CN106338708B - 结合深度学习与递归神经网络的电能计量误差分析方法 - Google Patents
结合深度学习与递归神经网络的电能计量误差分析方法 Download PDFInfo
- Publication number
- CN106338708B CN106338708B CN201610763650.0A CN201610763650A CN106338708B CN 106338708 B CN106338708 B CN 106338708B CN 201610763650 A CN201610763650 A CN 201610763650A CN 106338708 B CN106338708 B CN 106338708B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy metering
- data
- error
- metering error
- 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.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 51
- 230000000306 recurrent effect Effects 0.000 title claims abstract description 50
- 238000004458 analytical method Methods 0.000 title claims abstract description 15
- 238000013135 deep learning Methods 0.000 title claims abstract description 11
- 238000013210 evaluation model Methods 0.000 claims abstract description 103
- 238000012549 training Methods 0.000 claims abstract description 66
- 238000003066 decision tree Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 29
- 238000011156 evaluation Methods 0.000 claims abstract description 23
- 238000013500 data storage Methods 0.000 claims abstract description 17
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 238000013507 mapping Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 9
- 230000003044 adaptive effect Effects 0.000 claims description 8
- 230000000694 effects Effects 0.000 claims description 8
- 238000000556 factor analysis Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000003247 decreasing effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 7
- 210000002569 neuron Anatomy 0.000 description 5
- 238000003062 neural network model Methods 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
- G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
Abstract
本发明涉及一种结合深度学习和递归神经网络的电能计量误差分析方法和系统，所述方法包括：采集影响电能计量误差因素的数据，根据所述数据建立数据存储和共享平台,并且对实际计量电能数据与理论电能数据进行初步计算得到电能计量初始误差；利用基于多变量决策树的专家评估模型和基于递归神经网络的误差评估模型分别对影响电能计量误差的各种因素数据与电能计量初始误差数据进行加权训练，分别得到所述模型下的最终电能计量误差；以及在上述两种模型对电能计量误差评估结果的基础上，基于AdaBoost的自适应集成学习模型，利用加权投票机制构建最终的电能计量误差评估分析模型，进行电网中电能计量误差的评估。
Description
技术领域
本发明涉及电能计量误差分析方法领域，尤其涉及一种结合深度学习算法和递归神经网络的电能计量误差分析方法及系统。
背景技术
基于多变量决策树的专家系统是深度学习算法中的一种，其是将人类在某一方面的多位专家具有的知识、经验、推理、技能综合后编制成的大型计算机程序，从而使计算机系统有了思维能力。专家系统可以汇集众多专家的知识，进行分析、比较、推理，最终得出正确的结论。由于专家系统具有知识来源比较规范，擅长大型系统的随机分析等特点，已经广泛应用于航空、航天、机械、化工、船舶等许多领域。
递归神经网络是一类以在网络中出现环为特点的网络模型，并且能存储着神经元这一时刻的输入与前一时刻输出的依赖关系。递归神经网络中信号从一个神经元到另一个神经元，并不会马上消失，而是继续存活，并且具有动态性。递归神经网络由输入、网络权值和阀值、求和单元、传递函数与输出等部分组成。递归神经网络是一种具有固定的权值、外部的输入和内部的状态的神经网络，可将其看作以权值和外部输入为参数的，关于内部状态的行为动力学。根据基本变量是神经元状态(神经元外部状态)或局部场状态(神经元内部状态)，或者从外部状态和内部状态作为建模方法来分，递归神经网络分为静态场神经网络模型和局部场神经网络模型。
AdaBoost也是深度学习算法中的一种，其为迭代式集成学习算法，它的核心思想是针对同一个训练集训练不同的分类器，即弱分类器，然后把这些弱分类器集合起来，构造一个更强的最终分类器。算法根据每次训练集之中的每个样本的分类是否正确，以及上次的总体分类的准确率，来确定每个样本的权值。将修改权值的新数据送给下层分类器进行训练，然后将每次训练得到的分类器融合起来，作为最后的决策分类器。
当前主流的电能计量误差分析主要采用标准表比对法，但是电能表的实际安装和运行环境复杂多样，在实验室利用标准电能表在参比电压、参比电流和恒定温湿度环境下得到的电能表的误差数据不能准确反映其实际运行性能，因此，需综合考虑电网运行工况、负载运行情况和环境信息等多种因素的影响，力求更科学准确地评价电能表的实际运行性能。
发明内容
为了解决上述问题，本发明提出一种结合深度学习算法和递归神经网络的电能计量误差分析方法和系统。其中所述电能计量误差分析方法包括：
采集影响电能计量误差因素的数据，根据所述数据建立数据存储和共享平台，并且在数据存储和共享平台中对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差；
