一种CVT误差状态在线评估方法、系统、设备及介质与流程

本发明涉及一种cvt误差状态在线评估方法、系统、设备及介质，属于电力设备状态评估。

背景技术：

1、电容式电压互感器（capacitor voltage transformer，cvt）的故障率相对较高，故障状态的cvt继续运行将会给市场各方的贸易结算带来损失，因此需要准确评估 cvt 的计量误差状态。离线检定是目前广泛使用的方法，该方法根据相关规程的规定对 cvt 进行周期性离线检定，但离线检定需对电力系统进行非故障性停电操作，频繁停电将不利于维护系统供电的可靠性；且升压器、物理标准器等检测设备的体积大、质量重，不便于携带到现场进行检定。这些因素致使大量 cvt 未被及时检定，其计量误差状态未知，给电力系统的安全运行带来隐患。因此，对 cvt 的计量误差开展在线评估研究，这对进一步维护电能贸易结算的公正性和系统的安全运行具有重要意义。

2、现有技术如专利号为“cn114062993a ”的中国专利公开了一种基于时间卷积网络的cvt误差状态预测方法。该方法包括以下步骤：计算得出cvt特征参数值，并生成时间序列；使用hampel滤波器对异常值进行处理；处理过后的序列使用adf检验，判断其平稳性，若时间序列是非平稳的，则通过差分指数平滑处理，将其转变为平稳时间序列；使用训练样本对时间卷积网络进行训练；在测试阶段，输入测试样本至保存的网络模型，输出cvt的误差预测值，与真实值对比，检查网络模型的有效性；将训练完善的时间卷积网络模型应用于cvt的状态预测，可判断cvt未来的误差是否存在超差可能性。

3、上述现有技术存在的问题是，cvt所运行的环境多变，不同的cvt需要在正常和误差状态下的特征很可能具有明显区别，在样本选择不好的情况下，上述方法的预测结果很可能不准确。

技术实现思路

1、为了解决上述现有技术中存在的问题，本发明提出了一种cvt误差状态在线评估方法、系统、设备及介质。

2、本发明的技术方案如下：

3、一方面，本发明提供一种cvt误差状态在线评估方法，包括以下步骤：

4、采集目标cvt的历史特征数据，对历史特征数据添加误差或正常的第一标签后构建训练样本集，其中，训练样本集中的每一个训练样本包含一组数据对，数据对中的两个样本数据从添加标准后的历史特征数据随机抽取得到，同时根据数据对是否具有相同的第一标签为样本数据添加第二标签；

5、构建包括两个卷积神经网络的孪生神经网络，将训练样本的两个样本数据分别输入至两卷积神经网络中进行特征提取，分别获取第一特征值和第二特征值；

6、计算第一特征值和第二特征值之间的特征距离，将特征距离输入到至少一个全连接层后，再利用激活函数输出一致性预测值，所述一致性预测值用于衡量两个输入之间的相似度；

7、基于一致性预测值和第二标签之间的差距计算损失，基于损失对孪生神经网络进行训练，得到训练好的cvt误差评估模型；

8、获取目标cvt的误差状态基准特征数据和正常状态基准特征数据，将当前目标cvt的实时特征数据分别与误差状态基准特征数据和正常状态基准特征数据组成数据对后输入至训练好的cvt误差评估模型中，得到误差评估结果。

9、作为优选实施方式，所述对历史特征数据添加误差或正常的第一标签后构建训练样本集的步骤具体为：

10、获取目标cvt的历史特征数据，构建数据集，其中，表示第i时刻的历史特征数据，对每一历史特征数据添加表示正常或误差的第一标签；

11、令数据集，从数据集中随机抽取，从数据集中随机抽取，其中t表示历史时刻的总数；构建数据对，若和和第一标签相同，则数据对的第二标签为1，反之为0；

12、将添加完第二标签的数据对作为训练样本放入训练样本集中。

13、作为优选实施方式，所述卷积神经网络包括多层一维卷积结构、拼接操作和通道注意力机制，其中：

14、多层一维卷积结构用于输入数据，且各一维卷积结构的卷积核大小均不相同；

15、拼接操作用于将多层一维卷积结构输出的特征向量进行纵向拼接，得到二维特征向量；

16、通道注意力机制用于获取二维特征向量中每一特征向量的重要程度，并根据重要程度为每一特征向量赋予权重值，并通过权重值计算加权后的二维特征值。

17、作为优选实施方式，所述计算第一特征值和第二特征值之间的特征距离的步骤具体为：

18、将第一特征值和第二特征值之间差值的绝对值作为第三特征值；

19、将第一特征值作为查询向量，将第二特征值和第三特征值分别作为键向量和值向量，利用注意力机制计算第一特征值和第三特征值之间的相关性得到第一相关特征值；

20、将第二特征值作为查询向量，将第一特征值和第三特征值分别作为键向量和值向量，利用注意力机制计算第二特征值和第三特征值之间的相关性得到第二相关特征值；

21、将第一相关特征值和第二相关特征值进行特征融合得到特征距离。

22、另一方面，本发明还提供一种cvt误差状态在线评估系统，其特征在于，包括：

23、样本集构建模块，用于采集目标cvt的历史特征数据，对历史特征数据添加误差或正常的第一标签后构建训练样本集，其中，训练样本集中的每一个训练样本包含一组数据对，数据对中的两个样本数据从添加标准后的历史特征数据随机抽取得到，同时根据数据对是否具有相同的第一标签为样本数据添加第二标签；

24、网络构建模块，用于构建包括两个卷积神经网络的孪生神经网络，将训练样本的两个样本数据分别输入至两卷积神经网络中进行特征提取，分别获取第一特征值和第二特征值；

25、特征融合模块，用于计算第一特征值和第二特征值之间的特征距离，将特征距离输入到至少一个全连接层后，再利用激活函数输出一致性预测值，所述一致性预测值用于衡量两个输入之间的相似度；

26、网络训练模块，基于一致性预测值和第二标签之间的差距计算损失，基于损失对孪生神经网络进行训练，得到训练好的cvt误差评估模型；

27、误差评估模块，用于获取目标cvt的误差状态基准特征数据和正常状态基准特征数据，将当前目标cvt的实时特征数据分别与误差状态基准特征数据和正常状态基准特征数据组成数据对后输入至训练好的cvt误差评估模型中，得到误差评估结果。

28、作为优选实施方式，所述样本集构建模块中，对历史特征数据添加误差或正常的第一标签后构建训练样本集的步骤具体为：

29、获取目标cvt的历史特征数据，构建数据集，其中，表示第i时刻的历史特征数据，对每一历史特征数据添加表示正常或误差的第一标签；

30、令数据集，从数据集中随机抽取，从数据集中随机抽取，其中t表示历史时刻的总数；构建数据对，若和和第一标签相同，则数据对的第二标签为1，反之为0；

31、将添加完第二标签的数据对作为训练样本放入训练样本集中。

32、作为优选实施方式，所述网络构建模块中，卷积神经网络包括多层一维卷积结构、拼接操作和通道注意力机制，其中：

33、多层一维卷积结构用于输入数据，且各一维卷积结构的卷积核大小均不相同；

34、拼接操作用于将多层一维卷积结构输出的特征向量进行纵向拼接，得到二维特征向量；

35、通道注意力机制用于获取二维特征向量中每一特征向量的重要程度，并根据重要程度为每一特征向量赋予权重值，并通过权重值计算加权后的二维特征值。

36、作为优选实施方式，所述特征融合模块中，计算第一特征值和第二特征值之间的特征距离的步骤具体为：

37、将第一特征值和第二特征值之间差值的绝对值作为第三特征值；

38、将第一特征值作为查询向量，将第二特征值和第三特征值分别作为键向量和值向量，利用注意力机制计算第一特征值和第三特征值之间的相关性得到第一相关特征值；

39、将第二特征值作为查询向量，将第一特征值和第三特征值分别作为键向量和值向量，利用注意力机制计算第二特征值和第三特征值之间的相关性得到第二相关特征值；

40、将第一相关特征值和第二相关特征值进行特征融合得到特征距离。

41、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cvt误差状态在线评估方法。

42、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，该程序被处理器执行时实现如本发明任一实施例所述的cvt误差状态在线评估方法。

43、本发明具有如下有益效果：

44、1、本发明构建成对的样本数据，将数据对输入到孪生神经网络模型中，计算出数据对之间的相似度；利用数据对的相似度和标签值进行损失函数的计算，获取具有分辨输入数据对是否一致的cvt误差评估模型，从而实现利用目标cvt实时特征和正常和误差的基准特征进行cvt误差状态的在线评估，这样的评估方式不对样本cvt有太多要求，只需确认正常和误差的基准特征数据准确即可实现精确评估。

45、2、本发明对卷积神经网络进行改进，网络中设置了多个一维卷积层（1d-cnn），每个一维卷积结构的卷积核大小不同，这样的操作可以提取输入数据不同尺寸的局部特征，实现特征的共享和抽象，从而使得网络对输入数据的变化更加鲁棒和准确。

46、3、在特征融合中分别利用了2次注意力机制计算2个二维特征值与差值之间的相关性，最后通过逐值相加求平均的方法求得特征距离作为融合特征，能够精准表征特征之间的相关性。