CN117607777A - 电流互感器二次电流的采集方法 - Google Patents
电流互感器二次电流的采集方法 Download PDFInfo
- Publication number
- CN117607777A CN117607777A CN202311518617.8A CN202311518617A CN117607777A CN 117607777 A CN117607777 A CN 117607777A CN 202311518617 A CN202311518617 A CN 202311518617A CN 117607777 A CN117607777 A CN 117607777A
- Authority
- CN
- China
- Prior art keywords
- information
- compensation
- current
- current transformer
- primary current
- 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 87
- 238000012549 training Methods 0.000 claims description 44
- 238000012545 processing Methods 0.000 claims description 29
- 238000004590 computer program Methods 0.000 claims description 23
- 238000009434 installation Methods 0.000 claims description 19
- 239000011159 matrix material Substances 0.000 claims description 18
- 230000015654 memory Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 14
- 230000005484 gravity Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000013500 data storage Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 30
- 238000005259 measurement Methods 0.000 description 37
- 238000004458 analytical method Methods 0.000 description 6
- 238000013459 approach Methods 0.000 description 5
- 230000007774 longterm Effects 0.000 description 5
- 238000010801 machine learning Methods 0.000 description 5
- 238000012544 monitoring process Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000007405 data analysis Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 238000009413 insulation Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004804 winding Methods 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000032683 aging Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000017525 heat dissipation Effects 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000003245 working effect Effects 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
- G01R35/02—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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R15/00—Details of measuring arrangements of the types provided for in groups G01R17/00 - G01R29/00, G01R33/00 - G01R33/26 or G01R35/00
- G01R15/14—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks
- G01R15/18—Adaptations providing voltage or current isolation, e.g. for high-voltage or high-current networks using inductive devices, e.g. transformers
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及电流互感器技术领域,尤其涉及一种电流互感器二次电流的采集方法。其方法包括,基于电流互感器在目标时间段内的补偿状态信息判断电流互感器是否满足实时补偿要求,若满足则获取电流互感器的实时数据计算电流互感器的二次电流的实时补偿信息,并基于该实时补偿信息对电流互感器进行二次电流实时补偿进而获取补偿后的二次电流,若不满足则基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息,并基于该预测补偿信息对电流互感器进行二次电流预测补偿进而获取补偿后的二次电流。本申请根据不同场景适应性调整电流互感器的补偿方式,提高电流互感器的补偿效果,提高二次电流的采集精度。
Description
技术领域
本申请涉及电流互感器的技术领域,尤其是涉及一种电流互感器二次电流的采集方法。
背景技术
电流互感器是一种用于测量和转换电力系统中高电流到低电流的设备,主要由一次线圈和二次线圈组成,一次线圈连接在被测高电流回路中,二次线圈连接在测量仪表或保护装置上。当一次线圈中的电流发生变化时,会在二次线圈中产生感应电流,从而实现对高电流的测量。
在实际应用中,由于电流互感器的磁芯特性、绕组阻抗等因素,电流互感器可能存在测量误差,特别是在一次电流变化频繁或者环境条件变动的情况下,电流互感器输出的二次电流往往存在一定的误差。误差严重时甚至会导致测量仪表或保护装置的误动作,影响电力系统的安全和正常运行,因此需要对电流互感器进行二次电流补偿,以使电流互感器二次电流的采集更加准确。
一般情况下,电流互感器二次电流的补偿是实时进行的,实时补偿可以通过根据电流互感器的输出与已知校准数据之间的差异来调整值,以减小测量误差并提高准确性。这种补偿通常依赖于实时的反馈校准数据,以适应电流互感器当前工作状态和环境条件的变化。
然而,在某些场景下,例如远程传输或长期监测的二次电流补偿可能面临一些挑战。首先,通信延迟可能存在,这导致补偿过程中的信息传输时间有所延迟,影响到补偿的实时性;其次,网络故障或不稳定连接可能导致补偿数据的丢失或错误,进一步限制了实时补偿的有效性;此外,长期监测需要大量的数据存储和处理能力,如果要实时补偿并保存大量的数据,则需要更强大的计算和存储资源支持。因此,在这些情况下则需要采用其他相对于实时补偿更加适合的补偿方法,以满足电流互感器的二次电流采集的精准度要求。
发明内容
为了根据不同场景适应性调整电流互感器的补偿方式,提高电流互感器的补偿效果,提高二次电流的采集精度,本申请提供一种电流互感器二次电流的采集方法。
第一方面,本申请提供一种电流互感器二次电流的采集方法,采用如下的技术方案:
获取电流互感器目标时间段的补偿状态信息;
基于所述补偿状态信息判断所述电流互感器是否满足实时补偿要求,得到判断结果;
若满足,则选择实时补偿模式作为目标补偿模式,所述实时补偿模式包括:基于获取所述电流互感器的实时数据计算所述电流互感器的二次电流的实时补偿信息,基于所述实时补偿信息对所述电流互感器进行二次电流实时补偿;
