CN105184674A - 一种电能计量误差预测方法及设备 - Google Patents
一种电能计量误差预测方法及设备 Download PDFInfo
- Publication number
- CN105184674A CN105184674A CN201510563500.0A CN201510563500A CN105184674A CN 105184674 A CN105184674 A CN 105184674A CN 201510563500 A CN201510563500 A CN 201510563500A CN 105184674 A CN105184674 A CN 105184674A
- Authority
- CN
- China
- Prior art keywords
- error
- component
- time series
- electric energy
- rotational component
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请公开了一种电能计量误差预测方法及设备,该方法包括:对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列;分别构上述时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型;分别利用趋势分量预测模型和旋转分量预测模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值;对趋势分量预测值和旋转分量预测值进行叠加,得到整体计量误差预测结果。本申请通过对已知的电能计量误差信号进行分解,从而得到误差趋势分量时间序列和误差旋转分量时间序列,基于这两种时间序列进行了预测模型的构建,进而实现了对电能计量装置的整体计量误差的预测。
Description
技术领域
本发明涉及电能计量误差预测技术领域,特别涉及一种电能计量误差预测方法及设备。
背景技术
当前,随着电力行业市场化改革的深入进行,如何确保电能计量装置的准确性,维护电力市场公平有序的运转是电力市场的重点研究课题。
电能计量装置的误差水平主要由电能表、电压互感器、电流互感器和二次回路等四个部分的误差综合而成。目前对电能计量误差水平研究的重点主要是在于对电能计量装置的误差水平进行在线监测,而无法实现对电能计量误差水平的有效预测,从而使得人们无法及时地避免由于较大计量误差对电力市场的公平有序运转所产生的不良影响。
综上所述可以看出,如何实现对电能计量误差水平的有效预测是目前亟待解决的问题。
发明内容
有鉴于此,本发明的目的在于提供一种电能计量误差预测方法及设备,实现了对电能计量误差水平的有效预测,从而使得人们能够及时地避免由于较大计量误差对电力市场的公平有序运转所产生的不良影响。其具体方案如下:
一种电能计量误差预测方法,包括:
对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列,其中,所述误差趋势分量时间序列包括一个误差趋势分量,所述误差旋转分量时间序列包括至少两个旋转分量;
分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型;
分别利用所述趋势分量预测模型和所述旋转分量预测模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值;
对所述趋势分量预测值和所述旋转分量预测值进行叠加,得到所述电能计量装置的整体计量误差预测结果。
优选的,所述对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列的过程包括:
利用改进本征时间尺度分解法,对所述目标时间段内电能计量装置的电能计量误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列。
优选的,所述利用改进本征时间尺度分解法,对所述目标时间段内电能计量装置的电能计量误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列的过程包括:
确定所述目标时间段内电能计量装置的电能计量误差信号中的M个极值点坐标,M为正整数;
利用镜像对称延拓法,对所述M个极值点的两端进行极值点延拓,得到延拓后的两个极值端点坐标,并将所述两个极值端点坐标添入所述M个极值点坐标中,得到M+2个极值点坐标;
提取所述M+2个极值点坐标中每相邻两个极值点坐标之间的基线信号,得到多个基线信号;
利用三次样条插值对所述多个基线信号进行拟合,得到拟合基线信号;
从所述目标时间段内电能计量装置的电能计量误差信号中分离出所述拟合基线信号,得到分离后误差信号;
对所述分离后误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列。
优选的,所述分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型的过程包括:
构建所述误差趋势分量时间序列的ARMA模型,得到所述趋势分量预测模型,构建所述误差旋转分量时间序列的ARIMA模型,得到所述旋转分量预测模型。
