一种基于多元时序分析的电压互感器误差状态评估方法与流程

1.本发明涉及电力计量在线监测领域，更具体地，涉及一种基于多元时序分析的电压互感器误差评估方法。


背景技术：

2.电压互感器是高压电气信息检测环节的关键测量设备，其作用是实现高压一次系统和二次设备间的电气隔离，并将一次大电压信号转换为低压小信号，为电力系统继电保护、状态监控、电能计量提供依据。在长期运行过程中，电压互感器运行状态会受到多重因素影响出现量测误差超差，从而影响电力系统安全稳定以及电力贸易公平。
3.根据相关规程规定，电压互感器需要进行周期性检定，确保其满足测量准确度的要求。传统的检定方法有离线校验和带电校验。离线校验法需要电力系统计划性停电配合，标准电压互感器设备笨重，运输困难，无法大规模开展，并且离线校验不能完全反映电压互感器在线运行工况。带电校验法无需停电配合，能够实现带电监测，但是其需要在带电状态下接入标准电压互感器，存在安全隐患且无法实现长期评估。当前，电压互感器在不停电、无需标准电压互感器情况下的长期在线评估方法获得广泛关注。


技术实现要素：

4.本发明针对现有技术中存在的技术问题，提供一种基于多元时序分析的电压互感器误差状态评估方法，包括：
5.s100：获取同一站点多个电压互感器正常量测状态下得到的幅值测量时序数据v1以及未知量测误差状态下的幅值测量时序数据v2，并对得到的幅值测量时序数据进行归一化处理；
6.s200：基于滑动窗口将归一化后的幅值测量时序数据划分为子序列，从而得到训练数据集v1"和待评估数据集v2"；
7.s300：基于训练数据集v1"训练lstm-ae模型，并使用训练后的lstm-ae模型计算正常量测状态下的幅值测量数据集v1"的重构误差e1，计算异常判断的重构误差阈值；
8.s400：计算待评估数据集v2"的重构误差e2，并根据重构误差阈值threshold得到异常检测结果。
9.本发明提供的一种基于多元时序分析的电压互感器误差状态评估方法，以存在现实物理关联的多电压互感器时序量测数据作为输入并使用lstm-ae模型挖掘数据的时间和空间信息，提高了数据信息提取能力，且实现了电压互感器误差状态在线评估，有效指导了现场运维工作。
附图说明
10.图1为本发明提供的一种基于多元时序分析的电压互感器误差状态评估方法流程图；
11.图2为lstm-ae模型的结构示意图。
具体实施方式
12.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。另外，本发明提供的各个实施例或单个实施例中的技术特征可以相互任意结合，以形成可行的技术方案，这种结合不受步骤先后次序和/或结构组成模式的约束，但是必须是以本领域普通技术人员能够实现为基础，当技术方案的结合出现相互矛盾或无法实现时，应当认为这种技术方案的结合不存在，也不在本发明要求的保护范围之内。
13.图1为本发明提供的一种基于多元时序分析的电压互感器误差状态评估方法流程图，如图1所示，方法包括：
14.s100：获取同一站点多个电压互感器正常量测状态下得到的幅值测量时序数据v1以及未知量测误差状态下的幅值测量时序数据v2，并对得到的幅值测量时序数据进行归一化处理。
15.可理解的是，s100主要包括两个步骤：
16.（1）获取原始数据。获取同一站点存在现实拓扑关联的多个电压互感器的幅值测量时序数据，，m为方法考虑的电压互感器数量，n为时间序列的采样长度，其中代表了第n个时刻的m个电压互感器测量数据组成的向量，m、n均为正整数。电压互感器在正常量测状态下得到的幅值测量时序数据和未知量测误差状态下得到的幅值测量时序数据分别记为v1和v2。
17.（2）数据min-max归一化处理。使用min-max归一化公式对原始数据进行处理，得到归一化后的v1'和v2'。
18.。
19.s200：基于滑动窗口将归一化后的幅值测量时序数据划分为子序列，从而得到训练数据集v1"和待评估数据集v2"。
20.可理解的是，步骤s100得到归一化后的时序数据，通过设置滑动窗口大小的值将幅值测量时序数据分割成子序列，得到数据集，其中每个子序列，即为包含win个时刻的m个电压互感器测量数据组成的矩阵。
21.经过滑动窗口分别对归一化后的幅值测量时序数据v1'和幅值测量时序数据v2'进行分割，正常数据子序列组成训练数据集v1"，未知量测误差状态下数据子序列组成的待评估数据集v2"。
22.s300：基于训练数据集v1"训练lstm-ae模型，并使用训练后的lstm-ae模型计算正常量测状态下的幅值测量数据集v1"的重构误差e1，计算异常判断的重构误差阈值threshold。
23.可理解的是，lstm-ae模型是以长短期记忆神经网络（lstm, long short-term memory）为基本单元组成的自编码器模型，lstm-ae模型的结构示意图见图2。
24.lstm-ae模型由编码器和解码器两部分构成，编码器和解码器均由多层长短期记忆神经网络组成。lstm-ae模型的输入数据为s200中得到的子序列数据，lstm-ae模型的输出数据为输入数据的重构子序列。
25.编码器首先对输入数据进行降维编码：
26.；
27.解码器对降维后的编码数据进行解码重构：
28.；
29.其中和是编码器和解码器对应的函数，并且d＜m。
30.使用正常测量状态下得到的训练数据集v1"训练lstm-ae模型，lstm-ae模型训练的损失函数（重构误差）为均方误差（mse, mean square error），数学表达式如下：
31.；
32.其中，v
sub
为输入子序列，v
sub’为输出的重构子序列，为第i个电压互感器的第j个时刻的幅值，为重构子序列中第i个电压互感器的第j个时刻的幅值；
33.使用优化方法最小化损失函数，从而训练得到编码器和解码器的参数。
34.随后，基于训练后的lstm-ae模型，获取训练数据集v1"对应的重构误差序列，e1为训练数据集v1"中每个子序列v
sub
重构误差组成的序列，表示第个子序列的重构均方误差；
35.根据重构误差序列e1计算重构误差阈值，其中quantile95%表示计算重构误差序列e1的95%分位数，k为阈值系数。本发明采用分位数增加了对于个别极值的耐抗性，采用阈值系数用于改变异常判断的严格程度。
36.s400：计算待评估数据集v2"的重构误差e2，并根据重构误差阈值threshold得到异常检测结果。
37.作为实施例，所述s400中，计算待评估数据集v2"的重构误差e2，并根据重构误差阈值threshold得到异常检测结果，包括：
38.将待评估数据集v2"中每个子序列输入训练好的lstm-ae模型，得到对应的重构误差序列，表示第i个子序列的重构均方误差；若＞重构误差阈值，则待评估数据集v2"中的第i个子序列被判定为异常，反之，则第i个子序列被判定为正常。
39.可理解的是，对于待评估数据集v2"中的每一个子序列，将其输入训练后的lstm-ae模型，计算每一个子序列的重构误差，将重构误差与重构误差阈值进行比较，若大于重构
误差阈值，则判定为该子序列异常，若小于重构误差阈值，则判定为该子序列正常。
40.对于异常的误差子序列，需要定位异常电压互感器，因此，对于被判定为异常的子序列，计算子序列中每一个电压互感器的单独重构误差；根据各电压互感器的单独重构误差，得到各电压互感器的异常可能性或异常程度。各电压互感器的单独重构误差越大，电压互感器出现异常的可能性或异常的程度越高。其中，计算子序列中每一个电压互感器的单独重构误差，包括：
41.；
42.其中,为第i个电压互感器的原始幅值，为第i个电压互感器经过lstm-ae模型重构后的幅值，为第i个电压互感器第j个时刻的幅值，为第i个电压互感器第j个时刻经过lstm-ae模型重构后的幅值。
43.本发明实施例提供的一种基于多元时序分析的电压互感器误差状态评估方法，具有以下有益效果：
44.1、以存在现实物理关联的多电压互感器时序量测数据作为输入并使用lstm-ae（长短期记忆神经网络自编码器）挖掘数据的时间和空间信息，提高了数据信息提取能力；
45.2、以模型重构均方误差作为异常分数实现异常检测，能够成功识别并定位电压互感器异常，实现电压互感器在线连续监测。
46.需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
47.尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
48.显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

技术特征：
1.一种基于多元时序分析的电压互感器误差状态评估方法，其特征在于，包括：s100：获取同一站点多个电压互感器正常量测状态下得到的幅值测量时序数据v1以及未知量测误差状态下的幅值测量时序数据v2，并对得到的幅值测量时序数据进行归一化处理；s200：基于滑动窗口将归一化后的幅值测量时序数据划分为子序列，从而得到训练数据集v1"和待评估数据集v2"；s300：基于训练数据集v1"训练长短期记忆神经网络的自编码器lstm-ae模型，并使用训练后的lstm-ae模型计算正常量测状态下的幅值测量数据集v1"的重构误差e1，计算异常判断的重构误差阈值；s400：计算待评估数据集v2"的重构误差e2，并根据重构误差阈值threshold得到异常检测结果。2.根据权利要求1所述的电压互感器误差状态评估方法，其特征在于，所述s100包括：获取同一站点存在现实拓扑关联的多个电压互感器的幅值测量时序数据，，m为电压互感器数量，n为时间序列的采样长度，其中代表了第n个时刻的m个电压互感器测量数据组成的向量，m、n均为正整数；分别获取多个电压互感器在正常量测状态下得到的幅值测量时序数据v1和未知量测误差状态下得到的幅值测量时序数据v2；使用min-max归一化公式分别对幅值测量时序数据v1和幅值测量时序数据v2进行归一化处理，得到归一化后的幅值测量时序数据v1'和幅值测量时序数据v2'。3.根据权利要求1所述的电压互感器误差状态评估方法，其特征在于，所述s200包括：通过设置滑动窗口大小win的值将幅值测量时序数据分割成子序列,得到数据集，其中每个子序列，即为包含win个时刻的m个电压互感器测量数据组成的矩阵；经过滑动窗口分别对归一化后的幅值测量时序数据v1'和幅值测量时序数据v2'进行分割，正常数据子序列组成训练数据集v1"，未知量测误差状态下数据子序列组成的待评估数据集v2"。4.根据权利要求3所述的电压互感器误差状态评估方法，其特征在于，所述s300中的lstm-ae模型包括编码器和解码器，编码器和解码器均由多层长短期记忆神经网络组成，所述基于训练数据集v1"训练lstm-ae模型，包括：将训练数据集v1"中的子序列v
sub
输入lstm-ae模型中，输出重构子序列v
sub’。5.根据权利要求4所述的电压互感器误差状态评估方法，其特征在于，所述lstm-ae模型的损失函数，即重构误差为均方误差，其表达式为：；其中，v
sub
为输入子序列，v
sub’为输出的重构子序列，为第i个电压互感器的第j个时刻的幅值，为重构子序列中第i个电压互感器的第j个时刻的幅值；
使用优化方法最小化损失函数，训练得到编码器和解码器的参数，获取训练后的lstm-ae模型。6.根据权利要求5所述的电压互感器误差状态评估方法，其特征在于，所述s300中，使用训练后的lstm-ae模型计算正常量测状态下的幅值测量数据集v1"的重构误差e1，计算异常判断的重构误差阈值，包括：基于训练后的lstm-ae模型，获取训练数据集v1"对应的重构误差序列，e1为训练数据集v1"中每个子序列v
sub
重构误差组成的序列，表示第个子序列的重构均方误差；根据重构误差序列e1计算重构误差阈值，其中quantile95%表示计算重构误差序列e1的95%分位数，k为阈值系数。7.根据权利要求5所述的电压互感器误差状态评估方法，其特征在于，所述s400中，计算待评估数据集v2"的重构误差e2，并根据重构误差阈值threshold得到异常检测结果，包括：将待评估数据集v2"中每个子序列输入训练好的lstm-ae模型，得到对应的重构误差序列，表示第i个子序列的重构均方误差；若＞重构误差阈值，则待评估数据集v2"中的第i个子序列被判定为异常，反之，则第i个子序列被判定为正常。8.根据权利要求7所述的电压互感器误差状态评估方法，其特征在于，所述s400中，计算待评估数据集v2"的重构误差e2，并根据重构误差阈值得到异常检测结果，还包括：对于被判定为异常的子序列，计算子序列中每一个电压互感器的单独重构误差；根据各电压互感器的单独重构误差，得到各电压互感器的异常可能性或异常程度。9.根据权利要求8所述的电压互感器误差状态评估方法，其特征在于，所述计算子序列中每一个电压互感器的单独重构误差，包括：；其中,为第i个电压互感器的原始幅值，为第i个电压互感器经过lstm-ae模型重构后的幅值，为第i个电压互感器第j个时刻的幅值，为第i个电压互感器第j个时刻经过lstm-ae模型重构后的幅值。

技术总结
本发明提供一种基于多元时序分析的电压互感器误差状态评估方法，包括：获取同一站点多个电压互感器正常量测状态下的幅值测量时序数据V1以及未知量测误差状态下的幅值测量时序数据V2；基于滑动窗口将时序数据划分为子序列，得到训练数据集V1"和待评估数据集V2"；基于训练数据集V1"训练LSTM-AE模型，并使用训练后的LSTM-AE模型计算正常量测状态下的数据集V1"的重构误差e1，计算异常判断的重构误差阈值；计算待评估数据集V2"的重构误差e2，并根据重构误差阈值得到异常检测结果。本发明实现了电压互感器误差状态在线评估，有效指导了现场运维工作。场运维工作。场运维工作。


技术研发人员：代洁 郑强 杨文锋 李学等 刘锐 聂世晨
受保护的技术使用者：武汉格蓝若智能技术股份有限公司
技术研发日：2023.08.31
技术公布日：2023/10/6