CN113313612A - 低负荷下电能表的电能计量方法及计量装置 - