[发明专利]基于传递熵和小波神经网络的电压互感器误差预测方法

权利要求书

1.基于传递熵和小波神经网络的电压互感器误差预测方法，其特征在于包括以下步骤：

步骤1、采集数据：

采集电子式电压互感器运行的环境参量、电气参数、误差数据；

步骤2、数据筛选：

计算环境参量和电气参数对误差数据的传递熵值，以熵值大小及正负选取主要影响量，分别计算环境参量和电气参数这些影响因素对比差、角差的传递熵值，并筛选具有强相关性的影响因素；

所述步骤2包括以下步骤：

步骤2.1：应用传递熵值的前提，判断影响因素Y和误差X是否在时间序列上满足Markov性质；即在随机过程{X(t),t∈T}的状态空间中，若对于时间t的任意n个数值t₁t₂…t_n，在条件X(t_i)＝x_i,(i＝1,2,…,n-1)下，X(t_n)的条件分布函数等于在条件X(t_n-1)＝x_n-1下的条件分布概率，即：

P{X(t_n)≤x_n|X(t₁)＝x₁,X(t₂)＝x₂,...,X(t_n-1)＝x_n-1}＝P{X(t_n)≤x_n|X(t_n-1)＝x_n-1}；

上式中，n为采样时间t的长度，t₁,t₂,…,t_n表示在时间序列上依次递进的采样时间点；X(t_i)＝x_i为在采用时间为t_i时的误差值；误差集合X＝[x₁,x₂,…,x_n]；

步骤2.2：计算影响因素Y对误差X的传递熵值：

上式中，为影响量和误差值的联合分布概率，n为时间序列长度；为事件已经发生的情况下，事件x_n+1发生的条件概率；k和l分别为变量X，Y的维度，即：

根据Markov性质，维度k和l将误差集合X＝[x₁,x₂,…,x_n]，Y＝[y₁,y₂,…,y_n]限制至[x_n,x_n-1,…,x_n-k+1]和[y_n,y_n-1,…,y_n-l+1]，一般为简化计算，令k和l都等于1，并不影响研究两变量间的传递关系；

步骤2.3：根据熵值正负判断信息传递方法，若为正，则说明当前影响因素Y在一定程度上影响着误差X的波动；若为负，则说明传递关系由误差X流向影响因素Y；熵值越大，说明影响程度越强烈；熵值趋于0，则视为无影响关系；相比各熵值正负及大小，筛选出主要影响因素；

步骤3、建立误差预测模型：

对筛选具有强相关性的影响因素进行归一化处理，使数据处于一个数量级，将处理后的数据作为输入量，通过小波神经网络分别建立比差预测模型和角差预测模型；

所述步骤3中，建立误差预测模型包括：

1)对筛选所得数据，进行归一化值至[-1,1]区间，归一化公式如下：

式中，y为筛选所得数据，y_min和y_max分别为数据的最小值、最大值；

2)电子式电压互感器的数据具有连续性和周期性，故为小波神经网络选取Morlet母小波基函数，将输入信号分解成一系列小波函数的叠加：

式中，p为激励函数输入，ω为小波频率，jωp表示虚部；

3)将归一化所的数据作为输入，分别建立多输入单输出的紧致型小波神经网络比差与角差预测模型；

步骤4、精度验证：

计算预测曲线与期望曲线的误差，以平均绝对误差来表征误差预测方法的精度。