(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211331032.0 (22)申请日 2022.10.28 (71)申请人 武汉格蓝若智能技 术股份有限公司 地址 430000 湖北省武汉市东湖新 技术开 发区光谷大道303号光谷 ·芯中心2- 07栋1803-1805室 (72)发明人 饶芳　陈勉舟　陈应林　代洁　 任波　 (74)专利代理 机构 武汉蓝宝石专利代理事务所 (特殊普通 合伙) 42242 专利代理师 万畅 (51)Int.Cl. G06F 30/27(2020.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种自适应的电流互感器误差 评估方法 (57)摘要 本发明涉及一种自适应的电流互感器误差 评估方法， 包括： 将同一变电站内同一母线上的 各线路CT作为评估群体， 构建各CT个体误差与测 量值节点电流矢量和的物理关系， 得到群体内每 台CT的测量误差， 记为第一误差估计值 ； 建立 个体CT误差评估模型； 基于个体CT 误差评估模型 得到评估群体中各个待评估CT的第二误差估计 值； 采用改进后物理信息神经网络方法， 将第一 误差估计值和第二误差估计值进行融合， 得到第 三误差估计值； 利用误差偏差值， 对第一误差估 计和第二误差估计值进行修正， 自适应地实现了 CT运行误差的实时在线评估。 权利要求书2页 说明书8页 附图2页 CN 115392141 A 2022.11.25 CN 115392141 A 1.一种自适应的电流互感器误差 评估方法， 其特 征在于， 所述 误差评估方法包括： 步骤1， 将同一变电站内同一母线上的各线路CT作为评估群体S， 根据基尔霍夫电流定 律， 构建各CT个体误差与测量值节点电流矢量和的物理关系， 利用数学 处理方法， 得到群体 内每台CT的测量 误差， 记为CT的第一 误差估计值 ； 步骤2， 利用离线建模、 在线训练的方式， 建立个体CT误差评估模型； 所述个体CT误差评 估模型的输入为CT的多维特征参量， 输出为CT的第二误差估计值 ； 基于所述个体CT误 差评估模型得到所述评估群 体S中各个待评估CT的第二 误差估计值 ； 步骤3， 采用改进后物理信息神经网络方法， 将 所述第一误差估计值 和所述第二误 差估计值 进行融合， 得到第三 误差估计值 ； 步骤4， 分别计算第一误差估计值 、 第二误差估计值 与第三误差估计值 之 间的误差偏差值 和 ； 利用所述误差偏差值 和 ， 对所述第一误差估计值 和所述第二 误差估计值 进行修正， 自适应实现CT运行误差的在线评估。 2.根据权利要求1所述的误差 评估方法， 其特 征在于， 所述 步骤1包括： 步骤101， 实时获取并筛选变电站同一节点下的各线路CT的稳定段的电流测量值， 构建 监测数据集； 步骤102， 根据基尔霍夫电流定律， 构建所述监测数据集中目标CT的电流测量值以及误 差与其他CT的电流测量 值以及误差的关系式； 步骤103， 以所述目标CT 的目标相电流数据与额定变比计算目标CT 的电流真值作为电 流基准值 ； 在所述监测数据集中选取任一线路的CT的三相电流数据进行状态评估， 将 电流数据为 正常状态时对应的CT和相分别作为目标CT和目标相； 步骤104， 将所述监测数据 集中除目标CT外的其它CT的电流测量值作 为输入， 将所述电 流基准值 作为输出， 训练LAPO ‑RBF神经网络得到LAPO ‑RBF神经网络模型； 步骤105， 利用所述LAPO ‑RBF神经网络模型得到各个所述待评估CT的所述电流基准值， 根据所述电流基准 值计算各个所述待评估CT的第一 误差估计值 。 3.根据权利要求2所述的误差 评估方法， 其特 征在于， 所述 步骤102中 得到的所述关系式为： (10) (11) 、 接 近 于 0 ， n 为 线 路 条 数 ， m 表 示 A 、B 或 C 相 ，权　利　要　求　书 1/2 页 2 CN 115392141 A 2为测量值的电流实部， 为测量值的电流虚部， 为各线路电流测量 值， 为相应的比值差， 为相应的相位差 。 4.根据权利要求1所述的误差评估方法， 其特征在于， 所述步骤2中的所述多维特征参 量包括： 工况参 量、 电磁参 量和环境 参量。 5.根据权利要求1或4所述的误差 评估方法， 其特 征在于， 所述 步骤2包括： 步骤201， 获取离线检测过程中的各个CT的多维特征参量构建离线数据集； 基于所述离 线数据集训练AN N模型得到预训练模型； 步骤202， 获取在线检测过程中的各个CT的多维特征参量， 根据CT的电流值的范围构造 各个分段 数据集； 步骤203， 将各个分段数据集分别输入各个所述预训练模型进行训练， 得到各个CT的电 流值的范围对应的各个所述个 体CT误差 评估模型； 步骤204， 将所述待评估CT 的在线监测数据输入其电流值所在分段对应的所述个体CT 误差评估模型， 所述个 体CT误差 评估模型输出 该待评估CT的第二 误差估计值 。 6.根据权利要求1所述的误差评估方法， 其特征在于， 所述步骤3中采用改进后物理信 息神经网络的方法得到误差 评估值的融合模型； 所述融合模型的输入特征量为： ， 输出特征量为： ； 为待评估CT的第三 误差估计值。 7.根据权利要求1或6所述的误差评估方法， 其特征在于， 所述融合模型的构建过程包 括： 通过全连接神经网络来逼近函数， 利用自动微分技术， 求出偏微分方程残差和初边值 残差约束， 并将其作为正则项放入损失函数中， 利用变色龙算法获得神经网络连接权重参 数W和偏微分方程物理参数b。 8.根据权利要求1所述的误差评估方法， 其特征在于， 所述步骤4中对所述第一误差估 计值 和所述第二 误差估计值 进行修正的过程包括： 当具备群体评估条件时， 得到所述待评估CT的误差 评估值 ； 当不具备群体评估条件时， 得到所述待评估CT的误差 评估值 。权　利　要　求　书 2/2 页 3 CN 115392141 A 3