以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的第一最终电能计量误差；
以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述评估模型下的第二最终电能计量误差；
以所述第一最终电能计量误差和第二最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型，进行电网中电能计量误差的评估。
优选地，所述影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
优选地，电能计量初始误差的计算公式为：
电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
优选地，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的最终电能计量误差的方法包括：
将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝<U,A,V,f>,其中U为论域，是所有属性的集合，进一步可分为条件属性C和决策属性D，其中C为影响电能计量误差因素的数据，D为电能计量初始误差数据,V＝UP∈AVp,Vp是属性P的值域:f:U×A→V,Vp为信息函数；
计算条件属性集C相对于决策属性集D的核，即CORED(C)；
若CORED(C)＝C∩D，则用ID3(ID3算法是一种贪心算法，用来构造决策树)的方法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差；
若CORED(C)≠C∩D，则设CORED(C)＝{a1,a2,...,ak}，令P＝a1∧a2∧...∧ak,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
优选地，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述评估模型下的最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据，设计上述数据相对应的样本和编码，通过递归神经网络建立上述数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
优选地，以利用基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的电能计量误差评估模型得到的最终电能计量误差的大小为限定条件，基于AdaBoost算法的自适应集成学习模型，利用加权投票机制构建最终的电能计量误差评估模型的步骤包括：
给定包含基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的误差评估模型的最终电能计量误差的数据的训练样本集S，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ωi，负例样本权重为ωj，T为训练的最大循环次数；
初始化样本权重，即训练样本的初始概率分布为正例样本
负例样本
(i，j＝1，2，…n/2)；
进行第k次迭代：
第一步，根据样本权重ωi和ωj，通过进行抽样产生训练集，在训练集基础上训练弱分类器；
第二步，计算弱分类器的错误率εk；
第三步，选取错误率εk的阈值M，使得误差最小，如果εk<M不成立,更新样本权重ωi和ωj，返回第一步；；
第四步，如果εk<M成立，计算第k次迭代后的弱分类器的权重αk并进行第(k+1)次迭代；
将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终电能计量误差评估模型。
优选地，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率。
所述结合深度学习算法和递归神经网络的电能计量误差分析系统包括：
数据存储和共享平台，用于采集影响电能计量误差因素的数据，并且对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差；
第一最终电能计量误差评估装置，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的第一最终电能计量误差；
第二最终电能计量误差评估装置，，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述评估模型下的第二最终电能计量误差；以及
最终电能计量误差评估装置，用于以上述两种评估模型分析得到的最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型进行电网中电能计量误差的评估。
优选地，所述数据存储和共享平台中影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
优选地，所述数据存储和共享平台中的电能计量初始误差的计算公式为：
电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
优选地，所述第一最终电能计量误差评估装置以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的第一最终电能计量误差的方法包括：
将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝<U,A,V,f>，其中U为论域，是所有属性的集合，进一步可分为条件属性C和决策属性D，其中C为影响电能计量误差因素的数据，D为电能计量初始误差数据,V＝UP∈AVp,Vp是属性P的值域:f:U×A→V,Vp为信息函数；
计算条件属性集C相对于决策属性集D的核，即CORED(C)；
若CORED(C)＝C∩D，则用ID3(ID3算法是一种贪心算法，用来构造决策树)的方法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差；
若CORED(C)≠C∩D，则设CORED(C)＝{a1,a2,...,ak}，令P＝a1∧a2∧...∧ak,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
优选地，所述第二最终电能计量误差评估装置以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述评估模型下的最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据，设计上述数据相对应的样本和编码，通过递归神经网络建立上述数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
优选地，所述最终电能计量误差评估装置以利用基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的电能计量误差评估模型得到的最终电能计量误差的大小为限定条件，利用基于AdaBoost算法的自适应集成学习模型，通过加权投票机制构建最终的电能计量误差评估模型的步骤包括：
