CN115166618A - 一种非平稳输出的电流互感器误差评估方法 - Google Patents

一种非平稳输出的电流互感器误差评估方法 Download PDF

Info

Publication number
CN115166618A
CN115166618A CN202211081377.5A CN202211081377A CN115166618A CN 115166618 A CN115166618 A CN 115166618A CN 202211081377 A CN202211081377 A CN 202211081377A CN 115166618 A CN115166618 A CN 115166618A
Authority
CN
China
Prior art keywords
data
current transformer
current
model
error
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
Application number
CN202211081377.5A
Other languages
English (en)
Other versions
CN115166618B (zh
Inventor
任波
刘义
陈应林
李坤
陈勉舟
刘思成
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Gelanruo Intelligent Technology Co ltd
Original Assignee
Wuhan Glory Road Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Glory Road Intelligent Technology Co ltd filed Critical Wuhan Glory Road Intelligent Technology Co ltd
Priority to CN202211081377.5A priority Critical patent/CN115166618B/zh
Publication of CN115166618A publication Critical patent/CN115166618A/zh
Application granted granted Critical
Publication of CN115166618B publication Critical patent/CN115166618B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种非平稳输出的电流互感器误差评估方法，包括：获取离线检测过程中的各工况参量、电磁参量和环境参量的数据构建离线数据集；基于离线数据集训练ANN(Artificial Neural Network，人工神经网络)模型得到预训练模型；获取在线检测过程的数据构建在线检测数据集，并由数据预处理得到多个稳定分段数据集；将各稳定分段数据集分别输入各实时误差预测ANN模型进行训练；各实时误差预测ANN模型的初始化模型为训练完成的预训练模型；将待测电流互感器的在线监测数据输入其电流值所在分段对应的实时误差预测ANN模型，实时误差预测ANN模型输出待测电流互感器的误差；对待测电流互感器进行在线预测，实时反馈CT的误差状态，进而保证电网运行的稳定性和安全性能。

Description

一种非平稳输出的电流互感器误差评估方法
技术领域
本发明涉及电力计量在线监测技术领域，尤其涉及一种非平稳输出的电流互感器误差评估方法。
背景技术
当前常用的CT误差检测方法主要为离线检验和在线检验。离线检验的流程需要被检互感器及周边设备长时间停电，对电网正常运行会造成较大影响，且离线检定时工况与在线运营时的工况存在差异，无法反映被检互感器运行误差的动态变化。而在线检测流程中，虽然满足运行时的相关工况条件的一致性，能够较为准确的计算待测CT的误差，但是需要在电流状态下接入标准互感器，容易存在安全隐患因而不宜长时间的进行检测。
发明内容
本发明针对现有技术中存在的技术问题，提供一种非平稳输出的电流互感器误差评估方法，对待测电流互感器进行在线预测，实时反馈CT的误差状态，进而保证电网运行的稳定性和安全性能。
根据本发明的第一方面，提供了一种非平稳输出的电流互感器误差评估方法，包括：
步骤1，获取离线检测过程中的各个工况参量、电磁参量和环境参量的数据构建离线数据集；基于所述离线数据集训练ANN模型得到预训练模型；
步骤2，获取在线检测过程中的各个参量，通过数据预处理，构造多个稳定分段数据集；
步骤3，将各个分段数据集分别输入各个实时误差预测ANN模型进行训练；
步骤4，将待测电流互感器的在线监测数据输入其电流值所在分段对应的实时误差预测ANN模型，所述实时误差预测ANN模型输出所述待测电流互感器的误差。
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，所述步骤1中所述工况参量包括：三相电流、三相不平衡和额定变比；所述电磁参量包括：磁感应强度；所述环境参量包括：温度和湿度。
可选的，所述三相不平衡参数的计算公式为：
Figure 505419DEST_PATH_IMAGE001
；
其中，
Figure 610647DEST_PATH_IMAGE002
、
Figure 167399DEST_PATH_IMAGE003
和
Figure 388821DEST_PATH_IMAGE004
分别为A、B和C相的电流。
可选的，所述步骤1包括：
选用与待测电流互感器同型号的电流互感器构建离线试验平台，调整各个参量的数值得到对应条件下的同型号的电流互感器的对应误差数据，将获取的试验数据构造离线检测数据集，将离线检测数据集作为所述预训练模型的输入，将对应的误差数据作为所述预训练模型的输出对所述预训练模型进行训练。
可选的，所述步骤2包括：
获取待测电流互感器在线检测中的各个工况参量、电磁参量和环境参量的数据，构造在线检测数据集，根据电流值大小进行分段，将在线检测数据集拆分为多个分段数据集，对所述多个分段数据集的数据进行筛选得到多个稳定的分段数据集。
可选的，所述根据电流值大小进行分段的过程包括：根据额定电流
Figure 248192DEST_PATH_IMAGE005
的不同百分 比划分各个分段范围。
可选的，所述根据电流值大小进行分段的过程包括：
Figure 122607DEST_PATH_IMAGE006
其中，x表示待分段数据中的电流幅值大小，
Figure 92837DEST_PATH_IMAGE007
、
Figure 431415DEST_PATH_IMAGE008
、
Figure 196108DEST_PATH_IMAGE009
和
Figure 948033DEST_PATH_IMAGE010
分别为对 电流值大小进行分段的四个集合；
Figure 521621DEST_PATH_IMAGE011
=20%
Figure 980284DEST_PATH_IMAGE012
，
Figure 712617DEST_PATH_IMAGE013
=50%
Figure 92783DEST_PATH_IMAGE012
，
Figure 467132DEST_PATH_IMAGE014
=80%
Figure 514723DEST_PATH_IMAGE012
，
Figure 90060DEST_PATH_IMAGE015
=100%
Figure 226031DEST_PATH_IMAGE012
，
Figure 76175DEST_PATH_IMAGE016
=120%
Figure 978272DEST_PATH_IMAGE012
，
Figure 317987DEST_PATH_IMAGE012
表示额定电流。
可选的，所述筛选多个稳定分段数据集的过程包括：
采用二阶差分对所述在线检测数据集的数据进行筛选得到稳定电流数据。
可选的，所述筛选的过程包括：
计算i时刻j相电流幅值数据二阶差分值
Figure 672745DEST_PATH_IMAGE017
；其中，i表示第i时刻，j表示A、B、C三 相中的任意一相；
将三相电流幅值二阶差分的时序数据集合通过箱线图进行数据筛选：对于j相的 所有
Figure 857738DEST_PATH_IMAGE017
，保留小于上四分位数和大于下四分位数的数据；
根据保留的筛选后的三相电流幅值数据
Figure 879921DEST_PATH_IMAGE018
构造所述多个稳定的分段数据 集。
可选的，所述步骤3中所述各个实时误差预测模型的初始参数包括：各个所述实时误差预测ANN模型的初始权重和参数为训练完成的所述预训练模型的权重和参数；
可选的，所述步骤4中将待测电流互感器的在线监测数据输入所述实时误差预测ANN模型之前还包括：对待测电流互感器的在线监测数据进行二阶差分筛选，将二阶差分筛选后稳定的所述待测电流互感器的在线监测数据输入所述实时误差预测ANN模型。
本发明实施例提供的一种非平稳输出的电流互感器误差评估方法，考虑在线检测过程中的数据量不足以支撑模型训练得到高精度的模型训练结果，因此先使用离线数据训练得到预训练模型，使用预训练模型中完成训练的相应的权重及参数，获取电流互感器的误差与工况参量、电磁参量、环境参量之间的通用关系后，再使用在线检测数据训练得到最终预测模型，解决了最终预测模型的模型初始化时，需要大量时间与数据去将初始化权重及参数调整至合适的参数的步骤的问题；考虑到电流会随着负荷的变化产生较大的改变，因此在实际的电力运行中，随着时间、负荷等因素的变化，对应的输出是非平稳的，电流易发生较大波动。考虑在运行过程中，电流易发生较大波动，对应的电流大小的区间范围较大，为了减少对应误差，将电流值进行分段，根据不同电流区间训练对应模型；考虑在运行过程中，电流对时间、负荷等因素的变化敏感，对应输出的波动较大，为非平稳输出，因此采用二阶差分筛选出稳定电流用于判断电流互感器的误差状态，使结果更加准确；对待测电流互感器进行在线预测，实时反馈CT的误差状态，进而保证电网运行的稳定性和安全性能。
附图说明
图1为本发明提供的一种非平稳输出的电流互感器误差评估方法的流程图；
图2为本发明提供的一种非平稳输出的电流互感器误差评估方法的实施例的流程图。
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。
由于常用CT误差检测方法中，离线检验方法由于检定时的工况与实际运行工况存在差异，无法反映被检互感器运行误差的动态变化。而在线检验由于安全因素，无法长时间的运行，因而检验采集的数据较少，无法满足训练要求。本发明提供一种非平稳输出的电流互感器误差评估方法，如图1所示为本发明提供的一种非平稳输出的电流互感器误差评估方法的流程图，由图1可知，该电流互感器实时误差电流互感器误差评估方法包括：
步骤1，获取离线检测过程中的各个工况参量、电磁参量和环境参量的数据构建离 线数据集；基于离线数据集训练ANN模型得到预训练模型
Figure 381748DEST_PATH_IMAGE019
。
步骤2，获取在线检测过程中的各个参量，通过数据预处理，构造多个稳定分段数据集。
步骤3，将各个分段数据集分别输入各个实时误差预测ANN模型进行训练。
步骤4，将待测电流互感器的在线监测数据输入其电流值所在分段对应的实时误差预测ANN模型，实时误差预测ANN模型输出待测电流互感器的误差。
本发明提供一种非平稳输出的电流互感器误差评估方法，根据工况参量、电磁参量和环境参量构造特征向量，基于在线检测数据量不足的问题，搭建实验平台模拟实验环境，收集特征数据及误差，构造大型离线训练模型并预训练得到ANN预训练模型。再根据电流采集特征，将在线监测数据根据电流区间划分多个数据集，分别输入ANN预训练模型，自适应训练得到对应电流区间的ANN模型；将实时数据根据电流区间选择输入对应ANN模型，得到误差预测结果。
实施例1
本发明提供的实施例1为本发明提供的一种非平稳输出的电流互感器误差评估方法的实施例，结合图1和图2可知，该电流互感器实时误差电流互感器误差评估方法的实施例包括：
步骤1，获取离线检测过程中的各个工况参量、电磁参量和环境参量的数据构建离 线数据集；基于离线数据集训练ANN模型得到预训练模型
Figure 223802DEST_PATH_IMAGE020
。
步骤1为构建实验训练数据集并进行训练的过程，根据电流互感器的误差影响因素分析，在一种可能的实施例方式中，步骤1中工况参量包括：三相电流、三相不平衡和额定变比；电磁参量包括：磁感应强度；环境参量包括：温度和湿度。
在一种可能的实施例方式中，三相不平衡参数的计算公式为：
Figure 415749DEST_PATH_IMAGE021
。
其中，
Figure 292438DEST_PATH_IMAGE022
、
Figure 442797DEST_PATH_IMAGE023
和
Figure 506568DEST_PATH_IMAGE024
分别为A、B和C相的电流。
在一种可能的实施例方式中，步骤1包括：
根据上述参数选用与待测电流互感器同型号的电流互感器构建离线试验平台，调 整各个参量的数值得到对应条件下的同型号的电流互感器的对应误差数据，将获取的试验 数据构造离线检测数据集，将离线检测数据集作为预训练模型
Figure 33364DEST_PATH_IMAGE020
的输入，将对应的误差 数据作为预训练模型
Figure 967822DEST_PATH_IMAGE020
的输出对预训练模型
Figure 823170DEST_PATH_IMAGE020
进行训练。
步骤2，获取在线检测过程中的各个参量，通过数据预处理，构造多个稳定分段数据集。
由于在运行的过程中，电流大小取决于负荷的大小，即随着负荷的变动电流会产生对应的波动，为减小对应误差，将电流分段，根据每段电流区间训练模型。
在一种可能的实施例方式中，步骤2包括:获取待测电流互感器在线检测中的各个工况参量、电磁参量和环境参量的数据，构造在线检测数据集，根据电流值大小进行分段，将在线检测数据集拆分为多个分段数据集，采用二阶差分对多个分段数据集的数据进行筛选得到多个稳定的分段数据集。
在一种可能的实施例方式中，根据电流值大小进行分段的过程包括：根据额定电 流
Figure 843078DEST_PATH_IMAGE012
的不同百分比划分各个分段范围。
在一种可能的实施例方式中，步骤2根据电流值大小进行分段的过程包括：
Figure 173566DEST_PATH_IMAGE006
其中，x表示待分段数据中的电流幅值大小，
Figure 759268DEST_PATH_IMAGE007
、
Figure 189112DEST_PATH_IMAGE008
、
Figure 758634DEST_PATH_IMAGE009
和
Figure 361653DEST_PATH_IMAGE010
分别为对 电流值大小进行分段的四个集合；
Figure 801862DEST_PATH_IMAGE011
=20%
Figure 668187DEST_PATH_IMAGE012
，
Figure 196776DEST_PATH_IMAGE013
=50%
Figure 869066DEST_PATH_IMAGE012
，
Figure 163781DEST_PATH_IMAGE014
=80%
Figure 997744DEST_PATH_IMAGE012
，
Figure 10700DEST_PATH_IMAGE015
=100%
Figure 689943DEST_PATH_IMAGE012
，
Figure 232307DEST_PATH_IMAGE016
=120%
Figure 830648DEST_PATH_IMAGE012
。
将在线检验的数据集
Figure 127637DEST_PATH_IMAGE025
进行拆分，将
Figure 876150DEST_PATH_IMAGE026
中的样本数据中的电流测量值根据上 述四个集合将每条数据分别输入不同的数据集
Figure 879878DEST_PATH_IMAGE027
，其中
Figure 321224DEST_PATH_IMAGE028
中的数据仅 包含电流测量值位于
Figure 385737DEST_PATH_IMAGE029
的样本数据，
Figure 672361DEST_PATH_IMAGE030
中的数据仅包含电流测量值位于
Figure 265017DEST_PATH_IMAGE031
的样本数 据，
Figure 346105DEST_PATH_IMAGE032
中的数据仅包含电流测量值位于
Figure 820949DEST_PATH_IMAGE033
的样本数据，
Figure 176844DEST_PATH_IMAGE034
中的数据仅包含电流测量值 位于
Figure 420743DEST_PATH_IMAGE035
的样本数据。
在一种可能的实施例方式中，筛选的过程包括：采用二阶差分对在线检测数据集的数据进行筛选得到稳定电流数据。
在一种可能的实施例方式中，筛选的过程包括：
计算i时刻j相电流幅值数据二阶差分值
Figure 141575DEST_PATH_IMAGE017
为：
Figure 841065DEST_PATH_IMAGE036
。
其中，i表示第i时刻，j表示A、B、C三相中的任意一相,
Figure 735072DEST_PATH_IMAGE037
、
Figure 99057DEST_PATH_IMAGE038
和
Figure 990790DEST_PATH_IMAGE039
分别为i时 刻、i+1时刻和i+2时刻j相电流幅值数据。
将三相电流幅值二阶差分的时序数据集合通过箱线图进行数据筛选：对于j相的 所有
Figure 174646DEST_PATH_IMAGE017
，保留小于上四分位数和大于下四分位数的数据。
将A、B和C三相通过箱线图进行数据筛选后保留的数据按照时间刻度求交集，即根 据保留的筛选后的三相电流幅值数据
Figure 872344DEST_PATH_IMAGE018
构造多个稳定的分段数据集。
由于在运行的过程中，电流大小会随着负荷大小而波动，若电流发生较大波动表明对应负荷没有稳定运行，因此需要筛选出稳定电流用于判断电流互感器的误差状态。
步骤3，将各个分段数据集分别输入各个实时误差预测ANN模型进行训练。
可选的，所述步骤3中所述各个实时误差预测模型的初始参数包括：各个所述实时误差预测ANN模型的初始权重和参数为训练完成的所述预训练模型的权重和参数。
由于在线检测过程中的数据量不足以支撑模型训练得到高精度的模型训练结果， 因此，使用预训练模型
Figure 90836DEST_PATH_IMAGE020
中完成训练的相应的权重及参数，获取电流互感器的误差与工 况参量、电磁参量、环境参量之间的通用关系，省略了模型初始化时，需要大量时间与数据 去将初始化权重及参数调整至合适的参数的步骤。基于反映误差与所设参量的通用关系的 预训练模型
Figure 153469DEST_PATH_IMAGE020
将数据集
Figure 824622DEST_PATH_IMAGE027
分别输入进行自适应训练，以获取结合实际 场景下的电流互感器误差与各个参量之间的关系。得到不同电流区段下对应的ANN模型
Figure 63361DEST_PATH_IMAGE040
。
步骤4，将待测电流互感器的在线监测数据输入其电流值所在分段对应的实时误差预测ANN模型，实时误差预测ANN模型输出待测电流互感器的误差。
在一种可能的实施例方式中，步骤4中将待测电流互感器的在线监测数据输入实时误差预测ANN模型之前还包括：对待测电流互感器的在线监测数据进行二阶差分筛选，将二阶差分筛选后稳定的待测电流互感器的在线监测数据输入实时误差预测ANN模型。
对在线监测的数据进行二阶差分筛选，若当前时刻数据不稳定，则输出‘-1’，以表 示不稳定数据。若当前时刻数据稳定，则将对应时刻的电流幅值
Figure 136359DEST_PATH_IMAGE041
与数据区间进行比较，判 断
Figure 369895DEST_PATH_IMAGE041
所属集合
Figure 528343DEST_PATH_IMAGE042
，从而选择对应的ANN模型
Figure 302264DEST_PATH_IMAGE043
,将待测数据输入， 输出对应的待测CT误差。
本发明实施例提供的一种非平稳输出的电流互感器误差评估方法，考虑在线检测过程中的数据量不足以支撑模型训练得到高精度的模型训练结果，因此先使用离线数据训练得到预训练模型，使用预训练模型中完成训练的相应的权重及参数，获取电流互感器的误差与工况参量、电磁参量、环境参量之间的通用关系后，再使用在线检测数据训练得到最终预测模型，解决了最终预测模型的模型初始化时，需要大量时间与数据去将初始化权重及参数调整至合适的参数的步骤的问题；考虑在运行的过程中，电流大小取决于负荷的大小，即随着负荷的变动电流会产生对应的波动，为减小对应误差，将电流分段，根据每段电流区间训练模型；考虑在运行的过程中，电流大小会随着负荷大小而波动，若电流发生较大波动表明对应负荷没有稳定运行，因此采用二阶差分筛选出稳定电流用于判断电流互感器的误差状态，使结果更加准确；对待测电流互感器进行在线预测，实时反馈CT的误差状态，进而保证电网运行的稳定性和安全性能。
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 (10)

1.一种非平稳输出的电流互感器误差评估方法，其特征在于，所述电流互感器误差评估方法包括：
步骤1，获取离线检测过程中的各个工况参量、电磁参量和环境参量的数据构建离线数据集；基于所述离线数据集训练ANN模型得到预训练模型；
步骤2，获取在线检测过程中的各个参量，通过数据预处理，构造多个稳定分段数据集；
步骤3，将各个分段数据集分别输入各个实时误差预测ANN模型进行训练；
步骤4，将待测电流互感器的在线监测数据输入其电流值所在分段对应的实时误差预测ANN模型，所述实时误差预测ANN模型输出所述待测电流互感器的误差。
2.根据权利要求1所述的电流互感器误差评估方法，其特征在于，所述步骤1中所述工况参量包括：三相电流、三相不平衡和额定变比；所述电磁参量包括：磁感应强度；所述环境参量包括：温度和湿度。
3.根据权利要求1所述的电流互感器误差评估方法，其特征在于，所述步骤1包括：
选用与待测电流互感器同型号的电流互感器构建离线试验平台，调整各个参量的数值得到对应条件下的同型号的电流互感器的对应误差数据，将获取的试验数据构造离线检测数据集，将离线检测数据集作为所述预训练模型的输入，将对应的误差数据作为所述预训练模型的输出对所述预训练模型进行训练。
4.根据权利要求1所述的电流互感器误差评估方法，其特征在于，所述步骤2包括：
获取待测电流互感器在线检测中的各个工况参量、电磁参量和环境参量的数据，构造在线检测数据集，根据电流值大小进行分段，将在线检测数据集拆分为多个分段数据集，对所述多个分段数据集的数据进行筛选得到多个稳定的分段数据集。
5.根据权利要求4所述的电流互感器误差评估方法，其特征在于，所述根据电流值大小 进行分段的过程包括：根据额定电流
Figure 641903DEST_PATH_IMAGE001
的不同百分比划分各个分段范围。
6.根据权利要求4所述的电流互感器误差评估方法，其特征在于，所述根据电流值大小进行分段的过程包括：
Figure 824623DEST_PATH_IMAGE002
其中，x表示待分段数据中的电流幅值大小，
Figure 135518DEST_PATH_IMAGE003
、
Figure 609356DEST_PATH_IMAGE004
、
Figure 954887DEST_PATH_IMAGE005
和
Figure 42929DEST_PATH_IMAGE006
分别为对电流 值大小进行分段的四个集合；
Figure 841120DEST_PATH_IMAGE007
=20%
Figure 617184DEST_PATH_IMAGE008
，
Figure 551642DEST_PATH_IMAGE009
=50%
Figure 76164DEST_PATH_IMAGE008
，
Figure 909122DEST_PATH_IMAGE010
=80%
Figure 911713DEST_PATH_IMAGE008
，
Figure 966257DEST_PATH_IMAGE011
=100%
Figure 973265DEST_PATH_IMAGE008
，
Figure 746049DEST_PATH_IMAGE012
=120%
Figure 286752DEST_PATH_IMAGE008
，
Figure 212114DEST_PATH_IMAGE008
表 示额定电流。
7.根据权利要求4所述的电流互感器误差评估方法，其特征在于，所述筛选过程包括：采用二阶差分对所述在线检测数据集的数据进行筛选得到稳定电流数据。
8.根据权利要求4所述的电流互感器误差评估方法，其特征在于，所述筛选过程包括：
计算i时刻j相电流幅值数据二阶差分值
Figure 875176DEST_PATH_IMAGE013
；其中，i表示第i时刻，j表示A、B、C三相中的 任意一相；
将三相电流幅值二阶差分的时序数据集合通过箱线图进行数据筛选：对于j相的所有
Figure 869677DEST_PATH_IMAGE013
，保留小于上四分位数和大于下四分位数的数据；
根据保留的筛选后的三相电流幅值数据
Figure 525655DEST_PATH_IMAGE014
构造所述多个稳定的分段数据集。
9.根据权利要求1所述的电流互感器误差评估方法，其特征在于，所述步骤3中所述步骤的各个实时误差预测模型的初始参数包括：各个所述实时误差预测ANN模型的初始权重和参数为训练完成的所述预训练模型的权重和参数。
10.根据权利要求1所述的电流互感器误差评估方法，其特征在于，所述步骤4中将待测电流互感器的在线监测数据输入所述实时误差预测ANN模型之前还包括：对待测电流互感器的在线监测数据进行二阶差分筛选，将二阶差分筛选后稳定的所述待测电流互感器的在线监测数据输入所述实时误差预测ANN模型。
CN202211081377.5A 2022-09-06 2022-09-06 一种非平稳输出的电流互感器误差评估方法 Active CN115166618B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211081377.5A CN115166618B (zh) 2022-09-06 2022-09-06 一种非平稳输出的电流互感器误差评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211081377.5A CN115166618B (zh) 2022-09-06 2022-09-06 一种非平稳输出的电流互感器误差评估方法

Publications (2)

Publication Number Publication Date
CN115166618A true CN115166618A (zh) 2022-10-11
CN115166618B CN115166618B (zh) 2022-11-25

Family

ID=83481122

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211081377.5A Active CN115166618B (zh) 2022-09-06 2022-09-06 一种非平稳输出的电流互感器误差评估方法

Country Status (1)

Country Link
CN (1) CN115166618B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392141A (zh) * 2022-10-28 2022-11-25 武汉格蓝若智能技术股份有限公司 一种自适应的电流互感器误差评估方法
CN115616470A (zh) * 2022-12-20 2023-01-17 国网福建省电力有限公司 电流互感器计量误差状态预测方法、系统、设备及介质
CN115754875A (zh) * 2022-11-03 2023-03-07 国网安徽省电力有限公司营销服务中心 一种电压互感器误差评估方法及装置
CN117233687A (zh) * 2023-11-13 2023-12-15 威胜集团有限公司 一种基于历史数据的cvt初始误差评估方法、介质及终端

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1988306A (zh) * 2006-11-18 2007-06-27 重庆市电力公司 一种基于人工神经网络模型的智能化母线保护方法
CN109828227A (zh) * 2019-01-24 2019-05-31 东南大学 一种基于电流信息特征的电子式电流互感器故障诊断方法
CN111025222A (zh) * 2019-12-31 2020-04-17 三峡大学 基于递推主元分析的电子式电压互感器状态监测方法
CN111652478A (zh) * 2020-05-19 2020-09-11 三峡大学 基于伞式算法的电力系统电压稳定评估误分类约束方法
WO2021152715A1 (ja) * 2020-01-29 2021-08-05 日本電信電話株式会社 学習装置、検索装置、学習方法、検索方法及びプログラム
WO2022043088A2 (en) * 2020-08-28 2022-03-03 Netico GmbH Real time live line measurement of metrological properties of current transformers

