CN115980647B - 一种基于群体信息的cvt异常状态识别方法及装置 - Google Patents
一种基于群体信息的cvt异常状态识别方法及装置 Download PDFInfo
- Publication number
- CN115980647B CN115980647B CN202211362711.4A CN202211362711A CN115980647B CN 115980647 B CN115980647 B CN 115980647B CN 202211362711 A CN202211362711 A CN 202211362711A CN 115980647 B CN115980647 B CN 115980647B
- Authority
- CN
- China
- Prior art keywords
- phase voltage
- cvt
- training
- prediction model
- group
- 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
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 123
- 230000016507 interphase Effects 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 38
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 19
- 238000009826 distribution Methods 0.000 claims description 18
- 238000001914 filtration Methods 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 13
- 230000009466 transformation Effects 0.000 claims description 10
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000007613 environmental effect Effects 0.000 claims description 8
- 238000003860 storage Methods 0.000 claims description 7
- 230000010354 integration Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000007636 ensemble learning method Methods 0.000 abstract description 2
- 230000011218 segmentation Effects 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 230000002776 aggregation Effects 0.000 description 5
- 238000004220 aggregation Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
Abstract
本发明涉及一种基于群体信息的CVT异常状态识别方法及装置,包括:获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,构建训练样本集与训练目标集;采用数据切分、集成学习的方法得到相电压预测模型;利用相电压预测模型预测同一母线下各组CVT的二次相电压,并计算目标CVT预测的相电压波动率与相电压偏差度;利用同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算目标CVT预测的相电压波动率与相电压偏差度的置信水平,实现目标CVT异常状态识别。本发明可对同一母线下各组CVT的异常状态进行识别与定位,及时发现超差CVT,保证电网运行的稳定性和安全性能。
Description
技术领域
本发明涉及电力计量在线监测技术领域,尤其涉及一种基于群体信息的CVT异常状态识别方法及装置。
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。
在CVT的实际运行过程中,互感器误差受采集原理与恶劣环境等影响会在其工作寿命内出现测量偏差越限,因此需要在其计量误差超差时能够进行准确快速的识别与定位,以便相关运行维护人员安排检修维护的工作,如果不能及时发现互感器状态劣化,将影响电网运行。
发明内容
本发明针对现有技术中存在的技术问题,提供一种基于群体信息的CVT异常状态识别方法及装置,实现同一母线上CVT异常状态进行识别与定位,及时发现超差CVT,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,提供了一种基于群体信息的CVT异常状态识别方法,包括:
获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别。
可选地,所述训练样本集具体为:
其中,DI表示训练样本集,表示tm时刻的历史负荷,/>表示tm时刻的历史环境参量。
可选地,所述第一、第二训练目标集具体为:
其中,D'O1表示第一训练目标集,表示tm的相电压的幅值,P为A相、B相、C相中的任意一相,n为CVT的组数,tm表示历史时刻(m=1、2、3……、m),D'O2表示第二训练目标集/>表示tm的A相电压的幅值;/>表示tm的B相电压的幅值,/>表示tm的C相电压的幅值。
可选地,所述相间相电压预测模型和组间相电压预测模型的输入、输出分别为:
所示相间相电压预测模型的输入为所述训练样本集,输出为所述第一训练目标集;
所述组间相电压预测模型的输入为所述训练样本集,输出为所述第二训练目标集。
可选地,所述相电压预测模型的集成过程为:
提取所述第一、第二训练目标集的时间、幅值信息,绘制第一时间-幅值波形图、第二时间-幅值波形图;
将所述第一时间-幅值波形图、所述第二时间-幅值波形图作为元权重图卷积神经网络的训练样本集,将所述第二训练目标集作为元权重图卷积神经网络的训练目标集进行训练,得到相电压预测模型。
可选地,所述目标CVT预测的相电压波动率与相电压偏差度计算方式为:
其中,α表示相电压波动率,β表示相电压偏差度,表示目标CVT的预测的二次相电压,/>表示同一母线下各组CVT中最大的预测的二次相电压,/>表示第i组CVT的预测的二次相电压,n表示同一母线下各组CVT的总组数。
可选地,所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征具体为:
所述电压波动率满足第一分布
所述相电压偏差度满足第二分布
其中,N1、N2为正态分布,μ1、μ2为均值,为方差。
第三方面,本发明提供了一种基于群体信息的CVT异常状态识别装置,包括:
数据采集模块,获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
数据处理模块,利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
预测模型构建模块,利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
预测模型集成模块,利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
异常状态识别特征提取模块,将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
异常状态识别模块,利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别。
本发明实施例提供的一种基于群体信息的CVT异常状态识别方法及装置通过获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,构建训练样本集与训练目标集;采用数据切分、集成学习的方法得到相电压预测模型;利用相电压预测模型预测同一母线下各组CVT的二次相电压,并计算目标CVT预测的相电压波动率与相电压偏差度;利用同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别。本发明对同一母线下各组CVT的异常状态进行识别与定位,及时发现超差CVT,保证了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基于群体信息的CVT异常状态识别方法的流程图;
图2为本发明实施例提供的一种相间相电压预测模型训练过程;
图3为本发明实施例提供的一种相组间相电压预测模型训练过程;
图4为本发明实施例提供的一种相电压预测模型训练过程示意图;
图5为本发明实施例提供的一种基于群体信息的CVT异常状态识别装置结构示意图;
图6为本发明实施例提供的电子设备的实施例示意图;
图7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基于群体信息的CVT异常状态识别方法,该CVT异常状态识别方法包括以下步骤:
S100,获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
S200,利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
S300,利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
S400,利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
S500,将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
S600,利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别。
在具体实施例中,S100包括;
历史环境参量数据DI2包括但不限于电压互感器的工况温度、电压互感器的工况湿度、电压互感器的磁感应强度、电压互感器的电压频率;
自适应短时线性正则变换的定义:
其中,i(t,u)是指标函数,g(·)为窗函数,τ为时间间隔,u为带宽,OA'(·)为核函数,A'为矩阵参数。自适应短时线性正则变换的窗函数可依据一定的准则随时间改变以获得在整个时间域更好的时频分布效果,采用的自适应准则为最大相关准则:
其中m'为第m'个信号波形,M'表示信号波形的总数。
在本发明中,记历史二次电压信号为f(t)即可采用上述公式进行滤噪处理。
在具体实施例中,S200包括;
第一、第二训练目标集具体为:
其中,D'O1表示第一训练目标集,表示tm的相电压的幅值,P为A相、B相、C相中的任意一相,n为CVT的组数,tm表示历史时刻(m=1、2、3……、m),D'O2表示第二训练目标集/>表示tm的A相电压的幅值;/>表示tm的B相电压的幅值,/>表示tm的C相电压的幅值。
在具体实施例中,如图2、3所示,S300具体过程为:
如图2所示,相间相电压预测模型M1的输入为训练样本集DI(历史负荷数据、历史环境参量数据),输出为第一训练目标集(相间相电压数据)。
如图3所示,组间相电压预测模型M2的输入为训练样本集DI(历史负荷数据、历史环境参量数据),输出为第二训练目标集(组间相电压数据)。
在具体实施例中,如图4所示,S400具体过程为:
S401,提取第一、第二训练目标集的时间和幅值信息,绘制第一时间-幅值波形图、第二时间-幅值波形图;
S402,将第一时间-幅值波形图、第二时间-幅值波形图作为元权重图卷积神经网络(NWGNN)的输训练样本集,将第二训练目标集作为元权重图卷积神经网络的训练目标集进行训练,得到相电压预测模型M3。
进一步地,MWGNN(Meta-Weight Graph Neural Network)框架包括两个阶段:(a)通过Meta-Weight来对节点的局部分布(Node Local Distribution,NLD)建模;(b)基于Meta-Weight,对图进行自适应卷积。
(a)NLD的学习包括三个部分,节点特征、拓扑结构和位置编码信息。节点特征的信息可以直接从数据中得到;针对拓扑结构信息的刻画,提出了一种基于度序列的简单刻画方式:对于每个节点,将其周围的若干范围内的子图内的所有节点的度排序,得到的度序列被用于表征相应的节点的结构信息;针对结构编码的刻画,使用的是基于节点间最短路径长度的相对位置编码方式。将排序后的度序列,以及相应的节点特征、位置编码通过GRU、MLP等神经网络变换之后,就得到了节点在特征、结构、位置编码方面的“分布”。再通过注意力层的动态选择得到用于刻画节点局部信息的Meta-Weight。
(b)Meta-Weight被用于指导GNN权重聚合过程中的边权。分别将Meta-Weight与特征信息、结构信息相结合,可以得到两套聚合权重,一套针对特征信息,一套针对结构信息。将其二者以一定比例融合,就得到了最终的聚合权重,再沿着边对信息进行聚合即可。
