[发明专利]一种多模型融合的电压互感器误差状态评估方法

说明书

本发明涉及一种多模型融合的电压互感器误差状态评估方法，包括：将CVT数据集分割成K份，根据K折交叉验证法将CVT数据集随机划分为K个数据子集；CVT数据集中的数据为表示CVT状态的各个参数；构建对CVT数据集进行分类的集成模型；集成模型包括多层基模型和一层元模型，基模型包括：决策树模型和朴素贝叶斯模型；基于数据子集，通过集成学习Stacking方式对集成模型进行训练，任意一层的基模型的输出数据依次用于建立其下一层基模型的数据集，最后一层基模型的输出数据用于建立元模型的数据集；基于训练后的集成模型对待测电压互感器误差状态进行评估；在CVT数据样本偏少和样本不平衡时等不理想情况下，依然可以对的CVT告警、异常状态的评估准确度。

技术领域

本发明涉及电压互感器状态评估领域，尤其涉及一种多模型融合的电压互感器误差状态评估方法。

背景技术

电压互感器作为电力系统中的关键设备，在保证二次设备和用电安全的前提下实现一次电压的准确测量，为电能计量、状态监控和继电保护等提供了可靠的依据。确保电压互感器处于稳定的运行状态，能够保证电力系统在计量和测量方面的准确性，且提高自动装置和继电保护动作的可靠度，有利于实现电力系统的安全、稳定和经济运行。

在电力系统的实际运行中，由于电网运行工况复杂多变以及电压互感器使用年限的增长，电压互感器的运行状态以及自身的精度将随之而变化。这为电力系统的安全、稳定和经济运行带来了隐患，为此需要对运行中电压互感器的计量误差状态进行有效评估，及时发现电压互感器的超差问题，为制定相应的维护以及检修策略提供可靠的依据；并对具有高超差风险的电压互感器进行风险预警，及时发现劣化趋势严重的电压互感器，保证电压互感器检修的及时性；同时可实现只对有需求的电压互感器进行必要的维护，避免以往对部分电压互感器的盲目检修维护，减小工作量，提高劳动效率。

现有技术还公开一种基于分类器进行电压互感器误差状态评估的方案，利用CVT状态数据训练基本分类器模型，经过多次迭代直到输出分类准确的强分类器模型。这种方案在训练数据不平衡时会导致精度下降，尤其在训练样本数据量偏小时，只能使用一种模型迭代，异常样本迭代中会获得较高权重，且无法通过多种弱模型的组合平衡异常样本，最终会影响强分类器的预测准确性。

发明内容

本发明针对现有技术中存在的技术问题，提供一种多模型融合的电压互感器误差状态评估方法，通过确定各状态评估指标在状态评估过程中的贡献率并加以融合，以解决各指标所带来的差异，最终实现在不依赖标准互感器和不停电运行下电压互感器误差状态的在线评估，实时监测互感器误差状态；为了提升停电检测后在线状态评估错误的CVT状态，将在线检测存在状态偏差的CVT状态数据做校正后重新作为输入项，采用Stacking的集成学习方式，对存在矫正的CVT数据重新训练模型，提升CVT告警、异常状态的评估准确度，CVT数据较少时，通过对数据做K折交叉验证处理，通过多种分类器模型作为基分类器通过K次交叉验证输出K个弱分类器验证集合并后拼接上样本真实label，带入第二层模型进行训练，输出一个Stacking融合多个模型的最终的模型，在CVT数据样本偏少和样本不平衡时等不理想情况下，依然可以对的CVT告警、异常状态的评估准确度。

根据本发明的第一方面，提供了一种多模型融合的电压互感器误差状态评估方法，包括：

步骤1，将CVT数据集分割成K份，根据K折交叉验证法将所述CVT数据集随机划分为K个数据子集；所述CVT数据集中的数据为表示CVT状态的各个参数；

步骤2，构建对所述CVT数据集进行分类的集成模型；所述集成模型包括多层基模型和一层元模型，所述基模型包括：决策树模型和朴素贝叶斯模型；所述基模型和所述元模型的输出均为表示电压互感器误差状态的状态类别；

步骤3，基于所述数据子集，通过集成学习Stacking方式对所述集成模型进行训练，任意一层的所述基模型的输出数据依次用于建立其下一层所述基模型的数据集，最后一层所述基模型的输出数据用于建立所述元模型的数据集；基于训练后的所述集成模型对待测电压互感器误差状态进行评估。