CN117706452A - 基于knn-gru模型的电压互感器的在线评估方法 - Google Patents
基于knn-gru模型的电压互感器的在线评估方法 Download PDFInfo
- Publication number
- CN117706452A CN117706452A CN202311502750.4A CN202311502750A CN117706452A CN 117706452 A CN117706452 A CN 117706452A CN 202311502750 A CN202311502750 A CN 202311502750A CN 117706452 A CN117706452 A CN 117706452A
- Authority
- CN
- China
- Prior art keywords
- phase
- voltage
- transformer
- knn
- voltage transformer
- 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 32
- 239000011159 matrix material Substances 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 18
- 238000012795 verification Methods 0.000 claims abstract description 6
- 238000012544 monitoring process Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000002790 cross-validation Methods 0.000 claims description 3
- 230000006698 induction Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 3
- 230000005012 migration Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000004140 cleaning Methods 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000007781 pre-processing Methods 0.000 claims description 2
- 230000003797 telogen phase Effects 0.000 claims description 2
- 230000015556 catabolic process Effects 0.000 description 9
- 238000006731 degradation reaction Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 6
- 230000001965 increasing effect Effects 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000033228 biological regulation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
-
- 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
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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]
-
- 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)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- General Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Power Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
基于KNN‑GRU模型的电压互感器的在线评估方法，采集电压互感器的二次输出电压，对电压互感器的输出样本进行线性插值，根据电压互感器的早期运行数据构造标准数据库；对三相电压互感器的输出矩阵进行匹配与重构，对A、B、C三相电压分别构建三组KNN‑GRU模型，并以K‑折交叉验证的方式，对KNN‑GRU模型进行训练。通过K‑近邻算法从标准数据库中匹配相似样本作为特征，输入各组GRU模型对三相电压值进行预测，得到当前三相互感器的电压预测值；对比前者与实际互感器输出的偏差，选择均方差SPE作为损失评估指标Q；若评估指标Q超出阈值，则系统进入预警，同时停止更下一时刻的阈值；反之，对阈值下一步继续更新。该方法能够有效检测电压互感器0.2级精度的计量偏差偏移。
Description
技术领域
本发明涉及电压互感器性能检验技术领域，具体涉及一种基于KNN-GRU模型的电压互感器的在线评估方法。
背景技术
电压互感器作为智能电站中重要的数字计量装置，为保证系统稳定运行提供了重要的数据支撑。因此，有必要对电压互感器的运行稳定性问题做进一步研究。电压互感器的计量准确性受环境温湿度、二次负载、电磁场、设备老化等因素的影响，暴露出若干严重问题，这些问题会直接导致电能计量装置的计量准确性下降，严重时将出现电能计量失准的现象，对电能贸易结算带来巨大损失，同时也可能导致系统误动作，影响电力系统的稳定运行。根据相关规程规定，电压互感器被纳为强制检定器具，即根据检定规程需要对电压互感器进行周期性离线检定，以保证其计量准确性。
伴随着电网系统规模的不断增大，电压互感器计量需求量正飞速增加，传统人工检定模式显然已无法应对激增的电压互感器检定工作量。
电子式电压互感器作为建设智能电网和数字化变电站重要的组成部分之一，能够及时计量电网的节点电压。由于电子式互感器投入实运的时间较短，其包含大量的受电场、磁场和温度环境影响的元件，长时间的运行会导致故障率上升，其运行的可靠性和准确性必须得到保证。因此，亟需建立一种实现对在运行中的电压互感器的校准方法。
发明内容
本发明提供一种基于KNN-GRU模型的电压互感器的在线评估方法，该方法利用电压互感器的早期运行数据构建标准数据库，结合K-近邻算法对待评估点的电压互感器三相输出进行匹配重构。将上述匹配结果与实际互感器输出之间的损失作为评估指标，用于衡量电压互感器状态的退化程度；同时，引入门控循环单元GRU对K-近邻算法进行融合优化得到KNN-GRU模型，进一步提高重构过程中的稳定性；此外，加入移动窗的方法，对统计阈值进行自适应更新，提高模型对电网不平衡度波动的抗干扰能力。实验结果表明，该方法能够有效检测电压互感器0.2级精度的计量偏差偏移。
本发明采取的技术方案为：
基于KNN-GRU模型的电压互感器的在线评估方法，包括以下步骤：
步骤一、离线建模步骤：
采集电压互感器的二次输出电压，对其进行异常值剔除和小波分层去噪；对电压互感器的输出样本进行线性插值，提高数据的分辨率；根据电压互感器的早期运行数据构造标准数据库，其中包括各相电压互感器的历史输出序列；
对三相电压互感器的输出矩阵进行匹配与重构，分别以各两相电压作为KNN-GRU模型的输入，剩余相电压作为预测结果；对A、B、C三相电压分别构建三组KNN-GRU模型，并以K-折交叉验证的方式，对KNN-GRU模型进行训练。
步骤二、在线评估步骤：
根据当前时刻下的电压互感器输出状态值，通过K-近邻算法从标准数据库中匹配相似样本作为特征，输入各组GRU模型对三相电压值进行预测，得到当前三相互感器的电压预测值；
对比前者与实际互感器输出的偏差，选择均方差SPE作为损失评估指标Q；使用Gamma概率模型对损失分布进行估计，选择合适的上分位数作为阈值，同时为缓冲电网一次不平衡度，引入移动窗对阈值进行加权，实现阈值的自适应更新；
若评估指标Q超出阈值，则系统进入预警，同时停止更下一时刻的阈值；反之，对阈值下一步继续更新，重复上述步骤。
所述步骤一包括以下步骤：
步骤1.1：采集变电站110kv三相互感器监测数据，通过3σ和小波包分解去噪对数据进行清洗预处理，随后将同组三相电压互感器的输出数据构建为输出矩阵，每相电压互感器运行得到一条长度为N的向量序列，则所有待评估电压互感器形成的矩阵H为：
式(1)中：ua(t)、ub(t)、uc(t)分别表示三相电压互感器的对应t时刻的输出；分别以矩阵H乘以稀疏矩阵P(3×6)，构建KNN-GRU模型的输入特征X。
[Ya|Yb|Yc]＝H＝[ua(t)|ub(t)|uc(t)] (3)；
式(2)、式(3)中：Xa，Xb，Xc分别表示各相互感器电压预测模型的输入的N组特征；H表示原始三相互感器输出矩阵，P表示空间重构矩阵，用于将H重构为对应预测模型的输入；ua(t)，ub(t)，uc(t)表示三相互感器对应的各个时刻输出值。
步骤1.2：在K-近邻算法(KNN)模型中K值的选择会直接影响KNN模型的特征提取个数，从而直接影响GRU模型的预测归纳精度。因此本发明采用肘方法对K进行优化，主要对变电站的三相CVT电压数据进行分析。
选取前3000组正常运行历史数据对K值进行确定，如图2所示，具体步骤如下：
a)将电压互感器各相电压幅值数据按照4:1的比例交叉划分为5组训练集与测试集；
b)选择不同K值下的KNN模型，分别以两相电压对剩余相电压进行预测，对K个近邻样本的标签回归取平均值。每相电压得到5组预测结果，将各相预测结果分别进行拼接，得到三相电压的3000个预测值；
d)分别计算各相电压预测结果的相对绝对误差(rMAE)，对其求平均得到相应的肘曲线，将预测误差极小点K＝5时作为结果，如图3所示。
e)同样地，在K＝5的情况下，利用上述方法，对训练集中利用K近邻匹配得到的5组近邻样本作为特征，根据样本平方距离大小进行排序，构建预测输入序列，输入GRU模型进行归纳输出。根据上述结果对KNN-GRU模型中门控循环单元GRU网络参数进行训练优化。
f)将样本3000按照4:1划分为5种交叉验证集，通过KNN算法进行特征选择后，利用门控循环单元GRU对剩余区间内的电压值进行拟合，以最小化损失为目标进行训练。如图4所示。
步骤1.3：对数据进行样本空间重构，分别划分为三相电压预测的数据集。根据K个近邻样本的距离d进行依次排序，从而构造相应特征向量，输入门控循环单元GRU模型得到：
yi＝g((di,1,θi,1,yi,1),(di,2,θi,2,yi,2),...,(di,k,θi,k,yi,k)) (4)；
式(4)中：di,k，θi,k和yi,k分别为第i个训练样本匹配得到的第k个近邻特征之间的距离与相对空间角度以及标签值。g(·)为训练得到的GRU模型映射函数。
所述步骤二包括以下步骤：
步骤2.1：对于k个监测时区内的三相监测电压数据，分别依次双相循环输入KNN-GRU模型计算理论值，将三相理论电压幅值与实际值进行对比，计算均方误差SPE，用于反映时间状态下互感器状态的迁移量Q；
式(5)中：ei为对i时刻的三相预测误差向量
步骤2.2：对待监测110kV变电站监测数据的三相电压互感器在线监测电压进行试测，利用伽马概率模型对其Q统计量进行分布估计。
式(6)中：为Gamma函数，α、β为形参。图5使用伽马曲线拟合分布直方图。
步骤2.3：为削弱三相不平衡度波动对互感器评估统计量Q的影响，提出加权滑窗的方式实现Qc的自适应更新。
式中：Qc(t)为对应t+1时刻的统计阈值；Q’为移动窗口内的置信分位数；Qc初始阈值；λ为加权系数，选择0.5；Qc(t+1)表示下一时刻计算估计的新阈值。
对于滑动窗口内的Gamma函数参数α和β满足：
式中：E(X)表示移动窗口内的总体期望值，D(X)表示移动窗口内的总体方差。
步骤2.4：根据上述步骤2.1建立评估指标Q，与对应步骤2.3中计算得到的阈值Qc进行比较，当在线运行数据的Q统计量超过其统计控制阈值Qc时，表明此时三相电压互感器中至少有一相出现误差漂移并报警，同时停止对下一时刻阈值Qc的更新。
本发明一种基于KNN-GRU模型的电压互感器的在线评估方法，技术效果如下：
1)本发明可以在考虑电网一次不平衡扰动下，利用三相电压互感器输出之间的协同相关性，构建相应的字典用于反映电压互感器的早期状态，通过与后期的电压互感器输出特征进行比对，评判电压互感器随时间的退化程度。本发明在不依赖于外部设备的接入，直接利用已有的电压互感器输出端数据挖掘数据运行规律，对电压互感器状态进行标定估计，实现了非标准器下的在线评估。
2)本发明在考虑电网一次不平衡的扰动下，具有较好的抗干扰性，可以实现复杂电力系统运行情况下的评估。
3)本发明提供了一种电压互感器误差状态评估方法，不用于常规的检测电子式互感器误差的方法，无需标准互感器作对比，也无需断电操作，降低了人力、物力成本；
4)本发明可以从具有非线性和峰谷变化的二次电压数据中获取表征电子式电压互感器误差的统计量，对电子式电压互感器的误差状态进行监测。
5)由于该方法无需标准互感器，仅需要分析从二次电压数据中提取的统计量，所以本发明提供的方法能够对电子式电压互感器状态进行实时监测。
6)本发明采集电压互感器的二次输出电压，对数据进行清洗与分辨率质量提升以及稀疏矩阵重构三相数据；考虑三相不平衡度的短时平稳性，构建相应的电压数据字典。利用KNN模型作为指针对标准数据库进行特征匹配，最终由GRU回归模型对中心值进行归纳，将以上环节共同构成标准数据库。利用标准数据库对挂网数据进行实时输出，对照各个采样时刻的三相电压互感器输出，计算理论值与实际值的偏差，最后构建对应统计特征量与阈值，即可实现互感器状态监测。
8)本发明同时，提出移动时间窗口的方式对阈值自适应更新，可以有效削弱电网不平衡度的时变性。实验结果表明，本发明方法能够准确监测互感器0.2级的精度漂移。
附图说明
图1为电压互感器状态评估流程图。
图2为近邻系数K优化流程图。
图3为不同K值下KNN模型的预测误差曲线图。
图4为GRU模型预测流程图。
图5为前3000组正常数据预测误差伽马分布直方图图。
图6为三相电压互感器正常情况下监测量Q曲线图。
图7三相互感器B相发生渐变故障曲线图。
图8三相电压互感器渐变故障情况下监测量Q曲线图。
图9三相电压互感器突变故障情况下监测量Q曲线图。
图10(a)不同劣化速率下的Q统计量对比图(不同速率的渐变分量)；
图10(b)不同劣化速率下的Q统计量对比图(互感器故障评估结果)。
具体实施方式
基于KNN-GRU模型的电压互感器的在线评估方法，主要基于模式匹配的方式，利用历史运行数据构建标准数据库，训练合适的KNN模型作为指针，将匹配得到的特征输入GRU模型进行三相电压幅值预测，将预测得到的理论标准值与实际互感器三相输出电压幅值进行对比，计算的偏差向量用于衡量电压互感器状态的时迁,具体包括以下步骤：
S1：采集同母线节点上的三相电压互感器的输出电压数据。对数据进行3σ异常处理，剔除奇异值，利用中位数插值进行补充。通过Hermite插值方式对训练样本进行扩充。经预处理后可以增加训练样本的数量和密度，提高预测模型的精度。
将同组三相互感器的输出数据构建为矩阵，每相互感器运行得到一条长度为N的向量序列，则所有待评估互感器形成的矩阵H为：
分别以矩阵H乘以稀疏矩阵P(3×6)，构建模型输入特征X。
[Ya|Yb|Yc]＝H＝[ua(t)|ub(t)|uc(t)] (3)；
式(2)、式(3)中：Xa，Xb，Xc分别表示各相互感器电压预测模型的输入的N组特征；H表示原始三相互感器输出矩阵，P表示空间重构矩阵，用于将H重构为对应预测模型的输入；ua(t)，ub(t)，uc(t)表示三相互感器对应的各个时刻输出值。
再将各组数据分别与历史数据库D进行相似性分析。根据K个近邻样本的距离d进行依次排序，从而构造相应特征向量，输入GRU模型得到：
yi＝g((di,1,θi,1,yi,1),(di,2,θi,2,yi,2),...,(di,k,θi,k,yi,k)) (4)；
式中di,k和θi,k分别为第i个训练样本匹配得到的第k个近邻特征之间的距离与相对空间角度。y为训练样本的标签值，g(·)为训练得到的GRU模型映射函数。
S2：选取前3000组正常运行历史数据对K值进行确定，具体步骤如下：
a)将互感器各相电压幅值数据按照4:1的比例交叉划分为5组训练集与测试集；
b)选择不同K值下的模型，分别以两相电压对剩余相电压进行预测，每相电压得到5组预测结果；
c)将各相预测结果分别进行拼接，得到三相电压的3000个预测值；
d)分别计算各相电压预测结果的相对绝对误差(rMAE)，对其求平均得到相应的肘曲线，将K＝5时得到的最小误差值作为结果。
e)将K＝5作为超参数代入KNN模型，对每组交叉集中训练数据进行特征提取，作为GRU模型的输入，对GRU模型进行训练，以最小化损失作为目标。
S3：状态评估指标Q的构建与自适应更新：
通过对训练数据的试运，得到Q统计量的分布近似满足Gamma分布：
式中:为Gamma函数，α，β为形参。
为简便计算，本发明对Gamma函数进行上95分位确定，计算统计阈值Qc。然而对于固定的阈值，由于电压互感器实际运行过程中，一次电压相对偏差会因线路参数、有载调压分接头和投切电容器组等确定因素引起周期性的微小缓慢平稳波动，往往会出现误判行为。因此，为削弱三相不平衡度波动对互感器评估统计量Q的影响，提出加权滑窗的方式实现Qc的自适应更新。
式中Qc(t)为对应t+1时刻的统计阈值，Q’为移动窗口内的置信分位数，Qc初始阈值，λ为加权系数，选择0.5。
对于滑动窗口内的Gamma函数参数α和β满足：
式中：E(X)表示移动窗口内的总体期望值，D(X)表示移动窗口内的总体方差。
根据上述步骤建立评估指标Q，与对应的阈值Qc进行比较。
S4：当在线运行数据的Q统计量超过其统计控制阈值Qc时，表明此时有CVT发生故障并报警，同时停止对下一时刻Qc的更新。
由于不同变电环境下的互感器劣化情况有所不同，为避免上述单一实验结果对本文结论所产生的影响。下面通过人为方式引入ReLU函数对B相互感器的运行误差进行叠加，以模拟不同劣化程度下的互感器误差变化情况：
本文分别对不同劣化速率α下的互感器输出序列进行测试，将超限率作为Q统计量有效性的评价指标，以验证本文模型对不同渐变误差的灵敏度。
从表1可知，当样本数据所对应的渐变计量误差大于自身计量误差随机波动时，可有效检测出样本发生渐变异常运行下的数据，且随着渐变误差f的增大，本文样本数据异常检测方法的准确率也随之提高。
表1异常检测准确率
图6为三相电压互感器正常情况下监测量Q，说明在正常情况下互感器输出的Q统计量满足在一定分布界限内波动，波动原因是受三相不平衡度变化的影响。
图7为三相互感器B相发生渐变故障；图8为三相电压互感器渐变故障情况下监测量Q，说明当互感器比差引入附加漂移量时Q统计量会发生相应的上升趋势。由此可以看出Q统计量与互感器的比差存在一定的正相关性。
图9为三相电压互感器突变故障情况下监测量Q，说明Q统计量与互感器的比差存在时间相位上的一致性。
图10(a)、图10(b)为不同劣化速率下的Q统计量，说明本发明对不同渐变速率下的互感器精度劣化，劣化速率越快，识别效率越高，但总体上对于0.2级以上的误差漂移均已达到了较好的识别效果。
根据上述实验，对互感器引入0.2级的渐变漂移和突变误差后，本发明在Q统计量的监测曲线上均实现了对异常情况的表现。其中，在渐变试验中对其异常检测正确率达到了74.15％，说明了本发明方法能够准确监测互感器0.2级的精度漂移。
Claims (3)
1.基于KNN-GRU模型的电压互感器的在线评估方法，其特征在于包括以下步骤：
步骤一、离线建模步骤：
采集电压互感器的二次输出电压，对其进行异常值剔除和小波分层去噪；对电压互感器的输出样本进行线性插值；根据电压互感器的早期运行数据构造标准数据库；
对三相电压互感器的输出矩阵进行匹配与重构，分别以各两相电压作为KNN-GRU模型的输入，剩余相电压作为预测结果，对A、B、C三相电压分别构建三组KNN-GRU模型，并以K-折交叉验证的方式，对KNN-GRU模型进行训练；
步骤二、在线评估步骤：
根据当前时刻下的电压互感器输出状态值，通过K-近邻算法从标准数据库中匹配相似样本作为特征，输入各组GRU模型对三相电压值进行预测，得到当前三相互感器的电压预测值；
对比预测值与实际互感器输出的偏差，选择均方差SPE作为损失评估指标Q；使用Gamma概率模型对损失分布进行估计，选择合适的上分位数作为阈值，引入移动窗对阈值进行加权，实现阈值的自适应更新；
若评估指标Q超出阈值，则系统进入预警，同时停止更下一时刻的阈值；反之，对阈值下一步继续更新，重复上述步骤。
2.根据权利要求1所述基于KNN-GRU模型的电压互感器的在线评估方法，其特征在于：
所述步骤一包括以下步骤：
步骤1.1：采集变电站110kv三相互感器监测数据，通过3σ和小波包分解去噪对数据进行清洗预处理，随后将同组三相电压互感器的输出数据构建为输出矩阵，每相电压互感器运行得到一条长度为N的向量序列，则所有待评估电压互感器形成的矩阵H为：
式(1)中：ua(t)、ub(t)、uc(t)分别表示三相电压互感器的对应t时刻的输出；分别以矩阵H乘以稀疏矩阵P(3×6)，构建KNN-GRU模型的输入特征X；
[Ya|Yb|Yc]＝H＝[ua(t)|ub(t)|uc(t)] (3)；
式(2)、式(3)中：Xa，Xb，Xc分别表示各相互感器电压预测模型的输入的N组特征；H表示原始三相互感器输出矩阵，P表示空间重构矩阵，用于将H重构为对应预测模型的输入；ua(t)，ub(t)，uc(t)表示三相互感器对应的各个时刻输出值；
步骤1.2：采用肘方法对K进行优化，对变电站的三相CVT电压数据进行分析：
选取前3000组正常运行历史数据对K值进行确定，具体步骤如下：
a)将电压互感器各相电压幅值数据按照4:1的比例交叉划分为5组训练集与测试集；
b)选择不同K值下的KNN模型，分别以两相电压对剩余相电压进行预测，对K个近邻样本的标签回归取平均值；每相电压得到5组预测结果，将各相预测结果分别进行拼接，得到三相电压的3000个预测值；
d)分别计算各相电压预测结果的相对绝对误差(rMAE)，对其求平均得到相应的肘曲线，将预测误差极小点K＝5时作为结果；
e)在K＝5的情况下，利用上述方法，对训练集中利用K近邻匹配得到的5组近邻样本作为特征，根据样本平方距离大小进行排序，构建预测输入序列，输入GRU模型进行归纳输出；根据上述结果对KNN-GRU模型中门控循环单元GRU网络参数进行训练优化；
f)将样本3000按照4:1划分为5种交叉验证集，通过KNN算法进行特征选择后，利用门控循环单元GRU对剩余区间内的电压值进行拟合，以最小化损失为目标进行训练；
步骤1.3：对数据进行样本空间重构，分别划分为三相电压预测的数据集；根据K个近邻样本的距离d进行依次排序，从而构造相应特征向量，输入门控循环单元GRU模型得到：
yi＝g((di,1,θi,1,yi,1),(di,2,θi,2,yi,2),...,(di,k,θi,k,yi,k)) (4)；
式(4)中：di,k，θi,k和yi,k分别为第i个训练样本匹配得到的第k个近邻特征之间的距离与相对空间角度以及标签值；g(·)为训练得到的GRU模型映射函数。
3.根据权利要求1所述基于KNN-GRU模型的电压互感器的在线评估方法，其特征在于：所述步骤二包括以下步骤：
步骤2.1：对于k个监测时区内的三相监测电压数据，分别依次双相循环输入KNN-GRU模型计算理论值，将三相理论电压幅值与实际值进行对比，计算均方误差SPE，用于反映时间状态下互感器状态的迁移量Q；
式(5)中：ei为对i时刻的三相预测误差向量；
步骤2.2：对待监测变电站监测数据的三相电压互感器在线监测电压进行试测，利用伽马概率模型对其Q统计量进行分布估计；
式(6)中：为Gamma函数，α、β为形参；
步骤2.3：为削弱三相不平衡度波动对互感器评估统计量Q的影响，提出加权滑窗的方式实现Qc的自适应更新；
式中：Qc(t)为对应t+1时刻的统计阈值；Q’为移动窗口内的置信分位数；Qc初始阈值；λ为加权系数；Qc(t+1)表示下一时刻计算估计的新阈值；
对于滑动窗口内的Gamma函数参数α和β满足：
式中：E(X)表示移动窗口内的总体期望值，D(X)表示移动窗口内的总体方差；
步骤2.4：根据上述步骤2.1建立评估指标Q，与对应步骤2.3中计算得到的阈值Qc进行比较，当在线运行数据的Q统计量超过其统计控制阈值Qc时，表明此时三相电压互感器中至少有一相出现误差漂移并报警，同时停止对下一时刻阈值Qc的更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502750.4A CN117706452A (zh) | 2023-11-10 | 2023-11-10 | 基于knn-gru模型的电压互感器的在线评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311502750.4A CN117706452A (zh) | 2023-11-10 | 2023-11-10 | 基于knn-gru模型的电压互感器的在线评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117706452A true CN117706452A (zh) | 2024-03-15 |
Family
ID=90155971
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311502750.4A Pending CN117706452A (zh) | 2023-11-10 | 2023-11-10 | 基于knn-gru模型的电压互感器的在线评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117706452A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118051866A (zh) * | 2024-04-16 | 2024-05-17 | 国网冀北电力有限公司 | 一种电压互感器误差状态预测方法、预测终端及存储介质 |
-
2023
- 2023-11-10 CN CN202311502750.4A patent/CN117706452A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118051866A (zh) * | 2024-04-16 | 2024-05-17 | 国网冀北电力有限公司 | 一种电压互感器误差状态预测方法、预测终端及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
| CN111814390B (zh) | 基于传递熵和小波神经网络的电压互感器误差预测方法 | |
| CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
| CN113239132B (zh) | 一种电压互感器的超差在线辨识方法 | |
| CN117060409B (zh) | 电力线路运行状态自动化检测分析方法及系统 | |
| CN117706452A (zh) | 基于knn-gru模型的电压互感器的在线评估方法 | |
| CN109818349A (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
| CN109284933B (zh) | 一种基于数理统计的电子式互感器状态评估系统及方法 | |
| Liu et al. | Combined forecasting method of dissolved gases concentration and its application in condition-based maintenance | |
| CN113743651A (zh) | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 | |
| CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| Zhang et al. | Evaluating the metering error of electronic transformers on-line based on VN-MWPCA | |
| CN115408864A (zh) | 电子式互感器误差状态自适应预测方法、系统及设备 | |
| CN113987294A (zh) | 一种基于遗传优化gru神经网络的cvt在线故障诊断方法 | |
| Zhang et al. | Detection of the ratio error drift in CVT considering AVC | |
| CN114678962B (zh) | 基于电力物联网的分布式阵列测温异常数据传输监控系统 | |
| CN116662771A (zh) | 电容式电压互感器自适应pca误差定量评价的方法及系统 | |
| CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
| CN115169704A (zh) | 基于增量集成学习模型的cvt误差状态预测方法和装置 | |
| CN103675518B (zh) | 油浸式高压设备检修方法及装置 | |
| Chi et al. | A fault diagnosis method of double-layer LSTM for 10 kV single-core cable based on multiple observable electrical quantities | |
| CN117630797A (zh) | 基于工作电流的电表健康状态检测方法、系统及存储介质 | |
| KR20240028196A (ko) | 초저주파 측정데이터 기반 케이블 진단 방법 및 이를 위한 위한 예측모델 운영 시스템 | |
| CN114280434A (zh) | 一种复合绝缘子劣化程度量化分析方法及系统 |
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 |