CN117094704B - 备份式互感器管理方法、装置和电子设备 - Google Patents

备份式互感器管理方法、装置和电子设备 Download PDF

Info

Publication number
CN117094704B
CN117094704B CN202311337001.0A CN202311337001A CN117094704B CN 117094704 B CN117094704 B CN 117094704B CN 202311337001 A CN202311337001 A CN 202311337001A CN 117094704 B CN117094704 B CN 117094704B
Authority
CN
China
Prior art keywords
transformer
managed
predicted
life
predicted life
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
Application number
CN202311337001.0A
Other languages
English (en)
Other versions
CN117094704A (zh
Inventor
黄麟
周楠
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.)
Jiangsu Jingjiang Transformer Co ltd
Original Assignee
Jiangsu Jingjiang Transformer Co ltd
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 Jiangsu Jingjiang Transformer Co ltd filed Critical Jiangsu Jingjiang Transformer Co ltd
Priority to CN202311337001.0A priority Critical patent/CN117094704B/zh
Publication of CN117094704A publication Critical patent/CN117094704A/zh
Application granted granted Critical
Publication of CN117094704B publication Critical patent/CN117094704B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • 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)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Economics (AREA)
  • Computing Systems (AREA)
  • Mathematical Optimization (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • Marketing (AREA)
  • Molecular Biology (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • Strategic Management (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Probability & Statistics with Applications (AREA)
  • Quality & Reliability (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)

Abstract

本申请公开了一种备份式互感器管理方法，包括：采集互感器参数、获得训练集和验证集、训练LSTM模型计算互感器预测寿命、评估所述LSTM模型、获取待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标和输出所述待管理的互感器的管理方案。本申请还公开了一种备份式互感器管理装包括：采集模块、处理模块、计算模块、评估模块、输入模块和输出模块。本申请还公开了实施所述备份式互感器管理方法的电子设备。通过本申请公开的备份式互感器管理方法、装置和电子设备，预测了互感器寿命，给出了互感器管理方案，降低了互感器更换的时间成本和经济成本。

Description

备份式互感器管理方法、装置和电子设备
技术领域
本发明涉及电力设备技术领域，具体涉及一种备份式互感器管理方法、装置和电子设备。
背景技术
在变电站中，流变器和互感器之间有密切的关系。流变器是一种电气装置，用于检测电力系统中的异常情况，并触发相应的保护动作。而互感器则是用于测量电流和电压的设备。流变器需要获取电力系统中的电流和电压信息，以便进行保护判据和计算。互感器为流变器提供了被测量电流和电压的变换信号。电流互感器将高电流变换为低电流适合测量的信号，而电压互感器将高电压变换为低电压适合测量的信号。流变器的准确性和灵敏度取决于所使用的互感器的性能。因此，当互感器达到寿命上限或者出现故障后，难以为流变器提供被测量电流和电压的变换信号，变电站存在安全隐患。
在实际运行过程中，互感器的更换往往出现在互感器故障之后，对互感器的使用寿命依赖于人工记录及出厂时间，但是实际工况中互感器受使用频率及外部环境影响，寿命难以预估，变电站存在安全隐患；此外互感器到需要更换的时间或者损坏后，运检部门替换互感器时，往往需要运输全部数量的互感器，但不是所有互感器都需要更换，增加了互感器更换的时间成本和经济成本。
因此，现有技术存在缺陷，有待改进与发展。
发明内容
本发明实施例提供一种备份式互感器管理方法、装置和电子设备，用于解决在实际运行过程中，互感器的更换往往出现在互感器故障之后，对互感器的使用寿命依赖于人工记录及出厂时间，但是实际工况中互感器受使用频率及外部环境影响，寿命难以预估，变电站存在安全隐患；此外互感器到需要更换的时间或者损坏后，运检部门替换互感器时，往往需要运输全部数量的互感器，但不是所有互感器都需要更换，增加了互感器更换的时间成本和经济成本的技术问题。
本发明实施例的第一方面，提供一种备份式互感器管理方法，包括：
采集互感器参数；
处理采集到的所述互感器参数获得训练集和验证集，其中，所述互感器参数包括互感器二次负荷和互感器额定负荷/>，所述训练集和所述验证集中的数据满足；
根据所述训练集训练LSTM模型计算互感器预测寿命；
根据所述互感器预测寿命及所述验证集评估所述LSTM模型获得训练好的LSTM模型；
将待管理的互感器参数输入所述训练好的LSTM模型中，获得所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标；
根据所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得所述待管理的互感器的管理方案。
进一步的，所述处理采集到的所述互感器参数获得训练集和验证集，其中，所述互感器参数包括互感器二次负荷和互感器额定负荷/>，所述训练集和所述验证集中的数据满足/>的方法包括：
利用下式对互感器参数进行归一化处理：
将集合化，获得训练集和验证集；
其中：
代表互感器参数；
代表互感器参数标准化数据的真实值；
代表互感器参数中第/>个互感器；
分别代表第/>个互感器参数的最大值、最小值。
进一步的，所述互感器二次负荷的获取方法为：
利用下式计算互感器二次负荷：
其中为二次回路导线电阻/>，且/>；
其中：
代表第/>个继电器线圈阻抗，/>为大于0的自然数；
代表二次电流/>；
代表继电器线圈阻抗/>；
代表二次回路中所有接头或触点的接触电阻；
代表二次回路导线电阻；
代表二次回路导线导电率；
代表二次回路导线计算长度；
代表二次回路导线截面积；
代表所述二次回路中所有接头或触点的接触电阻，为0.1Ω。
进一步的，所述根据所述互感器预测寿命及所述验证集评估所述LSTM模型的方法包括：
根据所述互感器预测寿命，计算互感器预测寿命稳定指标；
根据所述互感器预测寿命稳定指标，判断所述互感器预测寿命误差，其中，当所述互感器预测寿命稳定指标/>时，结束评估流程；当所述互感器预测寿命稳定指标/>时，进入后续流程；
根据所述互感器预测寿命，计算互感器预测寿命的平均相对误差；
根据所述互感器预测寿命的平均相对误差，判断所述LSTM模型评估精度，其中，当所述互感器预测寿命的平均相对误差在0%~10%范围时，结束评估流程；当时所述互感器预测寿命的平均相对误差大于10%范围时，将所述互感器参数加入所述训练集中重新进行计算互感器预测寿命训练。
进一步的，所述互感器的管理方案至少包括管理所述待管理的互感器的更换的顺序或对所述待管理的互感器的更换距离中的一种。
进一步的，所述根据所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得所述待管理的互感器的管理方案的方法包括：
获取所述待管理的互感器的数量及所述待管理的互感器到互感器管理点的距离，其中/>为大于等于2的偶数，互感器管理点为运检部门存放互感器的位置；
按所述待管理的互感器到所述互感器管理点的距离由近至远依次对所述待管理的互感器进行第一次标号，所述标号/>为/>范围内依次增大的自然数的数值；
根据所述待管理的互感器对应的互感器预测寿命，对标号后的所述待管理的互感器按所述待管理的互感器对应的互感器预测寿命的大小从小至大进行第二次标号，所述标号/>为/>范围内依次增大的自然数的数值；
根据属于同一所述待管理的互感器对应的所述第一次标号的数值与所述第二次标号的数值，判断互感器更换顺序：
若，则将/>对应的互感器作为第一批更换的互感器，并对第一批更换的互感器的/>的数值从小到大进行第三次标号/>，标号/>为/>范围内依次增大的自然数，将标号/>对应的互感器按照/>的数值从小到大进行排序，排序顺序代表第一批互感器的更换顺序；
若，则将/>对应的互感器作为第二批更换的互感器，并对第二批更换的互感器的/>的数值从小到大进行第四次标号/>，标号/>为/>范围内依次增大的自然数，将标号/>对应的互感器按照/>的数值从小到大进行排序，排序顺序代表第二批互感器的更换顺序。
进一步的，所述根据所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得所述待管理的互感器的管理方案的方法包括：
根据所述待管理的互感器的互感器预测寿命和所述待管理的互感器的互感器预测寿命稳定指标，判断实际互感器损耗情况，若实际互感器预测寿命稳定指标不等于0，则进入以下步骤；若实际互感器预测寿命稳定指标等于0，则结束判断实际互感器损耗情况的流程；
若所述待管理的互感器的互感器预测寿命稳定指标不等于0，则重复本步骤直至匹配到所述待管理的互感器的互感器预测寿命稳定指标等于0的互感器；若所述待管理的互感器的互感器预测寿命稳定指标等于0，则进入以下步骤；
输出所述待管理的互感器的管理方案，即选取所述待管理的互感器的互感器预测寿命稳定指标等于0的互感器，对所述待管理的互感器的互感器预测寿命从小到大进行排序，更换顺序为从所述待管理的互感器的互感器预测寿命的数值最小的互感器开始更换，直至更换到所述待管理的互感器的互感器预测寿命的数值最大的互感器。
进一步的，根据所述互感器预测寿命，计算互感器预测寿命稳定指标的方法包括：
利用下式对所述互感器预测寿命归一化处理：
其中：
代表第/>个互感器的互感器预测寿命；
代表互感器预测寿命标准化数据的真实值；
代表第/>个互感器的互感器预测寿命的最大值、最小值。
本发明实施例的第二方面，提供一种备份式互感器管理装置，包括：
采集模块，用于采集互感器参数；
处理模块，用于处理采集到的所述互感器参数获得训练集和验证集，其中，所述互感器参数包括互感器二次负荷和互感器额定负荷/>，根据所述互感器二次负荷/>和所述互感器额定负荷/>的大小关系选择数据，若/>，则进入后续流程；若/>，则移出流程；
计算模块，用于根据所述训练集训练LSTM模型计算互感器预测寿命；
评估模块，用于根据所述互感器预测寿命及所述验证集评估所述LSTM模型获得训练好的LSTM模型；
输入模块，用于将待管理的互感器参数输入所述训练好的LSTM模型中，获得所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标；
输出模块，用于根据所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得所述待管理的互感器的管理方案。
本发明实施例的第三方面，提供一种电子设备，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，所述计算机程序被处理器执行时实施所述的备份式互感器管理方法。
有益效果：
由以上技术方案可知，本申请的技术方案提供了一种备份式互感器管理方法、装置、电子设备和储存介质，通过使用LSTM模型对互感器寿命进行预测，能够对产生故障或寿命将至的互感器及时更换，保证了互感器的能够提供准确电力参数，流变器能够接收到准确的电力参数信号，提高了流变器与变电站的安全性。通过计算互感器预测寿命稳定指标，获取预测误差，降低了更换互感器的时间成本和经济成本高，提高了变电站工作效率。通过输出互感器的管理方案，提供给运检部门有效的管理方案与方法步骤，提高了互感器更换的效率，提高了变电站的工作效率。
应当理解，前述构思以及在下面更加详细地描述的额外构思的所有组合只要在这样的构思不相互矛盾的情况下都可以被视为本公开的发明主题的一部分。
结合附图从下面的描述中可以更加全面地理解本发明教导的前述和其他方面、实施例和特征。本发明的其他附加方面例如示例性实施方式的特征和/或有益效果将在下面的描述中显见，或通过根据本发明教导的具体实施方式的实践中得知。
附图说明
附图不表示按照真实参照物比例绘制。在附图中，在各个图中示出的每个相同或近似相同的组成部分可以用相同的标号表示。为了清晰起见，在每个图中，并非每个组成部分均被标记。现在，将通过例子并参考附图来描述本发明的各个方面的实施例，其中：
图1为本发明实施例中备份式互感器管理方法的流程图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例的附图，对本发明实施例的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明的一部分实施例，而不是全部的实施例。基于所描述的本发明的实施例，本领域普通技术人员在无需创造性劳动的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。除非另作定义，此处使用的技术术语或者科学术语应当为本发明所属领域内具有一般技能的人士所理解的通常意义。
本发明专利申请说明书以及权利要求书中使用的“第一”、“第二”以及类似的词语并不表示任何顺序、数量或者重要性，而只是用来区分不同的组成部分。同样， 除非上下文清楚地指明其它情况，否则单数形式的“一个”“一”或者“该”等类似词语也不表示数量限制，而是表示存在至少一个。“包括”或者“包含”等类似的词语意指出现在“包括”或者“包含”前面的元件或者物件涵盖出现在“包括”或者“包含”后面列举的特征、整体、步骤、操作、元素和/或组件， 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。“上”“下”“左”“右”等仅用于表示相对位置关系，当被描述对象的绝对位置改变后，则该相对位置关系也可能相应地改变。
在变电站的实际工作流程中，互感器的更换往往出现在互感器故障之后，对互感器的使用寿命依赖于人工记录及出厂时间，但是实际工况中互感器受使用频率及外部环境影响，寿命难以预估，变电站存在安全隐患；此外互感器到需要更换的时间或者损坏后，运检部门替换互感器时，往往需要运输全部数量的互感器，但不是所有互感器都需要更换，增加了互感器更换的时间成本和经济成本。
鉴于此，本发明的实施例提供一种备份式互感器管理方法，如图1所示，为本发明实施例的一种备份式互感器管理方法的流程图，该方法包括：
步骤S102:采集互感器参数。
步骤S104: 处理采集到的互感器参数获得训练集和验证集，其中，互感器参数包括互感器二次负荷和互感器额定负荷/>，训练集和验证集中的数据满足/>。
步骤S106:根据训练集训练LSTM模型计算互感器预测寿命。
步骤S108:根据互感器预测寿命及验证集评估LSTM模型获得训练好的LSTM模型。
步骤S110:将待管理的互感器参数输入训练好的LSTM模型中，获得待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标。
步骤S112:根据待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得待管理的互感器的管理方案。
在变电站中，互感器处于持续运行状态，因此在本发明的实施例中的步骤S102，对互感器参数的采集属于持续采集，根据互感器运行情况持续监测互感器预测寿命，实时反馈互感器预测寿命供运检部门使用，其中互感器为220kV油浸绝缘倒立式电流互感器、10kV全绝缘接地式电磁电压互感器中的一种，本发明实施例的流程也是基于以上两种互感器进行测试。通过将互感器参数进行处理获得训练集和验证集，采用LSTM模型对训练集进行训练，利用验证集对训练集进行验证。在获取到训练好的LSTM模型后，能够对正在使用的互感器进行寿命预测。为了提高互感器预测寿命的可靠度，设计互感器预测寿命稳定指标和LSTM模型评估流程，最终输出待管理的互感器的管理方案。在本发明实施例中，对待管理的互感器的管理方案为替换方案，即将故障或者寿命上限的互感器进行更换。
处理采集到的互感器参数获得训练集和验证集，其中，互感器参数包括互感器二次负荷和互感器额定负荷/>，训练集和验证集中的数据满足/>的方法包括：
利用下式对互感器参数进行归一化处理：
将集合化，获得训练集和验证集；
其中：
代表互感器参数；
代表互感器参数标准化数据的真实值；
代表互感器参数中第/>个互感器；
分别代表第/>个互感器参数的最大值、最小值。
互感器二次负荷的获取方法为：
利用下式计算互感器二次负荷：
其中为二次回路导线电阻/>，且/>；
其中：
代表第/>个继电器线圈阻抗，/>为大于0的自然数；
代表二次电流/>；
代表继电器线圈阻抗/>；
代表二次回路中所有接头或触点的接触电阻；
代表二次回路导线电阻；
代表二次回路导线导电率；
代表二次回路导线计算长度；
代表二次回路导线截面积；
代表所述二次回路中所有接头或触点的接触电阻，为0.1Ω。
其中，在本发明实施例中，将互感器二次负荷作为训练集与验证集的数据来源，由于互感器二次负荷/>与二次电流/>存在函数关系，且为正相关函数，因此当互感器出现故障或者寿命终止后会影响互感器二次负荷/>的数值，因此能够使用互感器二次负荷/>作为互感器预测寿命的数据来源。此外，在一些实施例中，还互感器参数还包括时间序列参数，如使用时间、运行状况、维护记录，同样能获得训练集与验证集。
根据训练集构建LSTM模型，计算互感器预测寿命的方法包括：
使用训练集对LSTM模型训练以预测寿命，训练计算公式如下：
其中：
代表输入向量，即互感器参数标准化数据的真实值；
代表互感器历史数据中第/>个互感器，且/>为大于0的自然数；
代表上一个时刻状态存储变量；/>代表当前时刻状态存储变量；
代表重置门的状态；
代表更新门的状态；
代表当前候选集的状态；
代表当前时刻输出矢量的状态；
代表重置门；
代表更新门；
代表候选集；
代表输出矢量和由/>和/>形成的连接矩阵的权重参数；
代表向量连接；
代表矩阵点积；
代表矩阵乘积；
代表sigmoid激活函数；
激活函数；
代表重置门训练中学习得到的偏置量参数；
代表更新门训练中学习得到的偏置量参数；
代表候选集训练中学习得到的偏置量参数。
根据LSTM模型中当前时刻输出矢量的状态，获得互感器预测寿命/>。
长短时记忆网络模型，简称LSTM模型，是一种特定形式的循环神经网络，简称RNN模型。LSTM模型在RNN模型的基础上通过增加门限来解决RNN短期记忆的问题，使得循环神经网络能够真正有效地利用长距离的时序信息。LSTM在RNN的基础结构上增加了输入门、输出门、遗忘门3个逻辑控制单元，且各自连接到了一个乘法元件上，通过设定神经网络的记忆单元与其他部分连接的边缘处的权值控制信息流的输入、输出以及细胞单元的状态。利用输入门、输出门、遗忘门3个逻辑控制单元的公式，分别对应重置门、更新门和候选集，结合互感器二次负荷经过归一化处理获得的数据对LSTM模型进行训练，实现对互感器月预测寿命的获取。
根据互感器预测寿命及验证集评估LSTM模型的方法包括：
根据互感器预测寿命，计算互感器预测寿命稳定指标。
根据互感器预测寿命稳定指标，判断互感器预测寿命误差，其中，当互感器预测寿命稳定指标/>时，结束评估流程；当互感器预测寿命稳定指标/>时，进入后续流程。
根据互感器预测寿命，计算互感器预测寿命的平均相对误差。
根据互感器预测寿命的平均相对误差，判断LSTM模型评估精度，其中，当互感器预测寿命的平均相对误差在0%~10%范围时，结束评估流程；当时互感器预测寿命的平均相对误差大于10%范围时，将互感器参数加入训练集中重新进行计算互感器预测寿命训练。
根据互感器预测寿命，计算互感器预测寿命稳定指标的方法包括：
利用下式对所述互感器预测寿命归一化处理：
其中：
代表第/>个互感器的互感器预测寿命；
代表互感器预测寿命标准化数据的真实值；
代表第/>个互感器的互感器预测寿命的最大值、最小值。
当互感器预测寿命获取后，互感器预测寿命与互感器真实寿命存在误差，互感器真实寿命受制于使用频率、外部环境因素，因此通过归一化处理，可以确保所有特征的权重在相对均衡的范围内，提高模型的准确性和稳定性。归一化处理后的互感器预测寿命标准化数据的真实值，即存在三个数值范围，即/>、/>和，当/>时，说明互感器预测寿命与互感器真实寿命不存在误差；当/>时，说明互感器预测寿命大于互感器真实寿命；当/>时，说明互感器预测寿命小于互感器真实寿命。
根据互感器预测寿命、互感器预测寿命稳定指标及验证集评估LSTM模型的方法包括：
根据互感器预测寿命，计算互感器预测寿命的平均相对误差的公式如下:
其中：
代表平均绝对百分比误差；
代表互感器总数；
代表互感器出厂时厂家预估的互感器实际寿命。
用于代表互感器预测寿命与互感器真实寿命之间的平均相对误差，的取值为[0, +∞)，/>数值越小代表LSTM模型的预测的互感器预测寿命精度越高。
互感器的管理方案至少包括管理待管理的互感器的更换的顺序或对待管理的互感器的更换距离中的一种。
在本实施例中，对互感器的管理方案为对互感器进行替换，将待管理的互感器计算预测寿命后，寿命上限或者故障的互感器进行更换。
根据待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得待管理的互感器的管理方案的方法包括：
获取待管理的互感器的数量及待管理的互感器到互感器管理点的距离，其中/>为大于等于2的偶数，互感器管理点为运检部门存放互感器的位置。
按待管理的互感器到互感器管理点的距离由近至远依次对待管理的互感器进行第一次标号，标号/>为/>范围内依次增大的自然数的数值。
根据待管理的互感器对应的互感器预测寿命，对标号后的待管理的互感器按待管理的互感器对应的互感器预测寿命的大小从小至大进行第二次标号，标号/>为/>范围内依次增大的自然数的数值。
根据属于同一待管理的互感器对应的第一次标号的数值与第二次标号的数值，判断互感器更换顺序。
若，则将/>对应的互感器作为第一批更换的互感器，并对第一批更换的互感器的/>的数值从小到大进行第三次标号/>，标号/>为/>范围内依次增大的自然数，将标号/>对应的互感器按照/>的数值从小到大进行排序，排序顺序代表第一批互感器的更换顺序，即从/>的数值最小的互感器开始更换，直至更换到/>的数值最大的互感器。
若，则将/>对应的互感器作为第二批更换的互感器，并对第二批更换的互感器的/>的数值从小到大进行第四次标号/>，标号/>为/>范围内依次增大的自然数，将标号/>对应的互感器按照/>的数值从小到大进行排序，排序顺序代表第二批互感器的更换顺序，即从/>的数值最小的互感器开始更换，直至更换到/>的数值最大的互感器。
在实际工况中，由于变电站的占地面积大及地理位置相对偏僻，运检部门在进行互感器更换时耗费的时间成本高、经济成本高，因此本发明实施例通过管理待管理的互感器的更换的顺序或管理待管理的互感器的更换距离，帮助运检部门规划运输路线及单次运输量以达到节约时间的目的，在进行更换时，需要根据互感器预测寿命进行批次划分，再根据互感器到互感器管理点的距离进行路线选择。例如，变电站中有4台互感器，按互感器到互感器管理点的距离由近至远依次分别标号为1号、2号、3号和4号。假设其中1号、2号、3号和4号四台互感器的预测寿命分别为4天、3天、9天和10天，则先进行批次划分，第一批更换互感器为1号和2号，由于1号距离互感器管理点相比2号距离互感器管理点更近，因此更换顺序先更换1号再更换2号，运输路线为从1号到2号；同理，第二批更换互感器的顺序为先更换3号再更换4号，运输路线为从3号到4号。通过设计以上待管理的互感器的管理方案，降低了更换互感器的时间成本，提高了变电站工作效率。
在某些实施例中，根据待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得待管理的互感器的管理方案的方法包括：
根据待管理的互感器的互感器预测寿命和待管理的互感器的互感器预测寿命稳定指标，判断实际互感器损耗情况，若实际互感器预测寿命稳定指标不等于0，则进入以下步骤；若实际互感器预测寿命稳定指标等于0，则结束判断实际互感器损耗情况的流程。
若待管理的互感器的互感器预测寿命稳定指标不等于0，则重复本步骤直至匹配到待管理的互感器的互感器预测寿命稳定指标等于0的互感器；若待管理的互感器的互感器预测寿命稳定指标等于0，则进入以下步骤。
输出待管理的互感器的管理方案，即选取待管理的互感器的互感器预测寿命稳定指标等于0的互感器，对待管理的互感器的互感器预测寿命从小到大进行排序，更换顺序为从待管理的互感器的互感器预测寿命的数值最小的互感器开始更换，直至更换到待管理的互感器的互感器预测寿命的数值最大的互感器。
以上流程通过计算机语言再次对待管理的互感器的管理方案进行输出，输出经过计算机程序判断，并反馈给运检部门，运检部门接收到信息后进行互感器更换。
本发明实施例还提供了一种备份式互感器管理装置，包括：
采集模块，用于采集互感器参数。
处理模块，用于处理采集到的互感器参数获得训练集和验证集，其中，互感器参数包括互感器二次负荷和互感器额定负荷/>，训练集和验证集中的数据满足/>。
计算模块，用于根据训练集训练LSTM模型计算互感器预测寿命。
评估模块，用于根据互感器预测寿命及验证集评估LSTM模型获得训练好的LSTM模型。
输入模块，用于将待管理的互感器参数输入训练好的LSTM模型中，获得待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标。
输出模块，用于根据待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得待管理的互感器的管理方案。
通过一种备份式互感器管理装置，实现了备份式互感器管理方法的运用，备份式互感器管理装置具有实用性。
本发明实施例还提供了一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行存储在存储器中的如本申请实施例中的备份式互感器管理方法。
所称处理器可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，处理器是备份式互感器管理装置的控制中心，利用各种接口和线路连接整个备份式互感器管理装置的各个部分。
本发明实施例还提供了一种计算机可读储存介质，计算机可读储存介质存储有计算机程序，计算机程序被处理器执行时实施如本申请实施例中的备份式互感器管理方法。
存储器可以包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需要的应用程序；存储数据区可存储处理器所创建的数据等。此外，存储器优选但不限于高速随机存取存储器，例如，还可以是非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中，存储器还可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
本领域技术人员可以理解，实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的程序，可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)、随机存储记忆体(Random Access Memory，RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive，缩写：HDD)或固态硬盘(Solid-StateDrive，SSD)等；存储介质还可以包括上述种类的存储器的组合。
虽然本发明已以较佳实施例揭露如上，然其并非用以限定本发明。本发明所属技术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (7)

1.备份式互感器管理方法，其特征在于，包括：
采集互感器参数；
处理采集到的所述互感器参数获得训练集和验证集，其中，所述互感器参数包括互感器二次负荷和互感器额定负荷/>，所述训练集和所述验证集中的数据满足/>；
根据所述训练集训练LSTM模型计算互感器预测寿命；
根据所述互感器预测寿命及所述验证集评估所述LSTM模型获得训练好的LSTM模型；
将待管理的互感器参数输入所述训练好的LSTM模型中，获得所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标；
根据所述待管理的互感器对应的互感器预测寿命和互感器预测寿命稳定指标，获得所述待管理的互感器的管理方案，其中，获得所述待管理的互感器的管理方案的方法包括：
获取所述待管理的互感器的数量及所述待管理的互感器到互感器管理点的距离，其中/>为大于等于2的偶数，互感器管理点为运检部门存放互感器的位置；
按所述待管理的互感器到所述互感器管理点的距离由近至远依次对所述待管理的互感器进行第一次标号，所述标号/>为/>范围内依次增大的自然数的数值；
根据所述待管理的互感器对应的互感器预测寿命，对标号后的所述待管理的互感器按所述待管理的互感器对应的互感器预测寿命的大小从小至大进行第二次标号，所述标号/>为/>范围内依次增大的自然数的数值；
根据属于同一所述待管理的互感器对应的所述第一次标号的数值与所述第二次标号的数值，判断互感器更换顺序：
若，则将/>对应的互感器作为第一批更换的互感器，并对第一批更换的互感器的/>的数值从小到大进行第三次标号/>，标号/>为/>范围内依次增大的自然数，将标号/>对应的互感器按照/>的数值从小到大进行排序，排序顺序代表第一批互感器的更换顺序；
若，则将/>对应的互感器作为第二批更换的互感器，并对第二批更换的互感器的/>的数值从小到大进行第四次标号/>，标号/>为/>范围内依次增大的自然数，将标号/>对应的互感器按照/>的数值从小到大进行排序，排序顺序代表第二批互感器的更换顺序。
2.根据权利要求1所述的备份式互感器管理方法，其特征在于，所述处理采集到的所述互感器参数获得训练集和验证集，其中，所述互感器参数包括互感器二次负荷和互感器额定负荷/>，所述训练集和所述验证集中的数据满足/>的方法包括：
利用下式对互感器参数进行归一化处理：
，
将集合化，获得训练集和验证集；
其中：
代表互感器参数；
代表互感器参数标准化数据的真实值；
代表互感器参数中第/>个互感器；
分别代表第/>个互感器参数的最大值、最小值。
3.根据权利要求2所述的备份式互感器管理方法，其特征在于，所述互感器二次负荷的获取方法为：
利用下式计算互感器二次负荷：
，
其中为二次回路导线电阻/>，且/>；
其中：
代表第/>个继电器线圈阻抗，/>为大于0的自然数；
代表二次电流/>；
代表继电器线圈阻抗/>；
代表二次回路中所有接头或触点的接触电阻；
代表二次回路导线导电率；
代表二次回路导线计算长度；
代表二次回路导线截面积；
代表所述二次回路中所有接头或触点的接触电阻，为0.1Ω。
4.根据权利要求1所述的备份式互感器管理方法，其特征在于，所述根据所述互感器预测寿命及所述验证集评估所述LSTM模型的方法包括：
根据所述互感器预测寿命，计算互感器预测寿命稳定指标；
根据所述互感器预测寿命稳定指标，判断所述互感器预测寿命误差，其中，当所述互感器预测寿命稳定指标/>时，结束评估流程；当所述互感器预测寿命稳定指标/>时，进入后续流程；
根据所述互感器预测寿命，计算互感器预测寿命的平均相对误差；
根据所述互感器预测寿命的平均相对误差，判断所述LSTM模型评估精度，其中，当所述互感器预测寿命的平均相对误差在0%~10%范围时，结束评估流程；当时所述互感器预测寿命的平均相对误差大于10%范围时，将所述互感器参数加入所述训练集中重新进行计算互感器预测寿命训练。
5.根据权利要求1所述的备份式互感器管理方法，其特征在于，所述互感器的管理方案至少包括管理所述待管理的互感器的更换的顺序或对所述待管理的互感器的更换距离中的一种。
6.根据权利要求4所述的备份式互感器管理方法，其特征在于，根据所述互感器预测寿命，计算互感器预测寿命稳定指标的方法包括：
利用下式对所述互感器预测寿命归一化处理：
，
其中：
代表第/>个互感器的互感器预测寿命；
代表互感器预测寿命标准化数据的真实值；
代表第/>个互感器的互感器预测寿命的最大值、最小值。
7.电子设备，其特征在于，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，所述计算机程序被处理器执行时实施如权利要求1~6中任意一项所述的备份式互感器管理方法。
CN202311337001.0A 2023-10-17 2023-10-17 备份式互感器管理方法、装置和电子设备 Active CN117094704B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311337001.0A CN117094704B (zh) 2023-10-17 2023-10-17 备份式互感器管理方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311337001.0A CN117094704B (zh) 2023-10-17 2023-10-17 备份式互感器管理方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN117094704A CN117094704A (zh) 2023-11-21
CN117094704B true CN117094704B (zh) 2024-01-30

