CN107490778B - 一种计量误差影响因素多因素定量分析方法 - Google Patents

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

一种计量误差影响因素多因素定量分析方法

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{d_i,d,k，1}，获取计量误差影响因素电流x₂数据集合{d_i,d,k,2}，获取计量误差影响因素有功功率x₃数据集合{d_i,d,k,3}，获取计量误差影响因素总有功功率x₄数据集合{d_i,d,k,4}，获取计量误差影响因素无功功率x₅数据集合{d_i,d,k,5}，获取计量误差影响因素总无功功率x₆数据集合{d_i,d,k,6}，获取计量误差影响因素相位角x₇数据集合{d_i,d,k,7}，获取计量误差影响因素温度x₈数据集合{d_i,d,k,8}，获取计量误差影响因素湿度 x₉数据集合{d_i,d,k,9}，获取计量误差数据集合{Y_e}，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，Y_e表示d_i,d,k,1、d_i,d,k,2、d_i,d,k,3、 d_i,d,k,4、d_i,d,k,5、d_i,d,k,6、d_i,d,k,7、d_i,d,k,8、d_i,d,k,9所对应的计量误差值；

2)、对获取的数据集合{d_i,d,k，z}进行异常值处理；具体处理方法如下：将获取的数据d_i,d,k，z依次带入如下两个判断公式：

若d_i,d,k，z同时不满足其中任意一个公式，则该d_i,d,k，z数值为正常值，若d_i,d,k，z满足其中任意一个判断公式，则该d_i,d,k，z数值为异常值，并将该异常的d_i,d,k，z值从数据集合{d_i,d,k，z}中剔除；同时剔除计量误差数据集合{Y_e}中异常的d_i,d,k，z所对应的Y_e值以及剔除的Y_e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{d_i,d,k，z}和计量误差数据集合{Y_e}进行无量纲化处理，具体分析方法如下：将d_i,d,k，z依次带入以下公式得到无量纲的数据集合{x_z}，将Y_e依次带入以下公式得到无量纲的计量误差数据集合{Y_i}，

4)、对计量误差数据集合{Y_i}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{x_z}进行数据离散化处理得到离散数据集合{dx_z}，将数据集合{x_z}进行数据离散化处理得到多因素离散数据集合{dx_z}的方法如下：

a:定义信息熵计算函数其中n_yi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p_i进行数据划分，并根据公式计算p_i划分后的信息熵e_i；

e：选择max(e_i)对应的划分点p_imax作为最佳划分点，划分后的信息熵记为e_imax；

f：对p_imax左右两侧的标签变量label分别记为label_l、label_r；label、label_l、label_r对应的属性数分别与k、k_l、k_r；label的样本数记为m，计算cond：

g：若ent(y)-e_imax>cond，则将p_imax添加到cutindex；并对x_lx_r执行b步骤，否则结束；

5)、将离散数据集合{dx_z}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：Y_e＝ε+a₁x₁+a₂x₂+…+a_zx_z，其中a_i(i＝1,…,z)表示因素x_i对计量误差Y_e的影响大小。

进一步的是，对a_i采用如下方式进行转换得到a_i'，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{d_i,d,k，1}，获取计量误差影响因素电流x₂数据集合{d_i,d,k,2}，获取计量误差影响因素有功功率x₃数据集合{d_i,d,k,3}，获取计量误差影响因素总有功功率x₄数据集合{d_i,d,k,4}，获取计量误差影响因素无功功率x₅数据集合{d_i,d,k,5}，获取计量误差影响因素总无功功率x₆数据集合{d_i,d,k,6}，获取计量误差影响因素相位角x₇数据集合{d_i,d,k,7}，获取计量误差影响因素温度x₈数据集合{d_i,d,k,8}，获取计量误差影响因素湿度x₉数据集合{d_i,d,k,9}，获取计量误差数据集合{Y_e}，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，Y_e表示d_i,d,k,1、d_i,d,k,2、d_i,d,k,3、 d_i,d,k,4、d_i,d,k,5、d_i,d,k,6、d_i,d,k,7、d_i,d,k,8、d_i,d,k,9所对应的计量误差值；

2)、对获取的数据集合{d_i,d,k，z}进行异常值处理；具体处理方法如下：将获取的数据 d_i,d,k，z依次带入如下两个判断公式：

若d_i,d,k，z同时不满足其中任意一公式，则该d_i,d,k，z数值为正常值，若d_i,d,k，z满足其中任意一个判断公式，则该d_i,d,k，z数值为异常值，并将该异常的d_i,d,k，z值从数据集合{d_i,d,k，z}中剔除；同时剔除计量误差数据集合{Y_e}中异常的d_i,d,k，z所对应的Y_e值以及剔除的Y_e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{d_i,d,k，z}和计量误差数据集合{Y_e}进行无量纲化处理，具体分析方法如下：将d_i,d,k，z依次带入以下公式得到无量纲的数据集合{x_z}，将Y_e依次带入以下公式得到无量纲的计量误差数据集合 {Y_i}，

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{Y_i}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{x_z}进行数据离散化处理得到离散数据集合{dx_z}，将数据集合{x_z}进行数据离散化处理得到多因素离散数据集合{dx_z}的方法如下：

a:定义信息熵计算函数其中n_yi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p_i进行数据划分，并根据公式计算p_i划分后的信息熵e_i；

e：选择max(e_i)对应的划分点p_imax作为最佳划分点，划分后的信息熵记为e_imax；

f：对p_imax左右两侧的标签变量label分别记为label_l、label_r；label、label_l、label_r对应的属性数分别与k、k_l、k_r；label的样本数记为m，计算cond：

g：若ent(y)-e_imax>cond，则将p_imax添加到cutindex；并对x_lx_r执行b步骤，否则结束；

5)、将离散数据集合{dx_z}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：Y_e＝ε+a₁x₁+a₂x₂+…+a_zx_z，其中a_i(i＝1,…,z)表示因素x_i对计量误差Y_e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a_i(i＝1,…,z)进行转换，即a_i'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，a_i'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{d_i,d,k，1}，获取计量误差影响因素电流x₂数据集合{d_i,d,k,2}，获取计量误差影响因素有功功率x₃数据集合{d_i,d,k,3}，获取计量误差影响因素总有功功率x₄数据集合{d_i,d,k,4}，获取计量误差影响因素无功功率x₅数据集合{d_i,d,k,5}，获取计量误差影响因素总无功功率x₆数据集合{d_i,d,k,6}，获取计量误差影响因素相位角x₇数据集合{d_i,d,k,7}，获取计量误差影响因素温度x₈数据集合{d_i,d,k,8}，获取计量误差影响因素湿度x₉数据集合{d_i,d,k,9}，获取计量误差数据集合{Y_e}，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，Y_e表示d_i,d,k,1、d_i,d,k,2、d_i,d,k,3、 d_i,d,k,4、d_i,d,k,5、d_i,d,k,6、d_i,d,k,7、d_i,d,k,8、d_i,d,k,9所对应的计量误差值；

2)、对获取的数据集合{d_i,d,k，z}进行异常值处理；具体处理方法如下：将获取的数据d_i,d,k，z依次带入如下两个判断公式：

若d_i,d,k，z同时不满足其中任意一公式，则该d_i,d,k，z数值为正常值，若d_i,d,k，z满足其中任意一个判断公式，则该d_i,d,k，z数值为异常值，并将该异常的d_i,d,k，z值从数据集合{d_i,d,k，z}中剔除；同时剔除计量误差数据集合{Y_e}中异常的d_i,d,k，z所对应的Y_e值以及剔除的Y_e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{d_i,d,k，z}和计量误差数据集合{Y_e}进行无量纲化处理，具体分析方法如下：将d_i,d,k，z依次带入以下公式得到无量纲的数据集合{x_z}，将Y_e依次带入以下公式得到无量纲的计量误差数据集合{Y_i}，

4)、对计量误差数据集合{Y_i}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{x_z}进行数据离散化处理得到离散数据集合{dx_z}，将数据集合{x_z}进行数据离散化处理得到多因素离散数据集合{dx_z}的方法如下：

a:定义信息熵计算函数其中n_yi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p_i进行数据划分，并根据公式计算p_i划分后的信息熵e_i；

e：选择max(e_i)对应的划分点p_imax作为最佳划分点，划分后的信息熵记为e_imax；

f：对p_imax左右两侧的标签变量label分别记为label_l、label_r；label、label_l、label_r对应的属性数分别与k、k_l、k_r；label的样本数记为m，计算cond：

g：若ent(y)-e_imax>cond，则将p_imax添加到cutindex；并对x_lx_r执行b步骤，否则结束；

5)、将离散数据集合{dx_z}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：Y_e＝ε+a₁x₁+a₂x₂+…+a_zx_z，其中a_i(i＝1,…,z)表示因素x_i对计量误差Y_e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：对a_i采用如下方式进行转换得到a′_i，所述