一种电子式互感器误差预测方法技术

本发明专利技术公开了一种电子式互感器误差预测方法，包括下述步骤：采集电子式互感器的误差数据和环境参量数据生成样本数据，并剔除其中异常数据；基于Z‑score标准化方法对样本数据进行标准化处理；对环境参量的历史数据进行聚类处理，通过训练学习建立电子式互感器误差预测模型；根据环境参量值，基于预测模型对电子式互感器的比差和角差进行预测。优点：本发明专利技术不需要建立任何物理模型，基于多维数据驱动的方法，根据电子式互感器的误差数据和环境参量数据，可以实现电子式互感器误差的在线估计，解决了电子式互感器误差和环境参量不存在确定函数关系的问题，有利于提高电子式互感器误差预测的准确性。

An Error Prediction Method for Electronic Transformer

【技术实现步骤摘要】
一种电子式互感器误差预测方法
本专利技术属于输配电设备状态评估与故障诊断领域，更具体地，涉及一种基于聚类神经网络的电子式互感器误差预测方法。
技术介绍
电子式互感器是承担智能变电站数字化、自动化、信息化、互动化的关键设备之一。采用电子式互感器后，信号传输光纤化从根本上解决了电磁式互感器传输到二次设备的附加误差问题，大大提高了测量和计量系统的准确性。但是从现场运行问题来看，电子式互感器的准确度问题仍然占据较大的比例。尽管所有的在运电子式互感器都通过了型式试验和出厂试验，但到现场安装时其误差合格率普遍偏低，多数互感器都需要在现场进行误差调整。由于外界环境参量的改变使得电子式互感器的误差发生变化，实验室内、现场离线运行以及在线运行时电子式互感器的误差不一致，互感器误差状态的稳定性较差，严重影响了电子式互感器的计量可信度。电子式互感器的误差考核通常采用定期检修或者停电检修的方法，利用标准电磁式互感器对电子式互感器进行校验，包括离线校验方法和在线校验方法。这些校验方法无法评估电子式互感器的长期运行误差，而且现场实施困难，需要繁重的劳动操作。现有技术包括基于时序模型的电子式互感器误差预测方法，通过确定历史状态数据在时间上的相关性对未来变化趋势进行预测。但是该方法没有计及外界因素的作用，当外界环境发生较大变化时，预测结果可能存在较大误差。现有技术还包括基于误差反向传播神经网络的电子式互感器误差预测方法，将空心线圈电流互感器等效为一个多输入单输出的系统，基于前馈神经网络来逼近互感器误差的退化特性，根据神经网络模型对互感器的比差进行了预测。但是该方法没有考虑样本数据中异常值对模型的结构和参数的影响，而且该模型还存在容易陷入局部最小值、收敛速度慢等缺点。综上所述，现有技术无法评估电子式互感器的长期运行误差，现场实施困难，需要繁重的劳动操作，受外界环境影响大，现场预测结果可能存在较大误差，不可靠等。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种电子式互感器误差预测方法。为解决上述技术问题，本专利技术提供一种电子式互感器误差预测方法，其特征在于，包括下述步骤：S1：采集电子式互感器误差值和环境参量值生成样本数据；S2：对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级；对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；S3：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；S4：基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。进一步地，所述步骤S1中，电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。进一步地，所述步骤S2中，基于Z-score标准化方法对样本数据进行标准化处理，计算公式为：其中x′表示标准化处理的值，x表示样本数据，表示样本数据的平均值，σ表示样本数据的标准差。进一步地，所述步骤S2中，选取样本数据中K个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离：其中，n表示样本数据的个数，xi表示样本数据值，UK表示聚类中心，按照距离最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。进一步地，所述步骤S3中，以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为Xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量Xi的元素，第i个输出向量为Yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量Yi的元素，输出层权重为W＝[ω1,ω2,…,ωK]T，其中ω1，ω2，...ωK为初始输出层权重向量W的元素，基函数中心值为聚类中心[U1,U2,…,UK]T，其中U1,U2,…,UK为聚类中心的元素,T表示矩阵的转置。进一步地，所述隐含神经元的映射函数为高斯函数：其中，j＝1,2,…,K，Uj为聚类中心的元素，σ2为聚类中心元素的标准差；根据输出层权重和映射函数，求得神经网络的输出为：ωj为初始输出层权重向量W的元素，根据最小二乘法得到神经网络输出层的最终权重Wn＝[w1，w2，...，wk]T，其中w1,w2,…,wK表示最终输出层权重向量Wn的元素。进一步地，将环境参量值Ci＝(c1,c2,…,cp)代入步骤S3所建立的神经网络的输入，电子式互感器比差或者角差的预测值为：以电子式互感器误差实际值fi为基准，计算预测误差：其中，c1,c2,…,cp表示环境参量的元素，wj为最终输出层权重向量的元素，N为计算点数。一种电子式互感器误差预测系统，其特征在于，包括依次连接的数据采集模块、标准化处理及聚类处理模块、预测模型建立模块和预测模块；所述数据采集模块用于采集电子式互感器误差值和环境参量值生成样本数据；所述标准化处理和聚类处理模块用于对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级，以及对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；所述预测模型建立模块用于将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；所述预测模块基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。进一步地，所述电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。进一步地，所述标准化处理和聚类处理模块采用基于Z-score标准化方法对样本数据进行标准化处理，计算公式为：其中x′表示标准化处理的值，x表示样本数据，表示样本数据的平均值，σ表示样本数据的标准差；所述标准化处理和聚类处理模块选取样本数据中K个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离：其中，n表示样本数据的个数，xi表示样本数据值，UK表示聚类中心，按照距离最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。进一步地，所述预测模型建立模块用于以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为Xi＝(x1,x2,…,xp)，其中x1，x2，...本文档来自技高网...

【技术保护点】
1.一种电子式互感器误差预测方法，其特征在于，包括下述步骤：S1：采集电子式互感器误差值和环境参量值生成样本数据；S2：对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级；对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；S3：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；S4：基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。

【技术特征摘要】
1.一种电子式互感器误差预测方法，其特征在于，包括下述步骤：S1：采集电子式互感器误差值和环境参量值生成样本数据；S2：对电子式互感器误差值的样本数据进行标准化处理，统一电子式互感器误差值和环境参量值的单位和数量级；对环境参量的历史数据进行聚类处理，将环境参量数据分为若干个差异较大的空间，得到不同分类的聚类中心；S3：将聚类后的电子式互感器误差数据和环境参量数据进行训练学习，建立对应的神经网络，得到电子式互感器比差预测模型和角差预测模型；S4：基于训练得到的比差预测模型和角差预测模型，根据环境参量值，对电子式互感器的比差和角差进行预测。2.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S1中，电子式互感器误差和环境参量值生成的样本数据分布规律采用β(g,h)分布来统一表示，x～β(g,h)，x∈[a,b]，其中x表示样本数据，a和b表示样本数据的最小值和最大值，g和h表示为分布参数。3.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S2中，基于Z-score标准化方法对样本数据进行标准化处理，计算公式为：其中x′表示标准化处理的值，x表示样本数据，表示样本数据的平均值，σ表示样本数据的标准差。4.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S2中，选取样本数据中K个对象作为聚类中心；计算样本数据和聚类中心之间的欧式距离：其中，n表示样本数据的个数，xi表示样本数据值，UK表示聚类中心，按照距离最近的原则将样本数据分配给距离其最近的中心向量，由这些数据构成不相交的聚类；将不同聚类中所有样本数据的均值作为新的聚类中心；迭代计算样本数据和新的聚类中心的欧式距离，直至新的聚类中心与原聚类中心相等或者达到最大迭代次数。5.根据权利要求1所述的电子式互感器误差预测方法，其特征在于，所述步骤S3中，以电子式互感器的比差或角差作为输出变量，以环境参量数据作为输入变量，该网络的输入神经元个数为p，输出神经元个数为q，隐含神经元个数和对象数目相等均为K个；神经网络的第i个输入向量为Xi＝(x1,x2,…,xp)，其中x1，x2，...xp为输入向量Xi的元素，第i个输出向量为Yi＝(y1,y2,…,yq)，其中y1，y2，...yq为输出向量Yi的元素，输出层权重为W＝[ω1,ω2,…,ωK]T，其中ω1，ω2，...ωK为初始输出层权重向量W的元素，基函数中心值为聚类中心[U1,U2,…,UK]T，其中U1,U2,…,UK为聚类中心的元素,T表示矩阵的转置。6.根据权利要求5所述的电子式互感器误差预测方法，其特征在于，所述隐含神经元的映射函数为高斯函数：其中，j＝1,2,…,K，Uj为聚类中心的元素，σ2为聚类中心元素的标准差；根据输出层权重和映射函数，求得神经网络的输出为：ωj为初始输出层权重向量W的元素，根据最小二乘法得到神经网络输出层的最终权重Wn＝[w1,w2,…,wk]T，其中w1,w2,…,wK表示最终输出层权重向量Wn的元素。7.根据权利要求6所述的电子式互感器误差预测方法，其特征在于，将环境参量值Ci＝(c1,c2,…,cp)代入步骤S3所建立的神经网络的输入，电子式互感器比差或者角差的预测值为：以电子式互感器误差实际值fi为基准，计算预测误差：其中，c1,c2,…,cp表示环境参量的元素，wj为最终输出层权重向量的元素，N为计算点数。8.一种电子式互感器误差预...

【专利技术属性】
技术研发人员：黄奇峰，李红斌，卢树峰，杨世海，范洁，李志新，陈铭明，寇英刚，陈庆，徐敏锐，陈刚，孟展，陈文广，陆子刚，胡琛，成国峰，吴桥，
申请(专利权)人：国网江苏省电力有限公司电力科学研究院，国家电网有限公司，国网江苏省电力有限公司，华中科技大学，国网江苏省电力有限公司扬州供电分公司，国网江西省电力有限公司电力科学研究院，江苏省电力试验研究院有限公司，
类型：发明
国别省市：江苏,32