本发明涉及一种二次回路误差状态评估方法、系统、设备及介质，属于电力计量在线监测。
背景技术：
1、在电力系统中，二次回路主要包括保护、测量和自动化设备的信号传输和处理功能。它们负责将来自主回路的物理量（如电流、电压）转换为可供监控、保护和控制系统使用的信号。因此，二次回路的准确性直接影响到电力系统的安全性和稳定性。准确评估二次回路的误差状态对于保障电力系统的可靠运行至关重要。
2、mlp模型，即多层感知器（multilayer perceptron），是一种基础且重要的人工神经网络模型（ann，artificial neural network）。
3、传统的二次回路误差评估方法通常依赖于历史数据的统计分析，如计算均值、方差等。这些方法虽然能够提供一些基本的误差信息，但在面对复杂的时序数据和动态变化的误差特征时，往往难以提供精准的评估。特别是在出现多变的环境因素和设备老化等情况下，传统方法的预测精度和适应能力受到限制。
4、现有技术如公开号为“cn113935513a”的中国专利申请公开了一种基于ceemdan的短期电力负荷预测方法。该方法包括以下步骤：利用ceemdan对原始电负荷序列进行分解,获得若干imf分量及趋势分量;计算若干imf分量及趋势分量的样本熵值,并根据样本熵值对所述若干imf分量、趋势分量进行叠加形成新子序列:结合新子序列和特征注意力机制,构建lstm预测模型:利用lstm预测模型对新子序列进行预测,而后将各新子序列的预测结果进行叠加组合获得总的预测输出:该发明通过引入特征注意力机制和时序注意力机制,避免原始负荷数据的随机性和非平稳性对后续预测精度的影响,提高了长时间序列预测效果的稳定性。
5、上述现有技术存在的问题是，ceemdan算法需要多次添加白噪声并进行emd分解，然后对结果进行集合平均，这个过程相对耗时。ceemdan算法的性能在很大程度上依赖于原始数据的特性和质量。如果原始数据中存在较大的噪声或异常值，可能会影响分解结果的准确性和稳定性。在实际应用中存在计算成本高、数据依赖性强、模型复杂度高以及实时性挑战等缺陷和不足。
技术实现思路
1、为了解决上述现有技术中存在的问题，本发明提出了一种二次回路误差状态评估方法、系统、设备及介质。
2、本发明的技术方案如下：
3、一方面，本发明提出一种二次回路误差状态评估方法，包括以下步骤：
4、采集二次回路的历史误差时序数据集和二次回路误差状态数据集；
5、计算出历史误差时序数据集的误差标准差和误差平均绝对偏差，并采用集合经验模态分解算法对历史误差时序数据集进行分解，得到不同的分量；
6、采用数据压缩算法根据序列复杂度将分解后的分量划分为高频序列和低频序列；
7、将高频序列和低频序列作为自注意力机制算法的输入，得到第一特征和第二特征；再将第一特征和第二特征进行归一化处理，用归一化处理后的第一特征与第二特征作为交叉扩散注意力机制算法的输入，得到第三特征和第四特征；
8、最后将第三特征、第四特征、误差标准差以及误差平均绝对偏差融合，提取融合后的特征，并与历史二次回路误差状态数据集一起输入至mlp模型中，输出得到二次回路误差状态评估结果。
9、作为优选实施方式，所述历史误差时序数据集e表示为：
10、；
11、其中，表示第t时刻的误差值，t表示时刻数量；
12、所述历史误差时序数据集的误差标准差计算方法表示为：
13、；
14、其中，表示历史误差时序数据的平均误差值；
15、所述历史误差时序数据集的误差平均绝对偏差计算方法表示为：
16、；
17、使用集合经验模态分解算法将历史误差时序数据集分为不同分量，具体计算步骤如下：
18、；
19、其中， m表示模态分解的数量，表示第m个模态分解的分量，表示最终的残差信号；
20、使用数据压缩算法将分解后的分量划分为高频序列和低频序列，具体计算步骤如下：
21、s1、先计算分解后各分量的均值，通过历史误差时序值与均值的大小关系将其转化为二进制序列：
22、；
23、；
24、其中，表示第m个分量的二进制值，p表示二进制序列；
25、初始化矩阵和矩阵为空矩阵，令m=1，二进制序列p波动大小复杂度c（0）=0；
26、s2、令矩阵，矩阵；
27、s3、判断是否包括，若包括，则二进制序列p波动大小复杂度保持不变，否则序列波动大小复杂度加1，并将矩阵设为空矩阵，令m+1；
28、其中，表示第一空矩阵，表示第二空矩阵，表示第m个第一遍历分量的临时矩阵，表示第m个第二遍历分量的临时矩阵；
29、s4、重复步骤s2，直到m=m；
30、s5、根据各分量所计算出的序列波动大小复杂度，将高于预设值的序列波动大小复杂度对应的划分为高频序列，低于预设值的序列波动大小复杂度对应的划分为低频序列。
31、作为优选实施方式，将所述高频序列和所述低频序列作为自注意力机制算法的输入，建立注意力分数矩阵：
32、；
33、；
34、其中，表示高频序列，表示低频序列，、和分别表示第一权重矩阵的查询、键和值；、和分别表示第二权重矩阵的查询、键和值；、和分别表示高频序列经过注意力集中后的第一查询加权高频特征、第一键加权高频特征以及第一值加权高频特征；、和分别表示低频序列经过注意力集中后的第一查询加权低频特征、第一键加权低频特征、第一值加权低频特征；
35、使用softmax函数将注意力分数矩阵归一化：
36、；
37、；
38、其中，表示第一归一化后的高频特征，表示第一归一化后的低频特征，表示第一键加权高频特征的转置矩阵，表示第一键加权低频特征的转置矩阵；
39、最后输出第一特征和第二特征，计算方法表示为：
40、；
41、；
42、将第一特征和第二特征进行归一化处理得到归一化的第一特征和归一化的第二特征，归一化的计算方法表示为：
43、；
44、；
45、其中，表示第一归一化函数；
46、将归一化的第一特征和归一化的第二特征作为交叉扩散注意力机制算法的输入，建立注意力分数矩阵：
47、；
48、；
49、其中，、和分别表示第三权重矩阵的查询、键和值；、和分别表示第四权重矩阵的查询、键和值；、和分表示归一化的第一特征经过注意力集中后的第二查询加权高频特征、第二键加权高频特征和第二值加权高频特征；、和分别表示归一化的第二特征经过注意力集中后的第二查询加权低频特征、第二键加权低频特征和第二值加权低频特征；
50、使用softmax 函数将注意力分数矩阵归一化：
51、；
52、；
53、其中，表示第二归一化后的高频特征，表示第二归一化后的低频特征，表示第二键加权高频特征的转置矩阵，表示第二键加权低频特征的转置矩阵；
54、将第二归一化后的高频特征和第二归一化后的低频特征进行归一化处理得到第二归一化后的高频特征和第二归一化后的低频特征，归一化的计算方法表示为：
55、；
56、；
57、其中，表示第二归一化函数；
58、再使用softmax 函数对第二归一化后的高频特征和第二归一化后的低频特征进行融合：
59、；
60、；
61、其中，表示第二归一化后的低频特征的转置矩阵，表示第二归一化后的高频特征的转置矩阵，表示融合后的第一高低频特征，表示融合后的第一低高频特征；
62、最后计算得到第三特征与第四特征，计算方法为：
63、；
64、。
65、作为优选实施方式，将第三特征、第四特征、误差标准差与误差平均绝对偏差进行融合，得到融合后的特征，融合方法表示为：
66、；
67、其中，表示特征拼接；
68、再将融合的特征和历史二次回路误差状态数据集输入至mlp模型中，得到二次回路误差状态y，具体过程为：
69、；
70、其中，表示mlp模型的隐函数。
71、再一方面，本发明还提供一种二次回路误差状态评估系统，包括：
72、数据采集模块，采集二次回路的历史误差时序数据集和二次回路误差状态数据集；
73、序列划分模块，计算出历史误差时序数据集的误差标准差和误差平均绝对偏差，并采用集合经验模态分解算法对历史误差时序数据集进行分解，得到不同的分量；采用数据压缩算法根据序列复杂度将分解后的分量划分为高频序列和低频序列；
74、特征提取模块，将高频序列和低频序列作为自注意力机制算法的输入，得到第一特征和第二特征；再将第一特征和第二特征进行归一化处理，用归一化处理后的第一特征与第二特征作为交叉扩散注意力机制算法的输入，得到第三特征和第四特征；
75、结果输出模块，最后将第三特征、第四特征、误差标准差以及误差平均绝对偏差融合，提取融合后的特征，并与历史二次回路误差状态数据集一起输入至mlp模型中，输出得到二次回路误差状态评估结果。
76、再一方面，本发明还提供一种电子设备，其上存储有计算机程序，所述计算机程序被处理器执行时实现如本发明任一实施例所述的二次回路误差状态评估方法。
77、再一方面，本发明还提供一种计算机可读存储介质，用于存储一个或者多个程序，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现如本发明任一实施例所述的二次回路误差状态评估方法。
78、本发明具有如下有益效果：
79、1、本发明通过采集二次回路的历史误差时序数据集和二次回路误差状态数据集，融合了多个维度的信息，使得评估结果更加全面和准确。采用集合经验模态分解（eemd）算法对数据进行分解，并结合数据压缩算法、自注意力机制算法和交叉扩散注意力机制算法，提取了高频和低频序列中的关键特征，以及误差标准差和平均绝对偏差等统计特征，为后续的评估提供了丰富的数据支持。
80、2、本发明基于自注意力机制算法和交叉扩散注意力机制算法的引入，有助于降低原始数据的随机性和非平稳性对评估结果的影响，提高评估结果的稳定性和可靠性。
1.一种二次回路误差状态评估方法，其特征在于，包括以下步骤：采集二次回路的历史误差时序数据集和二次回路误差状态数据集；
2.根据权利要求1所述的二次回路误差状态评估方法，其特征在于，所述历史误差时序数据集e表示为：
3.根据权利要求2所述的二次回路误差状态评估方法，其特征在于，将所述高频序列和所述低频序列作为自注意力机制算法的输入，建立注意力分数矩阵：
4.根据权利要求3所述的二次回路误差状态评估方法，其特征在于，将第三特征、第四特征、误差标准差与误差平均绝对偏差进行融合，得到融合后的特征，融合方法表示为：
5.一种二次回路误差状态评估系统，其特征在于，包括：
6.根据权利要求5所述的二次回路误差状态评估系统，其特征在于，所述序列划分模块，历史误差时序数据集e表示为：
7.根据权利要求6所述的二次回路误差状态评估系统，其特征在于，所述特征提取模块，将所述高频序列和所述低频序列作为自注意力机制算法的输入，建立注意力分数矩阵：
8.根据权利要求7所述的二次回路误差状态评估系统，其特征在于，所述结果输出模块，将第三特征、第四特征、误差标准差与误差平均绝对偏差进行融合，得到融合后的特征，融合方法表示为：
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至4任一项所述的二次回路误差状态评估方法。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至4任一项所述的二次回路误差状态评估方法。