MWGNN从拓扑结构、节点特征和位置编码等角度入手刻画节点的局部信息,并将之动态融合得到Meta-Weight;另一方面,基于Meta-Weight模型动态地为节点生成卷积核,并使用了独立的卷积通道来保证信息的有效传递。在本实施例中采用MWGNN对第一时间-幅值波形图、第二时间-幅值波形图进行训练,能有效地融合相间相电压数据和组间相电压数据,实现二次相电压的准确预测。
在具体实施例中,S500具体过程为:
对于同一母线下的各组CVT,其CVT测量的是同一电压,即满足:
其中,i'=1、2、3、……L,L表示同一测量点处共有L台同相的CVT。
针对相间电压的电气关系,本发明将相电压波动率、相电压偏差度作为CVT异常状态的识别特征。具体计算过程如下:
其中,α表示相电压波动率,β表示相电压偏差度,表示目标CVT的预测的二次相电压,/>表示同一母线下各组CVT中最大的预测的二次相电压,/>表示第i组CVT的预测的二次相电压,n表示同一母线下各组CVT的总组数。
在具体实施例中,S600包括;
所述电压波动率满足第一分布
所述相电压偏差度满足第二分布
其中,N1、N2为正态分布,μ1、μ2为均值,为方差。
将预测的相电压波动率α和相电压偏差度β分布带入第一分布、第二分布,分别计算出置信水平ξ1、ξ2,如果置信水平大于阈值,就说明目标CVT的误差状态正常;反正,则为异常。
如图5所示,本发明实施例提供一种基于群体信息的CVT异常状态识别装置,该装置包括:
数据采集模块,获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
数据处理模块,利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
预测模型构建模块,利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
预测模型集成模块,利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
异常状态识别特征提取模块,将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
异常状态识别模块,利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别。
请参阅图6,图6为本发明实施例提供的电子设备的实施例示意图。如图6所示,本发明实施例提了一种电子设备600,包括存储器610、处理器620及存储在存储器620上并可在处理器620上运行的计算机程序611,处理器620执行计算机程序611时实现以下步骤:
S100,获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
S200,利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
S300,利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
S400,利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
S500,将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
S600,利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别。
请参阅图7,图7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7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711,该计算机程序711被处理器执行时实现如下步骤:
S100,获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
S200,利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
S300,利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
S400,利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
S500,将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
S600,利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别。
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 (6)
1.一种基于群体信息的CVT异常状态识别方法,其特征在于,所述CVT异常状态识别方法包括:
获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
将所述历史负荷数据和所述历史环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别;
所述第一、第二训练目标集具体为:
其中, 表示第一训练目标集,/> 表示/>的相电压的幅值,P为A相、B相、C相中的任意一相,n为CVT的组数,/>表示历史时刻m=1、2、3……、m,/>表示第二训练目标集,/>表示/>的A相电压的幅值;/>表示/>的B相电压的幅值,/>表示/>的C相电压的幅值;
所述相电压预测模型的集成过程为:
提取所述第一、第二训练目标集的时间、幅值信息,绘制第一时间-幅值波形图、第二时间-幅值波形图;
将所述第一时间-幅值波形图、所述第二时间-幅值波形图作为元权重图卷积神经网络的训练样本集,将所述第二训练目标集作为元权重图卷积神经网络的训练目标集进行训练,得到相电压预测模型;
所述目标CVT预测的相电压波动率与相电压偏差度计算方式为:
其中,表示相电压波动率,/>表示相电压偏差度,/>表示目标CVT的预测的二次相电压,/>表示同一母线下各组CVT中最大的预测的二次相电压,/>表示第i组CVT的预测的二次相电压,n表示同一母线下各组CVT的总组数;
所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征具体为:
所述电压波动率满足第一分布;
所述相电压偏差度满足第二分布;
其中,、/>为正态分布,/>、/>为均值,/>、/>为方差;
将预测的所述相电压波动率和所述相电压偏差度/>分布带入所述第一分布、所述第二分布,分别计算出置信水平/>、/>,如果置信水平大于阈值,就说明所述目标CVT的误差状态正常;反之,则为异常。
2.根据权利要求1所述的CVT异常状态识别方法,其特征在于,所述训练样本集具体为:
其中,表示训练样本集,/>表示/>时刻的历史负荷,/>表示/>时刻的历史环境参量。
3.根据权利要求1所述的CVT异常状态识别方法,其特征在于,所述相间相电压预测模型和组间相电压预测模型的输入、输出分别为:
所述相间相电压预测模型的输入为所述训练样本集,输出为所述第一训练目标集;
所述组间相电压预测模型的输入为所述训练样本集,输出为所述第二训练目标集。
4.一种基于群体信息的CVT异常状态识别装置,其特征在于,包括:
数据采集模块,获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据,并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理;
数据处理模块,利用所述历史负荷数据、所述历史环境参量数据构建训练样本集;提取所述滤噪处理后的历史二次电压数据的相电压,并切分为相间相电压数据和组间相电压数据,构建第一、第二训练目标集;
预测模型构建模块,利用BP神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练,分别得到相间相电压预测模型和组间相电压预测模型;
预测模型集成模块,利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成,集成得到相电压预测模型;
异常状态识别特征提取模块,将历史负荷数据和历史环境参量数据作为所述相电压预测模型的输入,得到所述同一母线下各组CVT的预测二次相电压;利用所述预测的二次相电压计算目标CVT预测的相电压波动率与相电压偏差度;
异常状态识别模块,利用所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征,来计算所述预测的相电压波动率与相电压偏差度的置信水平,实现所述目标CVT异常状态识别;
所述第一、第二训练目标集具体为:
其中,表示第一训练目标集,/>表示/>的相电压的幅值,P为A相、B相、C相中的任意一相,n为CVT的组数,/>表示历史时刻m=1、2、3……、m,/>表示第二训练目标集,/>表示/>的A相电压的幅值;/>表示/>的B相电压的幅值,/>表示/>的C相电压的幅值;
所述相电压预测模型的集成过程为:
提取所述第一、第二训练目标集的时间、幅值信息,绘制第一时间-幅值波形图、第二时间-幅值波形图;
将所述第一时间-幅值波形图、所述第二时间-幅值波形图作为元权重图卷积神经网络的训练样本集,将所述第二训练目标集作为元权重图卷积神经网络的训练目标集进行训练,得到相电压预测模型;
所述目标CVT预测的相电压波动率与相电压偏差度计算方式为:
其中,表示相电压波动率,/>表示相电压偏差度,/>表示目标CVT的预测的二次相电压,/>表示同一母线下各组CVT中最大的预测的二次相电压,/>表示第i组CVT的预测的二次相电压,n表示同一母线下各组CVT的总组数;
所述同一母线下各组CVT的电压波动率与相电压偏差度的统计特征具体为:
所述电压波动率满足第一分布;
所述相电压偏差度满足第二分布;
其中,、/>为正态分布,/>、/>为均值,/>、/>为方差;
将预测的所述相电压波动率和所述相电压偏差度/>分布带入所述第一分布、所述第二分布,分别计算出置信水平/>、/>,如果置信水平大于阈值,就说明所述目标CVT的误差状态正常;反之,则为异常。
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3任一项所述的一种基于群体信息的CVT异常状态识别方法。
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3任一项所述的一种基于群体信息的CVT异常状态识别方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362711.4A CN115980647B (zh) | 2022-11-02 | 2022-11-02 | 一种基于群体信息的cvt异常状态识别方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211362711.4A CN115980647B (zh) | 2022-11-02 | 2022-11-02 | 一种基于群体信息的cvt异常状态识别方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115980647A CN115980647A (zh) | 2023-04-18 |
CN115980647B true CN115980647B (zh) | 2023-08-11 |
Family
ID=85960079
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211362711.4A Active CN115980647B (zh) | 2022-11-02 | 2022-11-02 | 一种基于群体信息的cvt异常状态识别方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115980647B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2430134A1 (de) * | 1974-06-24 | 1976-01-08 | Tettex Ag | Messwandlerpruefeinrichtung |
JPH10253682A (ja) * | 1997-03-14 | 1998-09-25 | Honda Motor Co Ltd | 電流センサの故障判定装置 |
JP2013053855A (ja) * | 2011-08-31 | 2013-03-21 | National Institute Of Advanced Industrial & Technology | 電子式変流器の誤差評価装置 |
WO2014162021A1 (es) * | 2013-04-02 | 2014-10-09 | Arteche Centro De Tecnología, A.I.E. | Procedimiento de calibración del error de medida en transformadores de medida |
CN111551887A (zh) * | 2020-05-29 | 2020-08-18 | 武汉华瑞智深电气技术有限公司 | 一种多维度识别电压互感器计量性能在线监测平台 |
AU2020103616A4 (en) * | 2020-01-23 | 2021-02-04 | Measurement Center Of Guangdong Power Grid Co., Ltd | A Markov chain based method for voltage transformer life prediction |
CN112485556A (zh) * | 2020-11-03 | 2021-03-12 | 国电南瑞南京控制系统有限公司 | 一种基于变电站监控系统的cvt故障检测方法、系统和存储介质 |
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 |
CN113239132A (zh) * | 2021-07-12 | 2021-08-10 | 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 |
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 |
CN113325357A (zh) * | 2021-08-04 | 2021-08-31 | 华中科技大学 | 基于输出时间序列差分的电压互感器误差评估方法及系统 |
CN113376562A (zh) * | 2021-06-08 | 2021-09-10 | 国网重庆市电力公司营销服务中心 | 基于滚动时窗—fcm聚类的cvt校验方法、设备及介质 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
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 |
CN113899968A (zh) * | 2021-09-23 | 2022-01-07 | 成都高斯电子技术有限公司 | 一种电压互感器监测方法 |
CN114002551A (zh) * | 2021-10-29 | 2022-02-01 | 广东电网有限责任公司 | 一种基于二次电压特征的cvt故障确定方法及装置 |
CN114626769A (zh) * | 2022-05-16 | 2022-06-14 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器运维方法及系统 |
CN114818817A (zh) * | 2022-05-06 | 2022-07-29 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器微弱故障识别系统及方法 |
CN115018139A (zh) * | 2022-05-25 | 2022-09-06 | 国网湖南省电力有限公司 | 基于相间特征的电流互感器误差状态在线辨识方法及系统 |
CN115267641A (zh) * | 2022-09-22 | 2022-11-01 | 武汉格蓝若智能技术有限公司 | 同塔双回输电线路中电流互感器误差异常识别方法、系统 |
-
2022
- 2022-11-02 CN CN202211362711.4A patent/CN115980647B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2430134A1 (de) * | 1974-06-24 | 1976-01-08 | Tettex Ag | Messwandlerpruefeinrichtung |
JPH10253682A (ja) * | 1997-03-14 | 1998-09-25 | Honda Motor Co Ltd | 電流センサの故障判定装置 |
JP2013053855A (ja) * | 2011-08-31 | 2013-03-21 | National Institute Of Advanced Industrial & Technology | 電子式変流器の誤差評価装置 |
WO2014162021A1 (es) * | 2013-04-02 | 2014-10-09 | Arteche Centro De Tecnología, A.I.E. | Procedimiento de calibración del error de medida en transformadores de medida |
AU2020103616A4 (en) * | 2020-01-23 | 2021-02-04 | Measurement Center Of Guangdong Power Grid Co., Ltd | A Markov chain based method for voltage transformer life prediction |
CN111551887A (zh) * | 2020-05-29 | 2020-08-18 | 武汉华瑞智深电气技术有限公司 | 一种多维度识别电压互感器计量性能在线监测平台 |
CN112485556A (zh) * | 2020-11-03 | 2021-03-12 | 国电南瑞南京控制系统有限公司 | 一种基于变电站监控系统的cvt故障检测方法、系统和存储介质 |
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 |
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 |
CN113376562A (zh) * | 2021-06-08 | 2021-09-10 | 国网重庆市电力公司营销服务中心 | 基于滚动时窗—fcm聚类的cvt校验方法、设备及介质 |
CN113567904A (zh) * | 2021-07-02 | 2021-10-29 | 中国电力科学研究院有限公司 | 一种适用于电容式互感器的计量误差的方法及系统 |
CN113239132A (zh) * | 2021-07-12 | 2021-08-10 | 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 |
CN113325357A (zh) * | 2021-08-04 | 2021-08-31 | 华中科技大学 | 基于输出时间序列差分的电压互感器误差评估方法及系统 |
CN113899968A (zh) * | 2021-09-23 | 2022-01-07 | 成都高斯电子技术有限公司 | 一种电压互感器监测方法 |
CN114002551A (zh) * | 2021-10-29 | 2022-02-01 | 广东电网有限责任公司 | 一种基于二次电压特征的cvt故障确定方法及装置 |
