【技术实现步骤摘要】
本专利技术涉及互感器校验，具体涉及一种基于mha-cnn-slstm和误差补偿的互感器预测方法。
技术介绍
1、随着电力系统的迅速发展，在电能交易结算、电网规划和安全防护等领域电力数据价值正日益凸显。互感器作为一种常用地计量设备，其计量准确性对电网的安全稳定运行至关重要。根据我国测量设备定期校验标准，互感器需定期开展准确度校验，以保证其测量误差满足相应准确度要求。传统校验方式需将标准器与被测设备接入同一回路，校验需要耗费大量人力物力，尤其针对高压线路，存在停电困难、校验设备运输不便等诸多问题。带电校验虽然可以有效解决上述问题，但该校验方式安全隐患较大。所以，亟需研究一种对互感器未来误差状态预测的方法，用于指导互感器校验工作的开展。
技术实现思路
1、针对现有技术中互感器误差预测方法存在预测精度低的问题。本专利技术提供一种基于mha-cnn-slstm和误差补偿的互感器预测方法，能够准确的预测未来短期内互感器误差状态变化，具有预测精度高、泛化性强等特点。
2、本专利技术采取的技术方案为：
3、基于mha-cnn-slstm和误差补偿的互感器预测方法，包括以下步骤：
4、步骤1：采用变分模态分解算法vmd将原始互感器误差数据分解为不同高低频分量；
5、步骤2：基于改进海鸥优化算法isoa优化变分模态分解算法vmd的关键参数，实现误差数据最优分解；
6、步骤3：基于多头注意力机制mha对误差影响特征交叉处理，挖掘各特征间关联性，
7、步骤4：将卷积神经网络cnn置于多头注意力机制mha后端，降低多头注意力机制mha输出特征维度，减少训练参数，提高模型计算速度；
8、步骤5：考虑训练集与测试集之间相关性，改进lstm神经网络，动态调整网络权重和偏置，构建mha-cnn-slstm组合预测模型；
9、步骤6：将预测值与实际值误差作为训练集，再次输入步骤5构建的组合预测模型，生成补偿数据对预测值进行补偿。
10、所述步骤1中，采用变分模态分解算法(variational mode de composition,vmd)将原始互感器误差数据分解为不同高低频分量；
11、根据过零率大小对高低频分量区分，互感器误差数据经vmd分解后结果如图2所示，并分别计算各分量过零率如表1所示，根据实际经验，设置高低频分量阈值为0.083，由表1可知，imf8-imf3为高频分量，imf2-imf1为低频分量。
12、过零率计算公式如下：
13、
14、式中，p为过零率大小；zzero为信号通过零的次数；n为区间长度。
15、表1各分量过零率
16、
17、所述步骤2中，引入对立搜索算子策略、非线性收敛控制因子对传统海鸥算法改进，提出一种改进海鸥优化算法(improved seagull optimization algorithm，isoa)，选择排列熵作为适应度函数，利用改进海鸥优化算法isoa优化变分模态分解算法vmd关键参数，对分解个数k和惩罚因子α寻优，以达到误差数据最优分解的目标。
18、步骤2具体如下：
19、首先，引入对立搜索算子策略，对初始种群优化在区间[l,u]上产生当前个体和相对立个体，定义为：
20、
21、式(1)中，表示当前个体相对立的个体；xi表示当前个体；l表示种群优化区间内下值；u表示种群优化区间内上值；
22、根据上述定义，采用如下初始化方法：设定种群规模n，分别将当前个体与其相对的个体进行对比，选择适应度值最优个体为初始种群；
23、初始化公式为：
24、
25、式(2)中，表示当前个体相对立的个体代入适应度函数所求得值；f(xi)表示当前个体代入适应度函数所求得值；
26、然后，改进非线性收敛控制因子，对控制因子fc进行重新设计，使得控制因子fc在算法开始之初随迭代次数而增加，当到达一定值后，控制因子fc迅速减小到一个较小值，然后再以缓慢速度逐渐增大；基于此，控制因子fc更新公式如下所示：
27、fc＝(fci-fcf)+[(1-t/tmax)/(1-η×t/tmax)](3)；
28、式(3)中，fci为控制因子fc起始值；fcf为控制因子fc最终值；η为调节系数；t为目前迭代次数；tmax为最大迭代次数。
29、步骤2中，优化变分模态分解算法vmd的关键参数，即优化vmd中分解个数k和惩罚因子α，实现误差数据最优分解。
30、误差数据最优分解指的是自适应的根据实际数据情况确定vmd中最佳的k和α，得到时频分辨率高、模态未混叠的高低频分量，如图2所示，所分解结果未出现模态混叠度、时频率低的问题。
31、所述步骤3中，根据皮尔逊相关系数分析能够得到，与比差极强相关影响因素为温度、湿度；其次弱相关影响因素为负荷、振动；最后极弱相关影响因素为磁场。比差-温度、湿度-负荷相互间存在一定联系，能够通过湿度、温度特征挖掘比差与负荷之间深层关系；采用多头注意力机制mha对各影响因素特征进行交叉处理，挖掘各特征间深层次关系。
32、步骤3具体如下：
33、多头注意力机制mha通过值矩阵对各特征赋予不同权重，挖掘特征与特征间多重关系，通过对多个不同注意力头特征的融合实现显性特征与相关系数较大的隐性特征交叉，形成相较于原始特征具有更丰富表达力的新特征；
34、误差影响因素数据矩阵z与查询线性投影权重wq相乘，得到查询矩阵q：
35、q＝wqz
36、误差影响因素数据矩阵z与键线性投影权重wk相乘，得到键矩阵k：
37、k＝wkz
38、误差影响因素数据矩阵z与值线性投影权重wv相乘，得到键矩阵v：
39、v＝wvz
40、上式中，矩阵q、v通过点积运算计算相似度，挖掘特征间关联性，捕捉内部多重关系，如下所示：
41、
42、式(6)中，f为自注意力网络，σ为softmax激活函数；为缩放因子；f(q,k,v)表示q、k、v代入自注意力网络所输出值；kt表示键矩阵的转置dk表示q、k中向量维度；
43、多头注意力机制内的各子注意力头间的计算是相互独立的，通过对各子注意力头的输出矩阵进行拼接，并乘以权重矩阵wo，得到最终输出结果，具体如下所示：
44、
45、式(7)中，hi为多头注意力第i个头；wiq、wik、wiv为第i个注意力头权重；fc为矩阵拼接函数；h1,h2,.......,hi表示多头注意力机制第i个头；表示最终多头注意力机制输出矩阵。
46、为保证信息传递、梯度稳定性根据式(8)将与z跳跃连接并进行归本文档来自技高网...
【技术保护点】
1.基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：所述步骤1中，采用变分模态分解算法VMD将互感器误差数据分解为不同高低频分量；
3.根据权利要求1所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：所述步骤2中，引入对立搜索算子策略、非线性收敛控制因子对传统海鸥算法改进，提出一种改进海鸥优化算法ISOA，选择排列熵作为适应度函数，利用改进海鸥优化算法ISOA优化变分模态分解算法VMD关键参数，对分解个数k和惩罚因子α寻优，以达到误差数据最优分解的目标。
4.根据权利要求3所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：步骤2具体如下：
5.根据权利要求4所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：步骤2中，优化变分模态分解算法VMD的关键参数，即优化VMD中分解个数k和惩罚因子α，实现误差数据最优分解。
6.根据权
7.根据权利要求6所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：步骤3具体如下：
8.根据权利要求1所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：步骤3中，特征交叉具体是：通过多头注意力机制内部子注意力头对原始不同误差影响因素特征进行计算，并动态加权计算、合并得到新的误差影响因素特征；
9.根据权利要求1所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：所述步骤5中，为保证LSTM神经网络模型输出互感器误差预测值精度，采用平方损失函数来更新权重、偏置矩阵参数：
10.根据权利要求1所述基于MHA-CNN-SLSTM和误差补偿的互感器预测方法，其特征在于：所述步骤5中，步骤5建立的MHA-CNN-SLSTM组合预测模型对样本数据完成预测后，内部参数均已固定，同时互感器预测值的误差由测试样本所输出的预测值和实际值对比所产生，即该误差应与测试样本间存在高度适应性，因此能够将预测误差直接投入MHA-CNN-SLSTM组合预测模型预测，建立预测值误差与互感器误差影响因素特征间的关联网络，实现对预测值误差的预测，从而对预测值进行补偿和修正。
...【技术特征摘要】
1.基于mha-cnn-slstm和误差补偿的互感器预测方法，其特征在于包括以下步骤：
2.根据权利要求1所述基于mha-cnn-slstm和误差补偿的互感器预测方法，其特征在于：所述步骤1中，采用变分模态分解算法vmd将互感器误差数据分解为不同高低频分量；
3.根据权利要求1所述基于mha-cnn-slstm和误差补偿的互感器预测方法，其特征在于：所述步骤2中，引入对立搜索算子策略、非线性收敛控制因子对传统海鸥算法改进，提出一种改进海鸥优化算法isoa，选择排列熵作为适应度函数，利用改进海鸥优化算法isoa优化变分模态分解算法vmd关键参数，对分解个数k和惩罚因子α寻优，以达到误差数据最优分解的目标。
4.根据权利要求3所述基于mha-cnn-slstm和误差补偿的互感器预测方法，其特征在于：步骤2具体如下：
5.根据权利要求4所述基于mha-cnn-slstm和误差补偿的互感器预测方法，其特征在于：步骤2中，优化变分模态分解算法vmd的关键参数，即优化vmd中分解个数k和惩罚因子α，实现误差数据最优分解。
6.根据权利要求1所述基于mha-cnn-slstm和误差补偿的互感器预测方法，其特征在于：所述步骤3中，根据皮尔逊相关系数分析能够得到，与比差极强相关影响因素为温度、湿度；其次弱相关影响因素为负荷、振动；最后极弱相关影响因素为磁场；比差-温度、...
【专利技术属性】
技术研发人员：李振华，陈豪钰，张绍哲，卢和平，周峰，刁赢龙，程江洲，李振兴，张涛，张磊，
申请(专利权)人：三峡大学，
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。