CN116720622A - 一种电流互感器计量误差值预测方法 - Google Patents

Abstract

本发明提供一种电流互感器计量误差值预测方法，包括以下步骤：将由互感器误差评估算法得到的误差评估值作为历史训练数据，并用STL法分解时间序列得到三个分量；采集各项影响因素数据，计算温度对趋势分量和周期分量的影响，得到剥离温度影响后的趋势分量、周期分量用于后续预测；采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量，其结果加上待测时间的预报温度附加误差作为趋势分量、周期分量预测结果；分别预测其他影响因素，并导入训练好的LSTM神经网络模型预测未来时段残差分量；组合分开预测的各误差分量，生成未来互感器误差预测结果。

Description

一种电流互感器计量误差值预测方法

技术领域

本发明涉及电力计量在线监测技术领域，尤其涉及一种电流互感器计量误差值预测方法。

背景技术

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。电流互感器(CT)是是依据电磁感应原理将一次侧大电流转换成二次侧小电流来测量的仪器，由闭合的铁心和绕组组成。

在CT的实际运行过程中，互感器误差受采集原理与恶劣环境等影响会在其工作寿命内出现测量偏差越限，因此不仅需要在其计量误差超差时能够进行准确快速的诊断，进一步的，需要对CT计量误差的劣化趋势做出及时的预测，以便相关运行维护人员安排检修维护的工作，如果不能及时发现互感器状态劣化，将影响电网运行。

张竹在《电容式电压互感器计量误差状态评估和预测方法研究》中，在CVT计量误差状态评估的基础之上，选取表征CVT计量误差状态的Q统计量及其统计控制阀值作为预测对象，将CVT计量误差的状态预测映射为电网信息物理相关性的状态预测，消除电网波动对评估结果的影响。根据时间序列分析法建立基于Q-ARMA的CVT计量误差状态预测模型：研究了预测模型的建立方法，包括时间序列的平稳性处理，模型类型的识别，模型的定价原则以及模型的参数估计等。结果表明基于Q-ARMA的CVT计量误差状态预测模型能够预测出CVT在下一个采样时刻或者未来某个时间段内计量误差状态的变化趋势。

为避免二次信息系统信息源的不准确，并减少电能计量的损失和保证测控保护装置的正常运行，如何预测CT误差未来变化趋势，以提前预警CT出现的风险，是一项技术难题。

发明内容

本发明的目的在于针对上述现有技术的不足，提供了一种电流互感器计量误差值预测方法，准确预测电流互感器未来误差。

为实现上述目的，本发明采用了如下技术方案：

本发明提供了一种电流互感器计量误差值预测方法，包括以下步骤：

S1、将由互感器误差评估算法得到的误差评估值作为历史训练数据，并用STL法分解时间序列得到三个分量；

S2、采集各项影响因素数据，计算温度对趋势分量和周期分量的影响，得到剥离温度影响后的趋势分量、周期分量用于后续预测；

S3、采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量，加上待测时间的预报温度对应的附加误差作为趋势分量、周期分量预测结果，将预测好的影响因素导入LSTM神经网络模型预测未来时段残差分量；

S4、组合分开预测的误差分量，生成未来互感器误差预测结果。

进一步，所述S1具体为：将由互感器误差估计算法得到的误差估计值作为历史训练数据，采集频率为1个/小时，数据量为N，形成预测数据序列，记作：Y_V；

采用STL法将与采集历史互感器误差序列数据对应的时间，互感器误差序列数据分解为三个分量，分别是趋势分量、周期分量和残差分量，即：

Y_v＝T_v+S_v+R_v (1)

其中，T_v、S_v、R_v分别为v时刻的趋势分量、周期分量、残差分量。

进一步，所述S2的具体步骤为：

S201、采集对应各项影响因素时间数据，每小时一次；

S202、记采集到的同时期历史训练数据温度时间序列为TEM，单位为℃、湿度时间序列为HUM，单位％rh，一次频率的时间序列为FRE，单位为Hz，负载的时间序列为LOA，单位VA，振动幅度时间序列为VIB，单位mm，磁场时间序列为MAG；

S203、将TEM运用最小二乘法进行拟合得到拟合曲线，y_TEM(v)＝a₀+a₁x+...+a_nxⁿ，为拟合的n次项曲线；取n＝3，作为温度对T的影响因素；

S204、将历史时间序列数据TEM中每日6时的数据点计算平均值记作TEM中每日12时的数据点计算平均值，记作/>以24h为周期，根据上午6时温度最低12时温度最高的，求得温度在周期影响下的拟合曲线S_TEM(v)：

