DB15T 3739-2024電力互感器運行狀態在線評價技術規范_第1頁
DB15T 3739-2024電力互感器運行狀態在線評價技術規范_第2頁
DB15T 3739-2024電力互感器運行狀態在線評價技術規范_第3頁
DB15T 3739-2024電力互感器運行狀態在線評價技術規范_第4頁
DB15T 3739-2024電力互感器運行狀態在線評價技術規范_第5頁
已閱讀5頁,還剩12頁未讀 繼續免費閱讀

下載本文檔

版權說明:本文檔由用戶提供并上傳,收益歸屬內容提供方,若內容存在侵權,請進行舉報或認領

文檔簡介

15I II II請注意本文件的某些內容可能涉及專利。本文件的發布機構不承擔識別專利的責任。1電力互感器運行狀態在線評價技術規范本文件適用于電力互感器運行狀態下誤差在線評價,對電力互感器運行狀態下進行狀態評價工作platform比值誤差ratioerror2互感器的二次電流(電壓)相量逆時針轉180°后與一次電流(電壓)相量之間的相位差。規定二通過評價單元中評價總電能量與各個分評價單元之間分電能量關系進行計算,有功準確度等級等評價平臺中電能評價基本誤差用相對誤差表示,應滿足表1和表2技術參數規定。12負載電流I基本誤差(%)11(L或C)0.5(L或C)1注1:不平衡負載是指三項電能表電壓線路加對稱的三相參比電壓,任一相電流線路通線路無電流。注2:角中是加在同一組驅動元件的相(線)電壓與電流之間的相位注3:L—感性負載,C—容性負載。3表2單相電能表和平衡負載時三相電能表的基本誤差限值類別123有功電能表負載電流Ia--0.01In≤I<0.05In1±0.4±1.0------0.05Ib≤I<0.1Ib0.02In≤I<0.05In1----±1.5±2.5--0.1Ib≤I≤Imax0.05In≤I≤Imax1±0.2±0.5±1.0±2.0----0.02In≤I<0.1In0.5L±0.5±1.0------0.8C±0.5±1.0------0.1Ib≤I≤0.2Ib0.05In≤I≤0.1In0.5L----±1.5±2.5--0.8C----±1.5----0.2Ib≤I≤Imax0.1In≤I≤Imax0.5L±0.3±0.6±1.0±2.00.8C±0.3±0.6±1.0----±0.5±1.0±3.5----0.2Ib≤I≤Imax0.1In≤I≤Imax0.5C±0.5±1.0±2.5----無功電能表0.05Ib≤I<0.1Ib0.02In≤I<0.05InsinφC)1------±2.5±4.00.1Ib≤I≤Imax0.05In≤I≤Imax1------±2.0±3.00.1Ib≤I≤0.2Ib0.05In≤I≤0.1In0.5------±2.5±4.00.2Ib≤I≤Imax0.1In≤I≤Imax0.5------±2.0±3.00.2Ib≤I≤Imax0.1In≤I≤Imax0.25------±2.5±4.0相同;經電流互感器接入的電能表最大電流Imax與互感器刺激額定擴展電流(1.2In,1.5In或2In)相同。%1±1.0相位差/(')±400.5±0.5相位差/(')±400.2±0.2相位差/(')0.1±1.0相位差/(')±544.5評價裝置和評價平臺運行誤差和計算誤差評價裝置和評價平臺存在誤差波動,其中電壓互感器運行誤差和計算誤差應按照表3、表4的規定執表4電流互感器基本誤差限值%151級比值差/%一相位差/()一比值差/%一相位差/(')一比值差/%相位差/()比值差/%一相位差/()一比值差/%相位差/()0.1級比值差/%一相位差/()一0.1S級比值差/%相位差/()4.6評價裝置和評價平臺要求4.6.1電力互感器運行狀態評價方式電力互感器運行狀態通過評價平臺或評價裝置進行評價。4.6.2狀態評價數據安全要求電力互感器運行狀態評價數據應具有軟件防篡改和版本控制功能。應具有數據防修改、防丟失功能,不得修改原始數據的功能。評價結果原始數據應至少保存6個月的功能。4.6.3評價數據質量要求評價平臺所在評價單元內所有評價裝置應數據完整。對于出現異常波動數據的電力互感器能識別并進行異常數據報警。評價平臺應具有歷史數據查詢功能,應具有數據篩選分析功能。采用評價裝置進行狀態評價,評價數據為同一變電站(所)內,一定時間范圍內被評價電力互感器的瞬時測量值數據序列。采用評價平臺進行狀態評價,通過評價平臺內數據篩選功能開展評價工作,對于遠程數據采集成功率低于90%、數據少于300個運行計算誤差評價周期、線損率大于10%或為負損的評價數據,評價單元應能準確識別并剔除。評價數據應根據設備運行情況自主實時同步更新,依據設備實際運行情況自主設置評價周期。4.6.4電壓互感器數據測量點要求5%abc+++++++++-4.6.5電流互感器數據測量點要求電流百分比I1/IN%a5+++++++++-a只針對0.1S,0.2S,0.5S級。4.6.6評價數據通信要求評價裝置或評價平臺通信接口滿足評價數據交換所需安全穩定的有線和無線網絡;具備數據上傳6采用評價裝置評價電力互感器運行狀態,通過評價裝置實時數據判斷。誤差計算方法線損誤差評價閾值:電網輸電損耗的限額≤6.5%,變電站及其線路損耗限額≤1.5%,輸電線路損耗電力互感器運行狀態評價結果見表7。電力互感器狀態異常評價平臺電能狀態異常線評價平臺注:評價周期根據實際情況調整,一般為15天。采用評價裝置運行誤差按照5.3.3規定的判定閾值,判定電力互感器運行狀態。7采用評價平臺計算誤差按照5.3.4規定的判定閾值,判定電力互感器運行狀態。6.2.3評價周期6.2.4評價狀態處置8(資料性)評價裝置計算方法A.1計算方法框架:圖A.1計算方法框架被評價電壓互感器共A臺,依次編號為:1、2、3……A。在評價過程中,電壓互感器運行狀態以各臺被校電壓互感器在一定時間范圍內的瞬時測量值數據序列為基礎,圍繞運行比值誤差、運行相位誤差構建多約束、單目標尋優計算模型,求解獲取各臺被校電壓互感器的運行比值誤差、運行相位誤差。對于各臺被校電壓互感器的瞬時測量值數據序列,分別開展預處理以獲取與尋優計算模型相適配的數據序列。以每一分鐘為單位進行時間切片,依次抽取各臺互感器在各個時間切片中的瞬時測量值數據,并借助離散傅里葉變換來獲取基波有效值的測量結果、基波相位的測量結果;以互感器α和時間切片ts為例,基波有效值的測量結果、基波相位的測量結果分別為u(a.t)9(a.te)°A.2數據預處理對于各臺被校電壓互感器的瞬時測量值數據序列,分別開展預處理以獲取與尋優計算模型相適配的數據序列。以每一分鐘為單位進行時間切片,依次抽取各臺互感器在各個時間切片中的瞬時測量值數據,并借助離散傅里葉變換來獲取基波有效值的測量結果、基波相位的測量結果;以互感器α和時間切片ts為例,基波有效值的測量結果、基波相位的測量結果分別為u(atg)`9(ate)°A.3設置初始解對于全部A臺被校電壓互感器,將其運行比值誤差、運行相位誤差均初始化為零,數學表達見式A.1。(r,1)——被校電壓互感器1的運行比值誤差;E(p,1)——被校電壓互感器1的運行相位誤差;E(r,a)——被校電壓互感器α的運行比值誤差;(p,a)——被校電壓互感器α的運行相位誤差,';9?∠??∠? (1,)(1,)(2,)(2,)?∠??