本申请公开了一种电容式电压互感器的相角误差预测方法、装置和电子设备，该方法包括：建立初始回归树预测模型，初始回归树预测模型的初始设置参数包括叶子节点最少样本数和特征选择标准参数；训练初始回归树预测模型，得到训练完备的回归树预测模型；实时获取电容式电压互感器的三相电压幅值，基于训练完备的回归树预测模型，确定电容式电压互感器的相角误差。通过回归树预测模型对电容式电压互感器的三相电压幅值进行数据处理，能够实现实时获取对应的相角误差，为电容式电压互感器的长期可靠运行提供了保障；同时，通过回归树预测模型获取相角误差的过程中不需要电容式电压互感器断电，因此能够有效提高电容式电压互感器误差校验的效率。差校验的效率。差校验的效率。
【技术实现步骤摘要】
电容式电压互感器的相角误差预测方法、装置和电子设备
[0001]本专利技术涉及相角误差预测
，尤其涉及一种电容式电压互感器的相角误差预测方法、装置和电子设备。
技术介绍
[0002]随着社会经济与电力系统的高速发展，大量非线性、冲击性等类型的负荷的不断投入，传统电网中电能质量的问题越发重要，对于电网电压的测量精度提出了更高的要求。在高压领域中，电容式电压互感器(Capacitor Voltage Transformer，CVT)越来越受到重视，CVT是电能测量系统中广泛应用的一种电压互感器，它将电力系统一次侧高电压成比例降低，传送至二次侧测量仪表和继电保护设备，从而实现电力测量，主要用于稳态时测量稳态电压、计算电能，发生暂态故障时测量电压故障向量用于电网的继电保护。
[0003]然而，CVT测量结果受到运行环境、自身结构参数影响，不可避免地会产生误差，影响电气数据测量的准确性，严重时甚至会影响继电保护的准确动作，不利于电力系统的稳定运行。另外，现有的离线校验不能对CVT的运行状态进行实时评估，当CVT的测量误差超差时也不能及时校正，对CVT计量误差的后续发展趋势无法进行预测，对CVT计量误差进行校验时，需要在停电的环境下执行。
[0004]因此，现有技术中对电容式电压互感器的相角误差进行预测的过程中，存在无法实时获取相角误差预测值的问题。
技术实现思路
[0005]有鉴于此，有必要提供一种电容式电压互感器的相角误差预测方法、装置和电子设备，用以解决现有技术中对电容式电压互感器的相角误差进行预测的过程中，存在的无法实时获取相角误差预测值的问题。
[0006]为了解决上述问题，本专利技术提供一种电容式电压互感器的相角误差预测方法，包括：
[0007]获取电容式电压互感器的多组三相电压幅值样本及其对应的相角误差样本；
[0008]建立初始回归树预测模型，初始回归树预测模型的初始设置参数包括叶子节点最少样本数和特征选择标准参数，初始回归树预测模型包括匹配函数；
[0009]将多组三相电压幅值样本分别输入至初始回归树预测模型，以对应的相角误差样本作为样本输出，训练初始回归树预测模型，得到训练完备的回归树预测模型；
[0010]实时获取电容式电压互感器的三相电压幅值，基于训练完备的回归树预测模型，确定电容式电压互感器的相角误差。
[0011]进一步的，获取电容式电压互感器的多组三相电压幅值样本及其对应的相角误差样本，包括：
[0012]获取初始相角误差样本；
[0013]将初始相角误差样本与预设相角误差阈值范围进行比较，确定异常相角误差样
本；
[0014]根据异常相角误差样本，对初始相角误差样本进行去异常处理，得到相角误差样本。
[0015]进一步的，根据异常相角误差样本，对初始相角误差样本进行去异常处理，包括：
[0016]获取预设相角误差阈值范围中的相角误差最小值和相角误差最大值；
[0017]当异常相角误差样本小于相角误差最小值时，修正异常相角误差样本的值为第一预设相角误差值；
[0018]当异常相角误差样本大于相角误差最大值时，修正异常相角误差样本的值为第二预设相角误差值；
[0019]根据第一预设相角误差值和第二预设相角误差值，确定异常相角误差样本对应的相角误差样本。
[0020]进一步的，根据异常相角误差样本，对初始相角误差样本进行去异常处理，得到相角误差样本，还包括：
[0021]删除异常相角误差样本以及其对应的三相电压幅值样本，得到相角误差样本。
[0022]进一步的，叶子节点最少样本数为可调参数；
[0023]特征选择标准参数包括均方误差或平均绝对误差。
[0024]进一步的，将多组三相电压幅值样本分别输入至初始回归树预测模型，对应的相角误差样本作为样本输出，训练初始回归树预测模型，得到训练完备的回归树预测模型，包括：
[0025]对三相电压幅值样本及其对应的相角误差样本进行分组，确定训练集三相电压幅值样本、训练集相角误差样本、测试集三相电压幅值样本和测试集相角误差样本；
[0026]选取初始回归树预测模型的第一叶子节点最少样本数和特征选择标准参数；
[0027]将训练集三相电压幅值样本输入至初始回归树预测模型，并以训练集相角误差样本作为样本输出，确定第一过渡回归树预测模型；
[0028]将测试集三相电压幅值样本输入至第一过渡回归树预测模型进行预测，得到测试集相角误差预测值；
[0029]将测试集相角误差预测值与测试集相角误差样本进行比较，确定第一过渡预测均方误差、第一预测值变化图和第一样本值变化图；