给定包含基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的误差评估模型的最终电能计量误差的数据的训练样本集S，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ωi，负例样本权重为ωj，T为训练的最大循环次数；
初始化样本权重，即训练样本的初始概率分布为正例样本
负例样本
(i，j＝1，2，…n/2)；
进行第k次迭代：
第一步，根据样本权重ωi和ωj，通过进行抽样产生训练集，在训练集基础上训练弱分类器；
第二步，计算弱分类器的错误率εk；
第三步，选取错误率εk的阈值M，使得误差最小，如果εk<M不成立,更新样本权重ωi和ωj，返回第一步；；
第四步，如果εk<M成立，计算第k次迭代后的弱分类器的权重αk并进行第(k+1)次迭代；
将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终电能计量误差评估模型。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式。
图1示出了根据本发明实施方式的电能计量误差分析方法流程图；
图2示出了根据本发明实施方式的建立基于多变量决策树的电能计量误差专家评估模型的流程图；
图3示出了根据本发明实施方式的递归神经网络的拓扑结构图；图4示出了根据本发明实施方式的利用AdaBoost算法训练最终电能计量误差评估模型的流程图；以及
图5示出了根据本发明实施方式的电能计量误差评估系统的结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式。本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1是根据本发明实施方式的电能计量误差分析方法流程图。如图1所示，本发明提出的结合深度学习算法和递归神经网络的电能计量误差分析方法包括：
在步骤S101，采集影响电能计量误差因素的数据，根据所述数据建立数据存储和共享平台，并且在数据存储和共享平台中对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差。
优选地，所述影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
优选地，电能计量初始误差的计算公式为：
电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
在步骤S102，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的第一最终电能计量误差。
在步骤S103，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述评估模型下的第二最终电能计量误差。
在步骤S104，以所述第一最终电能计量误差和第二最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型。
在步骤S105，利用最终的电能计量误差评估模型进行电网中电能计量误差的评估。
图2是根据本发明实施方式的建立基于多变量决策树的电能计量误差专家评估模型的流程图。
优选地，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的最终电能计量误差的方法包括：
在步骤S201，将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝<U,A,V,f>,其中U为论域，是所有属性的集合，进一步可分为条件属性C和决策属性D，其中C为影响电能计量误差因素的数据，D为电能计量初始误差数据,V＝UP∈AVp,Vp是属性P的值域:f:U×A→V,Vp为信息函数；
在步骤S202，计算条件属性集C相对于决策属性集D的核，即CORED(C)；
在步骤S203，若CORED(C)＝C∩D，则用ID3(ID3算法是一种贪心算法，用来构造决策树)的方法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差；
在步骤S204，若CORED(C)≠C∩D，则设CORED(C)＝{a1,a2,...,ak}，令P＝a1∧a2∧...∧ak,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
图3是根据本发明实施方式的递归神经网络的拓扑结构图。
优选地，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述评估模型下的最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据，设计上述数据相对应的样本和编码，通过递归神经网络建立上述数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
如图3所示，设计输入层为N1个节点，此发明中N1值为6，输入节点分别为电能计量初始误差数据、电网谐波等运行数据、负载运行情况、环境信息、互感器数据、A/D转换器精度数据，分别用X1(h)…X6(h)表示。隐含层为N2个节点，此处N2值为6与输入层相对应。输出层为1个节点Y(h)，为输入层多种因素作用下的电能计量最终误差。其中，隐层节点不仅接收来自输入层的输出信号，还接收自身延时的输出信号。
Xi(h)是在时间h的第i个隐层节点输入,Bj(h)是在时间h的第j个隐层节点的输出,Y(h)为1维输出向量。该递归神经网络内部关系可描述为：
Bj(h)＝f(Sj(h)) (2)
其中:WI，WR，Wo分别为从输入层到隐含层、回归信号、从隐含层到输出层的权系数；
分别为隐含层和输出层上的偏差单元的权系数；f(·)为sigmoid函数。T、U分别为网络中预先设定的输出层和隐含层的偏差值。
图4是利用AdaBoost算法训练最终电能计量误差评估模型的流程图。
优选地，以利用基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的电能计量误差评估模型得到的最终电能计量误差的大小为限定条件，基于AdaBoost算法的自适应集成学习模型，利用加权投票机制构建最终的电能计量误差评估模型的步骤包括：
在步骤S401，给定包含基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的误差评估模型的最终电能计量误差的数据的训练样本集S，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ωi，负例样本权重为ωj，T为训练的最大循环次数；
在步骤S402，初始化样本权重，即训练样本的初始概率分布为正例样本
负例样本
(i，j＝1，2，…n/2)；
在步骤S403，进行第k次迭代：
第一步，根据样本权重ωi和ωj，通过进行抽样产生训练集，在训练集基础上训练弱分类器；
