CN115587673B - 一种电压互感器误差状态预测方法及系统 - Google Patents
一种电压互感器误差状态预测方法及系统 Download PDFInfo
- Publication number
- CN115587673B CN115587673B CN202211408487.8A CN202211408487A CN115587673B CN 115587673 B CN115587673 B CN 115587673B CN 202211408487 A CN202211408487 A CN 202211408487A CN 115587673 B CN115587673 B CN 115587673B
- Authority
- CN
- China
- Prior art keywords
- voltage transformer
- error
- value
- maintenance
- interval
- 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
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000012423 maintenance Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 21
- 238000004590 computer program Methods 0.000 claims description 10
- 230000011218 segmentation Effects 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000011156 evaluation Methods 0.000 abstract description 7
- 230000008569 process Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Entrepreneurship & Innovation (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Protection Of Transformers (AREA)
Abstract
本发明提供一种电压互感器误差状态预测方法及系统,该方法包括:采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示。通过该方案可以实现运维状态下,电压互感器误差评估数据的正常沿用,避免运维对电压互感器状态预测的影响,并保障预测结果准确可靠。
Description
技术领域
本发明属于电力计量监测领域,尤其涉及一种电压互感器误差状态预测方法及系统。
背景技术
电压互感器(PT)是电力系统中二次设备获取电气一次回路电压信息的传感器,可以用来变换电压,也可以用来测量线路的电压、功率和电能,或者用来在线路发生故障时保护线路中的贵重设备、电机和变压器。作为测量设备,电压互感器的测量准确度十分重要,因此需要对运行中电压互感器的误差状态做出及时地预测,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,对保证电力系统的安全稳定和经济运行具有重要意义。
在实际情况中,变电站互感器会进行定期或不定期的维修,而电压互感器已经被维修过会产生较大的变化。由于电压互感器待预测时刻的状态与历史状态数据、历史运行状态下的扰动等都有关,而运维的进行会改变原有的规律,导致不能直接沿用历史数据。
发明内容
有鉴于此,本发明实施例提供了一种电压互感器误差状态预测方法及系统,用于解决现有PT误差状态预测方法中,运维过程导致历史数据无法正常沿用的问题。
在本发明实施例的第一方面,提供了一种电压互感器误差状态预测方法,包括:
采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;
将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;
基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示。
在本发明实施例的第二方面,提供了一种电压互感器误差状态预测系统,包括:
采集分段模块,用于采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;
训练预测模块,用于将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;
状态预警模块,用于基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示。
在本发明实施例的第三方面,提供了一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明实施例第一方面所述方法的步骤。
在本发明实施例的第四方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现本发明实施例第一方面提供的所述方法的步骤。
本发明实施例中,基于分段聚合和wavenet神经网络,来预测电压互感器误差,结合超差概率进行状态预警,从而解决解决运维状态下电压互感器的历史误差估计数据无法正常沿用的问题,不仅能将互感器调整至运维后的全新状态,又不会完全丢失该互感器的特性与规律数据,进而能基于历史误差评估对当前运行中电压互感器的误差状态进行预测,并能保障预估结果的准确性、可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单介绍,显而易见地,下面描述的附图仅仅是本发明的一些实施例,对本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获取其他附图。
图1为本发明一个实施例提供的一种电压互感器误差状态预测方法的流程示意图;
图2为本发明一个实施例提供的一种电压互感器误差状态预测系统的结构示意图;
图3为本发明的一个实施例提供的一种电子设备的结构示意图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
应当理解,本发明的说明书或权利要求书及上述附图中的术语“包括”以及其他相近意思表述,意指覆盖不排他的包含,如包含一系列步骤或单元的过程、方法或系统、设备没有限定于已列出的步骤或单元。此外,“第一”“第二”用于区分不同对象,并非用于描述特定顺序。
请参阅图1,本发明实施例提供的一种电压互感器误差状态预测方法的流程示意图,包括:
S101、采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;
所述历史误差评估值可以通过误差评估算法评估得到,比如,基于互感器历史校验以及互感器节点偏差间的皮尔逊相关系数等对电压互感器进行误差评估,可以得到误差估计值,实时记录误差估计值。本实施例中,可以每一天记录一个误差估计值,形成误差估计值时间序列。所述运维记录为电压互感器检修、维护相关数据,可以包括维修项目、时间等。
根据当前最近一次的运维时间,对历史误差估计值时间序列进行划分,分为维修前的误差估计值和维修后的误差估计值。基于时间分段,根据维修前后误差变化可以对维修前的误差估计值进行修正。
优选的,当与最近一次运维时间的间隔超过预设值,则在预定值限定的时间范围内,计算最近一次运维前后误差估计值均值,将运维前后误差估计值均值的差作为修正值,对最近一次运维前时间分段的历史误差评估值进行修正。如预定值为5天,即最近一次运维时间超过五天,则进行分段误差估计值修正。
示例性的,记当日为d,待测日即为d+1,搜索该电压互感器最近一次运维在x日,运维至当日经过时间为(d-x),以x日为界,x至d为一个分段,该段误差估计值序列记作Y1,将x日前(d-x)日,到第x日的误差估计值序列记作Y2,x日前(d-x)日之前的数据舍弃,若d-x<n(即离上次运维小于n天),则不发送风险预警信息,优选的,n=5;否则记录从x+1日至x+n日采集计算误差估计值数据(即Y1序列前n日误差估计值均值),计算该n日误差估计值均值fa1,同理计算Y2序列前n日误差估计值均值fa2,计算运维改进差值p=fa1-fa2,将Y2减去p得到误差估计值的修正值Y2’即,合并两段序列得到训练序列Yr,即,用于参与wavenet神经网络的预测。
S102、将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;
所述wavenet网络是一种序列生成模型,wavenet模型能够根据一个序列的已知点预测后一个点,其基本公式为:;
式中,ft为网络中t时刻对应的误差预测值,t即为待测日d+1,f1,f2,...,ft-1为t时刻之前的点对应的历史误差估计值,即误差估计值序列Yr,参数p随着t值的增大而不断进行更新。将Yr导入wavenet神经网络模型,得到待测时间的互感器误差预测值fg。
S103、基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示。
所述待测电压互感器误差预测值是通过wavenet网络预测得到,所述误差真值为待测电压互感器的真值。由于误差真值服从正态分布,以电压互感器的国标精度作为所述预定阈值区间,可以计算待测电压互感器真值的超差风险。
具体的,计算待测电压互感器误差真值超出预定阈值区间的超差概率:
;
;
式中,表示超差风险概率,
f g 表示误差预测值,表示标准差,表示误差真值,且服从正态分布,
a表示预定阈值,x表示随机变量。
示例性的,值取0.075%,以国标0.2级的电压互感器为例,即a为0.2,基于预测值
f g 计算PT误差真值超出区间[-0.2%,0.2%]的概率
P r ,具体为:
。
其中,确定待测电压互感器超差概率对应的状态阈值为P1、P2,如P1取33.33%,P2取66.66%;
当电压互感器误差预测值处于[0,P1]区间,则提示电压互感器状态正常;
当电压互感器误差预测值处于[P1,P2]区间,则输出电压互感器状态告警信息;
当电压互感器误差预测值处于[P2,1]区间,则输出电压互感器状态异常信息。
本实施例中,通过设计分段聚合算法,结合wavenet神经网络模型来预测电压互感器误差估计值,解决了运维状态下的电压互感器误差状态预测无法使用历史数据的问题,不仅能将互感器调整至运维后的全新状态,而且不会完全丢失该互感器的特性与规律数据,能更好的对运行中电压互感器的误差状态做出预测。
应理解,上述实施例中各步骤的序号大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
图2为本发明实施例提供的一种电压互感器计量误差评估系统的结构示意图,该系统包括:
采集分段模块210,用于采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;
其中,所述采集分段模块210包括:
误差修正单元,用于当与最近一次运维时间的间隔超过预设值,则在预定值限定的时间范围内,计算最近一次运维前后误差估计值均值,将运维前后误差估计值均值的差作为修正值,对最近一次运维前时间分段的历史误差评估值进行修正。
训练预测模块220,用于将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;
状态预警模块230,用于基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示。
具体的,所述基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率包括:
根据公式计算待测电压互感器误差真值超出预定阈值区间的超差概率:
;
;
式中,表示超差风险概率,
f g 表示误差预测值,σ表示标准差,表示误差真值,且服从正态分布,
a表示预定阈值,x表示随机变量。
其中,所述根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示包括:
确定待测电压互感器超差概率对应的状态阈值为P1、P2;
当电压互感器误差预测值处于[0,P1]区间,则提示电压互感器状态正常;
当电压互感器误差预测值处于[P1,P2]区间,则输出电压互感器状态告警信息;
当电压互感器误差预测值处于[P2,1]区间,则输出电压互感器状态异常信息。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统和模块的具体工作过程可以参考前述方法实施例中对应的过程,在此不再赘述。
图3是本发明一实施例提供的一种电子设备的结构示意图。所述电子设备用于电压互感器误差状态预测。如图3所示,该实施例的电子设备3包括:存储器310、处理器320以及系统总线330,所述存储器310包括存储其上的可运行的程序3101,本领域技术人员可以理解,图3中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图3对电子设备的各个构成部件进行具体的介绍:
存储器310可用于存储软件程序以及模块,处理器320通过运行存储在存储器310的软件程序以及模块,从而执行电子设备的各种功能应用以及数据处理。存储器310可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如缓存数据)等。此外,存储器310可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器310上包含网络请求方法的可运行程序3101,所述可运行程序3101可以被分割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器310中,并由处理器320执行,以实现电压互感器误差状态预测等,所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序3101在所述电子设备3中的执行过程。例如,所述计算机程序3101可以被分割为采集分段模块、训练预测模块、状态预警模块等功能模块。
处理器320是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器310内的软件程序和/或模块,以及调用存储在存储器310内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体状态监控。可选的,处理器320可包括一个或多个处理单元;优选的,处理器320可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器320中。
系统总线330是用来连接计算机内部各功能部件,可以传送数据信息、地址信息、控制信息,其种类可以是例如PCI总线、ISA总线、CAN总线等。处理器320的指令通过总线传递至存储器310,存储器310反馈数据给处理器320,系统总线330负责处理器320与存储器310之间的数据、指令交互。当然系统总线330还可以接入其他设备,例如网络接口、显示设备等。
在本发明实施例中,该电子设备所包括的处理320执行的可运行程序包括:
采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;
将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;
基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、设备和模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
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述或记载的部分,可以参见其它实施例的相关描述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (6)
1.一种电压互感器误差状态预测方法,其特征在于,包括:
采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;
其中,所述对运维前一分段的历史误差估计值进行修正包括:
当与最近一次运维时间的间隔超过预设值,则在预定值限定的时间范围内,计算最近一次运维前后误差估计值均值,将运维前后误差估计值均值的差作为修正值,对最近一次运维前时间分段的历史误差评估值进行修正;
将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;
基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示;
其中,所述基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率包括:
计算待测电压互感器误差真值超出预定阈值区间的超差概率:
;
;
式中,表示超差风险概率,表示误差预测值,σ表示标准差,表示误差真值,且服从正态分布,a表示预定阈值,x表示随机变量。
2.根据权利要求1所述的方法,其特征在于,所述根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示包括:
确定待测电压互感器超差概率对应的状态阈值为P1、P2;
当电压互感器误差预测值处于[0,P1]区间,则提示电压互感器状态正常;
当电压互感器误差预测值处于[P1,P2]区间,则输出电压互感器状态告警信息;
当电压互感器误差预测值处于[P2,1]区间,则输出电压互感器状态异常信息。
3.一种电压互感器误差状态预测系统,其特征在于,包括:
采集分段模块,用于采集电压互感器的历史误差估计值和运维记录,根据距离当前最近一次运维时间,将历史误差估计值按时间分段,若最近一次的运维时间间隔超过预设值,则对运维前一分段的历史误差估计值进行修正;
其中,所述采集分段模块包括:
误差修正单元,用于当与最近一次运维时间的间隔超过预设值,则在预定值限定的时间范围内,计算最近一次运维前后误差估计值均值,将运维前后误差估计值均值的差作为修正值,对最近一次运维前时间分段的历史误差评估值进行修正;
训练预测模块,用于将分段的历史误差估计值作为训练集对wavenet网络进行训练,通过训练后的wavenet网络预测待测电压互感器误差;
状态预警模块,用于基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率,根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示;
其中,所述基于待测电压互感器误差预测值计算误差真值超出预定阈值区间的超差概率包括:
计算待测电压互感器误差真值超出预定阈值区间的超差概率:
;
;
式中,表示超差风险概率,表示误差预测值,σ表示标准差,表示误差真值,且服从正态分布,a表示预定阈值,x表示随机变量。
4.根据权利要求3所述的系统,其特征在于,所述根据所述超差概率所处的阈值范围,对待测电压互感器进行预警提示包括:
确定待测电压互感器超差概率对应的状态阈值为P1、P2;
当电压互感器误差预测值处于[0,P1]区间,则提示电压互感器状态正常;
当电压互感器误差预测值处于[P1,P2]区间,则输出电压互感器状态告警信息;
当电压互感器误差预测值处于[P2,1]区间,则输出电压互感器状态异常信息。
5.一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至2任一项所述的一种电压互感器误差状态预测方法的步骤。
6.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1至2任一项所述的一种电压互感器误差状态预测方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408487.8A CN115587673B (zh) | 2022-11-10 | 2022-11-10 | 一种电压互感器误差状态预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211408487.8A CN115587673B (zh) | 2022-11-10 | 2022-11-10 | 一种电压互感器误差状态预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115587673A CN115587673A (zh) | 2023-01-10 |
CN115587673B true CN115587673B (zh) | 2023-04-07 |
Family
ID=84781645
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211408487.8A Active CN115587673B (zh) | 2022-11-10 | 2022-11-10 | 一种电压互感器误差状态预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115587673B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116049629B (zh) * | 2023-03-29 | 2023-07-18 | 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 |
CN117495350B (zh) * | 2023-11-06 | 2024-05-24 | 烟台持久钟表有限公司 | 一种基于钟联网的时钟运维方法、系统、设备和存储介质 |
CN117972537A (zh) * | 2024-04-02 | 2024-05-03 | 国网山东省电力公司营销服务中心(计量中心) | 基于广域量测的电压互感器计量状态评估方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068065A (zh) * | 2020-10-12 | 2020-12-11 | 武汉格蓝若智能技术有限公司 | 一种电压互感器状态预警方法、装置及存储介质 |
CN113032728A (zh) * | 2021-03-04 | 2021-06-25 | 国网湖南省电力有限公司 | 基于数据驱动误差评估结果的电压互感器状态评估方法及系统 |
CN113050018A (zh) * | 2021-03-04 | 2021-06-29 | 国网湖南省电力有限公司 | 基于数据驱动评估结果变化趋势的电压互感器状态评估方法及系统 |
CN113050019A (zh) * | 2021-03-04 | 2021-06-29 | 国网湖南省电力有限公司 | 数据驱动评估结果和检定规程融合的电压互感器评估方法及系统 |
CN113821938A (zh) * | 2021-11-18 | 2021-12-21 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN113887846A (zh) * | 2021-12-07 | 2022-01-04 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
CN114065114A (zh) * | 2022-01-17 | 2022-02-18 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器计量误差预测方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101074988A (zh) * | 2007-07-20 | 2007-11-21 | 太原市优特奥科电子科技有限公司 | 高压电压互感器计量误差实时在线监测方法与监测装置 |
CN105184674B (zh) * | 2015-09-07 | 2018-12-18 | 杭州凯达电力建设有限公司 | 一种电能计量误差预测方法及设备 |
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 |
CN113239132B (zh) * | 2021-07-12 | 2021-09-24 | 武汉格蓝若智能技术有限公司 | 一种电压互感器的超差在线辨识方法 |
CN113899968B (zh) * | 2021-09-23 | 2024-05-10 | 成都高斯电子技术有限公司 | 一种电压互感器监测方法 |
CN114169545A (zh) * | 2021-10-29 | 2022-03-11 | 华东师范大学 | 一种热电厂设备智能故障诊断和运维引导的方法、装置、介质及设备 |
CN113777552B (zh) * | 2021-11-09 | 2022-03-11 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器计量误差的预测方法及系统 |
-
2022
- 2022-11-10 CN CN202211408487.8A patent/CN115587673B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112068065A (zh) * | 2020-10-12 | 2020-12-11 | 武汉格蓝若智能技术有限公司 | 一种电压互感器状态预警方法、装置及存储介质 |
CN113032728A (zh) * | 2021-03-04 | 2021-06-25 | 国网湖南省电力有限公司 | 基于数据驱动误差评估结果的电压互感器状态评估方法及系统 |
CN113050018A (zh) * | 2021-03-04 | 2021-06-29 | 国网湖南省电力有限公司 | 基于数据驱动评估结果变化趋势的电压互感器状态评估方法及系统 |
CN113050019A (zh) * | 2021-03-04 | 2021-06-29 | 国网湖南省电力有限公司 | 数据驱动评估结果和检定规程融合的电压互感器评估方法及系统 |
CN113821938A (zh) * | 2021-11-18 | 2021-12-21 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN113887846A (zh) * | 2021-12-07 | 2022-01-04 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
CN114065114A (zh) * | 2022-01-17 | 2022-02-18 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器计量误差预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN115587673A (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115587673B (zh) | 一种电压互感器误差状态预测方法及系统 | |
CN110069810B (zh) | 电池故障预测方法、装置、设备和可读存储介质 | |
CN111427753A (zh) | 基于arima模型的容量预测装置及其控制方法 | |
CN110633893B (zh) | 一种策略效能监控方法、装置以及计算机设备 | |
JP5827426B1 (ja) | 予兆診断システム及び予兆診断方法 | |
CN115372881B (zh) | 一种电压互感器计量误差评估方法及系统 | |
CN116032557B (zh) | 一种网络安全异常检测中深度学习模型的更新方法与装置 | |
JP7145821B2 (ja) | 故障確率評価システムおよびその方法 | |
CN105115573A (zh) | 一种洪水流量预报的校正方法和装置 | |
CN109684320B (zh) | 监测数据在线清洗的方法和设备 | |
Dijoux et al. | Classes of virtual age models adapted to systems with a burn-in period | |
KR20200056716A (ko) | 배터리 soh 산출 시스템 및 방법 | |
CN114460529A (zh) | 一种电能表误差在线评估方法、装置、设备及存储介质 | |
CN112366708A (zh) | 一种充电管理方法、装置、设备及存储介质 | |
CN114879070A (zh) | 一种电池状态评估方法及相关设备 | |
JP2023125246A (ja) | バッテリ劣化度予測装置 | |
CN117249918A (zh) | 温度传感器故障预警方法、装置、介质及设备 | |
CN117665620A (zh) | 基于新能源汽车数据的电池健康度评估方法 | |
CN112988527A (zh) | Gpu管理平台异常检测方法、装置以及存储介质 | |
CN115481568A (zh) | 一种基于自适应模型粒子滤波算法的轴承寿命预测方法 | |
CN113468729B (zh) | 无标定方式的电力厂站计量装置运行误差测算方法及系统 | |
CN112950030B (zh) | 电动汽车的残差评估方法、装置、电子设备及存储介质 | |
CN112418534B (zh) | 揽件量预测方法及装置、电子设备、计算机可读存储介质 | |
CN109739210B (zh) | 设备部件健康状态的评估方法及装置 | |
CN113642248A (zh) | 定位设备剩余使用时间的评估方法及装置 |
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 |