本技术涉及电能计量设备状态监测,特别是涉及一种电流互感器误差状态趋势预测方法、装置、设备及介质。
背景技术:
1、随着电能计量设备状态监测技术的发展,电流互感器的误差状态趋势预测也越来越重要。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。
2、相关技术中,电流互感器误差状态趋势的预测方法是结合天气因素、季节因素对电流互感器数据进行处理,完成电流互感器计量误差的劣化趋势预测,但是申请人认识到,由于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,所以采用电流互感器数据进行模型预测会导致预测结果的准确性不高。且由于二次信息系统信息源的不准确,导致传统误差状态预测模型的预测准确度不高,不能及时发现电流互感器状态劣化,会影响电网运行。
技术实现思路
1、有鉴于此,本技术提供了一种电流互感器误差状态趋势预测方法、装置、设备及介质,主要目的在于解决由于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,导致传统误差状态预测模型的预测准确度不高,不能及时发现电流互感器状态劣化,会影响电网运行的问题。
2、依据本技术第一方面,提供了一种电流互感器误差状态趋势预测方法,该方法包括:
3、响应于误差状态趋势预测指令,获取当前时刻的误差数据,利用所述当前时刻的误差数据构造当前时刻的误差趋势预测指标,所述误差趋势预测指标包括误差随机指标、误差异同移动平均线指标、误差波动指标;
4、获取历史误差数据,将所述当前时刻的误差趋势预测指标和所述历史误差数据输入预先构建的误差状态趋势预测模型,获取所述误差状态趋势预测模型输出的下一时刻的误差状态数据;
5、将所述下一时刻的误差状态数据发送至发起所述误差状态趋势预测指令的用户。
6、可选地,所述获取当前时刻的误差数据,利用所述当前时刻的误差数据构造当前时刻的误差趋势预测指标,包括:
7、确定所述误差状态趋势预测指令指示的目标电流互感器,获取所述目标电流互感器输出的所述当前时刻的误差数据;
8、获取未成熟随机值计算公式,利用所述未成熟随机值计算公式对所述当前时刻的误差数据进行计算,得到当前时刻的未成熟随机值;
9、利用所述当前时刻的未成熟随机值生成所述误差随机指标;
10、获取指数平均数指标计算公式,利用所述指数平均数指标计算公式对所述当前时刻的误差数据进行计算,生成所述误差异同移动平均线指标;
11、对所述当前时刻的误差数据进行均值聚类操作,得到多个重构误差数据;
12、分别对每个所述重构误差数据进行算术平均计算,得到每个所述重构误差数据对应的算术平均值,以及将每个所述重构误差数据与每个所述重构误差数据对应的算术平均值的比值作为波动数据,得到多个波动数据;
13、将所述多个波动数据作为所述误差波动指标,以及将所述误差随机指标、所述误差异同移动平均线指标、所述误差波动指标作为所述当前时刻的误差趋势预测指标。
14、可选地,所述获取历史误差数据,将所述当前时刻的误差趋势预测指标和所述历史误差数据输入预先构建的误差状态趋势预测模型,获取所述误差状态趋势预测模型输出的下一时刻的误差状态数据之前,所述方法还包括:
15、获取历史误差数据,在所述历史误差数据中读取多个单位时间的平均误差;
16、获取未成熟随机值计算公式,利用所述未成熟随机值计算公式对所述多个单位时间的平均误差进行计算,生成历史误差随机指标;
17、获取指数平均数指标计算公式,利用所述指数平均数指标计算公式对所述多个单位时间的平均误差进行计算,生成历史误差异同移动平均线指标;
18、对所述历史误差数据进行均值聚类操作,得到多个历史重构误差数据;
19、分别对每个所述历史重构误差数据进行算术平均计算,得到每个所述历史重构误差数据对应的历史算术平均值,以及将每个所述历史重构误差数据与每个所述历史重构误差数据对应的历史算术平均值的比值作为历史波动数据,得到多个历史波动数据;
20、将所述多个历史波动数据作为历史误差波动指标,以及将所述历史误差随机指标、所述历史误差异同移动平均线指标、所述历史误差波动指标作为历史误差趋势预测指标;
21、获取历史误差状态样本,利用所述历史误差趋势预测指标、所述历史误差数据和所述历史误差状态样本进行模型构建,得到所述误差状态趋势预测模型。
22、可选地,所述利用所述未成熟随机值计算公式对所述多个单位时间的平均误差进行计算,生成历史误差随机指标,包括:
23、根据每个所述单位时间的平均误差,对每个所述单位时间执行以下处理:确定第i个单位时间之前的j个单位时间内的误差最高值,确定所述第i个单位时间之前的j个单位时间内的误差最低值,利用所述未成熟随机值计算公式对所述第i个单位时间的平均误差、所述第i个单位时间的误差最高值、所述第i个单位时间的误差最低值进行计算,得到所述第i个单位时间的历史未成熟随机值,其中,
24、
25、其中,vi为所述第i个单位时间的历史未成熟随机值,为所述第i个单位时间的平均误差,为所述第i个单位时间之前的j个单位时间内的误差最高值,为所述第i个单位时间之前的j个单位时间内的误差最低值,i为正整数,j为正整数;
26、分别对每个所述单位时间进行历史未成熟随机值的计算,得到多个单位时间的历史未成熟随机值;
27、利用所述多个单位时间的历史未成熟随机数计算所述历史误差随机指标。
28、可选地,所述利用所述多个单位时间的历史未成熟随机数计算所述历史误差随机指标,包括:
29、获取第一平均值计算公式,根据每个所述单位时间的历史未成熟随机值,对每个所述单位时间执行以下处理:获取第i-1个单位时间的第一指数移动平均值,以及利用所述第一平均值计算公式对所述第i个单位时间的未成熟随机值、所述第i-1个单位时间的第一指数移动平均值进行计算,得到所述第i个单位时间的第一指数移动平均值,其中,
30、ki=αvi+(1-α)ki-1
31、其中,ki为第i个单位时间的第一指数移动平均值,α为第一平滑指数,vi为第i个单位时间的历史未成熟随机值,ki-1为所述第i-1个单位时间的第一指数移动平均值,i为正整数;
32、分别对每个所述单位时间进行第一指数移动平均值的计算,得到多个单位时间的第一指数移动平均值;
33、获取第二平均值计算公式,根据每个所述单位时间的第一指数移动平均值,对每个所述单位时间执行以下处理:获取所述第i-1个单位时间的第二指数移动平均值,以及利用所述第二平均值计算公式对所述第i个单位时间的第一指数移动平均值、所述第i-1个单位时间的第二指数移动平均值进行计算,得到所述第i个单位时间的第二指数移动平均值,其中,
34、di=αki+(1-α)di-1
35、其中,di为所述第i个单位时间的第二指数移动平均值,α为所述第一平滑指数,ki为所述第i个单位时间的第一指数移动平均值,di-1为所述第i-1个单位时间的第二指数移动平均值,i为正整数;
36、分别对每个所述单位时间进行第二指数移动平均值的计算,得到多个单位时间的第二指数移动平均值;
37、获取关系公式,根据每个所述单位时间的第一指数移动平均值、每个所述单位时间的第二指数移动平均值,对每个所述单位时间执行以下处理:利用所述关系公式对所述第i个单位时间的第一指数移动平均值和所述第i个单位时间的第二指数移动平均值进行计算,得到所述第i个单位时间的关系值,其中,
38、ji=3ki-2di
39、其中,ji为所述第i个单位时间的关系值,ki为所述第i个单位时间的第一指数移动平均值,di为所述第i个单位时间的第二指数移动平均值,i为正整数;
40、分别对每个所述单位时间进行关系值的计算,得到多个单位时间的关系值;
41、将所述多个单位时间的第一指数移动平均值、所述多个单位时间的第二指数移动平均值、所述多个单位时间的关系值作为所述历史误差随机指标。
42、可选地,所述利用所述指数平均数指标计算公式对所述多个单位时间的平均误差进行计算,生成历史误差异同移动平均线指标,包括:
43、获取指数计算公式,根据每个所述单位时间的平均误差,对每个所述单位时间执行以下处理:获取第i-1个单位时间的平均误差对应的第三指数移动平均值,利用所述指数计算公式对第i个单位时间的平均误差、所述第i-1个单位时间的平均误差对应的第三指数移动平均值进行计算,得到所述第i个单位时间的第三指数移动平均值,其中,
44、
45、其中,mi为所述第i个单位时间的平均误差对应的第三指数移动平均值,mi-1为所述第i-1个单位时间的平均误差对应的第三指数移动平均值,β为第二平滑指数,为所述第i个单位时间的平均误差,i为正整数;
46、分别对每个所述单位时间进行第三指数移动平均值的计算,得到多个单位时间的第三指数移动平均值;
47、将所述多个单位时间的第三指数移动平均值作为所述历史误差异同移动平均线指标。
48、可选地,所述将所述当前时刻的误差趋势预测指标和所述历史误差数据输入预先构建的误差状态趋势预测模型,获取所述误差状态趋势预测模型输出的下一时刻的误差状态数据,包括:
49、获取注意力头数量,按照所述注意力头数量对所述当前时刻的误差趋势预测指标和所述历史误差数据进行线性变换计算,得到多个变换参数;
50、基于所述误差状态趋势预测模型的神经网络模块对所述当前时刻的误差趋势预测指标和所述历史误差数据进行处理,得到隐藏状态数据;
51、获取自注意力值计算公式,利用所述自注意力值计算公式对所述多个变换参数和所述隐藏状态数据进行计算,得到多个自注意力值,其中,
52、uκ=tanh(wκh+bκ)
53、其中,uκ为第k个注意力头的自注意力值,wκ为第k个注意力头的变换参数,h为隐藏状态数据,bκ为第k个注意力头的偏置,k为正整数;
54、将所述多个自注意力值进行连接,得到多头自注意力值,以及基于所述误差状态趋势预测模型的线性模块将所述多头自注意力值转化为当前时刻的误差状态数据,其中,
55、y=softmax(wv+b)
56、其中,y为当前时刻的误差状态数据,w为权重矩阵,b为偏置,v为多头自注意力值;
57、获取误差状态预测计算公式,利用所述误差状态预测计算公式对所述当前时刻的误差状态数据进行计算,得到所述下一时刻的误差状态数据,其中,
58、δ=yt+1-lstm(yt)
59、其中,yt+1为下一时刻的误差状态数据,yt为当前时刻的误差状态数据,t为正整数。
60、依据本技术第二方面,提供了一种电流互感器误差状态趋势预测装置,该装置包括:
61、构造模块,用于响应于误差状态趋势预测指令,获取当前时刻的误差数据,利用所述当前时刻的误差数据构造当前时刻的误差趋势预测指标,所述误差趋势预测指标包括误差随机指标、误差异同移动平均线指标、误差波动指标;
62、预测模块,用于获取历史误差数据,将所述当前时刻的误差趋势预测指标和所述历史误差数据输入预先构建的误差状态趋势预测模型,获取所述误差状态趋势预测模型输出的下一时刻的误差状态数据;
63、发送模块,用于将所述下一时刻的误差状态数据发送至发起所述误差状态趋势预测指令的用户。
64、可选地,所述构造模块,用于确定所述误差状态趋势预测指令指示的目标电流互感器,获取所述目标电流互感器输出的所述当前时刻的误差数据;获取未成熟随机值计算公式,利用所述未成熟随机值计算公式对所述当前时刻的误差数据进行计算,得到当前时刻的未成熟随机值;利用所述当前时刻的未成熟随机值生成所述误差随机指标;获取指数平均数指标计算公式,利用所述指数平均数指标计算公式对所述当前时刻的误差数据进行计算,生成所述误差异同移动平均线指标;对所述当前时刻的误差数据进行均值聚类操作,得到多个重构误差数据;分别对每个所述重构误差数据进行算术平均计算,得到每个所述重构误差数据对应的算术平均值,以及将每个所述重构误差数据与每个所述重构误差数据对应的算术平均值的比值作为波动数据,得到多个波动数据;将所述多个波动数据作为所述误差波动指标,以及将所述误差随机指标、所述误差异同移动平均线指标、所述误差波动指标作为所述当前时刻的误差趋势预测指标。
65、可选地,所述装置还包括:构建模块。
66、所述构建模块,用于获取历史误差数据,在所述历史误差数据中读取多个单位时间的平均误差;获取未成熟随机值计算公式,利用所述未成熟随机值计算公式对所述多个单位时间的平均误差进行计算,生成历史误差随机指标;获取指数平均数指标计算公式,利用所述指数平均数指标计算公式对所述多个单位时间的平均误差进行计算,生成历史误差异同移动平均线指标;对所述历史误差数据进行均值聚类操作,得到多个历史重构误差数据;分别对每个所述历史重构误差数据进行算术平均计算,得到每个所述历史重构误差数据对应的历史算术平均值,以及将每个所述历史重构误差数据与每个所述历史重构误差数据对应的历史算术平均值的比值作为历史波动数据,得到多个历史波动数据;将所述多个历史波动数据作为历史误差波动指标,以及将所述历史误差随机指标、所述历史误差异同移动平均线指标、所述历史误差波动指标作为历史误差趋势预测指标;获取历史误差状态样本,利用所述历史误差趋势预测指标、所述历史误差数据和所述历史误差状态样本进行模型构建,得到所述误差状态趋势预测模型。
67、可选地,所述构建模块,用于根据每个所述单位时间的平均误差,对每个所述单位时间执行以下处理:确定第i个单位时间之前的j个单位时间内的误差最高值,确定所述第i个单位时间之前的j个单位时间内的误差最低值,利用所述未成熟随机值计算公式对所述第i个单位时间的平均误差、所述第i个单位时间的误差最高值、所述第i个单位时间的误差最低值进行计算,得到所述第i个单位时间的历史未成熟随机值,其中,
68、
69、其中,vi为所述第i个单位时间的历史未成熟随机值,为所述第i个单位时间的平均误差,为所述第i个单位时间之前的j个单位时间内的误差最高值,为所述第i个单位时间之前的j个单位时间内的误差最低值,i为正整数,j为正整数;分别对每个所述单位时间进行历史未成熟随机值的计算,得到多个单位时间的历史未成熟随机值;利用所述多个单位时间的历史未成熟随机数计算所述历史误差随机指标。
70、可选地,所述构建模块,用于获取第一平均值计算公式,根据每个所述单位时间的历史未成熟随机值,对每个所述单位时间执行以下处理:获取第i-1个单位时间的第一指数移动平均值,以及利用所述第一平均值计算公式对所述第i个单位时间的未成熟随机值、所述第i-1个单位时间的第一指数移动平均值进行计算,得到所述第i个单位时间的第一指数移动平均值,其中,
71、ki=αvi+(1-α)ki-1
72、其中,ki为第i个单位时间的第一指数移动平均值,α为第一平滑指数,vi为第i个单位时间的历史未成熟随机值,ki-1为所述第i-1个单位时间的第一指数移动平均值,i为正整数;分别对每个所述单位时间进行第一指数移动平均值的计算,得到多个单位时间的第一指数移动平均值;获取第二平均值计算公式,根据每个所述单位时间的第一指数移动平均值,对每个所述单位时间执行以下处理:获取所述第i-1个单位时间的第二指数移动平均值,以及利用所述第二平均值计算公式对所述第i个单位时间的第一指数移动平均值、所述第i-1个单位时间的第二指数移动平均值进行计算,得到所述第i个单位时间的第二指数移动平均值,其中,
73、di=αki+(1-α)di-1
74、其中,di为所述第i个单位时间的第二指数移动平均值,α为所述第一平滑指数,ki为所述第i个单位时间的第一指数移动平均值,di-1为所述第i-1个单位时间的第二指数移动平均值,i为正整数;分别对每个所述单位时间进行第二指数移动平均值的计算,得到多个单位时间的第二指数移动平均值;获取关系公式,根据每个所述单位时间的第一指数移动平均值、每个所述单位时间的第二指数移动平均值,对每个所述单位时间执行以下处理:利用所述关系公式对所述第i个单位时间的第一指数移动平均值和所述第i个单位时间的第二指数移动平均值进行计算,得到所述第i个单位时间的关系值,其中,
75、ji=3ki-2di
76、其中,ji为所述第i个单位时间的关系值,ki为所述第i个单位时间的第一指数移动平均值,di为所述第i个单位时间的第二指数移动平均值,i为正整数;分别对每个所述单位时间进行关系值的计算,得到多个单位时间的关系值;将所述多个单位时间的第一指数移动平均值、所述多个单位时间的第二指数移动平均值、所述多个单位时间的关系值作为所述历史误差随机指标。
77、可选地,所述构建模块,用于获取指数计算公式,根据每个所述单位时间的平均误差,对每个所述单位时间执行以下处理:获取第i-1个单位时间的平均误差对应的第三指数移动平均值,利用所述指数计算公式对第i个单位时间的平均误差、所述第i-1个单位时间的平均误差对应的第三指数移动平均值进行计算,得到所述第i个单位时间的第三指数移动平均值,其中,
78、
79、其中,mi为所述第i个单位时间的平均误差对应的第三指数移动平均值,mi-1为所述第i-1个单位时间的平均误差对应的第三指数移动平均值,β为第二平滑指数,为所述第i个单位时间的平均误差,i为正整数;分别对每个所述单位时间进行第三指数移动平均值的计算,得到多个单位时间的第三指数移动平均值;将所述多个单位时间的第三指数移动平均值作为所述历史误差异同移动平均线指标。
80、可选地,所述预测模块,用于获取注意力头数量,按照所述注意力头数量对所述当前时刻的误差趋势预测指标和所述历史误差数据进行线性变换计算,得到多个变换参数;基于所述误差状态趋势预测模型的神经网络模块对所述当前时刻的误差趋势预测指标和所述历史误差数据进行处理,得到隐藏状态数据;获取自注意力值计算公式,利用所述自注意力值计算公式对所述多个变换参数和所述隐藏状态数据进行计算,得到多个自注意力值,其中,
81、uκ=tanh(wκh+bκ)
82、其中,uκ为第k个注意力头的自注意力值,wκ为第k个注意力头的变换参数,h为隐藏状态数据,bκ为第k个注意力头的偏置,k为正整数;将所述多个自注意力值进行连接,得到多头自注意力值,以及基于所述误差状态趋势预测模型的线性模块将所述多头自注意力值转化为当前时刻的误差状态数据,其中,
83、y=softmax(wv+b)
84、其中,y为当前时刻的误差状态数据,w为权重矩阵,b为偏置,v为多头自注意力值;获取误差状态预测计算公式,利用所述误差状态预测计算公式对所述当前时刻的误差状态数据进行计算,得到所述下一时刻的误差状态数据,其中,
85、δ=yt+1-lstm(yt)
86、其中,yt+1为下一时刻的误差状态数据,yt为当前时刻的误差状态数据,t为正整数。
87、依据本技术第三方面,提供了一种设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
88、依据本技术第四方面,提供了一种介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述第一方面中任一项所述的方法的步骤。
89、借由上述技术方案,本技术提供的一种电流互感器误差状态趋势预测方法、装置、设备及介质,本技术响应于误差状态趋势预测指令,获取当前时刻的误差数据,利用当前时刻的误差数据构造当前时刻的误差趋势预测指标,误差趋势预测指标包括误差随机指标、误差异同移动平均线指标、误差波动指标,获取历史误差数据,将当前时刻的误差趋势预测指标和历史误差数据输入预先构建的误差状态趋势预测模型,获取误差状态趋势预测模型输出的下一时刻的误差状态数据,将下一时刻的误差状态数据发送至发起误差状态趋势预测指令的用户,通过挖掘误差数据之间的潜在规则,构造出误差随机指标、误差异同移动平均线指标、误差波动指标作为误差趋势预测指标,从而通过多维指标融合提高预测准确度,且基于多头自注意力机制对长短期记忆网络模型进行改进,构建误差状态趋势预测模型,以提高模型预测的准确度。
90、上述说明仅是本技术技术方案的概述,为了能够更清楚了解本技术的技术手段,而可依照说明书的内容予以实施,并且为了让本技术的上述和其它目的、特征和优点能够更明显易懂,以下特举本技术的具体实施方式。