电网带负荷测试方法、装置、计算机设备和存储介质与流程

[0001]
本申请涉及电力电网技术领域，特别是涉及一种电网带负荷测试方法、装置、计算机设备和存储介质。


背景技术：

[0002]
电力系统作为关系到国家安全和国民经济命脉的重要基础设施，时刻需要满足正常环境下的可靠运行。在电力系统当中，电压、电流二次回路接线的正确性决定了保护、测控、安自等装置能否正确运行，进而保证电网能否安全稳定运行。
[0003]
传统的电力系统带负荷测试方法，广泛采用外置电流钳+电压连接线的形式，通过电流、电压在同一个表中同步采样完成相位以及幅值的计算，该方法要求在测量电流时必须连接电压测试线才能实现相位差的计算，测试过程均须重复进行电压测试线接线及钳表接线工作，耗时费力，存在测试效率低的缺点。


技术实现要素：

[0004]
基于此，有必要针对上述问题，提供一种可提高电网带负荷测试效率的电网带负荷测试方法、装置、计算机设备和存储介质。
[0005]
一种电网带负荷测试方法，包括：
[0006]
获取对电网各采样点连续采样得到的相电压数据；
[0007]
根据所述相电压数据进行模型训练，得到频率预测模型；
[0008]
对目标采样点采集得到相电压相位值，以及在异步相电流采样时刻的相电流；
[0009]
根据所述相电压相位值和所述频率预测模型计算得到所述目标采样点在异步相电流采样时刻的相电压频率值；
[0010]
根据所述相电压频率值和在异步相电流采样时刻的相电流，计算得到所述目标采样点在异步相电流采样时刻的负荷角度。
[0011]
在其中一个实施例中，所述获取对电网各采样点连续采样得到的相电压数据，包括：利用高稳晶振对电网各采样点进行连续采样，获取设定时长内的相电压得到相电压数据。
[0012]
在其中一个实施例中，所述频率预测模型为arma模型；所述根据所述相电压数据进行模型训练，得到频率预测模型，包括：
[0013]
根据采样时间将相电压数据分为训练数据和检验数据；
[0014]
根据所述训练数据进行模型训练，得到训练后的arma模型；
[0015]
根据所述检验数据对所述训练后的arma模型进行分析，检测是否符合测量要求；若是，则arma模型完成；若否，则返回所述获取对电网各采样点连续采样得到的相电压数据的步骤。
[0016]
在其中一个实施例中，所述根据所述训练数据进行模型训练，得到训练后的arma模型，包括：
[0017]
对所述训练数据按额定频率计算每个周波的频率值，得到频率序列；
[0018]
根据所述频率序列确定arma模型参数；
[0019]
根据所述arma模型参数和所述频率序列进行训练，得到训练结果数据；
[0020]
计算训练结果数据与所述频率序列的方差，并判断所述方差是否符合预设条件；若是，则得到训练后的arma模型；若否，则返回根据所述频率序列确定arma模型参数的步骤。
[0021]
在其中一个实施例中，所述根据所述频率序列确定arma模型参数，包括：对所述频率序列进行自相关图和偏自相关图分析，得到阶数作为arma模型参数。
[0022]
在其中一个实施例中，所述对所述训练数据按额定频率计算每个周波的频率值，得到频率序列之后，所述根据所述频率序列确定arma模型参数之前，还包括：
[0023]
对所述频率序列进行单位根检验，判断所述频率序列是否稳定；若是，则进行所述根据所述频率序列确定arma模型参数的步骤；若否，则输出电网频率不稳定的提示信息。
[0024]
在其中一个实施例中，所述根据所述相电压频率值和在异步相电流采样时刻的相电流，计算得到所述目标采样点在异步相电流采样时刻的负荷角度之后，还包括：
[0025]
在获取到所述目标采样点在异步相电流采样时刻的相电压频率测量值后，根据所述相电压频率测量值对所述频率预测模型进行验证，在验证不通过时输出模型失效提示信息。
[0026]
一种电网带负荷测试装置，包括：
[0027]
数据获取模块，用于获取对电网各采样点连续采样得到的相电压数据；
[0028]
模型训练模块，用于根据所述相电压数据进行模型训练，得到频率预测模型；
[0029]
参数采集模块，用于对目标采样点采集得到相电压相位值，以及在异步相电流采样时刻的相电流；
[0030]
频率计算模块，用于根据所述相电压相位值和所述频率预测模型计算得到所述目标采样点在异步相电流采样时刻的相电压频率值；
[0031]
负荷计算模块，用于根据所述相电压频率值和在异步相电流采样时刻的相电流，计算得到所述目标采样点在异步相电流采样时刻的负荷角度。
[0032]
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述方法的步骤。
[0033]
