电流互感器计量误差状态预测方法、系统、设备及介质与流程

1.本发明涉及一种电流互感器计量误差状态预测方法、系统、设备及介质，属于电能计量设备状态监测技术领域。


背景技术：

2.电流互感器（current transformers）是电力系统中的重要测量设备。其一次绕组串联在输变电主回路内，二次绕组则根据不同要求，分别接入测量仪表、继电保护或自动装置等设备，用于将一次回路的大电流变化为二次侧小电流，供测控保护计量设备安全采集。其准确可靠对于电力系统的安全运行、控制保护、电能计量、贸易结算具有重大意义。
3.在电流互感器的实际运行过程中，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，需要对电流互感器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，如果不能及时发现电流互感器状态劣化，将影响电网运行。
4.为避免二次信息系统信息源的不准确，和电能计量的损失，对电网安全和结算公平产生影响，保证测控保护装置的正常运行，如何判断电流互感器未来计量误差状态，提前预警电流互感器出现的风险，是一项技术难题。


技术实现要素：

5.为了解决上述现有技术中存在的问题，本发明提出了一种电流互感器计量误差状态预测方法、系统、设备及介质。
6.本发明的技术方案如下：一方面，本发明提供一种电流互感器计量误差状态预测方法，包括以下步骤：获取多个变电站内的电流互感器样本及对应电流互感器样本在预设时间段内的历史数据，并对电流互感器样本进行筛选；对筛选后的电流互感器样本的历史数据进行特征提取，提取的特征包括历史数据中影响电流互感器误差状态的影响因素以及电流互感器在相应时刻的误差状态，将对应一历史数据提取出的特征作为一训练样本，放入训练样本集；搭建sarimax模型，将训练样本集输入至sarimax模型，以影响因素作为输入，误差状态作为训练目标对sarimax模型进行迭代训练，达到迭代终止条件后停止，得到训练好的误差状态预测模型；获取待测电流互感器的当前数据，从当前数据中提取影响因素，给定一预测时刻，将当前数据中提取的影响因素和预测时刻输入至所述误差状态预测模型对待测电流互感器的计量误差状态进行预测，得到待测电流互感器在预测时刻的误差状态。
7.作为优选实施方式，所述对电流互感器样本进行筛选的方法具体采用基于知识获取共享的算法，具体包括以下步骤：以电流互感器的运行时长以及误差状态为分类标准，将多个电流互感器样本分类
为若干个不同类别的初始样本集，包括投运后不久的正常电流互感器样本集、投运后运行一段时间的正常电流互感器样本集、投运后不久的异常电流互感器样本集、投运后运行一段时间的异常电流互感器样本集；将所述投运后不久的正常电流互感器样本集、所述投运后不久的异常电流互感器样本集中的电流互感器样本按照适应度值从小到大的顺序进行排序，其中适应度值通过个体样本和群体样本的特征偏差计算得到；对排序后的投运后不久的正常电流互感器样本集和投运后不久的异常电流互感器样本集基于排序顺序和知识因素进行基于知识获取的初级筛选；将所述投运后运行一段时间的正常电流互感器样本集、所述投运后运行一段时间的异常电流互感器样本集中的电流互感器样本按照适应度值从小到大的顺序进行排序，并根据排序结果按照比例将对应样本集中的电流互感器样本划分至不同样本群，包括优质样本群、中等样本群、劣质样本群；对排序后的投运后运行一段时间的正常电流互感器样本集和所述投运后运行一段时间的异常电流互感器样本集基于排序顺序、知识因素和样本群划分结果进行基于知识获取的高级筛选；将筛选后的投运后不久的正常电流互感器样本集与运行一段时间的正常电流互感器样本集中的电流互感器样本归入总正常电流互感器样本集；将筛选后的投运后不久的异常电流互感器样本集与运行一段时间的异常电流互感器样本集中的电流互感器样本归入总异常电流互感器样本集。
8.作为优选实施方式，所述对排序后的投运后不久的正常电流互感器样本集和投运后不久的异常电流互感器样本集基于排序顺序和知识因素进行基于知识获取的初级筛选的方法具体为：对排序后的投运后不久的正常电流互感器样本集和投运后不久的异常电流互感器样本集均根据以下公式进行初级筛选：其中，为初级筛选后的电流互感器样本；为对应样本集中的第i个电流互感器样本；所述为从对应样本集中随机选择的电流互感器样本；为第一知识因素参数；f(
·
)表示计算适应度值的适应度函数。
9.作为优选实施方式，所述对排序后的投运后运行一段时间的正常电流互感器样本集和所述投运后运行一段时间的异常电流互感器样本集基于排序顺序、知识因素和样本群划分结果进行基于知识获取的高级筛选的方法具体为：对排序后的投运后运行一段时间的正常电流互感器样本集和所述投运后运行一段时间的异常电流互感器样本集均根据以下公式进行高级筛选：
其中，为高级筛选后的电流互感器样本；为对应样本集中的第j个电流互感器样本；为从对应样本集的优质样本群中随机选择的电流互感器样本；为从对应样本集的中等样本群中随机选择的电流互感器样本；所述为从对应样本集的劣质样本群中随机选择的电流互感器样本；为第二知识因素参数；f(
·
)表示计算适应度值的适应度函数。
10.作为优选实施方式，在所述根据排序结果按照比例将对应样本集中的电流互感器样本划分至不同样本群步骤中，所述优质样本群、中等样本群、劣质样本群的比例为：p：1-2p：p；其中，p为0~1的常数。
11.作为优选实施方式，所述影响因素包括电流幅值、三相不平衡参数、三相零序不平衡参数、三相负序不平衡参数和环境因素；所述电流互感器在相应时刻的误差状态包括正常状态和异常状态。
12.作为优选实施方式，所述sarimax模型定义为：其中，为模型的p阶自回归系数多项式；为模型季节平稳的p阶自回归系数多项式；d为差分阶数；d为季节差分阶数；为季节周期；为模型q阶移动平均系数多项式；为模型季节平稳的q阶移动平均系数多项式；b为滞后算子；为以为周期的季节性滞后算子；为原始序列中时间点为t的观测值；为白噪声。
13.另一方面，本发明还提供一种电流互感器计量误差状态预测系统，包括：样本筛选模块，用于获取多个变电站内的电流互感器样本及对应电流互感器样本在预设时间段内的历史数据，并对电流互感器样本进行筛选；特征提取模块，用于对筛选后的电流互感器样本的历史数据进行特征提取，提取的特征包括历史数据中影响电流互感器误差状态的影响因素以及电流互感器在相应时刻的误差状态，将对应一历史数据提取出的特征作为一训练样本，放入训练样本集；模型训练模块，用于搭建sarimax模型，将训练样本集输入至sarimax模型，以影响因素作为输入，误差状态作为训练目标对sarimax模型进行迭代训练，达到迭代终止条件后
停止，得到训练好的误差状态预测模型；状态预测模块，用于获取待测电流互感器的当前数据，从当前数据中提取影响因素，给定一预测时刻，将当前数据中提取的影响因素和预测时刻输入至所述误差状态预测模型对待测电流互感器的计量误差状态进行预测，得到待测电流互感器在预测时刻的误差状态。
14.再一方面，本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的电流互感器计量误差状态预测方法。
15.再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如本发明任一实施例所述的电流互感器计量误差状态预测方法。
16.本发明具有如下有益效果：1、本发明一种电流互感器计量误差状态预测方法，采用基于知识获取共享的算法对电流互感器样本进行筛选，提高训练样本的质量，保证了误差状态预测模型的准确性。
17.2、本发明一种电流互感器计量误差状态预测方法，基于sarimax模型训练误差状态预测模型，能够融合天气因素、季节因素对电流互感器计量误差状态做出高精度预测，实现异构数据的有效融合与价值挖掘。
附图说明
18.图1为本发明实施例一的方法流程示意图；图2为本发明实施例中对电流互感器样本进行筛选的流程图；图3为本发明实施例中对sarimax模型进行训练的流程图。
具体实施方式
19.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
20.应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
21.应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
22.术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
23.术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
24.实施例一：参见图1，本实施例提出一种电流互感器计量误差状态预测方法，具体包括以下步
骤：s100、获取多个变电站内的电流互感器样本及对应电流互感器样本在预设时间段内的历史数据，并采用基于知识获取共享的算法（gsk算法）对电流互感器样本进行筛选；s200、对筛选后的电流互感器样本的历史数据进行特征提取，提取的特征包括历史数据中影响电流互感器误差状态的影响因素以及电流互感器在相应时刻的误差状态，将对应一历史数据提取出的特征作为一训练样本，放入训练样本集；s300、搭建sarimax模型，将训练样本集输入至sarimax模型，以影响因素作为输入，误差状态作为训练目标对sarimax模型进行迭代训练，达到迭代终止条件后停止，得到训练好的能够根据影响因素预测未来时刻电流互感器误差状态的误差状态预测模型；s400、获取待测电流互感器的当前数据，从当前数据中提取影响因素，给定一预测时刻，将当前数据中提取的影响因素和预测时刻输入至所述误差状态预测模型对待测电流互感器的计量误差状态进行预测，得到待测电流互感器在预测时刻的误差状态。
25.作为本实施例的优选实施方式，在步骤s100中，所述对电流互感器样本进行筛选的方法具体采用基于知识获取共享的算法，具体包括以下步骤：s110、以电流互感器的运行时长以及误差状态为分类标准，将多个电流互感器样本分类为若干个不同类别的初始样本集，包括投运后不久的正常电流互感器样本集（a1）、投运后运行一段时间的正常电流互感器样本集（a2）、投运后不久的异常电流互感器样本集（b1）、投运后运行一段时间的异常电流互感器样本集（b2）。
26.s120、将所述投运后不久的正常电流互感器样本集a1、所述投运后不久的异常电流互感器样本集b1中的电流互感器样本按照适应度值从小到大的顺序进行排序（需要注意的是此处指的是分别对投运后不久的正常电流互感器样本集a1和投运后不久的异常电流互感器样本集b1中的电流互感器样本进行排序，而不是一起进行排序），其中适应度值通过个体样本和群体样本的特征偏差计算得到。
27.s130、将所述投运后运行一段时间的正常电流互感器样本集a2、所述投运后运行一段时间的异常电流互感器样本集b2中的电流互感器样本按照适应度值从小到大的顺序进行排序（此处的适应度值与上述步骤s120中的适应度值相同，排序方法也相同），并根据排序结果按照比例将对应样本集中的电流互感器样本划分至不同样本群，包括优质样本群、中等样本群、劣质样本群，也就是将排序后的投运后运行一段时间的正常电流互感器样本集a2中的电流互感器样本按比例划分至优质样本群、中等样本群、劣质样本群，也将排序后的投运后运行一段时间的异常电流互感器样本集b2中的电流互感器样本按比例划分至优质样本群、中等样本群、劣质样本群；s140、对排序后的投运后不久的正常电流互感器样本集a1和投运后不久的异常电流互感器样本集b1基于排序顺序和知识因素进行基于知识获取的初级筛选，得到筛选后的投运后不久正常电流互感器样本集（a1）、筛选后的投运后不久异常电流互感器样本集（b1）；s150、对排序后的投运后运行一段时间的正常电流互感器样本集a2和所述投运后运行一段时间的异常电流互感器样本集b2基于排序顺序、知识因素和样本群划分结果进行基于知识获取的高级筛选，得到筛选后的运行一段时间的正常电流互感器样本集（a2）、筛选后的运行一段时间的异常电流互感器样本集（b2）；
s160、将筛选后的投运后不久的正常电流互感器样本集a1与运行一段时间的正常电流互感器样本集a2中的电流互感器样本归入总正常电流互感器样本集（a）中；将筛选后的投运后不久的异常电流互感器样本集b1与运行一段时间的异常电流互感器样本集b2中的电流互感器样本归入总异常电流互感器样本集（b）中。
28.在一种实施例中，在步骤s120和步骤s130中，适应度值的计算方法为：；其中，表示获取的任意电流互感器样本；表示第个电流互感器样本的电流幅值；表示n个电流互感器样本数据的电流幅值的均值；。
29.在一种实施例中，在步骤s140中，对排序后的投运后不久的正常电流互感器样本集和投运后不久的异常电流互感器样本集基于排序顺序和知识因素进行基于知识获取的初级筛选的方法具体为：对排序后的投运后不久的正常电流互感器样本集和投运后不久的异常电流互感器样本集均根据以下公式进行初级筛选：其中，为初级筛选后的电流互感器样本；为步骤s120中投运后不久的正常电流互感器样本集a1或投运后不久的异常电流互感器样本集b1中第i个电流互感器样本；所述为从对应样本集中随机选择的电流互感器样本；为第一知识因素参数；f(
·
)表示上述计算适应度值的适应度函数。
30.在一种实施例中，在步骤s150中，对排序后的投运后运行一段时间的正常电流互感器样本集和所述投运后运行一段时间的异常电流互感器样本集基于排序顺序、知识因素和样本群划分结果进行基于知识获取的高级筛选的方法具体为：对排序后的投运后运行一段时间的正常电流互感器样本集和所述投运后运行一段时间的异常电流互感器样本集均根据以下公式进行高级筛选：
其中，为高级筛选后的电流互感器样本；为步骤s130中投运后运行一段时间的正常电流互感器样本集a2或所述投运后运行一段时间的异常电流互感器样本集b2中的第j个电流互感器样本；为从对应样本集的优质样本群中随机选择的电流互感器样本；为从对应样本集的中等样本群中随机选择的电流互感器样本；所述为从对应样本集的劣质样本群中随机选择的电流互感器样本；为第二知识因素参数；f(
·
)表示上述计算适应度值的适应度函数。
31.在步骤s160中，所述总正常电流互感器样本集表现为：a=a1+a2；所述总异常电流互感器样本集表现为：b=b1+b2。
32.作为本实施例的优选实施方式，在步骤s130中，所述优质样本群、中等样本群、劣质样本群的比例为：p：1-2p：p；其中，p为0~1的常数。
33.作为本实施例的优选实施方式，所述影响因素包括电流幅值、三相不平衡参数、三相零序不平衡参数、三相负序不平衡参数和环境因素；所述电流互感器在相应时刻的误差状态特征包括正常状态和异常状态。
34.其中，所述三相不平衡参数的计算公式为：；其中，所述、和分别为a、b和c相的电流幅值。
35.所述三相零序不平衡参数、三相负序不平衡参数的计算公式为：合成电流的正序分量：；合成电流的负序分量：；合成电流的零序分量：；
则：三相零序不平衡参数；三相负序不平衡参数；其中，所述、、分别为a、b和c相电流的矢量值，j为虚数。
36.所述环境因素包括但不限于温度、湿度、光照强度。
37.作为本实施例的优选实施方式，在步骤s300中，所述sarimax模型定义为：其中，为模型的p阶自回归系数多项式；为模型季节平稳的p阶自回归系数多项式；d为差分阶数；d为季节差分阶数；为季节周期；为模型q阶移动平均系数多项式；为模型季节平稳的q阶移动平均系数多项式；b为滞后算子；为以为周期的季节性滞后算子；为原始序列中时间点为t的观测值；为白噪声。
38.具体参见图3，所述sarimax模型的训练过程包括7个步骤，分别为准备步骤s310、处理步骤s320、外来变量引入步骤s330、参数预估步骤s340、校验步骤s350、预测步骤s360与评估步骤s370；具体过程为：s310、准备待测电流互感器样本的历史数据与外来变量，所述历史数据包括电流幅值、电流矢量值、历史环境因素等可直接得出的数据；所述外来变量包括未来的环境因素。
39.s320、校验与处理所述历史数据是否有突发数据参入。
40.s330、模拟外来变量对所述待预测电流互感器样本的影响。
41.s340、对模型参数进行预估，模型参数包括电流幅值、三相不平衡参数、三相零序不平衡参数、三相负序不平衡参数、历史与未来的环境因素。
42.s350、确定所述模型参数的正确性；校验通过则进入所述步骤s360，校验不通过则回到步骤s340；s360、根据模型参数对所述待预测电流互感器样本进行预测，得出预测结果。
43.s370、对所述预测结果进行评估；评估通过则输出预测结果，评估不通过则回到步骤s320进行重新处理。
44.其中，模型参数数据与预测结果数据的关系为：
；所述为预测结果数据，所述为模型参数数据，所述为所述历史数据的时间与所述预测结果数据的时间之差。
45.其中，用于调试时，所有数据均为已知数据。
46.实施例二：本实施例提出一种电流互感器计量误差状态预测系统，包括：样本筛选模块，用于获取多个变电站内的电流互感器样本及对应电流互感器样本在预设时间段内的历史数据，并对电流互感器样本进行筛选；该模块用于实现实施例一中步骤s100的功能，在此不再赘述；特征提取模块，用于对筛选后的电流互感器样本的历史数据进行特征提取，提取的特征包括历史数据中影响电流互感器误差状态的影响因素以及电流互感器在相应时刻的误差状态，将对应一历史数据提取出的特征作为一训练样本，放入训练样本集；该模块用于实现实施例一中步骤s200的功能，在此不再赘述；模型训练模块，用于搭建sarimax模型，将训练样本集输入至sarimax模型，以影响因素作为输入，误差状态作为训练目标对sarimax模型进行迭代训练，达到迭代终止条件后停止，得到训练好的误差状态预测模型；该模块用于实现实施例一中步骤s300的功能，在此不再赘述；状态预测模块，用于获取待测电流互感器的当前数据，从当前数据中提取影响因素，给定一预测时刻，将当前数据中提取的影响因素和预测时刻输入至所述误差状态预测模型对待测电流互感器的计量误差状态进行预测，得到待测电流互感器在预测时刻的误差状态；该模块用于实现实施例一中步骤s400的功能，在此不再赘述。
47.实施例三：本实施例提出一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明任一实施例所述的电流互感器计量误差状态预测方法。
48.实施例四：本实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的电流互感器计量误差状态预测方法。
49.本技术实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示单独存在a、同时存在a和b、单独存在b的情况。其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
50.本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步骤，能够以电子硬件、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技术的范围。
51.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
52.在本技术所提供的几个实施例中，任一功能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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory；以下简称：rom)、随机存取存储器(random access memory；以下简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
53.以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。