CN107490778A - 一种计量误差影响因素多因素定量分析方法 - Google Patents
一种计量误差影响因素多因素定量分析方法 Download PDFInfo
- Publication number
- CN107490778A CN107490778A CN201710739780.5A CN201710739780A CN107490778A CN 107490778 A CN107490778 A CN 107490778A CN 201710739780 A CN201710739780 A CN 201710739780A CN 107490778 A CN107490778 A CN 107490778A
- Authority
- CN
- China
- Prior art keywords
- mrow
- error
- dipping
- acquisition system
- data acquisition
- 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
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
Abstract
本发明公开了一种可以实现定量描述的计量误差影响因素多因素定量分析方法。该计量误差影响因素多因素定量分析方法通过获取大量的多因素数据,在大量多因素数据的基础上通过异常值处理、无量纲化处理、离散化处理和合理的分析算法对电能表的计量误差影响因素进行定量分析,克服了定性分析存在的定量不足,可以准确得到多因素对计量误差的影响程度,并通过数值量化反映,可以直观的显示每个因素对计量误差的影响大小。适合在电能表计量技术领域推广应用。
Description
技术领域
本发明涉及电能表计量技术领域,尤其是一种计量误差影响因素多因素定量分析方法。
背景技术
随着国民经济的不断发展和人们生活水平的不断提高,每年的用电量也在稳步增长。电能表计量的准确性与电力企业和用户的经济利益直接相关,学术、行业对电能表计量误差产生机制和影响因素一直有所尝试。现有的计量误差影响因素主要包括定性研究,定性研究的方法主要依据电能表的计量机械或电子原理对可能的影响因素进行定性的分析。这也是目前主要的方法。这类方法存在的问题比较明显,就是定性的方法不能进行定量的描述,且定性分析的因素不一定完整客观。
发明内容
本发明所要解决的技术问题是提供一种可以实现定量描述的计量误差影响因素多因素定量分析方法。
本发明解决其技术问题所采用的技术方案为:该计量误差影响因素多因素定量分析方法,包括以下步骤:
1)、获取计量误差影响因素电压x1数据集合{di,d,k,1},获取计量误差影响因素电流x2数据集合{di,d,k,2},获取计量误差影响因素有功功率x3数据集合{di,d,k,3},获取计量误差影响因素总有功功率x4数据集合{di,d,k,4},获取计量误差影响因素无功功率x5数据集合{di,d,k,5},获取计量误差影响因素总无功功率x6数据集合{di,d,k,6},获取计量误差影响因素相位角x7数据集合{di,d,k,7},获取计量误差影响因素温度x8数据集合{di,d,k,8},获取计量误差影响因素湿度x9数据集合{di,d,k,9},获取计量误差数据集合{Ye},其中下标i表示第i个电能表,下标d表示第d个时间窗口,所述时间窗口为天或小时或分钟,k表示第d个时间窗口内第k个观察记录,Ye表示di,d,k,1、di,d,k,2、di,d,k,3di,d,k,4、di,d,k,5、di,d,k,6、di,d,k,7、di,d,k,8、di,d,k,9所对应的计量误差值;
2)、对获取的数据集合{di,d,k,z}进行异常值处理;具体处理方法如下:将获取的数据di,d,k,z依次带入如下两个判断公式:
若di,d,k,z同时不满足其中任意一个公式,则该di,d,k,z数值为正常值,若di,d,k,z满足其中任意一个判断公式,则该di,d,k,z数值为异常值,并将该异常的di,d,k,z值从数据集合{di,d,k,z}中剔除;同时剔除计量误差数据集合{Ye}中异常的di,d,k,z所对应的Ye值以及剔除的Ye值所对应的所有的影响因素数据值;
3)、对剔除异常值的多因素数据集合{di,d,k,z}和计量误差数据集合{Ye}进行无量纲化处理,具体分方法如下:将di,d,k,z依次带入以下公式得到无量纲的数据集合{xz},将Ye依次带入以下公式得到无量纲的计量误差数据集合{Yi},
4)、对计量误差数据集合{Yi}进行分箱离散化处理得到计量误差分箱离散化数据集合{label};结合label对数据集合{xz}进行数据离散化处理得到离散数据集合{dxz},将数据集合{xz}进行数据离散化处理得到多因素离散数据集合{dxz}的方法如下:
a:定义信息熵计算函数其中nyi表示离散型变量第i个属性值的个数,n表示该离散变量的总个数;
b:初始化x的划分点集合cutindex={};
c:确定所有的划分点集合allcutpoints=distinct{x};
d:对allcutpoints的每个划分点pi进行数据划分,并根据公式计算pi划分后的信息熵ei;
e:选择max(ei)对应的划分点pimax作为最佳划分点,划分后的信息熵记为eimax;
f:对pimax左右两侧的标签变量label分别记为labell、labelr;label、labell、labelr对应的属性数分别与k、kl、kr;label的样本数记为m,计算cond:
g:若ent(y)-eimax>cond,则将pimax添加到cutindex;并对xl xr执行b步骤,否则结束;
5)、将离散数据集合{dxz}与计量误差分箱离散化数据label通过最小二乘法拟合得到如下公式:Ye=ε+a1x1+a2x2+…+azxz,其中az表示因素xz对计量误差Ye的影响大小。
进一步的是,所述
本发明的有益效果:该计量误差影响因素多因素定量分析方法通过获取大量的多因素数据,在大量多因素数据的基础上通过异常值处理、无量纲化处理、离散化处理和合理的分析算法对电能表的计量误差影响因素进行定量分析,克服了定性分析存在的定量不足,可以准确得到多因素对计量误差的影响程度,并通过数值量化反映,可以直观的显示每个因素对计量误差的影响大小。
具体实施方式
本发明所述的计量误差影响因素多因素定量分析方法,包括以下步骤:
1)、获取计量误差影响因素电压x1数据集合{di,d,k,1},获取计量误差影响因素电流x2数据集合{di,d,k,2},获取计量误差影响因素有功功率x3数据集合{di,d,k,3},获取计量误差影响因素总有功功率x4数据集合{di,d,k,4},获取计量误差影响因素无功功率x5数据集合{di,d,k,5},获取计量误差影响因素总无功功率x6数据集合{di,d,k,6},获取计量误差影响因素相位角x7数据集合{di,d,k,7},获取计量误差影响因素温度x8数据集合{di,d,k,8},获取计量误差影响因素湿度x9数据集合{di,d,k,9},获取计量误差数据集合{Ye},其中下标i表示第i个电能表,下标d表示第d个时间窗口,所述时间窗口为天或小时或分钟,k表示第d个时间窗口内第k个观察记录,Ye表示di,d,k,1、di,d,k,2、di,d,k,3di,d,k,4、di,d,k,5、di,d,k,6、di,d,k,7、di,d,k,8、di,d,k,9所对应的计量误差值;
2)、对获取的数据集合{di,d,k,z}进行异常值处理;具体处理方法如下:将获取的数据di,d,k,z依次带入如下两个判断公式:
若di,d,k,z同时不满足其中任意一公式,则该di,d,k,z数值为正常值,若di,d,k,z满足其中任意一个判断公式,则该di,d,k,z数值为异常值,并将该异常的di,d,k,z值从数据集合{di,d,k,z}中剔除;同时剔除计量误差数据集合{Ye}中异常的di,d,k,z所对应的Ye值以及剔除的Ye值所对应的所有的影响因素数据值;
C、在电能表计量环境中,每个因素的数据单位与计量误差的单位是不同的,为分析各个因素与电能表计量误差的相关性,对剔除异常值的多因素数据集合{di,d,k,z}和计量误差数据集合{Ye}进行无量纲化处理,具体分方法如下:将di,d,k,z依次带入以下公式得到无量纲的数据集合{xz},将Ye依次带入以下公式得到无量纲的计量误差数据集合{Yi},
D、由于获取的单因素数据都是通过传感器获得,鉴于传感器数据的高灵敏性,为较好分析影响单因素与电能表计量误差的关系,对数据进行离散化操作,以解决传感器数据高灵敏带来的影响,对计量误差数据集合{Yi}进行分箱离散化处理得到计量误差分箱离散化数据集合{label};结合label对数据集合{xz}进行数据离散化处理得到离散数据集合{dxz},将数据集合{xz}进行数据离散化处理得到多因素离散数据集合{dxz}的方法如下:
a:定义信息熵计算函数其中nyi表示离散型变量第i个属性值的个数,n表示该离散变量的总个数;
b:初始化x的划分点集合cutindex={};
c:确定所有的划分点集合allcutpoints=distinct{x};
d:对allcutpoints的每个划分点pi进行数据划分,并根据公式计算pi划分后的信息熵ei;
e:选择max(ei)对应的划分点pimax作为最佳划分点,划分后的信息熵记为eimax;
f:对pimax左右两侧的标签变量label分别记为labell、labelr;label、labell、labelr对应的属性数分别与k、kl、kr;label的样本数记为m,计算cond:
g:若ent(y)-eimax>cond,则将pimax添加到cutindex;并对xl xr执行b步骤,否则结束;
5)、将离散数据集合{dxz}与计量误差分箱离散化数据label通过最小二乘法拟合得到如下公式:Ye=ε+a1x1+a2x2+…+azxz,其中az表示因素xz对计量误差Ye的影响大小。为更直观显示各个因素对计量误差的影响权重,采用如下方式对ai(i=1,L,n)进行转换,即ai的数值越大表示该因素与计量误差之间的相关性越强,影响程度越高,ai的数值越小表示该因素与计量误差之间的相关性越弱,影响程度越低。
该计量误差影响因素多因素定量分析方法通过获取大量的多因素数据,在大量多因素数据的基础上通过异常值处理、无量纲化处理、离散化处理和合理的分析算法对电能表的计量误差影响因素进行定量分析,克服了定性分析存在的定量不足,可以准确得到多因素对计量误差的影响程度,并通过数值量化反映,可以直观的显示每个因素对计量误差的影响大小。通过上述方法可以得到电压、电流、有功功率、总有功功率、无功功率、总无功功率、相位角、温度、湿度分别对计量误差的影响大小,从而给电力企业和用户一个准确的信息反馈。
Claims (2)
1.一种计量误差影响因素多因素定量分析方法,其特征在于包括以下步骤:
1)、获取计量误差影响因素电压x1数据集合{di,d,k,1},获取计量误差影响因素电流x2数据集合{di,d,k,2},获取计量误差影响因素有功功率x3数据集合{di,d,k,3},获取计量误差影响因素总有功功率x4数据集合{di,d,k,4},获取计量误差影响因素无功功率x5数据集合{di,d,k,5},获取计量误差影响因素总无功功率x6数据集合{di,d,k,6},获取计量误差影响因素相位角x7数据集合{di,d,k,7},获取计量误差影响因素温度x8数据集合{di,d,k,8},获取计量误差影响因素湿度x9数据集合{di,d,k,9},获取计量误差数据集合{Ye},其中下标i表示第i个电能表,下标d表示第d个时间窗口,所述时间窗口为天或小时或分钟,k表示第d个时间窗口内第k个观察记录,Ye表示di,d,k,1、di,d,k,2、di,d,k,3di,d,k,4、di,d,k,5、di,d,k,6、di,d,k,7、di,d,k,8、di,d,k,9所对应的计量误差值;
2)、对获取的数据集合{di,d,k,z}进行异常值处理;具体处理方法如下:将获取的数据di,d,k,z依次带入如下两个判断公式:
<mrow>
<mrow>
<mo>|</mo>
<mrow>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>d</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>-</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>d</mi>
<mo>,</mo>
<mi>j</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mn>3</mn>
<msqrt>
<mrow>
<mfrac>
<mn>1</mn>
<mi>n</mi>
</mfrac>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msup>
<mrow>
<mo>(</mo>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>d</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
</msub>
<mo>-</mo>
<mfrac>
<mrow>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>n</mi>
</munderover>
<msub>
<mi>d</mi>
<mrow>
<mi>i</mi>
<mo>,</mo>
<mi>d</mi>
<mo>,</mo>
<mi>k</mi>
<mo>,</mo>
<mi>z</mi>
</mrow>
</msub>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mn>2</mn>
</msup>
</mrow>
</msqrt>
</mrow>
z=1,2,3,4,5,6,7,8,9
若di,d,k,z同时不满足其中任意一公式,则该di,d,k,z数值为正常值,若di,d,k,z满足其中任意一个判断公式,则该di,d,k,z数值为异常值,并将该异常的di,d,k,z值从数据集合{di,d,k,z}中剔除;同时剔除计量误差数据集合{Ye}中异常的di,d,k,z所对应的Ye值以及剔除的Ye值所对应的所有的影响因素数据值;
3)、对剔除异常值的多因素数据集合{di,d,k,z}和计量误差数据集合{Ye}进行无量纲化处理,具体分方法如下:将di,d,k,z依次带入以下公式得到无量纲的数据集合{xz},将Ye依次带入以下公式得到无量纲的计量误差数据集合{Yi},
4)、对计量误差数据集合{Yi}进行分箱离散化处理得到计量误差分箱离散化数据集合{label};结合label对数据集合{xz}进行数据离散化处理得到离散数据集合{dxz},将数据集合{xz}进行数据离散化处理得到多因素离散数据集合{dxz}的方法如下:
a:定义信息熵计算函数其中nyi表示离散型变量第i个属性值的个数,n表示该离散变量的总个数;
b:初始化x的划分点集合cutindex={};
c:确定所有的划分点集合allcutpoints=distinct{x};
d:对allcutpoints的每个划分点pi进行数据划分,并根据公式计算pi划分后的信息熵ei;
e:选择max(ei)对应的划分点pimax作为最佳划分点,划分后的信息熵记为eimax;
f:对pimax左右两侧的标签变量label分别记为labell、labelr;label、labell、labelr对应的属性数分别与k、kl、kr;label的样本数记为m,计算cond:
<mrow>
<mi>c</mi>
<mi>o</mi>
<mi>n</mi>
<mi>d</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mo>-</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mo>{</mo>
<mi>l</mi>
<mi>o</mi>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mo>(</mo>
<mrow>
<msup>
<mn>3</mn>
<mi>k</mi>
</msup>
<mo>-</mo>
<mn>2</mn>
</mrow>
<mo>)</mo>
<mo>-</mo>
<mo>(</mo>
<mi>k</mi>
<mo>*</mo>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mo>(</mo>
<mrow>
<mi>l</mi>
<mi>a</mi>
<mi>b</mi>
<mi>e</mi>
<mi>l</mi>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>l</mi>
</msub>
<mo>*</mo>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>label</mi>
<mi>l</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>-</mo>
<msub>
<mi>k</mi>
<mi>r</mi>
</msub>
<mo>*</mo>
<mi>e</mi>
<mi>n</mi>
<mi>t</mi>
<mo>(</mo>
<mrow>
<msub>
<mi>label</mi>
<mi>r</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>}</mo>
</mrow>
<mi>m</mi>
</mfrac>
<mo>;</mo>
</mrow>
g:若ent(y)-eimax>cond,则将pimax添加到cutindex;并对xl xr执行b步骤,否则结束;
5)、将离散数据集合{dxz}与计量误差分箱离散化数据label通过最小二乘法拟合得到如下公式:Ye=ε+a1x1+a2x2+…+azxz,其中az表示因素xz对计量误差Ye的影响大小。
2.如权利要求1所述的计量误差影响因素多因素定量分析方法,其特征在于:所述
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739780.5A CN107490778B (zh) | 2017-08-25 | 2017-08-25 | 一种计量误差影响因素多因素定量分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710739780.5A CN107490778B (zh) | 2017-08-25 | 2017-08-25 | 一种计量误差影响因素多因素定量分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107490778A true CN107490778A (zh) | 2017-12-19 |
CN107490778B CN107490778B (zh) | 2019-07-02 |
Family
ID=60650827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710739780.5A Active CN107490778B (zh) | 2017-08-25 | 2017-08-25 | 一种计量误差影响因素多因素定量分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107490778B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162806A (zh) * | 2018-02-11 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种仿真误差评估方法及系统 |
CN111046519A (zh) * | 2019-10-09 | 2020-04-21 | 国网天津市电力公司电力科学研究院 | 一种人工智能技术在电能表误差诊断中的应用分析方法 |
CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336265A (zh) * | 2013-06-26 | 2013-10-02 | 武汉大学 | 一种谐波背景下电能表计量误差定量化分析方法 |
CN104076317A (zh) * | 2013-03-28 | 2014-10-01 | 佳木斯电业局 | 电力谐波引起的电子式电能表计量误差分析校正系统 |
CN105158723A (zh) * | 2015-07-30 | 2015-12-16 | 贵州电力试验研究院 | 一种数字化电能计量系统的误差评估系统及方法 |
-
2017
- 2017-08-25 CN CN201710739780.5A patent/CN107490778B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104076317A (zh) * | 2013-03-28 | 2014-10-01 | 佳木斯电业局 | 电力谐波引起的电子式电能表计量误差分析校正系统 |
CN103336265A (zh) * | 2013-06-26 | 2013-10-02 | 武汉大学 | 一种谐波背景下电能表计量误差定量化分析方法 |
CN105158723A (zh) * | 2015-07-30 | 2015-12-16 | 贵州电力试验研究院 | 一种数字化电能计量系统的误差评估系统及方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110162806A (zh) * | 2018-02-11 | 2019-08-23 | 中国电力科学研究院有限公司 | 一种仿真误差评估方法及系统 |
CN111046519A (zh) * | 2019-10-09 | 2020-04-21 | 国网天津市电力公司电力科学研究院 | 一种人工智能技术在电能表误差诊断中的应用分析方法 |
CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
CN117434486B (zh) * | 2023-12-20 | 2024-03-08 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107490778B (zh) | 2019-07-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105300923B (zh) | 一种近红外光谱分析仪在线应用时无测点温度补偿模型修正方法 | |
CN104391849B (zh) | 融入时间上下文信息的协同过滤推荐方法 | |
CN102879353B (zh) | 近红外检测花生中蛋白质组分含量的方法 | |
CN107490778A (zh) | 一种计量误差影响因素多因素定量分析方法 | |
CN101059426A (zh) | 基于近红外光谱技术无损测量茶叶中茶多酚含量的方法 | |
CN100575950C (zh) | 一种水果成熟度预测方法 | |
CN106920123B (zh) | 一种基于机器学习和物联网的餐厅数据分析系统 | |
CN107817223A (zh) | 快速无损实时预测原油性质模型的构建方法及其应用 | |
CN107146035A (zh) | 针织服装大货生产中批量系数的计算方法 | |
CN107505566A (zh) | 半导体气敏元件的测试方法 | |
CN105334185A (zh) | 基于光谱投影判别的近红外模型维护方法 | |
CN108256022A (zh) | 人才评价模型构建方法及人才评价方法及系统 | |
CN104977258A (zh) | 基于二维相关光谱的茶叶/化妆品等品质检测方法 | |
CN106560699A (zh) | 用于武夷岩茶产地鉴别的联合检测方法 | |
CN109738380A (zh) | 一种土壤盐渍化程度的高光谱遥感判断方法 | |
CN110702202B (zh) | 一种基于云计算平台的电子天平在线计量方法及系统 | |
CN102488309B (zh) | 一种智能配烟方法 | |
CN108572194A (zh) | 一种基于生理电阻的植物叶片导水度和固有导水度的测定方法及装置 | |
CN101620195A (zh) | 一种气味传感器检测次郎甜柿内部品质的方法 | |
CN101393240A (zh) | 基于虚拟仪器的电网谐波在线监测电路及其工作方法 | |
CN105866223A (zh) | 一种基于电子舌检测信息的武夷岩茶滋味等级判别方法 | |
CN105466885B (zh) | 基于无测点温度补偿机制的近红外在线测量方法 | |
CN101650359A (zh) | 一种基于知识融合机器学习算法的煤热值软测量方法 | |
CN107515381B (zh) | 一种计量误差影响因素单因素定量分析方法 | |
CN206387761U (zh) | 检测蔬果农药残留的快筛处理芯片 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |