CN115878963A - 电容式电压互感器计量误差预测方法、系统、终端及介质 - Google Patents

电容式电压互感器计量误差预测方法、系统、终端及介质 Download PDF

Info

Publication number
CN115878963A
CN115878963A CN202310011084.8A CN202310011084A CN115878963A CN 115878963 A CN115878963 A CN 115878963A CN 202310011084 A CN202310011084 A CN 202310011084A CN 115878963 A CN115878963 A CN 115878963A
Authority
CN
China
Prior art keywords
voltage transformer
influence
difference
value
network model
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
CN202310011084.8A
Other languages
English (en)
Other versions
CN115878963B (zh
Inventor
李志新
黄奇峰
卢树峰
张亦苏
王忠东
黄天超
徐敏锐
周玉
陆子刚
陈刚
欧阳曾恺
吴桥
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.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
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 State Grid Jiangsu Electric Power Co ltd Marketing Service Center filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202310011084.8A priority Critical patent/CN115878963B/zh
Publication of CN115878963A publication Critical patent/CN115878963A/zh
Application granted granted Critical
Publication of CN115878963B publication Critical patent/CN115878963B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Supply And Distribution Of Alternating Current (AREA)

Abstract

电容式电压互感器计量误差预测方法、系统、终端及介质，基于影响源与电容式电压互感器计量误差的物理关系，建立明确量对电容式电压互感器的角差和比差的影响模型；搭建计量误差预测的神经元网络模型，利用历史样本数据对电容式电压互感器的角差影响值和比差影响值获得角差和比差权重系数初始值；以训练好的神经元网络模型进行计量误差预测。本发明通过改进权重系数初始值，保留物理模型的高精度和高稳定度的前提下，充分利用机器学习算法对错综复杂的影响源进行处理，拓展了预测适用场景；避免权重系数随机初始值导致的后续训练过程缓慢，甚至是不收敛的情况，还可避免训练过程中出现局部最小值的情况，提高预测模型的计算精度和结果可靠性。

Description

电容式电压互感器计量误差预测方法、系统、终端及介质
技术领域
本发明属于互感器计量技术领域，具体地，涉及一种电容式电压互感器计量误差预测方法、系统、终端及介质。
背景技术
电容式电压互感器（CVT）是交流电力系统中重要的计量和保护装置，与传统的电磁式电压互感器相比其绝缘结构简单，无电磁结构单元，避免了铁心饱和引起的系统谐振和测量误差。但由于增加了电容分压和补偿电抗器等单元，其等效电路更复杂，参数更容易受到温度、污秽、空间杂散电场等外界环境和系统负荷变化的影响。因此需要对多源影响量下的CVT计量误差进行实时的评估和预测。
现有技术中，针对CVT计量误差的评估和预测主要有两大类方法。一是基于物理模型的状态预测方法。主要通过建立单一影响源与CVT误差的物理模型，通过数学推导得到影响源与误差之间的直接关系。该方法具有明确的物理意义且计算精度和稳定度很高，但由于实际影响CVT误差的因素众多，而且各种影响源对误差的影响错综复杂，因此采用基于物理模型的状态预测方法的效果十分有限。二是基于各种机器学习算法的状态预测方法。主要通过将各种影响源数据预处理和归一化后作为输入，通过大量的训练学习，得出模型的权重参数，完成模型的建立。对比传统的建模方法，省去了很多复杂繁琐的实验分析过程，能够适用于运行工况的现实环境中。但该方法对于模型参数的初始值设置要求很高，目前采用的都是随机设置，很容易造成计算过程不收敛或者局部最小值情况，导致无法精确得出误差数值。
因此本文提出了一种结合物理模型和神经元网络的电容式电压互感器计量误差预测方法。
发明内容
为解决现有技术中存在的不足，本发明提供一种电容式电压互感器计量误差预测方法、系统、终端及介质，通过研究将影响源划分为明确量和模糊量，建立影响源与CVT计量误差的物理模型，针对明确量，利用不同历史样本点数据对应的角差和比差数值获取神经网络模型中的权重参数的初始值，与模糊量有关的权重参数仍然随机设置，经过训练得到电容式电压互感器计量误差预测模型。
本发明采用如下的技术方案。
本发明一方面提出了一种电容式电压互感器计量误差预测方法，包括：
步骤1，基于影响源与电容式电压互感器计量误差的物理关系，建立明确量对电容式电压互感器的角差和比差的影响模型；其中，影响源包括明确量和模糊量；
步骤2，搭建计量误差预测的神经元网络模型；神经元网络模型以影响源为输入，通过不同的偏置量实现神经元网络模型输出电容式电压互感器计量比差或角差；其中，权重系数矩阵包括明确量权重系数和模糊量权重系数，明确量权重系数包括明确量的角差权重系数和比差权重系数；
步骤3，根据明确量的历史样本数据、电容式电压互感器的额定参数以及电网的额定参数，利用明确量对电容式电压互感器的角差和比差的影响模型，计算得到明确量的历史样本数据对电容式电压互感器的角差影响值和比差影响值；明确量对应的角差影响值和比差影响值与历史样本点数量的商，分别作为明确量的角差权重系数初始值和比差权重系数初始值；
步骤4，构建用于训练神经元网络模型的目标函数；采用梯度下降算法求解目标函数，对待训练的权重系数矩阵进行迭代更新，直至目标函数的数值小于设定误差限值，从而获得最终权重矩阵；
步骤5，以训练好的神经元网络模型对电容式电压互感器计量误差进行预测。
优选地，步骤1中，明确量包括：环境温度，电网频率，二次负荷。
环境温度对电容式电压互感器角差
Figure 912103DEST_PATH_IMAGE001
的影响模型满足如下关系式：
Figure 733429DEST_PATH_IMAGE002
环境温度对电容式电压互感器比差
Figure 367322DEST_PATH_IMAGE003
的影响模型满足如下关系式：
Figure 477361DEST_PATH_IMAGE004
式中，
Figure 881666DEST_PATH_IMAGE005
为线圈的截面积，
Figure 26339DEST_PATH_IMAGE006
为温度的变化量，
Figure 608631DEST_PATH_IMAGE007
为电容的温度系数，
Figure 956698DEST_PATH_IMAGE008
为负荷功率因素角，
Figure 915426DEST_PATH_IMAGE009
为电网实际角频率，
Figure 163874DEST_PATH_IMAGE010
为电容式电压互感器内电容分压器的高压端电容，
Figure 182645DEST_PATH_IMAGE011
为电容式电压互感器内电容分压器的低压端电容，
Figure 267276DEST_PATH_IMAGE012
为电容式电压互感器的高压端电压。
电网频率对电容式电压互感器角差
Figure 511919DEST_PATH_IMAGE013
的影响模型满足如下关系式：
Figure 162343DEST_PATH_IMAGE014
电网频率对电容式电压互感器比差
Figure 555279DEST_PATH_IMAGE015
的影响模型满足如下关系式：/>
Figure 376473DEST_PATH_IMAGE016
式中，
Figure 677004DEST_PATH_IMAGE017
为二次负载容量，
Figure 181935DEST_PATH_IMAGE018
为电网额定角频率，
Figure 230925DEST_PATH_IMAGE019
为电网实际角频率，
Figure 352464DEST_PATH_IMAGE020
为负荷功率因素角，
Figure 378058DEST_PATH_IMAGE021
为电容式电压互感器内电容分压器的高压端电容，
Figure 268654DEST_PATH_IMAGE022
为电容式电压互感器内电容分压器的低压端电容，
Figure 737812DEST_PATH_IMAGE023
为电容式电压互感器的高压端电压。
二次负载对电容式电压互感器角差
Figure 823012DEST_PATH_IMAGE024
的影响模型满足如下关系式：
Figure 465346DEST_PATH_IMAGE025
二次负载对电容式电压互感器比差
Figure 148132DEST_PATH_IMAGE026
的影响模型满足如下关系式：
Figure 99776DEST_PATH_IMAGE027
式中，
Figure 868012DEST_PATH_IMAGE028
为中间变压器的等效输入电阻，
Figure 48457DEST_PATH_IMAGE029
为中间变压器的等效输入电感，
Figure 602061DEST_PATH_IMAGE030
为电容式电压互感器内电容分压器的高压端电容，
Figure 475339DEST_PATH_IMAGE031
为电容式电压互感器内电容分压器的低压端电容，
Figure 980138DEST_PATH_IMAGE032
为电网实际角频率，
Figure 964275DEST_PATH_IMAGE033
为中间变压器的漏电感。
步骤2包括：
步骤2.1，影响源构成输入向量
Figure 418390DEST_PATH_IMAGE034
，/>
Figure 413634DEST_PATH_IMAGE035
为第/>
Figure 953200DEST_PATH_IMAGE036
个影响源，
Figure 678711DEST_PATH_IMAGE037
，/>
Figure 502179DEST_PATH_IMAGE038
为影响源数量；
步骤2.2，以明确量权重系数和模糊量权重系数构建权重矩阵
Figure 920522DEST_PATH_IMAGE039
，/>
Figure 681805DEST_PATH_IMAGE040
为第/>
Figure 961739DEST_PATH_IMAGE041
个影响源对应的第/>
Figure 390446DEST_PATH_IMAGE042
个权重因子，/>
Figure 963379DEST_PATH_IMAGE043
，/>
Figure 743116DEST_PATH_IMAGE044
为隐藏层中的神经元数量；
步骤2.3，权重矩阵经隐藏层中的神经元处理后得到权重向量
Figure 810429DEST_PATH_IMAGE045
，/>
Figure 847305DEST_PATH_IMAGE046
第
Figure 404188DEST_PATH_IMAGE047
个影响源对应的权重因子向量，神经元网络模型的输出/>
Figure 343325DEST_PATH_IMAGE048
满足如下关系式：
Figure 260334DEST_PATH_IMAGE049
式中，
Figure 601317DEST_PATH_IMAGE050
为激活函数，
Figure 329102DEST_PATH_IMAGE051
为偏置量，其中，/>
Figure 303005DEST_PATH_IMAGE052
=1或2。
当
Figure 977700DEST_PATH_IMAGE052
=1时，/>
Figure 235506DEST_PATH_IMAGE053
为电容式电压互感器计量比差对应的偏置量，/>
Figure 321143DEST_PATH_IMAGE054
为神经元网络模型输出的电容式电压互感器计量比差；
当
Figure 297189DEST_PATH_IMAGE052
=2时，/>
Figure 257798DEST_PATH_IMAGE053
为电容式电压互感器计量角差对应的偏置量，/>
Figure 370111DEST_PATH_IMAGE055
为神经元网络模型输出的电容式电压互感器计量角差。
步骤3包括：
步骤3.1，采集电容式电压互感器的额定参数和电网的额定参数；
步骤3.2，采集环境温度的历史样本数据、电网频率的历史样本数据以及二次负载的历史样本数据；
步骤3.3，根据步骤3.1和3.2采集的数据，利用环境温度对电容式电压互感器角差
Figure 642960DEST_PATH_IMAGE056
的影响模型和对电容式电压互感器比差/>
Figure 293253DEST_PATH_IMAGE057
的影响模型，分别计算得到环境温度的历史样本数据对电容式电压互感器的角差影响值/>
Figure 372068DEST_PATH_IMAGE058
和比差影响值/>
Figure 292881DEST_PATH_IMAGE059
；
步骤3.4，根据步骤3.1和3.2采集的数据，利用电网频率对电容式电压互感器角差
Figure 533370DEST_PATH_IMAGE060
的影响模型和对电容式电压互感器比差/>
Figure 421691DEST_PATH_IMAGE061
的影响模型，分别计算得到电网频率的历史样本数据对电容式电压互感器的角差影响值/>
Figure 287885DEST_PATH_IMAGE062
和比差影响值/>
Figure 312473DEST_PATH_IMAGE063
；
步骤3.5，根据步骤3.1和3.2采集的数据，利用二次负载对电容式电压互感器角差
Figure 723863DEST_PATH_IMAGE064
的影响模型和对电容式电压互感器比差/>
Figure 396020DEST_PATH_IMAGE065
的影响模型，分别计算得到二次负载的历史样本数据对电容式电压互感器的角差影响值/>
Figure 754320DEST_PATH_IMAGE066
和比差影响值/>
Figure 695731DEST_PATH_IMAGE067
；
步骤3.6，将步骤3.3、3.4和3.5中求得明确量对应的角差影响值和比差影响值分别除以历史样本点数量，得到明确量的角差权重系数初始值和比差权重系数初始值。
用于训练神经元网络模型的目标函数
Figure 730552DEST_PATH_IMAGE068
满足如下关系式：
Figure 390204DEST_PATH_IMAGE069
/>
式中，
Figure 83353DEST_PATH_IMAGE070
为神经元网络模型的输出，
Figure 833265DEST_PATH_IMAGE071
为电容式电压互感器的误差样本数据。
优选地，设定误差限值的取值范围为
Figure 852037DEST_PATH_IMAGE072
。
对待训练的权重系数矩阵进行迭代更新时，以如下关系式更新权重因子：
Figure 920356DEST_PATH_IMAGE073
式中，
Figure 682776DEST_PATH_IMAGE074
为更新后的第/>
Figure 333200DEST_PATH_IMAGE075
个影响源对应的第/>
Figure 208359DEST_PATH_IMAGE076
个权重因子，/>
Figure 842602DEST_PATH_IMAGE077
，/>
Figure 80817DEST_PATH_IMAGE078
为影响源数量，/>
Figure 100594DEST_PATH_IMAGE079
，/>
Figure 398852DEST_PATH_IMAGE078
为隐藏层中的神经元数量；
Figure 254812DEST_PATH_IMAGE080
为第/>
Figure 47450DEST_PATH_IMAGE081
个影响源对应的第/>
Figure 938045DEST_PATH_IMAGE082
个权重因子，
Figure 203942DEST_PATH_IMAGE083
为学习效率值。
本发明另一方面还提出了一种电容式电压互感器计量误差预测系统，包括：采集模块，影响模型模块，神经元网络模型模块，上位机；
采集模块，用于采集明确量的历史样本数据、电容式电压互感器的额定参数以及电网的额定参数；
影响模型模块，用于基于影响源与电容式电压互感器计量误差的物理关系，建立明确量对电容式电压互感器的角差和比差的影响模型；
神经元网络模型模块，用于搭建计量误差预测的神经元网络模型；神经元网络模型以影响源为输入，通过不同的偏置量实现神经元网络模型输出电容式电压互感器计量比差或角差；
上位机，用于将采集模块所采集的数据输入到影响模型模块中，获得明确量的历史样本数据对电容式电压互感器的角差影响值和比差影响值；明确量对应的角差影响值和比差影响值与历史样本点数量的商，分别作为明确量的角差权重系数初始值和比差权重系数初始值；并将明确量的角差权重系数初始值和比差权重系数初始值输入到神经元网络模型模块中；
上位机，用于构建用于训练神经元网络模型的目标函数；采用梯度下降算法求解目标函数，对待训练的权重系数矩阵进行迭代更新，直至目标函数的数值小于设定误差限值，从而获得最终权重矩阵；
上位机，用于调用训练好的神经元网络模型对电容式电压互感器计量误差进行预测。
本发明还提出了一种终端，包括处理器及存储介质；存储介质用于存储指令；处理器用于根据指令进行操作以执行电容式电压互感器计量误差预测方法的步骤。
本发明还提出了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现电容式电压互感器计量误差预测方法的步骤。
本发明的有益效果在于，与现有技术相比，本发明提出的方法中的权重系数的初始值不是随机设置的，而是利用计算精度更高的物理模型推导得到的数学公式计算得到。通过权重系数初始值的改进算法，突出强调了各变量对于预测模型输出误差的贡献程度，利用物理公式在每一个样本点的数值与样本点的比值，精准确定贡献程度。
本发明在保留物理模型的高精度和高稳定度的前提下，还充分利用机器学习算法的优势，能够对错综复杂的影响源进行处理，拓展了物理模型的预测适用场景。
此外，本发明提出的方法由于避免了权重系数的随机初始值导致的后续训练过程缓慢，甚至是不收敛的情况，还可避免训练过程中出现局部最小值的情况，有效的提高预测模型的计算精度和结果可靠性。
附图说明
图1是本发明提出的一种电容式电压互感器计量误差预测方法的流程图；
图2是本发明实施例中CVT的等效电路图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明的技术方案进行清楚、完整地描述。本申请所描述的实施例仅仅是本发明一部分的实施例，而不是全部实施例。基于本发明精神，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它实施例，都属于本发明的保护范围。
本发明一方面提出了一种电容式电压互感器计量误差预测方法，如图1，包括：
步骤1，基于影响源与电容式电压互感器计量误差的物理关系，建立明确量对电容式电压互感器的角差和比差的影响模型；其中，影响源包括明确量和模糊量。
具体地，步骤1中，明确量包括：环境温度，电网频率，二次负荷。
值得注意的是，实际影响CVT计量误差的影响源众多，包括但不限于：环境温度、大气湿度、污秽程度、电网频率、二次负荷、外界电场、外界磁场等。本领域技术人员可根据自身需求增加或删减影响源，本发明实施例中是一种非限制性的较优选择。
对实际影响源进行划分时，一是已知数学关系的量，比如环境温度、系统频率、二次负荷，简称明确量；二是未知数学关系的量，比如实际影响源中剩余的量，简称模糊量。
根据图2所示的CVT的等效电路图，分别建立环境温度、电网频率和二次负荷与CVT误差的物理模型。