∠? (1,)(1,)(2,)(2,),)——被校電壓互感器在時間切片上基波相位的測量結果,′;∑,)——運行比值誤差、運行相位誤差均處于允許誤差限值——運行相位誤差限值,′;以上為推薦約束,實際應用中可根據被校電壓互感器所屬的實際拓撲及其潛在電氣規律進行合理(資料性)2#電流互感器依據公式B.1、公式B.2、公式B.3構建m(t)=Amp?(t)*eii()……………Im(t)——t時刻線路編號i的電流測量數據;eiθ;(t)——t時刻線路編號i的電流時序測量相位數據。……()——第i條線路電流時序矢量數據;()——第j條線路電流時序矢量數據。[∑=1|(∑1?(t)?)|]..(資料性)電力互感器運行狀態評價平臺評價數據計算方法采用回歸樹(CART)的方式,使通過選擇適當的分割點來執行特征選擇,這些信息可以用來衡量每個特征的重要性;具體過程為輸出最終的擬合預測模型m,數據集D,s代表模型m在數據集D的性能評分,j表示數據集D的每個特征,K次重復實驗中每次迭代k,隨機重排序特征j,構建一個單一特征錯亂分的數據集Vk,j,計算模型m在數據集Vk.j上的性能評分Sk,;,就得出了當前特征j的重要性分數i,,文中:m——基于溫度、濕度、磁場、電場、二次負荷、頻率特征的重要性排序預測模型;D——包含6個特征并且可設置隨機種子的數據集;j——代表溫度、濕度、磁場、電場、二次負荷、頻率特征,共6個;Dkj迭代次數為k,具有6個特征量中單一特征量的數據集。算法公式如下:………i;——基于單一特征量j的重要性分數;s——重要性排序預測模型在數據集中的性能評分;k——重復試驗中每次的迭代次數;K——代表重復試驗次數;Sk,j——重要性排序預測模型在迭代次數為k、單一特征量的數據集中的性能評分。將模型對數據集預測的決定系數(R方)做為回歸模型用于評估預測值和實際值的復合程度,f是預測值,y是實際平均值,R2越接近1,表示回歸分析中自變量對因變量的解釋越好,其表達式如下:…R2——表示重要性分數的預測值與實際值的復合程度;yi——單一特征量模型重要性分數的預測值;fi——單一特征量模型重要性分數的實際值;y——表示實際平均值。根據模型對數據集的預測結果,當前互感器數據集在線性回歸、隨機森林、梯度提升回歸、回歸樹、集成學習(Bagging)模型的R2分別如表C.1所示:DB15/T3739—2024表C.1預測結果線性回歸(LinearR)隨機森林回歸(RF)梯度提升(GBDT)回歸樹(CART)根據以上幾類模型的對比結果發現,隨機森林回歸(RF)、梯度提升(GB)、回歸樹(CART)模型擁有較好的效果,并在此基礎上采用集成學習(Bagging)的方式(如圖C.1所示),通過投票回

溫馨提示

  • 1. 本站所有資源如無特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請聯系上傳者。文件的所有權益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網頁內容里面會有圖紙預覽,若沒有圖紙預覽就沒有圖紙。
  • 4. 未經權益所有人同意不得將文件中的內容挪作商業或盈利用途。
  • 5. 人人文庫網僅提供信息存儲空間,僅對用戶上傳內容的表現方式做保護處理,對用戶上傳分享的文檔內容本身不做任何修改或編輯,并不能對任何下載內容負責。
  • 6. 下載文件中如有侵權或不適當內容,請與我們聯系,我們立即糾正。
  • 7. 本站不保證下載資源的準確性、安全性和完整性, 同時也不承擔用戶因使用這些下載資源對自己和他人造成任何形式的傷害或損失。

評論

0/150

提交評論