【技术实现步骤摘要】
本专利技术涉及电力系统监测，尤其涉及一种基于机器学习的电流互感器误差在线监测方法及装置。
技术介绍
1、随着社会经济的发展，电力系统对供电稳定性和计量准确性提出了更高要求。电流互感器作为电力系统中的关键设备，在确保电能计量精确度方面扮演着核心角色。然而，传统的电磁式电流互感器普遍采用的离线校准方式，由于其周期长、需要停电操作，不仅耗费了大量的人力和物力，也难以真实反映互感器在实际工况下的计量特性。另外，随着供电可靠性要求的提高，合适的停电校准窗口越来越难以获取，导致传统离线停电检测越来越难以满足要求，并导致在实时发现潜在故障与缺陷方面存在不及时、不准确等不足，潜在地增加了电网安全运行风险和电能贸易公平公正。
2、鉴于上述缺陷，探索电流互感器误差的在线监测技术成为提升电力系统运行效率与可靠性的迫切需求。与传统的离线校准相比，在线监测能够在不中断电力供应的情况下，连续、实时地监测电流互感器的计量性能，从而确保电能计量的准确性与供电服务的稳定性。
3、在电流互感器计量性能的在线监测领域，随着技术的进步，研究者们从系统设计改进和算法优化两方面进行研究，来实现对电流互感器的计量性能评估。在基于系统设计的研究方面：
4、现有技术1(标题：“evaluating the metering error of electronictransformers on-line based on vn-mwpca”；作者：zhang z，chen q，hu c等；期刊：《measurement》；公开日期：2018年；
5、现有技术2(标题：“电力互感器检定与评估方法综述”；作者：王毓琦，李红斌，向鑫等；期刊：《高压电器》；公开日期：2020年；第56期第4卷；页数：95-101、107)研究了二次回路在线监测技术，并通过10khz阻抗谱实现了实时监控，不过这一技术的大规模应用及其经济性和易用性存在诸多难题。
6、在基于算法实现的研究方面：
7、现有技术3(标题：“计量用互感器在线监测系统的研制”；作者：张蓬鹤，邓泽官，王龙华等；期刊：《电测与仪表》；公开日期：2009年；第46卷第7期；页数：41-44)基于bp神经网络探讨了互感器计量误差的在线检测方法，该方法通过在二次侧施加异频信号来测量误差，尽管简便且有效，但其在面对电网中的高次谐波等异频信号干扰时，可能导致误差测量的精确度受影响。
8、现有技术4(标题：“配网用电压电流传感器误差在线测试装置设计及应用”；作者：韩筛根，陈驰，王自桢；期刊：《高压电器》；公开日期：2020年；第56卷第12期；页数：235-241)对于基于历史数据的电子式互感器伴随故障甄别策略的研究，尝试从数据的纵向协同性出发，解析故障模式，但该策略在实际操作中对数据质量和处理速度要求较高，限制了其实用性。
9、现有技术5(标题：“计量电流互感器二次回路在线监测技术研究”；作者：王斌武，刘俭，张军；期刊：《电子测量技术》；公开日期：2022年；第45卷第17期；页数：29-35)提出的电子式电流互感器误差预测方法，虽然具有一定的前瞻性，但收敛速度慢且容易陷入局部最小值。
10、上述现有技术方案虽在一定程度上推进了电流互感器在线监测技术的发展，不但需要测量得到电流互感器的一次电流值或者需要增加电流互感器标准装置，而且在实时性、准确度和稳定性方面，仍存在明显不足，特别是在处理一次侧电流数据缺失的场景下，更缺乏计量电流互感器误差的能力。
技术实现思路
1、本专利技术提供一种基于机器学习算法的电流互感器误差在线监测方法，以解决在一次侧电流数据缺失的场景下，如何实时、准确、稳定地监测并得到电流互感器误差的问题。
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，提供了一种基于机器学习算法的电流互感器误差在线监测方法，包括：
4、获取电流互感器的电流采集数据和电流实际值；所述电流采集数据是所述电流互感器在当前时间之前的一段历史运行数据，所述电流实际值是所述电流互感器在当前时间的运行数据；
5、通过prophet预测模型处理所述电流采集数据，预测得到电流趋势分量和电流周期分量；
6、通过支持向量回归模型处理所述电流采集数据，预测得到第一残差分量；
7、通过随机森林模型处理所述电流采集数据，预测得到第二残差分量；所述第一残差分量和所述第二残差分量为所述电流采集数据中不符合趋势和周期模式的部分；
8、通过lasso回归模型对所述第一残差分量和所述第二残差分量进行加权整合，得到第三残差分量；
9、对所述电流趋势分量、所述电流周期分量和所述第三残差分量求和，得到当前时间的电流预测值；
10、根据所述电流实际值和所述电流预测值计算得到所述电流互感器的误差。
11、为应对电力系统日益增长的稳定供电与精准计量需求，针对现有的电流互感器的线校准方式存在的局限性，本文专利技术提出一种基于电流互感器的历史运行数据，融合prophet预测模型的时间序列预测能力和支持向量回归模型(svr)、随机森林模型(rfr)、lasso回归模型的回归算法优势的机器学习算法，prophet能够有效处理季节性波动，捕捉未来趋势，得到电流趋势分量和周期分量的准确预测值，svr用于建立精细的回归模型，弥补prophet在小规模数据集上的不足，rfr对于大规模数据集，优化计量性能预测的准确度，svr和rfr的预测结果实现互补。最后利用lasso回归模型进行特征选择和避免过拟合，增强了模型的稳定性。因此本方法对电流互感器标准值的预测准确性高，将电流预测值作为电流互感器在线监测的参考标准值，解决了一次侧电流数据缺失的问题，进而实现实时对电流互感器的误差进行稳定、准确的监测。
12、进一步地，所述prophet预测模型包括电流趋势预测子模型和电流周期预测子模型，所述电流趋势预测子模型的表达式如下：
13、
14、其中，g(t)表示电流趋势分量，b(t)表示偏移量，c(t)是一个时间函数，表示模型容量，用于限制模型所能增长的最大值，k代表增长率，随着时间t的增加，g(t)趋近于c(t)；
15、所述电流周期预测子模型的表达式如下：
16、
17、其中，s(t)表示电流周期分量，an、bn表示公式中需要估计的参数，π是圆周率，t为一个周期，n表示第n个周期，n代表周期总数，n值越大，拟合的季节性更加复杂。
18、进一步地，所述电流周期分量包括以周为周期的周期分量、以日为周期的周期分量和以15分钟间隔为周期的周期分量。
19、进一步地，所述prophet预测模型的训练方法包括：本文档来自技高网...
【技术保护点】
1.基于机器学习的电流互感器误差在线监测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述Prophet预测模型包括电流趋势预测子模型和电流周期预测子模型，所述电流趋势预测子模型的表达式如下：
3.根据权利要求1或2所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述电流周期分量包括以周为周期的周期分量、以日为周期的周期分量和以15分钟间隔为周期的周期分量。
4.根据权利要求2所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述Prophet预测模型的训练方法包括：
5.根据权利要求1所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述支持向量回归模型的训练方法包括：
6.根据权利要求1所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述随机森林模型的训练方法包括：
7.基于机器学习的电流互感器误差在线监测装置，其特征在于，包括：
8.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1-6任意一项所述的基于机器学习的电流互感器误差在线监测方法。
10.一种计算机程序产品，其特征在于，当所述计算机程序产品在处理器上运行时，实现权利要求1-6任意一项所述的基于机器学习的电流互感器误差在线监测方法。
...【技术特征摘要】
1.基于机器学习的电流互感器误差在线监测方法，其特征在于，包括：
2.根据权利要求1所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述prophet预测模型包括电流趋势预测子模型和电流周期预测子模型，所述电流趋势预测子模型的表达式如下：
3.根据权利要求1或2所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述电流周期分量包括以周为周期的周期分量、以日为周期的周期分量和以15分钟间隔为周期的周期分量。
4.根据权利要求2所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述prophet预测模型的训练方法包括：
5.根据权利要求1所述的基于机器学习的电流互感器误差在线监测方法，其特征在于，所述支持向量回归模型的训练方法包括：
6.根据权利...
【专利技术属性】
技术研发人员：刘刚，周一飞，张杰夫，徐杰，李怡瑶，
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。