一种基于群体信息的CVT异常状态识别方法及装置与流程

本发明涉及电力计量在线监测，尤其涉及一种基于群体信息的cvt异常状态识别方法及装置。

背景技术：

1、作为电能计量装置的重要组成部分，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。cvt(capacitance type voltage transformer，电容式电压互感器)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。

2、在cvt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，因此需要在其计量误差超差时能够进行准确快速的识别与定位，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。

技术实现思路

1、本发明针对现有技术中存在的技术问题，提供一种基于群体信息的cvt异常状态识别方法及装置，实现同一母线上cvt异常状态进行识别与定位，及时发现超差cvt，保证电网运行的稳定性和安全性能。

2、根据本发明的第一方面，提供了一种基于群体信息的cvt异常状态识别方法，包括：

3、获取同一母线下各组cvt的历史负荷数据、历史环境参量数据、历史二次电压数据，并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理；

4、利用所述历史负荷数据、所述历史环境参量数据构建训练样本集；提取所述滤噪处理后的历史二次电压数据的相电压，并切分为相间相电压数据和组间相电压数据，构建第一、第二训练目标集；

5、利用bp神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练，分别得到相间相电压预测模型和组间相电压预测模型；

6、利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成，集成得到相电压预测模型；

7、将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入，得到所述同一母线下各组cvt的预测二次相电压；利用所述预测的二次相电压计算目标cvt预测的相电压波动率与相电压偏差度；

8、利用所述同一母线下各组cvt的电压波动率与相电压偏差度的统计特征，来计算所述预测的相电压波动率与相电压偏差度的置信水平，实现所述目标cvt异常状态识别。

9、可选地，所述训练样本集具体为：

10、

11、其中，di表示训练样本集，表示tm时刻的历史负荷，表示tm时刻的历史环境参量。

12、可选地，所述第一、第二训练目标集具体为：

13、

14、

15、其中，d'o1表示第一训练目标集，表示tm的相电压的幅值，p为a相、b相、c相中的任意一相，n为cvt的组数，tm表示历史时刻(m＝1、2、3……、m)，d'o2表示第二训练目标集表示tm的a相电压的幅值；表示tm的b相电压的幅值，表示tm的c相电压的幅值。

16、可选地，所述相间相电压预测模型和组间相电压预测模型的输入、输出分别为：

17、所示相间相电压预测模型的输入为所述训练样本集，输出为所述第一训练目标集；

18、所述组间相电压预测模型的输入为所述训练样本集，输出为所述第二训练目标集。

19、可选地，所述相电压预测模型的集成过程为：

20、提取所述第一、第二训练目标集的时间、幅值信息，绘制第一时间-幅值波形图、第二时间-幅值波形图；

21、将所述第一时间-幅值波形图、所述第二时间-幅值波形图作为元权重图卷积神经网络的训练样本集，将所述第二训练目标集作为元权重图卷积神经网络的训练目标集进行训练，得到相电压预测模型。

22、可选地，所述目标cvt预测的相电压波动率与相电压偏差度计算方式为：

23、

24、

25、其中，α表示相电压波动率，β表示相电压偏差度，表示目标cvt的预测的二次相电压，表示同一母线下各组cvt中最大的预测的二次相电压，表示第i组cvt的预测的二次相电压,n表示同一母线下各组cvt的总组数。

26、可选地，所述同一母线下各组cvt的电压波动率与相电压偏差度的统计特征具体为：

27、所述电压波动率满足第一分布

28、所述相电压偏差度满足第二分布

29、其中，n1、n2为正态分布，μ1、μ2为均值，为方差。

30、第三方面，本发明提供了一种基于群体信息的cvt异常状态识别装置，包括：

31、数据采集模块，获取同一母线下各组cvt的历史负荷数据、历史环境参量数据、历史二次电压数据，并采用自适应短时线性正则变换对所述历史二次电压数据进行滤噪处理；

32、数据处理模块，利用所述历史负荷数据、所述历史环境参量数据构建训练样本集；提取所述滤噪处理后的历史二次电压数据的相电压，并切分为相间相电压数据和组间相电压数据，构建第一、第二训练目标集；

