一种自适应的电流互感器误差评估方法技术

本发明专利技术涉及一种自适应的电流互感器误差评估方法，包括：将同一变电站内同一母线上的各线路CT作为评估群体，构建各CT个体误差与测量值节点电流矢量和的物理关系，得到群体内每台CT的测量误差，记为第一误差估计值；建立个体CT误差评估模型；基于个体CT误差评估模型得到评估群体中各个待评估CT的第二误差估计值；采用改进后物理信息神经网络方法，将第一误差估计值和第二误差估计值进行融合，得到第三误差估计值；利用误差偏差值，对第一误差估计和第二误差估计值进行修正，自适应地实现了CT运行误差的实时在线评估。CT运行误差的实时在线评估。CT运行误差的实时在线评估。

【技术实现步骤摘要】
一种自适应的电流互感器误差评估方法


[0001]本专利技术涉及智能电网领域，尤其涉及一种自适应的电流互感器误差评估方法。

技术介绍

[0002]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。
[0003]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。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种自适应的电流互感器误差评估方法，利用多维特征提取与集成融合学习的方法，根据变电站不同的CT电气物理关系，自适应地实现了CT运行误差的实时在线评估。
[0005]根据本专利技术的第一方面，提供了一种自适应的电流互感器误差评估方法，包括：步骤1，将同一变电站内同一母线上的各线路CT作为评估群体S，根据基尔霍夫电流定律，构建各CT个体误差与测量值节点电流矢量和的物理关系，利用数学处理方法，得到群体内每台CT的测量误差，记为CT的第一误差估计值；步骤2，利用离线建模、在线训练的方式，建立个体CT误差评估模型；所述个体CT误差评估模型的输入为CT的多维特征参量，输出为CT的第二误差估计值；基于所述个体CT误差评估模型得到所述评估群体S中各个待评估CT的第二误差估计值；步骤3，采用改进后物理信息神经网络方法，将所述第一误差估计值和所述第二误差估计值进行融合，得到第三误差估计值；步骤4，分别计算第一误差估计值、第二误差估计值与第三误差估计值之间的误差偏差值和；利用所述误差偏差值和，对所述第一误差估计值和所述第二误差估计值进行修正，自适应实现CT运行误差的在线评估。
[0006]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。
[0007]可选的，所述步骤1包括：步骤101，实时获取并筛选变电站同一节点下的各线路CT的稳定段的电流测量值，构建监测数据集；步骤102，根据基尔霍夫电流定律，构建所述监测数据集中目标CT的电流测量值以及误差与其他CT的电流测量值以及误差的关系式；步骤103，以所述目标CT的目标相电流数据与额定变比计算目标CT的电流真值作为电流基准值；在所述监测数据集中选取任一线路的CT的三相电流数据进行状态评估，将电流数据为正常状态时对应的CT和相分别作为目标CT和目标相；步骤104，将所述监测数据集中除目标CT外的其它CT的电流测量值作为输入，将所述电流基准值作为输出，训练LAPO
‑
RBF神经网络得到LAPO
‑
RBF神经网络模型；步骤105，利用所述LAPO
‑
RBF神经网络模型得到各个所述待评估CT的所述电流基准值，根据所述电流基准值计算各个所述待评估CT的第一误差估计值。
[0008]可选的，所述步骤102中得到的所述关系式为： (10)(11)、接近于0，n为线路条数，m表示A、B或C相，为测量值的电流实部，为测量值的电流虚部，为各线路电流测量值，为相应的比值差，为相应的相位差。
[0009]可选的，所述步骤2中的所述多维特征参量包括：工况参量、电磁参量和环境参量。
[0010]可选的，所述步骤2包括：步骤201，获取离线检测过程中的各个CT的多维特征参量构建离线数据集；基于所述离线数据集训练ANN模型得到预训练模型；步骤202，获取在线检测过程中的各个CT的多维特征参量，根据CT的电流值的范围构造各个分段数据集；步骤203，将各个分段数据集分别输入各个所述预训练模型进行训练，得到各个CT的电流值的范围对应的各个所述个体CT误差评估模型；步骤204，将所述待评估CT的在线监测数据输入其电流值所在分段对应的所述个体CT误差评估模型，所述个体CT误差评估模型输出该待评估CT的第二误差估计值。
[0011]可选的，所述步骤3中采用改进后物理信息神经网络的方法得到误差评估值的融
合模型；所述融合模型的输入特征量为：，输出特征量为：；为待评估CT的第三误差估计值。
[0012]可选的，所述融合模型的构建过程包括：通过全连接神经网络来逼近函数，利用自动微分技术，求出偏微分方程残差和初边值残差约束，并将其作为正则项放入损失函数中，利用变色龙算法获得神经网络连接权重参数W和偏微分方程物理参数b。
[0013]可选的，所述步骤4中对所述第一误差估计值和所述第二误差估计值进行修正的过程包括：当具备群体评估条件时，得到所述待评估CT的误差评估值；当不具备群体评估条件时，得到所述待评估CT的误差评估值。
[0014]本专利技术提供的一种自适应的电流互感器误差评估方法，利用多维特征提取与集成融合学习的思想，采用变色龙算法优化后物理信息神经网络算法，实现了小规模群体（单组CT）和大规模群体（3组及以上）评估结果的互补和互校，提高了CT误差评估的准确性和适应范围。
附图说明
[0015]图1为本专利技术提供的一种自适应的电流互感器误差评估方法的流程图；图2（a）为单相电流互感器原理图；图2（b）为单相电流互感器的等值电路图；图3为物理信息神经网络的网络结构图。
具体实施方式
[0016]以下结合附图对本专利技术的原理和特征进行描述，所举实例只用于解释本专利技术，并非用于限定本专利技术的范围。
[0017]图1为本专利技术提供的一种自适应的电流互感器误差评估方法的流程图，如图1所示，包括：步骤1，将同一变电站内同一母线上的各线路CT（电流互感器）作为评估群体S，根据基尔霍夫电流定律，构建各CT个体误差与测量值节点电流矢量和的物理关系，利用数学处理方法，得到群体内每台CT的测量误差，记为CT的第一误差估计值。
[0018]步骤2，利用离线建模、在线训练的方式，建立个体CT误差评估模型；个体CT误差评估模型的输入为CT的多维特征参量，输出为CT的第二误差估计值；基于个体CT误差评估模型得到评估群体S中各个待评估CT的第二误差估计值。
[0019]步骤3，采用改进后物理信息神经网络（Floyd
‑
PINNs）方法，将第一误差估计值
和第二误差估计值进行融合，得到第三误差估计值。
[0020]步骤4，分别计算第一误差估计值、第二误差估计值与第三误差估计值之间的误差偏差值和；利用误差偏差值和，对第一误差估计值和第二误差估计值进行修正，自适应实现CT运行误差的在线评估。
[0021]本专利技术提供的一种自适应的电流互感器误差评估方法，利用多维特征提取与集成融合学习的方法，根据变电站不同本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种自适应的电流互感器误差评估方法，其特征在于，所述误差评估方法包括：步骤1，将同一变电站内同一母线上的各线路CT作为评估群体S，根据基尔霍夫电流定律，构建各CT个体误差与测量值节点电流矢量和的物理关系，利用数学处理方法，得到群体内每台CT的测量误差，记为CT的第一误差估计值；步骤2，利用离线建模、在线训练的方式，建立个体CT误差评估模型；所述个体CT误差评估模型的输入为CT的多维特征参量，输出为CT的第二误差估计值；基于所述个体CT误差评估模型得到所述评估群体S中各个待评估CT的第二误差估计值；步骤3，采用改进后物理信息神经网络方法，将所述第一误差估计值和所述第二误差估计值进行融合，得到第三误差估计值；步骤4，分别计算第一误差估计值、第二误差估计值与第三误差估计值之间的误差偏差值和；利用所述误差偏差值和，对所述第一误差估计值和所述第二误差估计值进行修正，自适应实现CT运行误差的在线评估。2.根据权利要求1所述的误差评估方法，其特征在于，所述步骤1包括：步骤101，实时获取并筛选变电站同一节点下的各线路CT的稳定段的电流测量值，构建监测数据集；步骤102，根据基尔霍夫电流定律，构建所述监测数据集中目标CT的电流测量值以及误差与其他CT的电流测量值以及误差的关系式；步骤103，以所述目标CT的目标相电流数据与额定变比计算目标CT的电流真值作为电流基准值；在所述监测数据集中选取任一线路的CT的三相电流数据进行状态评估，将电流数据为正常状态时对应的CT和相分别作为目标CT和目标相；步骤104，将所述监测数据集中除目标CT外的其它CT的电流测量值作为输入，将所述电流基准值作为输出，训练LAPO
‑
RBF神经网络得到LAPO
‑
RBF神经网络模型；步骤105，利用所述LAPO
‑
RBF神经网络模型得到各个所述待评估CT的所述电流基准值，根据所述电流基准值计算各个所述...

【专利技术属性】
技术研发人员：饶芳，陈勉舟，陈应林，代洁，任波，
申请(专利权)人：武汉格蓝若智能技术股份有限公司，
类型：发明
国别省市：