CN112183823B - 一种基于规则树的电能计量装置选型方法和系统 - Google Patents

一种基于规则树的电能计量装置选型方法和系统 Download PDF

Info

Publication number
CN112183823B
CN112183823B CN202010937338.5A CN202010937338A CN112183823B CN 112183823 B CN112183823 B CN 112183823B CN 202010937338 A CN202010937338 A CN 202010937338A CN 112183823 B CN112183823 B CN 112183823B
Authority
CN
China
Prior art keywords
rule
metering device
electric energy
energy metering
tree
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
Application number
CN202010937338.5A
Other languages
English (en)
Other versions
CN112183823A (zh
Inventor
易永仙
周玉
崔高颖
邵雪松
蔡奇新
季欣荣
李悦
宋瑞鹏
高雨翔
支亚薇
莫益军
梁庆森
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Huazhong University of Science and Technology
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Huazhong University of Science and Technology
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Marketing Service Center, Huazhong University of Science and Technology, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202010937338.5A priority Critical patent/CN112183823B/zh
Publication of CN112183823A publication Critical patent/CN112183823A/zh
Application granted granted Critical
Publication of CN112183823B publication Critical patent/CN112183823B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90—Details of database functions independent of the retrieved data types
    • G06F16/901—Indexing; Data structures therefor; Storage structures
    • G06F16/9027—Trees
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06395—Quality analysis or management
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Development Economics (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Educational Administration (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Game Theory and Decision Science (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Health & Medical Sciences (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本申请公开了一种基于规则树的电能计量装置选型方法和系统，所述方法包括整合电能计量装置规格数据，得到电能计量装置选型规则库；基于电能计量装置选型规则库，学习电能计量装置选型的逻辑规则；对逻辑规则进行优化；根据优化后的逻辑规则，建立电能计量装置选型规则树；对选型规则树进行规则查询测试；依据电能计量装置选型规则树进行电能计量装置的选型。能够有效实现电能计量装置的动态选型，并且选型结果更准确，具有实用价值。

Description

一种基于规则树的电能计量装置选型方法和系统
技术领域
本发明属于电能计量装置选型技术领域，涉及一种基于规则树的电能计量装置选型方法和系统。
背景技术
随着智能电网的建设和发展，国内电力系统中的电能计量工作在发电、供电和用电三方中的作用愈加明显，电能计量工作在维护三方稳定、销售方面起着至关重要的作用。
实现电能计量装置的高精准选型对于电力系统经济效益的提升有着重要的促进作用。近年来，随着电力系统全面检测工作的开展，在电能计量装置的选型配置方面暴露出了不少选型问题，应当引起足够重视。
目前电能计量装置的配置选型工作大部分由人工完成，不仅耗费大量人力，而且在配置规格过程中也会因主观因素产生一定的误差，针对近年来因电能计量装置选型不当而导致电能计量故障现象，需要采用科学合理的方式，有效减少电能计量装置的选型错误，提高可靠性，促进电力企业经济效益的提高，增加市场竞争力。
近年来电网不断朝着智能化，自动化的方向发展，电能计量装置的选型方法也因此逐渐多样化，层次分析法、粗糙集数学方法、基于LLC(Logical Link Control，逻辑链路控制)的决策分析法等都取得了一定的成果，但其智能性，通用性水平不高，离实用化具有一定的距离。
发明内容
为解决现有技术中的不足，本申请提供一种基于规则树的电能计量装置选型方法和系统，针对用户在各种不同应用和场景下进行电能计量装置选型配置的问题，基于规则树，满足用户的搜索需求，从而大大提高电能计量装置的选型效率，可以降低人工选型的成本，实现装置规格精细化，提高选型数据的准确性和可靠性，满足不同用户的个性化需求。
为了实现上述目标，本申请采用如下技术方案：
一种基于规则树的电能计量装置选型方法，所述方法包括以下步骤：
步骤1：整合电能计量装置规格数据，得到电能计量装置选型规则库；
步骤2：基于电能计量装置选型规则库，学习电能计量装置选型的逻辑规则；
步骤3：对步骤2得到的逻辑规则进行优化；
步骤4：根据优化后的逻辑规则，建立电能计量装置选型规则树；
步骤5：对步骤4建立的选型规则树，进行规则查询测试；
步骤6：依据电能计量装置选型规则树进行电能计量装置的选型。
本发明进一步包括以下优选方案：
优选地，所述步骤1得到的电能计量装置选型规则库G中的实体共分为7类，分别是用户、安装限制条件、设备组件、设备、计量指标、计量位置安装接线方式、规格；
所述电能计量装置选型规则库G中每个实体的个数定义为n，实体用向量vg∈{0,1}n表示，该向量在位置g处为1，其他位置为0，各个实体均用{v1,…,vn}表示；
所述电能计量装置选型规则库G中实体A和实体B的关于关系r的邻接矩阵为ABr，实体A表示为vi，实体B表示为vj，当实体A和B具有关系r时，邻接矩阵ABr的第(i,j)个元素等于1，否则为0；
所述电能计量装置选型规则库G中关系r具有以下6种，分别是：
限定、位置、采用、接线方式、选择、安装方式。
优选地，所述用户包括Ⅰ类电能计量装置的高压计费用户和Ⅱ类电能计量装置的高压计费用户；
安装限制条件包括高压供电和低压供电；
设备组件包括测量单元和计量合并单元；
设备包括电能互感器和电流互感器；
计量指标包括额定电流和实际符合电流值；
计量位置安装接线方式包括发电量计量点和用电量计量点；
规格包括电压等级和电流等级。
优选地，所述步骤2包括以下步骤：
步骤2.1：从电能计量装置选型规则库G中以N＝2开始对长度为N的路径进行采样，将有直接关系的一对实体(x,y)记录为B(x,y)；两个实体仅通过一个关系就可以连接的就称为具有直接关系；
步骤2.2：从长度为N的路径中学习长度为N+1的规则，通过迭代采样随机路径挖掘没有直接关系的一对实体(x,y)的潜在关系，通过关系rt∈R找到对应的实体y，如下式所示:
B1(x,z1)∩B2(z1,z2)∩…∩Bl(zl-1,y)→B(x,y)
其中x,y,zi是变量，每个B(u,v)是一个原子，u,v表示电能计量装置选型规则库G中的实体，如果B1(x,z1),B2(z1,z2),…,Bl(zl-1,y)成立，则B(x,y)也成立；
规则用R表示，定义原子B(x,y)是规则R的头部，表示为head(R)，原子B1(x,z1),B2(z1,z2),…,Bl(zl-1,y)的集合为规则R的主体，表示为body(R)；
步骤2.3：引入邻接矩阵ABr，则将步骤2.2得到的B(x,y)等价为一个标量：该标量表示通过关系长度l连接实体(x,y)的不同路径数；
步骤2.4：对于每个头部关系H，有不同的路径连接到同一个实体y，得到不同的规则，引入与头部关系H相关的规则可信度as，来学习逻辑规则；
通过引入可信度as，各个随机路径产生的规则表示为：
其中s是索引具有最大关系长度l的潜在规则，ps是与s索引的规则相关的关系的有序表，那么实体(x,y)的规则质量表示为：
优选地，所述步骤3包括以下子步骤：
步骤3.1：对步骤2得到的逻辑规则进行规则结构优化，在不影响规则质量的前提下减少参数数量，对步骤2.4得到的优化，得到实体(x,y)的规则：
k表示规则集R中的规则；
步骤3.2：定义关系长度为i,i≤l的规则的可信度为(|R|+1)l,采取一个l维张量，其中每个轴的大小是|R|+1，将主体为body(R)的规则的可信度放在张量中的位置上(r1,r2,…,rl)，称其为可信度张量；
引入可信度张量，将步骤3.1中实体(x,y)的规则表示为：
步骤3.3：使用双向RNN来获得参数aj,i,k的估算值：
其中h和h'分别是前向RNN和后向RNN的隐藏状态，初始均为0，eH表示逻辑规则的头部关系，fθ是从RNN隐藏状态生成系数的完全连接的神经网络；
获得参数aj,i,k的估算值后，得到任何规则集{R1,R2,…Rr,}的可信度{a1,a2,…ar,}；
步骤3.4：定义一个最低可信度a′min，可信度低于a′min的规则被认为是低质量规则，将其去除后，认为保留下来的规则质量水平满足要求，最终得到实体(x,y)的规则表达式为：
规则属性采用实体vx的属性。
优选地，步骤4包括以下步骤：
步骤4.1：基于步骤3优化后的逻辑规则，按照规则头部关系的属性定义规则属性为A＝{A1,A2,…,An}，表示属性集A中共有n个属性；
步骤4.2：将电能计量装置选型规则，即步骤3优化后的逻辑规则加载到根节点上，设定根节点为当前节点；
步骤4.3：计算规则属性的分布度：
规则属性的分布度表示规则属性的分布情况，根据规则属性的分布情况，选择属性分布均衡的属性来分支建树，规则属性的分布度计算公式：
其中，Wi表示规则属性i的分布度，Ri表示规则属性i的个数，Nij表示规则属性i上取值为第j取值的规则数目；
规则属性的取值在电能计量装置选型规则库中分布越均衡，分布度的值也就越大，最大为1；
步骤4.4：计算当前节点加载规则的所有规则属性{A1,A2,…,An}的分布度，将其按从大到小依次排列为：w1,w2,…,wl；
步骤4.5：选择最大分布度Wmax(A′)对应的规则属性A′来进行分支，分支后将当前节点的规则去掉分支所使用的规则属性，即规则属性集{A1,A2,…,An}-{A′}分别加载到Ri各节点上；
步骤4.6：将步骤4.5的当前节点的规则清空，重新执行步骤4.4和步骤4.5，计算规则属性集{A1,A2,…,An}-{A′}的分布度大小，根据分布度取值从大到小依次建立到Ri各子节点的跳转规则，设定当前节点为已标记；
步骤4.7：如果存在未标记的子节点B，则设第一个未标记的左子节点B1为当前节点，跳到步骤4.4；
步骤4.8：如果所有子节点均已标记，若存在父节点，设定当前节点的父节点为当前节点，然后重新执行步骤4.4；若不存在父节点，则规则树建立完成。
优选地，所述步骤5包括以下步骤：
步骤5.1：从步骤4建立的选型规则树的根节点开始，设定根节点为当前节点；
步骤5.2：从电能计量装置选型规则库中取m个规则样本，作为测试数据集S＝{S1,S2,…,Sm}，将测试数据分别与当前节点所加载的规则进行匹配，如果匹配成功，执行步骤5.3，根据规则的指定动作进行操作；如果存在当前节点所加载的规则中没有与测试数据规则匹配的结果，执行步骤5.4；
步骤5.3：如果匹配规则的指定动作为跳转进入下一个节点，则设下一个节点为当前节点，重复执行步骤5.2；如果匹配规则的指定动作为不跳转，则返回匹配结果的节点，测试结束；
步骤5.4：返回无规则匹配的父节点，当前节点处加载未匹配的规则，然后从电能计量装置选型规则库中取m个规则样本T＝{T1,T2,…,Tm},T≠S转到步骤5.1重新执行。
优选地，所述方法还包括：
在步骤5和步骤6之间，对选型规则树上的逻辑规则进行动态更新，进一步完善电能计量装置选型规则树。
优选地，所述对选型规则树上的逻辑规则进行动态更新，进一步完善电能计量装置选型规则树，包括：
对选型规则树上的逻辑规则进行规则添加：
记录新规则的属性Aj，在选型规则树中进行查找，如果存在当前节点所加载的规则中没有与测试数据规则匹配的结果，仅返回无规则匹配父节点，其他情况返回匹配结果的节点，在返回的节点处加入新的规则；
对选型规则树上的逻辑规则进行规则删除：
记录要删除规则的属性，在选型规则树中进行查找，直到返回匹配结果的节点或无规则匹配返回父节点，返回匹配结果的节点，则在该节点处直接删除规则；否则查询不到队形规则，提示无法删除；
对选型规则树上的逻辑规则进行规则更新：
先删除旧规则，在删除的位置上添加新规则，完成规则更新；
重构选型规则树：
选型规则树执行规则添加、规则删除和规则更新中任意步骤后，重新执行步骤4-步骤5，重新选择分支属性，以保证选择规则树的均衡性，达到规则树的效率最大化，使用重构后的选型规则树替代重构前的选型规则树。
本发明还公开了一种基于规则树的电能计量装置选型系统，所述系统包括：
选型规则库建立模块，用于整合电能计量装置规格数据，得到电能计量装置选型规则库；
逻辑规则学习模块，用于基于电能计量装置选型规则库，学习电能计量装置选型的逻辑规则；
优化模块，用于对逻辑规则学习模块得到的逻辑规则进行优化；
选型规则树建立模块，用于根据优化后的逻辑规则，建立电能计量装置选型规则树；
规则查询测试模块，用于对选型规则树建立模块建立的选型规则树，进行规则查询测试，测试规则树能能否正常查询；
选型模块，用于依据电能计量装置选型规则树，输入电压等级，安装位置，计量方式等电能计量装置配置参数，进行电能计量装置的选型。
本申请所达到的有益效果：
本申请对电能计量装置规格数据整合之后进行选型，利用电能计量装置选型规则库中各规则属性分布度的不同，得到电能计量装置选型规则之间的定量关系，通过规则库，构建包含设备类型、数据有效性约束的电能计量装置选型规则树，再结合对规则树的更新策略，依据该规则树进行电能计量装置的选型，提高选型数据的准确性和可靠性，可以实现电能计量装置的动态选型，大大提高电网用户选择电能计量装置的智能型和通用性，较少误差，提高效率。
附图说明
图1是本发明方法的流程示意图；
图2是本发明实施例中选型规则树的构造流程图；
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1-2所示，本申请的一种基于规则树的电能计量装置选型方法，所述方法包括以下步骤：
步骤1：整合电能计量装置规格数据，得到电能计量装置选型规则库；
所述步骤1得到的电能计量装置选型规则库G中的实体共分为7类，分别是用户(E_user)、安装限制条件(E_condition)、设备组件(E_subunit)、设备(E_equipment)、计量指标(E_indicator)、计量位置安装接线方式(E_installation)、规格(E_size)；
例如：
所述用户包括Ⅰ类电能计量装置的高压计费用户，Ⅱ类电能计量装置的高压计费用户等；
安装限制条件包括高压供电，低压供电等；
设备组件包括测量单元，计量合并单元等；
设备包括电能互感器，电流互感器等；
计量指标包括额定电流，实际符合电流值等；
计量位置安装接线方式包括发电量计量点，用电量计量点等；
规格包括电压等级，电流等级等。
所述电能计量装置选型规则库G中每个实体的个数定义为n，实体用向量vg∈{0,1}n表示，该向量在位置g处为1，其他位置为0，各个实体均用{v1,…,vn}表示；
所述电能计量装置选型规则库G中实体A和实体B的关于关系r的邻接矩阵为ABr，实体A表示为vi，实体B表示为vj，当实体A和B具有关系r时，邻接矩阵ABr的第(i,j)个元素等于1，否则为0；
所述电能计量装置选型规则库G中关系r具有以下6种，分别是：
限定(R_limit)、位置(R_position)、采用(R_use)、接线方式(R_connection)、选择(R_select)、安装方式(R_installation)。
例如：限定这种关系可以表示10kV限定电能计量装置；
位置可以表示电能计量装置位置供电企业的指标考核电能计量点；
采用可以表示按单相配电计算时连接三户采用通用值系数1，推荐值系数1；
接线方式可以表示电能计量装置接线方式三相三线；
选择可以表示为高压计费用户选择I类电能计量装置；
安装方式可以表示为电压互感器安装方式分体安装。
步骤2：基于电能计量装置选型规则库，学习电能计量装置选型的逻辑规则；
所述步骤2包括以下步骤：
步骤2.1：从电能计量装置选型规则库G中以N＝2开始对长度为N的路径进行采样，将有直接关系的一对实体(x,y)记录为B(x,y)；两个实体仅通过一个关系就可以连接的就称为具有直接关系；
步骤2.2：从长度为N的路径中学习长度为N+1的规则，通过迭代采样随机路径挖掘没有直接关系的一对实体(x,y)的潜在关系，通过一系列关系rt∈R找到对应的实体y，如下式所示:
B1(x,z1)∩B2(z1,z2)∩…∩Bl(zl-1,y)→B(x,y)
其中x,y,zi是变量，每个B(u,v)是一个原子，u,v表示电能计量装置选型规则库G中的实体，如果B1(x,z1),B2(z1,z2),…,Bl(zl-1,y)成立，则B(x,y)也成立；
规则用R表示，定义原子B(x,y)是规则R的头部，表示为head(R)，原子B1(x,z1),B2(z1,z2),…,Bl(zl-1,y)的集合为规则R的主体，表示为body(R)；
步骤2.3：引入邻接矩阵ABr，则将步骤2.2得到的潜在关系B(x,y)等价为一个标量：该标量表示通过关系长度l连接实体(x,y)的不同路径数；
步骤2.4：对于每个头部关系H，有不同的路径连接到同一个实体y，得到不同的规则，引入与头部关系H相关的规则可信度as，来学习逻辑规则；
比如R_use(X,Y)描述X是Y采用的电能表，R_level(X,Y)描述X是Y的电压等级，R_current(X,Y)描述X是Y的电流等级，R_size(X,Y)描述X是Y的规格，通过随机路径，会产生下面这些规则：
R_size(X,Y)←R_current(X,A)∩R_use(A,Y)
R_size(X,Y)←R_level(X,A)∩R_use(A,Y)
通过引入可信度as，各个随机路径产生的规则表示为：
其中s是索引具有最大关系长度l的潜在规则，ps是与s索引的规则相关的关系的有序表，那么实体(x,y)的规则质量表示为：
步骤3：对步骤2得到的逻辑规则进行优化；
所述步骤3包括以下子步骤：
步骤3.1：对步骤2得到的逻辑规则进行规则结构优化，在不影响规则质量的前提下减少参数数量，对步骤2.4得到的优化，得到实体(x,y)的规则：
k表示规则集R中的规则；
步骤3.2：定义关系长度为i,i≤l的规则的可信度为(|R|+1)l,采取一个l维张量，其中每个轴的大小是|R|+1，将主体为body(R)的规则的可信度放在张量中的位置上(r1,r2,…,rl)，称其为可信度张量；
引入可信度张量，将步骤3.1中实体(x,y)的规则表示为：
步骤3.3：使用双向RNN(双向递归神经网络)来获得参数aj,i,k的估算值：
其中h和h'分别是前向RNN和后向RNN的隐藏状态，初始均为0，eH表示逻辑规则的头部关系，fθ是从RNN隐藏状态生成系数的完全连接的神经网络；
获得参数aj,i,k的估算值后，得到任何规则集{R1,R2,…Rr,}的可信度{a1,a2,…ar,}；
步骤3.4：去除低质量的规则，提高规则的整体质量水平。根据实际需求，定义一个最低可信度a′min，可信度低于a′min的规则被认为是低质量规则，将其去除后，认为保留下来的规则质量水平满足要求，最终得到实体(x,y)的规则表达式为：
规则属性采用实体vx的属性。
步骤4：根据优化后的逻辑规则，建立电能计量装置选型规则树；
步骤4.1：基于步骤3优化后的逻辑规则，按照规则头部关系的属性定义规则属性为A＝{A1,A2,…,An}，表示属性集A中共有n个属性；
步骤4.2：将电能计量装置选型规则，即步骤3优化后的逻辑规则加载到根节点上，设定根节点为当前节点；
步骤4.3：计算规则属性的分布度：
规则属性的分布度表示规则属性的分布情况，根据规则属性的分布情况，选择属性分布均衡的属性来分支建树，规则属性的分布度计算公式：
其中，Wi表示规则属性i的分布度，Ri表示规则属性i的个数，Nij表示规则属性i上取值为第j取值的规则数目；
规则属性的取值在电能计量装置选型规则库中分布越均衡，分布度的值也就越大，最大为1；
步骤4.4：计算当前节点加载规则的所有规则属性{A1,A2,…,An}的分布度，将其按从大到小依次排列为：w1,w2,…,wl；
步骤4.5：选择最大分布度Wmax(A′)对应的规则属性A′来进行分支，分支后将当前节点的规则去掉分支所使用的规则属性，即规则属性集{A1,A2,…,An}-{A′}分别加载到Ri各节点上；
步骤4.6：将步骤4.5的当前节点的规则清空，重新执行步骤4.4和步骤4.5，计算规则属性集{A1,A2,…,An}-{A′}的分布度大小，根据分布度取值从大到小依次建立到Ri各子节点的跳转规则，设定当前节点为已标记；
步骤4.7：如果存在未标记的子节点B，则设第一个未标记的左子节点B1(未标记属性中分布度最大)为当前节点，跳到步骤4.4；
步骤4.8：如果所有子节点均已标记，若存在父节点，设定当前节点的父节点为当前节点，然后重新执行步骤4.4；若不存在父节点，则规则树建立完成。
步骤5：对步骤4建立的选型规则树，进行规则查询测试，测试规则树能能否正常查询；
所述步骤5包括以下步骤：
步骤5.1：从步骤4建立的选型规则树的根节点开始，设定根节点为当前节点；
步骤5.2：从电能计量装置选型规则库中取m个规则样本，作为测试数据集S＝{S1,S2,…,Sm}，将测试数据分别与当前节点所加载的规则进行匹配，如果匹配成功，执行步骤5.3，根据规则的指定动作进行操作；如果存在当前节点所加载的规则中没有与测试数据规则匹配的结果，执行步骤5.4；
步骤5.3：如果匹配规则的指定动作为跳转进入下一个节点，则设下一个节点为当前节点，重复执行步骤5.2；如果匹配规则的指定动作为不跳转，则返回匹配结果的节点(即规则树上的节点)，测试结束；
步骤5.4：返回无规则匹配的父节点，当前节点处加载未匹配的规则，然后从电能计量装置选型规则库中取m个规则样本T＝{T1,T2,…,Tm},T≠S转到步骤5.1重新执行。
本申请实施例中，还包括对选型规则树上的逻辑规则进行动态更新，进一步完善电能计量装置选型规则树，包括：
对选型规则树上的逻辑规则进行规则添加：
记录新规则的属性Aj，在选型规则树中按照步骤5的操作进行查找，一旦跳转至步骤5.4，即如果存在当前节点所加载的规则中没有与测试数据规则匹配的结果，仅需返回无规则匹配父节点即可，其他情况返回匹配结果的节点，在返回的节点处加入新的规则；
对选型规则树上的逻辑规则进行规则删除：
记录要删除规则的属性，在选型规则树中按照步骤5的步骤进行查找，直到返回匹配结果的节点或无规则匹配返回父节点，返回匹配结果的节点，则在该节点处直接删除规则；否则查询不到队形规则，提示无法删除。
对选型规则树上的逻辑规则进行规则更新：
按照规则删除方法先删除旧规则，在删除的位置上添加新规则，完成规则更新。
重构选型规则树：
选型规则树执行规则添加、规则删除和规则更新中任意步骤后，重新执行步骤4-步骤5，重新选择分支属性，以保证选择规则树的均衡性，达到规则树的效率最大化。使用重构后的选型规则树替代重构前的选型规则树。
步骤6：依据电能计量装置选型规则树，输入电压等级，安装位置，计量方式等电能计量装置配置参数，进行电能计量装置的选型。
本发明的一种基于规则树的电能计量装置选型系统，所述系统包括：
选型规则库建立模块，用于整合电能计量装置规格数据，得到电能计量装置选型规则库；
逻辑规则学习模块，用于基于电能计量装置选型规则库，学习电能计量装置选型的逻辑规则；
优化模块，用于对逻辑规则学习模块得到的逻辑规则进行优化；
选型规则树建立模块，用于根据优化后的逻辑规则，建立电能计量装置选型规则树；
规则查询测试模块，用于对选型规则树建立模块建立的选型规则树，进行规则查询测试，测试规则树能能否正常查询；
选型模块，用于依据电能计量装置选型规则树，输入电压等级，安装位置，计量方式等电能计量装置配置参数，进行电能计量装置的选型。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (9)

1.一种基于规则树的电能计量装置选型方法，其特征在于：
所述方法包括以下步骤：
步骤1：整合电能计量装置规格数据，得到电能计量装置选型规则库；
步骤2：基于电能计量装置选型规则库，学习电能计量装置选型的逻辑规则；
步骤3：对步骤2得到的逻辑规则进行优化；
步骤4：根据优化后的逻辑规则，建立电能计量装置选型规则树，包括以下步骤：
步骤4.1：基于步骤3优化后的逻辑规则，按照规则头部关系的属性定义规则属性为A＝{A1,A2,…,An}，表示属性集A中共有n个属性；
步骤4.2：将电能计量装置选型规则，即步骤3优化后的逻辑规则加载到根节点上，设定根节点为当前节点；
步骤4.3：计算规则属性的分布度：
规则属性的分布度表示规则属性的分布情况，根据规则属性的分布情况，选择属性分布均衡的属性来分支建树，规则属性的分布度计算公式：
其中，Wi表示规则属性i的分布度，Ri表示规则属性i的个数，Nij表示规则属性i上取值为第j取值的规则数目；
规则属性的取值在电能计量装置选型规则库中分布越均衡，分布度的值也就越大，最大为1；
步骤4.4：计算当前节点加载规则的所有规则属性{A1,A2,…,An}的分布度，将其按从大到小依次排列为：w1,w2,…,wl；
步骤4.5：选择最大分布度Wmax(A′)对应的规则属性A′来进行分支，分支后将当前节点的规则去掉分支所使用的规则属性，即规则属性集{A1,A2,…,An}-{A′}分别加载到Ri各节点上；
步骤4.6：将步骤4.5的当前节点的规则清空，重新执行步骤4.4和步骤4.5，计算规则属性集{A1,A2,…,An}-{A′}的分布度大小，根据分布度取值从大到小依次建立到Ri各子节点的跳转规则，设定当前节点为已标记；
步骤4.7：如果存在未标记的子节点B，则设第一个未标记的左子节点B1为当前节点，跳到步骤4.4；
步骤4.8：如果所有子节点均已标记，若存在父节点，设定当前节点的父节点为当前节点，然后重新执行步骤4.4；若不存在父节点，则规则树建立完成；
步骤5：对步骤4建立的选型规则树，进行规则查询测试；
步骤6：依据电能计量装置选型规则树进行电能计量装置的选型。
2.根据权利要求1所述的一种基于规则树的电能计量装置选型方法，其特征在于：
所述步骤1得到的电能计量装置选型规则库G中的实体共分为7类，分别是用户、安装限制条件、设备组件、设备、计量指标、计量位置安装接线方式、规格；
所述电能计量装置选型规则库G中每个实体的个数定义为n，实体用向量vg∈{0,1}n表示，该向量在位置g处为1，其他位置为0，各个实体均用{v1,…,vn}表示；
所述电能计量装置选型规则库G中实体A和实体B的关于关系r的邻接矩阵为ABr，实体A表示为vi，实体B表示为vj，当实体A和B具有关系r时，邻接矩阵ABr的第(i,j)个元素等于1，否则为0；
所述电能计量装置选型规则库G中关系r具有以下6种，分别是：
限定、位置、采用、接线方式、选择、安装方式。
3.根据权利要求2所述的一种基于规则树的电能计量装置选型方法，其特征在于：
所述用户包括Ⅰ类电能计量装置的高压计费用户和Ⅱ类电能计量装置的高压计费用户；
安装限制条件包括高压供电和低压供电；
设备组件包括测量单元和计量合并单元；
设备包括电能互感器和电流互感器；
计量指标包括额定电流和实际符合电流值；
计量位置安装接线方式包括发电量计量点和用电量计量点；
规格包括电压等级和电流等级。
4.根据权利要求1所述的一种基于规则树的电能计量装置选型方法，其特征在于：
所述步骤2包括以下步骤：
步骤2.1：从电能计量装置选型规则库G中以N＝2开始对长度为N的路径进行采样，将有直接关系的一对实体(x,y)记录为B(x,y)；两个实体仅通过一个关系就可以连接的就称为具有直接关系；
步骤2.2：从长度为N的路径中学习长度为N+1的规则，通过迭代采样随机路径挖掘没有直接关系的一对实体(x,y)的潜在关系，通过关系rt∈R找到对应的实体y，如下式所示:
B1(x,z1)∩B2(z1,z2)∩…∩Bl(zl-1,y)→B(x,y)
其中x,y,zi是变量，每个B(u,v)是一个原子，u,v表示电能计量装置选型规则库G中的实体，如果B1(x,z1),B2(z1,z2),…,Bl(zl-1,y)成立，则B(x,y)也成立；
规则用R表示，定义原子B(x,y)是规则R的头部，表示为head(R)，原子B1(x,z1),B2(z1,z2),…,Bl(zl-1,y)的集合为规则R的主体，表示为body(R)；
步骤2.3：引入邻接矩阵ABr，则将步骤2.2得到的B(x,y)等价为一个标量：该标量表示通过关系长度l连接实体(x,y)的不同路径数；
步骤2.4：对于每个头部关系H，有不同的路径连接到同一个实体y，得到不同的规则，引入与头部关系H相关的规则可信度as，来学习逻辑规则；
通过引入可信度as，各个随机路径产生的规则表示为：
其中s是索引具有最大关系长度l的潜在规则，ps是与s索引的规则相关的关系的有序表，那么实体(x,y)的规则质量表示为：
5.根据权利要求4所述的一种基于规则树的电能计量装置选型方法，其特征在于：
所述步骤3包括以下子步骤：
步骤3.1：对步骤2得到的逻辑规则进行规则结构优化，在不影响规则质量的前提下减少参数数量，对步骤2.4得到的优化，得到实体(x,y)的规则：
k表示规则集R中的规则；
步骤3.2：定义关系长度为i,i≤l的规则的可信度为(|R|+1)l,采取一个l维张量，其中每个轴的大小是|R|+1，将主体为body(R)的规则的可信度放在张量中的位置上(r1,r2,…,rl)，称其为可信度张量；
引入可信度张量，将步骤3.1中实体(x,y)的规则表示为：
步骤3.3：使用双向RNN来获得参数aj,i,k的估算值：
其中h和h'分别是前向RNN和后向RNN的隐藏状态，初始均为0，eH表示逻辑规则的头部关系，fθ是从RNN隐藏状态生成系数的完全连接的神经网络；
获得参数aj,i,k的估算值后，得到任何规则集{R1,R2,…Rr,}的可信度{a1,a2,…ar,}；
步骤3.4：定义一个最低可信度a′min，可信度低于a′min的规则被认为是低质量规则，将其去除后，认为保留下来的规则质量水平满足要求，最终得到实体(x,y)的规则表达式为：
规则属性采用实体vx的属性。
6.根据权利要求1所述的一种基于规则树的电能计量装置选型方法，其特征在于：
所述步骤5包括以下步骤：
步骤5.1：从步骤4建立的选型规则树的根节点开始，设定根节点为当前节点；
步骤5.2：从电能计量装置选型规则库中取m个规则样本，作为测试数据集S＝{S1,S2,…,Sm}，将测试数据分别与当前节点所加载的规则进行匹配，如果匹配成功，执行步骤5.3，根据规则的指定动作进行操作；如果存在当前节点所加载的规则中没有与测试数据规则匹配的结果，执行步骤5.4；
步骤5.3：如果匹配规则的指定动作为跳转进入下一个节点，则设下一个节点为当前节点，重复执行步骤5.2；如果匹配规则的指定动作为不跳转，则返回匹配结果的节点，测试结束；
步骤5.4：返回无规则匹配的父节点，当前节点处加载未匹配的规则，然后从电能计量装置选型规则库中取m个规则样本T＝{T1,T2,…,Tm},T≠S转到步骤5.1重新执行。
7.根据权利要求1-6任一项所述的一种基于规则树的电能计量装置选型方法，其特征在于：
所述方法还包括：
在步骤5和步骤6之间，对选型规则树上的逻辑规则进行动态更新，进一步完善电能计量装置选型规则树。
8.根据权利要求7所述的一种基于规则树的电能计量装置选型方法，其特征在于：
所述对选型规则树上的逻辑规则进行动态更新，进一步完善电能计量装置选型规则树，包括：
对选型规则树上的逻辑规则进行规则添加：
记录新规则的属性Aj，在选型规则树中进行查找，如果存在当前节点所加载的规则中没有与测试数据规则匹配的结果，仅返回无规则匹配父节点，其他情况返回匹配结果的节点，在返回的节点处加入新的规则；
对选型规则树上的逻辑规则进行规则删除：
记录要删除规则的属性，在选型规则树中进行查找，直到返回匹配结果的节点或无规则匹配返回父节点，返回匹配结果的节点，则在该节点处直接删除规则；否则查询不到队形规则，提示无法删除；
对选型规则树上的逻辑规则进行规则更新：
先删除旧规则，在删除的位置上添加新规则，完成规则更新；
重构选型规则树：
选型规则树执行规则添加、规则删除和规则更新中任意步骤后，重新执行步骤4-步骤5，重新选择分支属性，以保证选择规则树的均衡性，达到规则树的效率最大化，使用重构后的选型规则树替代重构前的选型规则树。
9.一种基于规则树的电能计量装置选型系统，其特征在于：
所述系统包括：
选型规则库建立模块，用于整合电能计量装置规格数据，得到电能计量装置选型规则库；
逻辑规则学习模块，用于基于电能计量装置选型规则库，学习电能计量装置选型的逻辑规则；
优化模块，用于对逻辑规则学习模块得到的逻辑规则进行优化；
选型规则树建立模块，用于根据优化后的逻辑规则，建立电能计量装置选型规则树，包括：
4.1)：基于优化后的逻辑规则，按照规则头部关系的属性定义规则属性为A＝{A1,A2,…,An}，表示属性集A中共有n个属性；
4.2)：将电能计量装置选型规则，即优化后的逻辑规则加载到根节点上，设定根节点为当前节点；
4.3)：计算规则属性的分布度：
规则属性的分布度表示规则属性的分布情况，根据规则属性的分布情况，选择属性分布均衡的属性来分支建树，规则属性的分布度计算公式：
其中，Wi表示规则属性i的分布度，Ri表示规则属性i的个数，Nij表示规则属性i上取值为第j取值的规则数目；
规则属性的取值在电能计量装置选型规则库中分布越均衡，分布度的值也就越大，最大为1；
4.4)：计算当前节点加载规则的所有规则属性{A1,A2,…,An}的分布度，将其按从大到小依次排列为：w1,w2,…,wl；
4.5)：选择最大分布度Wmax(A′)对应的规则属性A′来进行分支，分支后将当前节点的规则去掉分支所使用的规则属性，即规则属性集{A1,A2,…,An}-{A′}分别加载到Ri各节点上；
4.6)：将4.5)的当前节点的规则清空，重新执行4.4)和4.5)，计算规则属性集{A1,A2,…,An}-{A′}的分布度大小，根据分布度取值从大到小依次建立到Ri各子节点的跳转规则，设定当前节点为已标记；
4.7)：如果存在未标记的子节点B，则设第一个未标记的左子节点B1为当前节点，跳到4.4)；
4.8)：如果所有子节点均已标记，若存在父节点，设定当前节点的父节点为当前节点，然后重新执行4.4)；若不存在父节点，则规则树建立完成；
规则查询测试模块，用于对选型规则树建立模块建立的选型规则树，进行规则查询测试，测试规则树能能否正常查询；
选型模块，用于依据电能计量装置选型规则树，输入电压等级，安装位置，计量方式等电能计量装置配置参数，进行电能计量装置的选型。
CN202010937338.5A 2020-09-08 2020-09-08 一种基于规则树的电能计量装置选型方法和系统 Active CN112183823B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010937338.5A CN112183823B (zh) 2020-09-08 2020-09-08 一种基于规则树的电能计量装置选型方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010937338.5A CN112183823B (zh) 2020-09-08 2020-09-08 一种基于规则树的电能计量装置选型方法和系统

Publications (2)

Publication Number Publication Date
CN112183823A CN112183823A (zh) 2021-01-05
CN112183823B true CN112183823B (zh) 2023-12-05

Family

ID=73920053

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010937338.5A Active CN112183823B (zh) 2020-09-08 2020-09-08 一种基于规则树的电能计量装置选型方法和系统

Country Status (1)

Country Link
CN (1) CN112183823B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114818095B (zh) * 2022-06-30 2022-09-20 武昌理工学院 一种绿色建筑弹性约束节能优化方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1278345A (zh) * 1997-11-04 2000-12-27 国际商业机器公司 在线数据库挖掘
CN104992298A (zh) * 2015-07-16 2015-10-21 南京朗坤软件有限公司 能源管理系统

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7966313B2 (en) * 2008-06-26 2011-06-21 Microsoft Corporation Configuration-parametric query optimization
US20150356104A9 (en) * 2011-10-04 2015-12-10 Electro Industries/Gauge Tech Systems and methods for collecting, analyzing, billing, and reporting data from intelligent electronic devices

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1278345A (zh) * 1997-11-04 2000-12-27 国际商业机器公司 在线数据库挖掘
CN104992298A (zh) * 2015-07-16 2015-10-21 南京朗坤软件有限公司 能源管理系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种改进的流量控制规则树构建方法;王涛;陈江;黎文伟;;福建电脑(10);全文 *

Also Published As

Publication number Publication date
CN112183823A (zh) 2021-01-05

Similar Documents

Publication Publication Date Title
CN108365822B (zh) 光伏电池在不同光照温度条件下工作特性的预测方法及系统
CN101930481B (zh) 生成描述指定时间段内电网变化的cim模型的方法和系统
CN108733966A (zh) 一种基于决策树群的多维电能表现场状态检验方法
CN109494719B (zh) 一种中低压混合配电网层次化阻抗分析方法
CN113723844B (zh) 一种基于集成学习的低压台区理论线损计算方法
CN110188972A (zh) 一种10kV配电网非专线客户接入方法
CN112183823B (zh) 一种基于规则树的电能计量装置选型方法和系统
WO2024187507A1 (zh) 一种配电网的拓扑辨识方法、装置、设备及介质
CN116796403A (zh) 一种基于商业建筑综合能耗预测的建筑节能方法
CN115345297A (zh) 一种基于生成对抗网络的台区样本生成方法及系统
CN111562541A (zh) 一种应用cart算法实现电能表检测数据管理的软件平台
Hu et al. Transformer-customer relationship identification for low-voltage distribution networks based on joint optimization of voltage silhouette coefficient and power loss coefficient
CN113447740A (zh) 一种非侵入式负荷事件全局优化匹配方法及系统
Yang et al. Research on optimized SOC estimation algorithm based on extended kalman filter
CN105447767A (zh) 一种基于联合矩阵分解模型的电力用户细分方法
CN117293906A (zh) 一种基于重心理论的配电网分布式光伏承载力快速评估方法与系统
CN111293687A (zh) 一种基于三维粒子群算法的分布式电源选址定容的方法
CN106684854B (zh) 一种基于节点等效的有源配电网电压越限风险分析方法
CN116628275B (zh) 一种实现图数据库与标准化拓扑双向转换的方法
Wang et al. Research on line loss prediction model based on clustering and multi prediction model fusion
KR102631020B1 (ko) 배전 계통 관계 집합 기반 데이터 매칭 방법 및 배전 계통 통합 db 시스템
CN118313171B (zh) 一种光伏组件模型参数辨识方法
Wang et al. Graph-Based Prediction on the Available Capacity of 10kV Distribution Transformers for DGs Connection
Yan et al. Combined source-storage-transmission planning considering the comprehensive incomes of energy storage system
Chihota et al. Practical Probabilistic Design Procedures for Medium Voltage Distribution Systems

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