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 |
CN114818817A (zh) * | 2022-05-06 | 2022-07-29 | 国网四川省电力公司电力科学研究院 | 一种电容式电压互感器微弱故障识别系统及方法 |
CN114626769A (zh) * | 2022-05-16 | 2022-06-14 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器运维方法及系统 |
CN115018139A (zh) * | 2022-05-25 | 2022-09-06 | 国网湖南省电力有限公司 | 基于相间特征的电流互感器误差状态在线辨识方法及系统 |
CN115267641A (zh) * | 2022-09-22 | 2022-11-01 | 武汉格蓝若智能技术有限公司 | 同塔双回输电线路中电流互感器误差异常识别方法、系统 |
Non-Patent Citations (1)
Title |
---|
Dynamic measurement error detection method of high voltage current transformer based on reinforcement learning;Hui Song 等;2021 International Conference on Wireless Communications and Smart Grid (ICWCSG);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN115980647A (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Probabilistic short-term wind power forecast using componential sparse Bayesian learning | |
Peng et al. | Short-term load forecasting at different aggregation levels with predictability analysis | |
CN101615794A (zh) | 基于无迹变换卡尔曼滤波的电力系统动态状态估计方法 | |
CN107992447A (zh) | 一种应用于河流水位预测数据的特征选择分解方法 | |
EP2562901B1 (en) | Unit commitment for wind power generation | |
CN114399021A (zh) | 一种基于多尺度信息的概率风速预测方法和系统 | |
Tornai et al. | Classification for consumption data in smart grid based on forecasting time series | |
Jiang et al. | Wind speed forecasting using autoregressive moving average/generalized autoregressive conditional heteroscedasticity model | |
CN112036067A (zh) | 一种沟槽电缆稳态温升预测方法 | |
Hong et al. | Short‐term LMP forecasting using an artificial neural network incorporating empirical mode decomposition | |
CN102904252B (zh) | 求解含分布式电源的配电网不确定性潮流的方法 | |
CN115980647B (zh) | 一种基于群体信息的cvt异常状态识别方法及装置 | |
CN114118595A (zh) | 用电负荷预测的方法、系统、存储介质及电子设备 | |
Upendar et al. | Fault classification scheme based on the adaptive resonance theory neural network for protection of transmission lines | |
KR20210097613A (ko) | 수요관리 자원 최적화를 위한 전력사용량 예측 시스템 | |
CN110740063B (zh) | 基于信号分解和周期特性的网络流量特征指标预测方法 | |
Kirsopp et al. | An empirical analysis of linear adaptation techniques for case-based prediction | |
Ghazali et al. | The performance of a Recurrent HONN for temperature time series prediction | |
CN114282658B (zh) | 一种针对流量序列分析及预测的方法、设备和介质 | |
Kolumbán et al. | Short and long-term wind turbine power output prediction | |
Rivero et al. | Long-term power consumption demand prediction: A comparison of energy associated and Bayesian modeling approach | |
Hara et al. | Time series prediction using deterministic geometric semantic genetic programming | |
CN111103490B (zh) | 一种负荷辨识事件检测方法、装置及设备 | |
Tran et al. | Load forecasting with support vector regression: Influence of data normalization on grid search algorithm | |
Chen et al. | Data preprocessing using hybrid general regression neural networks and particle swarm optimization for remote terminal units |
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 |