Family

ID=88781416

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311337001.0A Active CN117094704B (zh) 2023-10-17 2023-10-17 备份式互感器管理方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN117094704B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222698A (zh) * 2020-01-06 2020-06-02 重庆邮电大学 面向物联网的基于长短时记忆网络的积水水位预测方法
CN114282434A (zh) * 2021-12-16 2022-04-05 成都航天科工大数据研究院有限公司 一种工业设备健康管理系统及方法
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
CN114662699A (zh) * 2022-02-21 2022-06-24 上海城建市政工程（集团）有限公司 一种基于机器学习的盾构姿态预测方法
CN115230485A (zh) * 2022-07-22 2022-10-25 大连理工大学 基于短期功率平滑预测的燃料电池公交车能量管理方法
CN115859791A (zh) * 2022-11-23 2023-03-28 北京无线电计量测试研究所 一种航空发动机剩余寿命预估方法和装置

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111222698A (zh) * 2020-01-06 2020-06-02 重庆邮电大学 面向物联网的基于长短时记忆网络的积水水位预测方法
CN114297910A (zh) * 2021-11-26 2022-04-08 中国民航大学 一种基于改进lstm的航空发动机寿命预测方法
CN114282434A (zh) * 2021-12-16 2022-04-05 成都航天科工大数据研究院有限公司 一种工业设备健康管理系统及方法
CN114662699A (zh) * 2022-02-21 2022-06-24 上海城建市政工程（集团）有限公司 一种基于机器学习的盾构姿态预测方法
CN115230485A (zh) * 2022-07-22 2022-10-25 大连理工大学 基于短期功率平滑预测的燃料电池公交车能量管理方法
CN115859791A (zh) * 2022-11-23 2023-03-28 北京无线电计量测试研究所 一种航空发动机剩余寿命预估方法和装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
电流互感器二次负荷对计量误差的影响;刘振波;;东北电力技术(11);1.4节 *

Also Published As

Publication number Publication date
CN117094704A (zh) 2023-11-21

Similar Documents

Publication Publication Date Title
US11544426B2 (en) Systems and methods for enhanced sequential power system model parameter estimation
CN110516912B (zh) 一种配电台区户变关系的识别方法
US20150048841A1 (en) Fault location system and method for distribution network
CN113887846B (zh) 一种电容式电压互感器的超差风险预警方法
CN110826228B (zh) 一种地区电网运行品质极限评估方法
Jamali et al. A Fast and accurate fault location method for distribution networks with DG using genetic algorithms
US11042134B2 (en) Power system status estimation device and status estimation method
Jiao et al. Data-driven evaluation for error states of standard electricity meters on automatic verification assembly line
CN115293257A (zh) 一种针对异常用电用户的检测方法及系统
CN111999691B (zh) 一种计量传感器装置的误差校准方法和误差校准装置
CN115685046A (zh) 互感器计量异常识别方法、装置、设备及存储介质
CN116973694B (zh) 配电网故障诊断优化方法及系统
CN117094704B (zh) 备份式互感器管理方法、装置和电子设备
CN113469409A (zh) 一种基于高斯过程的电能量计量装置状态预测方法及装置
US11860213B2 (en) Method, system and software product to identify installations likely to exhibit an electrical non-conformity
Tippannavar et al. Smart Transformer-An Analysis of Recent Technologies for Monitoring Transformer
CN112240992B (zh) 基于线路空充暂态电流的保护极性校验方法、装置和设备
CN115618286A (zh) 变压器局部放电类型识别方法、系统、设备、终端及应用
CN114595746A (zh) 配电网故障原因的分类方法、装置、设备及存储介质
Rahimpour et al. Parameters estimation of transformers gray box model
CN114152909A (zh) 基于大数据的中高压失准分析系统
Barragán et al. Data-driven indicators applied to power distribution systems
CN111242175A (zh) 基于机器学习的计量点电压异常检测方法及系统
Yang et al. Intelligent Fault Diagnosis Method of Capacitor Voltage Transformer based on Recurrent Neural Network
US20220278527A1 (en) Determination of phase connections in a power grid

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