本发明涉及互感器，尤其涉及一种基于可解释性深度学习的电压互感器误差评估方法。
背景技术：
1、电压互感器是电能计量不可或缺的一部分，电压互感器计量的准确性直接影响到电能贸易结算的公平性，因此对电压互感器的计量性能的监测是及其重要的。对于电压互感器的计量性能，常规采用周期检定的方式对电压互感器的计量性能进行评估，但是该方法需要在变电站停电状态下实施，对电力系统的运行影响较大，近年来，在不停电条件下如何对电压互感器的计量状态进行评估并实时监测其测量误差，已经成为电压互感器监测领域的重要研究方向。
2、目前，不停电条件下对电压互感器的计量状态进行监测主要通过采集互感器二次侧数据，并以此为训练数据，建立误差评估模型，在误差评估阶段，计算的误差值为以训练数据为基准的误差变化量。因此，断电检定检测仪挂网运行时训练数据对应的初始误差是必不可少的环节，但现阶段断电检定实现较为困难。因此，亟待提出一种基于可解释性深度学习的电压互感器误差评估方法，解决在不停电且无需知道初始误差的情况下，如何准确且快速的评估电压互感器的误差并输出结果的技术问题。
技术实现思路
1、本发明的主要目的是提出一种基于可解释性深度学习的电压互感器误差评估方法，旨在解决在不停电且无需知道初始误差的情况下，如何准确且快速的评估电压互感器的误差并输出结果的技术问题。
2、为实现上述目的，本发明提供一种基于可解释性深度学习的电压互感器误差评估方法，其中，所述基于可解释性深度学习的电压互感器误差评估方法包括以下步骤：
3、s1、获取电压互感器的样本数据，并构建电压互感器的初始样本数据集；
4、s2、对初始样本数据集进行预处理，得到电压互感器的标准数据集；
5、s3、构建可解释性的深度学习模型，并对深度学习模型进行训练、优化；
6、s4、基于深度学习模型，获取标准数据集中各采样点的解释特征权重，并建立解释特征权重与电压互感器误差项的关系，从而实现对电压互感器进行误差评估。
7、优选方案之一，所述步骤s2，具体为：
8、s21、对初始数据集中的样本数据进行去噪，消除异常值；
9、s22、将去噪后的数据进行归一化处理，得到标准数据集；
10、s23、将标准数据集划分为训练集和测试集，其中，所述标准数据集中各数据集标签值与输入特征值保持一致。
11、优选方案之一，所述步骤s21，具体为：
12、获取初始数据集中样本数据的均值和方差；
13、计算初始数据集中各样本数据的正态分布，并判断样本数据是否满足标准区间，若是，则保留当前样本数据；若否，则将当前样本数据作为噪声数据消除。
14、优选方案之一，所述深度学习模型为自动编码器模型。
15、优选方案之一，所述步骤s3构建可解释性的深度学习模型，并对深度学习模型进行训练、优化，具体为：
16、s31、设置可解释性的深度学习模型的结构，包括模型神经网络层数、各网络层神经元数量和优化器类型；
17、s32、将深度学习模型的损失函数定义为均方误差；
18、s33、基于标准数据集对深度学习模型进行迭代训练，通过优化器优化损失函数，并采用早停法控制模型迭代次数。
19、优选方案之一，所述均方误差为：
20、
21、其中，为均方误差，为样本数据个数，为样本数据真实值，为样本数据预测值。
22、优选方案之一，所述步骤s4，具体为：
23、s41、计算标准数据集中同电压等级同相通道间样本数据误差差值；
24、s42、通过lime算法计算标准数据集中各样本数据特征的贡献值，得到各采样点的解释特征权重；
25、s43、建立解释特征权重与电压互感器误差项的关系；
26、s44、根据测试集中同电压等级同相通道间样本数据误差差值和解释特征权重与电压互感器误差项的关系，得到电压互感器各通道误差值的大小。
27、优选方案之一，所述标准数据集中同电压等级同相通道间样本数据误差差值为：
28、
29、其中，为第i组与第j组标准数据集中样本数据误差差值，为第i组标准数据集中样本数据均值，为第j组标准数据集中样本数据均值，为最小值函数，为同电压等级第i组通道标准数据集中样本数据误差值，为同电压等级第j组通道标准数据集中样本数据误差值。
30、优选方案之一，所述步骤s42，具体为：
31、s421、设置想要解释的预测点为，其中，第s个特征为连续型特征，标准差为，；
32、s422、对标准数据集进行随机采样，得到n个样本，，通过正态分布对应生成随机数，则新生成的第k个样本的第s个特征的取值为，其中，随机数为第k个新生成样本的第s个特征；
33、s423、对样本进行标签，将样本放入深度学习模型进行训练，得到预测结果；
34、s424、计算样本与想要解释的预测点之间的距离，从而得到样本的权重；
35、s425、对p个预测点进行二次采样，得到个特征，并构建线性拟合模型，计算个特征的损失值，从而得到采样点的解释特征权重。
36、优选方案之一，所述步骤s43，具体为：
37、s431、获取样本数据真实值与编码器重构样本数据预测值，并计算样本数据真实值与样本数据预测值之间的差值，得到差值矩阵；
38、s432、基于所述差值矩阵对解释特征权重进行修正；具体为：
39、
40、其中，为修正解释特征权重；为解释特征权重矩阵，为差值矩阵，为解释特征权重矩阵中第m行第n列的元素，为差值矩阵中第m行第n列的元素；
41、s433、建立电压互感器误差项与解释特征权重的关系式；
42、
43、其中，分别为同电压等级同相的第i、j组通道标准数据集中修正解释特征权重，为同电压等级第i、j组通道标准数据集中样本数据误差值。
44、本发明的上述技术方案中，该基于可解释性深度学习的电压互感器误差评估方法包括以下步骤：获取电压互感器的样本数据，并构建电压互感器的初始样本数据集；对初始样本数据集进行预处理，得到电压互感器的标准数据集；构建可解释性的深度学习模型，并对深度学习模型进行训练、优化；基于深度学习模型，获取标准数据集中各采样点的解释特征权重，并建立解释特征权重与电压互感器误差项的关系，从而实现对电压互感器进行误差评估。本发明解决了在不停电且无需知道初始误差的情况下，如何准确且快速的评估电压互感器的误差并输出结果的技术问题。
45、在本发明中，通过可解释性的深度学习模型，获取各特征项的权重，从而在无需知道初始误差的情况下，获得各通道的误差值大小，适应性强，在无初始误差的情况下对电压互感器误差进行计量，可更好的指导电压互感器维护工作。
1.一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，所述步骤s21，具体为：
3.根据权利要求1-2任一项所述的一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，所述步骤s3构建可解释性的深度学习模型，并对深度学习模型进行训练、优化，具体为：
4.根据权利要求3所述的一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，所述均方误差为：
5.根据权利要求1-2任一项所述的一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，所述步骤s4，具体为：
6.根据权利要求5所述的一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，所述标准数据集中同电压等级同相通道间样本数据误差差值为：
7.根据权利要求5所述的一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，所述步骤s42，具体为：
8.根据权利要求5所述的一种基于可解释性深度学习的电压互感器误差评估方法，其特征在于，所述步骤s43，具体为：
