基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法技术

基于Prophet、自注意力机制和时间序列卷积网络组合模型的电子式电压互感器误差预测方法，采集电子式电压互感器的比差数据，进行标准化处理；将标准化处理后的数据输入到Prophet模型进行分解，并对各趋势分量进行拟合，输出预测结果；将训练集数据输入到时间序列卷积网络模型进行特征提取和预测，并将时间序列卷积网络模型输出的结果与Prophet模型分解得到的周期项进行加权组合并输出；将输出的预测值输入到自注意力机制层，进行特征提取；自注意力机制层输出的预测值，继续传递到全连接层进行数据降维处理，输出电子式电压互感器比差的预测数据。该方法能够较好地预测电子式电压互感器未来的误差变化趋势，为电力系统进行设备校验提供有力依据。行设备校验提供有力依据。行设备校验提供有力依据。

【技术实现步骤摘要】
基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法


[0001]本专利技术涉及电子式电压互感器的误差预测
，具体涉及一种基于Prophet、自注意力机制和时间序列卷积网络组合模型的电子式电压互感器误差预测方法。

技术介绍

[0002]作为变电站里所必备的电力计量装置，电子式电压互感器是信息传递的重要媒介，将电力系统的一次电网和二次控制系统相互联结，为控制、电能计量和继电保护单元获取准确的电压信息提供帮助。电子式电压互感器还是电力企业同电力用户进行电能交易核算的主要电力设备，其误差状态评估对保护设备及确保互感器维持较高的测量准确性显得尤为重要。但互感器的现场运行环境一般较为复杂，周围磁场、温度、湿度、负荷等因素通常对互感器的测量误差造成不可避免的影响，使得互感器长期稳定性较差，出现计量误差，当其准确度低于精度要求时，会直接影响电能计量的准确度，给供电企业、用电企业带来一定的损失，给电网的安全稳定运行带来一些隐患。
[0003]随着智能电网建设的加速，日常用电量急速增加、设备智能化水平普遍提升，互感器成为了电网升级改造中的主要设备。互感器已被列入国家强制检定目录中，目前针对互感器准确度评估方法的研究层出不穷。但是大部分局限于采用传统的统计学方法、机器学习方法或深度学习方法，但机器学习方法一般只适合于对少量的数据进行处理，仅通过考虑较少的历史数据来研究时间序列可能会忽略历史数据中潜在的有用信息导致预测精度不够。
[0004]由于电子式电压互感器等测量设备的普及和广泛使用，所能获取的数据量显著增大，机器学习在处理分析这些大量数据时存在一定的弱势；深度学习由于其对时间序列特征进行分析的强大功能，已成为当前领域研究的热点，在提升大样本数据序列预测的能力方面具有一定优势。近年来，由Facebook公司开发的深度学习算法Prophet模型开始广泛应用于时间序列分析领域，在电力负荷预测、销售量预测、空气指数预测等方面已经取得了较好的效果。综合模型的优点，实现对电子式电压互感器误差的预测具有重要意义。

技术实现思路

[0005]针对目前电子式电压互感器所出现的长期稳定性差、准确度不稳定等问题，本专利技术提供一种基于Prophet、自注意力机制和时间序列卷积网络组合模型的电子式电压互感器误差预测方法，能够较好地预测电子式电压互感器未来的误差变化趋势，为电力系统进行设备校验提供有力依据，帮助运维人员选择合适的时间点进行互感器的检修与维护工作，防止因互感器测量误差增大带来一定的经济损失，提升电力系统的稳定性。
[0006]本专利技术采取的技术方案为：
[0007]基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法，其特征在于包括以下步骤：
[0008]步骤一：采集电子式电压互感器的比差数据，进行标准化处理，以消除非标准数据；
[0009]步骤二：将步骤一标准化处理后的数据输入到Prophet模型进行分解，并对各趋势分量进行拟合，输出预测结果；
[0010]步骤三：将训练集数据输入到时间序列卷积网络模型，进行特征提取和预测；
[0011]步骤四：将时间序列卷积网络模型输出的结果与Prophet模型分解得到的周期项进行加和，并将预测值输出；
[0012]步骤五：将步骤四输出的预测值输入到自注意力机制层，进行特征提取；
[0013]步骤六：自注意力机制层输出的预测值，继续传递到全连接层进行数据降维处理，输出电子式电压互感器比差的预测数据。
[0014]所述步骤一中，采集电子式电压互感器的比差数据，进行z
‑
score标准化处理，剔除历史数据中的部分异常数据点和缺失值，将数据集中在0附近，方差为1，以消除非标准数据影响到模型精度的问题。
[0015]所述步骤二包括如下步骤：
[0016]S2.1、将标准化处理后的数据输入到Prophet模型，输入量分为两列，第一列为日期，第二列为与之日期相对应的电子式电压互感器比差数据；
[0017]S2.2、使用Prophet模型对处理后的训练集数据进行训练，将数据集进行分解，周期项以天来反映，随机误差对应时间序列中不可预测的随机噪声；
[0018]S2.3、利用Prophet模型对各趋势分量进行拟合，根据输出图像观察对比拟合效果；
[0019]S2.4、不断调节Prophet模型的参数，以达到最优的Prophet模型预测效果，累加得到的结果，即为Prophet的预测值。
[0020]所述步骤三包括如下步骤：
[0021]S3.1、将步骤一标准化处理后的训练集数据输入到时间序列卷积网络模型的输入层，每个输入层将时间序列对应的互感器误差数据，作为时间序列卷积网络模型的输入；
[0022]S3.2、输入层数据传到时间序列卷积网络模型的残差块，用于高维特征提取；每一个残差模块单元按照残差块的堆叠顺序，使用ReLU激活函数激活后，向后传播。
[0023]S3.3、每两层卷积计算进行一次恒等映射，同时在每次卷积计算是带空洞的因果卷积，在卷积计算之后，为了提高分类准确度，进行批归一化处理，之后使用ReLU激活函数对得到的值进行激活，并引入Dropout方法，在神经网络执行过程中，随机丢弃一部分比例的神经元，以减少过拟合，提高模型的泛化能力。TCN采用扩大因果卷积来提升感受野，对输入序列进行跳步操作以进行卷积运算，其表达式为：
[0024][0025]式(1)中，F(i)为对序列中第i个元素的卷积结果；h(j)为卷积核；d为扩大因子。
[0026]S3.4、经过两次上述计算，进行一次残差连接，将卷积计算的结果和恒等映射的值相加，得到的结果为一个单元的输出。为了能够顺利加和，需要使卷积计算结果和恒等映射的值维度相同，于是在恒等映射的通路上使用1
×
1的卷积计算，使两者维度一致。
[0027]S3.4、将时间序列卷积网络模型的残差块输出的结果输出，以得到最终预测结果。
[0028]设x是残差块的输入，输出o如下所示：
[0029][0030]式(2)中，代表残差。Activation()表示激活函数。该步骤即是一个经过线性变化并通过激活函数映射并输出结果的过程。
[0031]输入数据经过此类多次卷积操作后，其互感器误差数据中包含的抽象特征被有效提取，且仍可保持各种类数据的内联性，经过多层卷积操作后通过时间序列卷积网络中全卷积层获得与输入维度相同的输出矩阵。
[0032]所述步骤四中，将时间序列卷积网络模型输出的结果与Prophet模型分解得到的周期项进行加权并输出，公式如下：
[0033][0034]式(3)中，V
Prophet
‑
TCN
代表两种模型加权组合后得到的互感器比差预测值；W
Prophet
和W
TCN
分别代表Prophet模型和时间序列卷积网络模型的权重系本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法，其特征在于包括以下步骤：步骤一：采集电子式电压互感器的比差数据，进行标准化处理，以消除非标准数据；步骤二：将步骤一标准化处理后的数据输入到Prophet模型进行分解，并对各趋势分量进行拟合，输出预测结果；步骤三：将训练集数据输入到时间序列卷积网络模型，进行特征提取和预测；步骤四：将时间序列卷积网络模型输出的结果与Prophet模型分解得到的周期项进行加和，并将预测值输出；步骤五：将步骤四输出的预测值输入到自注意力机制层，进行特征提取；步骤六：自注意力机制层输出的预测值，继续传递到全连接层进行数据降维处理，输出电子式电压互感器比差的预测数据。2.根据权利要求1所述基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法，其特征在于：所述步骤一中，采集电子式电压互感器的比差数据，进行z
‑
score标准化处理，剔除历史数据中的部分异常数据点和缺失值，将数据集中在0附近，方差为1，以消除非标准数据影响到模型精度的问题。3.根据权利要求1所述基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法，其特征在于：所述步骤二包括如下步骤：S2.1、将标准化处理后的数据输入到Prophet模型，输入量分为两列，第一列为日期，第二列为与之日期相对应的电子式电压互感器比差数据；S2.2、使用Prophet模型对处理后的训练集数据进行训练，将数据集进行分解，周期项以天来反映，随机误差对应时间序列中不可预测的随机噪声；S2.3、利用Prophet模型对各趋势分量进行拟合，根据输出图像观察对比拟合效果；S2.4、不断调节Prophet模型的参数，以达到最优的Prophet模型预测效果，累加得到的结果，即为Prophet的预测值。4.根据权利要求1所述基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法，其特征在于：所述步骤三包括如下步骤：S3.1、将步骤一标准化处理后的训练集数据输入到时间序列卷积网络模型的输入层，每个输入层将时间序列对应的互感器误差数据，作为时间序列卷积网络模型的输入；S3.2、输入层数据传到时间序列卷积网络模型的残差块，用于高维特征提取；每一个残差模块单元按照残差块的堆叠顺序，使用ReLU激活函数激活后，向后传播；S3.3、每两层卷积计算进行一次恒等映射，同时在每次卷积计算是带空洞的因果卷积，在卷积计算之后，使用ReLU激活函数对得到的值进行激活，并引入Dropout方法，对输入序列进行跳步操作以进行卷积运算，其表达式为：式(1)中，F(i)为对序列中第i个元素的卷积结果；h(j)为卷积核；d为扩大因子；S3.4、经过两次上述计算，进行一次残差连接，将卷积计算的结果和恒等映射的值相加，得到的结果为一个单元的输出；在恒等映射的通路上使用1
×
1的卷积计算，使两者维度一致；S3.4、将时间序列卷积网络模型的残差块输出的结果输出，以得到最终预测结果；
设x是残差块的输入，输出o如下所示：式(2)中，代表残差；Activation()表示激活函数；输入数据经过此类多次卷积操作后，其互感器误差数据中包含的抽象特征被有效提取，且仍可保持各种类数据的内联性，经过多层卷积操作后通过时间序列卷积网络中全卷积层获得与输入维度相同的输出矩阵。5.根据权利要求1所述基于Prophet、自注意力机制和时间序列卷积网络的电子式电压互感器误差预测方法，其特征在于：所述步骤四中，将时间序列卷积网络模型输出的结果与Prophet模型分解得到的周期项进行加权并输出，公式如下：式(3)中，
Prophet
‑
TCN

【专利技术属性】
技术研发人员：李振华，钟悦，黄悦华，张涛，张磊，李振兴，邱立，邾玢鑫，杨楠，张文婷，
申请(专利权)人：三峡大学，
类型：发明
国别省市：