CVT的电容分压器部分对温度的变化较为敏感，温度的变化导致电容分压器电容量与中间变压器一次输入电压的变化。环境温度对电容式电压互感器角差
Figure 734149DEST_PATH_IMAGE084
的影响模型满足如下关系式：
Figure 376483DEST_PATH_IMAGE085
环境温度对电容式电压互感器比差
Figure 812930DEST_PATH_IMAGE086
的影响模型满足如下关系式：/>
Figure 515307DEST_PATH_IMAGE087
式中，
Figure 80281DEST_PATH_IMAGE088
为线圈的截面积，
Figure 713256DEST_PATH_IMAGE089
为温度的变化量，
Figure 578444DEST_PATH_IMAGE090
为电容的温度系数，
Figure 389405DEST_PATH_IMAGE091
为负荷功率因素角，
Figure 192407DEST_PATH_IMAGE092
为电网实际角频率，
Figure 379806DEST_PATH_IMAGE093
为电容式电压互感器内电容分压器的高压端电容，
Figure 99500DEST_PATH_IMAGE094
为电容式电压互感器内电容分压器的低压端电容，
Figure 127368DEST_PATH_IMAGE095
为电容式电压互感器的高压端电压。
电压频率发生变化时，CVT中的补偿电抗器将无法“全补偿”电容分压器的等值电容，此时会出现“剩余容抗”或“剩余感抗”，导致测量误差的增加。电网频率对电容式电压互感器角差
Figure 870196DEST_PATH_IMAGE096
的影响模型满足如下关系式：
Figure 392444DEST_PATH_IMAGE097
电网频率对电容式电压互感器比差
Figure 652131DEST_PATH_IMAGE098
的影响模型满足如下关系式：
Figure 867212DEST_PATH_IMAGE099
式中，
Figure 346603DEST_PATH_IMAGE100
为二次负载容量，
Figure 875805DEST_PATH_IMAGE101
为电网额定角频率，
Figure 304512DEST_PATH_IMAGE102
为电网实际角频率，
Figure 441227DEST_PATH_IMAGE103
为负荷功率因素角，
Figure 893068DEST_PATH_IMAGE104
为电容式电压互感器内电容分压器的高压端电容，
Figure 22698DEST_PATH_IMAGE105
为电容式电压互感器内电容分压器的低压端电容，
Figure 758441DEST_PATH_IMAGE106
为电容式电压互感器的高压端电压。
当CVT带上负载以后，二次负载中流过的电流会在补偿电抗器、中间变压器一次侧漏阻抗和二次侧漏阻抗上产生压降，从而影响CVT的二次输出电压。
为了更好的分析二次负载对CVT误差的影响，将中间变压器与二次负载利用戴维南定理等效为中间变压器的输入阻抗
Figure 49745DEST_PATH_IMAGE107
与/>
Figure 51199DEST_PATH_IMAGE108
。二次负载对电容式电压互感器角差/>
Figure 929726DEST_PATH_IMAGE109
的影响模型满足如下关系式：
Figure 67446DEST_PATH_IMAGE110
二次负载对电容式电压互感器比差
Figure 982182DEST_PATH_IMAGE111
的影响模型满足如下关系式：
Figure 470932DEST_PATH_IMAGE112
式中，
Figure 942364DEST_PATH_IMAGE113
为中间变压器的等效输入电阻，
Figure 888586DEST_PATH_IMAGE114
为中间变压器的等效输入电感，
Figure 787272DEST_PATH_IMAGE115
为电容式电压互感器内电容分压器的高压端电容，
Figure 966580DEST_PATH_IMAGE116
为电容式电压互感器内电容分压器的低压端电容，
Figure 225392DEST_PATH_IMAGE117
为电网实际角频率，
Figure 275388DEST_PATH_IMAGE118
为中间变压器的漏电感。
步骤2，搭建计量误差预测的神经元网络模型；神经元网络模型以影响源为输入，通过不同的偏置量实现神经元网络模型输出电容式电压互感器计量比差或角差；其中，权重系数矩阵包括明确量权重系数和模糊量权重系数，明确量权重系数包括明确量的角差权重系数和比差权重系数。
具体地，步骤2包括：
步骤2.1，影响源构成输入向量
Figure 610554DEST_PATH_IMAGE119
，/>
Figure 493803DEST_PATH_IMAGE120
为第/>
Figure 572618DEST_PATH_IMAGE121
个影响源，
Figure 726387DEST_PATH_IMAGE122
，/>
Figure 232455DEST_PATH_IMAGE123
为影响源数量；
步骤2.2，以明确量权重系数和模糊量权重系数构建权重矩阵
Figure 120777DEST_PATH_IMAGE124
，
Figure 426118DEST_PATH_IMAGE125
为第/>
Figure 716285DEST_PATH_IMAGE126
个影响源对应的第/>
Figure 376943DEST_PATH_IMAGE127
个权重因子，/>
Figure 549298DEST_PATH_IMAGE128
，/>
Figure 907598DEST_PATH_IMAGE129
为隐藏层中的神经元数量；
步骤2.3，权重矩阵经隐藏层中的神经元处理后得到权重向量
Figure 805934DEST_PATH_IMAGE130
，/>
Figure 653804DEST_PATH_IMAGE131
第
Figure 500406DEST_PATH_IMAGE132
个影响源对应的权重因子向量，神经元网络模型的输出/>
Figure 193556DEST_PATH_IMAGE133
满足如下关系式：
Figure 458315DEST_PATH_IMAGE134
/>
式中，
Figure 696661DEST_PATH_IMAGE135
为激活函数，
Figure 46871DEST_PATH_IMAGE136
为偏置量，其中，/>
Figure 809290DEST_PATH_IMAGE137
=1或2。
当
Figure 912244DEST_PATH_IMAGE137
=1时，/>
Figure 101917DEST_PATH_IMAGE138
为电容式电压互感器计量比差对应的偏置量，/>
Figure 205002DEST_PATH_IMAGE139
为神经元网络模型输出的电容式电压互感器计量比差；
当
Figure 191020DEST_PATH_IMAGE137
=2时，/>
Figure 227109DEST_PATH_IMAGE138
为电容式电压互感器计量角差对应的偏置量，/>
Figure 774634DEST_PATH_IMAGE139
为神经元网络模型输出的电容式电压互感器计量角差。
常规的神经元算法中，因为对于输入和输出量之间的具体关系计算前是一无所知的，所以其初始权重系数矩阵中的参数只能随机设置，很容易造成计算过程不收敛或者出现局部最小值情况，导致无法精确得出误差数值。
步骤3，根据明确量的历史样本数据、电容式电压互感器的额定参数以及电网的额定参数，利用明确量对电容式电压互感器的角差和比差的影响模型，计算得到明确量的历史样本数据对电容式电压互感器的角差影响值和比差影响值；明确量对应的角差影响值和比差影响值与历史样本点数量的商，分别作为明确量的角差权重系数初始值和比差权重系数初始值。
步骤3包括：
步骤3.1，采集电容式电压互感器的额定参数和电网的额定参数；
步骤3.2，采集环境温度的历史样本数据、电网频率的历史样本数据以及二次负载的历史样本数据；
步骤3.3，根据步骤3.1和3.2采集的数据，利用环境温度对电容式电压互感器角差
Figure 365015DEST_PATH_IMAGE140
的影响模型和对电容式电压互感器比差/>
Figure 672499DEST_PATH_IMAGE141
的影响模型，分别计算得到环境温度的历史样本数据对电容式电压互感器的角差影响值/>
Figure 313827DEST_PATH_IMAGE142
和比差影响值/>
Figure 782986DEST_PATH_IMAGE143
；
步骤3.4，根据步骤3.1和3.2采集的数据，利用电网频率对电容式电压互感器角差
Figure 126243DEST_PATH_IMAGE144
的影响模型和对电容式电压互感器比差/>
Figure 955527DEST_PATH_IMAGE145
的影响模型，分别计算得到电网频率的历史样本数据对电容式电压互感器的角差影响值/>
Figure 435050DEST_PATH_IMAGE146
和比差影响值/>
Figure 137427DEST_PATH_IMAGE147
；
步骤3.5，根据步骤3.1和3.2采集的数据，利用二次负载对电容式电压互感器角差
Figure 483544DEST_PATH_IMAGE148
的影响模型和对电容式电压互感器比差/>
Figure 929569DEST_PATH_IMAGE149
的影响模型，分别计算得到二次负载的历史样本数据对电容式电压互感器的角差影响值/>
Figure 716128DEST_PATH_IMAGE150
和比差影响值/>
Figure 589406DEST_PATH_IMAGE151
；
步骤3.6，将步骤3.3、3.4和3.5中求得明确量对应的角差影响值和比差影响值分别除以历史样本点数量，得到明确量的角差权重系数初始值和比差权重系数初始值。
利用不同历史样本点数据对应的角差和比差数值获取神经网络模型中的权重参数的初始值，与模糊量有关的权重参数仍然随机设置。
本发明提出的方法中的权重系数的初始值不是随机设置的，而是利用计算精度更高的物理模型推导得到的数学公式计算得到。通过权重系数初始值的改进算法，突出强调了各变量对于预测模型输出误差的贡献程度，利用物理公式在每一个样本点的数值与样本点的比值，精准确定贡献程度。
步骤4，构建用于训练神经元网络模型的目标函数；采用梯度下降算法求解目标函数，对待训练的权重系数矩阵进行迭代更新，直至目标函数的数值小于设定误差限值，从而获得最终权重矩阵；
用于训练神经元网络模型的目标函数
Figure 844938DEST_PATH_IMAGE152
满足如下关系式：
Figure 845386DEST_PATH_IMAGE153
式中，
Figure 237184DEST_PATH_IMAGE154
为神经元网络模型的输出，
Figure 281364DEST_PATH_IMAGE155
为电容式电压互感器的误差样本数据。
本发明在保留物理模型的高精度和高稳定度的前提下，还充分利用机器学习算法的优势，能够对错综复杂的影响源进行处理，拓展了物理模型的预测适用场景。
优选地，设定误差限值的取值范围为
Figure 273459DEST_PATH_IMAGE156
。
对待训练的权重系数矩阵进行迭代更新时，以如下关系式更新权重因子：
Figure 61287DEST_PATH_IMAGE157
式中，
Figure 369908DEST_PATH_IMAGE158
为更新后的第/>
Figure 270475DEST_PATH_IMAGE159
个影响源对应的第/>
Figure 562916DEST_PATH_IMAGE160
个权重因子，/>
Figure 75806DEST_PATH_IMAGE161
，/>
Figure 504513DEST_PATH_IMAGE162
为影响源数量，/>
Figure 93757DEST_PATH_IMAGE163
，/>
Figure 358648DEST_PATH_IMAGE164
为隐藏层中的神经元数量；
Figure 425961DEST_PATH_IMAGE165
为第/>
Figure 974754DEST_PATH_IMAGE166
个影响源对应的第/>
Figure 515325DEST_PATH_IMAGE167
个权重因子，
Figure 454463DEST_PATH_IMAGE168
为学习效率值。
此外，本发明提出的方法由于避免了权重系数的随机初始值导致的后续训练过程缓慢，甚至是不收敛的情况，还可避免训练过程中出现局部最小值的情况，有效的提高预测模型的计算精度和结果可靠性。
步骤5，以训练好的神经元网络模型对电容式电压互感器计量误差进行预测。
本发明另一方面还提出了一种电容式电压互感器计量误差预测系统，包括：采集模块，影响模型模块，神经元网络模型模块，上位机；
采集模块，用于采集明确量的历史样本数据、电容式电压互感器的额定参数以及电网的额定参数；
影响模型模块，用于基于影响源与电容式电压互感器计量误差的物理关系，建立明确量对电容式电压互感器的角差和比差的影响模型；
神经元网络模型模块，用于搭建计量误差预测的神经元网络模型；神经元网络模型以影响源为输入，通过不同的偏置量实现神经元网络模型输出电容式电压互感器计量比差或角差；
上位机，用于将采集模块所采集的数据输入到影响模型模块中，获得明确量的历史样本数据对电容式电压互感器的角差影响值和比差影响值；明确量对应的角差影响值和比差影响值与历史样本点数量的商，分别作为明确量的角差权重系数初始值和比差权重系数初始值；并将明确量的角差权重系数初始值和比差权重系数初始值输入到神经元网络模型模块中；
上位机，用于构建用于训练神经元网络模型的目标函数；采用梯度下降算法求解目标函数，对待训练的权重系数矩阵进行迭代更新，直至目标函数的数值小于设定误差限值，从而获得最终权重矩阵；
上位机，用于调用训练好的神经元网络模型对电容式电压互感器计量误差进行预测。
本发明还提出了一种终端，包括处理器及存储介质；存储介质用于存储指令；处理器用于根据指令进行操作以执行电容式电压互感器计量误差预测方法的步骤。
本发明还提出了计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现电容式电压互感器计量误差预测方法的步骤。
本公开可以是系统、方法和/或计算机程序产品。计算机程序产品可以包括计算机可读存储介质，其上载有用于使处理器实现本公开的各个方面的计算机可读程序指令。
计算机可读存储介质可以是可以保持和存储由指令执行设备使用的指令的有形设备。计算机可读存储介质例如可以是――但不限于――电存储设备、磁存储设备、光存储设备、电磁存储设备、半导体存储设备或者上述的任意合适的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：便携式计算机盘、硬盘、随机存取存储器（RAM）、只读存储器（ROM）、可擦式可编程只读存储器（EPROM或闪存）、静态随机存取存储器（SRAM）、便携式压缩盘只读存储器（CD-ROM）、数字多功能盘（DVD）、记忆棒、软盘、机械编码设备、例如其上存储有指令的打孔卡或凹槽内凸起结构、以及上述的任意合适的组合。这里所使用的计算机可读存储介质不被解释为瞬时信号本身，诸如无线电波或者其它自由传播的电磁波、通过波导或其它传输媒介传播的电磁波（例如，通过光纤电缆的光脉冲）、或者通过电线传输的电信号。
这里所描述的计算机可读程序指令可以从计算机可读存储介质下载到各个计算/处理设备，或者通过网络、例如因特网、局域网、广域网和/或无线网下载到外部计算机或外部存储设备。网络可以包括铜传输电缆、光纤传输、无线传输、路由器、防火墙、交换机、网关计算机和/或边缘服务器。每个计算/处理设备中的网络适配卡或者网络接口从网络接收计算机可读程序指令，并转发该计算机可读程序指令，以供存储在各个计算/处理设备中的计算机可读存储介质中。
用于执行本公开操作的计算机程序指令可以是汇编指令、指令集架构（ISA）指令、机器指令、机器相关指令、微代码、固件指令、状态设置数据、或者以一种或多种编程语言的任意组合编写的源代码或目标代码，所述编程语言包括面向对象的编程语言—诸如Smalltalk、C++等，以及常规的过程式编程语言—诸如“C”语言或类似的编程语言。计算机可读程序指令可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络—包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机（例如利用因特网服务提供商来通过因特网连接）。在一些实施例中，通过利用计算机可读程序指令的状态信息来个性化定制电子电路，例如可编程逻辑电路、现场可编程门阵列（FPGA）或可编程逻辑阵列（PLA），该电子电路可以执行计算机可读程序指令，从而实现本公开的各个方面。
最后应当说明的是，以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (14)

1.一种电容式电压互感器计量误差预测方法，其特征在于，
所述方法包括：
步骤1，基于影响源与电容式电压互感器计量误差的物理关系，建立明确量对电容式电压互感器的角差和比差的影响模型；其中，影响源包括明确量和模糊量；
步骤2，搭建计量误差预测的神经元网络模型；神经元网络模型以影响源为输入，通过不同的偏置量实现神经元网络模型输出电容式电压互感器计量比差或角差；其中，权重系数矩阵包括明确量权重系数和模糊量权重系数，明确量权重系数包括明确量的角差权重系数和比差权重系数；
步骤3，根据明确量的历史样本数据、电容式电压互感器的额定参数以及电网的额定参数，利用明确量对电容式电压互感器的角差和比差的影响模型，计算得到明确量的历史样本数据对电容式电压互感器的角差影响值和比差影响值；明确量对应的角差影响值和比差影响值与历史样本点数量的商，分别作为明确量的角差权重系数初始值和比差权重系数初始值；
步骤4，构建用于训练神经元网络模型的目标函数；采用梯度下降算法求解目标函数，对待训练的权重系数矩阵进行迭代更新，直至目标函数的数值小于设定误差限值，从而获得最终权重矩阵；
步骤5，以训练好的神经元网络模型对电容式电压互感器计量误差进行预测。
2.根据权利要求1所述的电容式电压互感器计量误差预测方法，其特征在于，
步骤1中，明确量包括：环境温度，电网频率，二次负荷。
3.根据权利要求2所述的电容式电压互感器计量误差预测方法，其特征在于，
环境温度对电容式电压互感器角差
Figure 175656DEST_PATH_IMAGE001
的影响模型满足如下关系式：
Figure 184806DEST_PATH_IMAGE002
环境温度对电容式电压互感器比差
Figure 292440DEST_PATH_IMAGE003
的影响模型满足如下关系式：
Figure 110485DEST_PATH_IMAGE004
式中，
Figure 783912DEST_PATH_IMAGE005
为线圈的截面积，
Figure 43859DEST_PATH_IMAGE006
为温度的变化量，
Figure 169947DEST_PATH_IMAGE007
为电容的温度系数，
Figure 791684DEST_PATH_IMAGE008
为负荷功率因素角，
Figure 788459DEST_PATH_IMAGE009
为电网实际角频率，
Figure 670570DEST_PATH_IMAGE010
为电容式电压互感器内电容分压器的高压端电容，/>
Figure 549534DEST_PATH_IMAGE011
为电容式电压互感器内电容分压器的低压端电容，
Figure 647065DEST_PATH_IMAGE012
为电容式电压互感器的高压端电压。
4.根据权利要求2所述的电容式电压互感器计量误差预测方法，其特征在于，
电网频率对电容式电压互感器角差
Figure 560663DEST_PATH_IMAGE013
的影响模型满足如下关系式：
Figure 619536DEST_PATH_IMAGE014
电网频率对电容式电压互感器比差
Figure 720216DEST_PATH_IMAGE015
的影响模型满足如下关系式：
Figure 418176DEST_PATH_IMAGE016
式中，
Figure 920701DEST_PATH_IMAGE017
为二次负载容量，
Figure 144616DEST_PATH_IMAGE018
为电网额定角频率，
Figure 280062DEST_PATH_IMAGE019
为电网实际角频率，
Figure 217931DEST_PATH_IMAGE020
为负荷功率因素角，
Figure 873166DEST_PATH_IMAGE021
为电容式电压互感器内电容分压器的高压端电容，
Figure 97342DEST_PATH_IMAGE022
为电容式电压互感器内电容分压器的低压端电容，
Figure 399711DEST_PATH_IMAGE023
为电容式电压互感器的高压端电压。
5.根据权利要求2所述的电容式电压互感器计量误差预测方法，其特征在于，
二次负载对电容式电压互感器角差
Figure 954320DEST_PATH_IMAGE024
的影响模型满足如下关系式：
Figure 385433DEST_PATH_IMAGE025
二次负载对电容式电压互感器比差
Figure 452615DEST_PATH_IMAGE026
的影响模型满足如下关系式：
Figure 562653DEST_PATH_IMAGE027
式中，
Figure 606439DEST_PATH_IMAGE028
为中间变压器的等效输入电阻，
Figure 203643DEST_PATH_IMAGE029
为中间变压器的等效输入电感，/>
Figure 943191DEST_PATH_IMAGE030
为电容式电压互感器内电容分压器的高压端电容，
Figure 949980DEST_PATH_IMAGE031
为电容式电压互感器内电容分压器的低压端电容，
Figure 298922DEST_PATH_IMAGE032
为电网实际角频率，
Figure 986517DEST_PATH_IMAGE033
为中间变压器的漏电感。
6.根据权利要求1所述的电容式电压互感器计量误差预测方法，其特征在于，
步骤2包括：
步骤2.1，影响源构成输入向量
Figure 395502DEST_PATH_IMAGE034
，/>
Figure 431197DEST_PATH_IMAGE035
为第/>
Figure 583830DEST_PATH_IMAGE036
个影响源，/>
Figure 860353DEST_PATH_IMAGE037
，/>
Figure 971397DEST_PATH_IMAGE038
为影响源数量；
步骤2.2，以明确量权重系数和模糊量权重系数构建权重矩阵
Figure 511967DEST_PATH_IMAGE039
，/>
Figure 937132DEST_PATH_IMAGE040
为
Figure 130479DEST_PATH_IMAGE041
个影响源对应的第/>
Figure 615687DEST_PATH_IMAGE042
个权重因子，/>
Figure 409330DEST_PATH_IMAGE043
，/>
Figure 667880DEST_PATH_IMAGE044
为隐藏层中的神经元数量；
步骤2.3，权重矩阵经隐藏层中的神经元处理后得到权重向量
Figure 745426DEST_PATH_IMAGE045
，/>
Figure 11322DEST_PATH_IMAGE046
第/>
Figure 557841DEST_PATH_IMAGE047
个影响源对应的权重因子向量，神经元网络模型的输出/>
Figure 216487DEST_PATH_IMAGE048
满足如下关系式：
Figure 696010DEST_PATH_IMAGE049
式中，
Figure 336070DEST_PATH_IMAGE050
为激活函数，
Figure 415890DEST_PATH_IMAGE051
为偏置量，其中，/>
Figure 799598DEST_PATH_IMAGE052
=1或2。
7.根据权利要求6所述的电容式电压互感器计量误差预测方法，其特征在于，
当
Figure 399207DEST_PATH_IMAGE052
=1时，/>
Figure 963830DEST_PATH_IMAGE053
为电容式电压互感器计量比差对应的偏置量，/>
Figure 281679DEST_PATH_IMAGE054
为神经元网络模型输出的电容式电压互感器计量比差；
当
Figure 452766DEST_PATH_IMAGE052
=2时，/>
Figure 906881DEST_PATH_IMAGE053
为电容式电压互感器计量角差对应的偏置量，/>
Figure 951060DEST_PATH_IMAGE054
为神经元网络模型输出的电容式电压互感器计量角差。
8.根据权利要求1所述的电容式电压互感器计量误差预测方法，其特征在于，
步骤3包括：
步骤3.1，采集电容式电压互感器的额定参数和电网的额定参数；
步骤3.2，采集环境温度的历史样本数据、电网频率的历史样本数据以及二次负载的历史样本数据；
步骤3.3，根据步骤3.1和3.2采集的数据，利用环境温度对电容式电压互感器角差
Figure 444621DEST_PATH_IMAGE055
的影响模型和对电容式电压互感器比差/>
Figure 232448DEST_PATH_IMAGE056
的影响模型，分别计算得到环境温度的历史样本数据对电容式电压互感器的角差影响值/>
Figure 744332DEST_PATH_IMAGE057
和比差影响值/>
Figure 208681DEST_PATH_IMAGE058
；/>
步骤3.4，根据步骤3.1和3.2采集的数据，利用电网频率对电容式电压互感器角差
Figure 173225DEST_PATH_IMAGE059
的影响模型和对电容式电压互感器比差/>
Figure 764744DEST_PATH_IMAGE060
的影响模型，分别计算得到电网频率的历史样本数据对电容式电压互感器的角差影响值/>
Figure 144516DEST_PATH_IMAGE061
和比差影响值/>
Figure 468181DEST_PATH_IMAGE062
；
步骤3.5，根据步骤3.1和3.2采集的数据，利用二次负载对电容式电压互感器角差
Figure 497186DEST_PATH_IMAGE063
的影响模型和对电容式电压互感器比差/>
Figure 830078DEST_PATH_IMAGE064
的影响模型，分别计算得到二次负载的历史样本数据对电容式电压互感器的角差影响值/>
Figure 801708DEST_PATH_IMAGE065
和比差影响值/>
Figure 624170DEST_PATH_IMAGE066
；
步骤3.6，将步骤3.3、3.4和3.5中求得明确量对应的角差影响值和比差影响值分别除以历史样本点数量，得到明确量的角差权重系数初始值和比差权重系数初始值。
9.根据权利要求1所述的电容式电压互感器计量误差预测方法，其特征在于，
用于训练神经元网络模型的目标函数
Figure 563307DEST_PATH_IMAGE067
满足如下关系式：
Figure 745896DEST_PATH_IMAGE068
式中，
Figure 821299DEST_PATH_IMAGE069
为神经元网络模型的输出，
Figure 814663DEST_PATH_IMAGE070
为电容式电压互感器的误差样本数据。
10.根据权利要求9所述的电容式电压互感器计量误差预测方法，其特征在于，
设定误差限值的取值范围为
Figure 983040DEST_PATH_IMAGE071
。
11.根据权利要求9所述的电容式电压互感器计量误差预测方法，其特征在于，
对待训练的权重系数矩阵进行迭代更新时，以如下关系式更新权重因子：
Figure 454472DEST_PATH_IMAGE072
式中，
Figure 899229DEST_PATH_IMAGE073
为更新后的第/>
Figure 797915DEST_PATH_IMAGE074
个影响源对应的第/>
Figure 711644DEST_PATH_IMAGE075
个权重因子，/>
Figure 737500DEST_PATH_IMAGE076
，/>
Figure 53075DEST_PATH_IMAGE077
为影响源数量，/>
Figure 122662DEST_PATH_IMAGE078
，/>
Figure 772955DEST_PATH_IMAGE079
为隐藏层中的神经元数量；
Figure 586190DEST_PATH_IMAGE080
为第/>
Figure 553009DEST_PATH_IMAGE081
个影响源对应的第/>
Figure 478984DEST_PATH_IMAGE082
个权重因子，
Figure 429622DEST_PATH_IMAGE083
为学习效率值。
12.一种利用权利要求1-11任一项权利要求所述方法的电容式电压互感器计量误差预测系统，其特征在于，
所述系统包括：采集模块，影响模型模块，神经元网络模型模块，上位机；
采集模块，用于采集明确量的历史样本数据、电容式电压互感器的额定参数以及电网的额定参数；
影响模型模块，用于基于影响源与电容式电压互感器计量误差的物理关系，建立明确量对电容式电压互感器的角差和比差的影响模型；
神经元网络模型模块，用于搭建计量误差预测的神经元网络模型；神经元网络模型以影响源为输入，通过不同的偏置量实现神经元网络模型输出电容式电压互感器计量比差或角差；
上位机，用于将采集模块所采集的数据输入到影响模型模块中，获得明确量的历史样本数据对电容式电压互感器的角差影响值和比差影响值；明确量对应的角差影响值和比差影响值与历史样本点数量的商，分别作为明确量的角差权重系数初始值和比差权重系数初始值；并将明确量的角差权重系数初始值和比差权重系数初始值输入到神经元网络模型模块中；
上位机，用于构建用于训练神经元网络模型的目标函数；采用梯度下降算法求解目标函数，对待训练的权重系数矩阵进行迭代更新，直至目标函数的数值小于设定误差限值，从而获得最终权重矩阵；
上位机，用于调用训练好的神经元网络模型对电容式电压互感器计量误差进行预测。
13.一种终端，包括处理器及存储介质；其特征在于：
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1-11任一项所述方法的步骤。
14.计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1-11任一项所述方法的步骤。
CN202310011084.8A 2023-01-05 2023-01-05 电容式电压互感器计量误差预测方法、系统、终端及介质 Active CN115878963B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310011084.8A CN115878963B (zh) 2023-01-05 2023-01-05 电容式电压互感器计量误差预测方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310011084.8A CN115878963B (zh) 2023-01-05 2023-01-05 电容式电压互感器计量误差预测方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN115878963A true CN115878963A (zh) 2023-03-31
CN115878963B CN115878963B (zh) 2023-06-23

