CN117826058A - 一种关口电容式电压互感器运行状态在线监测方法及装置 - Google Patents
一种关口电容式电压互感器运行状态在线监测方法及装置 Download PDFInfo
- Publication number
- CN117826058A CN117826058A CN202410039612.5A CN202410039612A CN117826058A CN 117826058 A CN117826058 A CN 117826058A CN 202410039612 A CN202410039612 A CN 202410039612A CN 117826058 A CN117826058 A CN 117826058A
- Authority
- CN
- China
- Prior art keywords
- voltage transformer
- gateway
- score
- capacitive voltage
- historical
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000007689 inspection Methods 0.000 claims abstract description 108
- 238000005259 measurement Methods 0.000 claims abstract description 17
- 230000005856 abnormality Effects 0.000 claims abstract description 10
- 230000003068 static effect Effects 0.000 claims description 39
- 238000004590 computer program Methods 0.000 claims description 22
- 230000002457 bidirectional effect Effects 0.000 claims description 20
- 238000003062 neural network model Methods 0.000 claims description 20
- 238000013528 artificial neural network Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 15
- 238000004364 calculation method Methods 0.000 claims description 13
- 239000003990 capacitor Substances 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 238000012806 monitoring device Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 3
- 230000008569 process Effects 0.000 description 10
- 230000002159 abnormal effect Effects 0.000 description 7
- 102100039338 Aminomethyltransferase, mitochondrial Human genes 0.000 description 5
- 101710147141 Aminomethyltransferase, mitochondrial Proteins 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000002131 composite material Substances 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 4
- 239000011159 matrix material Substances 0.000 description 4
- 230000000737 periodic effect Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000005611 electricity Effects 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 239000003989 dielectric material Substances 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 239000012774 insulation material Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G01R35/02—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
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Measurement Of Resistance Or Impedance (AREA)
Abstract
本申请提供一种关口电容式电压互感器运行状态在线监测方法及装置。该方法包括：获取待测关口电容式电压互感器的电压、电流、功率因数、温度和湿度；将电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器的比差和角差；根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，质量维度包括误差状态、批次质量、监测异常、计量信誉和运行年限；根据评分，确定待测关口电容式电压互感器的巡检周期。本申请能够解决关口电容式电压互感器的运行状态掌握不及时的问题，以及实现对待测关口电容式电压互感器运行状态的提前预警。
Description
技术领域
本申请涉及关口电容式电压互感器技术领域，尤其涉及一种关口电容式电压互感器运行状态在线监测方法及装置。
背景技术
关口电容式电压互感器(Gateway capacitive voltage transformer，GCVT)是一种常用于电力系统中的电压传感器，是关口电能计量装置的重要组成部分，广泛应用于高压、特高压电力系统。GCVT的工作原理是通过电容分压实现电压的降压，并将其转换为输出信号，供给关口电能表、仪表及保护装置等，以便测量和监测。然而，GCVT内部的绝缘和介质材料随着时间和使用条件的变化，可能会出现老化、劣化、损坏等问题，导致性能下降，甚至出现故障。实验数据表明，许多运行多年的GCVT存在不同程度的超差。超差现象严重影响了电能计量的准确性，进而影响电力交易的公平准确和电网的完整稳定运行。而且GCVT在运行过程中受多种因素(制造工艺、设计水平以及温度等)的影响，稳定性较低，存在很大的测量风险。因此，需要设定巡检周期，定期对关口电容式电压互感器进行巡检，以获取关口电容式电压互感器的故障情况。
目前，采用周期性断电检测方法对关口电容式电压互感器进行实地检测，该检测方法不仅存在检测效率低下的问题，使得运检人员无法及时准确地掌握关口电容式电压互感器的运行状态，而且在定期巡检过程中，大量浪费运检人员的人力劳动，还存在人身安全风险高、电力系统超差发现不及时、设备无法自动化监测等问题。当不及时发现故障并消除故障，由于故障停电会带来不必要的时间和经济成本。
发明内容
本申请提供了一种关口电容式电压互感器运行状态在线监测方法及装置，以解决现有技术中关口电容式电压互感器运行状态的巡检周期设定不准确的问题。
第一方面，本申请提供了一种关口电容式电压互感器运行状态在线监测方法，包括：
获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，所述变压器静态数据包括电压、电流和功率因数，所述影响因素监测数据包括温度和湿度；
将电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器的比差和角差；所述关口电容式电压互感器预测模型为基于多任务学习策略构建的双向长短时记忆神经网络模型；
根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，所述质量维度包括误差状态、批次质量、监测异常、计量信誉和运行年限；
根据所述评分，确定所述待测关口电容式电压互感器的巡检周期。
第二方面，本申请提供了一种关口电容式电压互感器运行状态在线监测装置，包括：
获取模块，用于获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，所述变压器静态数据包括电压、电流和功率因数，所述影响因素监测数据包括温度和湿度；
预测模块，用于将电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器的比差和角差；所述关口电容式电压互感器预测模型为基于多任务学习策略构建的双向长短时记忆神经网络模型；
评分确定模块，用于根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，所述质量维度包括误差状态、批次质量、监测异常、计量信誉和运行年限；
周期确定模块，用于根据所述评分，确定所述待测关口电容式电压互感器的巡检周期。
第三方面，本申请提供了一种终端，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，所述处理器执行所述计算机程序时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
第四方面，本申请提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上第一方面或第一方面的任一种可能的实现方式所述方法的步骤。
本申请提供一种关口电容式电压互感器运行状态在线监测方法及装置，通过获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，利用关口电容式电压互感器预测模型得到对应的预测误差，根据预测误差，计算待测关口电容式电压互感器在多个质量维度上的评分，根据评分确定待测关口电容式电压互感器的巡检周期。本申请根据在多个质量维度上的评分情况确定其对应的巡检周期，解决了由于巡检周期设定不准确导致关口电容式电压互感器的运行状态掌握不及时的问题，很大程度地保障了运检人员的人身安全和降低了不必要人力劳动消耗，并且根据关口电容式电压互感器预测模型可以提前获取其对应的预测误差，实现了对待测关口电容式电压互感器运行状态的提前预警，降低了由于关口电容式电压互感器的故障问题带来的时间和经济成本损失。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本申请实施例提供的关口电容式电压互感器运行状态在线监测方法的实现流程图；
图2是本申请实施例提供的双向长短时记忆神经网络模型的结构示意图；
图3是本申请实施例提供的关口电容式电压互感器运行状态在线监测方法的流程示意图；
图4是本申请实施例提供的关口电容式电压互感器运行状态在线监测装置的结构示意图；
图5是本申请实施例提供的终端的示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
为使本申请的目的、技术方案和优点更加清楚，下面将结合附图通过具体实施例来进行说明。
图1为本申请实施例提供的关口电容式电压互感器运行状态在线监测方法的实现流程图，详述如下：
在步骤101中，获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，变压器静态数据包括电压、电流和功率因数，影响因素监测数据包括温度和湿度。
在本申请实施例中，基于用电信息采集系统获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，其中，变压器静态数据包括现场的电压、电流和功率因数，影响因素监测数据包括现场的温度和湿度。
在一种可能的实现方式中，在步骤101之后，该方法还可以包括：
利用多阶拉格朗日内插法对变压器静态数据和影响因素监测数据中缺失数据进行修复，多阶拉格朗日内插法的计算公式为：
其中，Pt为第t时刻缺失的数据，m1为前向点数，m2为后向点数，t为缺失时刻，Pt-k为前向点数中第t-k时刻的数据，Pt+i为后向点数中第t+i时刻的数据。
具体的，为了避免获取的待测关口电容式电压互感器的变压器静态数据和影响因素监测数据的缺失对关口电容式电压互感器的预测产生不良影响，需要及时的对待测关口电容式电压互感器的变压器静态数据和影响因素监测数据的完整性和对应格式进行检查。本申请实施例可以使用多阶拉格朗日内插法来修复数据集中缺失的数据部分。
其中，数据格式检查是为了发现下属字段中不符合标准格式的字段。用电信息采集系统中的关口剂量数据描述字段是一致的，但是在数据集成、转换过程中可能出现数据格式错误，会导致关口电容式电压互感器预测模型失准。因此，在格式校正阶段，可以使用自动校验方法来统一数据集的格式。
在步骤102中，将电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器的比差和角差；关口电容式电压互感器预测模型为基于多任务学习策略构建的双向长短时记忆神经网络模型。
在本申请实施例中，将步骤101中获取的待测关口电容式电压互感器的现场的电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器对应的比差和角差。
其中，针对目前关口电容式电压互感器预测方法中提取数据相关性费时、信息量大的问题，考虑到关口电容式电压互感器数据属于时间序列数据，因此，本申请实施例构建关口电容式电压互感器预测模型，其中，关口电容式电压互感器预测模型是基于多任务学习策略构建的双向长短时记忆神经网络(Bidirectional long short-term memory，BiLSTM)模型。
在一种可能的实现方式中，关口电容式电压互感器预测模型的构建方法可以包括：
获取关口电容式电压互感器的历史变压器静态数据和历史影响因素监测数据，历史变压器静态数据包括关口电容式电压互感器对应的历史电压、历史电流和历史功率因数，历史影响因素监测数据包括关口电容式电压互感器对应的历史温度和历史湿度；
获取关口电容式电压互感器在不同历史变压器静态数据和历史影响因素监测数据下对应的历史比差和历史角差；
利用多任务学习策略，构建双向长短时记忆神经网络模型，长短时记忆神经网络模型包括BiLSTM神经网络和全连接层网络；
将历史电压、历史电流、历史功率因数、历史温度和历史湿度作为输入，将相应的历史比差和历史角差作为输出，训练双向长短时记忆神经网络模型，得到关口电容式电压互感器预测模型。
具体的，利用多任务学习策略，构建双向长短时记忆神经网络模型，具体结构参照图2。然后获取某个时间段的关口电容式电压互感器对应的历史电压u、历史电流i、历史功率因数λ、历史温度T和历史湿度RH，并获取对应的历史比差和历史角差。将历史电压、历史电流、历史功率因数、历史温度和历史湿度作为输入，将相对应的历史比差和历史角差作为输出，训练双向长短时记忆神经网络模型，得到关口电容式电压互感器预测模型。
在本申请实施例中，基于双向长短时记忆神经网络模型的关口电容式电压互感器预测模型需要同时预测比差和角差，两者之间存在耦合关系。因此，多任务学习策略比单任务学习策略具有更强的鲁棒性和有效性。此外，并行预测策略还可以节省计算时间。参数共享建立多任务共享结构，针对不同任务进入不同分支，通过捕获联合特征实现各自的预测功能。参数共享简化了关口电容式电压互感器预测模型，因此本申请实施例选择多任务学习策略。关口电容式电压互感器的比差预测模型和角差预测模型在多任务共享层提取并结合相关特征。在任务分支层，通过两个并行任务对关口电容式电压互感器的比差和角差进行预测，具体的结构参照图2。
具体的构建过程包括：
参照图2，网络的输入为某个时间段获取的关口电容式电压互感器的历史变压器静态数据以及对应的历史影响因素监测数据，其中，历史变压器静态数据包括历史电压、历史电流和历史功率因数，历史影响因素监测数据包括历史温度和历史湿度，标记为X；BiLSTM神经网络层的输出为h；网络的输出为关口电容式电压互感器的历史比差和历史角差，即为y。
设It、Ft和Ot分别为BiLSTM单元中输入门、遗忘门和输出门的输出，Ct是细胞状态。遗忘门Ft可以挑选出之前时间节点的有用记忆，输入门It可以提取现在时间节点的有用信息，输出门Ot可以整合现在时间节点信息和细胞状态完成输出。具体公式如下：
输入门It的计算公式如公式(1)所示：
It＝δ(Uixt+Wiht-1+bi) (1)
其中，Ui和Wi为输入门的权重矩阵，bi为输入门的偏置，δ()为sigmiod函数。
遗忘门Ft的计算公式如公式(2)所示：
Ft＝δ(Ufxt+Wfht-1+bf) (2)
其中，Uf和Wf为遗忘门的权重矩阵，bf为遗忘门的偏置。
输出门Ot的计算公式如公式(3)所示：
Ot＝δ(Uoxt+Woht-1+bo) (3)
其中，Uo和Wo为输出门的权重矩阵，bo为输出门的偏置。
暂态细胞状态的计算公式如公式(4)所示：
其中，为暂态细胞状态，tanh()为tanh函数，Uc和Wc为暂态细胞状态的权重矩阵。
细胞状态Ct的计算公式如公式(5)所示：
根据输出门Ot和细胞状态Ct，计算得到BiLSTM神经网络层的输出h，计算公式如公式(6)所示：
ht＝Ot*tanh(Ct) (6)
使用全连接层网络进行关口电容式电压互感器误差预测，全连接层网络的激活函数为：
其中，为待测关口电容式电压互感器的预测误差，Wc为全连接层网络的权重，bc为全连接层网络的偏置，h为BiLSTM神经网络的输出，δ()为sigmoid函数。
相应的，关口电容式电压互感器的比差预测序列y1和角差预测序列y2在计算时，全连接层网络的权重Wc和全连接层网络的偏置bc的参数设置不同。
在一种可能的实现方式中，还可以将双向长短时记忆神经网络分别与卷积神经网络、深度置信网络和长短时记忆神经网络进行对比，确定本申请实施例采用双向长短时记忆神经网络可以得到更加准确的比差和角差。
具体的对比过程为：根据本申请实施例中提供的关口电容式电压互感器的误差数据，数据以1小时为间隔连续采样，其中包括变压器静态数据、测量误差监测数据和影响因素监测数据。BiLSTM神经网络的训练参数设置如表1所示。
表1 BiLSTM神经网络的训练参数
对算法预测精度的评价标准选择均方误差(Mean square error，MSE)、均方根误差(Root mean square error，RMSE)以及平均绝对误差(Mean absolute error，MAE)，计算公式如下所示：
均方误差如公式(7)所示：
其中，为比差或者角差的预测值，yi为比差或者角差的真实值，m为样本数。
均方根误差如公式(8)所示：
平方绝对误差如公式(9)所示：
分别将卷积神经网络、深度置信网络、长短时记忆神经网络以及本申请实施例中的双向长短时记忆神经网络对关口电容式电压互感器的比差和角差进行预测，比差和角差的误差预测结果分别如下表2和表3所示：
表2比差的误差预测结果
表3角差的误差预测结果
根据上述比差和角差的误差预测结果的对比，可以看出，本申请实施例采用双向长短时记忆神经网络构建关口电容式电压互感器预测模型，可以得到更加准确的比差和角差。
本申请实施例中使用基于多任务学习策略构建的双向长短时记忆神经网络模型，实现关口电容式电压互感器的比差及角差预测，有效提高了比差和角差的预测精度；并通过多任务学习策略来提高关口电容式电压互感器预测模型的训练速度，降低计算负担。
在步骤103中，根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，质量维度包括误差状态、批次质量、监测异常、计量信誉和运行年限。
在本申请实施例中，根据步骤102得到的待测关口电容式电压互感器的比差和角差，基于待测关口电容式电压互感器在误差状态、批次质量、监测异常、计量信誉和运行年限的5个质量维度对待测关口电容式电压互感器进行综合评价并打分。
在一种可能的实现方式中，步骤103可以包括：
通过第一公式计算待测关口电容式电压互感器的误差状态评分，第一公式为：
其中，S1为误差状态评分，y1为比差，y2为角差；
通过第二公式计算待测关口电容式电压互感器的批次质量评分，第二公式为：
S2＝100×(1-σ)
其中，S2为批次质量评分，σ为与待测关口电容式电压互感器同批次的关口电容式电压互感器的运行故障率；
通过第三公式计算待测关口电容式电压互感器的监测异常评分，第三公式为：
其中，S3为监测异常评分，n为待测关口电容式电压互感器在预设时间内的故障次数；
通过第四公式计算待测关口电容式电压互感器的计量信誉评分，第四公式为：
其中，S4为计量信誉评分，m为待测关口电容式电压互感器在预设年限内出现影响信誉的事件的次数；
通过第五公式计算待测关口电容式电压互感器的运行年限评分，第五公式为：
其中，S5为运行年限评分，t为待测关口电容式电压互感器的安装年限。
具体的，针对误差状态评分S1：基于步骤103获取的待测关口电容式电压互感器的比差y1和角差y2，按照第一公式计算得到待测关口电容式电压互感器在误差状态维度上的评分S1。
针对批次质量评分S2：假设与待测关口电容式电压互感器同批次的关口电容式电压互感器的运行故障率σ，按照第二公式计算得到待测关口电容式电压互感器在批次质量维度上的评分S2。
针对监测异常评分S3：主要按照月度监测异常评分，在一个月时间内，对与待测关口电容式电压互感器，若出现黑屏等异常现象，则将监测异常评分S3设为0；若未出现异常现象，则将监测异常评分S3设为100，具体参照第三公式。
针对计量信誉评分S4：再过去一年中，若关口计量用户被查证有过窃电行为等影响信誉的事件，则将计量信誉评分S4设为0；若从未发生过影响信誉的事件，则将计量信誉评分S4设为100，具体参照第四公式。
针对运行年限评分S5：判断待测关口电容式电压互感器的安装年限，若安装年限在一年之内，则将运行年限评分S5设为100；若安装年限超过一年，且之后每运行一年，运行年限评分S5扣除20分，具体参照第五公式。其中，若安装年限超过待测关口电容式电压互感器的轮换后期，则将运行年限评分S5设为0。
在步骤104中，根据评分，确定待测关口电容式电压互感器的巡检周期。
在本申请实施例中，根据步骤103中获取的待测关口电容式电压互感器在误差状态、批次质量、监测异常、计量信誉和运行年限上的评分，确定待测关口电容式电压互感器的巡检周期。
在一种可能的实现方式中，步骤104可以包括：
对待测关口电容式电压互感器的误差状态评分、批次质量评分、监测异常评分、计量信誉评分和运行年限评分进行加权求和，得到待测关口电容式电压互感器在多个质量维度上的综合评分；
若综合评分大于等于零且小于第一分数，则将第一巡检周期确定为待测关口电容式电压互感器的巡检周期；
若综合评分大于等于第一分数且小于第二分数，则将第二巡检周期确定为待测关口电容式电压互感器的巡检周期；
若综合评分大于等于第二分数且小于第三分数，则将第三巡检周期确定为待测关口电容式电压互感器的巡检周期；
若综合评分大于等于第三分数且小于等于第四分数，则将第四巡检周期确定为待测关口电容式电压互感器的巡检周期；
第一巡检周期小于第二巡检周期，第二巡检周期小于第三巡检周期，第三巡检周期小于第四巡检周期。
具体的，对待测关口电容式电压互感器的误差状态评分、批次质量评分、监测异常评分、计量信誉评分和运行年限评分进行加权求和，得到待测关口电容式电压互感器在多个质量维度上的综合评分，具体的计算公式如公式(10)所示：
S＝α1*S1+α2*S2+α3*S3+α4*S4+α5*S5+ (10)
其中，S为待测关口电容式电压互感器在多个质量维度上的综合评分，α1为误差状态评分的权重，α2为批次质量评分的权重，α3为监测异常评分的权重，α4为计量信誉评分的权重，α5为运行年限评分的权重。
基于待测关口电容式电压互感器在多个质量维度上的综合评分S，若综合评分S大于等于0且小于第一分数，即0≤S<A1，则将第一巡检周期确定为待测关口电容式电压互感器的巡检周期。若综合评分S大于等于第一分数且小于第二分数，即A1≤S<A2，则将第二巡检周期确定为待测关口电容式电压互感器的巡检周期。若综合评分S大于等于第二分数且小于第三分数，即A2≤S<A3，则将第三巡检周期确定为待测关口电容式电压互感器的巡检周期。若综合评分S大于等于第三分数且小于等于第四分数，即A3≤S≤A4，则将第四巡检周期确定为待测关口电容式电压互感器的巡检周期。其中，A4为100。
其中，对于第一巡检周期、第二巡检周期、第三巡检周期和第四巡检周期，在时间长短上，要求第一巡检周期小于第二巡检周期，第二巡检周期小于第三巡检周期，第三巡检周期小于第四巡检周期。
示例性的，假设误差状态评分、批次质量评分、监测异常评分、计量信誉评分和运行年限评分的权重设置为α1＝0.4、α2＝0.2、α3＝0.1、α4＝0.2和α5＝0.1，则根据公式(7)计算得到待测关口电容式电压互感器在多个质量维度上的综合评分S。若0≤S<60，则定义第一巡检周期为0，即需要立即对待测关口电容式电压互感器进行检定；若60≤S<70，则定义第二巡检周期为1个月；若70≤S<90，则定义第三巡检周期为3个月；若90≤S≤100，则定义第四巡检周期为6个月。
本申请实施例中通过待测关口电容式电压互感器在多个质量维度上的综合评分，制定相应的巡检周期，可以增强关口计量装置的可信性，并根据巡检周期制定对应的巡检策略，实现关口电容式电压互感器的运行状态在线监测。通过本申请的运行状态在线监测方法，改变了传统关口电容式电压互感器周期性断电检测方法效率低下的现状，有助于运检人员实时准确地掌握关口电容式电压互感器的运行状态，解决现有人工定期巡检方法存在的工作强度高、安全风险、超差发现不及时、无法自动化监测等问题，实现对计量装置的实时监控和装置故障的提前预警，进而可以降低故障停电带来的时间和经济成本。
本申请提供一种关口电容式电压互感器运行状态在线监测方法，通过获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，利用关口电容式电压互感器预测模型得到对应的预测误差，根据预测误差，计算待测关口电容式电压互感器在多个质量维度上的评分，根据评分确定待测关口电容式电压互感器的巡检周期。本申请根据在多个质量维度上的评分情况确定其对应的巡检周期，解决了由于巡检周期设定不准确导致关口电容式电压互感器的运行状态掌握不及时的问题，很大程度地保障了运检人员的人身安全和降低了不必要人力劳动消耗，并且根据关口电容式电压互感器预测模型可以提前获取其对应的预测误差，实现了对待测关口电容式电压互感器运行状态的提前预警，降低了由于关口电容式电压互感器的故障问题带来的时间和经济成本损失。
下面通过一个实施示例对上述的关口电容式电压互感器运行状态在线监测方法进行说明。
参照图3，获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，并判断获取的变压器静态数据和影响因素监测数据是否存在数据缺失问题，若存在，则利用多阶拉格朗日内插法进行修复，若不存在，则判断是否存在数据格式问题，若存在，则利用自动校验方法进行校正，若不存在，则完成预处理，得到完整且格式正确的变压器静态数据和影响因素监测数据。并将完整且格式正确的变压器静态数据和影响因素监测数据输入关口电容式电压互感器预测模型中，得到待测关口电容式电压互感器的比差和角差。并基于比差和角差，分别计算误差状态评分、批次质量评分、监测异常评分、计量信誉评分和运行年限评分。加权求和得到待测关口电容式电压互感器在多个质量维度上的综合评分。根据综合评分，确定待测关口电容式电压互感器对应的巡检周期。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本申请实施例的实施过程构成任何限定。
以下为本申请的装置实施例，对于其中未详尽描述的细节，可以参考上述对应的方法实施例。
图4示出了本申请实施例提供的关口电容式电压互感器运行状态在线监测装置的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分，详述如下：
如图4所示，关口电容式电压互感器运行状态在线监测装置4包括：
获取模块41，用于获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，变压器静态数据包括电压、电流和功率因数，影响因素监测数据包括温度和湿度；
预测模块42，用于将电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器的预测误差；关口电容式电压互感器预测模型为基于多任务学习策略构建的长短时记忆神经网络模型；预测误差包括比差和角差；
评分确定模块43，用于根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，质量维度包括误差状态、批次质量、监测异常、计量信誉和运行年限；
周期确定模块44，用于根据评分，确定待测关口电容式电压互感器的巡检周期。
本申请提供一种关口电容式电压互感器运行状态在线监测装置，通过获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，利用关口电容式电压互感器预测模型得到对应的预测误差，根据预测误差，计算待测关口电容式电压互感器在多个质量维度上的评分，根据评分确定待测关口电容式电压互感器的巡检周期。本申请根据在多个质量维度上的评分情况确定其对应的巡检周期，解决了由于巡检周期设定不准确导致关口电容式电压互感器的运行状态掌握不及时的问题，很大程度地保障了运检人员的人身安全和降低了不必要人力劳动消耗，并且根据关口电容式电压互感器预测模型可以提前获取其对应的预测误差，实现了对待测关口电容式电压互感器运行状态的提前预警，降低了由于关口电容式电压互感器的故障问题带来的时间和经济成本损失。
在一种可能的实现方式中，评分确定模块具体可以用于：
通过第一公式计算待测关口电容式电压互感器的误差状态评分，第一公式为：
其中，S1为误差状态评分，y1为比差，y2为角差；
通过第二公式计算待测关口电容式电压互感器的批次质量评分，第二公式为：
S2＝100×(1-σ)
其中，S2为批次质量评分，σ为与待测关口电容式电压互感器同批次的关口电容式电压互感器的运行故障率；
通过第三公式计算待测关口电容式电压互感器的监测异常评分，第三公式为：
其中，S3为监测异常评分，n为待测关口电容式电压互感器在预设时间内的故障次数；
通过第四公式计算待测关口电容式电压互感器的计量信誉评分，第四公式为：
其中，S4为计量信誉评分，m为待测关口电容式电压互感器在预设年限内出现影响信誉的事件的次数；
通过第五公式计算待测关口电容式电压互感器的运行年限评分，第五公式为：
其中，S5为运行年限评分，t为待测关口电容式电压互感器的安装年限。
在一种可能的实现方式中，周期确定模块具体可以用于：
对待测关口电容式电压互感器的误差状态评分、批次质量评分、监测异常评分、计量信誉评分和运行年限评分进行加权求和，得到待测关口电容式电压互感器在多个质量维度上的综合评分；
若综合评分大于等于零且小于第一分数，则将第一巡检周期确定为待测关口电容式电压互感器的巡检周期；
若综合评分大于等于第一分数且小于第二分数，则将第二巡检周期确定为待测关口电容式电压互感器的巡检周期；
若综合评分大于等于第二分数且小于第三分数，则将第三巡检周期确定为待测关口电容式电压互感器的巡检周期；
若综合评分大于等于第三分数且小于等于第四分数，则将第四巡检周期确定为待测关口电容式电压互感器的巡检周期；
第一巡检周期小于第二巡检周期，第二巡检周期小于第三巡检周期，第三巡检周期小于第四巡检周期。
在一种可能的实现方式中，在获取模块之后，该装置还可以包括：
数据修复模块，用于利用多阶拉格朗日内插法对变压器静态数据和影响因素监测数据中缺失数据进行修复，多阶拉格朗日内插法的计算公式为：
其中，Pt为第t时刻缺失的数据，m1为前向点数，m2为后向点数，t为缺失时刻，Pt-k为前向点数中第t-k时刻的数据，Pt+i为后向点数中第t+i时刻的数据。
在一种可能的实现方式中，关口电容式电压互感器预测模型的构建方法包括：
获取关口电容式电压互感器的历史变压器静态数据和历史影响因素监测数据，历史变压器静态数据包括关口电容式电压互感器对应的历史电压、历史电流和历史功率因数，历史影响因素监测数据包括关口电容式电压互感器对应的历史温度和历史湿度；
获取关口电容式电压互感器在不同历史变压器静态数据和历史影响因素监测数据下对应的历史比差和历史角差；
利用多任务学习策略，构建双向长短时记忆神经网络模型，长短时记忆神经网络模型包括BiLSTM神经网络和全连接层网络；
将历史电压、历史电流、历史功率因数、历史温度和历史湿度作为输入，将相应的历史比差和历史角差作为输出，训练双向长短时记忆神经网络模型，得到关口电容式电压互感器预测模型。
在一种可能的实现方式中，全连接层网络的激活函数为：
其中，为待测关口电容式电压互感器的预测误差，Wc为全连接层网络的权重，bc为全连接层网络的偏置，h为BiLSTM神经网络的输出，δ()为sigmoid函数。
图5是本申请实施例提供的终端的示意图。如图5所示，该实施例的终端5包括：处理器50、存储器51以及存储在所述存储器51中并可在所述处理器50上运行的计算机程序52。所述处理器50执行所述计算机程序52时实现上述各个关口电容式电压互感器运行状态在线监测方法实施例中的步骤，例如图1所示的步骤101至步骤104。或者，所述处理器50执行所述计算机程序52时实现上述各装置实施例中各模块的功能，例如图4所示各模块的功能。
示例性的，所述计算机程序52可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器51中，并由所述处理器50执行，以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序52在所述终端5中的执行过程。例如，所述计算机程序52可以被分割成图4所示各模块。
所述终端5可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。所述终端5可包括，但不仅限于，处理器50、存储器51。本领域技术人员可以理解，图5仅仅是终端5的示例，并不构成对终端5的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端还可以包括输入输出设备、网络接入设备、总线等。
所称处理器50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)、现场可编程门阵列(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。
所述存储器51可以是所述终端5的内部存储单元，例如终端5的硬盘或内存。所述存储器51也可以是所述终端5的外部存储设备，例如所述终端5上配备的插接式硬盘，智能存储卡Smart Media Card，SMC)，安全数字(Secure Digital，SD卡，闪存卡Flash Card)等。进一步地，所述存储器51还可以既包括所述终端6的内部存储单元也包括外部存储设备。所述存储器51用于存储所述计算机程序以及所述终端所需的其他程序和数据。所述存储器51还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/终端和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个关口电容式电压互感器运行状态在线监测方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述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形式等。所述计算机可读介质可以包括：能够携带所述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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，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，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。
Claims (10)
1.一种关口电容式电压互感器运行状态在线监测方法，其特征在于，包括：
获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，所述变压器静态数据包括电压、电流和功率因数，所述影响因素监测数据包括温度和湿度；
将电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器的比差和角差；所述关口电容式电压互感器预测模型为基于多任务学习策略构建的双向长短时记忆神经网络模型；
根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，所述质量维度包括误差状态、批次质量、监测异常、计量信誉和运行年限；
根据所述评分，确定所述待测关口电容式电压互感器的巡检周期。
2.根据权利要求1所述的关口电容式电压互感器运行状态在线监测方法，其特征在于，所述根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，包括：
通过第一公式计算所述待测关口电容式电压互感器的误差状态评分，所述第一公式为：
其中，S1为所述误差状态评分，y1为所述比差，y2为所述角差；
通过第二公式计算所述待测关口电容式电压互感器的批次质量评分，所述第二公式为：
S2＝100×(1-σ)
其中，S2为所述批次质量评分，σ为与所述待测关口电容式电压互感器同批次的关口电容式电压互感器的运行故障率；
通过第三公式计算所述待测关口电容式电压互感器的监测异常评分，所述第三公式为：
其中，S3为所述监测异常评分，n为所述待测关口电容式电压互感器在预设时间内的故障次数；
通过第四公式计算所述待测关口电容式电压互感器的计量信誉评分，所述第四公式为：
其中，S4为所述计量信誉评分，m为所述待测关口电容式电压互感器在预设年限内出现影响信誉的事件的次数；
通过第五公式计算所述待测关口电容式电压互感器的运行年限评分，所述第五公式为：
其中，S5为所述运行年限评分，t为所述待测关口电容式电压互感器的安装年限。
3.根据权利要求1所述的关口电容式电压互感器运行状态在线监测方法，其特征在于，所述根据所述评分，确定所述待测关口电容式电压互感器的巡检周期，包括：
对所述待测关口电容式电压互感器的误差状态评分、批次质量评分、监测异常评分、计量信誉评分和运行年限评分进行加权求和，得到待测关口电容式电压互感器在多个质量维度上的综合评分；
若所述综合评分大于等于零且小于第一分数，则将第一巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
若所述综合评分大于等于所述第一分数且小于第二分数，则将第二巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
若所述综合评分大于等于所述第二分数且小于第三分数，则将第三巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
若所述综合评分大于等于所述第三分数且小于等于第四分数，则将第四巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
所述第一巡检周期小于所述第二巡检周期，所述第二巡检周期小于所述第三巡检周期，所述第三巡检周期小于所述第四巡检周期。
4.根据权利要求1所述的关口电容式电压互感器运行状态在线监测方法，其特征在于，在所述获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据之后，所述方法还包括：
利用多阶拉格朗日内插法对所述变压器静态数据和所述影响因素监测数据中缺失数据进行修复，所述多阶拉格朗日内插法的计算公式为：
其中，Pt为第t时刻缺失的数据，m1为前向点数，m2为后向点数，t为缺失时刻，Pt-k为前向点数中第t-k时刻的数据，Pt+i为后向点数中第t+i时刻的数据。
5.根据权利要求1所述的关口电容式电压互感器运行状态在线监测方法，其特征在于，所述关口电容式电压互感器预测模型的构建方法包括：
获取关口电容式电压互感器的历史变压器静态数据和历史影响因素监测数据，所述历史变压器静态数据包括所述关口电容式电压互感器对应的历史电压、历史电流和历史功率因数，所述历史影响因素监测数据包括所述关口电容式电压互感器对应的历史温度和历史湿度；
获取所述关口电容式电压互感器在不同历史变压器静态数据和历史影响因素监测数据下对应的历史比差和历史角差；
利用多任务学习策略，构建双向长短时记忆神经网络模型，所述长短时记忆神经网络模型包括BiLSTM神经网络和全连接层网络；
将所述历史电压、所述历史电流、所述历史功率因数、所述历史温度和所述历史湿度作为输入，将相应的历史比差和历史角差作为输出，训练所述双向长短时记忆神经网络模型，得到所述关口电容式电压互感器预测模型。
6.根据权利要求5所述的关口电容式电压互感器运行状态在线监测方法，其特征在于，所述全连接层网络的激活函数为：
其中，为待测关口电容式电压互感器的预测误差，Wc为所述全连接层网络的权重，bc为所述全连接层网络的偏置，h为所述BiLSTM神经网络的输出，δ()为sigmoid函数。
7.一种关口电容式电压互感器运行状态在线监测装置，其特征在于，包括：
获取模块，用于获取待测关口电容式电压互感器的变压器静态数据和影响因素监测数据，所述变压器静态数据包括电压、电流和功率因数，所述影响因素监测数据包括温度和湿度；
预测模块，用于将电压、电流、功率因数、温度和湿度输入关口电容式电压互感器预测模型，得到待测关口电容式电压互感器的比差和角差；所述关口电容式电压互感器预测模型为基于多任务学习策略构建的双向长短时记忆神经网络模型；
评分确定模块，用于根据比差和角差，确定待测关口电容式电压互感器在多个质量维度上的评分，所述质量维度包括误差状态、批次质量、监测异常、计量信誉和运行年限；
周期确定模块，用于根据所述评分，确定所述待测关口电容式电压互感器的巡检周期。
8.根据权利要求7所述的关口电容式电压互感器运行状态在线监测装置，其特征在于，所述周期确定模块用于：
对所述待测关口电容式电压互感器的误差状态评分、批次质量评分、监测异常评分、计量信誉评分和运行年限评分进行加权求和，得到待测关口电容式电压互感器在多个质量维度上的综合评分；
若所述综合评分大于等于零且小于第一分数，则将第一巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
若所述综合评分大于等于所述第一分数且小于第二分数，则将第二巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
若所述综合评分大于等于所述第二分数且小于第三分数，则将第三巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
若所述综合评分大于等于所述第三分数且小于等于第四分数，则将第四巡检周期确定为所述待测关口电容式电压互感器的巡检周期；
所述第一巡检周期小于所述第二巡检周期，所述第二巡检周期小于所述第三巡检周期，所述第三巡检周期小于所述第四巡检周期。
9.一种终端，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，其特征在于，所述处理器执行所述计算机程序时实现如上的权利要求1至6中任一项所述关口电容式电压互感器运行状态在线监测方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如上的权利要求1至6中任一项所述关口电容式电压互感器运行状态在线监测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039612.5A CN117826058A (zh) | 2024-01-10 | 2024-01-10 | 一种关口电容式电压互感器运行状态在线监测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410039612.5A CN117826058A (zh) | 2024-01-10 | 2024-01-10 | 一种关口电容式电压互感器运行状态在线监测方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117826058A true CN117826058A (zh) | 2024-04-05 |
Family
ID=90522874
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410039612.5A Pending CN117826058A (zh) | 2024-01-10 | 2024-01-10 | 一种关口电容式电压互感器运行状态在线监测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117826058A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226366A (zh) * | 2024-05-22 | 2024-06-21 | 深圳友讯达科技股份有限公司 | 电压互感器的在线监测方法、装置、设备及存储介质 |
-
2024
- 2024-01-10 CN CN202410039612.5A patent/CN117826058A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118226366A (zh) * | 2024-05-22 | 2024-06-21 | 深圳友讯达科技股份有限公司 | 电压互感器的在线监测方法、装置、设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110471024B (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
| CN106338706B (zh) | 一种电能计量装置整体误差检测的方法、装置和系统 | |
| CN109270482B (zh) | 电压互感器计量准确度在线评价方法及终端设备 | |
| CN110728008B (zh) | 一种用于确定智能电表的期望寿命的方法及装置 | |
| CN106338705A (zh) | 一种用于三相电能计量装置的校验误差的方法和装置 | |
| CN117826058A (zh) | 一种关口电容式电压互感器运行状态在线监测方法及装置 | |
| CN110221976B (zh) | 一种基于度量技术的计量终端软件质量量化评价方法 | |
| CN107589391B (zh) | 一种检测电能计量装置整体误差的方法、装置和系统 | |
| CN113406558A (zh) | 基于线性回归的电表失准检测方法、装置及电子设备 | |
| Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
| CN114911788B (zh) | 一种数据插补方法、装置及存储介质 | |
| CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
| 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 | |
| CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
| CN110888100A (zh) | 一种单相智能电能表在线带载检测系统及方法 | |
| CN117825866A (zh) | 一种基于电网模型的电网短路容量就地检测方法及系统 | |
| CN113205259A (zh) | 电网调度决策评估方法、装置及终端设备 | |
| CN117741546A (zh) | 智能电能表故障预测方法及装置 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN112330195A (zh) | 适用于电力数据质量评估与规则校验的方法与装置 | |
| CN113792256B (zh) | 低压电流互感器计量性能评估方法、装置以及电子设备 | |
| CN115932704A (zh) | 一种基于模型和数据双驱动的cvt误差测量方法及系统 | |
| CN112068067A (zh) | 流水线计量检定装置的表位隔离变压器带载误差检测系统 | |
| CN118229271B (zh) | 用于核电安全级设备的寿命评估方法、装置、设备及介质 | |
| US20230236264A1 (en) | Methods, systems and terminal devices for analyzing cell states based on cell parameters |
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 |