一种电容式电压互感器误差预测方法及装置与流程

1.本发明涉及电力计量在线监测技术领域，特别是涉及一种电容式 电压互感器误差预测方法及装置。


背景技术：

2.互感器计量性能的准确可靠直接关系到电能贸易结算的公平公正。 实际运行过程中，电容式电压互感器误差受采集原理与恶劣环境等影 响会在其工作寿命内出现测量偏差越限，因此不仅需要在其计量误差 超差时能够进行准确快速的诊断，进一步的，需要对计量误差的劣化 趋势做出及时的预测，以便相关运行维护人员安排检修维护的工作， 如果不能及时发现互感器状态劣化，将影响电网运行。


技术实现要素：

3.本发明的目的是：提供一种电容式电压互感器误差预测方法及装 置，可以对电容式电压互感器的误差进行预测，及时发现电容式电压 互感器的计量误差越限并帮助维护人员了解计量误差的劣化趋势。
4.为了实现上述目的，本发明提供了一种电容式电压互感器误差预 测方法，包括：
5.将当前时刻之前的电容式电压互感器误差数据和当前时刻电容式 电压互感器环境参量数据输入到预先训练的预测模型得到当前时刻电 容式电压互感器误差；其中，预测模型是通过将电容式电压互感器误 差历史数据和电容式电压互感器环境参量数据输入到rbf神经网络训 练得到的。
6.进一步的，所述预测模型的构建方法包括：
7.根据电容式电压互感器环境参量中不同参量对电容式电压互感器 误差的影响确定电容式电压互感器误差模型的影响参数，所述影响参 数为：电容式电压互感器相间泄露电流和电流互感器的二次负荷；
8.根据电容式电压互感器相间泄露电流和电流互感器的二次负荷构 建电容式电压互感器误差模型；
9.基于电容式电压互感器误差模型构建自回归的rbf神经网络，通 过蚁群算法对rbf网络进行聚类优化，确定rbf网络的基函数中心和 半径，通过粒子群算法得到电容式电压互感器相间泄露电流和电流互 感器的二次负荷在rbf神经网络的权重；
10.将电容式电压互感器误差历史数据和电容式电压互感器环境参量 数据输入到rbf神经网络，得到训练好的预测模型。
11.进一步的，所述电容式电压互感器误差模型，具体为：
[0012][0013]
式中，δ为比差，υ为角差；x1为cvt相间电场导致的泄漏电流，x2为 cvt的二次负荷。
[0014]
进一步的，所述自回归的rbf神经网络包括输入层、隐含层和输 出层；
[0015]
所述输入层的输入数据为：x＝[x1、x2、y(k-1)]；其中，x1为 cvt相间电场导致的泄漏电流，x2为cvt的二次负荷，y(k－1)为过去 时刻输出的误差；
[0016]
所述隐含层的输出表示为：
[0017][0018]
其中，h为隐含层输出，x为输入向量(x1，x2，y(k-1))，b为 高斯基函数的宽度，b＞0；cj为隐函数神经元中心向量；
[0019]
所述输出层的输出表示为：
[0020]
y(k)＝ω
1 1
+ω
2 2
+ω
3 3
；
[0021]
其中：ω为输出层的权值，y(k)是自回归rbf神经网络的预测输 出。
[0022]
进一步的，对输入到rbf神经网络中电容式电压互感器误差历史 数据进行预处理后再输入到rbf神经网络；
[0023]
对电容式电压互感器误差历史数据预处理得到第二电容式电压互 感器误差历史数据，其中，第二电容式电压互感器误差历史数据中电 容式电压互感器正常样本和电容式电压互感器故障样本的比例为第一 比例。
[0024]
进一步的，所述对电容式电压互感器误差历史数据预处理得到第 二电容式电压互感器误差历史数据，具体为：
[0025]
通过重采样法对电容式电压互感器误差历史数据进行重构使电容 式电压互感器故障样本的比例增加；
[0026]
对重构后的电容式电压互感器误差历史数据进行数据加强得到第 二电容式电压互感器误差历史数据。
[0027]
进一步的，所述重采样法具体为：
[0028]
对于电容式电压互感器故障样本中每一个样本x，以欧氏距离为标 准计算它到电容式电压互感器故障样本集中所有样本的距离，得到其k 近邻；
[0029]
根据样本不平衡比例设置一个采样比例以确定采样倍率n，对于每 一个样本x，从其k近邻中随机选择若干个样本，将选择的近邻记为xn；
[0030]
对于每一个随机选出的近邻xn，通过第一公式得到样本x
new
，所 述第一公式具体为：
[0031]
x
new
＝x+rand(0,1)*|x-xn|。
[0032]
本发明还公开了一种电容式电压互感器误差预测装置，包括：数 据输入模块、预测模型和输出模块；
[0033]
所述数据输入模块用于输入当前时刻之前的电容式电压互感器误 差数据和当前时刻电容式电压互感器环境参量数据；
[0034]
所述预测模型是通过将电容式电压互感器误差历史数据和电容式 电压互感器环境参量数据输入到rbf神经网络训练得到的；
[0035]
所述输出模块用于输出预测误差。
[0036]
进一步的，所述预测模型的构建方法包括：
[0037]
根据电容式电压互感器环境参量中不同参量对电容式电压互感器 误差的影响确
定电容式电压互感器误差模型的影响参数，所述影响参 数为：电容式电压互感器相间泄露电流和电流互感器的二次负荷；
[0038]
根据电容式电压互感器相间泄露电流和电流互感器的二次负荷构 建电容式电压互感器误差模型；
[0039]
基于电容式电压互感器误差模型构建自回归的rbf神经网络，通 过蚁群算法对rbf网络进行聚类优化，确定rbf网络的基函数中心和 半径，通过粒子群算法得到电容式电压互感器相间泄露电流和电流互 感器的二次负荷在rbf神经网络的权重；
[0040]
将电容式电压互感器误差历史数据和电容式电压互感器环境参量 数据输入到rbf神经网络，得到训练好的预测模型。
[0041]
进一步的，所述电容式电压互感器误差模型，具体为：
[0042][0043]
式中，δ为比差，υ为角差；x1为cvt相间电场导致的泄漏电流，x2为 cvt的二次负荷。
[0044]
本发明实施例一种电容式电压互感器误差预测方法及装置与现有 技术相比，其有益效果在于：
[0045]
(1)可以对电容式电压互感器的误差进行预测，及时发现电容式 电压互感器的计量误差越限并帮助维护人员了解计量误差的劣化趋势。
[0046]
(2)本发明采用自回归rbf神经网络对cvt误差进行预测的同时， 并利用重采样和数据加强，对cvt误差历史数据进行预处理，提高了 输入数据的平衡度，进而提升了模型预测的准确度；
[0047]
(3)采用蚁群算法确定rbf的基函数的中心和半径，简化了网络 结构，提高了收敛速度，减少了算法运行时间；
[0048]
(4)采用粒子群算法动态更新rbf输出层的权值，提高了算法的 收敛速度，减少了算法运行时间。
附图说明
[0049]
图1是本发明一种电容式电压互感器误差预测方法的流程示意图；
[0050]
图2是本发明一种电容式电压互感器误差预测方法中rbf神经网络 的拓扑结构示意图。
具体实施方式
[0051]
下面结合附图和实施例，对本发明的具体实施方式作进一步详细 描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
[0052]
实施例1：
[0053]
电容式电压互感器(cvt)是由串联电容器分压，再经电磁式互感 器降压和隔离，作为用来变换电压的仪器，电容式电压互感器还可以 将载波频率耦合到输电线用于长途通信、选择性的线路高频保护、遥 控等功能上。和常规的电磁式电压互感器相比，电容式电
压互感器器 除了具有冲击绝缘强度高、制造简单、体积小、重量轻等优点外，在 经济和安全上还有很多优越之处。
[0054]
为了对电容式互感器误差进行预测，不仅需要避免二次信息系统 信息源的不准确，还需要减少电能计量的损失和保证测控保护装置的 正常运行，因此如何预测cvt误差变化趋势，以提前预警cvt出现的 风险，是一项技术难题。
[0055]
如图1所示，一种电容式电压互感器误差预测方法，包括：
[0056]
将当前时刻之前的电容式电压互感器误差数据和当前时刻电容式 电压互感器环境参量数据输入到预先训练的预测模型得到当前时刻电 容式电压互感器误差；其中，预测模型是通过将电容式电压互感器误 差历史数据和电容式电压互感器环境参量数据输入到rbf神经网络训 练得到的。
[0057]
通过预先训练的预测模型和当前时刻之前的电容式电压互感器误 差数据和当前时刻电容式电压互感器环境参量数据可以对当前时刻电 容式电压互感器误差进行准确可靠的预测，及时发现电容式电压互感 器的计量误差越限并帮助维护人员了解计量误差的劣化趋势。
[0058]
在本实施例中，所述预测模型的构建方法包括：
[0059]
步骤s1，根据电容式电压互感器环境参量中不同参量对电容式电 压互感器误差的影响确定电容式电压互感器误差模型的影响参数，所 述影响参数为：电容式电压互感器相间泄露电流和电流互感器的二次 负荷；
[0060]
步骤s2，根据电容式电压互感器相间泄露电流和电流互感器的二 次负荷构建电容式电压互感器误差模型；
[0061]
步骤s3，基于电容式电压互感器误差模型构建自回归的rbf神经 网络，通过蚁群算法对rbf网络进行聚类优化，确定rbf网络的基函 数中心和半径，通过粒子群算法得到电容式电压互感器相间泄露电流 和电流互感器的二次负荷在rbf神经网络的权重；
[0062]
步骤s4，将电容式电压互感器误差历史数据和电容式电压互感器 环境参量数据输入到rbf神经网络，得到训练好的预测模型。
[0063]
在本发明中，电容式电压互感器环境参量中不同参量包括：一次 电压频率、环境温湿度、累积污秽、电容式电压互感器相间泄露电流 和电流互感器的二次负荷。但是不同参量对电容式电压传感器的误差 影响不同。
[0064]
表一 cvt计量性能关键影响参数
[0065][0066]
参照表一，在cvt计量性能的已知影响因素中，一般情况下，电 力系统的电压频率十分稳定，波动远小于
±
0.5hz，因此一次电压频率 不是影响cvt计量性能的主要参数；环境温湿度通常直接影响cvt的 分压电容器容量和介质损耗因数，现有研究表明，在－25℃－45℃的常 见温度区间内，环境因素对cvt计量性能的影响远低于0.2级cvt的 误差变化限值；作为长期户外运行的一次设备，cvt的外表面不可避免 的存在累积污秽，然而现有研究表明，仅在高湿度的重污秽地区，外 表面污秽才会明显影响cvt的计量性能；若cvt在线运行时的安装高 度与离线校验时不一致，则cvt的对地泄露电流存在一定区别，影响cvt的比值差特性，但是安装高度对计量性能的影响程度较低，不是影 响cvt计量性能的主要参数。安装在变电站现场的cvt一般为三相并 排安装，此时三相cvt之间不可避免的存在相间泄露电流，在三相同 时带电的在线运行状态，相间泄露电流会显著影响cvt的比值差特性 和相位差特性；cvt可被等效看作一内阻较小的电压源，因此负载大小 变化会显著影响cvt的计量性能，对于仿真对象cvt，二次负荷变化超 过30va，cvt的比值差变化超过0.1％，相位差变化超过2
′
。
[0067]
综上可知，影响cvt计量性能的关键参数主要为cvt相间电场导 致的泄露电流和cvt的二次负荷，应当以这两个因素建立误差模型。
[0068]
在本实施例中，所述电容式电压互感器误差模型，具体为：
[0069][0070]
式中，δ为比差，υ为角差；x1为cvt相间电场导致的泄漏电流，x2为 cvt的二次负荷。
[0071]
在本实施例中，假设cvt误差和环境参量有n组数据样本，则cvt 误差序列可表示为：
[0072][0073]
式中：δi为第i组比差数据；υi为第i组角差数据。
[0074]
在本实施例中，假设cvt误差和环境参量有n组数据样本，则cvt 的误差序列可以表示为：
[0075][0076]
其中：
[0077]
y1＝[δ1，δ2，
……
δn]
t
；
[0078]
y2＝[υ1，υ2，
……
υn]
t
；
[0079]
b1、b2为待求矩阵。
[0080]
在现场运行过程中，cvt的误差是各种环境参量交叉作用的结果， 误差和环境参量之间并无明确的函数关系，难以得到b1、b2的解析值， 因此需要建立神经网络进行预测。
[0081]
参照图2，在本实施例中，所述自回归的rbf神经网络包括输入层、 隐含层和输出层；
[0082]
所述输入层的输入数据为：x＝[x1、x2、y(k-1)]；其中，x1为 cvt相间电场导致的泄漏电流，x2为cvt的二次负荷，y(k－1)为过去 时刻输出的误差；
[0083]
所述隐含层的输出表示为：
[0084][0085]
其中，h为隐含层输出，x为输入向量(x1，x2，y(k-1))，b为 高斯基函数的宽度，b＞0；cj为隐函数神经元中心向量；
[0086]
所述输出层的输出表示为：
[0087]
y(k)＝ω
1 1
+ω
2 2
+ω
3 3
；
[0088]
其中：ω为输出层的权值，y(k)是自回归rbf神经网络的预测输 出。
[0089]
在本实施例中，所述通过蚁群算法对rbf网络进行聚类优化，确 定rbf网络的基函数中心和半径，具体为：
[0090]
当两个电容式电压互感器误差样本之间的聚类概率大于预设的参 考概率时将两个电容式电压互感器误差样本记为一类，计算归属到同 一类误差样本的聚类中心并判断电容式电压互感器总体误差是否满足 要求，若满足要求则停止算法；
[0091]
若不满足要求，则更新不同路径的信息素，并重新对误差样本进 行分类并判断电容式电压互感器总体误差是否满足要求。
[0092]
在本实施例中，使用蚁群算法对rbf网络进行聚类优化，确定rbf 网络的基函数中心和半径，可以简化网络结构，提高收敛速度。
[0093]
在本实施例中，具体的优化步骤为：
[0094]
对cvt误差样本参数进行初始化处理，设cvt误差样本数量为n， m为样本属性，样本属性包括正常样本和故障样本，r为聚类半径，p0为参考概率。
[0095]
计算两个样本间的距离；
[0096]dij
＝||(x
i-xj)||,i＝1,2,...,n；
[0097]
对各个路径上的信息素进行初始化处理；
[0098][0099]
计算互感器两个误差样本之间的聚类概率；
[0100][0101]
当p
ij
≥p0时，xi和xj属于同一类；p
ij
《p0时，将其分为两类。
[0102]
计算与xj同属一类的聚类中心：
[0103][0104]
计算cvt总体误差：
[0105][0106]
如果误差ε小于允许误差值，达到要求，则停止算法，否则进行下 一步。
[0107]
计算各个样本到新的聚类中心的距离，同时对路径信息素进行更 新，新的信息素：
[0108][0109]
其中ρ为挥发系数，q为信息素质量，该两值为常数。
[0110]
重复从计算cvt两个误差样本之间的聚类概率到信息素更新这一 系列步骤，直到收敛，得到基函数中心。
[0111]
在本实施例中，电容式电压互感器相间泄露电流和电流互感器的 二次负荷对rbf神经网络模型训练的影响不同，应通过调整两因素的 权重，获得最优权重参数，使得训练后的神经网络模型性能最优，将 采用粒子群算法从随机解出发，通过迭代寻找最优解，以获得cvt误差 状态评价中两个因素的权重，具体方法如下，设各种因素对应的权重 为ωn(n＝1，2)，即电容式电压互感器相间泄露电流对应的权重为w1， 电流互感器的二次负荷对应的权重为w2，w1+w2＝1，令w1作为粒子群 算法的待优化值w，粒子通过两个极值位置来更新每个粒子自身速度和 位置，更新公式：
[0112]
[0113][0114]
其中，v
ik
是粒子i在空间里的 速度；w为网络输出权值；k为迭代次数；c
1 c2为学习因子，用来平衡 pbest和gbest之间的相对重要性，r
1 r2在0－1之间随机取值。
[0115]
采取线性递减权值法来动态更新w值，权值更新公式：
[0116][0117]
其中，k表示当前迭代次数，k
max
为最大次数，w
max
为最大权重，一 般取0.9，w
min
为最小权重，一般取0.1。电容式电压互感器相间泄露 电流对应的权重w1即为权值更新公式得到的w。通过上述方法得到最 终的电容式电压互感器相间泄露电流对应的权重w1，和电流互感器的二 次负荷对应的权重w2，作为cvt误差状态预测模型的输出权值，参与rbf 神经网络模型的训练，获得性能更优的模型。
[0118]
在实际工况中，cvt正常样本丰富、故障样本少，类别失衡会导致 模型诊断能力和泛化能力较差等问题，通过重采样的方法来改变cvt 误差历史数据的分布，进而平衡正常cvt样本与故障cvt样本的比例， 使cvt误差历史数据集达到平衡状态，提高模型诊断能力。
[0119]
在本实施例中，对输入到rbf神经网络中电容式电压互感器误差 历史数据进行预处理后再输入到rbf神经网络；
[0120]
对电容式电压互感器误差历史数据预处理得到第二电容式电压互 感器误差历史数据，其中，第二电容式电压互感器误差历史数据中电 容式电压互感器正常样本和电容式电压互感器故障样本的比例为第一 比例。所述第一比例优选为1：1。
[0121]
在本实施例中，所述对电容式电压互感器误差历史数据预处理得 到第二电容式电压互感器误差历史数据，具体为：
[0122]
通过重采样法对电容式电压互感器误差历史数据进行重构使电容 式电压互感器故障样本的比例增加；
[0123]
对重构后的电容式电压互感器误差历史数据进行数据加强得到第 二电容式电压互感器误差历史数据。
[0124]
在预处理过程中对cvt误差历史数据集进行两次数据增强处理， 第一次在cvt误差历史数据集重构时，对故障cvt样本进行数据增强， 平衡cvt误差数据集中各类样本的不平衡分配比例；第二次是对重构 后的cvt误差数据集进行二次增强，扩充样本量，从数据层面提高特 征提取能力。
[0125]
进一步的，可采用翻转、裁剪、缩放、平移、放射变换、添加噪 声等方法实现数据加强。
[0126]
进一步的，可以采用smote(synthetic minority oversamplingtechnique)，合成少数类过采样技术进行重采样。它是基于随机过采 样算法的一种改进方案，由于随机过采样采取简单复制样本的策略来 增加少数类样本，这样容易产生模型过拟合的问题，即使得模型学习 到的信息过于特别而不够泛化，smote算法的基本思想是对少数类样本 进行分析并根据少数类样本人工合成新样本添加到数据集中。
[0127]
在本实施例中，所述重采样法具体为：
[0128]
对于电容式电压互感器故障样本中每一个样本x，以欧氏距离为标 准计算它到电容式电压互感器故障样本集中所有样本的距离，得到其k 近邻；
[0129]
根据样本不平衡比例设置一个采样比例以确定采样倍率n，对于每 一个样本x，从其k近邻中随机选择若干个样本，将选择的近邻记为xn；
[0130]
对于每一个随机选出的近邻xn，通过第一公式得到样本x
new
，所 述第一公式具体为：
[0131]
x
new
＝x+rand(0,1)*|x-xn|。
[0132]
实施例2：
[0133]
本发明还公开了一种电容式电压互感器误差预测装置，包括：数 据输入模块、预测模型和输出模块；
[0134]
所述数据输入模块用于输入当前时刻之前的电容式电压互感器误 差数据和当前时刻电容式电压互感器环境参量数据；
[0135]
所述预测模型是通过将电容式电压互感器误差历史数据和电容式 电压互感器环境参量数据输入到rbf神经网络训练得到的；
[0136]
所述输出模块用于输出预测误差。
[0137]
在本实施例中，所述预测模型的构建方法包括：
[0138]
根据电容式电压互感器环境参量中不同参量对电容式电压互感器 误差的影响确定电容式电压互感器误差模型的影响参数，所述影响参 数为：电容式电压互感器相间泄露电流和电流互感器的二次负荷；
[0139]
根据电容式电压互感器相间泄露电流和电流互感器的二次负荷构 建电容式电压互感器误差模型；
[0140]
基于电容式电压互感器误差模型构建自回归的rbf神经网络，通 过蚁群算法对rbf网络进行聚类优化，确定rbf网络的基函数中心和 半径，通过粒子群算法得到电容式电压互感器相间泄露电流和电流互 感器的二次负荷在rbf神经网络的权重；
[0141]
将电容式电压互感器误差历史数据和电容式电压互感器环境参量 数据输入到rbf神经网络，得到训练好的预测模型。
[0142]
实施例2的误差预测装置可以依据实施例1的误差预测方法进行 实施，因此不再实施例2中重复对误差预测装置进行说明和限定。
[0143]
综上，本发明实施例一种电容式电压互感器误差预测方法及装置 与现有技术相比，其有益效果在于：
[0144]
(1)可以对电容式电压互感器的误差进行预测，及时发现电容式 电压互感器的计量误差越限并帮助维护人员了解计量误差的劣化趋势。
[0145]
(2)本发明采用自回归rbf神经网络对cvt误差进行预测的同时， 并利用重采样和数据加强，对cvt误差历史数据进行预处理，提高了输 入数据的平衡度，进而提升了模型预测的准确度；
[0146]
(3)采用蚁群算法确定rbf的基函数的中心和半径，简化了网络 结构，提高了收敛速度，减少了算法运行时间；
[0147]
(4)采用粒子群算法动态更新rbf输出层的权值，提高了算法的 收敛速度，减少了算法运行时间。
[0148]
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 做出若干改进和替换，这些改进和替换也应视为本发明的保护范围。