[发明专利]基于机器学习和SVM算法的电子式电压互感器误差状态预测方法

说明书

基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，采集电子式电压互感器误差表征量和影响因素，构建数据模型；采用机器学习算法对SVM模型的惩罚系数C和核参数g进行超参数寻优；根据最优超参数对误差表征量进行建模预测，计算实际误差表征量与预测误差表征量的差值，以平均绝对误差和均方根误差作为预测评估，并用两段数据段进行预测。结果均表明，采用机器学习算法作参数寻优的SVM的误差预测精度高，效果更好，预测结果更接近于实际预测值。本发明方法能够在不停电的状态下，有效预测电子式互感器误差状态曲线走势，为在线监测电子式互感器误差状态提供可参考依据。

技术领域

本发明涉及电子式互感器在线监测技术领域，具体涉及一种基于机器学习和SVM算法的电子式电压互感器误差状态预测方法

背景技术

互感器是智能变电站中用于采集高压母线上高压信号的中间设备，其经济性和安全性对于人们的生活有着不可或缺的影响，从作用上来看，互感器可实现智慧变电站的一次高压和二次低压的有效分割。同时，从功能上来看，互感器可测量、监测和保护设备。综合考虑互感器在电力系统中的地位可知，互感器的存在可满足其基本要求。

与传统互感器相比，电子式电压互感器(Electronic Voltage Transformer，EVT)结构复杂，会存在复数误差，即比差、角差；同时，电子式电压互感器还存在运行误差，一般地，运行误差会受到多种环境参量的影响，变化规律难以找寻，在现实操作中经常存在超差的问题，EVT误差状态预测是变电站实现智能化检修的关键步骤之一，对于减少电力计量设备出错率和检修工作复杂程度具有重要意义，为选取对于EVT基本误差的预测手段。

文献“[周明,聂艳丽,李庚银,等.基于小波分析的短期电价ARIMA预测方法[J].电网技术,2005(09):50-55.”提出了一种基于小波分析的短期电价ARIMA预测方法，文中采用了传统的ARIMA预测方法，但该方法只适合用于所研究对象是线性序列的情况。

文献“黄新波,蒋卫涛,朱永灿,等.基于时间序列和支持向量机的变压器故障预测[J].高电压技术,2020,46(07):2530-2538.”提出了用混沌理论和神经网络建模及预测直流电弧炉，采用了非线性预测混沌理论，但是这一方法只适用于具有混沌特性的信号。

传统的方法或多或少都存在局限性，近年来，越来越多的学者开始采用新兴技术——机器学习来进行预测，如神经网络等，而如今单一的模型或算法的预测已无法满足逐渐发展得预测需求，使得人们开始采用机器学习来优化单一模型参数的组合式模型来进行预测

发明内容

为解决上述技术问题，本发明提供一种基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，通过机器学习算法寻找SVM模型的最优超参数，以构建误差状态预测模型。根据电子式互感器的影响因素和误差表征量进行建模，预测比差和角差的变化趋势，实现电子式互感器误差状态的在线检测，及时发现误差状态问题，指导电子式互感器检测工作，保障电能计量的公平性和电网安全运行的可靠性。该方法具备成本低、收敛速度快、智能程度高的优点。

本发明采取的技术方案为：

基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，采集电子式电压互感器误差表征量和影响因素，构建数据模型；采用机器学习算法对SVM模型的惩罚系数C和核参数g进行超参数寻优；根据最优超参数对误差表征量进行建模预测，计算实际误差表征量与预测误差表征量的差值，以平均绝对误差和均方根误差作为预测评估，并用两段数据段进行预测。

基于机器学习和SVM算法的电子式电压互感器误差状态预测方法，包括以下步骤：

步骤1：采集电子式互感器误差表征量和影响因素，再对采集的原始数据序列进行数据预处理后作为数据模型输入；

步骤2：将数据预处理后的数据集划分为训练集、验证集、测试集；