电容式电压互感器误差预测方法、装置、设备及介质

技术领域

本发明涉及电力计量在线监测技术领域，尤其涉及一种电容式电压互感器误差预测方法、装置、电子设备及存储介质。

背景技术

互感器作为电能计量装置的重要组成部分，其计量性能的准确可靠直接关系到经济效益和社会效益，对保证电网健康稳定运行具有重要作用。电容式电压互感器是由串联电容器分压，再经电磁式互感器降压和隔离，作为用来变换电压的仪器。电容式电压互感器还可以将载波频率耦合到输电线用于长途通信、选择性的线路高频保护、遥控等功能上。和常规的电磁式电压互感器相比，电容式电压互感器除了具有冲击绝缘强度高、制造简单、体积小、重量轻等优点外，在经济和安全上还有很多优越之处。

在电容式电压互感器的实际运行过程中，互感器误差受采集原理与恶劣环境等影响会在其工作寿命内出现测量偏差越限，因此不仅需要在电容式电压互感器计量误差超差时能够进行准确快速的诊断，进一步的，需要对电容式电压互感器计量误差的劣化趋势做出及时的预测，以便相关运行维护人员安排检修维护的工作，因为不能及时发现互感器状态劣化，将影响电网运行。

为避免二次信息系统信息源的不准确，并减少电能计量的损失和保证测控保护装置的正常运行，如何预测电容式电压互感器误差变化趋势，以提前预警电容式电压互感器出现的风险，是一个亟待解决的问题。

发明内容

有鉴于此，有必要提供一种电容式电压互感器误差预测方法、装置、电子设备及存储介质，用以实现电容式电压互感器计量误差的准确预测。

为了实现上述目的，第一方面，本发明提供一种电容式电压互感器误差预测方法，包括：

采集电容式电压互感器历史误差数据和历史环境参量数据，并将所述历史误差数据和历史环境参量数据的一维时序数据转换为二维灰度图像；

将所述二维灰度图像输入训练完备的混合模型中，其中，所述混合模型包括多尺度卷积神经网络、双向门控循环单元网络、注意力机制及全连接层；

利用所述多尺度卷积神经网络提取所述二维灰度图像中的第一图像特征；

将所述第一图像特征输入所述双向门控循环单元网络中，以学习所述第一图像特征中的时序信息，输出第二图像特征；

利用所述注意力机制提取所述第二图像特征的显著特征，并对所述显著特征赋予权重，输出第三图像特征；

将所述第三图像特征输入所述全连接层中，输出电容式电压互感器误差预测结果。

进一步的，所述误差数据包括将电容式电压互感器和标准电压互感器的二次输出电压相比较得到的数据；

所述环境参量数据包括温度数据和二次负载数据。

进一步的，所述将所述历史误差数据和历史环境参量数据的一维时序数据转换为二维灰度图像，包括：

设计二维灰度图像的尺寸，并基于二维灰度图像的尺寸选取一维序列数据的长度；

将选取的一维序列数据中每个元素按照顺序填充为二维灰度图像的像素点；

对所述像素点进行归一化处理，得到目标二维灰度图像。

进一步的，在利用所述多尺度卷积神经网络提取所述二维灰度图像中的第一图像特征前，所述方法还包括：

通过海鸥优化算法优化多尺度卷积神经网络中的卷积核数目和尺寸参数。

进一步的，所述多尺度卷积神经网络包括多尺度卷积层和池化层；

所述利用所述多尺度卷积神经网络提取所述二维灰度图像中的第一图像特征，包括：

将所述二维灰度图像输入多尺度卷积层中，利用多尺度卷积层中并行的多个不同尺度卷积核对所述二维灰度图像进行不同尺度的卷积，以确定所述二维灰度图像中多种因素间复杂的非线性关系；

在池化层中对多尺度卷积层的输出数据进行子采样，以确定第一图像特征的空间维度。

进一步的，所述双向门控循环单元包括前向门控循环单元和后向门控循环单元；

所述将所述第一图像特征输入所述双向门控循环单元网络中，以学习所述第一图像特征中的时序信息，输出第二图像特征，包括：

将所述第一图像特征输入前向门控循环单元，以正向传递上一状态信息；

将所述第一图像特征输入后向门控循环单元，以使后一时刻的状态信息逆向反馈至当前状态；

输出受到前后两个传输方向数据影响的第二图像特征。

进一步的，所述注意力机制包括通道注意力机制和空间注意力机制；

所述利用所述注意力机制提取所述第二图像特征的显著特征，并对所述显著特征赋予权重，输出第三图像特征，包括：

利用所述通道注意力机制对所述第二图像特征进行全局平均池化，输出通道信息，并对所述通道信息进行卷积操作，输出通道特征权重矩阵；

将所述通道特征权重矩阵与所述第二图像特征相乘，输出通道特征；

利用所述空间注意力机制对所述通道特征进行最大池化和平均池化，输出第一特征图和第二特征图，并将所述第一特征图和所述第二特征图进行拼接，输出空间信息；

对所述空间信息进行卷积操作，输出空间特征权重矩阵，并将所述空间特征权重矩阵与所述通道特征相乘，输出第三图像特征。

第二方面，本发明还提供一种电容式电压互感器误差预测装置，包括：

数据转换模块，用于采集电容式电压互感器历史误差数据和历史环境参量数据，并将所述历史误差数据和历史环境参量数据的一维时序数据转换为二维灰度图像；

图像输入模块，用于将所述二维灰度图像输入训练完备的混合模型中，其中，所述混合模型包括多尺度卷积神经网络、双向门控循环单元网络、注意力机制模块及全连接层；

特征提取模块，用于利用所述多尺度卷积神经网络捕捉所述二维灰度图像中多种因素间复杂的非线性关系，并提取所述二维灰度图像中的第一图像特征；

特征学习模块，用于将所述第一图像特征输入所述双向门控循环单元网络中，以学习所述第一图像特征中的时序信息，输出第二图像特征；

特征权重模块，用于利用所述注意力机制提取所述第二图像特征的显著特征，并对所述显著特征赋予权重，输出第三图像特征；

预测结果输出模块，用于将所述第三图像特征输入所述全连接层中，输出电容式电压互感器误差预测结果。

第三方面，本发明还提供一种电子设备，包括存储器、处理器以及存储在存储器中并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述电容式电压互感器误差预测方法中的步骤。

第四方面，本发明还提供一种计算机存储介质，计算机可读存储介质存储有计算机程序，计算机程序被处理器执行时实现如上述电容式电压互感器误差预测方法中的步骤。

采用上述实施例的有益效果是：

本发明通过将CVT历史误差、历史温度、历史二次负载数据转换为二维灰度图像，便于在混合模型上进行处理；选取CNN-BiGRU-Attention网络模型对CVT误差进行预测，利用卷积神经网络具有局部区域连接、权值共享及空间采样特点，通过多尺度卷积神经网络充分捕捉输入数据中多种因素间复杂的非线性关系；再通过双向门控循环单元网络进一步学习特征中的时序信息；最后采用通道注意力机制和空间注意力机制对特征的关键区域赋予权重，增强关键特征的表达能力；提高了CVT误差预测的准确度。

附图说明

图1为本发明提供的电容式电压互感器误差预测方法的一实施例的流程示意图；

图2为本发明一实施例提供的一种双向门控循环单元的结构示意图；

图3为本发明一实施例中提供的一种门控循环单元的结构示意图；

图4为本发明一实施例提供的一种注意力机制模块的结构示意图；

图5为本发明提供的电容式电压互感器误差预测装置的一实施例的结构示意图；

图6为本发明一实施例提供的一种电子设备的结构示意图；

具体实施方式

下面结合附图来具体描述本发明的优选实施例，其中，附图构成本申请一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。

在本发明的描述中，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。此外，“多个”的含义是两个或两个以上，除非另有明确具体的限定。在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。

本发明提供了一种电容式电压互感器误差预测方法，通过采集电容式电压互感器历史误差数据和历史环境参量数据，并将其从一维时序数据转换为二维图像；先使用多尺度卷积神经网络进行充分的特征提取，并通过海鸥算法对多尺度卷积神经网络中的卷积核大小和数目进行自适应确定；再采用双向门控循环单元网络学习特征中的时序信息，最后通过注意力机制对提取特征的关键区域赋予权重，以增强关键特征的表达能力，并通过全连接层得到误差预测结果。

以下分别对具体实施例进行详细说明：

请参阅图1，图1为本发明提供的电容式电压互感器误差预测方法的一实施例的流程示意图，本发明的一个具体实施例，公开了一种电容式电压互感器误差预测方法，包括：

步骤S101：采集电容式电压互感器历史误差数据和历史环境参量数据，并将所述历史误差数据和历史环境参量数据的一维时序数据转换为二维灰度图像；

步骤S102：将所述二维灰度图像输入训练完备的混合模型中，其中，所述混合模型包括多尺度卷积神经网络、双向门控循环单元网络、注意力机制及全连接层；

步骤S103：利用所述多尺度卷积神经网络提取所述二维灰度图像中的第一图像特征；

步骤S104：将所述第一图像特征输入所述双向门控循环单元网络中，以学习所述第一图像特征中的时序信息，输出第二图像特征；

步骤S105：利用所述注意力机制提取所述第二图像特征的显著特征，并对所述显著特征赋予权重，输出第三图像特征；

步骤S106：将所述第三图像特征输入所述全连接层中，输出电容式电压互感器误差预测结果。

本发明通过将CVT历史误差、历史温度、历史二次负载数据转换为二维灰度图像，便于在混合模型上进行处理；选取CNN-BiGRU-Attention混合模型对CVT误差进行预测，利用卷积神经网络具有局部区域连接、权值共享及空间采样特点，通过多尺度卷积神经网络充分捕捉输入数据中多种因素间复杂的非线性关系；再通过双向门控循环单元网络进一步学习特征中的时序信息；最后采用通道注意力机制和空间注意力机制对特征的关键区域赋予权重，增强关键特征的表达能力；提高了CVT误差预测的准确度。

在本发明的一个实施例中，所述误差数据包括将电容式电压互感器和标准电压互感器的二次输出电压相比较得到的数据；

所述环境参量数据包括温度数据和二次负载数据。

可以理解的是，CVT计量误差在线检测结果通过将CVT和标准电压互感器的二次输出电压相比较得到，并且根据电网领域的先验知识，温度、湿度、表面污秽、电场、二次负载等参量对CVT计量误差有扰动作用，温度和二次负载对计量误差有较大的影响，因此环境参量数据选取温度和二次负载这两个较大的影响因素与CVT计量误差构成数据集。

具体的，可以采集n组CVT设备的历史计量误差、历史温度、历史二次负载数据，令历史计量误差、历史温度、历史二次负载构建大小为3×n的特征矩阵X，X可表示为：

其中，x

在本发明的一个实施例中，所述将所述历史误差数据和历史环境参量数据的一维时序数据转换为二维灰度图像，包括：

设计二维灰度图像的尺寸，并基于二维灰度图像的尺寸选取一维序列数据的长度；

将选取的一维序列数据中每个元素按照顺序填充为二维灰度图像的像素点；

对所述像素点进行归一化处理，得到目标二维灰度图像。

以历史计量误差数据为例，假设所需构造的历史计量误差灰度图像尺寸为m×m，即有m行m列个像素点。从x

其中，P(i,j)表示归一化后的像素值，round(·)为舍入函数，i＝1,2,…,m，j＝1,2,…,m，k＝1,2,…,m

在本发明的一个实施例中，在利用所述多尺度卷积神经网络提取所述二维灰度图像中的第一图像特征前，所述方法还包括：

通过海鸥优化算法优化多尺度卷积神经网络中的卷积核数目和尺寸参数。

可以理解的是，多尺度卷积神经网络由两层卷积-池化层组成，其中每层的卷积核数目和大小分别为M、N×N。由于卷积核数目和尺寸参数的设置会影响整个模型的预测精确度，因此使用海鸥算法对卷积核数目M、卷积核尺寸N进行优化，来确定M和N的最优值。