第二步，计算弱分类器的错误率εk；
第三步，选取错误率εk的阈值M，使得误差最小，如果εk<M不成立,更新样本权重ωi和ωj，返回第一步；优选地，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率。
第四步，如果εk<M成立，计算第k次迭代后的弱分类器的权重αk并进行第(k+1)次迭代；
在步骤S404，将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终电能计量误差评估模型。
图5是根据本发明实施方式的电能计量误差评估系统的结构图。如图5所示，电能计量误差评估系统500包括数据存储和共享平台501、第一最终电能计量误差评估装置502、第二最终电能计量误差评估装置503和最终电能计量误差评估装置504。
数据存储和共享平台501，用于采集影响电能计量误差因素的数据，并且对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差。
优选地，所述数据存储和共享平台501中影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
优选地，所述数据存储和共享平台中的电能计量初始误差的计算公式为：
电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
第一电能计量误差评估装置502，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的第一最终电能计量误差。
图2是根据本发明实施方式的建立基于多变量决策树的电能计量误差专家评估模型的流程图。
优选地，所述第一最终电能计量误差评估装置502以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述评估模型下的第一最终电能计量误差的方法包括：
在步骤S201，将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝<U,A,V,f>,其中U为论域，是所有属性的集合，进一步可分为条件属性C和决策属性D，其中C为影响电能计量误差因素的数据，D为电能计量初始误差数据,V＝UP∈AVp,Vp是属性P的值域:f:U×A→V,Vp为信息函数；
在步骤S202，计算条件属性集C相对于决策属性集D的核，即CORED(C)；
在步骤S203，若CORED(C)＝C∩D，则用ID3(ID3算法是一种贪心算法，用来构造决策树)的方法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差；
在步骤S204，若CORED(C)≠C∩D，则设CORED(C)＝{a1,a2,...,ak}，令P＝a1∧a2∧...∧ak,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
第二电能计量误差评估装置503，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型，对所述输入数据进行加权训练，得到所述评估模型下的第二最终电能计量误差。
图3是根据本发明实施方式的递归神经网络的拓扑结构图。
优选地，所述第二最终电能计量误差评估装置503以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述评估模型下的最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据，设计上述数据相对应的样本和编码，通过递归神经网络建立上述数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
如图3所示，设计输入层为N1个节点，此发明中N1值为6，输入节点分别为电能计量初始误差数据、电网谐波等运行数据、负载运行情况、环境信息、互感器数据、A/D转换器精度数据，分别用X1(h)…X6(h)表示。隐含层为N2个节点，此处N2值为6与输入层相对应。输出层为1个节点Y(h)，为输入层多种因素作用下的电能计量最终误差。其中，隐层节点不仅接收来自输入层的输出信号，还接收自身延时的输出信号。
Xi(h)是在时间h的第i个隐层节点输入,Bj(h)是在时间h的第j个隐层节点的输出,Y(h)为1维输出向量。该递归神经网络内部关系可描述为：
Bj(h)＝f(Sj(h)) (2)
其中:WI，WR，Wo分别为从输入层到隐含层、回归信号、从隐含层到输出层的权系数；
分别为隐含层和输出层上的偏差单元的权系数；f(·)为sigmoid函数。T、U分别为网络中预先设定的输出层和隐含层的偏差值。
最终电能计量误差评估装置504，用于以上述两种评估模型分析得到的最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型进行电网中电能计量误差的评估。
图4是利用AdaBoost算法训练最终电能计量误差评估模型的流程图。
优选地，所述最终电能计量误差评估装置504以利用基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的电能计量误差评估模型得到的最终电能计量误差的大小为限定条件，利用基于AdaBoost算法的自适应集成学习模型，通过加权投票机制构建最终的电能计量误差评估模型的步骤包括：
在步骤S401，给定包含基于多变量决策树的电能计量误差专家评估模型和基于递归神经网络的误差评估模型的最终电能计量误差的数据的训练样本集S，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ωi，负例样本权重为ωj，T为训练的最大循环次数；
在步骤S402，初始化样本权重，即训练样本的初始概率分布为正例样本
负例样本
(i，j＝1，2，…n/2)；
在步骤S403，进行第k次迭代：
第一步，根据样本权重ωi和ωj，通过进行抽样产生训练集，在训练集基础上训练弱分类器；
第二步，计算弱分类器的错误率εk；
第三步，选取错误率εk的阈值M，使得误差最小，如果εk<M不成立,更新样本权重ωi和ωj，返回第一步；优选地，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率。
第四步，如果εk<M成立，计算第k次迭代后的弱分类器的权重αk并进行第(k+1)次迭代；
在步骤S404，将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终电能计量误差评估模型。
已经通过上述实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
Claims (11)
1.一种结合深度学习算法和递归神经网络的电能计量误差分析方法，其特征在于，所述电能计量误差分析方法包括：
采集影响电能计量误差因素的数据，根据所述数据建立数据存储和共享平台，并且在数据存储和共享平台中对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差；
以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差；
以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差；
以所述第一最终电能计量误差和第二最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型，其中：
步骤1、给定包含第一最终电能计量误差和第二最终电能计量误差的数据的训练样本集，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ωi，负例样本权重为ωj，T为训练的最大循环次数；
步骤2、初始化样本权重，即训练样本的初始概率分布为正例样本
负例样本
i，j＝1，2，…n/2；
步骤3、进行第k次迭代；
第一步，根据样本权重ωi和ωj，通过进行抽样产生训练集，在训练集基础上训练弱分类器，并计算弱分类器的错误率εk；
第二步，选取错误率εk的阈值M，使得误差最小，如果εk<M不成立,更新样本权重ωi和ωj，返回第一步；
第三步，如果εk<M成立，计算第k次迭代后的弱分类器的权重αk，并进行第k+1次迭代；
步骤4、将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终的电能计量误差评估模型；
利用最终的电能计量误差评估模型进行电网中电能计量误差的评估。
2.根据权利要求1所述的电能计量误差分析方法，其特征在于，所述影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
3.根据权利要求2所述的电能计量误差分析方法，其特征在于，电能计量初始误差的计算公式为：
电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
4.根据权利要求1所述的电能计量误差分析方法，其特征在于，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差的方法包括：
将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝〈U,A,V,f>，其中U为论域，A是所有属性的集合，A进一步可分为条件属性集C和决策属性集D，其中C为影响电能计量误差因素的数据的集合，D为电能计量初始误差数据的集合,
Vp是属性P的值域，f:U×A→V，f为信息函数；
计算条件属性集C相对于决策属性集D的核CORED(C)；
若CORED(C)＝C∩D，则用ID3算法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差，其中ID3算法是一种贪心算法，用来构造决策树；
若CORED(C)≠C∩D，则设CORED(C)＝{a1,a2……al}，所述a1,a2……al是核CORED(C)的核属性，令P＝a1∧a2∧…∧al,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
5.根据权利要求1所述的电能计量误差分析方法，其特征在于，以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，设计所述输入数据相对应的样本和编码，通过递归神经网络建立所述输入数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
6.根据权利要求5所述的电能计量误差分析方法，其特征在于，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率。
7.一种结合深度学习算法和递归神经网络的电能计量误差分析系统，其特征在于，所述系统包括：
数据存储和共享平台，用于采集影响电能计量误差因素的数据，并且对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差；
第一电能计量误差评估装置，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差；
第二电能计量误差评估装置，用于以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型，对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差；以及
最终电能计量误差评估装置，用于以所述第一最终电能计量误差和第二最终电能计量误差为基础，利用基于AdaBoost算法的自适应集成学习模型，以上述两种评估模型分析得到的最终电能计量误差的大小为限定条件，利用加权投票机制构建最终的电能计量误差评估模型进行电网中电能计量误差的评估，其中，利用加权投票机制构建最终的电能计量误差评估模型包括：
步骤1、给定包含第一最终电能计量误差和第二最终电能计量误差的数据的训练样本集，其中样本集分为正例样本集和负例样本集，样本集中的正例样本的数量i和负例样本的数量j之和为n，样本集中正例样本权重为ωi，负例样本权重为ωj，T为训练的最大循环次数；
步骤2、初始化样本权重，即训练样本的初始概率分布为正例样本
负例样本
i，j＝1，2，…n/2；
步骤3、进行第k次迭代；
第一步，根据样本权重ωi和ωj，通过进行抽样产生训练集，在训练集基础上训练弱分类器，并计算弱分类器的错误率εk；
第二步，选取错误率εk的阈值M，使得误差最小，如果εk<M不成立,更新样本权重ωi和ωj，返回第一步；
第三步，如果εk<M成立，计算第k次迭代后的弱分类器的权重αk，并进行第k+1次迭代；
步骤4、将T次迭代后得到的T个弱分类器按更新的权重叠加，最终得到强分类器，建立最终的电能计量误差评估模型。
8.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述数据存储和共享平台中影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度，其中，所述电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
9.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述数据存储和共享平台中的电能计量初始误差的计算公式为：
电能计量初始误差＝(实际电能计量数据－理论电能计量数据)/理论电能计量数据。
10.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述第一最终电能计量误差评估装置以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于多变量决策树的电能计量误差专家评估模型对所述输入数据进行加权训练，得到所述基于多变量决策树的电能计量误差专家评估模型下的第一最终电能计量误差的方法包括：
将基于多变量决策树的电能计量误差专家评估模型S定义为一个四元组S＝<U,A,V,f>，其中U为论域，A是所有属性的集合，A进一步可分为条件属性集C和决策属性集D，其中C为影响电能计量误差因素的数据的集合，D为电能计量初始误差数据的集合,
Vp是属性P的值域，f:U×A→V，f为信息函数；
计算条件属性集C相对于决策属性集D的核CORED(C)；
若CORED(C)＝C∩D，则用ID3算法选择最佳属性作为CORED(C)的检验，所述最佳属性即是第一最终电能计量误差，其中ID3算法是一种贪心算法，用来构造决策树；
若CORED(C)≠C∩D，则设CORED(C)＝{a1,a2……al}，所述a1,a2……al是核CORED(C)的核属性，令P＝a1∧a2∧…∧al,计算P相对于D的泛化GEND(P)，将它作为CORED(C)的检验，所述GEND(P)即是第一最终电能计量误差。
11.根据权利要求7所述的电能计量误差分析系统，其特征在于，所述第二最终电能计量误差评估装置以电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，利用基于递归神经网络的电能计量误差评估模型对所述输入数据进行加权训练，得到所述基于递归神经网络的电能计量误差评估模型下的第二最终电能计量误差的方法是利用因子分析算法提取电能计量初始误差数据和影响电能计量误差因素的数据作为输入数据，设计所述输入数据相对应的样本和编码，通过递归神经网络建立所述输入数据与第二最终电能计量误差之间的映射关系，并在所得映射关系基础上，求出第二最终电能计量误差。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610763650.0A CN106338708B (zh) | 2016-08-30 | 2016-08-30 | 结合深度学习与递归神经网络的电能计量误差分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610763650.0A CN106338708B (zh) | 2016-08-30 | 2016-08-30 | 结合深度学习与递归神经网络的电能计量误差分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106338708A CN106338708A (zh) | 2017-01-18 |
| CN106338708B true CN106338708B (zh) | 2020-04-24 |
Family
ID=57824077
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610763650.0A Active CN106338708B (zh) | 2016-08-30 | 2016-08-30 | 结合深度学习与递归神经网络的电能计量误差分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106338708B (zh) |
Families Citing this family (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107992968B (zh) * | 2017-11-29 | 2021-12-24 | 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 |
| CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
| CN109061544B (zh) * | 2018-08-23 | 2020-11-06 | 广东工业大学 | 一种电能计量误差估计方法 |
| CN109307852A (zh) * | 2018-09-06 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统 |
| CN109889724B (zh) * | 2019-01-30 | 2020-11-06 | 北京达佳互联信息技术有限公司 | 图像虚化方法、装置、电子设备及可读存储介质 |
| CN111400966B (zh) * | 2020-04-16 | 2023-04-07 | 三峡大学 | 一种基于改进AdaBoost的电力系统静态电压稳定评估方法 |
| CN111551888A (zh) * | 2020-04-23 | 2020-08-18 | 宁夏隆基宁光仪表股份有限公司 | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 |
| CN112465266A (zh) * | 2020-12-14 | 2021-03-09 | 中国南方电网有限责任公司 | 一种母线负荷预测准确率分析方法、装置及计算机设备 |
| CN113447879A (zh) * | 2021-05-27 | 2021-09-28 | 国网山东省电力公司营销服务中心(计量中心) | 基于多应力影响的电能表计量误差预测方法、系统及装置 |
| CN113449258B (zh) * | 2021-05-28 | 2022-12-27 | 国网河北省电力有限公司营销服务中心 | 智能电表的质量评估方法、装置、终端设备及存储介质 |
| CN114266277A (zh) * | 2021-12-27 | 2022-04-01 | 四川大学 | 一种电能质量扰动分类方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
| CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
| CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
| CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
| CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7099880B2 (en) * | 2002-01-31 | 2006-08-29 | International Business Machines Corporation | System and method of using data mining prediction methodology |
-
2016
- 2016-08-30 CN CN201610763650.0A patent/CN106338708B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
| CN103293487A (zh) * | 2013-06-28 | 2013-09-11 | 哈尔滨工业大学 | 基于集成模型的锂离子电池寿命预测方法 |
| CN103902816A (zh) * | 2014-03-12 | 2014-07-02 | 郑州轻工业学院 | 基于数据挖掘技术的带电检测数据处理方法 |
| CN104239970A (zh) * | 2014-09-04 | 2014-12-24 | 国家电网公司 | 一种基于Adaboost的输电线舞动风险预警方法 |
| CN104535865A (zh) * | 2014-12-30 | 2015-04-22 | 西安工程大学 | 基于多参数的电力变压器运行故障综合诊断方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于机器学习的电力系统暂态稳定评估研究;叶圣永;《中国博士学位论文全文数据库工程科技II辑》;20100815;第C042-22页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106338708A (zh) | 2017-01-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106338708B (zh) | 结合深度学习与递归神经网络的电能计量误差分析方法 | |
| Anastasakis et al. | The development of self-organization techniques in modelling: a review of the group method of data handling (GMDH) | |
| Zhang et al. | Residual compensation extreme learning machine for regression | |
| Ni et al. | Variance-based global sensitivity analysis for power systems | |
| CN111860982A (zh) | 一种基于vmd-fcm-gru的风电场短期风电功率预测方法 | |
| Hou et al. | Sparse oblique decision tree for power system security rules extraction and embedding | |
| Karim et al. | Random satisfiability: A higher-order logical approach in discrete Hopfield Neural Network | |
| Lahdelma et al. | Stochastic multicriteria acceptability analysis (SMAA) | |
| Liang et al. | A combined model based on CEEMDAN, permutation entropy, gated recurrent unit network, and an improved bat algorithm for wind speed forecasting | |
| CN106656357B (zh) | 一种工频通信信道状态评估系统和方法 | |
| CN111832825A (zh) | 融合长短期记忆网络和极限学习机的风电预测方法及系统 | |
| Rajaram et al. | Deep Gaussian process enabled surrogate models for aerodynamic flows | |
| Aggarwal et al. | On sensor selection in linked information networks | |
| Kiran et al. | Tree-seed programming for modelling of Turkey electricity energy demand | |
| Cruz et al. | Neural network prediction interval based on joint supervision | |
| Sharma et al. | Machine learning based effort estimation using standardization | |
| CN107742029A (zh) | 基于支持向量机的增识度超回归负荷建模多曲线拟合模型 | |
| Weihong et al. | Optimization of BP neural network classifier using genetic algorithm | |
| Du et al. | Prediction of chaotic time series of rbf neural network based on particle swarm optimization | |
| Danilin et al. | Algorithm for determining optimum operation tolerances of memristor-based artificial neural networks | |
| Chaturvedi | Soft computing techniques and their applications | |
| Loseva et al. | Ensembles of neural networks with application of multi-objective self-configurable genetic programming | |
| Bouaziz et al. | Universal approximation propriety of flexible beta basis function neural tree | |
| Zain Al-Thalabi et al. | Modeling and prediction using an artificial neural network to study the impact of foreign direct investment on the growth rate/a case study of the State of Qatar | |
| Pianosi et al. | ANN-based representation of parametric and residual uncertainty of models |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20170724 Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant after: China Electric Power Research Institute Applicant after: State Grid Corporation of China Applicant after: State Grid Tianjin Electric Power Company Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant before: China Electric Power Research Institute Applicant before: State Grid Corporation of China |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |