一种电压互感器误差状态迭代评估方法及系统技术方案

本发明专利技术提供一种电压互感器误差状态迭代评估方法及系统，该方法包括以下步骤：S1，将电压互感器的状态评估数据集进行矫正预处理后作为训练集；S2，根据训练集，通过网格搜索的方式寻找划分分类叶子节点的最优超参数，根据最优超参数训练出的决策树模型作为基本分类器模型；S3，利用训练集对基本分类器模型使用集成学习方式进行迭代，每次迭代提高错误分类的数据权重并将其作为下一次迭代的输入项，直到迭代结束，输出当前电压互感器最终的强分类器模型，根据强分类器模型计算出电压互感器的最终状态结果。本发明专利技术采用集成学习的方式对CVT在线评估错误矫正后的数据进行多轮迭代优化训练模型，提升CVT告警、异常状态的评估准确度。度。度。

【技术实现步骤摘要】
一种电压互感器误差状态迭代评估方法及系统


[0001]本专利技术涉及电力设备性能评估
，更具体地，涉及一种电压互感器误差状态迭代评估方法及系统。

技术介绍

[0002]电压互感器作为电力系统中的关键设备，在保证二次设备和用电安全的前提下实现一次电压的准确测量，为电能计量、状态监控和继电保护等提供了可靠的依据。确保电压互感器处于稳定的运行状态，能够保证电力系统在计量和测量方面的准确性，且提高自动装置和继电保护动作的可靠度，有利于实现电力系统的安全、稳定和经济运行。
[0003]在电力系统的实际运行中，由于电网运行工况复杂多变以及电压互感器使用年限的增长，电压互感器的运行状态以及自身的精度将随之而变化。这为电力系统的安全、稳定和经济运行带来了隐患，为此需要对运行中电压互感器的计量误差状态进行有效评估，及时发现电压互感器的超差问题，为制定相应的维护以及检修策略提供可靠的依据；并对具有高超差风险的电压互感器进行风险预警，及时发现劣化趋势严重的电压互感器，保证电压互感器检修的及时性；同时可实现只对有需求的电压互感器进行必要的维护，避免以往对部分电压互感器的盲目检修维护，减小工作量，提高劳动效率。
[0004]现有的电压互感器在线运行误差状态评估方法基于多指标融合对电压互感器的二次输出电压进行分析，从中提炼出反映误差状态的各类状态评估指标，但各类状态评估指标所体现出的互感器误差程度有所差异，例如有的指标衡量的是渐变误差，有的指标衡量的是突变误差。通过确定各状态评估指标在状态评估过程中的贡献率并加以融合，以解决各指标所带来的差异，最终实现在不依赖标准互感器和不停电运行下电压互感器误差状态的在线评估，实时监测互感器误差状态。现有技术方案输出的CVT（Capacitor Voltage Transformers，电容式电压互感器）状态，状态构成指标有CVT突变误差、渐变误差的历史变化趋势概率，CVT告警、异常状态存在模糊边界划判问题；当前技术方案输出CVT运行状态，例如在线检测CVT状态告警或异常，以及停电检修、检测发现CVT告警、异常，这两个状态存在误判问题，检修后，同样的情况无法从根源层面提升当前互感器状态评估能力。因此，有必要提供一种新的电压互感器误差状态评估的方法，以解决CVT告警、异常状态存在模糊边界划判问题，以及在线检测状态与停电检修时检测状态的误判问题。

技术实现思路

[0005]本专利技术针对现有技术中存在的技术问题，提供一种电压互感器误差状态迭代评估方法及系统，通过停电检测后的CVT状态评估数据，使用集成学习的方式对存在状态评估错误矫正后的CVT数据重新训练模型，达到提升CVT告警、异常状态的评估准确度的目的。
[0006]根据本专利技术的第一方面，提供了一种电压互感器误差状态迭代评估方法，包括以下步骤：S1，将电压互感器的状态评估数据集进行矫正预处理后作为训练集；
S2，根据训练集，通过网格搜索的方式寻找划分分类叶子节点的最优超参数，根据最优超参数训练出的决策树模型作为基本分类器模型；S3，预设迭代次数，利用训练集对所述基本分类器模型使用集成学习方式进行迭代，每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项，直到迭代结束，输出当前电压互感器最终的强分类器模型，根据强分类器模型计算出电压互感器的最终状态结果。
[0007]在上述技术方案的基础上，本专利技术还可以作出如下改进。
[0008]可选的，步骤S1中，所述将电压互感器的状态评估数据集进行矫正预处理，包括：将电压互感器的在线检测状态数据与其停电后检测状态数据做核对，将在线检测状态数据中识别错误的数据替换为停电后检测状态数据，重新整合为修正后的数据集，修正后的数据集作为训练集。
[0009]可选的，步骤S2包括：S201，使用决策树做分类器模型，根据所述训练集，寻找最优状态的划分分类叶子节点；S202，建立决策树的必要参数，设定必要参数的阈值范围，通过网格搜索的方式从阈值范围中寻找划分分类叶子结点的最优超参数，根据最优超参数训练决策树分类模型作为基本分类器模型。
[0010]可选的，步骤S201包括：使用决策树做分类器模型；获取所述训练集中每条样本数据的多个分类特征参数，多个所述分类特征参数至少包括：修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态、健康状态，每个所述分类特征参数可分类的状态类型至少包括：正常、异常、告警，通过以下公式计算训练集内全部分类特征参数的信息熵X：
ꢀꢀꢀꢀ
（1），
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）；其中，i为分类特征参数的数量，k为分类特征参数可分类的状态类型的种类数量，x1、x2、x3……
x
k
为每种状态类型分别占训练集的比例，为训练集内每个分类特征参数的信息熵；根据以下公式计算其他随机参数Y的不确定性，记做条件熵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3），其中，n为训练集中样本数据的数量；根据以下公式计算得到当前分类特征参数A对训练集D的信息增益g(D,A)：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4），所述信息增益g(D,A)则是最优状态的划分分类叶子节点，将信息增益g(D,A)作为分类依据给训练集的样本数据分类。
[0011]可选的，所述必要参数包括树模型最大深度、树分支最小叶样本和树最大根结点，分别设定树模型最大深度阈值范围、树分支最小叶样本阈值范围和树最大根结点阈值范
围。
[0012]可选的，步骤S3包括：S301，初始化训练集中样本数据的权值分布，通过基本分类器模型对训练集的样本数据进行测试，得到第m个基本分类器模型里第n条电压互感器的样本数据权重，根据样本数据权重计算当前基本分类器模型预测错误的总误差Gm(x)；S302，根据当前基本分类器模型预测错误的总误差Gm(x)计算当前的基本分类器模型错误权重率，根据当前的基本分类器模型错误权重率计算当前轮迭代基本分类器模型的预测错误总误差率系数，根据当前轮迭代基本分类器模型的预测错误总误差率系数更新训练集中样本数据的权值；S303，将更新后的训练集对下一个基本分类器模型进行训练，直到迭代次数达到基本分类器模型的最大数量；S304，根据每轮迭代的基本分类器模型准确率y
m
与预测错误总误差率系数输出强分类器模型G(x)，使用符号函数对强分类器模型G(x)计算得到最终的电压互感器状态结果。
[0013]根据本专利技术的第二方面，提供一种电压互感器误差状态迭代评估系统，包括：数据预处理模块，用于将电压互感器的状态评估数据集进行矫正预处理后作为训练集；基本分类器模块，用于根据训练集，通过网格搜索的方式寻找划分分类叶子节点的最优超参数，根据最优超参数训练出的决策树模型作为基本分类器模型；强分类器模块，用于预设迭代次数，利用训练集对所述基本分类器模型使用集成学习方式进行迭代，每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项，直到迭代结束，输出当前电压互感器最终本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电压互感器误差状态迭代评估方法，其特征在于，包括以下步骤：S1，将电压互感器的状态评估数据集进行矫正预处理后作为训练集；S2，根据训练集，通过网格搜索的方式寻找划分分类叶子节点的最优超参数，根据最优超参数训练出的决策树模型作为基本分类器模型；S3，预设迭代次数，利用训练集对所述基本分类器模型使用集成学习方式进行迭代，每次迭代提高错误分类的数据权重并将本次迭代结果作为下一次迭代的输入项，直到迭代结束，输出当前电压互感器最终的强分类器模型，根据强分类器模型计算出电压互感器的最终状态结果。2.根据权利要求1所述的方法，其特征在于，步骤S1中，所述将电压互感器的状态评估数据集进行矫正预处理，包括：将电压互感器的在线检测状态数据与其停电后检测状态数据做核对，将在线检测状态数据中识别错误的数据替换为停电后检测状态数据，重新整合为修正后的数据集，修正后的数据集作为训练集。3.根据权利要求1所述的方法，其特征在于，步骤S2包括：S201，使用决策树做分类器模型，根据所述训练集，寻找最优状态的划分分类叶子节点；S202，建立决策树的必要参数，设定必要参数的阈值范围，通过网格搜索的方式从阈值范围中寻找划分分类叶子结点的最优超参数，根据最优超参数训练决策树分类模型作为基本分类器模型。4.根据权利要求3所述的方法，其特征在于，步骤S201包括：使用决策树做分类器模型；获取所述训练集中每条样本数据的多个分类特征参数，多个所述分类特征参数至少包括：修正后的互感器状态、比差状态、角差状态、稳定性状态、可靠程度状态、健康状态，每个所述分类特征参数可分类的状态类型至少包括：正常、异常、告警，通过以下公式计算训练集内全部分类特征参数的信息熵X：
ꢀꢀ
（1），
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）；其中，i为分类特征参数的数量，k为分类特征参数可分类的状态类型的种类数量，x1、x2、x3……
x
k
为每种状态类型分别占训练集的比例，p
i
为训练集内每个分类特征参数的信息熵；根据以下公式计算其他随机参数Y的不确定性，记做条件熵：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3），其中，n为训练集中样本数据的数量；根据以下公式计算得到当前分类特征参数A对训练集D的信息增益g(D,A)：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（4），所述信息增...

【专利技术属性】
技术研发人员：王帅，匡林，任波，刘发志，
申请(专利权)人：武汉格蓝若智能技术有限公司，
类型：发明
国别省市：