优选的,所述构建所述误差趋势分量时间序列的ARMA模型,得到所述趋势分量预测模型,构建所述误差旋转分量时间序列的ARIMA模型,得到所述旋转分量预测模型的过程包括:
基于赤池信息量准则,采用从低阶往高阶逐次增加的试探方法,计算得到不同阶数所对应的赤池信息量,并将所有得到的赤池信息量中数值最小的赤池信息量所对应的阶数确定为目标预测模型的模型阶数,所述目标预测模型包括所述趋势分量预测模型和所述旋转分量预测模型;
利用非线性最小二乘估计算法和BFGS算法,确定所述目标预测模型的模型参数;
根据所述模型阶数和所述模型参数,构建所述误差趋势分量时间序列的ARMA模型和所述误差旋转分量时间序列的ARIMA模型,相应地得到所述趋势分量预测模型和所述旋转分量预测模型。
优选的,所述基于赤池信息量准则,采用从低阶往高阶逐次增加的试探方法,计算得到不同阶数所对应的赤池信息量的过程之前,还包括:
利用ADF法,对所述误差旋转分量时间序列中每一个旋转分量的稳定性进行检测;
当检测出任一旋转分量的稳定性不满足预设稳定性时,利用差分运算对该旋转分量进行平稳化处理。
优选的,所述相应地得到所述趋势分量预测模型和所述旋转分量预测模型的过程之前,还包括:
分别对所述误差趋势分量时间序列的ARMA模型和所述误差旋转分量时间序列的ARIMA模型进行白噪声检测;
当检测出任一误差分量对应的模型的白噪声大于预设噪声值时,则对该误差分量所对应的模型的模型参数进行重新调整,以使调整后得到的模型的白噪声低于或等于所述预设噪声值。
本发明还公开了一种电能计量误差预测设备,包括:
误差信号分解器,用于对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列,其中,所述误差趋势分量时间序列包括一个误差趋势分量,所述误差旋转分量时间序列包括至少两个旋转分量;
预测模型构建器,用于分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型;
误差预测装置,用于分别利用所述趋势分量预测模型和所述旋转分量预测模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值;
数据处理装置,用于对所述趋势分量预测值和所述旋转分量预测值进行叠加,得到所述电能计量装置的整体计量误差预测结果。
优选的,所述误差信号分解器具体为,利用改进本征时间尺度分解法,对所述目标时间段内电能计量装置的电能计量误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列的改进式误差信号分解器。
优选的,所述预测模型构建器包括:
ARMA模型构建器,用于构建所述误差趋势分量时间序列的ARMA模型,得到所述趋势分量预测模型;
ARIMA模型构建器,用于构建所述误差旋转分量时间序列的ARIMA模型,得到所述旋转分量预测模型。
本发明中,通过对目标时间段内电能计量装置的电能计量误差信号进行分解,得到了误差趋势分量时间序列和误差旋转分量时间序列;接着对误差趋势分量时间序列和误差旋转分量时间序列进行预测模型的构建,相应地得到了趋势分量预测模型和旋转分量预测模型,并利用上述两种预测模型对电能计量误差进行预测,然后对预测后得到的趋势分量预测值和旋转分量预测值进行叠加,从而得到了电能计量装置的整体计量误差预测结果。由上可见,本发明通过对已知的电能计量误差信号进行分解,从而得到误差趋势分量时间序列和误差旋转分量时间序列,基于这两种时间序列进行了预测模型的构建,进而实现了对电能计量装置的整体计量误差的预测。也即,本发明实现了对电能计量误差水平的有效预测,从而使得人们能够及时地避免由于较大计量误差对电力市场的公平有序运转所产生的不良影响。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例公开的一种电能计量误差预测方法流程图;
图2为本发明实施例公开的一种具体的电能计量误差预测方法流程图;
图3为本发明实施例公开的一种电能计量误差预测设备结构示意图;
图4为本发明实施例公开的一种具体的电能计量误差预测设备结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种电能计量误差预测方法,参见图1所示,该方法包括:
步骤S11:对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列,其中,误差趋势分量时间序列包括一个误差趋势分量,误差旋转分量时间序列包括至少两个旋转分量;
步骤S12:分别构建误差趋势分量时间序列和误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型;
步骤S13:分别利用趋势分量预测模型和旋转分量预测模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值;
步骤S14:对趋势分量预测值和旋转分量预测值进行叠加,得到电能计量装置的整体计量误差预测结果。
本发明实施例中,通过对目标时间段内电能计量装置的电能计量误差信号进行分解,得到了误差趋势分量时间序列和误差旋转分量时间序列;接着对误差趋势分量时间序列和误差旋转分量时间序列进行预测模型的构建,相应地得到了趋势分量预测模型和旋转分量预测模型,并利用上述两种预测模型对电能计量误差进行预测,然后对预测后得到的趋势分量预测值和旋转分量预测值进行叠加,从而得到了电能计量装置的整体计量误差预测结果。
