CN116736214A - 一种cvt稳定性评估方法和系统 - Google Patents
一种cvt稳定性评估方法和系统 Download PDFInfo
- Publication number
- CN116736214A CN116736214A CN202310572862.0A CN202310572862A CN116736214A CN 116736214 A CN116736214 A CN 116736214A CN 202310572862 A CN202310572862 A CN 202310572862A CN 116736214 A CN116736214 A CN 116736214A
- Authority
- CN
- China
- Prior art keywords
- cvt
- sample
- stability
- expressed
- component signal
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000013210 evaluation model Methods 0.000 claims abstract description 15
- 238000012423 maintenance Methods 0.000 claims abstract description 14
- 238000000034 method Methods 0.000 claims description 26
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000013097 stability assessment Methods 0.000 claims description 13
- 238000005311 autocorrelation function Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 10
- 238000001514 detection method Methods 0.000 claims description 9
- 238000007635 classification algorithm Methods 0.000 claims description 7
- 238000005314 correlation function Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000010219 correlation analysis Methods 0.000 claims description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003313 weakening effect Effects 0.000 claims description 2
- 230000002159 abnormal effect Effects 0.000 abstract description 4
- 238000012806 monitoring device Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 32
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 241000601180 Clematis villosa Species 0.000 description 2
- 230000004075 alteration Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
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
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Complex Calculations (AREA)
Abstract
本发明为一种CVT稳定性评估方法和系统,通过历史运维数据,获取样本CVT的稳定性状态,利用在线监测装置采集各稳定性状态下对应的样本CVT二次电压数据,通过对获取的二次电压数据进行处理分离出误差波动成分,基于误差波动成分提取信号的特征参数,利用特征参数构建并获得稳定性评估模型,进行CVT的稳定性判断,达到提升CVT异常状态的评估准确度的目的,提升CVT在线状态评估的准确性。
Description
技术领域
本发明涉及输配电设备状态评估与故障诊断领域,主要涉及一种CVT稳定性评估方法和系统。
背景技术
CVT因其造价成本低、绝缘性能好,广泛应用于110kV及以上变电站中,是电网状态监控、继电保护、电能计量的数据来源,其测量准确度直接影响电网的安全稳定和经济运行。
但CVT长期运行后易出现状态偏移,传统的周期检定法由于变电站停电困难,且检定工作量巨大,实际工作中保证所有互感器按期停电检定的难度很高,导致运行中的超差CVT难以被及时发现,极易引发贸易纠纷。因此,迫切需要开展不停电、无标准互感器条件下的电压互感器运行稳定性评估,以指导互感器的维修、更换。
如CN111537939A《一种基于多指标融合的电压互感器状态评估方法及装置》中,公开了“一种基于多指标融合的电压互感器在线运行误差状态评估方法及装置,首先,根据电压互感器的实时运行信息提炼出状态评估指标并建立状态评估体系;其次,建立状态评估指标数学模型,获取各指标评分值;然后,对状态评估指标的评估结果进行聚类分析,得到各状态评估指标的评判向量并合成初始状态评判矩阵;再然后,采用层次分析法确定各状态评估指标权重,解决指标间的差异;最后,融合计算综合状态评判矩阵,得到电压互感器的评估结果”,该发明能够在不依赖标准互感器和不停电运行的前提下,对电压互感器的在线运行误差状态进行有效评估,但该发明中各类状态评估指标所体现出的互感器误差程度有所差异,例如有的指标衡量的是渐变误差,有的指标衡量的是突变误差,根据所述指标评判出的CVT告警、异常状态存在模糊边界划判问题,无法从根源层面提升当前互感器状态评估能力,上述发明对于互感器状态评估的准确性不足。
发明内容
为了解决现有技术所存在的上述问题,本申请提供了一种CVT稳定性评估方法和系统。
本申请的技术方案如下:
一种CVT稳定性评估方法,包括以下步骤:
通过历史运维数据,获取样本CVT的稳定性状态,以及采集各稳定性状态下对应的样本CVT的二次电压数据;
根据样本CVT的二次电压数据获得误差波动成分信号;
基于误差波动成分信号计算样本CVT信号的特征参量;
基于提取的特征参量构建用于评价CVT的稳定性的模型,采用SVM分类算法对上述模型进行参数寻优并获得稳定性评估模型;
利用稳定性评估模型对待评估的CVT进行稳定性评估,获得对应评估结果。
优选的,所述历史运维数据为样本CVT的停电检测数据,通过历史运维数据,获取样本CVT的稳定性状态具体为:
通过样本CVT的停电检测数据与标准CVT的正常运行检测数据之间的差值对比获得样本CVT停电误差,根据历史经验自定义稳定性状态分级阈值,通过样本CVT停电误差在阈值范围的划分确定样本CVT的稳定性状态。
优选的,根据样本CVT的二次电压数据获得误差波动成分信号具体为:
采集的各稳定性状态下对应的样本CVT的二次电压数据以公式表达为:
U2=k1U1e+k1Ns+k1I+ε;
利用自相关函数定位样本CVT二次输出电压时间序列中的非平稳成分,以公式表达为:
式中,R(T)为自相关函数,U2(t)为t时刻的二次信号电压值,U2(t-K)为t-k时刻的二次信号电压值,U2为样本CVT的二次输出电压,K为延迟时间,k1为样本CVT的额定变比,U1e为额定一次电压,Ns为非平稳成分,I为随机波动成分,ε为样本CVT的误差;
根据自相关函数的相关性对样本CVT的二次输出电压时间序列进行差分计算,削弱非平稳波动,以公式表达为:
△U2=k1△Ns+k1△I+△ε;
其中:
△U2=U2(t+△K)-U2(t);
△I=I(t+△K)-I(t);
△ε=ε(t+△K)-ε(t);
采用集合经验模态分解法对非平稳削弱后的△U2序列进行分解获得分量,通过互相关函数对分量进行分析,定位随机波动成分,以公式表达为:
式中,△U2 (θ)为第θ台样本CVT的非平稳削弱后的二次输出电压时间序列,ci (θ)为第θ台样本CVT的第i个分量的本征模态函数,rn (θ)为第θ台样本CVT的残余项;
采用互相关函数对分量进行相关性分析获得相关性分量数据集,以公式表达为:
式中,Hi θφ表示第θ台样本CVT的第i个分量和第φ台样本CVT的第i个分量的相关性大小,表示为第θ台样本CVT的第i个分量第a个采样点幅值;
设定相关性阈值δ',定位相关性大于δ'的分量为随机成分,进行剔除,选择相关性分量数据集中相关性小于等于相关性阈值δ'的分量进行叠加重构,获得误差波动成分信号S,其中,S={s1,s2,…sa,…sA}。
优选的,基于误差波动成分信号计算样本CVT的能量特征,以公式表达为:
式中,E(t)为误差波动成分信号在t时刻的短时能量,w(t)为滑动窗函数;
根据短时能量计算误差波动成分信号的总能量以公式表达为:
优选的,基于误差波动成分信号计算样本CVT的平稳性特征,以公式表达为:
式中,W为误差波动成分信号的序列方差,sα为误差波动成分信号第a个点的波动幅值,为误差波动成分信号的序列平均数。
优选的,基于误差波动成分信号计算样本CVT的复杂度特征,具体为:
用Lempel-Ziv复杂度算法获得样本CVT的复杂度特征数值,以公式表达为:
式中,z为误差波动成分信号中元素的个数,CA()为循环A次后的复杂度,CaA为CA()的归一化指标。
优选的,基于误差波动成分信号计算样本CVT的距离特征,具体为:
将重构前的误差波动成分信号分量构建矩阵M,以公式表达为:
式中,n为重构前的误差波动成分信号的分量数,cn,A为重构前的误差波动成分信号分量中第n个分量的第A个测量点的幅值;
计算矩阵M的特征值λ0,基于当前时刻的特征值与前N个时段的特征值计算平均距离,以公式表达为:
式中,De为距离特征,为当前时刻的特征值λ0与第/>个时间段的特征值之间的欧氏距离。
优选的,基于提取的特征参量构建用于评价CVT的稳定性的模型,具体为:
定义特征参量为Xj=xj1,xj2,xj3,xj4],式中xj1为第j台CVT的能量特征,xj2为第j台CVT的平稳性特征,xj3为j台CVT的复杂度特征,xj4为j台CVT的距离特征;
对特征参量进行标准化处理,包括引入软间隔和惩罚项,以公式表达为:
式中,ω为权重,b为阈值,C为惩罚系数,ξj为松弛因子;
构造分类函数,以公式表达为:
式中,aj为支持向量,K(Xj,Xβ)为核函数,以公式表达为:
K(Xj,Xβ)=τ·KRBF+(1-τ)·Kpoly;
式中,τ为核函数的权重系数,β为样本数,β=1,2,…,m;
KRBF为高斯核函数,以公式表达为:
式中,σ为径向基半径,Xj为第i个样本数据;
Kpoly为多项式核函数,以公式表达为:
Kpoly(Xj,Xβ)=((Xj·Xβ)+q)θ;
式中,q与θ分别为多项式核函数的常数参数与指数参数。
优选的,采用SVM分类算法对用于评价CVT的稳定性的模型进行参数寻优并获得稳定性评估模型具体为:
采用DOA算法,构造自适应调整控制因子,根据控制因子选择不同的搜索策略对模型参数进行寻优完成模型的训练,所述控制因子以公式表达为:
式中,g为当前迭代次数,G为最大迭代次数,Pmax、Pmin分别是控制因子的最大值与最小值,为当前个体,v为种群数,Ubest为当前种群最优个体,Uworst为当前种群最差个体。
本申请还提供了一种CVT稳定性评估系统,所述CVT稳定性评估系统包括数据采集模块、处理模块及评估模块,其中:
所述数据采集模块用于通过历史运维数据,获取样本CVT的稳定性状态,以及采集各稳定性状态下对应的样本CVT的二次电压数据;
所述处理模块与数据采集模块电连接,用于根据样本CVT的二次电压数据获得误差波动成分信号,基于误差波动成分信号计算样本CVT信号的特征参量;
所述评估模块与处理模块电连接,内部基于提取的特征参量构建有用于评价CVT的稳定性的模型,所述模型采用SVM分类算法进行参数寻优并获得稳定性评估模型,利用所述稳定性评估模型对待评估的CVT进行稳定性评估获得对应评估结果。
与现有技术相比,本发明的有益效果是:
本发明提供了一种CVT稳定性评估方法和系统,所述方法通过历史运维数据,获取样本CVT的稳定性状态,利用在线监测装置采集各稳定性状态下对应的样本CVT二次电压数据,通过对获取的二次电压数据进行处理分离出误差波动成分,基于误差波动成分提取信号的特征参数,利用特征参数构建并获得稳定性评估模型,进行CVT的稳定性判断,达到提升CVT异常状态的评估准确度的目的,提升CVT在线状态评估的准确性。
附图说明
图1是本发明实施例的方法流程图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
本发明提供以下技术方案:一种CVT稳定性评估方法和系统。
实施例1
本实施例提供了一种CVT稳定性评估方法,包括以下步骤:
S1、通过历史运维数据,获取样本CVT的稳定性状态,利用在线监测装置采集各稳定性状态下对应的样本CVT的二次电压数据;
S11、所述历史运维数据为样本CVT的停电检测数据,通过样本CVT的停电检测数据与标准CVT的正常运行检测数据之间的差值对比获得样本CVT停电误差,根据历史经验自定义稳定性状态分级阈值,通过样本CVT停电误差在阈值范围的划分确定样本CVT的稳定性状态;
S111、在本实施例中,设δ1、δ2、δ3为状态分级阈值,如下表1所示,基于样本CVT停电误差δ在阈值范围内的划分确定样本CVT的稳定性状态:
表1基于样本CVT误差的稳定性评估表
阈值范围 | 稳定性状态 |
δ≤δ1 | 稳定 |
δ1<δ≤δ2 | 轻度不稳 |
δ2<δ≤δ3 | 中度不稳 |
δ3<δ | 重度不稳 |
S2、根据样本CVT的二次电压数据获得误差波动成分信号;
S21、样本CVT的二次输出电压的波动主要由一次电压波动(非平稳成分Ns、随机波动成分I)、CVT自身误差ε引起,以公式表达为:
U2=k1U1e+k1Ns+k1I+ε;
为了削弱一次电压中非平稳成分对互感器稳定性评估的影响,利用自相关函数与差分方法对二次输出电压时间序列进行处理。由于非平稳成分存在特定的趋势变化规律,其前后时刻具有很强的相关性,而随机波动成分与CVT误差没有特定的趋势变化规律,前后时刻相关性很弱,几乎为0,因此,采用自相关函数的极大值可体现出U2中的非平稳成分Ns,通过自相关函数找到极大值,以定位到二次电压输出时间序列中的非平稳成分,定位到K延迟时间后,以公式表达为:
上述两式中,R(T)为自相关函数,U2(t)为t时刻的二次信号电压值,U2(t-K)为t-k时刻的二次信号电压值,U2为样本CVT的二次输出电压,K为延迟时间,k1为样本CVT的额定变比,U1e为额定一次电压,Ns为非平稳成分,I为随机波动成分,ε为样本CVT的误差;
对于固定长度的时间序列,相关性体现在极大值间距△K,此时Ns(t+△K)与Ns(t)的变化基本一致,根据自相关函数的相关性,将△K作为差分间距对二次输出电压进行差分计算,削弱非平稳波动,使时间序列呈现平稳分布特征,以公式表达为:
△U2=k1△Ns+k1△I+△ε;
其中:
△U2=U2(t+△K)-U2(t);
△I=I(t+△K)-I(t);
△ε=ε(t+△K)-ε(t);
S22、变电站内通常多台CVT连接到变电站中的同一传输线、母线和电力变压器的同一相,因此,同一测量点处的CVT的二次输出包含的一次电压波动基本一致,即k1△Ns+k1△I基本相等。对L台同相CVT的二次输出平稳序列△U2进行进一步分解,采用集合经验模态分解法对非平稳削弱后的△U2序列进行分解获得分量,通过互相关函数对分量进行分析,定位随机波动成分,以公式表达为:
式中,△U2 (θ)为第θ台样本CVT的非平稳削弱后的二次输出电压时间序列,ci (θ)为第θ台样本CVT的第i个分量的本征模态函数,rn (θ)为第θ台样本CVT的残余项;
则CVT的二次输出平稳序列△U2可表示为若干个本征模态函数ci和残余项rn之和,因同一时刻L台CVT的一次电压波动基本一致,采用互相关函数对分量进行相关性分析获得相关性分量数据集,以公式表达为:
式中,Hi θφ表示第θ台样本CVT的第i个分量和第φ台样本CVT的第i个分量的相关性大小,表示为第θ台样本CVT的第i个分量第a个采样点幅值;
S23、设定相关性阈值δ',定位相关性大于δ'的分量为随机成分,进行剔除,选择相关性分量数据集中相关性小于等于相关性阈值δ'的分量进行叠加重构,获得误差波动成分信号S,其中,S={s1,s2,…sa,…sA},a=1,2,3,…,A。
S3、基于误差波动成分信号计算样本CVT信号的特征参量,其中,所述特征参量包括能量特征、平稳性特征、复杂度特征及距离特征;
S31、对于CVT状态来说,若状态正常,则能量很小,若状态异常,则能量值会存在显著增大。因此,考虑采用能量特征作为状态评价指标之一,基于误差波动成分信号计算样本CVT的能量特征,以公式表达为:
式中,E(t)为误差波动成分信号在t时刻的短时能量,w(t)为滑动窗函数,在本实施例中,w(t)为海明窗函数;
根据短时能量计算误差波动成分信号的总能量以公式表达为:
S32、基于误差波动成分信号计算样本CVT的平稳性特征,以公式表达为:
式中,W为误差波动成分信号的序列方差,sα为误差波动成分信号第a个点的波动幅值,为误差波动成分信号的序列平均数;
S33、Lempel-Ziv指标是一种衡量有限时间序列复杂程度的高效工具,该指标可用于评价不同故障状态的变化,是表征不同故障状态的有效参数,用Lempel-Ziv复杂度算法获得样本CVT的复杂度特征数值,本实施例中的误差波动成分信号的Lempel-Ziv数值可按CA(r)(r≤A)经过A次循环得到,具体计算步骤如S331:
S331、初始化Sv,0={},Q0={},CA(0)=0;
r=1,令Qr={Qr-1sr},由于Qr不属于Sv,r-1,则CA(r)=CA(r-1)+1,Qr={},r=r+1;
令Qr={Qr-1sr},判断Qr是否属于Sv,r-1={Sv,r-2sr-1},若属于,则CA(r)=CA(r-1),r=r+1,重复该步骤;若不属于,则CA(r)=CA(r-1)+1,Qr={},r=r+1,重复该步骤;
步骤S331出于对数据严格的可比性考虑,通过归一化基准公式,将CA数值界定在[0,1]之间,以公式表达为:
式中,z为误差波动成分信号中元素的个数,CA(A)为循环A次后的复杂度,CaA为CA(A)的归一化指标;
S34、将误差波动成分信号分量构建矩阵M,以公式表达为:
式中,n为误差波动成分信号的分量数,cn,A为误差波动成分信号分量中第n个分量的第A个测量点的幅值;
当CVT状态发生变化时,矩阵的特征值分布也将随之变化,计算矩阵M的特征值λ0;
计算当前时间节点前的N个时间段构建当前时刻矩阵,计算其特征值
基于当前时刻的特征值与前N个时段的特征值计算平均距离,以公式表达为:
式中,De为距离特征,为当前时刻的特征值λ0与第/>个时间段的特征值之间的欧氏距离。
S4、基于提取的特征参量构建用于评价CVT的稳定性的模型,采用DOA-SVM分类学习算法对上述模型进行参数寻优并获得稳定性评估模型;
S41、定义特征参量为Xj=[xj1,xj2,xj3,xj4],式中xj1为第j台CVT的能量特征,xj2为第j台CVT的平稳性特征,xj3为j台CVT的复杂度特征,xj4为j台CVT的距离特征;
S42、对特征参量进行标准化处理,基于样本的特征参量,采用SVM模型寻求一个能将不同类别样本完全分开的最优超平面,考虑到数据中的离群点会严重影响SVM的分类性能,为使模型更加稳健,引入软间隔和惩罚项,以公式表达为:
式中,ω为权重,b为阈值,C为惩罚系数,ξj为松弛因子;
SVM另一个重要部分为核函数及其核函数参数,核函数能够帮助SVM处理其不能解决的非线性问题,构造核映射情况下的SVM的分类函数,以公式表达为:
式中,aj为支持向量,K(Xj,Xβ)为核函数,常用的核函数有多项式核函数、高斯径向基核函数和sigmoid核函数。不同的核函数在训练方式上有很大区别,在分类结果上会存在差异,因此,本实施例采用了混合函数对CVT运行稳定性进行判断,以公式表达为:
K(Xj,Xβ)=τ·KRBF+(1-τ)·Kpoly;
式中,τ为核函数的权重系数,β为样本数,β=1,2,…,m;
KRBF为高斯核函数,以公式表达为:
式中,σ为径向基半径,Xj为第i个样本数据;
Kpoly为多项式核函数,以公式表达为:
Kpoly(Xj,Xβ)=((Xj·Xβ)+q)θ;
式中,q与θ分别为多项式核函数的常数参数与指数参数。
SVM分类函数的未知数τ、θ、σ以及惩罚系数C均会对算法的性能造成不同的影响。
S42、采用DOA算法(野犬算法)对模型参数进行寻优,在野犬算法中通过控制因子P选择不同的搜索策略,当λ<P,则执行攻击策略,若λ≥P,则采用食腐行为策略,λ∈[0,1]。采用固定的控制因子P,种群不能有效地朝着首要目标前进,不符合动物群体的社会属性,因此本实施例构造自适应调整控制因子,根据控制因子选择不同的搜索策略对模型参数进行寻优完成模型的训练,所述控制因子以公式表达为:
式中,g为当前迭代次数,G为最大迭代次数,Pmax、Pmin分别是控制因子的最大值与最小值,为当前个体,v为种群数,Ubest为当前种群最优个体,Uworst为当前种群最差个体,R∈[0,1]服从均匀分布,用来控制公式的选择。
S5、利用稳定性评估模型对待评估的CVT进行稳定性评估,获得对应评估结果。
实施例2
一种CVT稳定性评估系统,所述CVT稳定性评估系统包括数据采集模块、处理模块及评估模块,其中:
所述数据采集模块用于通过历史运维数据,获取样本CVT的稳定性状态,以及采集各稳定性状态下对应的样本CVT的二次电压数据;
所述处理模块与数据采集模块电连接,用于根据样本CVT的二次电压数据获得误差波动成分信号,基于误差波动成分信号计算样本CVT信号的特征参量;
所述评估模块与处理模块电连接,内部基于提取的特征参量构建有用于评价CVT的稳定性的模型,所述模型采用SVM分类算法进行参数寻优并获得稳定性评估模型,利用所述稳定性评估模型对待评估的CVT进行稳定性评估获得对应评估结果;
本实施例的CVT稳定性评估系统与实施例1基于相同的发明构思,其余具体的技术手段请参见实施例1,不再赘述。
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。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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。本申请实施例中的方案可以采用各种计算机语言实现,例如,面向对象的程序设计语言Java和直译式脚本语言JavaScript等。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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。
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,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申请范围的所有变更和修改。
显然,本领域的技术人员可以对本申请进行各种改动和变型而不脱离本申请的精神和范围。这样,倘若本申请的这些修改和变型属于本申请权利要求及其等同技术的范围之内,则本申请也意图包含这些改动和变型在内。
Claims (10)
1.一种电容式电压互感器(CVT)稳定性评估方法,其特征在于,包括以下步骤:
通过历史运维数据,获取样本CVT的稳定性状态,以及采集各稳定性状态下对应的样本CVT的二次电压数据;
根据样本CVT的二次电压数据获得误差波动成分信号;
基于误差波动成分信号计算样本CVT信号的特征参量;
基于提取的特征参量构建用于评价CVT的稳定性的模型,采用SVM分类算法对上述模型进行参数寻优并获得稳定性评估模型;
利用稳定性评估模型对待评估的CVT进行稳定性评估,获得对应评估结果。
2.根据权利要求1所述的一种CVT稳定性评估方法,其特征在于,所述历史运维数据为样本CVT的停电检测数据,通过历史运维数据,获取样本CVT的稳定性状态具体为:
通过样本CVT的停电检测数据与标准CVT的正常运行检测数据之间的差值对比获得样本CVT停电误差,根据历史经验自定义稳定性状态分级阈值,通过样本CVT停电误差在阈值范围的划分确定样本CVT的稳定性状态。
3.根据权利要求2所述的一种CVT稳定性评估方法,其特征在于,根据样本CVT的二次电压数据获得误差波动成分信号具体为:
采集的各稳定性状态下对应的样本CVT的二次电压数据以公式表达为:
U2=k1U1e+k1Ns+k1I+ε;
利用自相关函数定位样本CVT二次输出电压时间序列中的非平稳成分,以公式表达为:
式中,R(T)为自相关函数,U2(t)为t时刻的二次信号电压值,U2(t-K)为t-k时刻的二次信号电压值,U2为样本CVT的二次输出电压,K为延迟时间,k1为样本CVT的额定变比,U1e为额定一次电压,Ns为非平稳成分,I为随机波动成分,ε为样本CVT的误差;
根据自相关函数的相关性对样本CVT的二次输出电压时间序列进行差分计算,削弱非平稳波动,以公式表达为:
△U2=k1△Ns+k1△I+△ε;
其中:
△U2=U2(t+△K)-U2(t);
△I=I(t+△K)-I(t);
△ε=ε(t+△K)-ε(t);
采用集合经验模态分解法对非平稳削弱后的△U2序列进行分解获得分量,通过互相关函数对分量进行分析,定位随机波动成分,以公式表达为:
式中,△U2 (θ)为第θ台样本CVT的非平稳削弱后的二次输出电压时间序列,ci (θ)为第θ台样本CVT的第i个分量的本征模态函数,rn (θ)为第θ台样本CVT的残余项;
采用互相关函数对分量进行相关性分析获得相关性分量数据集,以公式表达为:
式中,Hi θφ表示第θ台样本CVT的第i个分量和第φ台样本CVT的第i个分量的相关性大小,表示为第θ台样本CVT的第i个分量第a个采样点幅值;
设定相关性阈值δ',定位相关性大于δ'的分量为随机成分,进行剔除,选择相关性分量数据集中相关性小于等于相关性阈值δ'的分量进行叠加重构,获得误差波动成分信号S,其中,S={s1,s2,…sa,…sA}。
4.根据权利要求3所述的一种CVT稳定性评估方法,其特征在于,基于误差波动成分信号计算样本CVT的能量特征,以公式表达为:
式中,E(t)为误差波动成分信号在t时刻的短时能量,w(t)为滑动窗函数;
根据短时能量计算误差波动成分信号的总能量以公式表达为:
5.根据权利要求4所述的一种CVT稳定性评估方法,其特征在于,基于误差波动成分信号计算样本CVT的平稳性特征,以公式表达为:
式中,W为误差波动成分信号的序列方差,sα为误差波动成分信号第a个点的波动幅值,为误差波动成分信号的序列平均数。
6.根据权利要求5所述的一种CVT稳定性评估方法,其特征在于,基于误差波动成分信号计算样本CVT的复杂度特征,具体为:
用Lempel-Ziv复杂度算法获得样本CVT的复杂度特征数值,以公式表达为:
式中,z为误差波动成分信号中元素的个数,CA()为循环A次后的复杂度,CaA为CA()的归一化指标。
7.根据权利要求6所述的一种CVT稳定性评估方法,其特征在于,基于误差波动成分信号计算样本CVT的距离特征,具体为:
将重构前的误差波动成分信号分量构建矩阵M,以公式表达为:
式中,n为重构前的误差波动成分信号的分量数,cn,A为重构前的误差波动成分信号分量中第n个分量的第A个测量点的幅值;
计算矩阵M的特征值λ0,基于当前时刻的特征值与前N个时段的特征值计算平均距离,以公式表达为:
式中,De为距离特征,为当前时刻的特征值λ0与第/>个时间段的特征值之间的欧氏距离。
8.根据权利要求7所述的一种CVT稳定性评估方法,其特征在于,基于提取的特征参量构建用于评价CVT的稳定性的模型,具体为:
定义特征参量为Xj=xj1,xj2,xj3,xj4],式中xj1为第j台CVT的能量特征,xj2为第j台CVT的平稳性特征,xj3为j台CVT的复杂度特征,xj4为j台CVT的距离特征;
对特征参量进行标准化处理,包括引入软间隔和惩罚项,以公式表达为:
式中,ω为权重,b为阈值,C为惩罚系数,ξj为松弛因子;
构造分类函数,以公式表达为:
式中,aj为支持向量,K(Xj,Xβ)为核函数,以公式表达为:
K(Xj,Xβ)=τ·KRBF+(1-τ)·Kpoly;
式中,τ为核函数的权重系数,β为样本数,β=1,2,…,m;
KRBF为高斯核函数,以公式表达为:
式中,σ为径向基半径,Xj为第i个样本数据;
Kpoly为多项式核函数,以公式表达为:
Kpoly(Xj,Xβ)=((Xj·Xβ)+q)θ;
式中,q与θ分别为多项式核函数的常数参数与指数参数。
9.根据权利要求8所述的一种CVT稳定性评估方法,其特征在于,采用SVM分类算法对用于评价CVT的稳定性的模型进行参数寻优并获得稳定性评估模型具体为:
采用DOA算法,构造自适应调整控制因子,根据控制因子选择不同的搜索策略对模型参数进行寻优完成模型的训练,所述控制因子以公式表达为:
式中,g为当前迭代次数,G为最大迭代次数,Pmax、Pmin分别是控制因子的最大值与最小值,为当前个体,v为种群数,Ubest为当前种群最优个体,Uworst为当前种群最差个体。
10.一种CVT稳定性评估系统,其特征在于,所述CVT稳定性评估系统包括数据采集模块、处理模块及评估模块,其中:
所述数据采集模块用于通过历史运维数据,获取样本CVT的稳定性状态,以及采集各稳定性状态下对应的样本CVT的二次电压数据;
所述处理模块与数据采集模块电连接,用于根据样本CVT的二次电压数据获得误差波动成分信号,基于误差波动成分信号计算样本CVT信号的特征参量;
所述评估模块与处理模块电连接,内部基于提取的特征参量构建有用于评价CVT的稳定性的模型,所述模型采用SVM分类算法进行参数寻优并获得稳定性评估模型,利用所述稳定性评估模型对待评估的CVT进行稳定性评估获得对应评估结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572862.0A CN116736214A (zh) | 2023-05-19 | 2023-05-19 | 一种cvt稳定性评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310572862.0A CN116736214A (zh) | 2023-05-19 | 2023-05-19 | 一种cvt稳定性评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116736214A true CN116736214A (zh) | 2023-09-12 |
Family
ID=87907034
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310572862.0A Pending CN116736214A (zh) | 2023-05-19 | 2023-05-19 | 一种cvt稳定性评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116736214A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233687A (zh) * | 2023-11-13 | 2023-12-15 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN118642032A (zh) * | 2024-08-15 | 2024-09-13 | 国网福建省电力有限公司 | 一种直流电压互感器误差评估方法 |
-
2023
- 2023-05-19 CN CN202310572862.0A patent/CN116736214A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117233687A (zh) * | 2023-11-13 | 2023-12-15 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN117233687B (zh) * | 2023-11-13 | 2024-02-06 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
CN118642032A (zh) * | 2024-08-15 | 2024-09-13 | 国网福建省电力有限公司 | 一种直流电压互感器误差评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112699913B (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN110286279B (zh) | 基于极端树与堆栈式稀疏自编码算法的电力电子电路故障诊断方法 | |
CN112731159B (zh) | 一种储能电站电池舱电池故障预判及定位的方法 | |
CN116736214A (zh) | 一种cvt稳定性评估方法和系统 | |
Feng et al. | SOH and RUL prediction of Li-ion batteries based on improved Gaussian process regression | |
CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
CN114152825B (zh) | 变压器的故障诊断方法、装置和变压器的故障诊断系统 | |
Jin-qiang | Fault prediction of a transformer bushing based on entropy weight TOPSIS and gray theory | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
Lin et al. | State of health estimation of lithium-ion batteries based on a novel indirect health indicator | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
CN114184972B (zh) | 数据驱动与电化学机理结合的电池soh自动估计方法及设备 | |
CN103928923B (zh) | 一种基于灵敏度分析的网络稳态电能质量预警方法 | |
CN117591819A (zh) | 一种考虑扰动强度阈值与鲁棒性分析的大型设备故障诊断方法 | |
CN111061708A (zh) | 一种基于lstm神经网络的电能量预测与修复方法 | |
CN115184734A (zh) | 一种电网线路故障检测方法和系统 | |
CN115423370A (zh) | 一种继电保护设备健康状态评估方法及装置 | |
CN115153549A (zh) | 一种基于bp神经网络的人机交互界面认知负荷预测方法 | |
Gavrilov et al. | Time series prediction using the adaptive resonance theory algorithm ART-2 | |
Ye et al. | Application of Machine Learning and Hyper-Parameter Optimisation for Efficient Prediction of Transient Stability | |
CN113239021B (zh) | 一种用于相似产品剩余寿命预测的数据迁移方法 | |
CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
CN115062715A (zh) | 基于朴素贝叶斯分类器的干式空心电抗器状态评估方法 |
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 |