一种电子式互感器误差预测方法与流程
本发明属于输配电设备状态评估与故障诊断领域，更具体地，涉及一种基于聚类神经网络的电子式互感器误差预测方法。
背景技术：
电子式互感器是承担智能变电站数字化、自动化、信息化、互动化的关键设备之一。采用电子式互感器后，信号传输光纤化从根本上解决了电磁式互感器传输到二次设备的附加误差问题，大大提高了测量和计量系统的准确性。但是从现场运行问题来看，电子式互感器的准确度问题仍然占据较大的比例。尽管所有的在运电子式互感器都通过了型式试验和出厂试验，但到现场安装时其误差合格率普遍偏低，多数互感器都需要在现场进行误差调整。由于外界环境参量的改变使得电子式互感器的误差发生变化，实验室内、现场离线运行以及在线运行时电子式互感器的误差不一致，互感器误差状态的稳定性较差，严重影响了电子式互感器的计量可信度。
电子式互感器的误差考核通常采用定期检修或者停电检修的方法，利用标准电磁式互感器对电子式互感器进行校验，包括离线校验方法和在线校验方法。这些校验方法无法评估电子式互感器的长期运行误差，而且现场实施困难，需要繁重的劳动操作。
现有技术包括基于时序模型的电子式互感器误差预测方法，通过确定历史状态数据在时间上的相关性对未来变化趋势进行预测。但是该方法没有计及外界因素的作用，当外界环境发生较大变化时，预测结果可能存在较大误差。
现有技术还包括基于误差反向传播神经网络的电子式互感器误差预测方法，将空心线圈电流互感器等效为一个多输入单输出的系统，基于前馈神经网络来逼近互感器误差的退化特性，根据神经网络模型对互感器的比差进行了预测。但是该方法没有考虑样本数据中异常值对模型的结构和参数的影响，而且该模型还存在容易陷入局部最小值、收敛速度慢等缺点。
综上所述，现有技术无法评估电子式互感器的长期运行误差，现场实施困难，需要繁重的劳动操作，受外界环境影响大，现场预测结果可能存在较大误差，不可靠等。
技术实现要素：
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种电子式互感器误差预测方法。
为解决上述技术问题，本发明提供
一种电子式互感器误差预测方法，其特征在于，包括下述步骤：
s1：采集电子式互感器误差值和环境参量值生成样本数据；
s2：对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级；
对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；
s3：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；
s4：基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。
进一步地，所述步骤s1中，电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
进一步地，所述步骤s2中，基于z-score标准化方法对样本数据进行标准化处理，计算公式为：
进一步地，所述步骤s2中，选取样本数据中k个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离：
进一步地，所述步骤s3中，以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为k个；神经网络的第i个输入向量为xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量xi的元素，第i个输出向量为yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量yi的元素，输出层权重为w＝[ω1,ω2,…,ωk]t，其中ω1，ω2，...ωk为初始输出层权重向量w的元素，基函数中心值为聚类中心[u1,u2,…,uk]t，其中u1,u2,…,uk为聚类中心的元素,t表示矩阵的转置。
进一步地，所述隐含神经元的映射函数为高斯函数：
根据输出层权重和映射函数，求得神经网络的输出为：
进一步地，将环境参量值ci＝(c1,c2,…,cp)代入步骤s3所建立的神经网络的输入，电子式互感器比差或者角差的预测值为：
一种电子式互感器误差预测系统，其特征在于，包括依次连接的数据采集模块、标准化处理及聚类处理模块、预测模型建立模块和预测模块；
所述数据采集模块用于采集电子式互感器误差值和环境参量值生成样本数据；
所述标准化处理和聚类处理模块用于对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级，以及对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；
所述预测模型建立模块用于将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；
所述预测模块基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。
进一步地，所述电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
进一步地，所述标准化处理和聚类处理模块采用基于z-score标准化方法对样本数据进行标准化处理，计算公式为：
所述标准化处理和聚类处理模块选取样本数据中k个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离：
进一步地，所述预测模型建立模块用于以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为k个；神经网络的第i个输入向量为xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量xi的元素，第i个输出向量为yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量yi的元素，输出层权重为w＝[ω1,ω2,…,ωk]t，其中ω1，ω2，...ωk为初始输出层权重向量w的元素，基函数中心值为聚类中心[u1,u2,…,uk]t，其中u1,u2,…,uk为聚类中心的元素,t表示矩阵的转置；
所述隐含神经元的映射函数为高斯函数：
根据输出层权重和映射函数，求得神经网络的输出为：
进一步地，所述预测模块将环境参量值ci＝(c1,c2,…,cp)代入步骤s4所建立的神经网络的输入，电子式互感器比差或者角差的预测值为：
本发明所达到的有益效果：
本发明不需要建立任何物理模型，基于多维数据驱动的方法，根据电子式互感器的误差数据和环境参量数据，可以实现电子式互感器误差的在线估计，解决了电子式互感器误差和环境参量不存在确定函数关系的问题，有利于提高电子式互感器误差预测的准确性。
附图说明
图1是本发明的实施流程示意图；
图2是电子式互感器误差状态监测平台示意图；
图3(a)、(b)、(c)、(d)和(f)分别是温度、湿度、振动、磁场和负荷参量的聚类计算结果；
图4(a)和(b)分别是比差预测模型和角差预测模型的神经网络迭代结果；
图5(a)和(b)分别是基于本发明的电子式互感器的比差预测结果和角差预测结果；
其中，1为空心线圈电流互感器，2为电磁式电流互感器，3为环境监测单元，4为光纤远传单元，5为信号采集单元，6为数据处理单元，7为时间同步单元，8为交换机，9为服务器。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
一种基于聚类神经网络的电子式互感器误差预测方法，包括以下步骤：
步骤1：采集电子式互感器误差值和环境参量值生成样本，基于β(g,h)分布剔除样本中异常数据；
样本数据容量的取值范围在10000～∞，优选地，样本容量可以选取为15000。
电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，即x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。
令u＝(x-a)/(x-b)，分布参数g和h的估计值为：
样本数据分布范围的估计值
步骤2：基于z-score标准化方法对剔除异常数据后的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级；
针对剔除异常数据后的样本数据，基于z-score标准化方法对样本数据进行标准化处理，是一个分数与平均数的差再除以标准差的过程，计算公式为：
步骤3：对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；
选取样本数据中k个对象作为聚类中心，k的取值范围为1～4，优选地，k取为4；计算样本数据和聚类中心之间的欧式距离：
步骤4：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；
以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，通过训练学习建立径向基神经网络。该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数为k，p的取值范围为2～5，优选地，p取为5，q取为1；神经网络的第i个输入向量为xi＝(x1,x2,…,xp)，第i个输出向量为yi＝(y1,y2,…,yq)，输出层权重为w＝[ω1,ω2,…,ωk]t，基函数中心值为聚类中心[u1,u2,…uj...,uk]t；隐含神经元的映射函数为高斯函数：
步骤5：基于训练得到的预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。
将根据环境参量值ci＝(c1,c2,…,cp)代入步骤s4所建立的神经网络的输入，电子式互感器比差或者角差的预测值为：
下面结合附图和具体实施例对本发明作进一步说明。实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
如图1所示，本发明按照以下步骤对电子式互感器的误差进行预测：
(1)搭建如图2所示的电子式互感器误差状态监测平台，采集电子式互感器误差数据和环境参量数据。平台包括：环境监测单元3、光纤远传单元4、信号采集单元5、数据处理单元6、时间同步单元7。平台中安装有一台0.2级的空心线圈电流互感器1和一台0.2级的电磁式电流互感器2。以电磁式电流互感器2输出为标准信号，可以得到空心线圈电流互感器1误差的比对结果。环境监测单元3可对互感器安装处的环境参量进行采集，包括温度、湿度、振动、磁场等参量；光纤远传单元4则将环境监测单元的数据标准化，发送给一台数据处理单元6；数据处理单元6将数据通过交换机8传输给服务器9，监测数据在服务器9中进行存储；信号采集单元5采集数字化电磁式电流互感器2的输出数据；数据处理单元6同时接收信号采集单元5的输出数据和空心线圈电流互感器1的采样值报文数据。根据环境参量和空心线圈电流互感器1的误差数据构建原始随机矩阵d；时钟同步单元7构建了整个系统的同步时钟系统，负责同步光纤远传单元4、数据处理单元6以及信号采集单元5。利用公式(1)和公式(2)对数据样本中的2组异常数据进行剔除。
(2)利用公式(3)对剔除异常数据后的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级。
(3)利用公式(4)反复迭代，得到环境参量的聚类中心，聚类结果如图3所示。
(4)以电子式互感器的比差或者角差作为输出变量，以温度、湿度、振动、磁场和负荷参量作为输入变量，利用公式(5)～公式(7)计算神经网络输出层的权重，建立聚类神经网络，神经网络迭代结果如图4所示。
(5)将环境参量代入神经网络，利用公式(8)预测电子式互感器的比差或者角差，预测结果如图5所示，可以看出比差预测误差的最大绝对值为0.05％，角差预测误差的最大绝对值为9.5’。以电子式互感器误差真实值为基准，利用公式(9)计算预测误差，可以得到比差预测误差达到7.4％，角差预测误差达到9.5％，表明预测结果和实际值吻合。本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！