一种非平稳输出的电流互感器误差状态预测方法和系统

本发明属于电力计量在线监测，尤其涉及一种非平稳输出的电流互感器误差状态预测方法。

背景技术：

1、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。

2、目前电流互感器误差评估通常采用离线校验或者在线校验的方法，通过直接比对法得到电子式电流互感器的比差和角差。然而，这些方法的校验周期较长，现场接线复杂，工作效率低。为了完善电流互感器误差状态评估体系，亟需建立电流互感器误差状态评估方法，以及时发现其误差超差问题，减少电流互感器误差越限运行时间，指导互感器检测工作，从而保证电能计量的公平性。

3、电网内电流数据波动大，其内暂态过程频发，幅值波动大，无固定规律，非平稳时间序列的误差预测成为了难题。为此，本发明提出了一种非平稳输出的电流互感器误差状态预测方法。

技术实现思路

1、针对现有技术中存在的问题，本发明提出了一种非平稳输出的电流互感器误差状态预测方法，具体包括如下步骤：

2、步骤s1，采集变电站中电流互感器ct的二次输出电流数据和误差状态数据，并对二次输出电流数据进行相空间重构处理，得到重构的数据，t表示采样时刻；

3、步骤s2，利用泰勒级数近似估计法对电流互感器的二次输出电流数据进行预测，得到第一预测结果；

4、步骤s3，利用模块神经网络mnn对重构后的电流数据进行预测，得到第二预测结果；

5、步骤s4，计算第一预测结果与第二预测结果之间的预测偏差，并利用预测偏差、第一预测结果、第二预测结果对rbf神经网络进行训练，得到第三预测结果；

6、步骤s5，将第三预测结果输入至模块神经网络mnn中，得到第四预测结果，即为最终预测结果。

7、进一步的，步骤s1的具体实现方式如下：

8、输出电流数据和误差状态数据的表示如下：

9、，t=1，2，……n              (1)

10、(2)

11、其中，t表示采样时刻，表示t时刻的采样值，n表示采样时刻的个数，表示泛函数；

12、将一维的时间序列用延迟时间，重构为m维的向量矩阵，相空间重构后的二次输出电流数据和误差状态数据为：

13、（3）

14、（4)

15、其中，表示延时时间，通过自定义设置，m为嵌入维数，n表示周期数，为采样时刻。

16、进一步的，步骤s2的具体实现方式如下：

17、泰勒级数近似估计法的推导过程如下：

18、（5）

19、（6）

20、（7）

21、将（6）、（7）带入（5）中得到（8）：

22、（8）

23、设置，故（8）式变为：

24、（9）

25、利用（9）式对t+1时刻的误差状态进行预测，为：

26、（10）。

27、进一步的，步骤s3中模块神经网络包括输入层、任务分解层、子网层、综合层；

28、第二预测结果的求解过程为：

29、(9)

30、(10)

31、(11)

32、(12)

33、(13)

34、(14)

35、(15)

36、(16)

37、其中，表示第i个子网层的输出，表示子网层的输出的集合，表示任务分解层的第一权重，表示任务分解层的第二权重，、分别表示第一、二偏置项，表示功能函数，表示积分向量，表示第一超参数，表示第二超参数，l表示子网层的数量，表示非线性变换函数，表示连接函数，表示第i个子网的中间函数值，表示第一超参数，表示综合权重矩阵。

38、进一步的，步骤s4中第三预测结果的计算过程如下：

39、（17）

40、（18）

41、表示rbf神经网络的隐函数。

42、进一步的，步骤s5中最终预测结果的计算公式如下：

43、（19）

44、其中，表示mnn的隐函数；

45、mnn损失函数定义为：

46、（20）

47、其中，表示ct的第i次预测值，表示ct第i次测量时的真实值，表示真实值与预测值之间的泛函数，表示ct在第i次预测中设置的经验权重，表示权重的取值为0-1，为第二超参数，n为测量的总次数，表示优化目标值。

48、进一步的，还包括步骤s6，将准确率acc和精确率p作为评价指标，评价预测结果的准确性；

49、（19）

50、（20）

51、其中，表示预测为正常ct，实际也为正常ct；表示预测为异常ct，实际为正常ct；表示预测为正常ct，实际为异常ct；表示预测为异常ct，实际也为异常ct。

52、另一方面，本发明还提供一种非平稳输出的电流互感器误差状态预测系统，包括如下模块：

53、相空间重构模块，用于采集变电站中电流互感器ct的二次输出电流数据和误差状态数据，并对二次输出电流数据进行相空间重构处理，得到重构的数据，t表示采样时刻；

54、第一预测模块，用于利用泰勒级数近似估计法对电流互感器的二次输出电流数据进行预测，得到第一预测结果；

55、第二预测模块，用于利用模块神经网络mnn对重构后的电流数据进行预测，得到第二预测结果；

56、第三预测模块，用于计算第一预测结果与第二预测结果之间的预测偏差，并利用预测偏差、第一预测结果、第二预测结果对rbf神经网络进行训练，得到第三预测结果；

57、最终预测模块，用于将第三预测结果输入至模块神经网络mnn中，得到第四预测结果，即为最终预测结果。

58、与现有技术相比，本发明具有如下优点和有益效果：

59、1.对电流互感器的二次输出数据进行相空间重构处理，从1维拓展到了m维，增加了预测结果的可信性；

60、2.采用泰勒级数近似估计法和模块神经网络算法相结合方法，提高了预测结果的精度；

61、3.利用注意力机制对模块神经网络算法中子网层的积分向量进行了优化处理，提高了预测结果的精度。

62、综上，本发明实现了非平稳输出的电流互感器计量误差状态进行实时在线预测。

技术特征：

1.一种非平稳输出的电流互感器误差状态预测方法，其特征在于，包括如下步骤：

2.如权利要求1所述的一种非平稳输出的电流互感器误差状态预测方法，其特征在于：步骤s1的具体实现方式如下：

3.如权利要求1所述的一种非平稳输出的电流互感器误差状态预测方法，其特征在于：步骤s2的具体实现方式如下：

4.如权利要求1所述的一种非平稳输出的电流互感器误差状态预测方法，其特征在于：步骤s3中模块神经网络mnn包括输入层、任务分解层、子网层、综合层；

5.如权利要求1所述的一种非平稳输出的电流互感器误差状态预测方法，其特征在于：步骤s4中第三预测结果的计算过程如下：

6.如权利要求1所述的一种非平稳输出的电流互感器误差状态预测方法，其特征在于：步骤s5中最终预测结果的计算公式如下：

7.如权利要求1所述的一种非平稳输出的电流互感器误差状态预测方法，其特征在于：还包括步骤s6，将准确率acc和精确率p作为评价指标，评价预测结果的准确性；

8.一种非平稳输出的电流互感器误差状态预测系统，其特征在于，包括如下模块：

技术总结
本发明公开了一种非平稳输出的电流互感器误差状态预测方法，包括对电流互感器的二次输出数据进行相空间重构处理，从1维拓展到了m维，增加了预测结果的可信性；采用泰勒级数近似估计法和模块神经网络算法相结合方法，提高了预测结果的精度；利用注意力机制对模块神经网络算法中子网层的积分向量进行了优化处理，提高了预测结果的精度。本发明实现了非平稳输出的电流互感器计量误差状态进行实时在线预测。

技术研发人员：尹远,刘景,刘侃,李颂战,胡梦月,胡敏,简子倪,汤曼
受保护的技术使用者：武汉纺织大学
技术研发日：
技术公布日：2024/1/15