若不满足,则选择预测补偿模式作为目标补偿模式,所述预测补偿模式包括:基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息,基于所述预测补偿信息对所述电流互感器进行二次电流预测补偿;
基于所述目标补偿模式在目标时间段对所述二次电流进行补偿,获取补偿后的二次电流。
通过采用上述技术方案,基于当前电流互感器的补偿状态信息,可进一步分析判断电流互感器是否满足其对应的实时补偿要求,若满足则说明电流互感器在目标时间段内可以提供准确的二次电流信号,并且可以进行实时补偿,这意味着电流互感器的性能良好,可以满足实时补偿的需求,在这种情况下,选择实时补偿模式作为目标补偿模式可以提高电流互感器的补偿效果和二次电流的采集精度,若不满足则说明电流互感器在目标时间段内无法提供准确的二次电流信号,并且无法进行实时补偿,这可能由于电流互感器存在一些问题,如老化、损坏或参数变化等,导致其性能下降或不稳定,在这种情况下,选择预测补偿模式作为目标补偿模式可以对电流互感器的二次电流进行预测补偿,以提高补偿效果和采集精度,预测补偿模式可基于预设的补偿参数预测模型来预测电流互感器在目标时间段的二次电流的补偿信息,并进行相应的补偿操作。由于根据电流互感器在目标时间段内的实际补偿状态信息,进而选择电流互感器更为适宜的补偿模式,从而可根据不同场景适应性调整电流互感器的补偿方式,提高电流互感器的补偿效果,提高二次电流的采集精度。
可选的,判断所述补偿状态信息是否满足所述实时补偿要求,得到判断结果包括以下步骤:
获取所述补偿状态信息的量化分值;
基于所述量化分值与预设状态界限值进行对比,判断所述量化分值是否大于等于所述预设状态界限值;
若大于等于,则确定所述补偿状态信息满足所述实时补偿要求;
若小于,则确定所述补偿状态信息不满足所述实时补偿要求。
通过采用上述技术方案,对补偿状态信息进行量化处理,得到一个具体的分值,这个分值可以表示电流互感器当前的补偿状态,如补偿参数的准确性、稳定性等,进而将得到的量化分值与预设状态界限值进行比较分析,得出相应的补偿状态信息是否满足实时补偿要求的结果,从而可提高电流互感器补偿效果判定的准确性,进一步提高二次电流的采集精度。
可选的,所述补偿状态信息的信息指标包括网络延迟信息、网络带宽信息、丢包率信息、网速信息、数据存储信息及计算能力信息,所述获取所述补偿状态信息的量化分值包括以下步骤:
基于归一化法获取所述网络延迟信息、网络带宽信息、丢包率信息和网速信息的信息分值;基于二值法获取所述数据存储信息和所述计算能力信息的信息分值;
基于所述信息分值构建原始数据矩阵X;
基于所述原始数据矩阵X,计算第j项指标下第i条的比重;
基于熵值法对所述原始数据矩阵X进行计算,获取每个所述信息指标的信息熵值;
基于所述信息熵值,获取每个所述信息指标的信息效用值;
基于所述信息效用值,获取每个所述信息指标的指标权重作为每个所述信息指标对应的所述信息分值;
基于加权叠加方法和所述指标权重对所述信息分值进行计算,得到所述补偿状态信息的所述量化分值。
通过采用上述技术方案,对多维度信息指标的综合评估,可以更全面准确地反映电流互感器的补偿状态,从而有助于选择更适合的补偿模式,进而提高电流互感器的补偿效果和二次电流的采集精度。
可选的,所述基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息包括以下步骤:
获取所述电流互感器在所述目标时间段的补偿参数特征信息,所述补偿参数特征信息包括一次电流特征信息和运行环境特征信息;
基于所述补偿参数特征信息在预设的所述补偿参数预测模型中预测所述目标时间段的所述二次电流的所述预测补偿信息。
通过采用上述技术方案,建立补偿参数预测模型,可以对电流互感器在不同时间段的二次电流进行预测,可提前获取补偿信息并进行相应的补偿操作,从而可以提高电流互感器的补偿效果和二次电流的采集精度,确保在不同工作条件下都能够提供准确的二次电流信号。
可选的,获取所述电流互感器目标时间段的所述一次电流特征信息包括以下步骤:获取所述一次电流的输送线路,基于所述输送线路确定所述一次电流的电流输送区域;
基于所述电流输送区域获取一次电流可能影响因素,所述一次电流可能影响因素包括季节因素、时间因素、天气因素和社会因素;
获取所述一次电流可能影响因素与所述一次电流之间的关联度;
若所述关联度符合预设关联度标准,则确定所述一次电流可能影响因素中的一次电流影响因素;
基于所述一次电流影响因素和预设的一次电流预测模型获取所述电流互感器在所述目标时间段的所述一次电流特征信息,所述一次电流预测模型的构建方法为:基于所述电流互感器的历史运行数据获取一次电流历史影响因素以及与所述一次电流历史影响因素对应的一次电流历史信息,对所述一次电流历史影响因素进行数据化处理,作为一次电流训练输入数据,对所述一次电流历史信息进行数据化处理,作为一次电流训练输出数据,基于所述一次电流训练输入数据和所述一次电流训练输出数据对预设的神经网络模型进行训练和测试,得到符合预设误差要求的所述一次电流预测模型。
通过采用上述技术方案,对一次电流可能影响因素的分析和筛选,可以更准确地确定对一次电流有影响的因素,从而提高一次电流预测的准确性和可靠性,同时,通过建立一次电流预测模型,可以提前获取一次电流的特征信息,并进行相应的补偿操作,以提高电流互感器的补偿效果和二次电流的采集精度。
可选的,所述获取所述一次电流可能影响因素与所述一次电流之间的关联度包括:基于皮尔逊相关系数公式获取所述一次电流可能影响因素和所述一次电流的皮尔逊相关系数;基于所述皮尔逊相关系数确定所述一次电流可能影响因素和所述一次电流的关联强度和关联方向;
基于所述关联强度和所述关联方向获取所述一次电流可能影响因素和所述一次电流之间的所述关联度。
通过采用上述技术方案,使用皮尔逊相关系数来度量一次电流可能影响因素与一次电流之间的关联程度,可以量化地评估各个因素对一次电流的影响程度,更准确地确定对一次电流有影响的因素,从而提高一次电流预测的准确性和可靠性,同时,通过确定关联强度和关联方向,可以进一步分析各个因素对一次电流的影响方式,从而有针对性地进行补偿操作,提高电流互感器的补偿效果和二次电流的采集精度。
可选的,所述获取所述电流互感器的运行环境特征信息包括:
获取所述电流互感器的安装区域信息和所述安装区域信息对应的时间空间信息;
基于预设关联规则获取所述安装区域信息和所述时间空间信息之间对应的关联规律特征;
基于预设聚类算法对所述关联规律特征进行处理,获取对应的运行环境模式作为所述电流互感器的运行环境特征信息。
通过采用上述技术方案,对安装区域信息和时间空间信息的关联规律特征进行分析和处理,可以更准确地描述电流互感器的运行环境模式,可以更好地理解电流互感器在不同环境下的工作特性,从而有针对性地进行补偿操作,提高电流互感器的补偿效果和二次电流的采集精度,同时,通过建立运行环境模式,可以提前预测电流互感器在不同环境下的表现,并进行相应的优化调整,以提高其稳定性和长期工作性能。
可选的,基于所述补偿参数特征信息在预设的补偿参数预测模型中预测目标时间段的二次电流的预测补偿信息包括:
基于所述补偿参数特征信息确定补偿参数预测输入数据;
将所述补偿参数预测输入数据输入预设的补偿参数预测模型,得到所述目标时间段内所述二次电流的预测补偿参数,所述补偿参数预测模型的构建方法为:基于所述电流互感器的所述历史运行数据获取一次电流历史信息和历史运行环境信息,对所述历史运行环境信息和所述一次电流历史信息进行数据化处理,得到补偿参数训练输入数据,基于所述一次电流历史信息和所述历史运行环境信息获取对应的二次电流历史补偿信息,对所述二次电流历史补偿信息进行数据化处理,得到补偿参数训练输出数据,基于所述补偿参数训练输入数据和所述补偿参数训练输出数据对预设的所述神经网络模型进行训练和测试,得到所述补偿参数预测模型;
基于所述预测补偿参数获取所述目标时间段的所述二次电流的所述预测补偿信息。
通过采用上述技术方案,建立补偿参数预测模型,可以提前获取目标时间段内的二次电流的预测补偿参数,并进行相应的补偿操作,以提高电流互感器的补偿效果和二次电流的采集精度。同时,通过对历史运行数据进行训练和测试,可以不断优化和调整补偿参数预测模型,提高其准确性和可靠性。
第二方面,本申请提供一种终端设备,采用如下的技术方案:
一种终端设备,包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序,所述处理器加载并执行计算机程序时,采用了上述的电流互感器二次电流的采集方法。
通过采用上述技术方案,将上述的电流互感器二次电流的采集方法生成计算机程序,并存储于存储器中,以被处理器加载并执行,从而,根据存储器及处理器制作终端设备,方便使用。
第三方面,本申请提供一种计算机可读存储介质,采用如下的技术方案:
一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,所述计算机程序被处理器加载并执行时,采用了上述的电流互感器二次电流的采集方法。
通过采用上述技术方案,将上述的电流互感器二次电流的采集方法生成计算机程序,并存储于计算机可读存储介质中,以被处理器加载并执行,通过计算机可读存储介质,方便计算机程序的可读及存储。
附图说明
图1是本申请电流互感器二次电流的采集方法中步骤S101至步骤S105的流程示意图。
图2是本申请电流互感器二次电流的采集方法中步骤S201至步骤S204的流程示意图。
图3是本申请电流互感器二次电流的采集方法中步骤S301至步骤S308的流程示意图。
图4是本申请电流互感器二次电流的采集方法中步骤S401至步骤S402的流程示意图。
图5是本申请电流互感器二次电流的采集方法中步骤S501至步骤S505的流程示意图。
图6是本申请电流互感器二次电流的采集方法中步骤S601至步骤S603的流程示意图。
图7是本申请电流互感器二次电流的采集方法中步骤S701至步骤S703的流程示意图。
图8是本申请电流互感器二次电流的采集方法中步骤S801至步骤S803的流程示意图。
具体实施方式
以下结合附图对本申请作进一步详细说明。
本申请实施例公开一种电流互感器二次电流的采集方法,参照图1,包括:
S101、获取电流互感器目标时间段的补偿状态信息;
S102、基于补偿状态判断电流互感器是否满足实时补偿要求,得到判断结果;
S103、若满足,则选择实时补偿模式作为目标补偿模式,实时补偿模式包括:基于获取电流互感器的实时数据计算电流互感器的二次电流的实时补偿信息,基于实时补偿信息对电流互感器进行二次电流实时补偿;
S104、若不满足,则选择预测补偿模式作为目标补偿模式,预测补偿模式包括:基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息,基于预测补偿信息对电流互感器进行二次电流预测补偿;
S105、基于目标补偿模式在目标时间段对二次电流进行补偿,获取补偿后的二次电流。
在步骤S101中,获取电流互感器目标时间段的补偿状态信息是指获取电流互感器在特定时间段内的补偿状态信息。其中,电流互感器是一种用于测量大电流的传感器,它可以将高电流转换为低电流以便于测量和保护设备。然而,由于电流互感器的非线性特性和外界环境的影响,其输出信号可能会存在一定的误差。为了提高电流互感器的测量精度和稳定性,需要进行补偿操作。
其次,补偿状态信息包括了电流互感器在不同时间段内的补偿参数、补偿效果以及可能存在的问题等。通过获取这些信息,可以对电流互感器的补偿情况进行评估和分析,进而采取相应的措施来优化补偿效果。
具体地,获取电流互感器目标时间段的补偿状态信息可大致包括以下步骤:收集电流互感器的目标时间段内的运行数据,包括输入电流、输出电压等;根据收集到的数据计算得到补偿参数,如比例系数、积分常数等;利用得到的补偿参数进行补偿操作,并记录补偿后的结果;分析补偿结果,评估补偿效果,判断是否存在问题或需要进一步调整的情况;根据分析结果,对补偿参数进行调整或优化,以提高电流互感器的补偿效果。
在步骤S102中,实时补偿是指在电流互感器测量过程中,根据当前的补偿状态信息对输出信号进行即时的修正和调整,以提高测量精度和稳定性。而判断电流互感器是否满足实时补偿要求,就是要根据其补偿状态信息来评估其是否具备进行实时补偿的条件和能力。
具体地,基于补偿状态信息判断电流互感器是否满足实时补偿要求可以包括以下步骤:收集电流互感器的补偿状态信息,包括补偿参数、补偿效果等;根据补偿状态信息评估电流互感器的补偿性能,如精度、稳定性等;分析补偿状态信息中的问题或不足之处,如是否存在较大的误差、频繁的波动等;根据分析结果,判断电流互感器是否能够满足实时补偿的要求;如果满足实时补偿要求,则可以进行实时补偿操作;如果不满足,则需要采取相应的措施来改进补偿性能。
在步骤S103至步骤S104中,二次电流进行补偿可以采用实时补偿模式和预测补偿模式两种方式来互补进行。
其中,实时补偿模式的补偿如下:在电流互感器出厂时,厂家已经为部分电流互感器设定有二次电流的补偿参数和补偿算法(较高级的电流互感器的算法则更加复杂和准确),用于根据当前环境因素计算电流互感器的二次电流的实时补偿值。
具体地,如果电流互感器的补偿状态信息满足实时补偿的要求,那么就可选择实时补偿模式作为目标补偿模式。其中,实时补偿模式包括两个主要步骤:首先,基于获取的电流互感器的实时数据来计算二次电流的实时补偿信息;然后,采用计算出的实时补偿信息对电流互感器进行二次电流的实时补偿。
在实际应用中,例如SPC三相不平衡补偿原理,开启后,通过外接电流互感器(CT)实时检测系统电流,并将系统电流信息发送给内部控制器进行处理分析,以判断系统是否处于不平衡状态,同时计算出达到平衡状态时各相所需转换的电流。
需要说明的是,在选择和应用电流互感器时,必须保证其独立性,避免二次回路阻抗发生变化。例如,用于测量和确定无功补偿量的电流互感器必须安装在低压总进线,而不是补偿柜内。这是因为电流互感器是电力系统中二次设备采集电流的唯一媒介,其重要性不言而喻。
其中,电流互感器的实时数据指的是在电气设备不断电的情况下,实现对设备状态特征量的实时采集。这些数据是通过互感器将大电流转换为小电流后得到的,例如,它可以把实际为400A的电流转变为5A的电流。然后这些实时的、转换后的数据会被送到内部控制器进行处理和分析。
其次,电流互感器的实时数据主要用于判断系统是否处于不平衡状态,以及计算出达到平衡状态时各相所需转换的电流。例如,如果实时状态值经“纵比”发现数据出现持续增长、突变时,表明电流互感器主绝缘可能存在某种潜伏性缺陷。再通过“横比”,比较同间隔下不同相的实时状态值和规程要求的标准值,从而进一步评估该相电流互感器是否存在故障,并初步判定存在何种潜伏性故障。因此,电流互感器的实时数据对于及时发现设备潜伏性缺陷,提升电网稳定、可靠运行水平具有重要作用。
进一步,电流互感器二次电流的实时补偿信息是指根据电流互感器的实时数据,计算出需要补偿的二次电流值。这个补偿值通常用于校正由于各种原因(如温度变化、线路阻抗变化等)引起的电流测量误差。
例如,如果电流互感器的实时数据显示二次电流偏大,那么可能需要减小一次电流以保持实际负载电流不变。反之,如果二次电流偏小,则可能需要增大一次电流。
再者,如果电流互感器的补偿状态信息不满足实时补偿的要求,那么可选择预测补偿模式作为目标补偿模式。预测补偿模式包括两个主要步骤:首先,基于预设的补偿参数预测模型来预测电流互感器在目标时间段的二次电流的预测补偿信息;然后,采用预测的补偿信息对电流互感器进行二次电流预测补偿。
其中,基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息,是指根据预先设定的补偿参数预测模型,利用历史数据和算法对电流互感器在特定时间段内的二次电流进行预测,并计算出相应的预测补偿信息。
例如,电流互感器的实时数据记录,其包括不同时间段的二次电流值。可以使用这些数据来训练一个补偿参数预测模型,该模型可以学习到二次电流与各种因素(如温度、湿度、线路阻抗等)之间的关系。然后,可以使用这个模型来预测未来某个时间段的二次电流值,并根据预测结果计算出需要补偿的值。从而在设备出现故障或异常情况之前提前采取措施,避免因电流测量误差导致的安全问题。同时,通过实时监测和预测补偿,还可以提高电力系统的运行效率和稳定性。
其中,电流互感器二次电流的预测补偿信息是根据电流互感器的实时数据,利用预设的补偿参数预测模型对未来某个时间段的二次电流进行预测,并计算出相应的预测补偿值。
例如,可以根据电流互感器的历史数据和运行状态,建立相应的补偿参数预测模型。该补偿参数预测模型会考虑到各种可能影响电流互感器性能的因素,如温度、湿度、线路阻抗等。然后,就可以使用这个模型来预测未来某个时间段的二次电流值,并根据预测结果计算出需要补偿的值。
此外,电流互感器的补偿方法有多种,包括匝数补偿、辅助铁芯补偿、电容补偿等。例如,匝数补偿是一种最简单且常见的补偿方法,只需要通过减少二次绕组的匝数以增大二次电流,反之亦然。另外,短路匝补偿也是一种提高电力系统测量精度的重要手段,它通过在互感器的二次侧绕制一定的短路匝以消耗短路电流,保持互感器的线性工作范围,从而提高测量的准确性。
在步骤S105中,是基于目标补偿模式在目标时间段对二次电流进行补偿,获取补偿后的二次电流是指根据预测的二次电流值和预设的补偿参数,计算出需要补偿的电流值,并将其加到实际的二次电流上,从而得到补偿后的二次电流。
例如,预测出未来某个时间段的二次电流值为10A,而实际的二次电流值为8A,那么可以计算出需要补偿的电流值为2A(即10A-8A)。然后,就可以将这2A的补偿电流加到实际的二次电流上,从而得到补偿后的二次电流为10A。
本实施例提供的电流互感器二次电流的采集方法,基于当前电流互感器的补偿状态信息,可进一步分析判断电流互感器是否满足其对应的实时补偿要求,若满足则说明电流互感器在目标时间段内可以提供准确的二次电流信号,并且可以进行实时补偿,这意味着电流互感器的性能良好,可以满足实时补偿的需求,在这种情况下,选择实时补偿模式作为目标补偿模式可以提高电流互感器的补偿效果和二次电流的采集精度,若不满足则说明电流互感器在目标时间段内无法提供准确的二次电流信号,并且无法进行实时补偿,这可能由于电流互感器存在一些问题,如老化、损坏或参数变化等,导致其性能下降或不稳定,在这种情况下,选择预测补偿模式作为目标补偿模式可以对电流互感器的二次电流进行预测补偿,以提高补偿效果和采集精度,预测补偿模式可基于预设的补偿参数预测模型来预测电流互感器在目标时间段的二次电流的补偿信息,并进行相应的补偿操作。由于根据电流互感器在目标时间段内的实际补偿状态信息,进而选择电流互感器更为适宜的补偿模式,从而可根据不同场景适应性调整电流互感器的补偿方式,提高电流互感器的补偿效果,提高二次电流的采集精度。
在本实施例的其中一种实施方式中,如图2所示,步骤S102即判断补偿状态信息是否满足实时补偿要求,得到判断结果包括以下步骤:
S201.获取补偿状态信息的量化分值;
S202.基于量化分值与预设状态界限值进行对比,判断量化分值是否大于等于预设状态界限值;
S203.若大于等于,则确定补偿状态信息满足实时补偿要求;
S204.若小于,则确定补偿状态信息不满足实时补偿要求。
在步骤S201至步骤S202中,获取补偿状态信息的量化分值是指将电流互感器的实时数据或预测补偿信息转化为一个数值,用于表示其补偿状态的好坏。例如,这个数值为一个0到1之间的小数,其中0表示补偿状态最差,1表示补偿状态最好。
又例如,可以使用均方误差(MSE)或平均绝对误差(MAE)等指标来量化电流互感器的补偿状态。具体地,可以计算实际二次电流与预测二次电流之间的误差,并将其平方或取绝对值后求平均值,得到一个数值作为量化分值。
其中,基于量化分值与预设状态界限值进行对比,判断量化分值是否大于等于预设状态界限值是指将计算出的量化分值与事先设定的状态界限值进行比较,以确定电流互感器的补偿状态是否达到了预期的标准。如果量化分值大于等于预设状态界限值,则说明补偿状态良好;反之,则需要进一步检查和调整电流互感器的性能参数。
在步骤S203至步骤S204中,若量化分值大于等于预设状态界限值,则确定补偿状态信息满足实时补偿要求,这意味着电流互感器的补偿效果良好,可以继续进行实时补偿操作。若量化分值小于预设状态界限值,则确定补偿状态信息不满足实时补偿要求,这意味着电流互感器的补偿效果不佳,需要进一步检查和调整其性能参数,以提高补偿效果并确保电力系统的安全运行。
本实施方式提供的电流互感器二次电流的采集方法,对补偿状态信息进行量化处理,得到一个具体的分值,这个分值可以表示电流互感器当前的补偿状态,如补偿参数的准确性、稳定性等,进而将得到的量化分值与预设状态界限值进行比较分析,得出相应的补偿状态信息是否满足实时补偿要求的结果,从而可提高电流互感器补偿效果判定的准确性,进一步提高二次电流的采集精度。
在本实施例的其中一种实施方式中,如图3所示,补偿状态信息的信息指标包括网络延迟信息、网络带宽信息、丢包率信息、网速信息、数据存储信息及计算能力信息,且步骤S201即获取补偿状态信息的量化分值包括以下步骤:
S301.基于归一化法获取网络延迟信息、网络带宽信息、丢包率信息和网速信息的信息分值;S302.基于二值法获取数据存储信息和计算能力信息的信息分值;
S303.基于信息分值构建原始数据矩阵X;
S304.基于原始数据矩阵X,计算第j项指标下第i条的比重;
S305.基于熵值法对原始数据矩阵X进行计算,获取每个信息指标的信息熵值;
S306.基于信息熵值,获取每个信息指标的信息效用值;
S307.基于信息效用值,获取每个信息指标的指标权重作为每个信息指标对应的信息分值;
S308.基于加权叠加方法和指标权重对信息分值进行计算,得到补偿状态信息的量化分值。
在步骤S301至步骤S303中,在电流互感器二次电流采集中,归一化法可以用于获取网络延迟信息、网络带宽信息、丢包率信息以及网速信息的信息分值。这些信息对于评估电网运行状态、优化电力系统调度以及提高电力系统稳定性具有重要意义。
其中,基于归一化法获取网络延迟信息、网络带宽信息、丢包率信息和网速信息的信息分值是指将这四个指标的数值进行归一化处理,可将其转化为0到1之间的小数,用于表示其相对大小。
例如,假设网络延迟信息的数值为100ms,网络带宽信息的数值为10Mbps,丢包率信息的数值为5%,网速信息的数值为1Mbps。可以将这些数值进行归一化处理,得到对应的信息分值。具体来说,可以使用最大最小值归一化方法,即将每个指标的数值减去最小值,再除以最大值与最小值之差,得到一个0到1之间的小数作为信息分值。
其次,基于二值法获取数据存储信息和计算能力信息的信息分值是指将这两个指标的数值进行二值化处理,如将其转化为0或1,用于表示其是否存在或满足要求。
例如,数据存储信息的数值为1TB,计算能力信息的数值为10TFlops。可以将这两个指标的数值与预设的阈值进行比较,如果大于等于阈值,则将其转化为1;反之,则将其转化为0。
进一步,基于上述获取的信息分值构建原始数据矩阵X,即将上述计算出的各个指标的信息分值按照一定的顺序排列起来,形成一个原始数据矩阵X,X:该原始数据矩阵X可以用于后续的数据分析和建模工作。
需要说明的是,通过建立上述原始数据矩阵X,可以更直观地观测出在电流二次采集过程中电流互感器的实时状态,进而可以更准确地获取其电流信息,有助于及时发现并解决电网中的问题,进一步提高电力系统的稳定性。
在步骤S304中,第j项指标下第i条的比重,该比重可用Pij表示,且基于上述原始数据矩阵X以及计算公式可求得第j项指标下第i条的比重Pij。
其中,基于原始数据矩阵X,计算第j项指标下第i条的比重Pij是指将第i条数据在第j项指标上的数值除以所有数据在第j项指标上的总和,得到一个0到1之间的小数作为第i条数据在第j项指标上的比重Pij。
例如,有一个包含5条数据的原始数据矩阵X,其中第j项指标的数值分别为:10、20、30、40和50。可以计算出每条数据在第j项指标上的比重如下:第一条数据的比重=10/(10+20+30+40+50)=0.1;第二条数据的比重=20/(10+20+30+40+50)=0.2;第三条数据的比重=30/(10+20+30+40+50)=0.3;第四条数据的比重=40/(10+20+30+40+50)=0.4;第五条数据的比重=50/(10+20+30+40+50)=0.5。进而得到上述每条数据在第j项指标上的比重,用于后续的数据分析和建模工作。
在步骤S305至步骤S306中,可基于熵值法对原始数据矩阵进行计算,获取每个信息指标的熵值,信息熵值可用Ej表示,即将每个信息指标的数值转化为概率分布,然后根据熵值的定义计算每个信息指标的信息熵值Ej。其中,熵值是衡量一个随机变量不确定性的度量。熵值法对应的计算公式为:
需要说明的是,熵值法是一种客观、合理的指标权重确定方法,其主要思想是根据各项指标的信息熵值来确定其权重。在电流互感器二次电流采集过程中,通过熵值法可以客观地评估每个信息指标的重要性,进而根据信息熵值获取每个信息指标的权重作为每个信息指标对应的信息分值,这有助于提高电流互感器二次电流采集的精度,且能够有效地区分不同指标的重要性,使得重要的指标可以得到更多的关注和处理,从而提高数据处理的效率。同时,基于熵值法对原始数据矩阵X进行计算,可以全面地反映电流互感器电流采集的各项指标,为后续的数据分析和决策提供全面的数据支持。
进一步,可基于上述信息熵值Ej获取每个信息指标的信息效用值,信息效用值可用Dj表示,即将每个信息指标的信息熵值Ej转化为信息效用值Dj,信息效用值Dj用于衡量该指标对决策的贡献程度。其中,信息效用值Dj可通过公式Dj=1-Ej计算取得。通过该信息效用值Dj可以全面地反映电流互感器电流采集的各项指标,为后续的数据分析和决策提供全面的数据支持。
在步骤S307中,基于上述信息效用值Dj可获取每个信息指标的指标权重,其中,该指标权重可用Wj表示,可进一步将该指标权重Wj作为每个信息指标对应的信息分值,即将每个信息指标的信息效用值Dj作为该指标在决策过程中的重要程度,从而得到每个信息指标对应的指标权重Wj。其中指标权重Wj可通过公式计算取得。
在实际应用中,通常希望选择那些具有较高信息效用值Dj的信息指标,因为这些指标能够提供更多有用的信息,有助于提高决策的准确性和可靠性。因此,可以将每个信息指标的信息效用值Dj作为该指标在决策过程中的重要程度,即该指标的权重。
在步骤S308中,加权叠加方法是一种信息处理技术,通过将各个指标的权重与对应的分值相乘,然后将所有乘积相加,得到一个综合的量化分值。这种方法可以有效地处理多指标、多层次的信息,使得最终的量化分值能够全面、准确地反映被评价对象的状态。
其中,在计算补偿状态信息的量化分值时,首先需要确定各个指标的权重。这些权重可以根据指标的重要性、影响程度等因素来确定,也可以通过专家打分、层次分析法等方法来获取。然后,根据每个指标的实际分值,将其与对应的权重相乘,得到每个指标的加权分值。最后,将所有指标的加权分值相加,就得到了补偿状态信息的量化分值。
需要说明的是,基于上述计算可以充分考虑到各个指标的影响,使得最终的量化分值更加准确、合理。同时,由于采用了加权叠加的方式,因此即使某些指标的分值较低,也不会对最终的量化分值产生过大的影响。
其次,基于加权叠加方法和指标权重对信息分值进行计算,可以更精确地反映补偿状态信息,从而提高电流互感器电流采集的精度。同时可以将重要的指标给予更大的权重,使得重要的指标可以得到更多的关注和处理,从而提高电流数据采集处理的效率和精度。
本实施方式提供的电流互感器二次电流的采集方法,对多维度信息指标的综合评估,可以更全面准确地反映电流互感器的补偿状态,从而有助于选择更适合的补偿模式,进而提高电流互感器的补偿效果和二次电流的采集精度。
在本实施例的其中一种实施方式中,如图4所示,步骤S104即基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息包括以下步骤:
S401.获取电流互感器在目标时间段的补偿参数特征信息,补偿参数特征信息包括一次电流特征信息和运行环境特征信息;
S402.基于补偿参数特征信息在预设的补偿参数预测模型中预测目标时间段的二次电流的预测补偿信息。
在步骤S401中,补偿参数特征信息是指电流互感器在特定时间段内的工作状态信息。其中,一次电流特征信息是指电流互感器所测量的电流的大小、频率、相位等特性;运行环境特征信息是指电流互感器所处的环境条件,如温度、湿度、振动等。
其中,获取电流互感器的补偿参数特征信息,有助于了解其工作状态,从而进行有效的监控和管理。例如,通过分析一次电流特征信息,可以判断电流互感器的测量精度是否满足要求;通过分析运行环境特征信息,可以预测电流互感器可能出现的故障,从而提前采取措施防止故障的发生。
在步骤S402中,补偿参数预测模型是一种基于历史数据和机器学习算法的预测模型,用于预测电流互感器在特定时间段内的二次电流补偿信息。该模型通过对历史补偿参数特征信息进行学习,建立了输入特征与输出预测结果之间的映射关系。
具体地,首先将实时采集到的补偿参数特征信息输入到补偿参数预测模型中,然后模型会根据预先建立的映射关系,输出目标时间段内二次电流的预测补偿信息。这些预测补偿信息可以用于指导电力系统的运行和维护,例如,通过调整电流互感器的设置参数,使其能够更准确地测量电流,从而提高电能计量的准确性。
本实施方式提供的电流互感器二次电流的采集方法,建立补偿参数预测模型,可以对电流互感器在不同时间段的二次电流进行预测,可提前获取补偿信息并进行相应的补偿操作,从而可以提高电流互感器的补偿效果和二次电流的采集精度,确保在不同工作条件下都能够提供准确的二次电流信号。
在本实施例的其中一种实施方式中,如图5所示,步骤S401即获取电流互感器目标时间段的一次电流特征信息包括以下步骤:
S501.获取一次电流的输送线路,基于输送线路确定一次电流的电流输送区域;
S502.基于电流输送区域获取一次电流可能影响因素,一次电流可能影响因素包括季节因素、时间因素、天气因素和社会因素;
S503.获取一次电流可能影响因素与一次电流之间的关联度;
S504.若关联度符合预设关联度标准,则确定一次电流可能影响因素中的一次电流影响因素;S505.基于一次电流影响因素和预设的一次电流预测模型获取电流互感器在目标时间段的一次电流特征信息,一次电流预测模型的构建方法为:基于电流互感器的历史运行数据获取一次电流历史影响因素以及与一次电流历史影响因素对应的一次电流历史信息,对一次电流历史影响因素进行数据化处理,作为一次电流训练输入数据,对一次电流历史信息进行数据化处理,作为一次电流训练输出数据,基于一次电流训练输入数据和一次电流训练输出数据对预设的神经网络模型进行训练和测试,得到符合预设误差要求的一次电流预测模型。
在步骤S501至步骤S502中,一次电流的输送线路是指电流从发电源到负载的传输路径。在电力系统中,一次电流的输送线路可以是高压输电线路、中压输电线路或低压配电线路等。
其中,确定一次电流的电流输送区域是为了分析该区域内可能影响电流的各种因素。这些因素包括季节因素、时间因素、天气因素和社会因素等。
例如,季节因素,即不同季节的温度、湿度和日照时长等因素会影响电力系统的运行状态,从而影响一次电流的大小和稳定性,如夏季高温时,空调负荷增加,可能导致电流增大;冬季低温时,导线电阻增大,可能导致电流减小;时间因素,即一天中的不同时间段,电力系统的负荷需求也会发生变化,如早晚高峰期,居民用电负荷较大,可能导致电流增大;夜间低谷期,用电负荷较小,可能导致电流减小;天气因素,即恶劣天气条件(如雷暴、大风、暴雨等)会对电力系统造成影响,可能导致输电线路故障或设备损坏,从而影响一次电流的稳定性;社会因素,即人口密度、经济发展水平、产业结构等因素也会影响电力系统的运行状态,如人口密集的城市地区,用电负荷较大,可能导致电流增大;工业发达地区,大电流负荷较多,可能导致电流增大。
在步骤S503至步骤S504中,关联度是指两个或多个变量之间相互关联的程度。在电力系统中,一次电流可能影响因素与一次电流之间的关联度可以反映这些因素对一次电流的影响程度。
其中,获取一次电流可能影响因素与一次电流之间的关联度的方法,可以使用相关性分析、回归分析等统计方法。通过计算关联度,可以得到各个影响因素对一次电流的贡献程度,从而确定哪些因素是主要的影响因素。
其次,若关联度符合预设关联度标准,则说明该因素对一次电流的影响较大,可以将其确定为一次电流影响因素。预设关联度标准可以根据实际需求和经验来设定,例如可以设定一个阈值,只有当关联度大于该阈值时,才认为该因素是一次电流影响因素。
在步骤S505中,一次电流预测模型可以为一种基于历史数据的预测模型,用于预测电流互感器在特定时间段内的一次电流特征信息。该模型通过对历史一次电流影响因素和一次电流历史信息进行学习,建立数据输入特征与输出预测结果之间的映射关系。
具体地,构建一次电流预测模型的方法大致如下:首先,基于电流互感器的历史运行数据,获取一次电流历史影响因素以及与一次电流历史影响因素对应的一次电流历史信息。这些数据可以包括季节、时间、天气、社会等因素,以及在这些因素下的实际一次电流值。
其次,对一次电流历史影响因素进行数据化处理,作为一次电流训练输入数据。例如,可以将季节因素转换为数值型数据(如春季为1,夏季为2,秋季为3,冬季为4),将时间因素转换为数值型数据(如每小时为一个单位),将天气因素转换为数值型数据(如晴天为0,多云为1,雨天为2),将社会因素转换为数值型数据(如人口密度、经济发展水平等)。
然后,对一次电流历史信息进行数据化处理,作为一次电流训练输出数据。例如,可以将实际一次电流值直接作为输出数据。随即基于一次电流训练输入数据和一次电流训练输出数据,对预设的神经网络模型进行训练和测试。神经网络模型可以是多层感知机(MLP)、长短期记忆网络(LSTM)等。通过调整模型参数和结构,使模型在训练集上的误差达到预设要求。
进一步,得到符合预设误差要求的一次电流预测模型后,可以将其应用于实际场景中,预测电流互感器在目标时间段的一次电流特征信息。
本实施例提供的电流互感器二次电流的采集方法,对一次电流可能影响因素的分析和筛选,可以更准确地确定对一次电流有影响的因素,从而提高一次电流预测的准确性和可靠性,同时,通过建立一次电流预测模型,可以提前获取一次电流的特征信息,并进行相应的补偿操作,以提高电流互感器的补偿效果和二次电流的采集精度。
在本实施例的其中一种实施方式中,如图6所示,步骤S503即获取一次电流可能影响因素与一次电流之间的关联度包括:
S601.基于皮尔逊相关系数公式获取一次电流可能影响因素和一次电流的皮尔逊相关系数;
S602.基于皮尔逊相关系数确定一次电流可能影响因素和一次电流的关联强度和关联方向;
S603.基于关联强度和关联方向获取一次电流可能影响因素和一次电流之间的关联度。
在步骤S601中,皮尔逊相关系数是一种衡量两个变量之间线性关系强度和方向的统计指标,取值范围为-1到1。当皮尔逊相关系数为正数时,表示两个变量正相关;当皮尔逊相关系数为负数时,表示两个变量负相关;当皮尔逊相关系数接近0时,表示两个变量之间的线性关系较弱。
具体地,基于皮尔逊相关系数公式获取一次电流可能影响因素和一次电流的皮尔逊相关系数的方法如下:首先,收集一次电流可能影响因素的历史数据和一次电流的历史数据,这些数据可以包括季节、时间、天气、社会等因素,以及在这些因素下的实际一次电流值;对一次电流可能影响因素和一次电流的数据进行预处理,例如去除异常值、填补缺失值等;计算一次电流可能影响因素和一次电流的均值。
其次,根据皮尔逊相关系数公式计算一次电流可能影响因素和一次电流的皮尔逊相关系数:皮尔逊相关系数=∑[(Xi-X平均值)*(Yi-Y平均值)]/sqrt[∑(Xi-X平均值)^2]*sqrt[∑(Yi-Y平均值)^2]。其中,Xi和Yi分别表示一次电流可能影响因素和一次电流的第i个数据点,X平均值和Y平均值分别表示一次电流可能影响因素和一次电流的均值。得到皮尔逊相关系数后,可以根据其值判断一次电流可能影响因素与一次电流之间的线性关系强度和方向。如果皮尔逊相关系数接近1或-1,表示两者之间存在较强的线性关系;如果皮尔逊相关系数接近0,表示两者之间的线性关系较弱。
在步骤S602中,基于皮尔逊相关系数确定一次电流可能影响因素和一次电流的关联强度和关联方向的方法如下:首先,收集一次电流可能影响因素的历史数据和一次电流的历史数据。这些数据可以包括季节、时间、天气、社会等因素,以及在这些因素下的实际一次电流值;然后,根据皮尔逊相关系数的值判断一次电流可能影响因素与一次电流之间的关联强度和关联方向。
例如,如果皮尔逊相关系数接近1或-1,表示两者之间存在较强的线性关系。此时,关联强度较高,关联方向为正相关(皮尔逊相关系数为正数)或负相关(皮尔逊相关系数为负数);如果皮尔逊相关系数接近0,表示两者之间的线性关系较弱。此时,关联强度较低,关联方向不明显。
在步骤S603中,关联度是衡量两个变量之间关联程度的指标,它综合考虑了关联强度和关联方向。在电力系统中,一次电流可能影响因素与一次电流之间的关联度可以反映这些因素对一次电流的影响程度。
具体地,基于关联强度和关联方向获取一次电流可能影响因素和一次电流之间的关联度的方法如下:首先,根据皮尔逊相关系数确定一次电流可能影响因素与一次电流之间的关联强度和关联方向。如上述,皮尔逊相关系数的取值范围为-1到1,当皮尔逊相关系数接近1或-1时,表示两者之间存在较强的线性关系;当皮尔逊相关系数接近0时,表示两者之间的线性关系较弱。
其次,将关联强度映射到一个数值范围,例如[0,1]。可以将皮尔逊相关系数归一化到该范围,即关联度=(皮尔逊相关系数+1)/2。这样当皮尔逊相关系数接近1时,关联度为1;当皮尔逊相关系数接近-1时,关联度为0;当皮尔逊相关系数接近0时,关联度为0.5。
进一步,根据关联方向调整关联度的值。如果关联方向为正相关(皮尔逊相关系数为正数),则关联度保持不变;如果关联方向为负相关(皮尔逊相关系数为负数),则将关联度取反,即将其变为1减去原关联度;得到一次电流可能影响因素与一次电流之间的关联度后,可以根据其值判断各个因素对一次电流的影响程度。关联度越高,表示该因素对一次电流的影响越大;关联度越低,表示该因素对一次电流的影响越小。
本实施方式提供的电流互感器二次电流的采集方法,使用皮尔逊相关系数来度量一次电流可能影响因素与一次电流之间的关联程度,可以量化地评估各个因素对一次电流的影响程度,更准确地确定对一次电流有影响的因素,从而提高一次电流预测的准确性和可靠性,同时,通过确定关联强度和关联方向,可以进一步分析各个因素对一次电流的影响方式,从而有针对性地进行补偿操作,提高电流互感器的补偿效果和二次电流的采集精度。
在本实施例中的其中一种实施方式中,如图7所示,步骤S401即获取电流互感器的运行环境特征信息包括:
S701.获取电流互感器的安装区域信息和安装区域信息对应的时间空间信息;
S702.基于预设关联规则获取安装区域信息和时间空间信息之间对应的关联规律特征;
S703.基于预设聚类算法对关联规律特征进行处理,获取对应的运行环境模式作为电流互感器的运行环境特征信息。
在步骤S701中,安装区域信息包括电流互感器所在的地理位置、建筑物名称、楼层等信息。通过这些信息有助于了解电流互感器的安装环境,例如是否位于高压线路附近、是否有其他大型设备等。
其次,时间空间信息是指与安装区域相关的时间和空间参数,例如季节、天气、温度、湿度等。这些参数可能会影响电流互感器的测量结果,例如高温环境下,导线电阻可能增大,导致测量误差;雨天时,空气中的湿度较高,可能导致绝缘性能下降等。
需要说明的是,通过获取电流互感器的安装区域信息和对应的时间空间信息,可以更好地了解其工作环境,从而采取相应的措施来提高测量结果的准确性和可靠性。例如,在高温环境下,可以采取散热措施来降低温度对测量结果的影响;在雨天时,可以加强设备的防水措施,防止水分侵入导致故障等。
在步骤S702中,预设关联规则是一种基于历史数据或者电力行业经验的规则,用于描述两个或多个变量之间的关联规律。在电力系统中,可以利用预设关联规则来获取安装区域信息和时间空间信息之间对应的关联规律特征。
具体地,获取关联规律特征之前需要收集大量的历史数据,包括电流互感器的安装区域信息、时间空间信息以及与之相关的测量结果等。然后,根据这些数据,可以挖掘出一些常见的关联规律。例如,在某些季节或天气条件下,电流互感器的测量结果可能会受到较大的影响。如夏季高温时,导线电阻可能增大,导致测量误差;雨天时,空气中的湿度较高,可能导致绝缘性能下降等。
又例如,在某些地理位置或建筑物附近,电流互感器的测量结果可能会受到其他设备或环境因素的影响。如高压线路附近可能存在电磁干扰,导致测量结果不准确;大型设备运行时产生的振动可能会对电流互感器造成损伤等。
再例如,在某些时间段内,电流互感器的测量结果可能会出现周期性波动。如早晚高峰期用电量大,可能导致电流互感器的测量结果出现较大波动;周末或节假日用电量较小,可能导致测量结果相对稳定等。
需要说明的是,通过分析上述关联规律特征,可以更好地了解电流互感器在不同安装区域和时间空间条件下的工作情况,从而采取相应的措施来提高测量结果的准确性和可靠性。例如,在高温季节或天气条件下,可以加强散热措施来降低温度对测量结果的影响;在高压线路附近或大型设备附近安装电流互感器时,可以采取防干扰措施来保证测量结果的准确性等。
在步骤S703中,预设聚类算法是一种基于数据相似性的机器学习方法,用于将数据集划分为若干个类别或群组。在电力系统中,可以利用预设聚类算法对关联规律特征进行处理,获取对应的运行环境模式作为电流互感器的运行环境特征信息。
具体地,根据上述获取的关联规律特征,可以提取出一些关键的特征,例如季节、天气、温度、湿度、地理位置、建筑物名称、楼层等。接下来,可以利用预设聚类算法对这些特征进行聚类分析,将相似的特征归为一类,形成不同的运行环境模式。
需要说明的是,通过上述方式将电流互感器的运行环境划分为若干个类别,每个类别对应一种典型的运行环境模式。这些运行环境模式有助于更好地了解电流互感器在不同环境下的工作情况,从而采取相应的措施来提高测量结果的准确性和可靠性。例如,在某一类别的运行环境下,可能存在较大的测量误差风险,可以加强设备的防护措施来降低故障发生的概率;在另一类别的运行环境下,可能存在较强的电磁干扰,可以采取防干扰措施来保证测量结果的准确性等。
本实施方式提供的电流互感器二次电流的采集方法,对安装区域信息和时间空间信息的关联规律特征进行分析和处理,可以更准确地描述电流互感器的运行环境模式,可以更好地理解电流互感器在不同环境下的工作特性,从而有针对性地进行补偿操作,提高电流互感器的补偿效果和二次电流的采集精度,同时,通过建立运行环境模式,可以提前预测电流互感器在不同环境下的表现,并进行相应的优化调整,以提高其稳定性和长期工作性能。
在本实施例的其中一种实施方式中,如图8所示,步骤S402即基于补偿参数特征信息在预设的补偿参数预测模型中预测目标时间段的二次电流的预测补偿信息包括:
S801.基于补偿参数特征信息确定补偿参数预测输入数据;
S802.将补偿参数预测输入数据输入预设的补偿参数预测模型,得到目标时间段内二次电流的预测补偿参数,补偿参数预测模型的构建方法为:基于电流互感器的历史运行数据获取一次电流历史信息和历史运行环境信息,对历史运行环境信息和一次电流历史信息进行数据化处理,得到补偿参数训练输入数据,基于一次电流历史信息和历史运行环境信息获取对应的二次电流历史补偿信息,对二次电流历史补偿信息进行数据化处理,得到补偿参数训练输出数据,基于补偿参数训练输入数据和补偿参数训练输出数据对预设的神经网络模型进行训练和测试,得到补偿参数预测模型;
S803.基于预测补偿参数获取目标时间段的二次电流的预测补偿信息。
在步骤S801中,补偿参数预测输入数据是指在预测电流互感器二次电流时,需要作为输入的特征信息。这些特征信息通常包括与电流互感器相关的各种运行环境参数,例如季节、天气、温度、湿度等。通过分析这些特征信息,可以预测出电流互感器的补偿参数,从而提高测量结果的准确性和可靠性。
具体地,可以利用机器学习算法(如回归分析、神经网络等)对补偿参数特征信息进行训练,建立相应的预测模型。在实际应用中,可以根据实时采集到的补偿参数特征信息,输入到预测模型中,得到预测的补偿参数值。
需要说明的是,通过上述方式可以提前预测出电流互感器的补偿参数值,从而在实际测量过程中对测量结果进行修正,提高测量的准确性和可靠性。同时,这种方法还可以更好地了解电流互感器在不同运行环境下的工作情况,为设备的维护和管理提供参考依据。
在步骤S802中,补偿参数预测模型是一种基于历史运行数据的机器学习模型,用于预测电流互感器二次电流的补偿参数。
具体地,补偿参数预测模型的构建方法如下:首先,收集电流互感器的历史运行数据,包括一次电流历史信息和历史运行环境信息。这些信息可以通过监测设备实时采集得到,也可以通过历史记录查询得到;然后,对历史运行环境信息和一次电流历史信息进行数据化处理,例如归一化、标准化等,得到补偿参数训练输入数据,这些数据将作为神经网络模型的输入特征;进一步基于一次电流历史信息和历史运行环境信息,获取对应的二次电流历史补偿信息,这些信息可以通过实验测量得到,也可以通过其他相关数据计算得到。
其次,对二次电流历史补偿信息进行数据化处理,例如归一化、标准化等,得到补偿参数训练输出数据。这些数据将作为神经网络模型的输出目标。然后利用神经网络模型(如多层感知机、卷积神经网络等)对补偿参数训练输入数据和补偿参数训练输出数据进行训练和测试。在训练过程中,通过不断调整模型参数,使模型能够更好地拟合输入特征和输出目标之间的关系。
需要说明的是,在测试过程中,可使用独立的测试数据集对模型进行评估,检验其泛化能力和预测准确性。当模型达到预设的训练和测试要求时,即可得到补偿参数预测模型。在实际应用中,可以根据实时采集到的补偿参数特征信息,输入到预测模型中,得到预测的补偿参数值。
在步骤S803中,预测补偿参数是指在预测电流互感器二次电流时,根据历史运行数据和机器学习模型预测得到的补偿参数值。这些参数可以用于修正实际测量结果,提高测量的准确性和可靠性。
本实施方式提供的电流互感器二次电流的采集方法,建立补偿参数预测模型,可以提前获取目标时间段内的二次电流的预测补偿参数,并进行相应的补偿操作,以提高电流互感器的补偿效果和二次电流的采集精度。同时,通过对历史运行数据进行训练和测试,可以不断优化和调整补偿参数预测模型,提高其准确性和可靠性。
本申请实施例还公开一种终端设备,包括存储器、处理器以及存储在存储器中并能够在处理器上运行的计算机程序,其中,处理器执行计算机程序时,采用了上述实施例中的电流互感器二次电流的采集方法。
其中,终端设备可以采用台式电脑、笔记本电脑或者云端服务器等计算机设备,并且,终端设备包括但不限于处理器以及存储器,例如,终端设备还可以包括输入输出设备、网络接入设备以及总线等。
其中,处理器可以采用中央处理单元(CPU),当然,根据实际的使用情况,也可以采用其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现成可编程门阵列(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,通用处理器可以采用微处理器或者任何常规的处理器等,本申请对此不做限制。
其中,存储器可以为终端设备的内部存储单元,例如,终端设备的硬盘或者内存,也可以为终端设备的外部存储设备,例如,终端设备上配备的插接式硬盘、智能存储卡(SMC)、安全数字卡(SD)或者闪存卡(FC)等,并且,存储器还可以为终端设备的内部存储单元与外部存储设备的组合,存储器用于存储计算机程序以及终端设备所需的其他程序和数据,存储器还可以用于暂时地存储已经输出或者将要输出的数据,本申请对此不做限制。
其中,通过本终端设备,将上述实施例中的电流互感器二次电流的采集方法存储于终端设备的存储器中,并且,被加载并执行于终端设备的处理器上,方便使用。
本申请实施例还公开一种计算机可读存储介质,并且,计算机可读存储介质存储有计算机程序,其中,计算机程序被处理器执行时,采用了上述实施例中的电流互感器二次电流的采集方法。
其中,计算机程序可以存储于计算机可读介质中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间件形式等,计算机可读介质包括能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM)、随机存取存储器(RAM)、电载波信号、电信信号以及软件分发介质等,需要说明的是,计算机可读介质包括但不限于上述元器件。
其中,通过本计算机可读存储介质,将上述实施例中的电流互感器二次电流的采集方法存储于计算机可读存储介质中,并且,被加载并执行于处理器上,以方便上述方法的存储及应用。
以上均为本申请的较佳实施例,并非依此限制本申请的保护范围,故:凡依本申请的结构、形状、原理所做的等效变化,均应涵盖于本申请的保护范围之内。
Claims (10)
1.电流互感器二次电流的采集方法,其特征在于,包括:
获取电流互感器目标时间段的补偿状态信息;
基于所述补偿状态信息判断所述电流互感器是否满足实时补偿要求,得到判断结果;
若满足,则选择实时补偿模式作为目标补偿模式,所述实时补偿模式包括:基于获取所述电流互感器的实时数据计算所述电流互感器的二次电流的实时补偿信息,基于所述实时补偿信息对所述电流互感器进行二次电流实时补偿;
若不满足,则选择预测补偿模式作为目标补偿模式,所述预测补偿模式包括:基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息,基于所述预测补偿信息对所述电流互感器进行二次电流预测补偿;
基于所述目标补偿模式在目标时间段对所述二次电流进行补偿,获取补偿后的二次电流。
2.根据权利要求1所述的电流互感器二次电流的采集方法,其特征在于,判断所述补偿状态信息是否满足所述实时补偿要求,得到判断结果包括以下步骤:
获取所述补偿状态信息的量化分值;
基于所述量化分值与预设状态界限值进行对比,判断所述量化分值是否大于等于所述预设状态界限值;
若大于等于,则确定所述补偿状态信息满足所述实时补偿要求;
若小于,则确定所述补偿状态信息不满足所述实时补偿要求。
3.根据权利要求2所述的电流互感器二次电流的采集方法,其特征在于,所述补偿状态信息的信息指标包括网络延迟信息、网络带宽信息、丢包率信息、网速信息、数据存储信息及计算能力信息,所述获取所述补偿状态信息的量化分值包括以下步骤:
基于归一化法获取所述网络延迟信息、网络带宽信息、丢包率信息和网速信息的信息分值;
基于二值法获取所述数据存储信息和所述计算能力信息的信息分值;
基于所述信息分值构建原始数据矩阵X;
基于所述原始数据矩阵X,计算第j项指标下第i条的比重;
基于熵值法对所述原始数据矩阵X进行计算,获取每个所述信息指标的信息熵值;
基于所述信息熵值,获取每个所述信息指标的信息效用值;
基于所述信息效用值,获取每个所述信息指标的指标权重作为每个所述信息指标对应的所述信息分值;
基于加权叠加方法和所述指标权重对所述信息分值进行计算,得到所述补偿状态信息的所述量化分值。
4.根据权利要求1所述的电流互感器二次电流的采集方法,其特征在于,所述基于预设的补偿参数预测模型预测电流互感器在目标时间段的二次电流的预测补偿信息包括以下步骤:
获取所述电流互感器在所述目标时间段的补偿参数特征信息,所述补偿参数特征信息包括一次电流特征信息和运行环境特征信息;
基于所述补偿参数特征信息在预设的所述补偿参数预测模型中预测所述目标时间段的所述二次电流的所述预测补偿信息。
5.根据权利要求4所述的电流互感器二次电流的采集方法,其特征在于,获取所述电流互感器目标时间段的所述一次电流特征信息包括以下步骤:
获取所述一次电流的输送线路,基于所述输送线路确定所述一次电流的电流输送区域;
基于所述电流输送区域获取一次电流可能影响因素,所述一次电流可能影响因素包括季节因素、时间因素、天气因素和社会因素;
获取所述一次电流可能影响因素与所述一次电流之间的关联度;
若所述关联度符合预设关联度标准,则确定所述一次电流可能影响因素中的一次电流影响因素;
基于所述一次电流影响因素和预设的一次电流预测模型获取所述电流互感器在所述目标时间段的所述一次电流特征信息,所述一次电流预测模型的构建方法为:基于所述电流互感器的历史运行数据获取一次电流历史影响因素以及与所述一次电流历史影响因素对应的一次电流历史信息,对所述一次电流历史影响因素进行数据化处理,作为一次电流训练输入数据,对所述一次电流历史信息进行数据化处理,作为一次电流训练输出数据,基于所述一次电流训练输入数据和所述一次电流训练输出数据对预设的神经网络模型进行训练和测试,得到符合预设误差要求的所述一次电流预测模型。
6.根据权利要求5所述的电流互感器二次电流的采集方法,其特征在于,所述获取所述一次电流可能影响因素与所述一次电流之间的关联度包括:
基于皮尔逊相关系数公式获取所述一次电流可能影响因素和所述一次电流的皮尔逊相关系数;
基于所述皮尔逊相关系数确定所述一次电流可能影响因素和所述一次电流的关联强度和关联方向;
基于所述关联强度和所述关联方向获取所述一次电流可能影响因素和所述一次电流之间的所述关联度。
7.根据权利要求4所述的电流互感器二次电流的采集方法,其特征在于,所述获取所述电流互感器的运行环境特征信息包括:
获取所述电流互感器的安装区域信息和所述安装区域信息对应的时间空间信息;
基于预设关联规则获取所述安装区域信息和所述时间空间信息之间对应的关联规律特征;
基于预设聚类算法对所述关联规律特征进行处理,获取对应的运行环境模式作为所述电流互感器的运行环境特征信息。
8.根据权利要求4所述的电流互感器二次电流的采集方法,其特征在于,基于所述补偿参数特征信息在预设的补偿参数预测模型中预测目标时间段的二次电流的预测补偿信息包括:
基于所述补偿参数特征信息确定补偿参数预测输入数据;
将所述补偿参数预测输入数据输入预设的补偿参数预测模型,得到所述目标时间段内所述二次电流的预测补偿参数,所述补偿参数预测模型的构建方法为:基于所述电流互感器的所述历史运行数据获取一次电流历史信息和历史运行环境信息,对所述历史运行环境信息和所述一次电流历史信息进行数据化处理,得到补偿参数训练输入数据,基于所述一次电流历史信息和所述历史运行环境信息获取对应的二次电流历史补偿信息,对所述二次电流历史补偿信息进行数据化处理,得到补偿参数训练输出数据,基于所述补偿参数训练输入数据和所述补偿参数训练输出数据对预设的所述神经网络模型进行训练和测试,得到所述补偿参数预测模型;
基于所述预测补偿参数获取所述目标时间段的所述二次电流的所述预测补偿信息。
9.一种终端设备,包括存储器、处理器及存储在存储器中并能够在处理器上运行的计算机程序,其特征在于,所述处理器加载并执行计算机程序时,采用了权利要求1-8中任一项所述的电流互感器二次电流的采集方法。
10.一种计算机可读存储介质,所述计算机可读存储介质中存储有计算机程序,其特征在于,所述计算机程序被处理器加载并执行时,采用了权利要求1-8中任一项所述的电流互感器二次电流的采集方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518617.8A CN117607777A (zh) | 2023-11-14 | 2023-11-14 | 电流互感器二次电流的采集方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311518617.8A CN117607777A (zh) | 2023-11-14 | 2023-11-14 | 电流互感器二次电流的采集方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117607777A true CN117607777A (zh) | 2024-02-27 |
Family
ID=89943442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311518617.8A Pending CN117607777A (zh) | 2023-11-14 | 2023-11-14 | 电流互感器二次电流的采集方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117607777A (zh) |
-
2023
- 2023-11-14 CN CN202311518617.8A patent/CN117607777A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110969306A (zh) | 基于深度学习的配电低压台区负荷预测方法及装置 | |
CN116821660A (zh) | 一种电力管理方法、系统、终端设备及存储介质 | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN115408864A (zh) | 电子式互感器误差状态自适应预测方法、系统及设备 | |
Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
CN112417627A (zh) | 一种基于四维指标体系配电网运行可靠性分析方法 | |
CN110298765B (zh) | 一种基于客观关联因素的配电网用电功率异常检测方法 | |
CN117332215A (zh) | 一种高低压配电柜异常故障信息远程监测系统 | |
CN113468811B (zh) | 含新能源机组的电网备用容量概率化动态评估方法及系统 | |
CN113742993A (zh) | 干式变压器寿命损失预测方法、装置、设备及存储介质 | |
CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
CN111708987B (zh) | 一种变电站多台并联变压器负荷预测方法 | |
CN117291576A (zh) | 一种基于工业场景数据趋势预测的方法、系统、计算机设备及存储介质 | |
CN117200223A (zh) | 日前电力负荷预测方法和装置 | |
CN117607777A (zh) | 电流互感器二次电流的采集方法 | |
CN111610483A (zh) | 台区识别方法与台区识别系统 | |
CN110580578A (zh) | 一种智能变电站二次系统运行质量多分层评价方法 | |
CN115810266A (zh) | 一种交通拥堵预测系统 | |
Yang et al. | On‐Line Fault Diagnosis Model of Distribution Transformer Based on Parallel Big Data Stream and Transfer Learning | |
CN113887750A (zh) | 一种基于改进长短期记忆网络的开关柜状态评价方法 | |
Feng et al. | The method and application of electric energy meter status evaluation fused security region | |
CN111080068A (zh) | 一种电能表运行状态评价方法和装置 | |
CN114638169B (zh) | 变压器时变故障概率计算方法、装置及计算机可读存储介质 | |
CN117852229B (zh) | 含新能源的配电网供电可靠性影响因素分析方法及系统 | |
Zhong et al. | Rapid Identification Method for the Sudden Change of Operating Errors in Smart Electricity Meters |
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 |