本公開涉及互感器在線監(jiān)測，具體而言，涉及一種寬頻互感器誤差預測方法、裝置、設(shè)備及介質(zhì)。

背景技術(shù)：

1、隨著智能電網(wǎng)的發(fā)展，互感器在智能變電站中的應用日益廣泛，成為支撐電網(wǎng)數(shù)字化建設(shè)的重要設(shè)備之一，它們?yōu)橛嬃颗c保護設(shè)備提供高精度的測量數(shù)據(jù)。新能源的快速發(fā)展使電力系統(tǒng)面臨更復雜的電力信號，尤其是在并網(wǎng)過程中，新能源的波動性和不穩(wěn)定性加劇了電網(wǎng)信號的復雜性，導致頻率和諧波含量波動。傳統(tǒng)電磁式互感器因其有限的頻率響應和動態(tài)范圍，已無法滿足這些新的需求。因此，寬頻互感器應運而生，成為智能電網(wǎng)及新能源電網(wǎng)建設(shè)的必然方向。為了適應新能源接入，互感器需要具備寬頻帶、寬動態(tài)范圍的測量能力，同時保證長期運行的穩(wěn)定性。

2、在相關(guān)技術(shù)中，互感器的誤差分析和性能檢測主要依賴定期的離線校驗和長期的在線監(jiān)測。盡管這些方法能夠檢測誤差，但仍存在局限性：離線校驗需要使用標準互感器，且周期較長、設(shè)備復雜，導致高成本和低效工作流程。在線監(jiān)測雖然能實時監(jiān)測運行狀態(tài)，但由于缺乏高精度設(shè)備和標準源，仍難以滿足寬頻互感器要求。此外，現(xiàn)有的寬頻電流互感器校準系統(tǒng)主要依賴標準源校準，但標準源易受溫度、磁場和振動等環(huán)境因素干擾，影響測量準確性，并且只能進行離線操作，無法實現(xiàn)實時或高效的現(xiàn)場校準。

技術(shù)實現(xiàn)思路

1、本公開實施例至少提供一種寬頻互感器誤差預測方法、裝置、設(shè)備及介質(zhì)，通過分析互感器的影響參量和誤差參量，預測誤差參量的變化趨勢，實現(xiàn)了對互感器誤差狀態(tài)的實時監(jiān)測。

2、本公開實施例提供了一種寬頻互感器誤差預測方法，包括：

3、獲取寬頻互感器的歷史影響參量數(shù)據(jù)集；其中，所述歷史影響參量數(shù)據(jù)集包括不同時刻的歷史參量數(shù)據(jù)子集，每個所述歷史參量數(shù)據(jù)子集包括相應時刻的互感器誤差以及與多個影響參量分別對應的數(shù)據(jù)；

4、基于極端隨機樹算法和所述歷史影響參量數(shù)據(jù)集對多個影響參量進行篩選，得到目標影響參量；并基于所述目標影響參量和所述歷史影響參量數(shù)據(jù)集確定目標影響參量數(shù)據(jù)集；其中，所述目標影響參量數(shù)據(jù)集包括不同時刻的目標參量數(shù)據(jù)子集，每個所述目標參量數(shù)據(jù)子集包括相應時刻的互感器誤差以及與多個目標影響參量分別對應的數(shù)據(jù)；

5、構(gòu)建誤差預測模型；并基于所述目標影響參量數(shù)據(jù)集對所述誤差預測模型進行訓練，得到訓練好的誤差預測模型；

6、獲取所述寬頻互感器的實時影響參量數(shù)據(jù)集；并基于所述實時影響參量數(shù)據(jù)集和所述訓練好的誤差預測模型確定所述寬頻互感器的誤差預測數(shù)值；其中，所述實時影響參量數(shù)據(jù)集包括與多個目標影響參量對應的實時數(shù)據(jù)。

7、在一些可能的實施例中，所述基于極端隨機樹算法和所述歷史影響參量數(shù)據(jù)集對多個影響參量進行篩選，包括：

8、基于極端隨機樹算法隨機選擇多個影響參量以及分割閾值構(gòu)建決策樹的節(jié)點，以生成多棵具有不同結(jié)構(gòu)和預測能力的決策樹；并基于所述歷史影響參量數(shù)據(jù)集分別對各棵決策樹進行訓練；

9、基于權(quán)重計算公式和每棵決策樹的訓練結(jié)果，分別確定每棵決策樹的權(quán)重；以及，基于誤差率計算公式和所述每棵決策樹的訓練結(jié)果，分別確定每棵決策樹中各影響參量對互感器誤差預測的誤差率；

10、基于所述每棵決策樹的權(quán)重、所述每棵決策樹中各影響參量對互感器誤差預測的誤差率以及重要性得分公式，分別計算各個影響參量的重要性得分；

11、基于預設(shè)篩選條件和各個影響參量的重要性得分確定目標影響參量。

12、在一些可能的實施例中，所述權(quán)重計算公式包括：

13、；

14、其中，表示為第j棵決策樹的權(quán)重；表示為第j棵決策樹的準確率；m表示為決策樹總數(shù)；表示為第k棵決策樹的準確率；

15、所述誤差率計算公式包括：

16、；

17、其中，表示為第j棵決策樹第i個影響參量對應的誤差率；表示為決策樹的預測結(jié)果；表示為真實標簽；表示為指示函數(shù)，當時取1，否則取0；表示為第j棵決策樹中，使用第i個影響參量分裂得到的數(shù)據(jù)子集；

18、所述重要性得分公式包括：

19、；

20、其中，表示為第i個影響參量的重要性得分；n表示為第i個影響參量對應的數(shù)據(jù)總量。

21、在一些可能的實施例中，所述基于所述目標影響參量數(shù)據(jù)集對所述誤差預測模型進行訓練，包括：

22、獲取待訓練的誤差預測模型；其中，所述待訓練的誤差預測模型包括cnn模塊、bilstm模塊、am模塊以及誤差預測模塊；

23、基于所述目標影響參量數(shù)據(jù)集構(gòu)建模型訓練集；其中，所述模型訓練集包括訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和樣本數(shù)據(jù)集；

24、基于所述訓練數(shù)據(jù)集、所述驗證數(shù)據(jù)集以及蜣螂優(yōu)化算法對所述待訓練的誤差預測模型進行第一訓練，得到所述待訓練的誤差預測模型的最優(yōu)超參數(shù)；

25、根據(jù)所述最優(yōu)超參數(shù)對所述待訓練的誤差預測模型進行參數(shù)配置，得到目標待訓練的誤差預測模型；并基于所述訓練數(shù)據(jù)集和所述樣本數(shù)據(jù)集對所述目標待訓練的誤差預測模型進行第二訓練，得到所述訓練好的誤差預測模型。

26、在一些可能的實施例中，所述基于所述訓練數(shù)據(jù)集、所述驗證數(shù)據(jù)集以及蜣螂優(yōu)化算法對所述待訓練的誤差預測模型進行第一訓練，包括：

27、步驟1：設(shè)置模型迭代次數(shù)和多個蜣螂，并為每個蜣螂隨機生成一組超參數(shù)；

28、步驟2：基于所述每個蜣螂對應的超參數(shù)對所述待訓練的誤差預測模型進行配置，得到與每個蜣螂對應的待訓練誤差預測模型；

29、步驟3：針對所述與每個蜣螂對應的待訓練誤差預測模型，基于所述訓練數(shù)據(jù)集對所述待訓練誤差預測模型進行訓練，并基于所述驗證數(shù)據(jù)集對訓練好的誤差預測模型進行驗證，計算與所述蜣螂對應的預測誤差；

30、步驟4：基于適應度函數(shù)和與所述蜣螂對應的預測誤差分別計算每個蜣螂的適應度數(shù)值；并基于所述每個蜣螂的適應度數(shù)值和所述蜣螂優(yōu)化算法的更新規(guī)則對各個蜣螂對應的超參數(shù)進行調(diào)整；

31、步驟5：返回上述步驟2，直至訓練結(jié)果符合預設(shè)要求和/或訓練次數(shù)達到迭代次數(shù)，得到所述誤差預測模型的最優(yōu)超參數(shù)。

32、在一些可能的實施例中，所述適應度函數(shù)表示為：

33、；

34、其中，表示為第i個蜣螂的適應度數(shù)值；表示為第i個蜣螂對應的誤差預測模型在驗證集上的預測誤差；

35、所述更新規(guī)則表示為：

36、；

37、其中，表示為第i個蜣螂在下一次迭代的更新位置；表示為第i個蜣螂第t次迭代中的位置；表示所有蜣螂中適應度最好的個體位置；表示為隨機位置；和表示為步長系數(shù)，控制蜣螂的移動幅度。

38、在一些可能的實施例中，所述基于所述訓練數(shù)據(jù)集和所述樣本數(shù)據(jù)集對所述目標待訓練的誤差預測模型進行第二訓練，包括：

39、步驟a：基于所述cnn模塊分別對所述訓練數(shù)據(jù)集中各訓練數(shù)據(jù)進行局部特征提取，得到與各個訓練數(shù)據(jù)分別對應的局部特征向量；基于所述bilstm模塊捕捉所述與各個訓練數(shù)據(jù)對應的局部特征向量之間的時序依賴性，得到與每個訓練數(shù)據(jù)對應的時序特征向量；以及，針對每個訓練數(shù)據(jù)，基于所述am模塊對所述訓練數(shù)據(jù)對應的所述局部特征向量和所述時序特征向量進行注意力加權(quán)處理，得到與所述訓練數(shù)據(jù)對應的融合特征向量；以及，基于所述誤差預測模塊和所述融合特征向量確定與所述訓練數(shù)據(jù)對應的預測互感器誤差；

40、步驟b：基于預設(shè)損失函數(shù)確定與所述訓練數(shù)據(jù)對應的預測互感器誤差和所述樣本數(shù)據(jù)集中與所述訓練數(shù)據(jù)對應的互感器誤差之間的損失值，并基于所述損失值調(diào)整所述目標待訓練的誤差預測模型的模型參數(shù)；

41、重復上述步驟a~步驟b，直至訓練結(jié)果符合預設(shè)要求，得到所述訓練好的誤差預測模型。

42、本公開實施例提供了一種寬頻互感器誤差預測裝置，包括：

43、數(shù)據(jù)獲取模塊，用于獲取寬頻互感器的歷史影響參量數(shù)據(jù)集；其中，所述歷史影響參量數(shù)據(jù)集包括不同時刻的歷史參量數(shù)據(jù)子集，每個所述歷史參量數(shù)據(jù)子集包括相應時刻的互感器誤差以及與多個影響參量分別對應的數(shù)據(jù)；

44、參量篩選模塊，用于基于極端隨機樹算法和所述歷史影響參量數(shù)據(jù)集對多個影響參量進行篩選，得到目標影響參量；并基于所述目標影響參量和所述歷史影響參量數(shù)據(jù)集確定目標影響參量數(shù)據(jù)集；其中，所述目標影響參量數(shù)據(jù)集包括不同時刻的目標參量數(shù)據(jù)子集，每個所述目標參量數(shù)據(jù)子集包括相應時刻的互感器誤差以及與多個目標影響參量分別對應的數(shù)據(jù)；

45、模型訓練模塊，用于構(gòu)建誤差預測模型；并基于所述目標影響參量數(shù)據(jù)集對所述誤差預測模型進行訓練，得到訓練好的誤差預測模型；

46、誤差預測模塊，用于獲取所述寬頻互感器的實時影響參量數(shù)據(jù)集；并基于所述實時影響參量數(shù)據(jù)集和所述訓練好的誤差預測模型確定所述寬頻互感器的誤差預測數(shù)值；其中，所述實時影響參量數(shù)據(jù)集包括與多個目標影響參量對應的實時數(shù)據(jù)。

47、在一些可能的實施例中，所述參量篩選模塊具體用于：

48、基于極端隨機樹算法隨機選擇多個影響參量以及分割閾值構(gòu)建決策樹的節(jié)點，以生成多棵具有不同結(jié)構(gòu)和預測能力的決策樹；并基于所述歷史影響參量數(shù)據(jù)集分別對各棵決策樹進行訓練；

49、基于權(quán)重計算公式和每棵決策樹的訓練結(jié)果，分別確定每棵決策樹的權(quán)重；以及，基于誤差率計算公式和所述每棵決策樹的訓練結(jié)果，分別確定每棵決策樹中各影響參量對互感器誤差預測的誤差率；

50、基于所述每棵決策樹的權(quán)重、所述每棵決策樹中各影響參量對互感器誤差預測的誤差率以及重要性得分公式，分別計算各個影響參量的重要性得分；

51、基于預設(shè)篩選條件和各個影響參量的重要性得分確定目標影響參量。

52、在一些可能的實施例中，所述權(quán)重計算公式包括：

53、；

54、其中，表示為第j棵決策樹的權(quán)重；表示為第j棵決策樹的準確率；m表示為決策樹總數(shù)；表示為第k棵決策樹的準確率；

55、所述誤差率計算公式包括：

56、；

57、其中，表示為第j棵決策樹第i個影響參量對應的誤差率；表示為決策樹的預測結(jié)果；表示為真實標簽；表示為指示函數(shù)，當時取1，否則取0；表示為第j棵決策樹中，使用第i個影響參量分裂得到的數(shù)據(jù)子集；

58、所述重要性得分公式包括：

59、；

60、其中，表示為第i個影響參量的重要性得分；n表示為第i個影響參量對應的數(shù)據(jù)總量。

61、在一些可能的實施例中，所述模型訓練模塊具體用于：

62、獲取待訓練的誤差預測模型；其中，所述待訓練的誤差預測模型包括cnn模塊、bilstm模塊、am模塊以及誤差預測模塊；

63、基于所述目標影響參量數(shù)據(jù)集構(gòu)建模型訓練集；其中，所述模型訓練集包括訓練數(shù)據(jù)集、驗證數(shù)據(jù)集和樣本數(shù)據(jù)集；

64、基于所述訓練數(shù)據(jù)集、所述驗證數(shù)據(jù)集以及蜣螂優(yōu)化算法對所述待訓練的誤差預測模型進行第一訓練，得到所述待訓練的誤差預測模型的最優(yōu)超參數(shù)；

65、根據(jù)所述最優(yōu)超參數(shù)對所述待訓練的誤差預測模型進行參數(shù)配置，得到目標待訓練的誤差預測模型；并基于所述訓練數(shù)據(jù)集和所述樣本數(shù)據(jù)集對所述目標待訓練的誤差預測模型進行第二訓練，得到所述訓練好的誤差預測模型。

66、在一些可能的實施例中，所述模型訓練模塊具體用于：

67、步驟1：設(shè)置模型迭代次數(shù)和多個蜣螂，并為每個蜣螂隨機生成一組超參數(shù)；

68、步驟2：基于所述每個蜣螂對應的超參數(shù)對所述待訓練的誤差預測模型進行配置，得到與每個蜣螂對應的待訓練誤差預測模型；

69、步驟3：針對所述與每個蜣螂對應的待訓練誤差預測模型，基于所述訓練數(shù)據(jù)集對所述待訓練誤差預測模型進行訓練，并基于所述驗證數(shù)據(jù)集對訓練好的誤差預測模型進行驗證，計算與所述蜣螂對應的預測誤差；

70、步驟4：基于適應度函數(shù)和與所述蜣螂對應的預測誤差分別計算每個蜣螂的適應度數(shù)值；并基于所述每個蜣螂的適應度數(shù)值和所述蜣螂優(yōu)化算法的更新規(guī)則對各個蜣螂對應的超參數(shù)進行調(diào)整；

71、步驟5：返回上述步驟2，直至訓練結(jié)果符合預設(shè)要求和/或訓練次數(shù)達到迭代次數(shù)，得到所述誤差預測模型的最優(yōu)超參數(shù)。

72、在一些可能的實施例中，所述適應度函數(shù)表示為：

73、；

74、其中，表示為第i個蜣螂的適應度數(shù)值；表示為第i個蜣螂對應的誤差預測模型在驗證集上的預測誤差；

75、所述更新規(guī)則表示為：

76、；

77、其中，表示為第i個蜣螂在下一次迭代的更新位置；表示為第i個蜣螂第t次迭代中的位置；表示所有蜣螂中適應度最好的個體位置；表示為隨機位置；和表示為步長系數(shù)，控制蜣螂的移動幅度。

78、在一些可能的實施例中，所述模型訓練模塊具體用于執(zhí)行：

79、步驟a：基于所述cnn模塊分別對所述訓練數(shù)據(jù)集中各訓練數(shù)據(jù)進行局部特征提取，得到與各個訓練數(shù)據(jù)分別對應的局部特征向量；基于所述bilstm模塊捕捉所述與各個訓練數(shù)據(jù)對應的局部特征向量之間的時序依賴性，得到與每個訓練數(shù)據(jù)對應的時序特征向量；以及，針對每個訓練數(shù)據(jù)，基于所述am模塊對所述訓練數(shù)據(jù)對應的所述局部特征向量和所述時序特征向量進行注意力加權(quán)處理，得到與所述訓練數(shù)據(jù)對應的融合特征向量；以及，基于所述誤差預測模塊和所述融合特征向量確定與所述訓練數(shù)據(jù)對應的預測互感器誤差；

80、步驟b：基于預設(shè)損失函數(shù)確定與所述訓練數(shù)據(jù)對應的預測互感器誤差和所述樣本數(shù)據(jù)集中與所述訓練數(shù)據(jù)對應的互感器誤差之間的損失值，并基于所述損失值調(diào)整所述目標待訓練的誤差預測模型的模型參數(shù)；

81、重復上述步驟a~步驟b，直至訓練結(jié)果符合預設(shè)要求，得到所述訓練好的誤差預測模型。

82、本公開實施例提供了一種計算機設(shè)備，包括：處理器、存儲器和總線，所述存儲器存儲有所述處理器可執(zhí)行的機器可讀指令，當計算機設(shè)備運行時，所述處理器與所述存儲器之間通過總線通信，所述機器可讀指令被所述處理器執(zhí)行時執(zhí)行如上述任一可能的實施方式中所述的寬頻互感器誤差預測方法。

83、本公開實施例提供了一種計算機可讀存儲介質(zhì)，該計算機可讀存儲介質(zhì)上存儲有計算機程序，該計算機程序被處理器運行時實現(xiàn)如上述任一可能的實施方式中所述的寬頻互感器誤差預測方法。

84、本公開實施例中所提供的寬頻互感器誤差預測方法、裝置、設(shè)備及介質(zhì)，首先，獲取寬頻互感器的歷史影響參量數(shù)據(jù)集；接下來，基于極端隨機樹算法和所述歷史影響參量數(shù)據(jù)集，對多個影響參量進行篩選，從而確定出對互感器誤差影響較為顯著的目標影響參量；在此基礎(chǔ)上，根據(jù)這些目標影響參量和原始的歷史影響參量數(shù)據(jù)集，進一步提煉出目標影響參量數(shù)據(jù)集；然后，構(gòu)建用于誤差預測的模型，并利用提煉出的目標影響參量數(shù)據(jù)集對這個模型進行訓練，最終得到訓練好的誤差預測模型；最后通過獲取寬頻互感器的實時影響參量數(shù)據(jù)集，并基于實時影響參量數(shù)據(jù)集和已經(jīng)訓練好的誤差預測模型，確定出寬頻互感器的誤差預測數(shù)值。

85、這樣，本公開通過采用極端隨機樹算法對影響參量進行篩選和提煉，能夠識別出對寬頻互感器誤差影響較大的關(guān)鍵因素，從而有效降低誤差預測模型的復雜性，提高了模型的訓練效率和預測準確度；同時，本公開通過使用誤差預測模型實時監(jiān)測和分析互感器的影響參量數(shù)據(jù)，能夠?qū)崿F(xiàn)對互感器誤差的動態(tài)預測，顯著提升了電力系統(tǒng)的穩(wěn)定性和可靠性。如此，本公開可以有效減少由于誤差預測不準確導致的電力系統(tǒng)故障，優(yōu)化電力調(diào)度，提高設(shè)備的運行效率，為智能電網(wǎng)的高效運維提供有力支持。

86、為使本公開的上述目的、特征和優(yōu)點能更明顯易懂，下文特舉較佳實施例，并配合所附附圖，作詳細說明如下。