其中，v′为V在当日的时刻；

S205、分别计算趋势分量T、周期分量S剥离温度因素后的用于预测的趋势分量T_p、周期分量S_p，温度附加误差公式为：

其中，B为额定负荷；为一初设常数；a_c为温度系数；Δt为测量点温度与20℃的差值；ω_n为额定角频率；I₁为原边电流；测量点温度简化为当日平均气温，得到当日温度附加误差Δf_(T)；

T_vp＝T_v-(y_TEM(v)×Δf_(T)) (4)

S_vp＝S_v-(S_TEM(v)×Δf_(T)) (5)

分别计算各时刻T_vp并组成序列数据T_p，分别计算S_vp并组成序列数据S_p。

进一步，所述S3的具体步骤为：

S301、绘制时间序列T_p、S_p的自相关系数图和偏自相关系数图，通过两图的特征判断分别确定T_p、S_p选择的模型及模型参数；

S302、根据T_p、S_p符合的选型结果，和模型参数选择结果，将时间序列导入模型，得到预测模型M1、M2，并利用所述预测模型预测得到T_r、S_r、T_rv、S_rv；

S303、采用同样的arima模型算法预测待测时间段的频率FRE_r、湿度HUM_r、负载LOA_r、振动VIB_r、磁场MAG_r，对历史频率、湿度、负载、振动、磁场数据，和R_v导入LSTM长短期记忆神经网络中，通过训练得到残差分量预测模型M3，对于待测互感器未来时段，将预测到的频率FRE_r、HUM_r、LOA_r、VIB_r、MAG_r导入训练好的模型M3，得到R_rv和R_r。

进一步，所述S4的具体步骤为：

根据气象部门对待测日的天气预报，获得待测日每时刻的温度数据，与20℃的差值记作Δt_p，并根据式(3)计算附加误差Δf_(T)p，将剥离温度因素的趋势、周期预测结果加上待测当天温度影响的误差，再加上神经网络输出的残差预测结果，得到最后的预测结果，最终互感器在该时刻v预测的误差f_rv为：

f_rv＝T_rv+S_rv+Δf_(T)p+R_rv

计算各时刻f_rv，并组成互感器一段被预测时间的误差预测序列F_r。

本发明的有益效果为：准确预测未来时段电流互感器误差，及时发现将要超差的互感器，实现电流互感器风险预警；将误差评估算法得到的误差评估值作为本文的基本训练数据，根据电流互感器误差溯源结果，结合电流互感器结构特点，将误差序列分解，并分别进行修正后分别预测；

互感器误差序列数据的分解与组合；温度对趋势分量和周期分量的影响算法；剥离温度这个大影响因素影响后的趋势分量和周期分量预测，使趋势、周期预测专注于除温度意外的原因，提高准确度；考虑到各种因素对残差分量的影响。

附图说明

图1为本发明一种电流互感器计量误差值预测方法的流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

一种电流互感器计量误差值预测方法，包括以下步骤：

S1、将由互感器误差评估算法得到的误差评估值作为历史训练数据，并用STL法分解时间序列得到三个分量；

S2、采集各项影响因素数据，计算温度对趋势分量和周期分量的影响，得到剥离温度影响后的趋势分量、周期分量用于后续预测；

S3、采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量，加上待测时间的预报温度对应的附加误差作为趋势分量、周期分量预测结果，将预测好的影响因素导入LSTM神经网络模型预测未来时段残差分量；

S4、组合分开预测的误差分量，生成未来互感器误差预测结果。

所述S1具体为：将由互感器误差估计算法得到的误差估计值作为历史训练数据，采集频率为1个/小时，数据量为N，形成预测数据序列，记作：Y_V；

采用STL法将与采集历史互感器误差序列数据对应的时间，互感器误差序列数据分解为三个分量，分别是趋势分量、周期分量和残差分量，即：

Y_v＝T_v+S_v+R_v (1)

其中，T_v、S_v、R_v分别为v时刻的趋势分量、周期分量、残差分量。

STL法具体实施过程为：

假定TV(k)、SV(k)为内循环中第k-1次结束时的趋势分量、周期分量、初始时TV(k)＝0。

去趋势：减去上一轮结果的趋势分量Yv′＝Yv-Tv(k)；

周期子序列平滑：用LOESS(q＝nn(s),d＝1)对每个子序列做回归(LOESS指局部加权回归，n(s)为LOESS平滑参数，q为数据子集获取范围，d为局部回归中的阶数)，并向前向后各延展一个周期；平滑结果组成临时周期时间序列，记为Cv(k+1),v＝-n(p)+1,...,-N+n(p)；

周期子序列的低通量过滤：对上一个步骤的结果序列Cv(k+1)依次做长度n(p)n(p)、3的滑动平均(n(p)为一个周期的样本数，该处值24)，然后做LOESS(q＝n_n(1)，d＝1)回归(n(s)为LOESS平滑参数)，得到结果序列

去除平滑周期子序列趋势：

去周期：减去周期分量，

趋势平滑：对于去除周期之后的序列做LOESS(q＝n_n(t),d＝1)回归，得到趋势分量

通过上述步骤获得互感器误差时间序列分解后的趋势分量时间序列、周期分量时间序列、残差分量时间序列，记作T、S、R，其中S周期为24。

所述S2的具体步骤为：

S201、采集对应各项影响因素时间数据，每小时一次；

在一种具体的实施方式中，包括存在季节趋势变化和日周期变化的环境温度、环境湿度，和一些随机性高的误差影响因素一次频率、二次负载、机身振动、环境磁场。

S202、记采集到的同时期历史训练数据温度时间序列为TEM，单位为℃、湿度时间序列为HUM，单位％rh，一次频率的时间序列为FRE，单位为Hz，负载的时间序列为LOA，单位VA，振动幅度时间序列为VIB，单位mm，磁场时间序列为MAG；

S203、将TEM运用最小二乘法进行拟合得到拟合曲线，y_TEM(v)＝a₀+a₁x+...+a_nxⁿ，为拟合的n次项曲线；取n＝3，作为温度对T的影响因素；

S204、将历史时间序列数据TEM中每日6时的数据点计算平均值记作TEM中每日12时的数据点计算平均值，记作/>以24h为周期，根据上午6时温度最低12时温度最高的，求得温度在周期影响下的拟合曲线S_TEM(v)：

其中，v′为V在当日的时刻；

S205、分别计算趋势分量T、周期分量S剥离温度因素后的用于预测的趋势分量T_p、周期分量S_p，温度附加误差公式为：

其中，B为额定负荷；为一初设常数；a_c为温度系数；Δt为测量点温度与20℃的差值；ω_n为额定角频率；I₁为原边电流；测量点温度简化为当日平均气温，得到当日温度附加误差Δf_(T)；

T_vp＝T_v-(y_TEM(v)×Δf_(T)) (4)

S_vp＝S_v-(S_TEM(v)×Δf_(T)) (5)

分别计算各时刻T_vp并组成序列数据T_p，分别计算S_vp并组成序列数据S_p。

所述S3的具体步骤为：

S301、绘制时间序列T_p、S_p的自相关系数图和偏自相关系数图，通过两图的特征判断分别确定T_p、S_p选择的模型及模型参数；

在一种具体的实施方式中，由图中观察，偏自相关系数在p阶之后应为零，称其具有截尾性，自相关系数不能在某一步之后为零(截尾)而是按指数衰减(或成正弦波形式)，称其具有拖尾性

S302、根据T_p、S_p符合的选型结果，和模型参数选择结果，将时间序列导入模型，得到预测模型M1、M2，并利用所述预测模型预测得到T_r、S_r、T_rv、S_rv；

S303、采用同样的arima模型算法预测待测时间段的频率FRE_r、湿度HUM_r、负载LOA_r、振动VIB_r、磁场MAG_r，对历史频率、湿度、负载、振动、磁场数据，和R_v导入LSTM长短期记忆神经网络中，通过训练得到残差分量预测模型M3，对于待测互感器未来时段，将预测到的频率FRE_r、HUM_r、LOA_r、VIB_r、MAG_r导入训练好的模型M3，得到R_rv和R_r。

所述S4的具体步骤为：

根据气象部门对待测日的天气预报，获得待测日每时刻的温度数据，与20℃的差值记作Δt_p，并根据式(3)计算附加误差Δf_(T)p，将剥离温度因素的趋势、周期预测结果加上待测当天温度影响的误差，再加上神经网络输出的残差预测结果，得到最后的预测结果，最终互感器在该时刻v预测的误差f_rv为：

f_rv＝T_rv+S_rv+Δf_(T)p+R_rv

计算各时刻f_rv，并组成互感器一段被预测时间的误差预测序列F_r。

准确预测未来时段电流互感器误差，及时发现将要超差的互感器，实现电流互感器风险预警。

以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求。

Claims (5)

1.一种电流互感器计量误差值预测方法，其特征在于，包括以下步骤：

S1、将由互感器误差评估算法得到的误差评估值作为历史训练数据，并用STL法分解时间序列得到三个分量；

S2、采集各项影响因素数据，计算温度对趋势分量和周期分量的影响，得到剥离温度影响后的趋势分量、周期分量用于后续预测；

S3、采用arima模型算法预测未来待测时段剥离温度影响因素后的趋势分量、周期分量，加上待测时间的预报温度对应的附加误差作为趋势分量、周期分量预测结果，将预测好的影响因素导入LSTM神经网络模型预测未来时段残差分量；

S4、组合分开预测的误差分量，生成未来互感器误差预测结果。

2.根据权利要求1所述的一种电流互感器计量误差值预测方法，其特征在于，所述S1具体为：将由互感器误差估计算法得到的误差估计值作为历史训练数据，采集频率为1个/小时，数据量为N，形成预测数据序列，记作：Y_V；

采用STL法将与采集历史互感器误差序列数据对应的时间，互感器误差序列数据分解为三个分量，分别是趋势分量、周期分量和残差分量，即：

Y_v＝T_v+S_v+R_v (1)

其中，T_v、S_v、R_v分别为v时刻的趋势分量、周期分量、残差分量。

3.根据权利要求2所述的一种电流互感器计量误差值预测方法，其特征在于，所述S2的具体步骤为：

S201、采集对应各项影响因素时间数据，每小时一次；

S202、记采集到的同时期历史训练数据温度时间序列为TEM，单位为℃、湿度时间序列为HUM，单位％rh，一次频率的时间序列为FRE，单位为Hz，负载的时间序列为LOA，单位VA，振动幅度时间序列为VIB，单位mm，磁场时间序列为MAG；

S203、将TEM运用最小二乘法进行拟合得到拟合曲线，y_TEM(v)＝a₀+a₁x+...+a_nxⁿ，为拟合的n次项曲线；取n＝3，作为温度对T的影响因素；

S204、将历史时间序列数据TEM中每日6时的数据点计算平均值记作TEM中每日12时的数据点计算平均值，记作/>以24h为周期，根据上午6时温度最低12时温度最高的，求得温度在周期影响下的拟合曲线S_TEM(v)：

其中，v′为V在当日的时刻；

S205、分别计算趋势分量T、周期分量S剥离温度因素后的用于预测的趋势分量T_p、周期分量S_p，温度附加误差公式为：

其中，B为额定负荷；为一初设常数；a_c为温度系数；Δt为测量点温度与20℃的差值；ω_n为额定角频率；I₁为原边电流；测量点温度简化为当日平均气温，得到当日温度附加误差Δf_(T)；

T_vp＝T_v-(y_TEM(v)×Δf_(T)) (4)

S_vp＝S_v-(S_TEM(v)×Δf_(T)) (5)

分别计算各时刻T_vp并组成序列数据T_p，分别计算S_vp并组成序列数据S_p。

4.根据权利要求3所述的一种电流互感器计量误差值预测方法，其特征在于，所述S3的具体步骤为：

S301、绘制时间序列T_p、S_p的自相关系数图和偏自相关系数图，通过两图的特征判断分别确定T_p、S_p选择的模型及模型参数；

S302、根据T_p、S_p符合的选型结果，和模型参数选择结果，将时间序列导入模型，得到预测模型M1、M2，并利用所述预测模型预测得到T_r、S_r、T_rv、S_rv；

S303、采用arima模型算法预测待测时间段的频率FRE_r、湿度HUM_r、负载LOA_r、振动VIB_r、磁场MAG_r，首先对历史频率、湿度、负载、振动、磁场数据作为模型输入，和历史R_v作为输出，导入LSTM长短期记忆神经网络中，通过训练得到残差分量预测模型M3，对于待测互感器未来时段，将预测到的频率FRE_r、HUM_r、LOA_r、VIB_r、MAG_r导入训练好的模型M3，得到R_rv和R_r。

5.根据权利要求4所述的一种电流互感器计量误差值预测方法，其特征在于，所述S4的具体步骤为：

根据气象部门对待测日的天气预报，获得待测日每时刻的温度数据，与20℃的差值记作Δt_p，并根据式(3)计算附加误差Δf_(T)p，将剥离温度因素的趋势、周期预测结果加上待测当天温度影响的误差，再加上神经网络输出的残差预测结果，得到最后的预测结果，最终互感器在该时刻v预测的误差f_rv为：

f_rv＝T_rv+S_rv+Δf_(T)p+R_rv

计算各时刻f_rv，并组成互感器一段被预测时间的误差预测序列F_r。