由上可见,本发明实施例通过对已知的电能计量误差信号进行分解,从而得到误差趋势分量时间序列和误差旋转分量时间序列,基于这两种时间序列进行了预测模型的构建,进而实现了对电能计量装置的整体计量误差的预测。也即,本发明实施例实现了对电能计量误差水平的有效预测,从而使得人们能够及时地避免由于较大计量误差对电力市场的公平有序运转所产生的不良影响。
本发明实施例公开了一种具体的电能计量误差预测方法,参见图2所示,相对于上一实施例,本实施例中对技术方案作了进一步的说明和优化。具体如下:
上一实施例步骤S11的具体过程为:利用改进本征时间尺度分解法(即改进ITD法,ITD为IntrinsicTime-ScaleDecomposition,本征时间尺度分解),对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列。
更具体的,上述利用改进本征时间尺度分解法,对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列的过程包括:
步骤S111:确定目标时间段内电能计量装置的电能计量误差信号中的M个极值点坐标,M为正整数;
步骤S112:利用镜像对称延拓法,对M个极值点的两端进行极值点延拓,得到延拓后的两个极值端点坐标,并将两个极值端点坐标添入M个极值点坐标中,得到M+2个极值点坐标;
步骤S113:提取M+2个极值点坐标中每相邻两个极值点坐标之间的基线信号,得到多个基线信号;
步骤S114:利用三次样条插值对多个基线信号进行拟合,得到拟合基线信号;
步骤S115:从目标时间段内电能计量装置的电能计量误差信号中分离出拟合基线信号,得到分离后误差信号;
步骤S116:对分离后误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列。
进一步的,上一实施例步骤S12的具体过程为:构建误差趋势分量时间序列的ARMA模型(ARMA,即Auto-RegressiveandMovingAverageModel,自回归滑动平均模型),得到趋势分量预测模型,构建误差旋转分量时间序列的ARIMA模型(ARIMA,即Auto-RegressiveIntegratedMovingAverageModel,自回归积分滑动平均模型),得到旋转分量预测模型。
其中,上述构建误差趋势分量时间序列的ARMA模型,得到趋势分量预测模型,构建误差旋转分量时间序列的ARIMA模型,得到旋转分量预测模型的具体过程可以包括:
步骤S121:基于赤池信息量准则,采用从低阶往高阶逐次增加的试探方法,计算得到不同阶数所对应的赤池信息量,并将所有得到的赤池信息量中数值最小的赤池信息量所对应的阶数确定为目标预测模型的模型阶数,目标预测模型包括趋势分量预测模型和旋转分量预测模型;
步骤S122:利用非线性最小二乘估计算法和BFGS算法,确定目标预测模型的模型参数;其中,上述BFGS算法是一种拟牛顿算法;
步骤S123:根据模型阶数和模型参数,构建误差趋势分量时间序列的ARMA模型和误差旋转分量时间序列的ARIMA模型,相应地得到趋势分量预测模型和旋转分量预测模型。
为了保证模型阶数确定之前的旋转分量的稳定性,本实施例中的步骤S121之前还可以包括:
步骤S120:利用ADF法(ADF,即AugmentedDickey-Fullertest,增广迪基-福勒检验),对误差旋转分量时间序列中每一个旋转分量的稳定性进行检测;当检测出任一旋转分量的稳定性不满足预设稳定性时,利用差分运算对该旋转分量进行平稳化处理。
另外,为了降低预测模型的白噪声,本实施例步骤S123中相应地得到趋势分量预测模型和旋转分量预测模型的过程之前还可以包括:
分别对误差趋势分量时间序列的ARMA模型和误差旋转分量时间序列的ARIMA模型进行白噪声检测;当检测出任一误差分量对应的模型的白噪声大于预设噪声值时,则对该误差分量所对应的模型的模型参数进行重新调整,以使调整后得到的模型的白噪声低于或等于预设噪声值。
本发明实施例公开了一种更具体的电能计量误差预测方法,具体如下:
从电能计量装置中获取0至t时刻的电能计量误差信号x(t),其中,x(t)包含M个极值点Xi,与Xi对应出现的时刻为Ti,此时i=1,...,M。
利用镜像对称延拓法,对上述M个极值点的两端进行极值点延拓,得到延拓后的两个极值点端点坐标,即(T0,X0)和(TM+1,XM+1)。
将上述两个极值点端点坐标添入上述M个极值点中,得到了M+2个极值点坐标,此时i=0,...,M+1。
对上述M+2个极值点坐标中每相邻两个极值点坐标之间的基线信号进行提取,相应的提取公式如下:
其中,L为任一相邻极值点坐标之间的基线提取算子;α∈[0,1]为常系数,α一般取0.5;t∈[Ti,Ti+1]。
利用上述提取公式进行基线信号的提取处理后,可得到M个基线信号,分别为L1、L2、...、LM。
利用三次样条插值对上述M个基线信号进行拟合,得到拟合基线信号;接着从原始信号中分离出上述拟合基线信号,得到分离后误差信号,需要注意的是,上述原始信号是指0至t时刻获取的电能计量误差信号x(t)。
对上述分离后误差信号进行分解,相应地得到误差趋势分量时间序列和误差旋转分量时间序列。其中,具体的分解过程如下:
首先判断上述分离后误差信号是否为旋转分量,如果是,则将该分离后误差信号确定为误差旋转分量时间序列的第一个旋转分量,如果否,则将分离后误差信号作为原始信号重复上述分离操作,直到分离操作后得到的信号为一个旋转分量,此时得到的旋转分量为误差旋转分量时间序列的第一个旋转分量;将该第一个旋转分量从当前的原始信号中分离出来,得到一个新的信号,并将该新的信号确定为最新的原始信号,并重复循环上述步骤n次,最终得到包括n个旋转分量的误差旋转分量时间序列xRn(t)和包括1个趋势分量的误差趋势分量时间序列xT(t)。其中:
上式中,j=0,...,n-1,L为基线提取算子。
利用ADF法,对误差旋转分量时间序列中每一个旋转分量的稳定性进行检测;当检测出任一旋转分量的稳定性不满足预设稳定性时,利用差分运算对该旋转分量进行平稳化处理。
基于赤池信息量准则,采用从低阶往高阶逐次增加的试探方法,计算得到不同阶数所对应的赤池信息量,并将所有得到的赤池信息量中数值最小的赤池信息量所对应的阶数确定为目标预测模型的模型阶数,即当AIC(p,q)=2/N×(p+q-lnK)最小时对应的模型阶数p和q。其中,K为模型的似然函数值。上述目标预测模型包括趋势分量预测模型和旋转分量预测模型;
利用非线性最小二乘估计算法和BFGS算法,确定目标预测模型的模型参数;
根据模型阶数和模型参数,构建误差趋势分量时间序列的ARMA模型和误差旋转分量时间序列的ARIMA模型,分别对误差趋势分量时间序列的ARMA模型和误差旋转分量时间序列的ARIMA模型进行白噪声检测;当检测出任一误差分量对应的模型的白噪声大于预设噪声值时,则对该误差分量所对应的模型的模型参数进行重新调整,以使调整后得到的模型的白噪声低于或等于预设噪声值。经过上述处理后,相应地得到趋势分量预测模型和旋转分量预测模型。其中,
误差趋势分量时间序列的ARMA模型为:
误差旋转分量时间序列的ARIMA模型为:
其中,为自回归函数(p阶),θq(z-1)为滑动平均函数(q阶),ε(t)为白噪声时间序列,(1-z-1)d为d次差分运算算子。
分别利用上述ARMA模型和ARIMA模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值,对趋势分量预测值和旋转分量预测值进行叠加,便可得到电能计量装置的整体计量误差预测结果。
本发明实施例还公开了一种电能计量误差预测设备,参见图3所示,该电能计量误差预测设备包括:
误差信号分解器31,用于对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列,其中,误差趋势分量时间序列包括一个误差趋势分量,误差旋转分量时间序列包括至少两个旋转分量;
预测模型构建器32,用于分别构建误差趋势分量时间序列和误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型;
误差预测装置33,用于分别利用趋势分量预测模型和旋转分量预测模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值;
数据处理装置34,用于对趋势分量预测值和旋转分量预测值进行叠加,得到电能计量装置的整体计量误差预测结果。
本实施例中预测模型构建器32具体可以包括ARMA模型构建器和ARIMA模型构建器:其中,ARMA模型构建器可用于构建误差趋势分量时间序列的ARMA模型,得到趋势分量预测模型;ARIMA模型构建器可用于构建误差旋转分量时间序列的ARIMA模型,得到旋转分量预测模型。
本发明实施例中,通过误差信号分解器,可对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列;接着利用预测模型构建器,对误差趋势分量时间序列和误差旋转分量时间序列进行预测模型的构建,相应地得到了趋势分量预测模型和旋转分量预测模型,而误差预测装置则利用上述两种预测模型对电能计量误差进行预测,然后通过数据处理装置,对预测后得到的趋势分量预测值和旋转分量预测值进行叠加,从而得到了电能计量装置的整体计量误差预测结果。
由上可见,本发明实施例通过误差信号分解器,对已知的电能计量误差信号进行分解,从而得到误差趋势分量时间序列和误差旋转分量时间序列,预测模型构建器则可基于这两种时间序列进行预测模型的构建,进而实现了对电能计量装置的整体计量误差的预测。也即,本发明实施例公开的电能计量误差预测设备,实现了对电能计量误差水平的有效预测,从而使得人们能够及时地避免由于较大计量误差对电力市场的公平有序运转所产生的不良影响。
本发明实施例公开了一种具体的电能计量误差预测设备,参见图4所示,相对于上一实施例,本实施例对技术方案作了进一步的说明和优化。具体如下:
本实施例中误差信号分解器31具体可以为,利用改进本征时间尺度分解法,对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列的改进式误差信号分解器。
其中,上述改进式误差信号分解器具体包括:
坐标确定单元311,用于确定目标时间段内电能计量装置的电能计量误差信号中的M个极值点坐标,其中,M为正整数;
极值点延拓单元312,用于利用镜像对称延拓法,对上述M个极值点的两端进行极值点延拓;
极值点合并单元313,用于将延拓后得到的两个极值端点坐标合并到M个极值点坐标中;
基线信号提取单元314,用于提取合并处理后得到的M+2个极值点坐标中每相邻两个极值点坐标之间的基线信号,得到多个基线信号;
基线信号拟合单元315,用于利用三次样条插值函数对上述多个基线信号进行拟合,得到拟合基线信号;
信号分离单元316,用于从目标时间段内电能计量装置的电能计量误差信号中分离出拟合基线信号,得到分离后误差信号;
信号分解单元317,用于对分离后误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列。
本实施例中预测模型构建器32具体可以包括:
模型阶数确定单元321,用于基于赤池信息量准则,采用从低阶往高阶逐次增加的试探方法,计算得到不同阶数所对应的赤池信息量,并将所有得到的赤池信息量中数值最小的赤池信息量所对应的阶数确定为目标预测模型的模型阶数,目标预测模型包括趋势分量预测模型和旋转分量预测模型;
参数确定单元322,用于利用非线性最小二乘估计算法和BFGS算法,确定目标预测模型的模型参数;
ARMA模型构建单元323,用于根据模型阶数和模型参数,构建误差趋势分量时间序列的ARMA模型,得到趋势分量预测模型;
ARIMA模型构建单元324,用于根据模型阶数和模型参数,构建误差旋转分量时间序列的ARIMA模型,得到旋转分量预测模型。
为了保证模型阶数确定之前的旋转分量的稳定性,本实施例中预测模型构建器32还可以包括:
稳定性检测单元325,用于利用ADF法,对误差旋转分量时间序列中每一个旋转分量的稳定性进行检测;
平稳化处理单元326,用于当检测出任一旋转分量的稳定性不满足预设稳定性时,利用差分运算对该旋转分量进行平稳化处理。
另外,为了降低预测模型的白噪声,本实施例中预测模型构建器32还可以包括:
噪声检测单元327,用于分别对误差趋势分量时间序列的ARMA模型和误差旋转分量时间序列的ARIMA模型进行白噪声检测;
模型参数调整单元328,用于当检测出任一误差分量对应的模型的白噪声大于预设噪声值时,则对该误差分量所对应的模型的模型参数进行重新调整,以使调整后得到的模型的白噪声低于或等于预设噪声值。
进一步的,为了防止出现较大的电能计量误差,本实施例中的电能计量误差预测设备还可以包括:
与数据处理装置34连接的,用于判断整体计量误差预测结果是否大于预设警戒值的数据判断装置35;
与数据判断装置35连接的,用于当整体计量误差预测结果大于预设警戒值时,发出报警信号的报警装置36。
上述报警装置36可以包括声音报警装置、光线报警装置或声光报警装置。
另外,本实施例中的电能计量误差预测设备还可以包括:
与数据判断装置35连接的,用于当整体计量误差预测结果大于预设警戒值时,产生提示信息,并将提示信息发送至目标终端的信息发送装置37。其中,目标终端为特定技术人员的移动终端或台式计算机。
最后,还需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种电能计量误差预测方法及设备进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种电能计量误差预测方法,其特征在于,包括:
对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列,其中,所述误差趋势分量时间序列包括一个误差趋势分量,所述误差旋转分量时间序列包括至少两个旋转分量;
分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型;
分别利用所述趋势分量预测模型和所述旋转分量预测模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值;
对所述趋势分量预测值和所述旋转分量预测值进行叠加,得到所述电能计量装置的整体计量误差预测结果。
2.根据权利要求1所述的电能计量误差预测方法,其特征在于,所述对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列的过程包括:
利用改进本征时间尺度分解法,对所述目标时间段内电能计量装置的电能计量误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列。
3.根据权利要求2所述的电能计量误差预测方法,其特征在于,所述利用改进本征时间尺度分解法,对所述目标时间段内电能计量装置的电能计量误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列的过程包括:
确定所述目标时间段内电能计量装置的电能计量误差信号中的M个极值点坐标,M为正整数;
利用镜像对称延拓法,对所述M个极值点的两端进行极值点延拓,得到延拓后的两个极值端点坐标,并将所述两个极值端点坐标添入所述M个极值点坐标中,得到M+2个极值点坐标;
提取所述M+2个极值点坐标中每相邻两个极值点坐标之间的基线信号,得到多个基线信号;
利用三次样条插值对所述多个基线信号进行拟合,得到拟合基线信号;
从所述目标时间段内电能计量装置的电能计量误差信号中分离出所述拟合基线信号,得到分离后误差信号;
对所述分离后误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列。
4.根据权利要求3所述的电能计量误差预测方法,其特征在于,
所述分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型的过程包括:
构建所述误差趋势分量时间序列的ARMA模型,得到所述趋势分量预测模型,构建所述误差旋转分量时间序列的ARIMA模型,得到所述旋转分量预测模型。
5.根据权利要求4所述的电能计量误差预测方法,其特征在于,所述构建所述误差趋势分量时间序列的ARMA模型,得到所述趋势分量预测模型,构建所述误差旋转分量时间序列的ARIMA模型,得到所述旋转分量预测模型的过程包括:
基于赤池信息量准则,采用从低阶往高阶逐次增加的试探方法,计算得到不同阶数所对应的赤池信息量,并将所有得到的赤池信息量中数值最小的赤池信息量所对应的阶数确定为目标预测模型的模型阶数,所述目标预测模型包括所述趋势分量预测模型和所述旋转分量预测模型;
利用非线性最小二乘估计算法和BFGS算法,确定所述目标预测模型的模型参数;
根据所述模型阶数和所述模型参数,构建所述误差趋势分量时间序列的ARMA模型和所述误差旋转分量时间序列的ARIMA模型,相应地得到所述趋势分量预测模型和所述旋转分量预测模型。
6.根据权利要求5所述的电能计量误差预测方法,其特征在于,所述基于赤池信息量准则,采用从低阶往高阶逐次增加的试探方法,计算得到不同阶数所对应的赤池信息量的过程之前,还包括:
利用ADF法,对所述误差旋转分量时间序列中每一个旋转分量的稳定性进行检测;
当检测出任一旋转分量的稳定性不满足预设稳定性时,利用差分运算对该旋转分量进行平稳化处理。
7.根据权利要求5或6所述的电能计量误差预测方法,其特征在于,所述相应地得到所述趋势分量预测模型和所述旋转分量预测模型的过程之前,还包括:
分别对所述误差趋势分量时间序列的ARMA模型和所述误差旋转分量时间序列的ARIMA模型进行白噪声检测;
当检测出任一误差分量对应的模型的白噪声大于预设噪声值时,则对该误差分量所对应的模型的模型参数进行重新调整,以使调整后得到的模型的白噪声低于或等于所述预设噪声值。
8.一种电能计量误差预测设备,其特征在于,包括:
误差信号分解器,用于对目标时间段内电能计量装置的电能计量误差信号进行分解,得到误差趋势分量时间序列和误差旋转分量时间序列,其中,所述误差趋势分量时间序列包括一个误差趋势分量,所述误差旋转分量时间序列包括至少两个旋转分量;
预测模型构建器,用于分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型,相应地得到趋势分量预测模型和旋转分量预测模型;
误差预测装置,用于分别利用所述趋势分量预测模型和所述旋转分量预测模型对电能计量误差进行预测,相应地得到趋势分量预测值和旋转分量预测值;
数据处理装置,用于对所述趋势分量预测值和所述旋转分量预测值进行叠加,得到所述电能计量装置的整体计量误差预测结果。
9.根据权利要求8所述的电能计量误差预测设备,其特征在于,所述误差信号分解器具体为,利用改进本征时间尺度分解法,对所述目标时间段内电能计量装置的电能计量误差信号进行分解,得到所述误差趋势分量时间序列和所述误差旋转分量时间序列的改进式误差信号分解器。
10.根据权利要求9所述的电能计量误差预测设备,其特征在于,所述预测模型构建器包括:
ARMA模型构建器,用于构建所述误差趋势分量时间序列的ARMA模型,得到所述趋势分量预测模型;
ARIMA模型构建器,用于构建所述误差旋转分量时间序列的ARIMA模型,得到所述旋转分量预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510563500.0A CN105184674B (zh) | 2015-09-07 | 2015-09-07 | 一种电能计量误差预测方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510563500.0A CN105184674B (zh) | 2015-09-07 | 2015-09-07 | 一种电能计量误差预测方法及设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105184674A true CN105184674A (zh) | 2015-12-23 |
CN105184674B CN105184674B (zh) | 2018-12-18 |
Family
ID=54906730
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510563500.0A Active CN105184674B (zh) | 2015-09-07 | 2015-09-07 | 一种电能计量误差预测方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105184674B (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597350A (zh) * | 2016-11-15 | 2017-04-26 | 中国电力科学研究院 | 一种关口电能表运行误差评估方法及系统 |
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN109597014A (zh) * | 2018-11-30 | 2019-04-09 | 国网上海市电力公司 | 一种基于人工智能技术的电能表误差诊断方法 |
CN112085257A (zh) * | 2020-08-13 | 2020-12-15 | 国网上海市电力公司 | 一种基于时序分析的综合能源业务潜力预测模型 |
CN113239132A (zh) * | 2021-07-12 | 2021-08-10 | 武汉格蓝若智能技术有限公司 | 一种电压互感器的超差在线辨识方法 |
CN113821938A (zh) * | 2021-11-18 | 2021-12-21 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN114329347A (zh) * | 2022-03-07 | 2022-04-12 | 广东电网有限责任公司 | 一种电能表计量误差预测方法、装置及存储介质 |
CN115587673A (zh) * | 2022-11-10 | 2023-01-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器误差状态预测方法及系统 |
CN117613905A (zh) * | 2024-01-24 | 2024-02-27 | 国网江西省电力有限公司经济技术研究院 | 一种基于多维分量分解的电力需求中期预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604356A (zh) * | 2009-06-24 | 2009-12-16 | 南京大学 | 一种不确定性中长期水文预报模型的建立方法 |
CN101852871A (zh) * | 2010-05-25 | 2010-10-06 | 南京信息工程大学 | 基于经验模态分解和数值集合预报的短期气候预测方法 |
CN104749549A (zh) * | 2015-03-31 | 2015-07-01 | 杭州凯达电力建设有限公司 | 一种电力计量表安装信息校核系统 |
-
2015
- 2015-09-07 CN CN201510563500.0A patent/CN105184674B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604356A (zh) * | 2009-06-24 | 2009-12-16 | 南京大学 | 一种不确定性中长期水文预报模型的建立方法 |
CN101852871A (zh) * | 2010-05-25 | 2010-10-06 | 南京信息工程大学 | 基于经验模态分解和数值集合预报的短期气候预测方法 |
CN104749549A (zh) * | 2015-03-31 | 2015-07-01 | 杭州凯达电力建设有限公司 | 一种电力计量表安装信息校核系统 |
Non-Patent Citations (4)
Title |
---|
C.GUAN,P.B.LUH,L.D.MICHEL,Z.CHI: "Hybrid Kalman filters for very short-term load forecasting and prediction interval estimation", 《IEEE TRANS. POWER SYST》 * |
E.OSTLIN,H.J.ZEPERNICK,H.SUZUKI: "Macrocell path-loss prediction using artificial neural networks", 《IEEE TRANS. VEH. TECHNOL》 * |
FREI M,OSORIO I: "Intrinsic time-scale decomposition:time-frequency-energy analysis and real-time filtering of non-stationary signals", 《PROCEEDINGS OF THE ROYAL SOCIETY A》 * |
张伯明,吴文传,郑太一,孙宏斌: "消纳大规模风电的多时间尺度协调的有功调度系统设计", 《电力系统自动化》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106597350B (zh) * | 2016-11-15 | 2020-10-20 | 中国电力科学研究院 | 一种关口电能表运行误差评估方法及系统 |
CN106597350A (zh) * | 2016-11-15 | 2017-04-26 | 中国电力科学研究院 | 一种关口电能表运行误差评估方法及系统 |
CN107992968A (zh) * | 2017-11-29 | 2018-05-04 | 成都思晗科技股份有限公司 | 基于集成时间序列分析技术的电能表计量误差预测方法 |
CN109597014A (zh) * | 2018-11-30 | 2019-04-09 | 国网上海市电力公司 | 一种基于人工智能技术的电能表误差诊断方法 |
CN112085257B (zh) * | 2020-08-13 | 2024-04-12 | 国网上海市电力公司 | 一种基于时序分析的综合能源业务潜力预测模型 |
CN112085257A (zh) * | 2020-08-13 | 2020-12-15 | 国网上海市电力公司 | 一种基于时序分析的综合能源业务潜力预测模型 |
CN113239132A (zh) * | 2021-07-12 | 2021-08-10 | 武汉格蓝若智能技术有限公司 | 一种电压互感器的超差在线辨识方法 |
CN113821938A (zh) * | 2021-11-18 | 2021-12-21 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN113821938B (zh) * | 2021-11-18 | 2022-02-18 | 武汉格蓝若智能技术有限公司 | 一种互感器计量误差状态短期预测方法及装置 |
CN114329347A (zh) * | 2022-03-07 | 2022-04-12 | 广东电网有限责任公司 | 一种电能表计量误差预测方法、装置及存储介质 |
CN115587673A (zh) * | 2022-11-10 | 2023-01-10 | 武汉格蓝若智能技术股份有限公司 | 一种电压互感器误差状态预测方法及系统 |
CN117613905A (zh) * | 2024-01-24 | 2024-02-27 | 国网江西省电力有限公司经济技术研究院 | 一种基于多维分量分解的电力需求中期预测方法及系统 |
CN117613905B (zh) * | 2024-01-24 | 2024-05-14 | 国网江西省电力有限公司经济技术研究院 | 一种基于多维分量分解的电力需求中期预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105184674B (zh) | 2018-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105184674A (zh) | 一种电能计量误差预测方法及设备 | |
Lin et al. | Division algorithm and interconnection strategy of restoration subsystems based on complex network theory | |
CN103259263B (zh) | 基于有功潮流介数的电力系统关键节点辨识方法 | |
CN102779223A (zh) | 短期电力负荷预测的方法及装置 | |
CN104125112A (zh) | 基于物理-信息模糊推理的智能电网攻击检测方法 | |
Othman et al. | Rough-set-and-genetic-algorithm based data mining and rule quality measure to hypothesize distance protective relay operation characteristics from relay event report | |
CN105606931A (zh) | 一种基于量子遗传算法的中压配电网故障诊断方法 | |
CN109062056A (zh) | 一种电动自行车智能控制系统及其控制方法 | |
CN108549955B (zh) | 一种充电桩异常率确定方法及装置 | |
CN103606109A (zh) | 一种基于评估对象的电网运行安全风险综合评估方法 | |
CN112750051A (zh) | 基于随机森林算法的台区相序识别方法、装置及终端设备 | |
CN115600824A (zh) | 一种碳排放的预警方法及装置、存储介质、电子设备 | |
CN102496910B (zh) | 多设备互联网络的故障分析方法 | |
Dolgui et al. | Multi-product lot-sizing and sequencing on a single imperfect machine | |
CN113922412A (zh) | 一种新能源多场站短路比全景化评估方法、系统、存储介质及计算设备 | |
CN112950024A (zh) | 基于水电站应急指挥的决策方法、存储介质及电子设备 | |
Gusev et al. | Development concept of guaranteed verification electric power system simulation tools and its realization | |
CN107871040A (zh) | 管网连通性分析方法及装置 | |
Khosravi et al. | Forecast aided measurements data synchronisation in robust power system state estimation | |
CN111209979A (zh) | 监控车辆电压的方法、装置及电子设备 | |
CN110276852A (zh) | 无人机巡检方法及装置 | |
CN113282709B (zh) | 文本匹配方法、装置、设备及计算机可读存储介质 | |
CN106301756B (zh) | 用于sm2签名的大数模幂求逆功耗检测方法及其系统 | |
CN114900425A (zh) | 一种agc设备双通道切换方法 | |
CN111461461A (zh) | 一种水利工程异常检测方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |