CN112684396A - 电能表运行误差监测模型的数据预处理方法及系统 - Google Patents
电能表运行误差监测模型的数据预处理方法及系统 Download PDFInfo
- Publication number
- CN112684396A CN112684396A CN202011310243.7A CN202011310243A CN112684396A CN 112684396 A CN112684396 A CN 112684396A CN 202011310243 A CN202011310243 A CN 202011310243A CN 112684396 A CN112684396 A CN 112684396A
- Authority
- CN
- China
- Prior art keywords
- error
- parameter
- degradation
- target
- electric energy
- 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
- 238000000034 method Methods 0.000 title claims abstract description 53
- 238000012544 monitoring process Methods 0.000 title claims abstract description 52
- 238000007781 pre-processing Methods 0.000 title claims abstract description 45
- 238000012545 processing Methods 0.000 claims abstract description 22
- 230000015556 catabolic process Effects 0.000 claims description 220
- 238000006731 degradation reaction Methods 0.000 claims description 220
- 230000009471 action Effects 0.000 claims description 130
- 238000012937 correction Methods 0.000 claims description 55
- 238000009826 distribution Methods 0.000 claims description 49
- 238000004364 calculation method Methods 0.000 claims description 48
- 238000004422 calculation algorithm Methods 0.000 claims description 45
- 238000011161 development Methods 0.000 claims description 45
- 238000004458 analytical method Methods 0.000 claims description 41
- 238000007418 data mining Methods 0.000 claims description 41
- 230000004927 fusion Effects 0.000 claims description 31
- 238000012512 characterization method Methods 0.000 claims description 30
- 238000013507 mapping Methods 0.000 claims description 28
- 230000000737 periodic effect Effects 0.000 claims description 27
- 239000013598 vector Substances 0.000 claims description 21
- 238000013135 deep learning Methods 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims 1
- 238000003860 storage Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000007850 degeneration Effects 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000644 propagated effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002452 interceptive effect Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012163 sequencing technique Methods 0.000 description 2
- 238000013519 translation Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019800 disodium phosphate Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 239000010977 jade Substances 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请实施例提供一种电能表运行误差监测模型的数据预处理方法及系统，通过对每个业务处理终端的台区参数的误差影响指标进行分析，并根据目标误差影响指标的历史台区误差影响参数，确定出目标误差影响指标对应的计量误差数据列表，由此可以向电能表运行装置请求更新计量误差数据列表对应的更新计量节点，提高各种误差更新对象的应用范围，并且还可以进一步根据电能表运行装置从计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向电能表运行装置下发的电能表运行程序进行更新，这样通过闭环反馈的方式可以不断提高分析的台区参数与实际电能表信息的匹配度，进而不断优化后续产生的更新计量节点。
Description
技术领域
本申请涉及电能表运行误差监测技术领域，具体而言，涉及一种电能表运行误差监测模型的数据预处理方法及系统。
背景技术
电能表计量的准确性与电力企业、用户的经济利益直接相关，长期以来电力运营单位对电能表计量误差的研究主要集中在事后的维修，电能表计量误差影响因素的分析等方面。而由于数据和分析技术的限制，对电能表计量误差的预测方面工作还较少，相关技术中，通过预测出误差更新对象可以便于后续应用过程中的误差估计工作，如何提高各种误差更新对象的应用范围，并不断优化持续产生的更新计量节点到电能表运行程序中，是亟待解决的技术问题。
发明内容
为了至少克服现有技术中的上述不足，本申请的目的在于提供一种电能表运行误差监测模型的数据预处理方法及系统，通过对每个业务处理终端的台区参数的误差影响指标进行分析，并根据目标误差影响指标的历史台区误差影响参数，确定出目标误差影响指标对应的计量误差数据列表，由此可以向电能表运行装置请求更新计量误差数据列表对应的更新计量节点，提高各种误差更新对象的应用范围，并且还可以进一步根据电能表运行装置从计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向电能表运行装置下发的电能表运行程序进行更新，这样通过闭环反馈的方式可以不断提高分析的台区参数与实际电能表信息的匹配度，进而不断优化后续产生的更新计量节点。
第一方面，本申请提供一种电能表运行误差监测模型的数据预处理方法，应用于服务器，所述服务器与多个电能表运行装置通信连接，所述方法包括：
接收所述电能表运行装置发送的针对电能表运行程序的台区参数，根据电能表运行误差监测模型提取所述台区参数的目标误差影响参数；其中，所述目标误差影响参数包括目标误差影响指标；
根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表，其中，所述历史台区误差影响参数为所述服务器对电能表运行装置在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标进行深度分析获得的历史台区误差影响参数；
向所述电能表运行装置请求更新所述计量误差数据列表对应的更新计量节点；
根据所述电能表运行装置从所述计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向所述电能表运行装置下发的电能表运行程序进行更新。
在第一方面的一种可能的实现方式中，所述根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表的步骤，包括：
从所述目标误差影响指标的历史台区误差影响参数中获取参量退化作用量和所述参量退化作用量的退化轨迹模型的分布参数值，所述退化轨迹模型的分布参数值表示所述参量退化作用量中每个参量退化作用节点组合对应的分布数据状态；
根据所述退化轨迹模型的分布参数值对所述参量退化作用量进行处理，生成所述参量退化作用量的退化关系属性信息；
对所述参量退化作用量和所述退化关系属性信息进行误差特征参数提取，从提取得到的当前误差特征参数信息中确定与所述退化关系属性信息对应的第一误差梯度编码集对应的第二误差梯度编码集；
对所述第一误差梯度编码集和所述第二误差梯度编码集进行特征融合，得到第三误差梯度编码集；
根据所述第三误差梯度编码集输出所述参量退化作用量对应的目标计量误差数据列表。
在第一方面的一种可能的实现方式中，所述根据所述退化轨迹模型的分布参数值对所述参量退化作用量进行处理，生成所述参量退化作用量的退化关系属性信息的步骤，包括：
对所述参量退化作用量进行误差特征参数提取，对得到的所述参量退化作用量对应的第一误差特征参数进行误差轨迹特征识别，根据所识别到的误差轨迹特征得到所述参量退化作用量对应的第一波动损耗关系集合；
对所述退化轨迹模型的分布参数值进行误差特征参数提取，对得到的所述退化轨迹模型的分布参数值对应的第二误差特征参数进行误差轨迹特征识别，根据所识别到的误差轨迹特征得到所述退化轨迹模型的分布参数值对应的第二波动损耗关系集合；
获取所述第一波动损耗关系集合中保存的第一波动损耗发展分布信息，以及将所述第一波动损耗发展分布信息转换为对应的第一波动损耗发展表征特征；
获取所述第二波动损耗关系集合中多个波动损耗关系对象各自保存的第二波动损耗发展分布信息，以及将每个所述第二波动损耗发展分布信息转换为对应的第二波动损耗发展表征特征；
计算每个所述第二波动损耗发展表征特征与所述第一波动损耗发展表征特征的融合表征特征；
对每个所述第二波动损耗发展表征特征对应的融合表征特征进行排序，根据排序结果从多个所述第二波动损耗发展表征特征中选出多个相似波动损耗发展表征特征；
对所述多个相似波动损耗发展表征特征进行LM算法处理，得到LM算法特征向量；
对所述第一波动损耗关系集合和所述第二波动损耗关系集合的损耗特征向量进行回归模型特征计算，根据计算得到的回归模型特征得到损耗表征参数向量；所述损耗表征参数向量中包含有所述第二波动损耗关系集合中各个波动损耗关系对象对应的影响参数；
计算所述LM算法特征向量和所述损耗表征参数向量两者的融合特征向量，并将计算出的结果作为所述第一波动损耗发展分布信息的波动损耗发展线路增量；
将所述波动损耗发展线路增量映射至所述参量退化作用量中设定的拟合损耗影响数据，得到初始损耗映射台区误差影响参数；
对所述初始损耗映射台区误差影响参数进行误差轨迹特征识别，得到参考误差轨迹特征；
根据所述第一波动损耗关系集合、所述第二波动损耗关系集合以及所述参考误差轨迹特征，得到所述参量退化作用量对应的所述退化关系属性信息。
在第一方面的一种可能的实现方式中，所述根据所述第一波动损耗关系集合、所述第二波动损耗关系集合以及所述参考误差轨迹特征，得到所述参量退化作用量对应的所述退化关系属性信息的步骤，包括：
将所述第一波动损耗关系集合和所述第二波动损耗关系集合分别映射到所述参考误差轨迹特征中的每个动态轨迹节点上，获得所述第一波动损耗关系集合和所述第二波动损耗关系集合分别对应的每个动态轨迹节点的映射属性信息；
汇总所述第一波动损耗关系集合和所述第二波动损耗关系集合分别对应的每个动态轨迹节点的映射属性信息，得到所述参量退化作用量对应的所述退化关系属性信息。
在第一方面的一种可能的实现方式中，所述对所述参量退化作用量和所述退化关系属性信息进行误差特征参数提取，从提取得到的当前误差特征参数信息中确定与所述退化关系属性信息对应的第一误差梯度编码集对应的第二误差梯度编码集的步骤，包括：
对所述参量退化作用量和所述退化关系属性信息进行误差特征参数提取，得到所述参量退化作用量和所述退化关系属性信息的误差特征参数中映射的当前误差特征参数信息；所述当前误差特征参数信息包括多个误差特征元素的线路增量信息；
从所述当前误差特征参数信息包含的多个误差特征元素的线路增量信息中确定所述第一误差梯度编码集的相似线路增量信息，并将所述相似线路增量信息作为所述第二误差梯度编码集。
在第一方面的一种可能的实现方式中，所述对所述第一误差梯度编码集和所述第二误差梯度编码集进行特征融合，得到第三误差梯度编码集的步骤，包括：
将所述第一误差梯度编码集和所述第二误差梯度编码集分别输入预设的深度学习网络中，以使所述深度学习网络分别输出所述第一误差梯度编码集和所述第二误差梯度编码集各自的预测误差梯度编码集，得到第一目标误差梯度编码集和第二目标误差梯度编码集；
对所述第一目标误差梯度编码集进行LM算法计算，得到第一主题LM算法计算信息；对所述第一目标误差梯度编码集进行误差特征参数提取，并对提取得到的误差梯度编码集进行LM算法计算，得到第二主题LM算法计算信息，计算所述第一主题LM算法计算信息和所述第二主题LM算法计算信息的融合计算信息，得到与所述第一目标误差梯度编码集对应的第一预测编码特征集；
对所述第二目标误差梯度编码集进行LM算法计算，得到第三主题LM算法计算信息；对所述第二目标误差梯度编码集进行误差特征参数提取，并对提取得到的误差梯度编码集进行LM算法计算，得到第四主题LM算法计算信息，计算所述第三主题LM算法计算信息和所述第四主题LM算法计算信息的融合计算信息，得到与所述第二目标误差梯度编码集对应的第二预测编码特征集；
计算所述第一预测编码特征集和所述第二预测编码特征集两者的融合特征集，将得到的融合特征集作为所述第三误差梯度编码集。
在第一方面的一种可能的实现方式中，所述根据所述第三误差梯度编码集输出所述参量退化作用量对应的目标计量误差数据列表的步骤，包括：
获取所述第三误差梯度编码集中的多条误差特征参量的退化作用节点、以及与每个误差特征参量的退化作用节点组合对应的深度分析策略，所述误差特征参量的退化作用节点包括第一误差特征参量的退化作用节点和第二误差特征参量的退化作用节点，其中，所述第一误差特征参量的退化作用节点和第二误差特征参量的退化作用节点为相互之间存在映射关联的误差特征参量的退化作用节点组合；
对所述第三误差梯度编码集进行数据挖掘，以输出每个第一误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标、以及所述第三误差梯度编码集对应的目标数据挖掘目标；
计算所述目标数据挖掘目标和每个所述第一参考数据挖掘目标之间的关联度，以得到对应的每条第一误差特征参量的退化作用节点和所述第三误差梯度编码集之间的数据挖掘目标相似参数；
识别出每个第一误差特征参量的退化作用节点中的所有退化作用数据段、以及计算出每个第一误差特征参量的退化作用节点各自对应的回归模型特征；
根据所述所有退化作用数据段和所述回归模型特征，生成对应的误差特征参量的退化作用节点的退化作用分布信息；
根据所述深度分析策略生成每个误差特征参量的退化作用节点组合对应的运行误差标签；
利用所述运行误差标签对应的每条退化作用分布信息，得到每个误差特征参量的退化作用节点各自的第一作用聚类；
根据所述第二误差特征参量的退化作用节点组合每个误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标进行聚类，得到每个误差特征参量的退化作用节点的第二作用聚类；
根据所述第一作用聚类和第二作用聚类，在所述多条误差特征参量的退化作用节点中确定出目标误差特征参量的退化作用节点；
将所述目标误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标作为第二数据挖掘目标，并将所述第二数据挖掘目标映射至所述第三误差梯度编码集中，以输出所述参量退化作用量对应的目标计量误差数据列表。
在第一方面的一种可能的实现方式中，所述深度分析策略包括对所述误差特征参量的退化作用节点的退化分析编码聚类策略、以及所述误差特征参量的退化作用节点组合对应的编码参数值聚类策略；
所述根据所述深度分析策略生成每个误差特征参量的退化作用节点组合对应的运行误差标签的步骤，包括：
