.1A Active CN114091360B (zh) | 2022-01-21 | 2022-01-21 | 一种多模型融合的电压互感器误差状态评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114091360B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416884A (zh) * | 2023-06-12 | 2023-07-11 | 深圳市彤兴电子有限公司 | 一种显示器模组的测试装置及其测试方法 |
| CN117648670A (zh) * | 2024-01-24 | 2024-03-05 | 润泰救援装备科技河北有限公司 | 救援数据融合方法、电子设备、存储介质及救援消防车 |
Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040111453A1 (en) * | 2002-12-06 | 2004-06-10 | Harris Christopher K. | Effective multi-class support vector machine classification |
| WO2011062866A1 (en) * | 2009-11-19 | 2011-05-26 | Illinois Tool Works Inc. | Cluster analysis system and method to improve sorting performance |
| CN108109162A (zh) * | 2018-01-08 | 2018-06-01 | 中国石油大学(华东) | 一种利用自适应特征融合的多尺度目标跟踪方法 |
| US20180196899A1 (en) * | 2015-10-28 | 2018-07-12 | Fractal Industries, Inc. | System and methods for multi-language abstract model creation for digital environment simulations |
| CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测（控）中心 | 一种电力负荷预测方法及预测装置 |
| US20200111194A1 (en) * | 2018-10-08 | 2020-04-09 | Rensselaer Polytechnic Institute | Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle) |
| CN111242175A (zh) * | 2019-12-31 | 2020-06-05 | 国网北京市电力公司 | 基于机器学习的计量点电压异常检测方法及系统 |
| KR102157613B1 (ko) * | 2020-06-05 | 2020-09-18 | 현대엔지니어링(주) | 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법 |
| US20200333767A1 (en) * | 2018-02-17 | 2020-10-22 | Electro Industries/Gauge Tech | Devices, systems and methods for predicting future consumption values of load(s) in power distribution systems |
| US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
| WO2021086502A1 (en) * | 2019-10-31 | 2021-05-06 | Landmark Graphics Corporation | A flow simulator for generating reservoir management workflows and forecasts based on analysis of high-dimensional parameter data space |
| CN113452018A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种电力系统备用不足风险场景辨识方法 |
| US20210342997A1 (en) * | 2019-12-16 | 2021-11-04 | Insurance Services Office, Inc. | Computer Vision Systems and Methods for Vehicle Damage Detection with Reinforcement Learning |
| US20220004875A1 (en) * | 2020-07-02 | 2022-01-06 | Mitsubishi Electric Research Laboratories, Inc. | Automated Construction of Neural Network Architecture with Bayesian Graph Exploration |
| CN113935440A (zh) * | 2021-12-15 | 2022-01-14 | 武汉格蓝若智能技术有限公司 | 一种电压互感器误差状态迭代评估方法及系统 |
-
2022
- 2022-01-21 CN CN202210073100.1A patent/CN114091360B/zh active Active
Patent Citations (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040111453A1 (en) * | 2002-12-06 | 2004-06-10 | Harris Christopher K. | Effective multi-class support vector machine classification |
| WO2011062866A1 (en) * | 2009-11-19 | 2011-05-26 | Illinois Tool Works Inc. | Cluster analysis system and method to improve sorting performance |
| US20180196899A1 (en) * | 2015-10-28 | 2018-07-12 | Fractal Industries, Inc. | System and methods for multi-language abstract model creation for digital environment simulations |
| CN108109162A (zh) * | 2018-01-08 | 2018-06-01 | 中国石油大学(华东) | 一种利用自适应特征融合的多尺度目标跟踪方法 |
| US20200333767A1 (en) * | 2018-02-17 | 2020-10-22 | Electro Industries/Gauge Tech | Devices, systems and methods for predicting future consumption values of load(s) in power distribution systems |
| US20200111194A1 (en) * | 2018-10-08 | 2020-04-09 | Rensselaer Polytechnic Institute | Ct super-resolution gan constrained by the identical, residual and cycle learning ensemble (gan-circle) |
| CN109919370A (zh) * | 2019-02-26 | 2019-06-21 | 国网冀北电力有限公司运营监测（控）中心 | 一种电力负荷预测方法及预测装置 |
| US20200356839A1 (en) * | 2019-05-09 | 2020-11-12 | ClimateAI, Inc. | Systems and methods for selecting global climate simulation models for training neural network climate forecasting models |
| WO2021086502A1 (en) * | 2019-10-31 | 2021-05-06 | Landmark Graphics Corporation | A flow simulator for generating reservoir management workflows and forecasts based on analysis of high-dimensional parameter data space |
| US20210342997A1 (en) * | 2019-12-16 | 2021-11-04 | Insurance Services Office, Inc. | Computer Vision Systems and Methods for Vehicle Damage Detection with Reinforcement Learning |
| CN111242175A (zh) * | 2019-12-31 | 2020-06-05 | 国网北京市电力公司 | 基于机器学习的计量点电压异常检测方法及系统 |
| KR102157613B1 (ko) * | 2020-06-05 | 2020-09-18 | 현대엔지니어링(주) | 기계학습을 이용한 자동화 철골구조물 설계 시스템 및 방법 |
| US20220004875A1 (en) * | 2020-07-02 | 2022-01-06 | Mitsubishi Electric Research Laboratories, Inc. | Automated Construction of Neural Network Architecture with Bayesian Graph Exploration |
| CN113452018A (zh) * | 2021-06-29 | 2021-09-28 | 湖南大学 | 一种电力系统备用不足风险场景辨识方法 |
| CN113935440A (zh) * | 2021-12-15 | 2022-01-14 | 武汉格蓝若智能技术有限公司 | 一种电压互感器误差状态迭代评估方法及系统 |
Non-Patent Citations (7)
| Title |
|---|
| FAN XIN-QIAO等: "Faulty phase selection based on high-order multi-resolution singular entropy for high-voltage transmission", 《ELECTRIC POWER AUTOMATION EQUIPMENT》 * |
| 余萍 等: "《人工智能导论试验》", 31 May 2020, 北京：中国铁道出版社 * |
| 卡西克•拉玛苏布兰马尼安: "《深入理解XGBoost 高效机器学习算法与进阶》", 31 January 2020, 北京：机械工业出版社 * |
| 唐文虎等: "数据驱动的人工智能技术在电力设备状态分析中的研究与应用", 《高电压技术》 * |
| 张乐平 等: "基于模型融合的多维条件下现场校验仪计量误差建模研究", 《仪表技术与传感器》 * |
| 杜平等: "基于故障起点检测的电力系统故障数据匹配方法", 《电力科学与技术学报》 * |
| 林强: "《机器学习、深度学习与强化学习》", 31 May 2019, 北京：知识产权出版社 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116416884A (zh) * | 2023-06-12 | 2023-07-11 | 深圳市彤兴电子有限公司 | 一种显示器模组的测试装置及其测试方法 |
| CN116416884B (zh) * | 2023-06-12 | 2023-08-18 | 深圳市彤兴电子有限公司 | 一种显示器模组的测试装置及其测试方法 |
| CN117648670A (zh) * | 2024-01-24 | 2024-03-05 | 润泰救援装备科技河北有限公司 | 救援数据融合方法、电子设备、存储介质及救援消防车 |
| CN117648670B (zh) * | 2024-01-24 | 2024-04-12 | 润泰救援装备科技河北有限公司 | 救援数据融合方法、电子设备、存储介质及救援消防车 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114091360B (zh) | 2022-04-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN114091360B (zh) | 一种多模型融合的电压互感器误差状态评估方法 | |
| CN113935440A (zh) | 一种电压互感器误差状态迭代评估方法及系统 | |
| CN107958292B (zh) | 基于代价敏感学习的变压器模糊谨慎推理故障诊断方法 | |
| CN107730084A (zh) | 基于灰色预测和风险评估的变压器检修决策方法 | |
| CN111401785A (zh) | 一种基于模糊关联规则的电力系统设备故障预警方法 | |
| CN114004008B (zh) | 一种基于神经网络和遗传算法的飞机装配线资源配置优化方法 | |
| CN114298579B (zh) | 一种基于数据挖掘的有源配电网故障风险预警方法及系统 | |
| CN112348318B (zh) | 一种供应链风险预测模型的训练和应用方法及装置 | |
| CN116579768B (zh) | 一种发电厂在线仪表运维管理方法及系统 | |
| CN112257914B (zh) | 一种基于随机森林的航空安全因果预测方法 | |
| CN113139570A (zh) | 一种基于最优混合估值的大坝安全监测数据补全方法 | |
| CN112215254A (zh) | 一种基于改进案例推理的变电站故障诊断方法以及诊断装置 | |
| CN112699229A (zh) | 基于深度学习模型的自适应推题方法 | |
| CN109359742A (zh) | 一种地铁子系统预防维修周期的生成方法 | |
| Tian et al. | Structure feature extraction for hierarchical alarm flood classification and alarm prediction | |
| Zheng et al. | Data-driven optimization based on random forest surrogate | |
| CN114565051B (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
| Lacombe et al. | A meta-learning approach for automated hyperparameter tuning in evolving data streams | |
| CN115544886A (zh) | 高速电梯的失效时间节点预测方法、系统、设备和介质 | |
| CN115496340A (zh) | 健康状态评估的方法、装置和设备 | |
| CN115470854A (zh) | 信息系统故障分类方法及分类系统 | |
| Ji et al. | Risk index early-warning of smart grid based on neural network | |
| CN111026661B (zh) | 一种软件易用性全面测试方法及系统 | |
| Jackson et al. | Machine learning for classification of economic recessions | |
| CN117891959B (zh) | 一种基于贝叶斯网络的文献元数据储存方法及系统 |
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 | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000 Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd. |
|
| PE01 | Entry into force of the registration of the contract for pledge of patent right | ||
| PE01 | Entry into force of the registration of the contract for pledge of patent right |
Denomination of invention: A Multi-model Fusion Method for Voltage Transformer Error State Evaluation Effective date of registration: 20221230 Granted publication date: 20220422 Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Registration number: Y2022420000404 |
|
| PC01 | Cancellation of the registration of the contract for pledge of patent right | ||
| PC01 | Cancellation of the registration of the contract for pledge of patent right |
Granted publication date: 20220422 Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd. Registration number: Y2022420000404 |