一种电压互感器运行误差评估方法、系统、设备及介质技术方案

本发明专利技术涉及一种电压互感器运行误差评估方法、系统、设备和介质，其中方法包括以下步骤：采集目标电压互感器的历史输出数据，所述历史输出数据中的每一样本包括电压互感器的特征数据和标签数据；搭建在线集成学习模型，以采集的样本的特征数据作为训练样本集，标签数据作为训练目标集，对在线集成学习模型进行训练，得到训练好的第一模型；搭建增量集成学习模型，提取历史输出数据中的关键样本，对增量集成学习模型进行训练，得到训练好的第二模型；融合第一模型和第二模型，得到电压互感器运行误差评估模型；将目标电压互感器的实时输出数据输入至电压互感器运行误差评估模型中，得到目标电压互感器当前的运行误差状态。得到目标电压互感器当前的运行误差状态。得到目标电压互感器当前的运行误差状态。

【技术实现步骤摘要】
一种电压互感器运行误差评估方法、系统、设备及介质


[0001]本专利技术涉及一种电压互感器运行误差评估方法、系统、设备及介质，属于互感器状态评估


技术介绍

[0002]作为电能计量装置的重要组成部分，互感器计量性能的准确可靠直接关系到电能贸易结算的公平公正。电压互感器CVT是由串联电容器分压，再经电磁式互感器降压和隔离，作为用来变换电压的仪器，电容式电压互感器还可以将载波频率耦合到输电线用于长途通信、选择性的线路高频保护、遥控等功能上。和常规的电磁式电压互感器相比，电容式电压互感器器除了具有冲击绝缘强度高、制造简单、体积小、重量轻等优点外，在经济和安全上还有很多优越之处。
[0003]而在CVT实际运行过程中，CVT误差受到采集原理与工作环境等因素的影响而导致CVT在长期工作的过程中会出现不同程度的损耗。由于高压输电线路停电困难，CVT的离线检测无法经常性的进行，无法及时判断CVT是否处于正常的运行状态，影响电能的公平贸易结算，存在故障隐患。为解决周期性离线评估方法中的不足，现有技术采用不停电条件下的在线评估方法实现电压互感器误差状态的实时在线监测。现有的在线评估方法是依据电力系统中各设备所采集的信号并基于数据驱动的原理进行分析和处理，从而评估电压互感器的误差状态，即通过借助历史数据、实时数据和关系型数据构造出近似的模型并依靠大量的数据和计算来实时表征电压互感器真实的误差状态。但该类方法存在如下不足：在数据方面，该类方法并没有考虑数据集中出现概念漂移的情况，概念漂移是指数据集中所包含的概念发生了变化，例如设备老化、运行工况突变等现象致使新旧数据所含的概念不再保持一致。数据集中一旦出现了概念漂移的现象，将影响基于数据驱动原理表征电压互感器真实误差状态的准确性。

技术实现思路

[0004]为了解决上述现有技术中存在的问题，本专利技术提出了一种电压互感器运行误差评估方法、系统、设备及介质。
[0005]本专利技术的技术方案如下：一方面，本专利技术提供一种电压互感器运行误差评估方法，包括以下步骤：采集目标电压互感器的历史输出数据，所述历史输出数据中的每一样本包括电压互感器的特征数据和标签数据，所述特征数据包括不同类别的输出特征，所述标签数据指示电压互感器的误差状态；搭建在线集成学习模型，以采集的样本的特征数据作为训练样本集，标签数据作为训练目标集，对在线集成学习模型进行训练，得到训练好的第一模型；搭建增量集成学习模型，提取历史输出数据中的关键样本，对增量集成学习模型进行训练，得到训练好的第二模型；
融合第一模型和第二模型，得到电压互感器运行误差评估模型；将目标电压互感器的实时输出数据输入至电压互感器运行误差评估模型中，得到目标电压互感器当前的运行误差状态。
[0006]作为优选实施方式，所述以采集的样本的特征数据作为训练样本集，标签数据作为训练目标集，对在线集成学习模型进行训练的步骤具体为：使用基于Hoeffding不等式产生的Hoeffding边界计算漂移检测的阈值以判断历史输出数据的概念漂移是否发生；当历史输出数据未发生概念漂移时，使用串行集成学习的方法得到在线集成学习模型，具体如下：历史输出数据为，表示历史输出数据中的第个数据块，共有t个数据块，每个数据块都对应训练得到一个基分类器；当数据块到达时，首先根据当前的分类器对其进行预测，若此时的中基分类器的个数没有超过分类器个数上限k，则将直接添加到中，否者则用新得到的基分类器替换掉中权重最小的基分类器，得到新的集成学习分类器；当历史输出数据发生概念漂移时，使用串行集成学习和交叉集成学习相融合的方式得到在线集成学习模型，具体如下：获取可能发生概念漂移的位点，在最新分布的数据上创建交叉分类器，定义数据缓存区和交叉集成学习模型，当检测到概念漂移位点后，将当前数据块和前一个数据块加入数据缓存区，并在数据缓存区上构建交叉基分类器；将数据缓存区划分为不同的子数据块，f为子数据块的数量，划分后的每个子数据块的大小和原数据块的大小相等，且相邻的两个子数据块之间相隔一定数量的样本数s，然后对不同的子数据块进行训练得到基分类器，分别添加到中，得到交叉集成学习模型；串行集成学习和交叉集成学习相融合后的在线集成学习模型为：；其中，表示原数据形成的串行集成学习模型，表示缓存区数据形成的交叉集成学习模型。
[0007]作为优选实施方式，所述搭建增量集成学习模型，提取历史输出数据中的关键样本，对增量集成学习模型进行训练的步骤具体为：初始化一个增量学习器，在历史输出数据进入过程中，根据每个新到达的数据块以及历史输出数据内的关键样本，对初始化的增量集成学习模型进行更新，更新方式
如下：如下：；其中，表示在相应的数据集上训练得到学习器过程，表示新到达的数据块，表示从样本中随机选择m个符合模型分类正确的样本，即对应的样本集，表示第个数据块，t
‑
1为历史输出数据的数据块数量。
[0008]作为优选实施方式，所述融合第一模型和第二模型，得到电压互感器运行误差评估模型的方法具体为：设电压互感器运行误差评估模型为：；；其中，表示第种模型的权重；构造目标函数，将总模型的误判率和漏判率作为目标函数：；；计算拟合偏差：；；其中，表示在t时刻的实际值；表示第种模型在t时刻的预测值；为历史时刻；表示总的拟合偏差；表示第种模型中第个预测值与对应实际值的拟合偏差；利用下式求解最优权重系数：
；以求解出的权重系数融合第一模型和第二模型，得到电压互感器运行误差评估模型。
[0009]另一方面，本专利技术还提供一种电压互感器运行误差评估系统，包括：数据采集模块，用于采集目标电压互感器的历史输出数据，所述历史输出数据中的每一样本包括电压互感器的特征数据和标签数据，所述特征数据包括不同类别的输出特征，所述标签数据指示电压互感器的误差状态；第一模型训练模块，用于搭建在线集成学习模型，以采集的样本的特征数据作为训练样本集，标签数据作为训练目标集，对在线集成学习模型进行训练，得到训练好的第一模型；第二模型训练模块，用于搭建增量集成学习模型，提取历史输出数据中的关键样本，对增量集成学习模型进行训练，得到训练好的第二模型；融合模块，用于融合第一模型和第二模型，得到电压互感器运行误差评估模型；评估模块，用于将目标电压互感器的实时输出数据输入至电压互感器运行误差评估模型中，得到目标电压互感器当前的运行误差状态。
[0010]作为优选实施方式，所述第一模型训练模块具体用于：使用基于Hoeffding不等式产生的Hoeffding边界计算漂移检测的阈值以判断历史输出数据的概念漂移是否发生；当历史输出数据未发生概念漂移时，使用串行集成学习的方法得到在线集成学习模型；当历史输出数据发生概念漂移时，使用串行集成学习和交叉集成学习相融合的方式得到在线集成学习模型。
[0011]再一方面，本专利技术还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本专利技术任一实施例所述的电压互感器运行误差评估方法。
[0012]再一方面本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电压互感器运行误差评估方法，其特征在于，包括以下步骤：采集目标电压互感器的历史输出数据，所述历史输出数据中的每一样本包括电压互感器的特征数据和标签数据，所述特征数据包括不同类别的输出特征，所述标签数据指示电压互感器的误差状态；搭建在线集成学习模型，以采集的样本的特征数据作为训练样本集，标签数据作为训练目标集，对在线集成学习模型进行训练，得到训练好的第一模型；搭建增量集成学习模型，提取历史输出数据中的关键样本，对增量集成学习模型进行训练，得到训练好的第二模型；融合第一模型和第二模型，得到电压互感器运行误差评估模型；将目标电压互感器的实时输出数据输入至电压互感器运行误差评估模型中，得到目标电压互感器当前的运行误差状态。2.根据权利要求1所述的一种电压互感器运行误差评估方法，其特征在于，所述以采集的样本的特征数据作为训练样本集，标签数据作为训练目标集，对在线集成学习模型进行训练的步骤具体为：使用基于Hoeffding不等式产生的Hoeffding边界计算漂移检测的阈值以判断历史输出数据的概念漂移是否发生；当历史输出数据未发生概念漂移时，使用串行集成学习的方法得到在线集成学习模型；当历史输出数据发生概念漂移时，使用串行集成学习和交叉集成学习相融合的方式得到在线集成学习模型。3.根据权利要求2所述的一种电压互感器运行误差评估方法，其特征在于，所述当历史输出数据未发生概念漂移时，使用串行集成学习的方法得到在线集成学习模型的步骤具体为：历史输出数据为，表示历史输出数据中的第个数据块，共有t个数据块，每个数据块都对应训练得到一个基分类器；当数据块到达时，首先根据当前的分类器对其进行预测，若此时的中基分类器的个数没有超过分类器个数上限k，则将直接添加到中，否则用新得到的基分类器替换掉中权重最小的基分类器，得到新的集成学习分类器。4.根据权利要求2所述的一种电压互感器运行误差评估方法，其特征在于，所述当历史输出数据发生概念漂移时，使用串行集成学习和交叉集成学习相融合的方式得到在线集成学习模型的步骤具体为：获取可能发生概念漂移的位点，在最新分布的数据上创建交叉分类器，定义数据缓存区和交叉集成学习模型，当检测到概念漂移位点后，将当前数据块和前一个
数据块加入数据缓存区，并在数据缓存区上构建交叉基分类器；将数据缓存区划分为不同的子数据块，f为子数据块的数量，划分后的每个子数据块的大小和原数据块的大小相等，且相邻的两个子数据块之间相隔一定数量的样本数s，然后对不同的子数据块进行训练得到基分类器，分别添加到中，得到交叉集成学习模型；串行集成学习和交叉集成学习相融合后的在线集成学习模型为：；其中，表示原数据形成的串行集成学习模型，表示缓存区数据形成的交叉集成学习模型。5.根据权利要求1所述的一种电压互感器运行误差评估方法，其特征在于，所述搭建增量集成学习模型，提取历史输出数据中的...

【专利技术属性】
技术研发人员：黄天富，赖国书，吴志武，张颖，王春光，林彤尧，詹文，黄汉斌，伍翔，王文静，陈子琳，涂彦昭，童承鑫，林雨欣，
申请(专利权)人：国网福建省电力有限公司营销服务中心，
类型：发明
国别省市：