CN115408864A - 电子式互感器误差状态自适应预测方法、系统及设备 - Google Patents
电子式互感器误差状态自适应预测方法、系统及设备 Download PDFInfo
- Publication number
- CN115408864A CN115408864A CN202211063941.0A CN202211063941A CN115408864A CN 115408864 A CN115408864 A CN 115408864A CN 202211063941 A CN202211063941 A CN 202211063941A CN 115408864 A CN115408864 A CN 115408864A
- Authority
- CN
- China
- Prior art keywords
- error state
- electronic transformer
- error
- data
- electronic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 72
- 238000012545 processing Methods 0.000 claims abstract description 53
- 230000008859 change Effects 0.000 claims abstract description 27
- 238000011112 process operation Methods 0.000 claims abstract description 11
- 239000011159 matrix material Substances 0.000 claims description 49
- 238000001514 detection method Methods 0.000 claims description 27
- 230000003044 adaptive effect Effects 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 21
- 230000008569 process Effects 0.000 claims description 16
- 238000005070 sampling Methods 0.000 claims description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 5
- 230000035945 sensitivity Effects 0.000 claims description 2
- 230000007774 longterm Effects 0.000 abstract description 10
- 230000004044 response Effects 0.000 abstract description 6
- 230000035772 mutation Effects 0.000 abstract description 2
- 238000005259 measurement Methods 0.000 description 10
- 230000008901 benefit Effects 0.000 description 4
- 238000006731 degradation reaction Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 230000015556 catabolic process Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000007619 statistical method Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012300 Sequence Analysis Methods 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012731 temporal analysis Methods 0.000 description 1
- 238000000700 time series analysis Methods 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种电子式互感器误差状态自适应预测方法、系统及设备,所述方法包括:采集电子式互感器的过程运行数据,计算表征电子式电压互感器整体误差状态的Q统计量;基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理,得到批次化处理后的时间序列;利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态。本发明通过根据电力系统的实时变化特性动态选择预测步长,对Q统计量的时间序列进行批次化处理,利用批次处理化后的时间序列对电子式互感器的误差变化趋势进行自适应预测,既可适应电子式互感器误差缓慢变化下的长期预测也能适应误差突变情况下的快速响应。
Description
技术领域
本发明涉及电力技术领域,具体涉及一种电子式互感器误差状态自适应预测方法、系统及设备。
背景技术
相比于传统的电磁式互感器,电子式互感器具有数字化输出的优点,更加适应变电站多种数字化设备的应用需求。但目前电子式互感器主要工作在高压变电站中,电磁环境复杂,影响电子式互感器传感单元和电子单元的可靠性,运行经验表明电子式互感器测量误差的长期稳定性较差,制约了电子式互感器在电力系统中的全面推广及运用。需要对电子式互感器测量误差进行有效的检测及趋势预测,预测结果对于指导电力从业人员及时制定检修维护策略、减少电能计量的损失更有意义。
目前主要通过与标准互感器比对校准的方法实现电子式互感器的误差检测,比如公布号为CN102901874A的中国发明专利文献记载的一种基于相位与时标测量的MU绝对延时检测方法,所采用的就是基于与标准互感器比对的方法,实现延时检测。但由于标准互感器对运行环境要求较高,国家计量检定规程JJG 314-100《测量用电压互感器检定规程》规定检定的环境要求为环境温度10℃~35℃,相对湿度不大于80%,变电站的运行环境为户外环境,一年四季温度和湿度变化范围较大,标准互感器无法在变电站长期带电运行。这种方式只能定期开展,无法及时判断电子式互感器的误差状态,已无法满足电子式互感器的运维要求。
相关技术中,公布号为CN113821938A的中国发明专利文献记载了一种互感器计量误差状态短期预测方法及装置,首先采用误差剥离的方法,对CVT误差数据进行预处理,并利用ARIMA算法构造趋势预测模型,将互感器自身误差预测值和附加误差预测值相加,预测较近时间段误差值并得到互感器误差状态预测曲线,实现互感器误差状态的短期预测。
但该方案仅能实现对互感器误差状态的短期预测,无法适应电子式互感器误差缓慢变化下的长期预测。且该方案中预测周期为CVT的误差数据采样周期,预测步长为固定的采样周期,如果是基于传统的误差检测方法,采样周期单位为年,已不具备状态预测的效果。
发明内容
本发明所要解决的技术问题在于如何提供一种可适应电子式互感器误差缓慢变化下的长期预测也能适应误差突变情况下的快速响应的电子式互感器误差状态自适应预测方法及系统。
本发明通过以下技术手段实现解决上述技术问题的:
第一方面,本发明提出了一种电子式互感器误差状态自适应预测方法,所述方法包括:
采集电子式互感器的过程运行数据,计算表征电子式电压互感器整体误差状态的Q统计量;
基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理,得到批次化处理后的时间序列;
利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态。
本发明通过根据电力系统的实时变化特性动态选择预测步长,对Q统计量的时间序列进行批次化处理,利用批次处理化后的时间序列对电子式互感器的误差变化趋势进行自适应预测,既可适应电子式互感器误差缓慢变化下的长期预测也能适应误差突变情况下的快速响应,可有效减少智能变电站的非故障停电时间,实现不停电条件下对电子式互感器误差状态的全息感知。
进一步地,所述基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理的公式表示为:
式中:STk为批次化处理后的时间序列;mk为第k批次的误差状态数据的预测步长。
进一步地,所述预测步长mk+1的计算公式为:
式中:mmax和mmin分别为预测步长的最大和最小值;α,β和γ是三个功能参数,表示时间宽度mk的选择对过程数据变化的敏感程度;表示两个连续采样时刻的均值向量差的欧式范数;表示两个连续采样时刻协方差矩阵差的欧式范数;||Δb0||表示电子式互感器正常运行状态下的基本均值变化;||ΔR0||表示正常运行状态下的协方差矩阵的基本变化;exp()表示函数e();||||表示向量的模值;b表示均值向量;R表示协方差矩阵。
进一步地,所述误差预测模型为:
式中:为自回归模型的自回归参数,θi-l(l=1,2,...,m)为滑动平均模型的参数;n为自回归模型的阶数;m为滑动平均模型的阶数;STi-j、STi-l为第i批次之前的批次化处理后的历史时间序列;STi为预测未来i批次时间段内电子互感器的误差状态。
进一步地,所述采集电子式互感器的过程运行数据,计算表征电子式电压互感器整体误差状态的Q统计量,包括:
采集电子式互感器的过程运行数据xt=(UAt,UBt,UCt)和yt=(θAt,θBt,θCt),t为采样时刻,UAt,UBt,UCt分别为三相电子式电压互感器对应的幅值数据,θAt,θBt,θCt分别为三相电子式互感器对应的相位数据;
基于所述运行数据,采用误差状态自检测模型,计算表征电子式互感器整体误差状态的Q统计量,所述误差状态自检测模型为:
式中:Pe=[P2 P3],P2、P3为由幅值数据构建的第一数据矩阵进行奇异值分解得到的特征向量;P′e=[P′2 P′3],P′2、P′3为由相位数据构建的第二数据矩阵进行奇异值分解得到的特征向量。
进一步地,在基于所述运行数据,计算表征电子式互感器整体误差状态的Q统计量之前,所述方法还包括:
对同一节点下三相电子式互感器输出的数字信号进行解析,得到特征量,所述特征量包括数字信号的幅值和相位;
基于各节点下所述数字信号的幅值和相位,分别构建幅值数据的第一数据矩阵和相位数据的第二数据矩阵;
分别对所述第一数据矩阵的协方差和所述第二数据矩阵的协方差进行奇异值分解计算,得到由特征向量组成的特征矩阵;
基于所述特征矩阵,构建所述误差状态自检测模型。
进一步地,所述方法还包括:
判断预测的批次电子式互感器的误差状态是否小于设定的阈值;
若是,则对所述批次化处理后的时间序列重新进行批次化处理;
若否,则进行早期预警。
第二方面,本发明提出了一种电子式互感器误差状态自适应预测系统,所述系统包括数据处理单元、误差状态自检测单元以及误差状态自适应预测单元,其中:
所述数据处理单元,用于对采集的电子式互感器输出的报文数据进行解析,得到特征量;
所述误差状态自检单元,用于基于所述特征量,计算表征电子式电压互感器整体误差状态的Q统计量;
所述误差状态自适应预测单元,用于基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理,得到批次化处理后的时间序列,并利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态。
第三方面,本发明提出了一种设备,所述设备包括存储器、处理器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如上所述的电子式互感器误差状态自适应预测方法。
第四方面,本发明提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上所述的电子式互感器误差状态自适应预测方法。
本发明的优点在于:
(1)本发明通过根据电力系统的实时变化特性动态选择预测步长,对Q统计量的时间序列进行批次化处理,利用批次处理化后的时间序列对电子式互感器的误差变化趋势进行自适应预测,既可适应电子式互感器误差缓慢变化下的长期预测也能适应误差突变情况下的快速响应,可有效减少智能变电站的非故障停电时间,实现不停电条件下对电子式互感器误差状态的全息感知。
(2)利用统计分析的方法对电子式互感器的测量数据进行相关性分析,实现三相电子式互感器整体误差状态的自检测。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
图1是本发明第一实施例中电子式互感器误差状态自适应预测方法的流程示意图;
图2是本发明第一实施例中电子式电压互感器误差状态自适应批次化示意图;
图3是本发明第一实施例中电子式电压互感器误差状态自适应预测的流程示意图;
图4是本发明第二实施例中电子式互感器误差状态自适应预测系统的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
如图1所示,本发明第一实施例提出了一种电子式互感器误差状态自适应预测方法,所述方法包括以下步骤:
S10、采集电子式互感器的过程运行数据,计算表征电子式电压互感器整体误差状态的Q统计量;
S20、基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理,得到批次化处理后的时间序列;
S30、利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态。
本实施例通过根据电力系统的非平稳随机过程特征自适应选择状态预测步长,对Q统计量的时间序列进行批次化处理,利用批次处理化后的时间序列对电子式互感器的误差变化趋势进行自适应预测,既可适应电子式互感器误差缓慢变化下的长期预测也能适应误差突变情况下的快速响应,可有效减少智能变电站的非故障停电时间,实现不停电条件下对电子式互感器误差状态的全息感知,预测结果可指导电力从业人员及时开展电子式互感器的检修和维护工作。
在一实施例中,所述步骤S10:采集电子式互感器的过程运行数据,计算表征电子式电压互感器整体误差状态的Q统计量,包括以下步骤:
S11、采集电子式互感器的过程运行数据xt=(UAt,UBt,UCt)和yt=(θAt,θBt,θCt),t为采样时刻,UAt,UBt,UCt分别为三相电子式互感器对应的幅值数据,θAt,θBt,θCt分别为三相电子式互感器对应的相位数据;
S12、基于所述运行数据,采用误差状态自检测模型,计算表征电子式互感器整体误差状态的Q统计量,所述误差状态自检测模型为:
式中:Pe=[P2 P3],P2、P3为由幅值数据构建的第一数据矩阵进行奇异值分解得到的特征向量;P′e=[P′2 P′3],P′2、P′3为由相位数据构建的第二数据矩阵进行奇异值分解得到的特征向量。
应当理解的是,电子式电压互感器整体误差状态的Q统计量包括由幅值数据计算得到的Qt,和由相位数据计算得到的Qt′。
本实施例通过采用误差状态自检测模型对实时采集的电子式互感器的运行数据(包括幅值数据和相位数据)进行处理,实现电子式互感器误差状态的自检测。
在一实施例中,所述误差状态自检模型的构建过程包括以下步骤:
(1)对同一节点下三相电子式互感器输出的数字信号进行解析,得到特征量,所述特征量包括数字信号的幅值和相位;
具体为:在三相电子式电压互感器完成现场验收投运后,同步采集变电站各类型电子式互感器本体输出的IEC61850报文数据,解析同一节点下三相电子式互感器输出的报文信号,计算电子式互感器测量的电压及电流信号的幅值信息、相位信息。
比如以1#三相电子式电压互感器为例,1#三相电子式电压互感器对应的数据处理单元输出数据:U1At,θ1At,U1Bt,θ1Bt,U1Ct,θ1Ct,其中,t为处理时刻,处理周期为1秒/次。
(2)基于各节点下所述数字信号的幅值和相位,分别构建幅值数据的第一数据矩阵和相位数据的第二数据矩阵;
本实施例以构建三相电子式电压互感器幅值数据的第一数据矩阵为例,基于各类型电子式互感器对应的幅值数据,构建第一数据矩阵为:
式中:UAn表示电子式电压互感器A相对应的幅值数据,UBn表示电子式电压互感器B相的幅值数据,UCn表示电子式电压互感器C相的幅值数据,n为用于误差状态自检模型训练的样本个数。
以构建三相电子式电压互感器相位数据的第二数据矩阵为例,基于各类型电子式互感器对应的相位数据,构建第二数据矩阵为:
式中:θAn表示电子式电压互感器A相对应的相位数据,θBn表示电子式电压互感器B相的相位数据,θCn表示电子式电压互感器C相的相位数据,n为用于误差状态自检模型训练的样本个数。
(3)分别对所述第一数据矩阵的协方差和所述第二数据矩阵的协方差进行奇异值分解计算,得到由特征向量组成的特征矩阵;
具体地,对所述第一数据矩阵的协方差R进行奇异值分解,可得:
R=XTX/(n-1)=[P1P2P3]Λ[P1P2P3]T
式中:Λ=diag(λ1,λ2,λ3),λ1>λ2>λ3为协方差矩阵R的特征值,[P1P2P3]为特征值λ1,λ2,λ3对应的特征向量所组成的特征矩阵。
具体地,对所述第一数据矩阵的协方差R′进行奇异值分解,可得:
R′=X′TX′/(n-1)=[P′1P′2P′3]Λ[P′1P′2P′3]T
式中:Λ′=diag(λ′1,λ′2,λ′3),λ′1>λ′2>λ′3为协方差矩阵R′的特征值,[P′1P′2P′3]为特征值λ′1,λ′2,λ′3对应的特征向量所组成的特征矩阵。
(4)基于所述特征矩阵,构建所述误差状态自检测模型。
具体地,基于所述特征矩阵[P1P2P3],构建误差状态自检测模型为:
其中,xt为三相电子式互感器运行过程的幅值数据,yt为三相电子式互感器运行过程的相位数据,Pe=[P2 P3],P′e=[P′2 P′3]。
在一实施例中,所述步骤S20中,对所述Q统计量的时间序列进行批次化处理的公式为:
式中:STk为批次化处理后的时间序列;mk为第k批次的误差状态数据的预测步长。
应当理解的是,批次化处理公式中的Q统计量为由幅值数据计算得到的Qt和由相位数据计算得到的Qt′。
如图2所示,本实施例根据误差状态自检测的结果,以Q统计量为电子式互感器误差状态的预测对象,基于时间序列分析的方法实现对电子式互感器误差劣化趋势的预测;并且通过对Q统计量的时间序列进行批次化处理,增强了电子式互感器测量误差预测对象的指标性,减小随机波动中的奇异点对预测结果的影响。
需要说明的是,电力系统属于一种非平稳随机过程,且电子式互感器的误差劣化过程是一个长期漂移过程。若批次化处理的时间mk的取值过大,面对较快的过程变化,状态预测模型将不能反映当前过程的状态信息,电子式互感器测量误差的超差风险存在被淹没的可能;若批次化处理的时间mk的取值过小,则在快速适应过程变化的同时,也会降低电子式互感器测量误差长时域上的预测精度,存在误判的风险;恒定的时间宽度mk,固定预测步长适用于静态或者时间较短的时间序列,显然并不符合电子式互感器测量误差状态预测的需求。
对于mk的选择,需要根据电子式互感器二次输出的时变信息予以确定,本实施例误差预测方法根据批次化处理的时间周期值设定电子式互感器误差状态的预测步长,提出了一种可变步长的测量误差状态批次化处理策略:当系统运行过程变化较快时,mk的取值应较小,可以及时预测电子式互感器测量误差的超差风险,当系统运行过程变化较慢时,mk应选择较大值,实现对电子式互感器测量误差长时域上的预测。
具体提出预测步长mk的计算公式为:
式中:mmax和mmin分别为预测步长的最大和最小值;α,β和γ是三个功能参数,表示时间宽度mk的选择对过程数据变化的敏感程度;表示两个连续采样时刻的均值向量差的欧式范数;表示两个连续采样时刻协方差矩阵差的欧式范数;||Δb0||表示电子式互感器正常运行状态下的基本均值变化,它可以通过求取正常运行状态下三相电子式互感器二次输出信息的均值变化的平均值来获得;||ΔR0||表示正常运行状态下的协方差矩阵的基本变化;exp()表示函数e();||||表示向量的模值;b表示均值向量;R表示协方差矩阵。
本实施例根据电力系统的实时变化特性动态选择预测步长,既可适应电子式互感器误差缓慢变化下的长期预测也能适应误差突变情况下的快速响应。
在一实施例中,所述步骤S30中,所述误差预测模型为:
式中:为自回归模型的自回归参数,θi-l(l=1,2,...,m)为滑动平均模型的参数;n为自回归模型的阶数;m为滑动平均模型的阶数;STi-j、STi-l为第i批次之前的批次化处理后的历史时间序列;STi为预测未来i批次时间段内电子互感器的误差状态。
需要说明的是,电子式互感器的误差数据可以在线实时获取,本实时汇率灵活调整采样周期,并对电子式互感器的误差状态时,对误差数据进行了批次化处理,且批次化处理的步长可根据电子式互感器当前的运行状态动态调整,不同于传统方案中设定固定的采样周期为预测步长,通常只能短期预测;本实施例可根据电力系统的非平稳时变特征自适应选择预测步长,所设置的预测步长为动态的,可在电子式互感器运行平稳时实现长时期的状态预测,在电子式互感器运行状态发生波动时实现短周期的预测,及时反应电子式互感器的运行状态。
需要说明的是,本实施例利用由幅值数据计算得到的Qt可预测得到未来时刻批次电子式互感器的第一误差状态,利用由相位数据计算得到的Qt′可预测得到未来批次电子式互感器的第二误差状态,结合第一误差状态和第二误差状态综合评价未来批次电子式互感器的整体误差状态。
在一实施例中,如图3所示,所述方法还包括以下步骤:
判断预测的批次电子式互感器的误差状态是否小于设定的阈值;
若是,则对所述批次化处理后的时间序列重新进行批次化处理;
若否,则进行早期预警。
需要说明的是,通过将预测批次的电子式互感器的误差状态与设定的阈值进行比较,用于判断电子式互感器的误差是否存在超限风险,若存在则进行预警。
应当理解的是,本实施例将第一误差状态与设定的阈值Qc进行比较,将第二误差状态与设定的阈值Qc’进行比较,存在任一误差状态超过设定的对应阈值时,则进行早期预警。
应当理解的是,阈值Qc和阈值Qc’为经过大量实验得到的分别用于与第一误差状态和第二误差状态进行比较的常数,阈值Qc和阈值Qc’取值不同。
此外,如图4所示,本发明第二实施例提出了一种电子式互感器误差状态自适应预测系统,所述系统包括数据处理单元10、误差状态自检测单元20以及误差状态自适应预测单元30,其中:
所述数据处理单元10,用于对采集的电子式互感器输出的报文数据进行解析,得到特征量;
所述误差状态自检单元20,用于基于所述特征量,计算表征电子式电压互感器整体误差状态的Q统计量;
所述误差状态自适应预测单元30,用于基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理,得到批次化处理后的时间序列,并利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态。
本实施例提供的电子式互感器误差状态自适应预测系统针可针对某220kV变电站电子式电压互感器,电子式互感器本体为误差状态自适应预测系统的应用对象,包括各种类型的电子式电压互感器和电子式电流互感器。
其中,数据处理单元用于处理解析同一节点下三相电子式互感器输出的报文数据,计算被测信号的幅值和相位;误差状态自检测单元根据数据处理单元的输出数据,进行统计分析实现电子式电压互感器误差状态的自检测;误差状态的自适应预测单元根据误差状态自检测的结果,以Q统计量为电子式互感器误差状态的预测对象,基于时间序列分析的方法实现对电子式互感器误差劣化趋势的预测,并可根据电子式互感器的过程运行数据自适应选择预测步长。
在一实施例中,所述误差状态自检单元20,基于所述运行数据,采用误差状态自检测模型,计算表征电子式互感器整体误差状态的Q统计量,所述误差状态自检测模型为:
式中:Pe=[P2 P3],P2、P3为由幅值数据构建的第一数据矩阵进行奇异值分解得到的特征向量;P′e=[P′2 P′3],P′2、P′3为由相位数据构建的第二数据矩阵进行奇异值分解得到的特征向量。。
在一实施例中,所述所述误差状态自适应预测单元30,包括:
批次化处理模块,用于对所述Q统计量的时间序列进行批次化处理的公式为:
式中:STk为批次化处理后的时间序列;mk为第k批次的误差状态数据的预测步长。
误差状态预测模块,用于利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态,其中,所述误差预测模型为:
式中:为自回归模型的自回归参数,θi-l(l=1,2,...,m)为滑动平均模型的参数;n为自回归模型的阶数;m为滑动平均模型的阶数;STi-j、STi-l为第i批次之前的批次化处理后的历史时间序列;STi为预测未来i批次时间段内电子互感器的误差状态。
进一步地,预测步长mk的计算公式为:
式中:mmax和mmin分别为预测步长的最大和最小值;α,β和γ是三个功能参数,表示时间宽度mk的选择对过程数据变化的敏感程度;表示两个连续采样时刻的均值向量差的欧式范数;表示两个连续采样时刻协方差矩阵差的欧式范数;||Δb0||表示电子式互感器正常运行状态下的基本均值变化;||ΔR0||表示正常运行状态下的协方差矩阵的基本变化;exp()表示函数e();||||表示向量的模值;b表示均值向量;R表示协方差矩阵。
需要说明的是,本发明所述电子式互感器误差状态自适应预测系统的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
此外,本发明第三实施例提出了一种设备,所述设备包括存储器、处理器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如上第一实施例所述的电子式互感器误差状态自适应预测方法。
需要说明的是,本发明所述电子式互感器误差状态自适应预测设备的其他实施例或具有实现方法可参照上述各方法实施例,此处不再赘余。
此外,第四方面,本发明第四实施例提出了一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时,实现如上第一实施例所述的电子式互感器误差状态自适应预测方法。
需要说明的是,在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“多个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种电子式互感器误差状态自适应预测方法,其特征在于,所述方法包括:
采集电子式互感器的过程运行数据,计算表征电子式电压互感器整体误差状态的Q统计量;
基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理,得到批次化处理后的时间序列;
利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态。
5.如权利要求1所述的电子式互感器误差状态自适应预测方法,其特征在于,所述采集电子式互感器的过程运行数据,计算表征电子式电压互感器整体误差状态的Q统计量,包括:
采集电子式互感器的过程运行数据xt=(UAt,UBt,UCt)和yt=(θAt,θBt,θCt),t为采样时刻,UAt,UBt,UCt分别为三相电子式电压互感器对应的幅值数据,θAt,θBt,θCt分别为三相电子式互感器对应的相位数据;
基于所述运行数据,采用误差状态自检测模型,计算表征电子式互感器整体误差状态的Q统计量,所述误差状态自检测模型为:
式中:Pe=[P2P3],P2、P3为由幅值数据构建的第一数据矩阵进行奇异值分解得到的特征向量;P′e=[P′2 P′3],P′2、P′3为由相位数据构建的第二数据矩阵进行奇异值分解得到的特征向量。
6.如权利要求5所述的电子式互感器误差状态自适应预测方法,其特征在于,在基于所述运行数据,计算表征电子式互感器整体误差状态的Q统计量之前,所述方法还包括:
对同一节点下三相电子式互感器输出的数字信号进行解析,得到特征量,所述特征量包括数字信号的幅值和相位;
基于各节点下所述数字信号的幅值和相位,分别构建幅值数据的第一数据矩阵和相位数据的第二数据矩阵;
分别对所述第一数据矩阵的协方差和所述第二数据矩阵的协方差进行奇异值分解计算,得到由特征向量组成的特征矩阵;
基于所述特征矩阵,构建所述误差状态自检测模型。
7.如权利要求1-6任一项所述的电子式互感器误差状态自适应预测方法,其特征在于,所述方法还包括:
判断预测的批次电子式互感器的误差状态是否小于设定的阈值;
若是,则对所述批次化处理后的时间序列重新进行批次化处理;
若否,则进行早期预警。
8.一种电子式互感器误差状态自适应预测系统,其特征在于,所述系统包括数据处理单元、误差状态自检测单元以及误差状态自适应预测单元,其中:
所述数据处理单元,用于对采集的电子式互感器输出的报文数据进行解析,得到特征量;
所述误差状态自检单元,用于基于所述特征量,计算表征电子式电压互感器整体误差状态的Q统计量;
所述误差状态自适应预测单元,用于基于自适应选择的预测步长,对所述Q统计量的时间序列进行批次化处理,得到批次化处理后的时间序列,并利用预先训练好的误差预测模型对所述批次化处理后的时间序列进行处理,预测未来时刻批次电子式互感器的误差状态。
9.一种设备,其特征在于,所述设备包括存储器、处理器;其中,所述处理器通过读取所述存储器中存储的可执行程序代码来运行与所述可执行程序代码对应的程序,以用于实现如权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时,实现如权利要求1-7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063941.0A CN115408864B (zh) | 2022-09-01 | 2022-09-01 | 电子式互感器误差状态自适应预测方法、系统及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211063941.0A CN115408864B (zh) | 2022-09-01 | 2022-09-01 | 电子式互感器误差状态自适应预测方法、系统及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115408864A true CN115408864A (zh) | 2022-11-29 |
CN115408864B CN115408864B (zh) | 2023-10-31 |
Family
ID=84164110
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211063941.0A Active CN115408864B (zh) | 2022-09-01 | 2022-09-01 | 电子式互感器误差状态自适应预测方法、系统及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115408864B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685045A (zh) * | 2022-12-08 | 2023-02-03 | 华中科技大学 | 一种电压互感器在线评估方法 |
CN115754881A (zh) * | 2023-01-04 | 2023-03-07 | 武汉格蓝若智能技术股份有限公司 | 电压互感器二次侧回路虚接判别方法及装置 |
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、系统、设备和介质 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011221645A (ja) * | 2010-04-06 | 2011-11-04 | Nippon Steel Corp | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
WO2017001950A1 (en) * | 2015-06-29 | 2017-01-05 | Abb Technology Ltd. | A method for correcting effect of saturation in current transformer and an intelligent electronic device therefor |
CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
CN109358306A (zh) * | 2018-10-18 | 2019-02-19 | 国网天津市电力公司电力科学研究院 | 一种基于gm(1,1)的智能电能表健康度趋势预测方法 |
CN111537938A (zh) * | 2020-03-31 | 2020-08-14 | 国网江西省电力有限公司电力科学研究院 | 基于智能算法的电子式互感器误差短时预测方法 |
CN113536662A (zh) * | 2021-06-16 | 2021-10-22 | 三峡大学 | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 |
CN113743651A (zh) * | 2021-08-04 | 2021-12-03 | 三峡大学 | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 |
-
2022
- 2022-09-01 CN CN202211063941.0A patent/CN115408864B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011221645A (ja) * | 2010-04-06 | 2011-11-04 | Nippon Steel Corp | 品質予測装置、品質予測方法、コンピュータプログラム、およびコンピュータ読み取り可能な記録媒体 |
WO2017001950A1 (en) * | 2015-06-29 | 2017-01-05 | Abb Technology Ltd. | A method for correcting effect of saturation in current transformer and an intelligent electronic device therefor |
CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
CN109358306A (zh) * | 2018-10-18 | 2019-02-19 | 国网天津市电力公司电力科学研究院 | 一种基于gm(1,1)的智能电能表健康度趋势预测方法 |
CN111537938A (zh) * | 2020-03-31 | 2020-08-14 | 国网江西省电力有限公司电力科学研究院 | 基于智能算法的电子式互感器误差短时预测方法 |
CN113536662A (zh) * | 2021-06-16 | 2021-10-22 | 三峡大学 | 基于萤火虫优化LightGBM算法的电子式互感器误差状态预测方法 |
CN113743651A (zh) * | 2021-08-04 | 2021-12-03 | 三峡大学 | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 |
Non-Patent Citations (4)
Title |
---|
BINBIN LI等: "Self-Detecting the Measurement Error of Electronic Voltage Transformer Based on Principal Component Analysis-Wavelet Packet Decomposition", 《IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》, vol. 70, pages 3526609 * |
张竹: "电容式电压互感器计量误差状态评估和预测方法研究", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, no. 05, pages 2 - 4 * |
李振华等: "基于Q-ARMA的电子式电压互感器误差状态预测", 《中国科学:技术科学》, vol. 48, no. 12, pages 1 - 6 * |
杨爱超等: "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, pages 52 - 56 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115685045A (zh) * | 2022-12-08 | 2023-02-03 | 华中科技大学 | 一种电压互感器在线评估方法 |
CN115754881A (zh) * | 2023-01-04 | 2023-03-07 | 武汉格蓝若智能技术股份有限公司 | 电压互感器二次侧回路虚接判别方法及装置 |
CN115754881B (zh) * | 2023-01-04 | 2023-04-25 | 武汉格蓝若智能技术股份有限公司 | 电压互感器二次侧回路虚接判别方法及装置 |
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、系统、设备和介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115408864B (zh) | 2023-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115408864A (zh) | 电子式互感器误差状态自适应预测方法、系统及设备 | |
CN109444791B (zh) | 一种电容式电压互感器误差状态评估方法和系统 | |
CN109164343B (zh) | 基于特征信息量化与加权knn的变压器故障诊断方法 | |
Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
CN112731260A (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
CN115238831B (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
CN114623050A (zh) | 风电机组的运行数据异常检测方法、系统及介质 | |
CN114169631B (zh) | 一种基于数据分析的油田电力负荷管控系统 | |
CN113743651A (zh) | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 | |
CN114678962B (zh) | 基于电力物联网的分布式阵列测温异常数据传输监控系统 | |
CN111695452A (zh) | 基于rbf神经网络的并联电抗器内部老化程度评估方法 | |
CN116720622A (zh) | 一种电流互感器计量误差值预测方法 | |
CN112883634A (zh) | 基于多维度分析的直流测量系统状态预测方法及系统 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及系统 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN117574275A (zh) | 一种电力系统异常检测分类方法 | |
CN112580254A (zh) | 一种基于多级决策融合的换流变多维度分析和预警方法 | |
CN115718478A (zh) | 基于sac深度强化学习的svg参数优化辨识方法 | |
CN115329672A (zh) | 一种基于改进topsis灰色关联的换流变压器状态可靠性评估方法 | |
CN111654033B (zh) | 基于线性推演的大电网静态电压稳定态势评估方法及系统 | |
CN115238733A (zh) | 一种高压断路器合分闸线圈运行状态评估方法及相关设备 | |
CN112231624A (zh) | 基于物联网的多变压器绕组抗短路能力的实时评估系统 | |
CN113449809A (zh) | 一种基于kpca-nsvdd的电缆绝缘在线监测方法 | |
CN117706452A (zh) | 基于knn-gru模型的电压互感器的在线评估方法 | |
CN115308472A (zh) | 一种电流互感器智能运行及在线状态综合评估装置及方法 |
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 |