[0030]根据第一过渡预测均方误差、第一预测值变化图和第一样本值变化图，调整叶子节点最少样本数并重新进行预测，直至得到最小过渡预测均方误差，得到训练完备的回归树预测模型。
[0031]进一步的，根据第一过渡预测均方误差、第一预测值变化图和第一样本值变化图，调整叶子节点最少样本数并重新进行预测，直至得到最小过渡预测均方误差，得到训练完备的回归树预测模型，包括：
[0032]判断第一预测值变化图和第一样本值变化图的变化趋势是否一致；
[0033]若是，则判定对应的第一叶子节点最少样本数为第一叶子节点最少样本数有效值；
[0034]若否，则调整第一叶子节点最少样本数的数值并重新进行预测，直至确定第一叶子节点最少样本数有效值；
[0035]获取第二叶子节点最少样本数有效值和第二过渡预测均方误差，根据最小二分法对叶子节点最少样本数进行分类计算，直至得到最小过渡预测均方误差，得到训练完备的回归树预测模型。
[0036]为了解决上述问题，本专利技术还提供一种电容式电压互感器的相角误差预测装置，包括：
[0037]样本获取模块，用于获取电容式电压互感器的多组三相电压幅值样本及其对应的相角误差样本；
[0038]初始回归树预测模型建立模块，用于建立初始回归树预测模型，初始回归树预测模型的初始设置参数包括叶子节点最少样本数和特征选择标准参数，初始回归树预测模型包括匹配函数；
[0039]回归树预测模型训练模块，用于将多组三相电压幅值样本分别输入至初始回归树预测模型，以对应的相角误差样本作为样本输出，训练初始回归树预测模型，得到训练完备的回归树预测模型；
[0040]相角误差预测模块，用于实时获取电容式电压互感器的三相电压幅值，基于训练完备的回归树预测模型，确定电容式电压互感器的相角误差。
[0041]为了解决上述问题，本专利技术还提供一种电子设备，包括处理器以及存储器，存储器上存储有计算机程序，计算机程序被处理器执行时，实现如上述任一技术方案所述的电容式电压互感器的相角误差预测方法。
[0042]为了解决上述问题，本专利技术还提供一种计算机可读存储介质，程序介质存储有计算机程序指令，当计算机程序指令被计算机执行时，实现如上述任一技术方案所述的电本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种电容式电压互感器的相角误差预测方法，其特征在于，包括：获取所述电容式电压互感器的多组三相电压幅值样本及其对应的相角误差样本；建立初始回归树预测模型，所述初始回归树预测模型的初始设置参数包括叶子节点最少样本数和特征选择标准参数，所述初始回归树预测模型包括匹配函数；将多组所述三相电压幅值样本分别输入至所述初始回归树预测模型，以对应的所述相角误差样本作为样本输出，训练所述初始回归树预测模型，得到训练完备的回归树预测模型；实时获取所述电容式电压互感器的三相电压幅值，基于所述训练完备的回归树预测模型，确定所述电容式电压互感器的相角误差。2.根据权利要求1所述的电容式电压互感器的相角误差预测方法，其特征在于，获取所述电容式电压互感器的多组三相电压幅值样本及其对应的相角误差样本，包括：获取初始相角误差样本；将所述初始相角误差样本与预设相角误差阈值范围进行比较，确定异常相角误差样本；根据所述异常相角误差样本，对所述初始相角误差样本进行去异常处理，得到所述相角误差样本。3.根据权利要求2所述的电容式电压互感器的相角误差预测方法，其特征在于，根据所述异常相角误差样本，对所述初始相角误差样本进行去异常处理，包括：获取所述预设相角误差阈值范围中的相角误差最小值和相角误差最大值；当所述异常相角误差样本小于所述相角误差最小值时，修正所述异常相角误差样本的值为第一预设相角误差值；当所述异常相角误差样本大于所述相角误差最大值时，修正所述异常相角误差样本的值为第二预设相角误差值；根据所述第一预设相角误差值和所述第二预设相角误差值，确定所述异常相角误差样本对应的所述相角误差样本。4.根据权利要求2所述的电容式电压互感器的相角误差预测方法，其特征在于，根据所述异常相角误差样本，对所述初始相角误差样本进行去异常处理，得到所述相角误差样本，还包括：删除所述异常相角误差样本以及其对应的所述三相电压幅值样本，得到所述相角误差样本。5.根据权利要求1所述的电容式电压互感器的相角误差预测方法，其特征在于，所述叶子节点最少样本数为可调参数；所述特征选择标准参数包括均方误差或平均绝对误差。6.根据权利要求1所述的电容式电压互感器的相角误差预测方法，其特征在于，将多组所述三相电压幅值样本分别输入至所述初始回归树预测模型，对应的所述相角误差样本作为样本输出，训练所述初始回归树预测模型，得到训练完备的回归树预测模型，包括：对所述三相电压幅值样本及其对应的所述相角误差样本进行分组，确定训练集三相电压幅值样本、训练集相角误差样本、测试集三相电压幅值样本和测试集相角误差样本；选取所述初始回归树预测模型的第一叶子节点最少样本数和所述特征选择标准参数；
【专利技术属性】
技术研发人员：陈国良，倪恬，候慧，魏洪涛，
申请(专利权)人：武汉理工大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。