作为电力系统中的基本量测设备,电子式电压互感器(electronic voltage transformers,EVTs)的测量精度对系统的监控、控制与安全运行至关重要。为此,提出了一种基于混合深度模型和自适应窗宽概率密度估计的互感器测量误差区间预测模型。...作为电力系统中的基本量测设备,电子式电压互感器(electronic voltage transformers,EVTs)的测量精度对系统的监控、控制与安全运行至关重要。为此,提出了一种基于混合深度模型和自适应窗宽概率密度估计的互感器测量误差区间预测模型。首先,通过改进的集合经验模态分解对历史比差特征进行数据前处理。其次,提出了基于数据驱动的双向时序卷积网络、双向门控循环单元和多头注意力机制混合深度学习模型,对分解后的不同模态分量进行预测。此外,引入自适应选择最优窗宽的核密度概率估计方法,拟合预测结果构建不同置信度下的预测区间,并比较不同核函数对于预测区间的影响。通过算例分析,验证了所提模型在提高确定性预测和概率区间预测准确度方面的有效性。展开更多
文摘作为电力系统中的基本量测设备,电子式电压互感器(electronic voltage transformers,EVTs)的测量精度对系统的监控、控制与安全运行至关重要。为此,提出了一种基于混合深度模型和自适应窗宽概率密度估计的互感器测量误差区间预测模型。首先,通过改进的集合经验模态分解对历史比差特征进行数据前处理。其次,提出了基于数据驱动的双向时序卷积网络、双向门控循环单元和多头注意力机制混合深度学习模型,对分解后的不同模态分量进行预测。此外,引入自适应选择最优窗宽的核密度概率估计方法,拟合预测结果构建不同置信度下的预测区间,并比较不同核函数对于预测区间的影响。通过算例分析,验证了所提模型在提高确定性预测和概率区间预测准确度方面的有效性。