根据所述编码参数值聚类策略对所述误差特征参量的退化作用节点进行编码参数值聚类，生成所述误差特征参量的退化作用节点组合对应的计量误差数据列表编码参数值；
根据所述退化分析编码聚类策略对所述误差特征参量的退化作用节点进行退化分析编码聚类，生成所述误差特征参量的退化作用节点组合对应的退化分析编码聚类结果；
根据所述计量误差数据列表编码参数值和所述退化分析编码聚类结果，生成对应所述误差特征参量的退化作用节点的运行误差标签。
在第一方面的一种可能的实现方式中，所述方法还包括：
获取所述目标误差影响指标的历史台区误差影响参数；
所述获取所述目标误差影响指标的历史台区误差影响参数的步骤，包括：
从所述电能表运行装置中获取所述电能表运行装置在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标；
获取所述电能表运行程序所对应的误差校正表项在所述目标误差影响指标下的误差校正参数，并按照预定的目标误差校正类别对各个目标误差影响指标下的误差校正参数进行归类，分别生成每个目标误差校正类别的误差校正参数集合；
针对每个目标误差校正类别，获取该目标误差校正类别的误差校正参数集合中每个误差校正参数匹配于所述周期性台区参数列表的关联参数数据，并基于目标误差校正类别对应的请求更新内容特征对每个目标误差校正类别的关联参数数据列表进行深度分析，得到各个目标误差校正类别的历史台区误差影响参数；
从所述各个目标误差校正类别的历史台区误差影响参数中获得所述目标误差影响指标包括的标记目标误差校正类别的历史台区误差影响参数。
第二方面，本申请实施例还提供一种电能表运行误差监测模型的数据预处理装置，应用于服务器，所述服务器与多个电能表运行装置通信连接，所述装置包括：
接收模块，用于接收所述电能表运行装置发送的针对电能表运行程序的台区参数，根据电能表运行误差监测模型提取所述台区参数的目标误差影响参数；其中，所述目标误差影响参数包括目标误差影响指标；
确定模块，用于根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表，其中，所述历史台区误差影响参数为所述服务器对电能表运行装置在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标进行深度分析获得的历史台区误差影响参数；
请求更新模块，用于向所述电能表运行装置请求更新所述计量误差数据列表对应的更新计量节点；
更新模块，用于根据所述电能表运行装置从所述计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向所述电能表运行装置下发的电能表运行程序进行更新。
第三方面，本申请实施例还提供一种电能表运行误差监测模型的数据预处理系统，所述电能表运行误差监测模型的数据预处理系统包括服务器以及与所述服务器通信连接的多个电能表运行装置；
所述服务器，用于接收所述电能表运行装置发送的针对电能表运行程序的台区参数，根据电能表运行误差监测模型提取所述台区参数的目标误差影响参数；其中，所述目标误差影响参数包括目标误差影响指标；
所述服务器，用于根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表，其中，所述历史台区误差影响参数为所述服务器对电能表运行装置在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标进行深度分析获得的历史台区误差影响参数；
所述服务器，用于向所述电能表运行装置请求更新所述计量误差数据列表对应的更新计量节点；
所述服务器，用于根据所述电能表运行装置从所述计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向所述电能表运行装置下发的电能表运行程序进行更新。
第四方面，本申请实施例还提供一种服务器，所述服务器包括处理器、机器可读存储介质和网络接口，所述机器可读存储介质、所述网络接口以及所述处理器之间通过总线系统相连，所述网络接口用于与至少一个电能表运行装置通信连接，所述机器可读存储介质用于存储程序、指令或代码，所述处理器用于执行所述机器可读存储介质中的程序、指令或代码，以执行第一方面或者第一方面中任意一个可能的实现方式中的电能表运行误差监测模型的数据预处理方法。
第五方面，本申请实施例提供一种计算机可读存储介质，计算机可读存储介质中存储有指令，当其被执行时，使得计算机执行上述第一方面或者第一方面中任意一个可能的实现方式中的电能表运行误差监测模型的数据预处理方法。
基于上述任意一个方面，本申请通过对每个业务处理终端的台区参数的误差影响指标进行分析，并根据目标误差影响指标的历史台区误差影响参数，确定出目标误差影响指标对应的计量误差数据列表，由此可以向电能表运行装置请求更新计量误差数据列表对应的更新计量节点，提高各种误差更新对象的应用范围，并且还可以进一步根据电能表运行装置从计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向电能表运行装置下发的电能表运行程序进行更新，这样通过闭环反馈的方式可以不断提高分析的台区参数与实际电能表信息的匹配度，进而不断优化后续产生的更新计量节点。
附图说明
为了更清楚地说明本申请实施例的技术方案，下面将对实施例中所需要调用的附图作简单地介绍，应当理解，以下附图仅示出了本申请的某些实施例，因此不应被看作是对范围的限定，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，还可以根据这些附图获得其它相关的附图。
图1为本申请实施例提供的电能表运行误差监测模型的数据预处理系统的应用场景示意图；
图2为本申请实施例提供的电能表运行误差监测模型的数据预处理方法的流程示意图；
图3为本申请实施例提供的电能表运行误差监测模型的数据预处理装置的功能模块示意图；
图4为本申请实施例提供的用于实现上述的电能表运行误差监测模型的数据预处理方法的服务器的结构组件示意框图。
具体实施方式
下面结合说明书附图对本申请进行具体说明，方法实施例中的具体操作方法也可以应用于装置实施例或系统实施例中。
图1是本申请一种实施例提供的电能表运行误差监测模型的数据预处理系统10的交互示意图。电能表运行误差监测模型的数据预处理系统10可以包括服务器100以及与服务器100通信连接的电能表运行装置200。图1所示的电能表运行误差监测模型的数据预处理系统10仅为一种可行的示例，在其它可行的实施例中，该电能表运行误差监测模型的数据预处理系统10也可以仅包括图1所示组成部分的其中一部分或者还可以包括其它的组成部分。
本实施例中，电能表运行误差监测模型的数据预处理系统10中的服务器100和电能表运行装置200可以通过配合执行以下方法实施例所描述的电能表运行误差监测模型的数据预处理方法，具体服务器100和电能表运行装置200的执行步骤部分可以参照以下方法实施例的详细描述。
为了解决前述背景技术中的技术问题，图2为本申请实施例提供的电能表运行误差监测模型的数据预处理方法的流程示意图，本实施例提供的电能表运行误差监测模型的数据预处理方法可以由图1中所示的服务器100执行，下面对该电能表运行误差监测模型的数据预处理方法进行详细介绍。
步骤S110，接收电能表运行装置200发送的针对电能表运行程序的台区参数，根据电能表运行误差监测模型提取台区参数的目标误差影响参数。
步骤S120，根据目标误差影响指标的历史台区误差影响参数，确定出目标误差影响指标对应的计量误差数据列表。
步骤S130，向电能表运行装置200请求更新计量误差数据列表对应的更新计量节点。
本实施例中，目标误差影响参数例如可以包括目标误差影响指标，目标误差影响指标可以用于表示存在针对目标电能表统计过程的误差影响的指标数据段。
本实施例中，历史台区误差影响参数可以为服务器对电能表运行装置200在历史计量误差节点下生成的周期性台区参数列表以及周期性台区参数列表所对应的目标误差影响指标进行深度分析获得的历史台区误差影响参数。其中，周期性台区参数可以是指对于每一次周期性台区统计过程而言。
基于上述步骤，本实施例通过对每个业务处理终端的台区参数的误差影响指标进行分析，并根据目标误差影响指标的历史台区误差影响参数，确定出目标误差影响指标对应的计量误差数据列表，由此可以向电能表运行装置请求更新计量误差数据列表对应的更新计量节点，提高各种误差更新对象的应用范围，并且还可以进一步根据电能表运行装置从计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向电能表运行装置下发的电能表运行程序进行更新，这样通过闭环反馈的方式可以不断提高分析的台区参数与实际电能表信息的匹配度，进而不断优化后续产生的更新计量节点。
在一种可能的实现方式中，针对步骤S120，可以通过以下示例性的子步骤来实现，详细描述如下。
子步骤S121，从目标误差影响指标的历史台区误差影响参数中获取参量退化作用量和参量退化作用量的退化轨迹模型的分布参数值，退化轨迹模型的分布参数值可以表示参量退化作用量中每个参量退化作用节点组合对应的分布数据状态。
子步骤S122，根据退化轨迹模型的分布参数值对参量退化作用量进行处理，生成参量退化作用量的退化关系属性信息。
子步骤S123，对参量退化作用量和退化关系属性信息进行误差特征参数提取，从提取得到的当前误差特征参数信息中确定与退化关系属性信息对应的第一误差梯度编码集对应的第二误差梯度编码集。
子步骤S124，对第一误差梯度编码集和第二误差梯度编码集进行特征融合，得到第三误差梯度编码集。
子步骤S125，根据第三误差梯度编码集输出参量退化作用量对应的目标计量误差数据列表。
示例性地，在子步骤S122中，可以通过以下具体的实施方式来实现。
（1）对参量退化作用量进行误差特征参数提取，对得到的参量退化作用量对应的第一误差特征参数进行误差轨迹特征识别，根据所识别到的误差轨迹特征得到参量退化作用量对应的第一波动损耗关系集合。
（2）对退化轨迹模型的分布参数值进行误差特征参数提取，对得到的退化轨迹模型的分布参数值对应的第二误差特征参数进行误差轨迹特征识别，根据所识别到的误差轨迹特征得到退化轨迹模型的分布参数值对应的第二波动损耗关系集合。
（3）获取第一波动损耗关系集合中保存的第一波动损耗发展分布信息，以及将第一波动损耗发展分布信息转换为对应的第一波动损耗发展表征特征。
（4）获取第二波动损耗关系集合中多个波动损耗关系对象各自保存的第二波动损耗发展分布信息，以及将每个第二波动损耗发展分布信息转换为对应的第二波动损耗发展表征特征。
（5）计算每个第二波动损耗发展表征特征与第一波动损耗发展表征特征的融合表征特征。
（6）对每个第二波动损耗发展表征特征对应的融合表征特征进行排序，根据排序结果从多个第二波动损耗发展表征特征中选出多个相似波动损耗发展表征特征。
（7）对多个相似波动损耗发展表征特征进行LM算法处理，得到LM算法特征向量。
（8）对第一波动损耗关系集合和第二波动损耗关系集合的损耗特征向量进行回归模型特征计算，根据计算得到的回归模型特征得到损耗表征参数向量。损耗表征参数向量中包含有第二波动损耗关系集合中各个波动损耗关系对象对应的影响参数。
（9）计算LM算法特征向量和损耗表征参数向量两者的融合特征向量，并将计算出的结果作为第一波动损耗发展分布信息的波动损耗发展线路增量。
（10）将波动损耗发展线路增量映射至参量退化作用量中设定的拟合损耗影响数据，得到初始损耗映射台区误差影响参数。
（11）对初始损耗映射台区误差影响参数进行误差轨迹特征识别，得到参考误差轨迹特征。
（12）根据第一波动损耗关系集合、第二波动损耗关系集合以及参考误差轨迹特征，得到参量退化作用量对应的退化关系属性信息。
示例性地，在子步骤S123中，可以通过以下具体的实施方式来实现。
（1）对参量退化作用量和退化关系属性信息进行误差特征参数提取，得到参量退化作用量和退化关系属性信息的误差特征参数中映射的当前误差特征参数信息。
本实施例中，当前误差特征参数信息包括多个误差特征元素的线路增量信息。
（2）从当前误差特征参数信息包含的多个误差特征元素的线路增量信息中确定第一误差梯度编码集的相似线路增量信息，并将相似线路增量信息作为第二误差梯度编码集。
示例性地，在子步骤S124中，可以通过以下具体的实施方式来实现。
（1）将第一误差梯度编码集和第二误差梯度编码集分别输入预设的深度学习网络中，以使深度学习网络分别输出第一误差梯度编码集和第二误差梯度编码集各自的预测误差梯度编码集，得到第一目标误差梯度编码集和第二目标误差梯度编码集。
（2）对第一目标误差梯度编码集进行LM算法计算，得到第一主题LM算法计算信息。对第一目标误差梯度编码集进行误差特征参数提取，并对提取得到的误差梯度编码集进行LM算法计算，得到第二主题LM算法计算信息，计算第一主题LM算法计算信息和第二主题LM算法计算信息的融合计算信息，得到与第一目标误差梯度编码集对应的第一预测编码特征集。
（3）对第二目标误差梯度编码集进行LM算法计算，得到第三主题LM算法计算信息。对第二目标误差梯度编码集进行误差特征参数提取，并对提取得到的误差梯度编码集进行LM算法计算，得到第四主题LM算法计算信息，计算第三主题LM算法计算信息和第四主题LM算法计算信息的融合计算信息，得到与第二目标误差梯度编码集对应的第二预测编码特征集。
（4）计算第一预测编码特征集和第二预测编码特征集两者的融合特征集，将得到的融合特征集作为第三误差梯度编码集。
示例性地，在子步骤S125中，可以通过以下具体的实施方式来实现。
（1）获取第三误差梯度编码集中的多条误差特征参量的退化作用节点、以及与每个误差特征参量的退化作用节点组合对应的深度分析策略，误差特征参量的退化作用节点包括第一误差特征参量的退化作用节点和第二误差特征参量的退化作用节点，其中，第一误差特征参量的退化作用节点和第二误差特征参量的退化作用节点为相互之间存在映射关联的误差特征参量的退化作用节点组合。
（2）对第三误差梯度编码集进行数据挖掘，以输出每个第一误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标、以及第三误差梯度编码集对应的目标数据挖掘目标。
（3）计算目标数据挖掘目标和每个第一参考数据挖掘目标之间的关联度，以得到对应的每条第一误差特征参量的退化作用节点和第三误差梯度编码集之间的数据挖掘目标相似参数。
（4）识别出每个第一误差特征参量的退化作用节点中的所有退化作用数据段、以及计算出每个第一误差特征参量的退化作用节点各自对应的回归模型特征。
（5）根据所有退化作用数据段和回归模型特征，生成对应的误差特征参量的退化作用节点的退化作用分布信息。
（6）根据深度分析策略生成每个误差特征参量的退化作用节点组合对应的运行误差标签。
作为一种示例，深度分析策略可以包括对误差特征参量的退化作用节点的退化分析编码聚类策略、以及误差特征参量的退化作用节点组合对应的编码参数值聚类策略。基于此，可以根据编码参数值聚类策略对误差特征参量的退化作用节点进行编码参数值聚类，生成误差特征参量的退化作用节点组合对应的计量误差数据列表编码参数值，然后根据退化分析编码聚类策略对误差特征参量的退化作用节点进行退化分析编码聚类，生成误差特征参量的退化作用节点组合对应的退化分析编码聚类结果，由此可以根据计量误差数据列表编码参数值和退化分析编码聚类结果，生成对应误差特征参量的退化作用节点的运行误差标签。
（7）利用运行误差标签对应的每条退化作用分布信息，得到每个误差特征参量的退化作用节点各自的第一作用聚类。
（8）根据第二误差特征参量的退化作用节点组合每个误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标进行聚类，得到每个误差特征参量的退化作用节点的第二作用聚类。
（9）根据第一作用聚类和第二作用聚类，在多条误差特征参量的退化作用节点中确定出目标误差特征参量的退化作用节点。
（10）将目标误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标作为第二数据挖掘目标，并将第二数据挖掘目标映射至第三误差梯度编码集中，以输出参量退化作用量对应的目标计量误差数据列表。
示例性地，误差特征参量的退化作用节点还包括第三误差特征参量的退化作用节点，在（7）之前，还可以计算每个第一参考数据挖掘目标相对于第三误差特征参量的退化作用节点所对应的参照数据挖掘目标集合中每个参照数据挖掘目标的映射平移参数，然后对每个第一参考数据挖掘目标对应的所有映射平移参数进行融合，得到每个第一参考数据挖掘目标对应的融合映射参数。
在此参考上，可以根据每个第一参考数据挖掘目标对应的融合映射参数，对所有第一参考数据挖掘目标按序排列，以根据每个第一参考数据挖掘目标排列后的顺序，确定每个第一参考数据挖掘目标各自的优先级参数，然后根据每个第一参考数据挖掘目标各自的优先级参数，对每个第一参考数据挖掘目标各自对应的融合映射参数进行处理，生成每个误差特征参量的退化作用节点的加权融合映射参数。
这样，在（7）中，即可利用运行误差标签对应的每个退化作用分布信息对每个误差特征参量的退化作用节点的加权融合映射参数进行聚类，得到每个误差特征参量的退化作用节点组合对应的第一作用聚类。
在一种可能的实现方式中，在步骤S120之前，本实施例提供的电能表运行误差监测模型的数据预处理方法还可以包括步骤S101，获取目标误差影响指标的历史台区误差影响参数。
例如，步骤S101具体可以通过以下子步骤来实现。
子步骤S1011，从每个电能表运行装置200中获取每个电能表运行装置200在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标。
步骤S1012，获取所述电能表运行程序所对应的误差校正表项在所述目标误差影响指标下的误差校正参数，并按照预定的目标误差校正类别对各个目标误差影响指标下的误差校正参数进行归类，分别生成每个目标误差校正类别的误差校正参数集合。
其中，误差校正参数可以用于表示所述电能表运行程序所对应的误差校正表项在每个周期性台区参数的目标误差影响指标下的具体应用的内容统计标签。
本实施例中，预定的目标误差校正类别可以根据实际设计需求进行灵活选择。
步骤S1013，针对每个目标误差校正类别，获取该目标误差校正类别的误差校正参数集合中每个误差校正参数匹配于所述周期性台区参数列表的关联参数数据，并基于目标误差校正类别对应的请求更新内容特征对每个目标误差校正类别的关联参数数据列表进行深度分析，得到各个目标误差校正类别的历史台区误差影响参数。
步骤S1014，从所述各个目标误差校正类别的历史台区误差影响参数中获得所述目标误差影响指标包括的标记目标误差校正类别的历史台区误差影响参数。
基于上述步骤，本实施例通过考虑所述电能表运行程序所对应的误差校正表项在周期性台区参数列表所对应的目标误差影响指标下的误差校正参数，然后基于预定的目标误差校正类别对各个目标误差影响指标下的误差校正参数进行归类，从而考虑到不同目标误差影响指标和目标误差校正类别的差异，由此基于目标误差校正类别对应的请求更新内容特征对每个目标误差校正类别的关联参数数据列表进行深度分析，可以预测提高深度分析的精确性，使得深度分析结果更能够匹配实际的业务场景。
图3为本公开实施例提供的电能表运行误差监测模型的数据预处理装置300的功能模块示意图，本实施例可以根据上述服务器100执行的方法实施例对该电能表运行误差监测模型的数据预处理装置300进行功能模块的划分，也即该电能表运行误差监测模型的数据预处理装置300所对应的以下各个功能模块可以用于执行上述服务器100执行的各个方法实施例。其中，该电能表运行误差监测模型的数据预处理装置300可以包括接收模块310、确定模块320、请求更新模块330以及更新模块340，下面分别对该电能表运行误差监测模型的数据预处理装置300的各个功能模块的功能进行详细阐述。
接收模块310，用于接收所述电能表运行装置200发送的针对电能表运行程序的台区参数，根据电能表运行误差监测模型提取所述台区参数的目标误差影响参数；其中，所述目标误差影响参数包括目标误差影响指标。其中，接收模块310可以用于执行上述的步骤S110，关于接收模块310的详细实现方式可以参照上述针对步骤S110的详细描述即可。
确定模块320，用于根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表，其中，所述历史台区误差影响参数为所述服务器对电能表运行装置200在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标进行深度分析获得的历史台区误差影响参数。其中，确定模块320可以用于执行上述的步骤S120，关于确定模块320的详细实现方式可以参照上述针对步骤S120的详细描述即可。
请求更新模块330，用于向所述电能表运行装置200请求更新所述计量误差数据列表对应的更新计量节点。其中，请求更新模块330可以用于执行上述的步骤S130，关于请求更新模块330的详细实现方式可以参照上述针对步骤S130的详细描述即可。
更新模块340，用于根据所述电能表运行装置从所述计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向所述电能表运行装置下发的电能表运行程序进行更新。其中，更新模块340可以用于执行上述的步骤S140，关于更新模块340的详细实现方式可以参照上述针对步骤S140的详细描述即可。
需要说明的是，应理解以上装置的各个模块的划分仅仅是一种逻辑功能的划分，实际实现时可以全部或部分集成到一个物理实体上，也可以物理上分开。且这些模块可以全部以软件通过处理元件调用的形式实现。也可以全部以硬件的形式实现。还可以部分模块通过处理元件调用软件的形式实现，部分模块通过硬件的形式实现。例如，接收模块310可以为单独设立的处理元件，也可以集成在上述装置的某一个芯片中实现，此外，也可以以程序代码的形式存储于上述装置的存储器中，由上述装置的某一个处理元件调用并执行以上接收模块310的功能。其它模块的实现与之类似。此外这些模块全部或部分可以集成在一起，也可以独立实现。这里所描述的处理元件可以是一种集成电路，具有信号的处理能力。在实现过程中，上述方法的各步骤或以上各个模块可以通过处理器元件中的硬件的集成逻辑电路或者软件形式的指令完成。
例如，以上这些模块可以是被配置成实施以上方法的一个或多个集成电路，例如：一个或多个特定集成电路(application specific integrated circuit，ASIC)，或，一个或多个微处理器(digital signal processor，DSP)，或，一个或者多个现场可编程门阵列(field programmable gate array，FPGA)等。再如，当以上某个模块通过处理元件调度程序代码的形式实现时，该处理元件可以是通用处理器，例如中央处理器(centralprocessing unit，CPU)或其它可以调用程序代码的处理器。再如，这些模块可以集成在一起，以片上系统(system-on-a-chip，SOC)的形式实现。
图4示出了本公开实施例提供的用于实现上述的电能表运行误差监测模型的数据预处理方法的服务器100的硬件结构示意图，如图4所示，服务器100可包括处理器110、机器可读存储介质120、总线130以及收发器140。
在具体实现过程中，至少一个处理器110执行机器可读存储介质120存储的计算机执行指令（例如图3中所示的电能表运行误差监测模型的数据预处理装置300包括的接收模块310、确定模块320、请求更新模块330以及更新模块340），使得处理器110可以执行如上方法实施例的电能表运行误差监测模型的数据预处理方法，其中，处理器110、机器可读存储介质120以及收发器140通过总线130连接，处理器110可以用于控制收发器140的收发动作，从而可以与前述的电能表运行装置200进行数据收发。
处理器110的具体实现过程可参见上述服务器100执行的各个方法实施例，其实现原理和技术效果类似，本实施例此处不再赘述。
在上述的图4所示的实施例中，应理解，处理器可以是中央处理单元(英文：Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(英文：Digital Signal Processor，DSP)、专用集成电路(英文：ApplicationSpecificIntegrated Circuit，ASIC)等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合发明所公开的方法的步骤可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。
机器可读存储介质120可能包含高速RAM存储器，也可能还包括非易失性存储NVM，例如至少一个磁盘存储器。
总线130可以是工业标准体系结构(Industry Standard Architecture，ISA)总线、外部设备互连(Peripheral Component Interconnect，PCI)总线或扩展工业标准体系结构(Extended Industry Standard Architecture，EISA)总线等。总线130可以分为地址总线、数据总线、控制总线等。为便于表示，本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
此外，本申请实施例还提供一种可读存储介质，所述可读存储介质中存储有计算机执行指令，当处理器执行所述计算机执行指令时，实现如上电能表运行误差监测模型的数据预处理方法。
上文已对基本概念做了描述，显然，对于本领域技术人员来说，上述详细披露仅仅作为示例，而并不构成对本说明书的限定。虽然此处并没有明确说明，本领域技术人员可能会对本说明书进行各种修改、改进和修正。该类修改、改进和修正在本说明书中被建议，所以该类修改、改进、修正仍属于本说明书示范实施例的精神和范围。
同时，本说明书使用了特定词语来描述本说明书的实施例。如“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”意指与本说明书至少一个实施例相关的某一特征、结构或特点。因此，应强调并注意的是，本说明书中在不同位置两次或多次提及的“一种可能的实现方式”、“一种可能的示例”、和/或“示例性地”并不一定是指同一实施例。此外，本说明书的一个或多个实施例中的某些特征、结构或特点可以进行适当的组合。
此外，本领域技术人员可以理解，本说明书的各方面可以通过若干具有可专利性的种类或情况进行说明和描述，包括任何新的和有用的工序、机器、产品或物质的组合，或对他们的任何新的和有用的改进。相应地，本说明书的各个方面可以完全由硬件执行、可以完全由软件（包括固件、常驻软件、微码等）执行、也可以由硬件和软件组合执行。以上硬件或软件均可被称为“数据块”、“模块”、“引擎”、“单元”、“组件”或“系统”。此外，本说明书的各方面可能表现为位于一个或多个计算机可读介质中的计算机产品，该产品包括计算机可读程序编码。
计算机存储介质可能包含一个内含有计算机程序编码的传播数据信号，例如在基带上或作为载波的一部分。该传播信号可能有多种表现形式，包括电磁形式、光形式等，或合适的组合形式。计算机存储介质可以是除计算机可读存储介质之外的任何计算机可读介质，该介质可以通过连接至一个指令执行系统、装置或设备以实现通讯、传播或传输供使用的程序。位于计算机存储介质上的程序编码可以通过任何合适的介质进行传播，包括无线电、电缆、光纤电缆、RF、或类似介质，或任何上述介质的组合。
本说明书各部分操作所需的计算机程序编码可以用任意一种或多种程序语言编写，包括面向对象编程语言如Java、Scala、Smalltalk、Eiffel、JADE、Emerald、C++、C#、VB.NET、Python等，常规程序化编程语言如C语言、Visual Basic、Fortran 2003、Perl、COBOL 2002、PHP、ABAP，动态编程语言如Python、Ruby和Groovy，或其他编程语言等。该程序编码可以完全在用户计算机上运行、或作为独立的软件包在用户计算机上运行、或部分在用户计算机上运行部分在远程计算机运行、或完全在远程计算机或数字金融服务终端上运行。在后种情况下，远程计算机可以通过任何网络形式与用户计算机连接，比如局域网（LAN）或广域网（WAN），或连接至外部计算机（例如通过因特网），或在云计算环境中，或作为服务使用如软件即服务（SaaS）。
此外，除非权利要求中明确说明，本说明书所述处理元素和列表的顺序、数字字母的使用、或其他名称的使用，并非用于限定本说明书流程和方法的顺序。尽管上述披露中通过各种示例讨论了一些目前认为有用的发明实施例，但应当理解的是，该类细节仅起到说明的目的，附加的权利要求并不仅限于披露的实施例，相反，权利要求旨在覆盖所有符合本说明书实施例实质和范围的修正和等价组合。例如，虽然以上所描述的系统组件可以通过互动业务实现，但是也可以只通过软件的解决方案得以实现，如在现有的数字金融服务终端或移动设备上安装所描述的系统。
同理，应当注意的是，为了简化本说明书披露的表述，从而帮助对一个或多个发明实施例的理解，前文对本说明书实施例的描述中，有时会将多种特征归并至一个实施例、附图或对其的描述中。但是，这种披露方法并不意味着本说明书对象所需要的特征比权利要求中提及的特征多。实际上，实施例的特征要少于上述披露的单个实施例的全部特征。
需要说明的是，如果本说明书附属材料中的描述、定义、和/或术语的使用与本说明书所述内容有不一致或冲突的地方，以本说明书的描述、定义和/或术语的使用为准。
最后，应当理解的是，本说明书中所述实施例仅用以说明本说明书实施例的原则。其他的变形也可能属于本说明书的范围。因此，作为示例而非限制，本说明书实施例的替代配置可视为与本说明书的教导一致。相应地，本说明书的实施例不仅限于本说明书明确介绍和描述的实施例。
Claims (10)
1.一种电能表运行误差监测模型的数据预处理方法，其特征在于，应用于服务器，所述服务器与多个电能表运行装置通信连接，所述方法包括：
接收所述电能表运行装置发送的针对电能表运行程序的台区参数，根据电能表运行误差监测模型提取所述台区参数的目标误差影响参数；其中，所述目标误差影响参数包括目标误差影响指标；
根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表，其中，所述历史台区误差影响参数为所述服务器对电能表运行装置在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标进行深度分析获得的历史台区误差影响参数；
根据所述目标误差影响指标对应的计量误差数据列表，向所述电能表运行装置请求更新所述计量误差数据列表对应的更新计量节点；
根据所述电能表运行装置从所述计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向所述电能表运行装置下发的电能表运行程序进行更新。
2.根据权利要求1所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表的步骤，包括：
从所述目标误差影响指标的历史台区误差影响参数中获取参量退化作用量和所述参量退化作用量的退化轨迹模型的分布参数值，所述退化轨迹模型的分布参数值表示所述参量退化作用量中每个参量退化作用节点组合对应的分布数据状态；
根据所述退化轨迹模型的分布参数值对所述参量退化作用量进行处理，生成所述参量退化作用量的退化关系属性信息；
对所述参量退化作用量和所述退化关系属性信息进行误差特征参数提取，从提取得到的当前误差特征参数信息中确定与所述退化关系属性信息对应的第一误差梯度编码集对应的第二误差梯度编码集；
对所述第一误差梯度编码集和所述第二误差梯度编码集进行特征融合，得到第三误差梯度编码集；
根据所述第三误差梯度编码集输出所述参量退化作用量对应的目标计量误差数据列表。
3.根据权利要求1所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述根据所述退化轨迹模型的分布参数值对所述参量退化作用量进行处理，生成所述参量退化作用量的退化关系属性信息的步骤，包括：
对所述参量退化作用量进行误差特征参数提取，对得到的所述参量退化作用量对应的第一误差特征参数进行误差轨迹特征识别，根据所识别到的误差轨迹特征得到所述参量退化作用量对应的第一波动损耗关系集合；
对所述退化轨迹模型的分布参数值进行误差特征参数提取，对得到的所述退化轨迹模型的分布参数值对应的第二误差特征参数进行误差轨迹特征识别，根据所识别到的误差轨迹特征得到所述退化轨迹模型的分布参数值对应的第二波动损耗关系集合；
获取所述第一波动损耗关系集合中保存的第一波动损耗发展分布信息，以及将所述第一波动损耗发展分布信息转换为对应的第一波动损耗发展表征特征；
获取所述第二波动损耗关系集合中多个波动损耗关系对象各自保存的第二波动损耗发展分布信息，以及将每个所述第二波动损耗发展分布信息转换为对应的第二波动损耗发展表征特征；
计算每个所述第二波动损耗发展表征特征与所述第一波动损耗发展表征特征的融合表征特征；
对每个所述第二波动损耗发展表征特征对应的融合表征特征进行排序，根据排序结果从多个所述第二波动损耗发展表征特征中选出多个相似波动损耗发展表征特征；
对所述多个相似波动损耗发展表征特征进行LM算法处理，得到LM算法特征向量；
对所述第一波动损耗关系集合和所述第二波动损耗关系集合的损耗特征向量进行回归模型特征计算，根据计算得到的回归模型特征得到损耗表征参数向量；所述损耗表征参数向量中包含有所述第二波动损耗关系集合中各个波动损耗关系对象对应的影响参数；
计算所述LM算法特征向量和所述损耗表征参数向量两者的融合特征向量，并将计算出的结果作为所述第一波动损耗发展分布信息的波动损耗发展线路增量；
将所述波动损耗发展线路增量映射至所述参量退化作用量中设定的拟合损耗影响数据，得到初始损耗映射台区误差影响参数；
对所述初始损耗映射台区误差影响参数进行误差轨迹特征识别，得到参考误差轨迹特征；
根据所述第一波动损耗关系集合、所述第二波动损耗关系集合以及所述参考误差轨迹特征，得到所述参量退化作用量对应的所述退化关系属性信息。
4.根据权利要求3所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述根据所述第一波动损耗关系集合、所述第二波动损耗关系集合以及所述参考误差轨迹特征，得到所述参量退化作用量对应的所述退化关系属性信息的步骤，包括：
将所述第一波动损耗关系集合和所述第二波动损耗关系集合分别映射到所述参考误差轨迹特征中的每个动态轨迹节点上，获得所述第一波动损耗关系集合和所述第二波动损耗关系集合分别对应的每个动态轨迹节点的映射属性信息；
汇总所述第一波动损耗关系集合和所述第二波动损耗关系集合分别对应的每个动态轨迹节点的映射属性信息，得到所述参量退化作用量对应的所述退化关系属性信息。
5.根据权利要求2所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述对所述参量退化作用量和所述退化关系属性信息进行误差特征参数提取，从提取得到的当前误差特征参数信息中确定与所述退化关系属性信息对应的第一误差梯度编码集对应的第二误差梯度编码集的步骤，包括：
对所述参量退化作用量和所述退化关系属性信息进行误差特征参数提取，得到所述参量退化作用量和所述退化关系属性信息的误差特征参数中映射的当前误差特征参数信息；所述当前误差特征参数信息包括多个误差特征元素的线路增量信息；
从所述当前误差特征参数信息包含的多个误差特征元素的线路增量信息中确定所述第一误差梯度编码集的相似线路增量信息，并将所述相似线路增量信息作为所述第二误差梯度编码集。
6.根据权利要求2所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述对所述第一误差梯度编码集和所述第二误差梯度编码集进行特征融合，得到第三误差梯度编码集的步骤，包括：
将所述第一误差梯度编码集和所述第二误差梯度编码集分别输入预设的深度学习网络中，以使所述深度学习网络分别输出所述第一误差梯度编码集和所述第二误差梯度编码集各自的预测误差梯度编码集，得到第一目标误差梯度编码集和第二目标误差梯度编码集；
对所述第一目标误差梯度编码集进行LM算法计算，得到第一主题LM算法计算信息；对所述第一目标误差梯度编码集进行误差特征参数提取，并对提取得到的误差梯度编码集进行LM算法计算，得到第二主题LM算法计算信息，计算所述第一主题LM算法计算信息和所述第二主题LM算法计算信息的融合计算信息，得到与所述第一目标误差梯度编码集对应的第一预测编码特征集；
对所述第二目标误差梯度编码集进行LM算法计算，得到第三主题LM算法计算信息；对所述第二目标误差梯度编码集进行误差特征参数提取，并对提取得到的误差梯度编码集进行LM算法计算，得到第四主题LM算法计算信息，计算所述第三主题LM算法计算信息和所述第四主题LM算法计算信息的融合计算信息，得到与所述第二目标误差梯度编码集对应的第二预测编码特征集；
计算所述第一预测编码特征集和所述第二预测编码特征集两者的融合特征集，将得到的融合特征集作为所述第三误差梯度编码集。
7.根据权利要求2所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述根据所述第三误差梯度编码集输出所述参量退化作用量对应的目标计量误差数据列表的步骤，包括：
获取所述第三误差梯度编码集中的多条误差特征参量的退化作用节点、以及与每个误差特征参量的退化作用节点组合对应的深度分析策略，所述误差特征参量的退化作用节点包括第一误差特征参量的退化作用节点和第二误差特征参量的退化作用节点，其中，所述第一误差特征参量的退化作用节点和第二误差特征参量的退化作用节点为相互之间存在映射关联的误差特征参量的退化作用节点组合；
对所述第三误差梯度编码集进行数据挖掘，以输出每个第一误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标、以及所述第三误差梯度编码集对应的目标数据挖掘目标；
计算所述目标数据挖掘目标和每个所述第一参考数据挖掘目标之间的关联度，以得到对应的每条第一误差特征参量的退化作用节点和所述第三误差梯度编码集之间的数据挖掘目标相似参数；
识别出每个第一误差特征参量的退化作用节点中的所有退化作用数据段、以及计算出每个第一误差特征参量的退化作用节点各自对应的回归模型特征；
根据所述所有退化作用数据段和所述回归模型特征，生成对应的误差特征参量的退化作用节点的退化作用分布信息；
根据所述深度分析策略生成每个误差特征参量的退化作用节点组合对应的运行误差标签；
利用所述运行误差标签对应的每条退化作用分布信息，得到每个误差特征参量的退化作用节点各自的第一作用聚类；
根据所述第二误差特征参量的退化作用节点组合每个误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标进行聚类，得到每个误差特征参量的退化作用节点的第二作用聚类；
根据所述第一作用聚类和第二作用聚类，在所述多条误差特征参量的退化作用节点中确定出目标误差特征参量的退化作用节点；
将所述目标误差特征参量的退化作用节点组合对应的第一参考数据挖掘目标作为第二数据挖掘目标，并将所述第二数据挖掘目标映射至所述第三误差梯度编码集中，以输出所述参量退化作用量对应的目标计量误差数据列表。
8.根据权利要求7所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述深度分析策略包括对所述误差特征参量的退化作用节点的退化分析编码聚类策略、以及所述误差特征参量的退化作用节点组合对应的编码参数值聚类策略；
所述根据所述深度分析策略生成每个误差特征参量的退化作用节点组合对应的运行误差标签的步骤，包括：
根据所述编码参数值聚类策略对所述误差特征参量的退化作用节点进行编码参数值聚类，生成所述误差特征参量的退化作用节点组合对应的计量误差数据列表编码参数值；
根据所述退化分析编码聚类策略对所述误差特征参量的退化作用节点进行退化分析编码聚类，生成所述误差特征参量的退化作用节点组合对应的退化分析编码聚类结果；
根据所述计量误差数据列表编码参数值和所述退化分析编码聚类结果，生成对应所述误差特征参量的退化作用节点的运行误差标签。
9.根据权利要求1-8中任意一项所述的电能表运行误差监测模型的数据预处理方法，其特征在于，所述方法还包括：
获取所述目标误差影响指标的历史台区误差影响参数；
所述获取所述目标误差影响指标的历史台区误差影响参数的步骤，包括：
从所述电能表运行装置中获取所述电能表运行装置在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标；
获取所述电能表运行程序所对应的误差校正表项在所述目标误差影响指标下的误差校正参数，并按照预定的目标误差校正类别对各个目标误差影响指标下的误差校正参数进行归类，分别生成每个目标误差校正类别的误差校正参数集合；
针对每个目标误差校正类别，获取该目标误差校正类别的误差校正参数集合中每个误差校正参数匹配于所述周期性台区参数列表的关联参数数据，并基于目标误差校正类别对应的请求更新内容特征对每个目标误差校正类别的关联参数数据列表进行深度分析，得到各个目标误差校正类别的历史台区误差影响参数；
从所述各个目标误差校正类别的历史台区误差影响参数中获得所述目标误差影响指标包括的标记目标误差校正类别的历史台区误差影响参数。
10.一种电能表运行误差监测模型的数据预处理系统，其特征在于，所述电能表运行误差监测模型的数据预处理系统包括服务器以及与所述服务器通信连接的多个电能表运行装置；
所述服务器，用于接收所述电能表运行装置发送的针对电能表运行程序的台区参数，根据电能表运行误差监测模型提取所述台区参数的目标误差影响参数；其中，所述目标误差影响参数包括目标误差影响指标；
所述服务器，用于根据所述目标误差影响指标的历史台区误差影响参数，确定出所述目标误差影响指标对应的计量误差数据列表，其中，所述历史台区误差影响参数为所述服务器对电能表运行装置在历史计量误差节点下生成的周期性台区参数列表以及所述周期性台区参数列表所对应的目标误差影响指标进行深度分析获得的历史台区误差影响参数；
所述服务器，用于向所述电能表运行装置请求更新所述计量误差数据列表对应的更新计量节点；
所述服务器，用于根据所述电能表运行装置从所述计量误差数据列表对应的更新计量节点中选择的目标更新计量节点，对下一次向所述电能表运行装置下发的电能表运行程序进行更新。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011310243.7A CN112684396B (zh) | 2020-11-20 | 2020-11-20 | 电能表运行误差监测模型的数据预处理方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011310243.7A CN112684396B (zh) | 2020-11-20 | 2020-11-20 | 电能表运行误差监测模型的数据预处理方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112684396A true CN112684396A (zh) | 2021-04-20 |
| CN112684396B CN112684396B (zh) | 2024-03-01 |
Family
ID=75446692
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011310243.7A Active CN112684396B (zh) | 2020-11-20 | 2020-11-20 | 电能表运行误差监测模型的数据预处理方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112684396B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684399A (zh) * | 2020-11-23 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 基于人工智能的电能表运行误差监测数据拟合方法及系统 |
| CN114282173A (zh) * | 2021-12-24 | 2022-04-05 | 广西电网有限责任公司 | 大规模智能电表表准判断计算优化方法及系统 |
| CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104215259A (zh) * | 2014-08-22 | 2014-12-17 | 哈尔滨工程大学 | 一种基于地磁模量梯度和粒子滤波的惯导误差校正方法 |
| CN107462863A (zh) * | 2017-09-05 | 2017-12-12 | 中国电力科学研究院 | 一种智能电能表运行误差运行诊断分析方法及系统 |
| CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
| CN109342989A (zh) * | 2018-08-16 | 2019-02-15 | 全球能源互联网研究院有限公司 | 一种电能表的误差分析方法及装置 |
| CN111693928A (zh) * | 2020-06-22 | 2020-09-22 | 广东电网有限责任公司计量中心 | 电能表计量误差计算方法、装置和计算机设备 |
| WO2020188284A1 (en) * | 2019-03-20 | 2020-09-24 | Dyson Technology Limited | Device and method of estimating an amount of charge of a battery |
-
2020
- 2020-11-20 CN CN202011310243.7A patent/CN112684396B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104215259A (zh) * | 2014-08-22 | 2014-12-17 | 哈尔滨工程大学 | 一种基于地磁模量梯度和粒子滤波的惯导误差校正方法 |
| CN107462863A (zh) * | 2017-09-05 | 2017-12-12 | 中国电力科学研究院 | 一种智能电能表运行误差运行诊断分析方法及系统 |
| CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
| CN109342989A (zh) * | 2018-08-16 | 2019-02-15 | 全球能源互联网研究院有限公司 | 一种电能表的误差分析方法及装置 |
| WO2020188284A1 (en) * | 2019-03-20 | 2020-09-24 | Dyson Technology Limited | Device and method of estimating an amount of charge of a battery |
| CN111693928A (zh) * | 2020-06-22 | 2020-09-22 | 广东电网有限责任公司计量中心 | 电能表计量误差计算方法、装置和计算机设备 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112684399A (zh) * | 2020-11-23 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 基于人工智能的电能表运行误差监测数据拟合方法及系统 |
| CN114282173A (zh) * | 2021-12-24 | 2022-04-05 | 广西电网有限责任公司 | 大规模智能电表表准判断计算优化方法及系统 |
| CN115097376A (zh) * | 2022-08-24 | 2022-09-23 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
| CN115097376B (zh) * | 2022-08-24 | 2022-11-01 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 计量设备的校验数据的处理方法、装置和计算机设备 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112684396B (zh) | 2024-03-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112818023B (zh) | 在关联云业务场景下的大数据分析方法及云计算服务器 | |
| CN112199580B (zh) | 面向云计算和大数据定位的业务处理方法及人工智能平台 | |
| CN112684396A (zh) | 电能表运行误差监测模型的数据预处理方法及系统 | |
| CN113505537A (zh) | 楼宇能耗检测方法、装置、计算机设备和存储介质 | |
| CN112365070A (zh) | 一种电力负荷预测方法、装置、设备及可读存储介质 | |
| CN115423040A (zh) | 互动营销平台的用户画像识别方法及ai系统 | |
| CN112651172B (zh) | 一种降雨峰值类型划分方法、装置、设备和存储介质 | |
| CN113298121B (zh) | 基于多数据源建模的消息发送方法、装置和电子设备 | |
| CN111582649B (zh) | 基于用户app独热编码的风险评估方法、装置和电子设备 | |
| CN111181757A (zh) | 信息安全风险预测方法、装置以及计算设备、存储介质 | |
| CN113472860A (zh) | 大数据和数字化环境下的业务资源分配方法及服务器 | |
| CN115438190B (zh) | 一种配电网故障辅助决策知识抽取方法及系统 | |
| CN115473822A (zh) | 一种5g智能网关数据传输方法、系统及云平台 | |
| CN115358473A (zh) | 基于深度学习的电力负荷预测方法及预测系统 | |
| CN114661571A (zh) | 模型评测方法、装置、电子设备和存储介质 | |
| CN114116688A (zh) | 数据处理与数据质检方法、装置及可读存储介质 | |
| CN114067149A (zh) | 互联网服务提供方法、装置和计算机设备 | |
| CN112070530A (zh) | 广告预估模型的上线评估方法及相关装置 | |
| CN113190154A (zh) | 模型训练、词条分类方法、装置、设备、存储介质及程序 | |
| CN112966971A (zh) | 一种项目工作量评估方法和装置 | |
| CN112446610B (zh) | 用电量平均台区电能表失准模型的信息验证方法及系统 | |
| CN116823407B (zh) | 产品信息推送方法、装置、电子设备和计算机可读介质 | |
| CN117978363B (zh) | 区域相关数据信息流转方法、装置、电子设备和介质 | |
| CN113610123B (zh) | 基于物联网的多源异构数据融合方法及系统 | |
| CN111274088B (zh) | 大数据平台实时监控方法、装置、介质及电子设备 |
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 |