33、预测模型构建模块，利用bp神经网络分别对所述训练样本集与所述第一、第二训练目标集进行训练，分别得到相间相电压预测模型和组间相电压预测模型；

34、预测模型集成模块，利用元权重图卷积神经网络将所述相间相电压预测模型和所述组间相电压预测模型集成，集成得到相电压预测模型；

35、异常状态识别特征提取模块，将预测的负荷数据和环境参量数据作为所述相电压预测模型的输入，得到所述同一母线下各组cvt的预测二次相电压；利用所述预测的二次相电压计算目标cvt预测的相电压波动率与相电压偏差度；

36、异常状态识别模块，利用所述同一母线下各组cvt的电压波动率与相电压偏差度的统计特征，来计算所述预测的相电压波动率与相电压偏差度的置信水平，实现所述目标cvt异常状态识别。

37、本发明实施例提供的一种基于群体信息的cvt异常状态识别方法及装置通过获取同一母线下各组cvt的历史负荷数据、历史环境参量数据、历史二次电压数据，构建训练样本集与训练目标集；采用数据切分、集成学习的方法得到相电压预测模型；利用相电压预测模型预测同一母线下各组cvt的二次相电压，并计算目标cvt预测的相电压波动率与相电压偏差度；利用同一母线下各组cvt的电压波动率与相电压偏差度的统计特征，来计算所述预测的相电压波动率与相电压偏差度的置信水平，实现所述目标cvt异常状态识别。本发明对同一母线下各组cvt的异常状态进行识别与定位，及时发现超差cvt，保证了电网运行的稳定性和安全性能。

技术特征：

1.一种基于群体信息的cvt异常状态识别方法，其特征在于，所述cvt异常状态识别方法包括：

2.根据权利要求1所述的cvt异常状态识别方法，其特征在于，所述训练样本集具体为：

3.根据权利要求1所述的cvt异常状态识别方法，其特征在于，所述第一、第二训练目标集具体为：

4.根据权利要求1所述的cvt异常状态识别方法，其特征在于，所述相间相电压预测模型和组间相电压预测模型的输入、输出分别为：

5.根据权利要求1所述的cvt异常状态识别方法，其特征在于，所述相电压预测模型的集成过程为：

6.根据权利要求1所述的cvt异常状态识别方法，其特征在于，所述目标cvt预测的相电压波动率与相电压偏差度计算方式为：

7.根据权利要求1所述的cvt异常状态识别方法，其特征在于，所述同一母线下各组cvt的电压波动率与相电压偏差度的统计特征具体为：

8.一种基于群体信息的cvt异常状态识别装置，其特征在于，包括：

9.一种电子设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的一种电压互感器误差评估方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被执行时实现如权利要求1至7任一项所述的一种电压互感器误差评估方法的步骤。

技术总结
本发明涉及一种基于群体信息的CVT异常状态识别方法及装置，包括：获取同一母线下各组CVT的历史负荷数据、历史环境参量数据、历史二次电压数据，构建训练样本集与训练目标集；采用数据切分、集成学习的方法得到相电压预测模型；利用相电压预测模型预测同一母线下各组CVT的二次相电压，并计算目标CVT预测的相电压波动率与相电压偏差度；利用同一母线下各组CVT的电压波动率与相电压偏差度的统计特征，来计算目标CVT预测的相电压波动率与相电压偏差度的置信水平，实现目标CVT异常状态识别。本发明可对同一母线下各组CVT的异常状态进行识别与定位，及时发现超差CVT，保证电网运行的稳定性和安全性能。

技术研发人员：高寅,陈曦鸣,郑抗震,黄丹,王超,刘单华,高燃,卞志刚,冯欣,李笛铭
受保护的技术使用者：国网安徽省电力有限公司营销服务中心
技术研发日：
技术公布日：2024/1/11