【技术实现步骤摘要】
本专利技术涉及电力系统监测，尤其涉及一种电流互感器的标准值预测方法、误差监测方法及其装置。
技术介绍
1、电流互感器虽然具有标定的准确度等级，但是随着设备老化，电流互感器的实际误差有可能会超过标定容限，因此在计算被试电流互感器误差时通常需要引入已知准确度的标准电流互感器，通过测量被式电流互感器和标准电流互感器的二次侧电流，并计算它们之间的差异，以此来确定被测互感器的误差。
2、标准电流互感器电流值是进行电流互感器误差计算的重要依据。然而，这需要在每条电路中物理接入一台标准电流互感器，在实际场景中常常由于电流互感器分布广、数量大，大量工作时间耗费在前往工作现场的途中，造成了人力、经济和时间成本的浪费。
3、近年来，针对电流互感器误差的在线监测技术，研究人员已经提出了一系列方案。这些方案可以系统地分为两类：一类聚焦于设计硬件装置与信号注入的方法，搭建在线监测系统；第二类则着重于使用大数据与人工智能的方法对采集数据进行分析计算，进而实现对电流互感器的在线监测。但主要聚焦于设计硬件装置与信号注入，在成本方面投入较高，在大数据与人工智能分析方面，相关的理论研究较为薄弱，目前发现基于bp神经网络和k-means聚类等算法的预测准确性距离实际应用还存在一定距离，因此需要提出一种新的人工智能预测方法，提高标准电流值的预测准确性。
技术实现思路
1、本专利技术提供一种电流互感器的标准值预测方法、误差监测方法及其装置，以提高模型预测标准电流值的准确性，解决目前的标准值预测方法在
2、本专利技术通过下述技术方案实现：
3、本专利技术的第一方面，提供了一种电流互感器的标准电流值预测方法，包括：
4、获取多路电流互感器二次侧的时序数据；
5、通过转置嵌入层对所述时序数据进行处理，得到高维特征；
6、通过门控注意力网络对所述高维特征进行特征提取，得到时序趋势特征；
7、通过前馈神经网络对所述时序趋势特征进行编码，得到编码特征；
8、通过输出层对所述编码特征进行处理，得到预测的电流互感器标准电流值。
9、本专利技术预测方法通过多路电流数据作为输入，通过转置嵌入层对输入的时序特征维度转置，从而让后续模型更加关注时间序列在时间上的相关性，并且在注意力机制前引入门控结构，在特征进入注意力机制之前先评估时序部分的趋势性信息，从而捕获多变量相关性，提高门控注意力网络捕捉时间序列的长期依赖性特征的能力，且由于转置嵌入处理的引入，将一个变量的时间序列映射为一个向量，使得前馈神经网络能够针对独立时间序列进行相同的线性操作，学习到时间序列的内在属性，通过以上过程，最终得到具有高准确性的预测结果。解决了在无参考电流互感器的情况下将基于模型的预测方法应用于电流互感器的误差监测的问题。
10、在一些实施方式中，所述转置嵌入层包括映射层和线性层；所述通过转置嵌入层对所述时序数据进行处理，得到高维特征，包括：
11、通过所述映射层对所述时序数据进行映射处理，得到转置特征；
12、通过所述线性层对所述转置特征进行升维处理，得到高维特征。
13、在一些实施方式中，所述门控注意力网络包括门控网络和多头注意力机制，所述门控网络包括第一卷积输入层、与所述第一卷积输入层连接的第一激活层、第二卷积输入层、与所述第二卷积输入层连接的第二激活层、以及特征融合层；
14、所述通过门控注意力网络对所述高维特征进行特征提取，得到时序趋势特征，包括：
15、通过所述第一卷积输入层对所述高维特征进行第一卷积处理，得到第一卷积特征，通过所述第一激活层对所述第一卷积特征进行第一激活处理，得到第一激活特征；以及，
16、通过所述第二卷积输入层对所述高维特征进行第二卷积处理，得到第二卷积特征，通过所述第二激活层对所述第二卷积特征进行第二激活处理，得到第二激活特征；
17、通过所述特征融合层对所述第一激活特征和所述第二激活特征进行特征融合处理，得到融合特征；
18、通过所述多头注意力机制对所述融合特征进行处理，得到时序趋势特征。
19、在一些实施方式中，所述方法还包括：
20、在所述通过前馈神经网络对所述时序趋势特征进行编码，得到编码特征之前，对所述时序趋势特征进行层归一化处理；和/或，
21、在所述通过输出层对所述编码特征进行处理，得到预测的电流互感器标准电流值之前，对所述编码特征进行层归一化处理。
22、在一些实施方式中，所述输出层为线性投影层。
23、在一些实施方式中，所述时序数据包括电流时序数据、电压时序数据和频率时序数据。
24、本专利技术的第二方面，提供了一种电流互感器的误差在线监测方法，包括：将对应时间节点的电流互感器的实际值和标准值进行计算，得到电流互感器的误差；所述标准值通过本专利技术第一方面任意一项所述的电流互感器的标准电流值预测方法得到。
25、本专利技术的第三方面，提供了一种电流互感器的标准电流值预测装置，包括：
26、数据获取模块，用于获取多路电流互感器二次侧的时序数据；
27、标准值预测模块，用于预测电流互感器的标准值；
28、所述标准值预测模块包括转置嵌入层、门控注意力网络、前馈神经网络和输出层；
29、所述转置嵌入层用于对所述时序数据进行处理，得到高维特征；
30、所述门控注意力网络用于对所述高维特征进行特征提取，得到时序趋势特征；
31、所述前馈神经网络用于对所述时序趋势特征进行编码，得到编码特征；
32、所述输出层用于对所述编码特征进行处理，得到预测的电流互感器的标准值。
33、本专利技术的第四方面，提供了一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现本专利技术第一方面任意一项所述的电流互感器的标准电流值预测方法，和/或第二方面所述的电流互感器的误差在线监测方法。
34、本专利技术的第五方面，提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现本专利技术第一方面任意一项所述的电流互感器的标准电流值预测方法，和/或第二方面所述的电流互感器的误差在线监测方法。
35、本专利技术与现有技术相比，具有如下的优点和有益效果：
36、通过将原始transformer的嵌入层替换为转置嵌入层，即进行维度转置，预测模型可以将时序作为一个向量输入，有助于模型更加关注时间序列在时间上的相关性。同时，引入门控注意力机制，能够在特征进入注意力处理之前先评估时序部分的趋势性信息，学习时间序列的长期时间依赖性，从而提高预测标准电流值的准确性。
37、由于引入的转置嵌入层将一个变量的时间序列映射为一个向量，使得前馈神经网络能够针对独立时间序列进行相同的线性操本文档来自技高网...
【技术保护点】
1.电流互感器的标准电流值预测方法，其特征在于，包括：
2.根据权利要求1所述的电流互感器的标准电流值预测方法，其特征在于，所述转置嵌入层包括映射层和线性层；所述通过转置嵌入层对所述时序数据进行处理，得到高维特征，包括：
3.根据权利要求1所述的电流互感器的标准电流值预测方法，其特征在于，所述门控注意力网络包括门控网络和多头注意力机制，所述门控网络包括第一卷积输入层、与所述第一卷积输入层连接的第一激活层、第二卷积输入层、与所述第二卷积输入层连接的第二激活层、以及特征融合层；
4.根据权利要求3所述的电流互感器的标准电流值预测方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的电流互感器的标准电流值预测方法，其特征在于，所述输出层为线性投影层。
6.根据权利要求1-5任意一项所述的电流互感器的标准电流值预测方法，其特征在于，所述时序数据包括电流时序数据、电压时序数据和频率时序数据。
7.电流互感器的误差在线监测方法，其特征在于，包括：
8.电流互感器的标准电流值预测装置，其特征在于，包括：<...
【技术特征摘要】
1.电流互感器的标准电流值预测方法，其特征在于，包括：
2.根据权利要求1所述的电流互感器的标准电流值预测方法，其特征在于，所述转置嵌入层包括映射层和线性层；所述通过转置嵌入层对所述时序数据进行处理，得到高维特征，包括：
3.根据权利要求1所述的电流互感器的标准电流值预测方法，其特征在于，所述门控注意力网络包括门控网络和多头注意力机制，所述门控网络包括第一卷积输入层、与所述第一卷积输入层连接的第一激活层、第二卷积输入层、与所述第二卷积输入层连接的第二激活层、以及特征融合层；
4.根据权利要求3所述的电流互感器的标准电流值预测方法，其特征在于，所述方法还包括：
5.根据权利要求1所述的电流互感器的标准电流值预测方法，其特征在于，所述输出层为线性投影层。
6.根据权利要求1-...
【专利技术属性】
技术研发人员：刘刚，周一飞，叶子阳，李金嵩，徐杰，李子轩，
申请(专利权)人：国网四川省电力公司营销服务中心，
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。