具体的：

1)初始化参数A、B和最大迭代次数MAX

2)输入初始化搜索海鸥位置P

3)计算所有海鸥的适应度值，输入全局最优位置P

4)全局搜索；

计算当前搜索海鸥不与其他海鸥碰撞的新位置C

其中，P

计算最佳位置所在的方向M

其中，P

根据最佳位置所在的方向移动到新位置D

5)攻击猎物，局部搜索；

海鸥攻击猎物，在空中进行螺旋运动，在三维空间中表示为：

u＝rcosθ

v＝rsinθ

w＝rθ

r＝βe

其中，r为螺旋半径；θ为[0,2π]范围内的随机值；β、ω为定义螺旋线形状的常数；e为自然对数的底。

计算攻击猎物后的新位置P

6)判断当前是否达到最大迭代次数，如果达到执行7)，否则返回3)；

7)输出最佳海鸥的位置与适应度值。

可以理解的是，多尺度卷积神经网络通过海鸥算法确定参数M、N的最优值，然后将二维灰度图像P

在本发明的一个实施例中，所述多尺度卷积神经网络包括多尺度卷积层和池化层；

所述利用所述多尺度卷积神经网络提取所述二维灰度图像中的第一图像特征，包括：

将所述二维灰度图像输入多尺度卷积层中，利用多尺度卷积层中并行的多个不同尺度卷积核对所述二维灰度图像进行不同尺度的卷积，以确定所述二维灰度图像中多种因素间复杂的非线性关系；

在池化层中对多尺度卷积层的输出数据进行子采样，以确定第一图像特征的空间维度。

可以理解的是，多尺度卷积神经网络包含多尺度卷积层、池化层等基本结构。首先使用卷积层进行特征提取，多尺度卷积层中采用并行多个不同尺度卷积核对输入信号进行不同尺度的卷积，使得输入数据中多种复杂非线性因素得到充分表达，其卷积定义为

卷积层之后为池化层，池化层对输入数据进行子采样，减少输入数据的空间维度，池化运算公式为：

在本发明的一个实施例中，所述双向门控循环单元包括前向门控循环单元和后向门控循环单元；

所述将所述第一图像特征输入所述双向门控循环单元网络中，以学习所述第一图像特征中的时序信息，输出第二图像特征，包括：

将所述第一图像特征输入前向门控循环单元，以正向传递上一状态信息；

将所述第一图像特征输入后向门控循环单元，以使后一时刻的状态信息逆向反馈至当前状态；

输出受到前后两个传输方向数据影响的第二图像特征。

可以理解的是，双向门控循环单元是门控循环单元的一种扩展改进，由两个单向门控循环单元上下叠加在一起组成。前向门控循环单元负责正向传递上一状态的信息，后向门控循环单元则将后一时刻的信息逆向反馈至当前状态。因此，当前状态的输出受到前后两个传输方向数据的共同影响，增强模型对目标上下文环境的感知力，为模型的正向训练过程加入反向信息以及时调整训练结果，提高模型对于时序信息预测的准确性。

请参阅图2，图2为本发明一实施例提供的一种双向门控循环单元的结构示意图。

通过将第一图像特征F

需要说明的是，请参阅图3，图3为本发明一实施例中提供的一种门控循环单元的结构示意图。其中，x

门控公式如下：r

在得到门控信息后，首先将上一节点的信息h

然后进行更新操作，遗忘h

最终得到当前节点的输出y

在本发明的一个实施例中，所述注意力机制包括通道注意力机制和空间注意力机制；

所述利用所述注意力机制提取所述第二图像特征的显著特征，并对所述显著特征赋予权重，输出第三图像特征，包括：

利用所述通道注意力机制对所述第二图像特征进行全局平均池化，输出通道信息，并对所述通道信息进行卷积操作，输出通道特征权重矩阵；

将所述通道特征权重矩阵与所述第二图像特征相乘，输出通道特征；

利用所述空间注意力机制对所述通道特征进行最大池化和平均池化，输出第一特征图和第二特征图，并将所述第一特征图和所述第二特征图进行拼接，输出空间信息；

对所述空间信息进行卷积操作，输出空间特征权重矩阵，并将所述空间特征权重矩阵与所述通道特征相乘，输出第三图像特征。

可以理解的是，注意力机制具体包括通道注意力机制和空间注意力机制，请参阅图4，图4为本发明一实施例提供的一种注意力机制模块的结构示意图。其中，通道注意力机制提取通道显著特征纹理，减少图像复杂背景对分类方法训练的影响。空间注意力机制在空间的尺度上进一步筛选显著特征。

举例而言，第二图像特征F

将通道特征Fc通过最大池化和平均池化，得到第一特征图Fs

将通道特征Fc与经过空间注意力得到的空间特征权重矩阵Ms相乘，得到最终的输出特征，即第三图像特征：

为了更好实施本发明实施例中的电容式电压互感器误差预测方法，在电容式电压互感器误差预测方法基础之上，对应的，请参阅图5，图5为本发明提供的电容式电压互感器误差预测装置的一实施例的结构示意图，本发明实施例提供了一种电容式电压互感器误差预测装置500，包括：

数据转换模块501，用于采集电容式电压互感器历史误差数据和历史环境参量数据，并将所述历史误差数据和历史环境参量数据的一维时序数据转换为二维灰度图像；

图像输入模块502，用于将所述二维灰度图像输入训练完备的混合模型中，其中，所述混合模型包括多尺度卷积神经网络、双向门控循环单元网络、注意力机制模块及全连接层；

特征提取模块503，用于利用所述多尺度卷积神经网络捕捉所述二维灰度图像中多种因素间复杂的非线性关系，并提取所述二维灰度图像中的第一图像特征；

特征学习模块504，用于将所述第一图像特征输入所述双向门控循环单元网络中，以学习所述第一图像特征中的时序信息，输出第二图像特征；

特征权重模块505，用于利用所述注意力机制提取所述第二图像特征的显著特征，并对所述显著特征赋予权重，输出第三图像特征；

预测结果输出模块506，用于将所述第三图像特征输入所述全连接层中，输出电容式电压互感器误差预测结果。

这里需要说明的是：上述实施例提供的装置500可实现上述各方法实施例中描述的技术方案，上述各模块或单元具体实现的原理可参见上述方法实施例中的相应内容，此处不再赘述。

基于上述电容式电压互感器误差预测方法，本发明实施例还相应的提供一种电子设备，包括：处理器和存储器以及存储在存储器中并可在处理器上执行的计算机程序；处理器执行计算机程序时实现如上述各实施例的电容式电压互感器误差预测方法中的步骤。

图6中示出了适于用来实现本发明实施例的电子设备600的结构示意图。本发明实施例中的电子设备可以包括但不限于诸如移动电话、笔记本电脑、数字广播接收器、PDA(个人数字助理)、PAD(平板电脑)、PMP(便携式多媒体播放器)、车载终端(例如车载导航终端)等等的移动终端以及诸如数字TV、台式计算机等等的固定终端。图6示出的电子设备仅仅是一个示例，不应对本发明实施例的功能和适用范围带来任何限制。

电子设备包括：存储器以及处理器，其中，这里的处理器可以称为下文的处理装置601，存储器可以包括下文中的只读存储器(ROM)602、随机访问存储器(RAM)603以及存储装置608中的至少一项，具体如下所示：

如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。

通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。

特别地，根据本发明的实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本发明的实施例包括一种计算机程序产品，其包括承载在非暂态计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM602被安装。在该计算机程序被处理装置601执行时，执行本发明实施例的方法中限定的上述功能。

基于上述电容式电压互感器误差预测方法，本发明实施例还相应的提供一种计算机可读存储介质，该计算机可读存储介质存储有一个或者多个程序，一个或者多个程序可被一个或者多个处理器执行，以实现如上述各实施例的电容式电压互感器误差预测方法中的步骤。

本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。