CN115754875A - 一种电压互感器误差评估方法及装置 - Google Patents

Abstract

本发明涉及一种电压互感器误差评估方法及装置，包括：获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；基于所述同型号CVT误差状态模型构造第一基于工况的同型号CVT误差状态预测模型；基于所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。本发明对待测电压互感器进行在线预测，实时反馈电压互感器的误差状态，进而保证电网运行的稳定性和安全性能。

Description

一种电压互感器误差评估方法及装置

技术领域

本发明涉及电力计量在线监测技术领域，尤其涉及一种电压互感器误差评估方法及装置。

背景技术

作为电能计量装置的重要组成部分，互感器计量性能的准确可靠直接关系到电能贸易结算的公平公正。CVT(Capacitance type voltage transformer，电容式电压互感器)是由串联电容器分压，再经电磁式互感器降压和隔离，作为用来变换电压的仪器，电容式电压互感器还可以将载波频率耦合到输电线用于长途通信、选择性的线路高频保护、遥控等功能上。和常规的电磁式电压互感器相比，电容式电压互感器器除了具有冲击绝缘强度高、制造简单、体积小、重量轻等优点外，在经济和安全上还有很多优越之处。

当前常用的CVT误差检测方法主要为离线检验和在线检验。离线检验方法由于需要停电操作，为了不对正常供电造成严重影响，因此CVT的离线检验通常为四年一次，而CVT的日常运行中无法对CVT进行实时监测，无法及时的发现CVT异常状态，从而会影响电力输送和贸易结算，甚至会导致安全事故。同时离线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。而在线检验虽然能够满足检验时工况条件的一致性，但是需要在带电运行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，提供一种电压互感器误差评估方法，对待测电压互感器进行在线预测，实时反馈CVT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，提供了一种电压互感器误差评估方法，包括：

S100,获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

S200,获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

S300,获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

S400,将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

S500,将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

可选地，所述离线训练集包括：

离线训练样本集

离线训练目标集Y_L∈{正例，负例}；

其中，U′₁表示模拟输出的一次电压幅值真实值、

表示模拟输出的一次电压相位真实值、U'₂表示电压互感器的二次电压幅值测量值、

表示电压互感器的二次电压相位测量值、r'表示电压互感器的额定变比、B'表示电压互感器的磁感应强度、v'表示模拟输入的电压频率；所述离线训练目标集中的“正例”、“负例”根据比差和角差数据分类；负例，表示电压互感器状态异常；正例，表示电压互感器状态正常。

可选地，所述在线训练集包括：

第二电气属性特征数据集X_e、工况属性特征数据集X_o和在线训练目标集Y_Z；

所述第二电气属性特征数据集

其中，U₂表示电压互感器的二次电压幅值测量值、

表示电压互感器的二次电压相位测量值、r表示电压互感器的额定变比、B表示电压互感器的磁感应强度、v表示电压互感器的电压频率；

所述工况属性特征数据集X_o＝{Te,Hum,area,load,l}；

其中，Te表示电压互感器的工况温度，Hum表示电压互感器的工况湿度，area表示电压互感器的测量线路的对应地区，load表示电压互感器的负荷类型，l表示电压互感器的测量线路的电压等级；

所述在线训练目标集Y_Z∈{正例，负例}。

可选地，所述在线训练目标集的获取过程包括：选取与离线建模训练的电压互感器相同类型电压互感器，使用标准器对比的方法，获得在同等工况情况下的比差和角差数据，根据所述比差和所述角差数据构建所述在线训练目标集。

可选地，所述同型号CVT误差状态模型的误差函数为：

其中，λ||W||²为二次正则项，λ为正则项系数，F(x_i,W)表示模型的预测结果，F(·)表示MLP模型，nL表示所述离线训练集D_L的样本数量，x_i,y_i分别表示样本集X_L的第i个样本的样本属性及目标集Y_L中对应的第i个样本的目标值。

根据本发明的另第一方面，提供了一种电压互感器误差评估装置，包括：

离线模型训练模块，获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

第一实时预测模型构建模块，获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

数据采集与预处理模块，获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

第二实时预测模型构建模块，将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

预测模块，将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

本发明实施例提供的一种电压互感器误差评估方法及装置，根据CVT的型号获取其电气属性特征搭建实验平台构建同型号CVT误差状态模型，以反应该型号CVT的异常状态的一般性；基于同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差预测模型；再根据某该型号CVT的实际在线电气属性特征和工况属性特征，基于第一基于工况的同型号CVT误差预测模型训练第二基于工况的同型号CVT误差预测模型，以反应在所述工况下所述某该型号CVT的异常状态。本发明对待测电压互感器进行在线预测，实时反馈CVT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电压互感器误差评估方法的流程图；

图2为本发明实施例提供的一种MLP神经网络结构示意图；

图3为本发明实施例提供的一种电压互感器误差评估装置结构示意图；

图4为本发明实施例提供的电子设备的实施例示意图；

图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。

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所示，本发明实施例提供一种电压互感器误差评估方法，该误差评估方法包括以下步骤：

S100,获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

S200,获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

S300,获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

S400,将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

S500,将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

具体地，S100中所述离线训练集D_L包括：

D_L＝(X_L,Y_L)

离线训练样本集

离线训练目标集Y_L∈{正例，负例}；

其中，U′₁表示模拟输出的一次电压幅值真实值、

表示模拟输出的一次电压相位真实值、U'₂表示电压互感器的二次电压幅值测量值、

表示电压互感器的二次电压相位测量值、r'表示电压互感器的额定变比、B'表示电压互感器的磁感应强度、v'表示模拟输入的电压频率；

离线训练目标集中的“正例”、“负例”根据比差和角差数据分类；负例，表示电压互感器状态异常；正例，表示电压互感器状态正常。

在具体实施例中，S100中同型号CVT误差状态预测模型的训练过程如下：

选用某一类型的CVT搭建实验平台，通过调整不同参数，模拟不同的工况环境，得到对应的离线训练样本集、离线训练目标集。离线训练样本集包括模拟输出的一次电压幅值真实值U′₁、模拟输出的一次电压相位真实值

所述类型的CVT的二次电压幅值测量值U'₂、所述类型的CVT的二次电压相位测量值

所述类型的CVT的额定变比r'、磁感应强度B'、模拟输入的电压频率v'。离线训练目标集根据比差和角差数据分类，其中，比差

角差

当实验结果对应的f>±0.2％或δ>10′时，该组样本记为负例，表示CVT状态异常；当实验结果对应的f≤±0.2％或δ≤10′时，该组样本记为正例，表示CVT状态正常。则构造的离线训练样本集

离线训练目标集Y_L＝{正例，负例}。

进一步地，同型号CVT误差状态预测模型为5层MLP网络模型，包括输入层、3层中间层、输出层。

在具体实施例中，MLPMLP网络模型如图2所示：

5层MLP网络模型的输出层包含X个节点，分别表示不同的特征信息，其中存在三层中间层(各层分别包含L1，L2和L3个节点)和最后输出层Y∈{正例，负例}，第i层(不含输出层)包括n_i个节点：

第i+1层包含n_i+1个节点：

则第i层的节点与第i+1层的节点间的权重为：

C_i+1＝f_i(K_i·C_i),其中f_i(·)表示非线性函数.将离线训练集D_L输入MLP模型中进行训练，模型的权重集为W＝(W₁,W₂,W₃,W₄)

其对应的误差函数为

其中λ||W||²为二次正则项，用以提升模型泛化性，λ为正则项系数，F(x_i,W)表示模型的预测结果，F(·)表示MLP模型，nL表示所述离线训练集D_L的样本数量，x_i,y_i分别表示样本集X_L的第i个样本的样本属性及目标集Y_L中对应的第i个样本的目标值。通过调整模型参数，经过多次训练得到最小的误差函数，从而得到同型号CVT误差状态模型。

在具体实施例中，S200构造第一基于工况的同型号CVT误差状态预测模型的具体内容如下：

基于同型号CVT误差状态模型中的权重参数构造第一基于工况的同型号CVT误差状态预测模型的初始参数，以达到优化模型，提升训练速度的目的。同时，CVT的异常状态与CVT所处环境也存在相应关系。因而获取CVT工况属性特征X_o，以反映CVT异常状态在特定工况条件下的变化程度。具体步骤如下：

步骤1：构造第一基于工况的同型号CVT误差状态预测模型，其模型结构为基于同型号CVT误差状态模型，构造六层MLP训练模型，其输入层为在线训练样本集；其四个中间层的节点数量依次为L1，L2，L3和L4个节点(前三个中间层的节点数量与同型号CVT误差状态模型的中间层节点数量相同)。

步骤2：初始化权重设置，同型号CVT误差状态模型的完成训练的权重集合为W＝(W₁,W₂,W₃,W₄)。

则对于所述同型号CVT误差状态模型其输入层和同型号CVT误差状态模型第一中间层之间的权重关系为：

W₁＝(W_1,1,W_1,2,…,W_1,L1)^T

W_1,j＝(w_1,j,1,w_1,j,2,…,w_1,j,5,w_1,j,0)j＝1,2,…,L1

则对应的第一基于工况的同型号CVT误差状态预测模型的输入层和第一基于工况的同型号CVT误差状态预测模型的第一中间层之间的初始化权重关系为：

W′₁＝(W′_1,1,W′_1,2,…,W′_1,L1)^T

W′_1,j＝(w′_1,j,1,w′_1,j,2,…,w′_1,j,10,w′_1,j,0)j＝1,2,…,L1

同型号CVT误差状态模型第一中间层和同型号CVT误差状态模型第二中间层之间的完成训练的权重关系为

W₂＝(W_2,1,W_2,2,…,W_2,L2)^T

W_2,j＝(w_2,j,1,w_2,j,2,…,w_2,j,L1,w_2,j,0)j＝1,2,…,L2

对应的第一基于工况的同型号CVT误差状态预测模型的第一中间层和第一基于工况的同型号CVT误差状态预测模型的第二中间层之间的初始化权重关系为

W′₂＝(W′_2,1,W′_2,2,…,W′_2,L2)^T

W′_2,j＝(w′_2,j,1,w′_2,j,2,…,w′_2,j,L1,w′_2,j,0)j＝1,2,…,L2

w′_2,p,q＝w_2,p,q 1≤p≤L2,0≤q≤L1

同型号CVT误差状态模型第二中间层和同型号CVT误差状态模型第三中间层之间的完成训练的权重关系为

W₃＝(W_3,1,W_3,2,…,W_3,L3)^T

W_3,j＝(w_3,j,1,w_3,j,2,…,w_3,j,L2,w_3,j,0)j＝1,2,…,L3

对应的第一基于工况的同型号CVT误差状态预测模型的第二中间层和第一基于工况的同型号CVT误差状态预测模型的第三中间层之间的初始化权重关系为

W′₃＝(W′_3,1,W′_3,2,…,W′_3,L3)^T

W′_3,j＝(w′_3,j,1,w′_3,j,2,…,w′_3,j,L2,w′_3,j,0)j＝1,2,…,L3

w′_3,p,q＝w_3,p,q 1≤p≤L3,0≤q≤L2

第一基于工况的同型号CVT误差状态预测模型的第三中间层和第一基于工况的同型号CVT误差状态预测模型的第四中间层之间的初始化权重关系

W′₄＝(W′_4,1,W′_4,2,…,W′_4,L4)^T

W′_4,j＝(w′_4,j,1,w′_4,j,2,…,w′_4,j,L3,w′_4,j,0)j＝1,2,…,L4

第一基于工况的同型号CVT误差状态预测模型的第四中间层和第一基于工况的同型号CVT误差状态预测模型的输出层之间的初始化权重关系

W′₅＝(W′_5,1)^T

W′_5,1＝(w′_5,1,1,w′_5,1,2,…,w′_5,1,L4,w′_5,1,0)

在具体实施例中，S300获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练样本集和目标集的具体内容如下：

(1)构建在线训练样本集和目标集

CVT在不同的工况环境下得到的异常检测结果会产生一定的差异，本方案对同型号的CVT采用通过电气属性特征构建其CVT状态模型，再基于该模型，添加工况属性特征用以构建该类CVT在所处工况下的状态模型。

在线训练样本集包括第二电气属性特征数据集X_e和工况属性特征数据集X_o；

第二电气属性特征数据集

其中，U₂表示电压互感器的二次电压幅值测量值、

表示电压互感器的二次电压相位测量值、r表示电压互感器的额定变比、B表示电压互感器的磁感应强度、v表示电压互感器的电压频率；

工况属性特征数据集X_o＝{Te,Hum,area,load,l}

其中，Te表示电压互感器的工况温度，Hum表示电压互感器的工况湿度，area表示电压互感器的测量线路的对应地区，load表示电压互感器的负荷类型，l表示电压互感器的测量线路的电压等级。

所述在线训练目标集Y_Z∈{正例，负例}。

在线训练目标集的获取过程包括：选取与离线建模训练的电压互感器相同类型电压互感器，使用标准器对比的方法，获得在同等工况情况下的比差和角差数据，根据比差和角差数据分类得到在线训练目标集。

将获取的CVT电气属性特征X_e和工况属性特征X_o整合为在线检验数据集特征集合X′；根据在线训练样本集和目标集构建所述在线检验数据集D_Z。

(2)在线训练样本集和目标集差分滤噪处理

由于在运行的过程中，停电、负荷波动等因素，会造成电压数据的不稳定显示，因此采用一阶差分筛选稳定电压数据。

K_i,j＝U_i,j-U_i+1,j

U_i,j为时刻i时j相电压幅值数据，K_i,j为时刻i时j相电压幅值数据一阶差分值，其中j表示A、B、C三相中的某一相。将三相电压幅值一阶差分的时序数据集合通过箱线图进行数据筛选。对于j相的电压幅值一阶差分数据，保留小于上四分位数和大于下四分位数的数据。剔除所述在线检验数据集D_L中电压幅值大于上四分位数或小于下四分位数的数据，得到数据筛选后的在线监测数据集D_L′。

S400,将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

S500,将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

如图3所示，本发明实施例提供一种电压互感器误差状态评估装置，该装置包括：

离线模型训练模块，获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

第一实时预测模型构建模块，获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

数据采集与预处理模块，获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

第二实时预测模型构建模块，将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

预测模块，将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

请参阅图4，图4为本发明实施例提供的电子设备的实施例示意图。如图4所示，本发明实施例提了一种电子设备400，包括存储器410、处理器420及存储在存储器420上并可在处理器420上运行的计算机程序411，处理器420执行计算机程序411时实现以下步骤：

S100,获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

S200,获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

S300,获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

S400,将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

S500,将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

请参阅图5，图5为本发明实施例提供的一种计算机可读存储介质的实施例示意图。如图5所示，本实施例提供了一种计算机可读存储介质500，其上存储有计算机程序511，该计算机程序511被处理器执行时实现如下步骤：

S100,获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

S200,获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

S300,获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

S400,将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

S500,将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

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)

1.一种电压互感器误差评估方法，其特征在于，所述电压互感器误差评估方法包括：

S100,获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

S200,获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

S300,获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

S400,将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

S500,将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

2.根据权利要求1所述的电压互感器误差评估方法，其特征在于，所述离线训练集包括：

离线训练样本集

离线训练目标集Y_l∈{正例，负例}；

其中，U′₁表示模拟输出的一次电压幅值真实值、

表示模拟输出的一次电压相位真实值、U′₂表示电压互感器的二次电压幅值测量值、

表示电压互感器的二次电压相位测量值、r'表示电压互感器的额定变比、B'表示电压互感器的磁感应强度、v'表示模拟输入的电压频率；所述离线训练目标集中的“正例”、“负例”根据比差和角差数据分类；负例，表示电压互感器状态异常；正例，表示电压互感器状态正常。

3.根据权利要求1所述的电压互感器误差评估方法，其特征在于，所述在线训练集包括：

第二电气属性特征数据集X_e、工况属性特征数据集X_o和在线训练目标集Y_Z；

所述第二电气属性特征数据集

其中，U₂表示电压互感器的二次电压幅值测量值、

表示电压互感器的二次电压相位测量值、r表示电压互感器的额定变比、B表示电压互感器的磁感应强度、v表示电压互感器的电压频率；

所述工况属性特征数据集X_o＝{Te,Hum,area,load,l}；

其中，Te表示电压互感器的工况温度，Hum表示电压互感器的工况湿度，area表示电压互感器的测量线路的对应地区，load表示电压互感器的负荷类型，l表示电压互感器的测量线路的电压等级；

所述在线训练目标集Y_Z∈{正例，负例}。

4.根据权利要求3所述的电压互感器误差评估方法，其特征在于，所述在线训练目标集的获取过程包括：选取与离线建模训练的电压互感器相同类型电压互感器，使用标准器对比的方法，获得在同等工况情况下的比差和角差数据，根据所述比差和所述角差数据构建所述在线训练目标集。

5.根据权利要求1所述的电压互感器误差评估方法，其特征在于，所述同型号CVT误差状态模型的误差函数为：

其中，λ||W||²为二次正则项，λ为正则项系数，F(x_i,W)表示模型的预测结果，F(·)表示MLP模型，nL表示所述离线训练集D_L的样本数量，x_i,y_i分别表示样本集X_L的第i个样本的样本属性及目标集Y_L中对应的第i个样本的目标值。

6.一种电压互感器误差评估装置，其特征在于，包括：

离线模型训练模块，获取离线检测过程中的第一电气属性特征数据构建离线训练集；基于所述离线训练集训练MLP模型得到同型号CVT误差状态模型；

第一实时预测模型构建模块，获取所述同型号CVT误差状态模型的权重参数，基于所述同型号CVT误差状态模型的权重参数构造第一基于工况的同型号CVT误差状态预测模型；

数据采集与预处理模块，获取在线检测过程的数据构建在线训练集，并利用差分滤噪得到稳定在线训练集；

第二实时预测模型构建模块，将所述滤噪后的稳定在线训练集输入至所述第一基于工况的同型号CVT误差状态预测模型进行工况自适应训练，输出第二基于工况的同型号CVT误差预测模型；

预测模块，将待测电压互感器的在线监测数据输入至所述第二基于工况的同型号CVT误差状态预测模型，输出所述待测电压互感器的误差状态。

7.一种电子设备，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5任一项所述的一种电压互感器误差评估方法。

8.一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5任一项所述的一种电压互感器误差评估方法的步骤。

Images