【技術實現(xiàn)步驟摘要】
本專利技術涉及輸、配電設備狀態(tài)評估與在線監(jiān)測，具體為基于s變換和二維卷積的電流互感器誤差預測方法及系統(tǒng)。
技術介紹
1、隨著電流互感器技術的成熟應用，其在電力系統(tǒng)測量和保護領域的核心地位得到了廣泛認可。電磁式電流互感器因其結構簡單、成本較低、維護方便等特點，在許多應用場景中保持著不可替代的地位。然而，隨著運行年限的增加，電流互感器會受到運行環(huán)境的影響，導致其誤差特性發(fā)生偏移。通過在線監(jiān)測技術可及時發(fā)現(xiàn)誤差異常的電流互感器，避免其對電能計量產生影響。因此，電流互感器誤差在線監(jiān)測技術成為目前電流互感器運行管理技術發(fā)展的熱點和難點。
2、在在線校驗系統(tǒng)方面，現(xiàn)有技術提出了一種全數(shù)字化高壓電流互感器在線校驗系統(tǒng)。該系統(tǒng)由標準通道、被測通道和校驗平臺三部分組成，利用鉗形空心線圈采集數(shù)據(jù)，并通過放大、轉換和fft算法進行誤差計算。在誤差檢測方面，現(xiàn)有技術提出了一種基于bp神經(jīng)網(wǎng)絡的互感器計量誤差在線檢測方法。該方法通過輸入互感器二次側的等效阻抗，輸出互感器的誤差，實現(xiàn)了電流互感器的在線校驗。
3、現(xiàn)有技術存在以下缺點：1.一維信號相比二維信號存在著一些方面的不足：①信息維度限制：一維信號僅能提供時間序列上的單一維度信息，無法展示信號在空間或其他維度上的分布特性。②特征提取限制：一維信號可能難以捕捉到信號的全部特征，特別是在信號存在空間或時間上的復雜模式時。③數(shù)據(jù)解釋性：一維信號在視覺解釋上可能不如二維信號直觀，后者可以更清晰地展示信號的分布和變化。④深度學習應用：雖然一維卷積神經(jīng)網(wǎng)絡(1d?cnn)在處理信號方面表現(xiàn)
4、2.為保障電力系統(tǒng)安全、穩(wěn)定運行，電流互感器周期檢驗面臨停電困難、檢測不及時等問題，并且由于電網(wǎng)運行的電流互感器數(shù)量多、分布廣，造成電流互感器周期檢驗存在工作量大、效率低、誤差超差發(fā)現(xiàn)不及時等問題，極大影響了電力市場交易的公平性。
5、3.傳統(tǒng)的電流互感器誤差預測方法可能存在特征提取依賴性強、泛化能力有限、計算成本高、可擴展性差、實時性不足和模型解釋性差等缺點。
6、本專利技術基于數(shù)據(jù)驅動的預評估方法，設計一種基于s變換和二維卷積神經(jīng)網(wǎng)絡的電流互感器誤差預測模型。這種方法利用了s變換的時頻分析特性和二維卷積神經(jīng)網(wǎng)絡的深度學習能力，為電流互感器的誤差預測提供了一種新穎而有效的途徑。通過自動提取信號的特征并利用神經(jīng)網(wǎng)絡的學習能力，這種方法不僅提高了預測的準確性，還增強了模型對新情況的適應性。同時，這種方法的高效率和易于擴展的特性，使其在處理大規(guī)模數(shù)據(jù)集和復雜任務時更具優(yōu)勢。
7、這個模型首先對收集到的數(shù)據(jù)進行s變換輸出二維矩陣；然后將二維矩陣輸送給二維卷積神經(jīng)網(wǎng)絡對電流互感器的誤差進行預測。與現(xiàn)有的技術相比，本專利技術通過二維卷積神經(jīng)網(wǎng)絡對數(shù)據(jù)的時頻特征進行訓練最終得到預測結果。
技術實現(xiàn)思路
1、鑒于上述現(xiàn)有存在的問題，本專利技術的目的是進一步促進電力互感器的型式評價和誤差校驗工作的開展，可以有效提高電流互感器現(xiàn)場檢驗工作的針對性，并能通過誤差預測降低運行電流互感器的超差風險。
2、為解決上述技術問題，提出了基于s變換和二維卷積的電流互感器誤差預測方法，包括，
3、采集原始信號數(shù)據(jù)，通過s變換處理原始數(shù)據(jù)，得到復數(shù)矩陣；對每一個復數(shù)矩陣中的每一個元素進行取模；搭建二維卷積神經(jīng)網(wǎng)絡訓練模型，對神經(jīng)網(wǎng)絡預測模型修改優(yōu)化；獲得比差與角差的預測結果。
4、作為本專利技術所述的基于s變換和二維卷積的電流互感器誤差預測方法的一種優(yōu)選方案，其中：所述原始信號數(shù)據(jù)包括，將原始信號數(shù)據(jù)打包為數(shù)據(jù)樣本，每個樣本數(shù)據(jù)包含按照時間順序采樣的二次側電流數(shù)據(jù)以及對應的比差和角差數(shù)據(jù)。
5、作為本專利技術所述的基于s變換和二維卷積的電流互感器誤差預測方法的一種優(yōu)選方案，其中：所述s變換包括，對連續(xù)信號的小波變換推導，對于一個連續(xù)信號y(t)的連續(xù)小波變換可表示為w(τ,d)：
6、
7、其中，d為伸縮系數(shù)，τ為時移參數(shù)，ω(τ-t,d)為母小波的伸縮時移變換式；
8、對w(τ,d)取變換核：
9、
10、其中，f為頻率；
11、將連續(xù)小波變換乘上一個適當?shù)南辔恍拚蜃樱玫叫拚Y果：
12、s(τ,f)＝ej2πftw(τ,d)
13、其中，ej2πft為相位修正因子；
14、將連續(xù)小波變換和修正結果結合得到y(tǒng)(t)的s變換表達式：
15、
16、
17、其中，ω(τ-t,f)為高斯窗函數(shù)，τ為時移因子。
18、作為本專利技術所述的基于s變換和二維卷積的電流互感器誤差預測方法的一種優(yōu)選方案，其中：所述s變換還包括，對離散信號的傅里葉變換推導，若離散信號表示為y(kt)(k∈[0,n-1])，則函數(shù)y(kt)的離散傅里葉變換可表示為y(n/nt)：
19、
20、
21、其中，通過s變換得到二維復矩陣，即行波信號的各頻率分量以及各頻率分量隨時間的變化；α表示s變換的伸縮參數(shù)，用于控制窗函數(shù)的寬度；t表示信號的總時間長度，n表示信號的采樣點數(shù)，n表示時間點的索引，用于離散信號的采樣；m表示頻率點的索引，用于離散信號的頻率分量；k表示頻率，y表示信號的采樣值，y表示信號的變換的結果。
22、作為本專利技術所述的基于s變換和二維卷積的電流互感器誤差預測方法的一種優(yōu)選方案，其中：所述搭建二維卷積神經(jīng)網(wǎng)絡訓練模型包括輸入層、卷積層、激活層和池化層；在訓練時，設定訓練集和測試集的比例為8:2，輸入層的輸入通過s變換得到的二維復矩陣；
23、采用兩層卷積，第一卷積層的卷積核大小為3，卷積核的數(shù)量為8；第二卷積層的卷積核大小為3，卷積核的數(shù)量為16；
24、通過線性整流函數(shù)在每一個卷積層后添加激活層；
25、通過輸出最大值的方式減少數(shù)據(jù)量，池化層的采樣因子的大小設定為2，步長大小設定為2；
26、設定全連接層的神經(jīng)元數(shù)量為50，輸出層進行回歸輸出，在完成神經(jīng)網(wǎng)絡的搭建后進行網(wǎng)絡訓練的要求設置包括最大訓練周期數(shù)、批大小、學習率以及驗證頻率。
27、作為本專利技術所述的基于s變換和二維卷積的電流互感器誤差預測方法的一種優(yōu)選方案，其中：所述對神經(jīng)網(wǎng)絡預測模型修改優(yōu)化包括，通過實驗對二維卷積神經(jīng)網(wǎng)絡進行訓練，驗證神經(jīng)網(wǎng)絡對互感器監(jiān)測數(shù)據(jù)誤差預測的效果，根據(jù)損失函數(shù)，將同時輸出平均絕對誤差、均方誤差、均方根誤差對模型進行評價；
28、利用二維卷積神經(jīng)網(wǎng)絡對模型進行訓練最后得出平均絕對誤差結果、均方誤差結果以及均方根誤差結果，當訓練結果表明設計的模型對于數(shù)據(jù)集的預測效果差，則需要對網(wǎng)絡進行修改優(yōu)化，修改如下：
29、修改一本文檔來自技高網(wǎng)...
【技術保護點】
1.基于S變換和二維卷積的電流互感器誤差預測方法，其特征在于：包括，
2.如權利要求1所述的基于S變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述原始信號數(shù)據(jù)包括，將原始信號數(shù)據(jù)打包為數(shù)據(jù)樣本，每個樣本數(shù)據(jù)包含按照時間順序采樣的二次側電流數(shù)據(jù)以及對應的比差和角差數(shù)據(jù)。
3.如權利要求2所述的基于S變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述S變換包括，對連續(xù)信號的小波變換推導，對于一個連續(xù)信號y(t)的連續(xù)小波變換可表示為W(τ,d)：
4.如權利要求3所述的基于S變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述S變換還包括，對離散信號的傅里葉變換推導，若離散信號表示為y(kT)(k∈[0,N-1])，則函數(shù)y(kT)的離散傅里葉變換可表示為Y(n/NT)：
5.如權利要求4所述的基于S變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述搭建二維卷積神經(jīng)網(wǎng)絡訓練模型包括輸入層、卷積層、激活層和池化層；在訓練時，設定訓練集和測試集的比例為8:2，輸入層的輸入為通過S變換得到的二維復矩陣；
6
7.如權利要求6所述的基于S變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述預測結果包括，通過二維卷積神經(jīng)網(wǎng)絡訓練模型得到的比差與角差結果進行平均絕對誤差、均方誤差、均方根誤差的對比，得到最終預測結果。
8.一種采用如權利要求1～7任一所述的基于S變換和二維卷積的電流互感器誤差預測方法的系統(tǒng)，其特征在于：包括數(shù)據(jù)處理模塊、S變換模塊、特征提取模塊、二維卷積神經(jīng)網(wǎng)絡訓練模型模塊、模型優(yōu)化模塊以及預測結果輸出模塊；
9.一種計算機設備，包括存儲器和處理器，所述存儲器存儲有計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權利要求1至7中任一項所述的基于S變換和二維卷積的電流互感器誤差預測方法的步驟。
10.一種計算機可讀存儲介質，其上存儲有計算機程序，其特征在于，所述計算機程序被處理器執(zhí)行時實現(xiàn)權利要求1至7中任一項所述的基于S變換和二維卷積的電流互感器誤差預測方法的步驟。
...【技術特征摘要】
1.基于s變換和二維卷積的電流互感器誤差預測方法，其特征在于：包括，
2.如權利要求1所述的基于s變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述原始信號數(shù)據(jù)包括，將原始信號數(shù)據(jù)打包為數(shù)據(jù)樣本，每個樣本數(shù)據(jù)包含按照時間順序采樣的二次側電流數(shù)據(jù)以及對應的比差和角差數(shù)據(jù)。
3.如權利要求2所述的基于s變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述s變換包括，對連續(xù)信號的小波變換推導，對于一個連續(xù)信號y(t)的連續(xù)小波變換可表示為w(τ,d)：
4.如權利要求3所述的基于s變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述s變換還包括，對離散信號的傅里葉變換推導，若離散信號表示為y(kt)(k∈[0,n-1])，則函數(shù)y(kt)的離散傅里葉變換可表示為y(n/nt)：
5.如權利要求4所述的基于s變換和二維卷積的電流互感器誤差預測方法，其特征在于：所述搭建二維卷積神經(jīng)網(wǎng)絡訓練模型包括輸入層、卷積層、激活層和池化層；在訓練時，設定訓練集和測試集的比例為8:2，輸入層的輸入為通過s變換得到的二維復矩陣；
6.如權利要求5所述的基于s變換和二維卷積的電流互感器誤差預測...
【專利技術屬性】
技術研發(fā)人員：鐘堯，李騰斌，起家琦，楊光潤，常軍超，金琦皓，鄭豐益，楊森，李兆竹，梁佳麟，
申請(專利權)人：云南電網(wǎng)有限責任公司，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。