CN116184298A - 一种电压互感器运行性能预测方法、系统、设备和介质 - Google Patents
一种电压互感器运行性能预测方法、系统、设备和介质 Download PDFInfo
- Publication number
- CN116184298A CN116184298A CN202310100788.2A CN202310100788A CN116184298A CN 116184298 A CN116184298 A CN 116184298A CN 202310100788 A CN202310100788 A CN 202310100788A CN 116184298 A CN116184298 A CN 116184298A
- Authority
- CN
- China
- Prior art keywords
- data
- performance data
- real
- voltage transformer
- prediction
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000012216 screening Methods 0.000 claims abstract description 41
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 39
- 238000011084 recovery Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000010801 machine learning Methods 0.000 claims abstract description 18
- 239000013598 vector Substances 0.000 claims description 45
- 230000002159 abnormal effect Effects 0.000 claims description 17
- 238000005070 sampling Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000003908 quality control method Methods 0.000 claims description 12
- 238000004590 computer program Methods 0.000 claims description 6
- 230000035945 sensitivity Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 230000005251 gamma ray Effects 0.000 claims description 2
- 238000005457 optimization Methods 0.000 claims description 2
- 238000005259 measurement Methods 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/02—Testing or calibrating of apparatus covered by the other groups of this subclass of auxiliary devices, e.g. of instrument transformers according to prescribed transformation ratio, phase angle, or wattage rating
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/903—Querying
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Protection Of Transformers (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种电压互感器运行性能预测方法、系统、设备和介质,其中方法包括以下步骤:预存储目标电压互感器在标准工作状态下工作时的标准性能数据;采集目标电压互感器的实时运行性能数据并存储;对存储的实时运行性能数据进行随机选择处理;对随机选择出的实时运行性能数据进行预处理,包括数据筛选、数据恢复、丢弃、填充、替换以及去重操作;基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据;对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性;基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整,优化预测性能。
Description
技术领域
本发明涉及一种电压互感器运行性能预测方法、系统、设备和介质,属于互感器性能预测技术领域。
背景技术
电力系统往往采用交流电压、大电流回路把电能传输给用户,因此无法用仪表对电能进行直接测量,电压互感器用于将交流电压和大电流按比例降低到可以用仪表直接测量的数值,以便于仪表的直接测量,同时为继电保护和自动装置提供电源。互感器性能的好坏直接影响电力系统测量、计量的准确性和继电器保护装置动作的可靠性,因此需要采用互感器校准装置对互感器进行定期校准,以保证互感器工作的准确性。
现有的电压互感器性能变化预测系统在进行使用时,都是通过标准电压互感器与待测电压互感器进行对比,得出待测电压互感器的误差状态是否超差,这样通常是出现问题才去解决,并不能去预测电压互感器的误差状态。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种电压互感器运行性能预测方法、系统、设备和介质。
本发明的技术方案如下:
一方面,本发明提供一种电压互感器运行性能预测方法,包括以下步骤:
预存储目标电压互感器在标准工作状态下工作时的标准性能数据;
采集目标电压互感器的实时运行性能数据并存储;
对存储的实时运行性能数据进行随机选择处理;
对随机选择出的实时运行性能数据进行预处理,包括数据筛选、数据恢复、丢弃、填充、替换以及去重操作;
基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据;
对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性;
基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整,优化预测性能。
作为优选实施方式,在所述对随机选择出的实时运行性能数据进行预处理步骤中,所述数据筛选步骤包括初步筛选、阈值筛选和质量控制筛选三个步骤;其中:
所述初步筛选用于筛选误差大于预设范围的数据;
阀值筛选的方法具体为:
设定临界阈值计算公式为:
xmax=x0+3f(T);
其中xmax为电压互感器性能参数的临界阈值,x0为电压互感器性能参数的基本限值,T为数据的采样间隔,f()为电压互感器性能参数流参数均方根误差与采样间隔T的拟合函数;
将小于临界阈值的实时运行性能数据筛除;
质量控制筛选的方法具体为:
构造多元质量控制的指标公式为:
其中,I为多元数据质量控制的指标,mqn、mνn、mon分别为n个采样间隔电网的额定电压q、二次侧额定电压ν和电压互感器误差o的均值,sqn、sνn、son分别为电网的额定电压q、二次侧额定电压ν和电压互感器误差o的标准差;
当一随机选择出的实时运行性能数据中的性能参数q、ν和o计算出的指标I大于1时,认为该实时运行性能数据是异常的,予以剔除;否则认为该实时运行性能数据则是正常的,进行保留。
作为优选实施方式,在所述对随机选择出的实时运行性能数据进行预处理步骤中,对在数据筛除步骤中认为是异常数据的实时运行性能数据进行基于时间序列的数据恢复,具体公式如下:
作为优选实施方式,在所述对随机选择出的实时运行性能数据进行预处理步骤中,对在数据筛除步骤中认为是异常数据的实时运行性能数据进行基于时空相关性的数据恢复,具体公式如下:
其中,为与位置j相关的检测器m和n对位置j异常数据的数据恢复值;γ1、γ2和γ3为回归方程系数,xi(m)和xi(n)为检测器m和检测器n所在位置的实时运行性能数据,为最终数据恢复值,最终数据恢复值为通过建立多个预测模型得到的多个回归方程的数据恢复值的中值。
作为优选实施方式,所述基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据的方法具体为:
基于标准性能数据得到标准数据向量i=[i1,i2,……,iN],基于预处理后的实时运行性能数据得到测量数据向量j=[j1,j2,……,jL],标准数据向量i的实际数值为d=[d1、d2、……、dM];
通过下式进行预测性能数据预测:
其中,Vij为从标准数据向量i到测量数据向量j的权值,Wjk为测量数据向量j到预测数据向量k的权值;λ和μ分别表示测量数据向量j和预测数据向量k的偏置;f(*)为激励函数,hj和yk的取值范围为(0,1);
得到预测数据向量k=[k1,k2,……,kM]。
作为优选实施方式,所述基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整的方法具体为:
选定数据,随机选取若干个样本放入训练集,每一样本包含一对相应的标准数据向量i和标准数据向量i的实际数值;
将机器学习算法中的各权值和偏置初始化为随机值,同时设定调整参数、精度需求参数和调整率;
对样本数据组中的每个样本(i,d),计算预测数据向量k;
将预测数据向量k中的元素yk与标准数据向量i的实际数值d中的元素kd进行比较,计算误差;
基于误差计算结果计算各权值和偏置的增量;
根据各权值和偏置的增量更新机器学习算法中的各权值和偏置;
判断误差计算结果是否满足精度控制参数,如不满足则返回重新迭代,若满足则保存当前的权值和偏置。
作为优选实施方式,所述对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性的方法具体为:
将预测性能数据和实时运行性能数据的误差结果转换为混淆矩阵:
其中,Aa表示预测性能数据和实时运行性能数据均有误差的结果数量,Ba表示预测性能数据有误差和实时运行性能数据无误差的结果数量,Ab表示预测性能数据无误差和实时运行性能数据有误差的结果数量,Bb表示预测性能数据和实时运行性能数据均无误差的结果数量;
基于上述混淆矩阵构建以下准确性判断公式,包括:
预测准确率公式:
预测精确率公式:
预测灵敏度公式:
预测特异度公式:
通过上述公式和混淆矩阵计算出相应的预测准确率、预测精确率、预测灵敏度和预测特异度,根据计算结果衡量预测性能数据的准确性。
另一方面,本发明还提供一种电压互感器运行性能变化趋势预测系统,包括:
存储模块,用于预存储目标电压互感器在标准工作状态下工作时的标准性能数据;
采集模块,用于采集目标电压互感器的实时运行性能数据并存储;
数据选择模块,用于对存储的实时运行性能数据进行随机选择处理;
预处理模块,用于对随机选择出的实时运行性能数据进行预处理,包括数据筛选、数据恢复、丢弃、填充、替换以及去重操作;
预测模块,用于基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据;
判断模块,用于对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性;
优化模块,用于基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整,优化预测性能。
再一方面,本发明还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的电压互感器运行性能预测方法。
再一方面,本发明还提供一种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如本发明任一实施例所述的电压互感器运行性能预测方法。
本发明具有如下有益效果:
本发明一种电压互感器运行性能预测方法,通过采集电压互感器的实时运行性能数据并存储,对存储的数据进行随机选取,并进行预处理操作,电压互感器下一工作状态下的性能数据进行预测,同时将预测性能数据与标准数据进行对比从而判断电压互感器的工作性能,将预测性能数据和实时性能数据进行判断,从而判断预测准确性,同时输出预测数据、实时数据、标准数据以及判断结果,工作人员可以根据预测结果的准确性去判断是否需要进行数据调整,通过机器学习算法不断学习调整可以实现对预测性能数据准确性的不断调整,从而实现预测结果更加靠近准确数据,可以提高预测结果准确性,从而实现对电压互感器性能的预测
附图说明
图1为本发明实施例的方法流程示意图。
具体实施方式
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,所描述的实施例仅仅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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
参见图1,一种电压互感器运行性能预测方法,包括以下步骤:
S100、预存储目标电压互感器在标准工作状态下工作时的标准性能数据,性能数据包括但不限于电网的额定电压、二次侧额定电压等;
S200、采集目标电压互感器的实时运行性能数据并存储;
S300、对存储的实时运行性能数据进行随机选择处理;
S400、对随机选择出的实时运行性能数据进行预处理,包括数据筛选、数据恢复、丢弃、填充、替换以及去重操作;
S500、基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据;
S600、对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性;
S700、基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整,优化预测性能。
基于本实施例,本发明通过采集电压互感器的实时运行性能数据并存储,对存储的数据进行随机选取,并进行预处理操作,电压互感器下一工作状态下的性能数据进行预测,同时将预测性能数据与标准数据进行对比从而判断电压互感器的工作性能,将预测性能数据和实时性能数据进行判断,从而判断预测准确性,同时输出预测数据、实时数据、标准数据以及判断结果,工作人员可以根据预测结果的准确性去判断是否需要进行数据调整,通过机器学习算法不断学习调整可以实现对预测性能数据准确性的不断调整,从而实现预测结果更加靠近准确数据,可以提高预测结果准确性,从而实现对电压互感器性能的预测。
作为本实施例的优选实施方式,在所述对随机选择出的实时运行性能数据进行预处理步骤中,所述数据筛选步骤包括初步筛选、阈值筛选和质量控制筛选三个步骤;其中:
所述初步筛选用于筛选误差大于预设范围的数据;
阀值筛选是指设置某些电压互感器性能参数临界值,对超出临界值的电压互感器性能参数进行筛选的方法,具体为:
设定临界阈值计算公式为:
xmax=x0+3f(T);
其中xmax为电压互感器性能参数的临界阈值,x0为电压互感器性能参数的基本限值,T为数据的采样间隔,f()为电压互感器性能参数流参数均方根误差与采样间隔T的拟合函数;
将小于临界阈值的实时运行性能数据筛除;
质量控制筛选,质量控制筛选是指电压互感器性能参数数据在时间上具有一定的连贯性,即一定时间段内的电压互感器性能参数不会出现突变,如果某一采样间隔的电压互感器性能参数数据出现突变,则可以认为该组电压互感器性能参数出现异常情况,方法具体为:
构造多元质量控制的指标公式为:
其中,I为多元数据质量控制的指标,mqn、mνn、mon分别为n个采样间隔电网的额定电压q、二次侧额定电压ν和电压互感器误差o的均值,sqn、sνn、son分别为电网的额定电压q、二次侧额定电压ν和电压互感器误差o的标准差;
当一随机选择出的实时运行性能数据中的性能参数q、ν和o计算出的指标I大于1时,认为该实时运行性能数据是异常的,予以剔除;否则认为该实时运行性能数据则是正常的,进行保留。
作为本实施例的优选实施方式,在所述对随机选择出的实时运行性能数据进行预处理步骤中,对在数据筛除步骤中认为是异常数据的实时运行性能数据进行基于时间序列的数据恢复,基于时间序列的数据恢复方法,时间序列的数据预测方法从本质上来说都应该适合电压互感器性能参数的恢复,但是考虑到电压互感器性能参数的实时性、随机性和海量性,需要很强的在线处理能力,因此具体计算公式设置为如下:
其中为异常数据的恢复值,xi-k为前k个采样间隔的实时运行性能数据,βi-k为相应的权重系数,且Σβ=1;k为平滑恢复采用的采样间隔宽度;基于时间序列的数据恢复方法主要适合于孤立异常数据的恢复,对于连续多个异常数据,方法的误差会大大增加。因此,当连续异常数据过多时,该方法就不适用。
作为本实施例的优选实施方式,在所述对随机选择出的实时运行性能数据进行预处理步骤中,对在数据筛除步骤中认为是异常数据的实时运行性能数据进行基于时空相关性的数据恢复,基于时空相关性的数据恢复方法是通过建立任意检测器数据与其他检测器数据在时空上的关联模型,进而通过其他检测器数据对存在异常的数据进行恢复,根据数据回归模型,考虑二元回归及中值鲁棒特性,建立数据恢复公式如下:
其中,为与位置j相关的检测器m和n对位置j异常数据的数据恢复值;γ1、γ2和γ3为回归方程系数,xi(m)和xi(n)为检测器m和检测器n所在位置的实时运行性能数据,为最终数据恢复值,最终数据恢复值为通过建立多个预测模型得到的多个回归方程的数据恢复值的中值,采用中值鲁棒特性的模型,可以避免部分检测器数据异常与丢失对最终恢复结果的影响,提高方法抗干扰能力。
基于以上实施例提供的数据恢复方法,本发明可以将采集的电压互感器性能参数中存在的误差较大的数据,恢复至相对正确的数值,从而保证预测结果的准确性。
作为本实施例的优选实施方式,所述基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据的方法具体为:
基于标准性能数据得到标准数据向量i=[i1,i2,……,iN],基于预处理后的实时运行性能数据得到测量数据向量j=[j1,j2,……,jL],标准数据向量i的实际数值为d=[d1、d2、……、dM];
通过下式进行预测性能数据预测:
其中,Vij为从标准数据向量i到测量数据向量j的权值,Wjk为测量数据向量j到预测数据向量k的权值;λ和μ分别表示测量数据向量j和预测数据向量k的偏置;f(*)为激励函数,hj和yk的取值范围为(0,1);
得到预测数据向量k=[k1,k2,……,kM]。
作为本实施例的优选实施方式,所述基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整的方法具体为:
选定数据,随机选取若干个样本放入训练集,每一样本包含一对相应的标准数据向量i和标准数据向量i的实际数值;
将机器学习算法中的各权值和偏置初始化为随机值,同时设定调整参数、精度需求参数和调整率;
对样本数据组中的每个样本(i,d),计算预测数据向量k;
将预测数据向量k中的元素yk与标准数据向量i的实际数值d中的元素kd进行比较,计算误差;
基于误差计算结果计算各权值和偏置的增量;
根据各权值和偏置的增量更新机器学习算法中的各权值和偏置;
判断误差计算结果是否满足精度控制参数,如不满足则返回重新迭代,若满足则保存当前的权值和偏置。
作为本实施例的优选实施方式,所述对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性的方法为把预测结果简化成二分类问题,并通过混淆矩阵进行评测,具体为:
将预测性能数据和实时运行性能数据的误差结果转换为混淆矩阵:
即:
其中,Aa表示预测性能数据和实时运行性能数据均有误差的结果数量,Ba表示预测性能数据有误差和实时运行性能数据无误差的结果数量,Ab表示预测性能数据无误差和实时运行性能数据有误差的结果数量,Bb表示预测性能数据和实时运行性能数据均无误差的结果数量;
通常混淆矩阵中Aa与Bb的数量越大,Ba与Ab的数量越小表示预测效果越好。但是混淆矩阵的数据很难衡量模型的好坏,因本实施例基于上述混淆矩阵构建以下准确性判断公式,包括:
预测准确率公式:
通过预测准确率的大小可以表示学习系统经过学习后预测的准确率,准确率数字越大代表系统预测结果更准确。
预测精确率公式:
通过预测精确率的大小可以表示学习系统经过学习后预测的精确率,学习系统通过不断的学习不断地高预测的精确率。
预测灵敏度公式:
预测特异度公式:
通过上述公式和混淆矩阵计算出相应的预测准确率、预测精确率、预测灵敏度和预测特异度,根据计算结果衡量预测性能数据的准确性。
实施例二:
本实施例提供一种电压互感器运行性能变化趋势预测系统,包括:
存储模块,用于预存储目标电压互感器在标准工作状态下工作时的标准性能数据;该模块用于实现实施例一中步骤S100的功能,在此不再赘述;
采集模块,用于采集目标电压互感器的实时运行性能数据并存储;该模块用于实现实施例一中步骤S200的功能,在此不再赘述;
数据选择模块,用于对存储的实时运行性能数据进行随机选择处理;该模块用于实现实施例一中步骤S300的功能,在此不再赘述;
预处理模块,用于对随机选择出的实时运行性能数据进行预处理,包括数据筛选、数据恢复、丢弃、填充、替换以及去重操作;该模块用于实现实施例一中步骤S400的功能,在此不再赘述;
预测模块,用于基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据;该模块用于实现实施例一中步骤S500的功能,在此不再赘述;
判断模块,用于对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性;该模块用于实现实施例一中步骤S600的功能,在此不再赘述;
优化模块,用于基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整,优化预测性能;该模块用于实现实施例一中步骤S700的功能,在此不再赘述。
实施例三:
本实施例提出一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如本发明任一实施例所述的电压互感器运行性能变化趋势预测方法。
实施例四:
本实施例提出一种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如本发明任一实施例所述的电压互感器运行性能变化趋势预测方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
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、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-OnlyMemory;以下简称:ROM)、随机存取存储器(RandomAccessMemory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电压互感器运行性能预测方法,其特征在于,包括以下步骤:
预存储目标电压互感器在标准工作状态下工作时的标准性能数据;
采集目标电压互感器的实时运行性能数据并存储;
对存储的实时运行性能数据进行随机选择处理;
对随机选择出的实时运行性能数据进行预处理,包括数据筛选、数据恢复、丢弃、填充、替换以及去重操作;
基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据;
对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性;
基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整,优化预测性能。
2.根据权利要求1所述的一种电压互感器运行性能预测方法,其特征在于,在所述对随机选择出的实时运行性能数据进行预处理步骤中,所述数据筛选步骤包括初步筛选、阈值筛选和质量控制筛选三个步骤;其中:
所述初步筛选用于筛选误差大于预设范围的数据;
阀值筛选的方法具体为:
设定临界阈值计算公式为:
xmax=x0+3f(T);
其中xmax为电压互感器性能参数的临界阈值,x0为电压互感器性能参数的基本限值,T为数据的采样间隔,f()为电压互感器性能参数流参数均方根误差与采样间隔T的拟合函数;
将小于临界阈值的实时运行性能数据筛除;
质量控制筛选的方法具体为:
构造多元质量控制的指标公式为:
其中,I为多元数据质量控制的指标,mqn、mνn、mon分别为n个采样间隔电网的额定电压q、二次侧额定电压ν和电压互感器误差o的均值,sqn、sνn、son分别为电网的额定电压q、二次侧额定电压ν和电压互感器误差o的标准差;
当一随机选择出的实时运行性能数据中的性能参数q、ν和o计算出的指标I大于1时,认为该实时运行性能数据是异常的,予以剔除;否则认为该实时运行性能数据则是正常的,进行保留。
5.根据权利要求1所述的一种电压互感器运行性能预测方法,其特征在于,所述基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据的方法具体为:
基于标准性能数据得到标准数据向量i=[i1,i2,……,iN],基于预处理后的实时运行性能数据得到测量数据向量j=[j1,j2,……,jL],标准数据向量i的实际数值为d=[d1、d2、……、dM];
通过下式进行预测性能数据预测:
其中,Vij为从标准数据向量i到测量数据向量j的权值,Wjk为测量数据向量j到预测数据向量k的权值;λ和μ分别表示测量数据向量j和预测数据向量k的偏置;f(*)为激励函数,hj和yk的取值范围为(0,1);
得到预测数据向量k=[k1,k2,……,kM]。
6.根据权利要求5所述的一种电压互感器运行性能预测方法,其特征在于,所述基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整的方法具体为:
选定数据,随机选取若干个样本放入训练集,每一样本包含一对相应的标准数据向量i和标准数据向量i的实际数值;
将机器学习算法中的各权值和偏置初始化为随机值,同时设定调整参数、精度需求参数和调整率;
对样本数据组中的每个样本(i,d),计算预测数据向量k;
将预测数据向量k中的元素yk与标准数据向量i的实际数值d中的元素kd进行比较,计算误差;
基于误差计算结果计算各权值和偏置的增量;
根据各权值和偏置的增量更新机器学习算法中的各权值和偏置;
判断误差计算结果是否满足精度控制参数,如不满足则返回重新迭代,若满足则保存当前的权值和偏置。
7.根据权利要求1所述的一种电压互感器运行性能预测方法,其特征在于,所述对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性的方法具体为:
将预测性能数据和实时运行性能数据的误差结果转换为混淆矩阵:
其中,Aa表示预测性能数据和实时运行性能数据均有误差的结果数量,Ba表示预测性能数据有误差和实时运行性能数据无误差的结果数量,Ab表示预测性能数据无误差和实时运行性能数据有误差的结果数量,Bb表示预测性能数据和实时运行性能数据均无误差的结果数量;
基于上述混淆矩阵构建以下准确性判断公式,包括:
预测准确率公式:
预测精确率公式:
预测灵敏度公式:
预测特异度公式:
通过上述公式和混淆矩阵计算出相应的预测准确率、预测精确率、预测灵敏度和预测特异度,根据计算结果衡量预测性能数据的准确性。
8.一种电压互感器运行性能变化趋势预测系统,其特征在于,包括:
存储模块,用于预存储目标电压互感器在标准工作状态下工作时的标准性能数据;
采集模块,用于采集目标电压互感器的实时运行性能数据并存储;
数据选择模块,用于对存储的实时运行性能数据进行随机选择处理;
预处理模块,用于对随机选择出的实时运行性能数据进行预处理,包括数据筛选、数据恢复、丢弃、填充、替换以及去重操作;
预测模块,用于基于预处理后的实时运行性能数据以及标准性能数据,采用预测算法预测目标电压互感器在下一时刻的预测性能数据;
判断模块,用于对预测性能数据和实时运行性能数据进行比对,判断预测性能数据的准确性;
优化模块,用于基于预测性能数据的准确性采用机器学习算法不断对预测算法的参数进行调整,优化预测性能。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在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程序时实现如权利要求1至7任一项所述的电压互感器运行性能预测方法。
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,该程序被处理器执行时实现如权利要求1至7任一项所述的电压互感器运行性能预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310100788.2A CN116184298A (zh) | 2023-02-07 | 2023-02-07 | 一种电压互感器运行性能预测方法、系统、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310100788.2A CN116184298A (zh) | 2023-02-07 | 2023-02-07 | 一种电压互感器运行性能预测方法、系统、设备和介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116184298A true CN116184298A (zh) | 2023-05-30 |
Family
ID=86445708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310100788.2A Pending CN116184298A (zh) | 2023-02-07 | 2023-02-07 | 一种电压互感器运行性能预测方法、系统、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116184298A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949886A (zh) * | 2024-03-27 | 2024-04-30 | 国网山西省电力公司营销服务中心 | 互感器校验仪智能调控方法、系统、电子设备及存储介质 |
-
2023
- 2023-02-07 CN CN202310100788.2A patent/CN116184298A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117949886A (zh) * | 2024-03-27 | 2024-04-30 | 国网山西省电力公司营销服务中心 | 互感器校验仪智能调控方法、系统、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107765347B (zh) | 一种高斯过程回归和粒子滤波的短期风速预测方法 | |
CN116184298A (zh) | 一种电压互感器运行性能预测方法、系统、设备和介质 | |
Brooks | Quantitative convergence assessment for Markov chain Monte Carlo via cusums | |
CN107038460A (zh) | 一种基于改进knn的船舶监控数据缺失值填补方法 | |
CN110466381A (zh) | 充电桩状态的评估方法 | |
CN111680870A (zh) | 目标运动轨迹质量综合评估方法 | |
CN108549908A (zh) | 基于多采样概率核主成分模型的化工过程故障检测方法 | |
CN109919229A (zh) | 基于人工蜂群和神经网络的监测有害气体预测方法及系统 | |
CN113050019A (zh) | 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 | |
AU2017294523B2 (en) | An improved system for estimating water flows at the boundaries of a sub-network of a water distribution network | |
CN109212631B (zh) | 一种考虑通道相关的卫星观测资料三维变分同化方法 | |
CN109946424A (zh) | 基于人工蜂群和神经网络的气体标定分类方法及系统 | |
CN110852906B (zh) | 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统 | |
CN115657754A (zh) | 一种提高变频加热温度控制精度的方法及系统 | |
CN111680398A (zh) | 一种基于Holt-Winters模型的单机性能退化预测方法 | |
CN118211103B (zh) | 一种海洋温盐深传感器的数据校正方法 | |
CN112380992A (zh) | 一种加工过程监控数据准确性评估与优化方法及装置 | |
CN117171702A (zh) | 一种基于深度学习的多模态电网故障检测方法和系统 | |
CN113424119A (zh) | 作业效率评价方法、作业效率评价装置以及程序 | |
CN101916394A (zh) | 一种基于知识融合的在线软测量方法 | |
CN118172910A (zh) | 基于卷积神经网络的煤矿架空乘人装置安全预警系统 | |
CN117553840A (zh) | 一种基于智能化管理的仪表及其系统 | |
CN117335409B (zh) | 基于人工智能的电力用户负荷预测系统 | |
CN116029220B (zh) | 一种电压互感器运行误差评估方法、系统、设备及介质 | |
CN115144807B (zh) | 差分滤噪和载流分级的电流互感器在线评估方法、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 |