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1988306A (zh) * 2006-11-18 2007-06-27 重庆市电力公司 一种基于人工神经网络模型的智能化母线保护方法
CN109828227A (zh) * 2019-01-24 2019-05-31 东南大学 一种基于电流信息特征的电子式电流互感器故障诊断方法
CN111025222A (zh) * 2019-12-31 2020-04-17 三峡大学 基于递推主元分析的电子式电压互感器状态监测方法
WO2021152715A1 (ja) * 2020-01-29 2021-08-05 日本電信電話株式会社 学習装置、検索装置、学習方法、検索方法及びプログラム
CN111652478A (zh) * 2020-05-19 2020-09-11 三峡大学 基于伞式算法的电力系统电压稳定评估误分类约束方法
WO2022043088A2 (en) * 2020-08-28 2022-03-03 Netico GmbH Real time live line measurement of metrological properties of current transformers

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115392141A (zh) * 2022-10-28 2022-11-25 武汉格蓝若智能技术股份有限公司 一种自适应的电流互感器误差评估方法
CN115754875A (zh) * 2022-11-03 2023-03-07 国网安徽省电力有限公司营销服务中心 一种电压互感器误差评估方法及装置
CN115754875B (zh) * 2022-11-03 2023-08-11 国网安徽省电力有限公司营销服务中心 一种电压互感器误差评估方法及装置
CN115616470A (zh) * 2022-12-20 2023-01-17 国网福建省电力有限公司 电流互感器计量误差状态预测方法、系统、设备及介质
CN115616470B (zh) * 2022-12-20 2023-09-22 国网福建省电力有限公司 电流互感器计量误差状态预测方法、系统、设备及介质
CN117233687A (zh) * 2023-11-13 2023-12-15 威胜集团有限公司 一种基于历史数据的cvt初始误差评估方法、介质及终端
CN117233687B (zh) * 2023-11-13 2024-02-06 威胜集团有限公司 一种基于历史数据的cvt初始误差评估方法、介质及终端

Also Published As

Publication number Publication date
CN115166618B (zh) 2022-11-25

Similar Documents

Publication Publication Date Title
CN115166618B (zh) 一种非平稳输出的电流互感器误差评估方法
US7275018B2 (en) Method of condition monitoring
US20170300546A1 (en) Method and Apparatus for Data Processing in Data Modeling
CN107992665B (zh) 一种特高压换流站交流滤波器在线故障诊断分析方法
CN115616470B (zh) 电流互感器计量误差状态预测方法、系统、设备及介质
CN107633155A (zh) 用于组件故障树的基于计算机的生成的方法和设备
CN113420061B (zh) 炼油和化工生产装置的稳态工况分析方法、优化调试方法及系统
CN117270514B (zh) 基于工业物联网的生产过程全流程故障检测方法
CN114169631B (zh) 一种基于数据分析的油田电力负荷管控系统
CN114089255B (zh) 一种电容式电压互感器稳定性评估方法
CN115392141B (zh) 一种自适应的电流互感器误差评估方法
CN115480204A (zh) 基于大数据推演的电流互感器运行误差在线评估优化方法
CN111612149A (zh) 一种基于决策树的主网线路状态检测方法、系统及介质
CN108090615A (zh) 基于交叉熵集成学习的电力系统故障后最低频率预测方法
CA2034492A1 (en) Method of monitoring the operational state of a system
CN115526258A (zh) 基于Spearman相关系数特征提取的电力系统暂稳评估方法
CN113237619B (zh) 变转速旋转机械振动的故障预警方法、装置、设备以及存储介质
CN114066214A (zh) 一种基于多融合卷积神经网络的电能质量分析方法
KR20190131329A (ko) 학습 데이터 생성 시스템
CN115754875B (zh) 一种电压互感器误差评估方法及装置
CN105741184A (zh) 一种变压器状态评估方法及装置
CN116383048A (zh) 软件质量信息处理方法及装置
CN116611184A (zh) 一种齿轮箱的故障检测方法、装置及介质
Secue et al. New SFRA measurement interpretation methodology for the diagnosis of power transformers
CN115308644A (zh) 基于电流偏移比差分析的变压器绕组故障检测方法及系统

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

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.

CP01 Change in the name or title of a patent holder