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现上述的方法的步骤。
[0034]
上述电网带负荷测试方法、装置、计算机设备和存储介质，利用对电网各采样点连续采样得到的相电压数据进行训练得到的频率预测模型，结合对目标采样点采集得到相电压相位值进行频率预测，得到目标采样点在异步相电流采样时刻的相电压频率值，进而根据预测的相电压频率值和在异步相电流采样时刻的相电流，计算得到目标采样点在异步相电流采样时刻的负荷角度。通过相电压频率预测实现利用不同时刻测量的相电压与相电流计算负荷角度，简化测试步骤，在带负荷测试过程中不用重复进行电压测试线接线工作，极大提高了工作效率。
附图说明
[0035]
图1为一实施例中电网带负荷测试方法的流程图；
[0036]
图2为一实施例中根据相电压数据进行模型训练，得到频率预测模型的流程图；
[0037]
图3为一实施例中根据训练数据进行模型训练，得到训练后的arma模型的流程图；
[0038]
图4为另一实施例中根据训练数据进行模型训练，得到训练后的arma模型的流程图；
[0039]
图5为另一实施例中电网带负荷测试方法的流程图；
[0040]
图6为一实施例中电网带负荷测试装置的结构框图；
[0041]
图7为一实施例中计算机设备的内部结构图；
[0042]
图8为一实施例中基于机器学习的频率预测在电网带负荷测试中应用方法的原理示意图。
具体实施方式
[0043]
为了便于理解本申请，下面将参照相关附图对本申请进行更全面的描述。附图中给出了本申请的实施例。但是，本申请可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使本申请的公开内容更加透彻全面。
[0044]
除非另有定义，本文所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。本文中在本申请的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本申请。
[0045]
在一个实施例中，本申请提供了一种电网带负荷测试方法，适用于变电站中继电保护设备带负荷测试。如图1所示，该方法包括：
[0046]
步骤s100：获取对电网各采样点连续采样得到的相电压数据。
[0047]
具体地，可预先对电网不同位置设置采样点，连续采集采样点一段时间内的相电压数据用作后续进行模型训练。在一个实施例中，步骤s100包括：利用高稳晶振对电网各采样点进行连续采样，获取设定时长内的相电压得到相电压数据。对采样点进行数据采集的频率，以及设定时长的具体取值都不是唯一的，可根据实际需求进行调整。其中，可以是以4000hz的频率进行连续采样，并对每个采样点进行绝对时间标定，连续测量5分钟的相电压数据进行保存。通过采用高稳定性晶振，保证带负荷测试采样脉冲的均匀性，从而满足同步采样的要求。
[0048]
步骤s200：根据相电压数据进行模型训练，得到频率预测模型。
[0049]
对应地，可以是将采集的相电压数据分成训练样本和校验样本，分别用作进行模型训练和校验，从而得到频率预测模型。频率预测模型的具体类型并不是唯一的，由于测量对象为单一变量，可采用arma(autoregressive moving average，自回归移动平均模型)来实现电网频率的预测。
[0050]
具体地，在一个实施例中，频率预测模型为arma模型；如图2所示，步骤s200包括步骤s220、步骤s240和步骤s260。
[0051]
步骤s220：根据采样时间将相电压数据分为训练数据和检验数据。同样以连续测量5分钟的相电压数据为例，可将前4分钟采样的数据作为训练数据，用于机器学习模型的训练，后1分钟采样的数据作为检验数据，用于对模型预测结果的检验。
[0052]
步骤s240：根据训练数据进行模型训练，得到训练后的arma模型。具体地，可先搭建arma模型的基础架构，利用训练数据进行训练计算arma模型的模型参数，直至模型的输出数据符合要求，得到训练后的arma模型。
[0053]
步骤s260：根据检验数据对训练后的arma模型进行分析，检测是否符合测量要求。在训练完成arma模型之后，利用检验数据进行频率预测并对预测结果进行评判，当结果满足测量要求时，则认为arma模型训练完成；若结果不满足测量要求，则返回步骤s100，重新采集数据进行模型训练。其中，检测是否符合测量要求的方式并不唯一，本实施例中，可以是利用检验数据进行频率预测得到arma模型的预测结果后，将预测结果与实际采集数据进行对比，两者差别小于设定误差时则可认为arma模型符合测量要求，arma模型训练完成。
[0054]
进一步地，根据训练数据进行模型训练的具体方式也不是唯一的，在一个实施例中，如图3所示，步骤s240包括步骤s241至步骤s246。
[0055]
步骤s241：对训练数据按额定频率计算每个周波的频率值，得到频率序列。具体地，对训练数据按额定频率50hz计算每个周波的频率值，从而得到连续的频率序列。
[0056]
步骤s244：根据频率序列确定arma模型参数。通过将频率序列的数据分解为周期量、趋势量以及残差三部分，分析确定arma模型中参数p、q的值。在一个实施例中，步骤s244包括：对频率序列进行自相关图和偏自相关图分析，得到阶数p、q作为arma模型参数。
[0057]
步骤s245：根据arma模型参数和频率序列进行训练，得到训练结果数据。将参数p、q值代入arma模型并使用频率序列的值进行训练，得到训练结果数据。
[0058]
步骤s246：计算训练结果数据与频率序列的方差，并判断方差是否符合预设条件。若是，则得到训练后的arma模型；若否，则返回步骤s244。具体地，计算得到训练结果数据与原始频率序列的方差后，如果方差小于设定阈值则可认为方法符合预设条件。
[0059]
此外，在一个实施例中，如图4所示，步骤s241之后，步骤s244之前，步骤s240还包括步骤s242：对频率序列进行单位根检验，判断频率序列是否稳定。若是，则进行步骤s244；若否，则执行步骤s243：输出电网频率不稳定的提示信息。
[0060]
在利用频率序列进行模型训练之前，还对频率序列进行adf(augmented dickey-fuller，单位根)检验，确定当前频率序列是否平稳。对于不平稳的序列，直接提示用户当前系统频率不稳定，无法进行离线测量。对于平稳序列，则执行步骤s244进行模型训练，确保模型训练的准确性。
[0061]
继续以4000hz的频率进行连续采样为例连续测量5分钟的相电压数据，前4分钟的采样数据用于机器学习模型的训练，后1分钟的采样数据用于对模型预测结果的检验。具体地，arma模型训练由三个部分组成，第一部分对采样数据按系统额定频率50hz计算每个周波的频率值，从而得到12000个点组成的连续频率序列，第二部分计算频率序列的adf值，确定当前频率序列是否平稳，对于不平稳序列，直接提示用户当前系统频率不稳定，无法进行离线测量。
[0062]
其中，单位根检验是指检验序列中是否存在单位根，存在单位根就是非平稳时间序列。单位根检验是随机过程的问题。定义随机序列{x
t
}，t＝1,2,
…
是一单位根过程，若x
t
＝ρx
t-1+ε，t＝1,2
…
，其中|ρ|<1，{ε}为一平稳序列(白噪音)，且e[ε]＝0,v(ε)＝σ<∞,cov(ε,ε)＝μ<∞，这里t＝1,2
…
。特别地，若ρ＝1，则上式就变成一个随机游走序列，因此随机游走序列是一种最简单的单位根过程。将定义式改写为下列形式：(1-ρl)x
t
＝ε，t＝1,
2,
…
。其中l为滞后算子，1-ρl为滞后算子多项式，其特征方程为1-ρz＝0,有根z＝1/ρ。当ρ＝1时，时间序列存在一个单位根，此时{x
t
}是一个单位根过程。当ρ<1时，{x
t
}为平稳序列。而当ρ〉1时，{x
t
}为一类具有所谓爆炸根的非平稳过程，它经过差分后仍然为非平稳过程，因此不为单整过程。一般情况下，单整过程可以称作单位根过程。
[0063]
单位根检验时间序列的单位根研究是时间序列分析的一个热点问题。时间序列矩特性的时变行为实际上反映了时间序列的非平稳性质。对非平稳时间序列的处理方法一般是将其转变为平稳序列，这样就可以应用有关平稳时间序列的方法来进行相应得研究。对时间序列单位根的检验就是对时间序列平稳性的检验，非平稳时间序列如果存在单位根，则一般可以通过差分的方法来消除单位根，得到平稳序列。对于存在单位根的时间序列，一般都显示出明显的记忆性和波动的持续性，因此单位根检验是有关协整关系存在性检验和序列波动持续性讨论的基础。
[0064]
进一步地，arma模型为将ar(auto regression，自回归)模型与ma(moving average，移动平均)模型结合得到，自回归移动平均模型arma(p，q)为：
[0065]
x
t
＝α1x
t-1
+α2x
t-2
+...+α
p
x
t-p
+ε
t
+β1ε
t-1
+...+β
q
ε
t-q
[0066]
该式表明：一个随机时间序列可以通过一个自回归移动平均模型来表示，即该序列可以由其自身的过去或滞后值以及随机扰动项来解释。如果该序列是平稳的，即它的行为并不会随着时间的推移而变化，那么我们就可以通过该序列过去的行为来预测未来。
[0067]
在得到频率序列后，进行adf检验，观察序列是否平稳；对于平稳的频率序列，通过将序列数据分解为周期量、趋势量以及残差三部分，对平稳时间序列分别求得其自相关系数和偏自相关系数，绘制acf(auto-correlation function，自相关函数)/pacf(partial auto-correlation function，偏自相关函数)图，通过对自相关图和偏自相关图的分析，得到最佳的阶数p、q。第三部分将p、q值代入arma模型并使用序列值进行训练，求取训练结果与原始序列的方差。当方差值满足要求后，采用训练好的模型对接下来1分钟的数据进行频率预测并对预测结果进行评判，当结果满足测量要求时则认为arma模型训练完成，否则重复进行数据采样和模型训练，直至得到可使用的模型。
[0068]
步骤s300：对目标采样点采集得到相电压相位值，以及在异步相电流采样时刻的相电流。其中，将需要进行测量的电网节点作为目标采样点，并进行相电压和相电流的异步采样。在记录相电压相位值后，可以是在其它时刻单独采集相电流并保证与相电压点差为80的整数倍。
[0069]
步骤s400：根据相电压相位值和频率预测模型计算得到目标采样点在异步相电流采样时刻的相电压频率值。在异步采集得到相电压和相电流后，根据相电压相位值，利用训练好的模型预测出在异步相电流采集时刻的相电压频率值。
[0070]
步骤s500：根据相电压频率值和在异步相电流采样时刻的相电流，计算得到目标采样点在异步相电流采样时刻的负荷角度。根据在异步相电流采样时刻的相电流，以及预测的异步相电流采集时刻的相电压频率值进行计算得到相电流的相位，然后将相电压相位减去相电流相位得到负荷角度并进行记录。
[0071]
此外，在一个实施例中，如图5所示，步骤s500之后，该方法还包括步骤s600：在获取到目标采样点在异步相电流采样时刻的相电压频率测量值后，根据相电压频率测量值对频率预测模型进行验证，在验证不通过时输出模型失效提示信息。
[0072]
在完成功率角测量记录后，可再次进行相电压频率测量以验证频率模型的准确性。具体地，可计算实际采集的异步相电流采样时刻的相电压频率测量值，与频率预测模型预测的相电压频率值的差值，判断差值是否大于设定误差阈值，若是，则验证通过，模型合格。当验证合格时即可确认利用不同时刻测量的相电压与相电流计算负荷角度的结果满足要求，否则提示用户相电压频率发生大的变化而使得预测模型失效，测量结果无效。
[0073]
上述电网带负荷测试方法，通过相电压频率预测实现利用不同时刻测量的相电压与相电流计算负荷角度，简化测试步骤，在带负荷测试过程中不用重复进行电压测试线接线工作，极大提高了工作效率。
[0074]
在一个实施例中，还提供了一种电网带负荷测试装置，如图6所示，包括数据获取模块100、模型训练模块200、参数采集模块300、频率计算模块400和负荷计算模块500。
[0075]
数据获取模块100用于获取对电网各采样点连续采样得到的相电压数据；模型训练模块200用于根据相电压数据进行模型训练，得到频率预测模型；参数采集模块300用于对目标采样点采集得到相电压相位值，以及在异步相电流采样时刻的相电流；频率计算模块400用于根据相电压相位值和频率预测模型计算得到目标采样点在异步相电流采样时刻的相电压频率值；负荷计算模块500用于根据相电压频率值和在异步相电流采样时刻的相电流，计算得到目标采样点在异步相电流采样时刻的负荷角度。
[0076]
在一个实施例中，数据获取模块100利用高稳晶振对电网各采样点进行连续采样，获取设定时长内的相电压得到相电压数据。
[0077]
在一个实施例中，模型训练模块200根据采样时间将相电压数据分为训练数据和检验数据；根据训练数据进行模型训练，得到训练后的arma模型；根据检验数据对训练后的arma模型进行分析，检测是否符合测量要求。
[0078]
进一步地，模型训练模块200对训练数据按额定频率计算每个周波的频率值，得到频率序列；根据频率序列确定arma模型参数；根据arma模型参数和频率序列进行训练，得到训练结果数据；计算训练结果数据与频率序列的方差，并判断方差是否符合预设条件。若是，则得到训练后的arma模型；若否，则再次根据频率序列确定arma模型参数。
[0079]
此外，在一个实施例中，模型训练模块200对训练数据按额定频率计算每个周波的频率值，得到频率序列之后，还对频率序列进行单位根检验，判断频率序列是否稳定。若是，则进行根据频率序列确定arma模型参数；若否，则输出电网频率不稳定的提示信息。
[0080]
此外，在一个实施例中，负荷计算模块500还用于在获取到目标采样点在异步相电流采样时刻的相电压频率测量值后，根据相电压频率测量值对频率预测模型进行验证，在验证不通过时输出模型失效提示信息。
[0081]
上述电网带负荷测试装置，通过相电压频率预测实现利用不同时刻测量的相电压与相电流计算负荷角度，简化测试步骤，在带负荷测试过程中不用重复进行电压测试线接线工作，极大提高了工作效率。
[0082]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器，其内部结构图可以如图7所示。该计算机设备包括通过系统总线连接的处理器、存储器和网络接口。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备
的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种电网带负荷测试方法。
[0083]
本领域技术人员可以理解，图7中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
[0084]
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器存储有计算机程序，处理器执行计算机程序时实现以下步骤：获取对电网各采样点连续采样得到的相电压数据；根据相电压数据进行模型训练，得到频率预测模型；对目标采样点采集得到相电压相位值，以及在异步相电流采样时刻的相电流；根据相电压相位值和频率预测模型计算得到目标采样点在异步相电流采样时刻的相电压频率值；根据相电压频率值和在异步相电流采样时刻的相电流，计算得到目标采样点在异步相电流采样时刻的负荷角度。
[0085]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：利用高稳晶振对电网各采样点进行连续采样，获取设定时长内的相电压得到相电压数据。
[0086]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：根据采样时间将相电压数据分为训练数据和检验数据；根据训练数据进行模型训练，得到训练后的arma模型；根据检验数据对训练后的arma模型进行分析，检测是否符合测量要求。
[0087]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对训练数据按额定频率计算每个周波的频率值，得到频率序列；根据频率序列确定arma模型参数；根据arma模型参数和频率序列进行训练，得到训练结果数据；计算训练结果数据与频率序列的方差，并判断方差是否符合预设条件。若是，则得到训练后的arma模型；若否，则再次根据频率序列确定arma模型参数。
[0088]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：对频率序列进行单位根检验，判断频率序列是否稳定。若是，则进行根据频率序列确定arma模型参数；若否，则输出电网频率不稳定的提示信息。
[0089]
在一个实施例中，处理器执行计算机程序时还实现以下步骤：在获取到目标采样点在异步相电流采样时刻的相电压频率测量值后，根据相电压频率测量值对频率预测模型进行验证，在验证不通过时输出模型失效提示信息。
[0090]
在一个实施例中，还提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：获取对电网各采样点连续采样得到的相电压数据；根据相电压数据进行模型训练，得到频率预测模型；对目标采样点采集得到相电压相位值，以及在异步相电流采样时刻的相电流；根据相电压相位值和频率预测模型计算得到目标采样点在异步相电流采样时刻的相电压频率值；根据相电压频率值和在异步相电流采样时刻的相电流，计算得到目标采样点在异步相电流采样时刻的负荷角度。
[0091]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：利用高稳晶振对电网各采样点进行连续采样，获取设定时长内的相电压得到相电压数据。
[0092]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：根据采样时间将相电压数据分为训练数据和检验数据；根据训练数据进行模型训练，得到训练后的arma模型；根据检验数据对训练后的arma模型进行分析，检测是否符合测量要求。
[0093]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对训练数据按额
定频率计算每个周波的频率值，得到频率序列；根据频率序列确定arma模型参数；根据arma模型参数和频率序列进行训练，得到训练结果数据；计算训练结果数据与频率序列的方差，并判断方差是否符合预设条件。若是，则得到训练后的arma模型；若否，则再次根据频率序列确定arma模型参数。
[0094]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：对频率序列进行单位根检验，判断频率序列是否稳定。若是，则进行根据频率序列确定arma模型参数；若否，则输出电网频率不稳定的提示信息。
[0095]
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：在获取到目标采样点在异步相电流采样时刻的相电压频率测量值后，根据相电压频率测量值对频率预测模型进行验证，在验证不通过时输出模型失效提示信息。
[0096]
本领域普通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，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0097]
为便于更好地理解上述配电网弹性评价方法、装置、计算机设备和存储介质，以下结合具体实施例进行详细解释说明。
[0098]
现有技术中的采用外置电流钳+电压连接线的形式，要求在测量电流时必须连接电压测试线才能实现相位差的计算。具体操作如下：先将电压测试线连接被测二次电压回路与相位表，测试基准电压；再通过电流钳表及测试线连接被测ct二次回路和相位表，同步测试相应ct二次回路；每一组ct二次回路测量完成后均需要记录电流的大小和角度。
[0099]
而在变电站内带负荷测试工作中，需要测量不同间隔或间隔内不同绕组和不同相别的电流、电压二次回路,因此测试过程均须重复进行电压测试线接线及ct钳表接线工作，耗时费力，工作效率低。尤其当测量ct二次回路和基准电压不在同一屏体或同一地点时，给测试工作带来困难，常常为找一个基准电压要苦恼，这种情况下通过长电缆连接电压回路，也存在一定的安全隐患。
[0100]
基于以上问题，本申请提供一种基于机器学习的频率预测在电网带负荷测试中应用的方法，通过采用高稳定性晶振，确保测量系统守时偏差达到2小时内小于10us，从而满足同步采样的要求，为测量方法的应用奠定基础。
[0101]
如图8所示，具体过程如下：
[0102]
1)以4000hz的频率进行连续采样，并对每个采样点进行绝对时间标定。
[0103]
2)连续测量5分钟的相电压，其中前4分钟的采样数据用于机器学习模型的训练，后1分钟的采样数据用于对模型预测结果的检验，由于测量对象为单一变量，在此采用arma来实现电网频率的预测。
[0104]
3)模型训练由三个部分组成，第一部分对采样数据按系统额定频率50hz计算每个周波的频率值，从而得到12000个点组成的连续频率序列，第二部分计算序列的adf值，确定当前频率序列是否平稳，对于不平稳序列，直接提示用户当前系统频率不稳定，无法进行离线测量。对于平稳序列通过将序列数据分解为周期量、趋势量以及残差三部分并绘制acf/pacf图确定arma模型中的p、q值。第三部分将p、q值代入arma模型并使用序列值进行训练，求取训练结果与原始序列的方差，当方差值满足要求后采用训练好的模型对接下来1分钟的数据进行频率预测并对预测结果进行评判，当结果满足测量要求时则认为arma模型训练完成，否则重复2、3步骤直至得到可使用的模型。
[0105]
4)记录相电压相位，在其它时刻单独采集相电流并保证与相电压点差为80的整数倍，利用训练好的模型预测出相电流采集时刻的相电压频率值从而计算出相电流的相位，之后求取功率角并进行记录。
[0106]
5)完成功率角测量记录后需再次进行相电压频率测量以验证频率模型的准确性。当验证合格时即可确认利用不同时刻测量的相电压与相电流计算负荷角度的结果满足要求，否则提示用户相电压频率发生大的变化而使得预测模型失效，测量结果无效。
[0107]
上述基于机器学习的频率预测在电网带负荷测试中应用的方法，采用高稳定性晶振实现系统电压电流的分步同步采集；采用arma模型实现相电压频率预测并将预测结果用于不同时刻的电流相位计算；采用arma模型复核实现负荷角结果正确性的判定。通过高稳晶振+时间驯服算法实现带负荷测试设备自身采样脉冲的均匀性，并以此为基础预测了不同时刻基准电压相角值，从而可以测量任意时刻电流与基准电压的相角差，解决了特定情况下无法找到基准电压的苦恼。该方法简化了测试步骤，在带负荷测试过程中，不用重复进行电压测试线接线工作，极大提高了工作效率。
[0108]
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
[0109]
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。