Family

ID=85758031

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310011084.8A Active CN115878963B (zh) 2023-01-05 2023-01-05 电容式电压互感器计量误差预测方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN115878963B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116643228A (zh) * 2023-07-27 2023-08-25 威胜集团有限公司 一种电压互感器初始误差估算方法
CN118051866A (zh) * 2024-04-16 2024-05-17 国网冀北电力有限公司 一种电压互感器误差状态预测方法、预测终端及存储介质
CN118051866B (zh) * 2024-04-16 2024-07-02 国网冀北电力有限公司 一种电压互感器误差状态预测方法、预测终端及存储介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110095744A (zh) * 2019-04-04 2019-08-06 国网江苏省电力有限公司电力科学研究院 一种电子式互感器误差预测方法
CN113297797A (zh) * 2021-06-02 2021-08-24 东南大学 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置
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
CN114692505A (zh) * 2022-04-12 2022-07-01 广东电网有限责任公司 一种电容式电压互感器误差预测方法及装置
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

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110095744A (zh) * 2019-04-04 2019-08-06 国网江苏省电力有限公司电力科学研究院 一种电子式互感器误差预测方法
CN113297797A (zh) * 2021-06-02 2021-08-24 东南大学 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置
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
CN114692505A (zh) * 2022-04-12 2022-07-01 广东电网有限责任公司 一种电容式电压互感器误差预测方法及装置
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

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116643228A (zh) * 2023-07-27 2023-08-25 威胜集团有限公司 一种电压互感器初始误差估算方法
CN118051866A (zh) * 2024-04-16 2024-05-17 国网冀北电力有限公司 一种电压互感器误差状态预测方法、预测终端及存储介质
CN118051866B (zh) * 2024-04-16 2024-07-02 国网冀北电力有限公司 一种电压互感器误差状态预测方法、预测终端及存储介质

Also Published As

Publication number Publication date
CN115878963B (zh) 2023-06-23

Similar Documents

Publication Publication Date Title
Ma et al. Partially‐coupled gradient‐based iterative algorithms for multivariable output‐error‐like systems with autoregressive moving average noises
CN110632545B (zh) 基于回归神经网络电子式互感器误差风险评估方法和装置
Zang et al. Adaptive method for harmonic contribution assessment based on hierarchical K‐means clustering and Bayesian partial least squares regression
CN105866504B (zh) 一种基于卡尔曼滤波的光纤电流互感器温度补偿方法
Wang et al. Failure rate prediction model of substation equipment based on Weibull distribution and time series analysis
CN115469260B (zh) 一种基于Hausdorff的电流互感器异常识别方法、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
Nosratian Ahour et al. Modified transformer winding ladder network model to assess non‐dominant frequencies
CN113777552A (zh) 一种电容式电压互感器计量误差的预测方法及系统
CN115878963A (zh) 电容式电压互感器计量误差预测方法、系统、终端及介质
CN115392141B (zh) 一种自适应的电流互感器误差评估方法
CN114091231A (zh) 一种基于数字孪生体与误差自适应优化的开关柜建模方法
JP6973377B2 (ja) 解析装置、解析方法、およびプログラム
Tang et al. Harmonic emission level assessment method based on parameter identification analysis
Yem Souhe et al. A novel smart method for state estimation in a smart grid using smart meter data
Habib et al. Deep statistical solver for distribution system state estimation
Wang et al. Application of multiattention mechanism in power system branch parameter identification
CN116702005A (zh) 一种基于神经网络的数据异常诊断方法和电子设备
CN110969238A (zh) 一种校准用电数据的方法及装置
Ranasingh et al. Calibration and frequency estimation in sensors for electrical parameter measurement using regression and metaheuristic based models
Xia et al. Measurement error estimation for distributed smart meters through a modified BP neural network
Zhao et al. Application of transient slope of zero and pole in bode diagram in automatic identification of filter parameters
RU2611259C1 (ru) Автоматизированное устройство определения предельных режимов электрических систем
Degtyarev et al. Identification Parameters Of Equivalent Using PMU For Developing Adaptive Pacs For Distribution Networks With Electricity Sources
CN118133656A (zh) 基于物理信息神经网络的中压配电网线路参数辨识方法

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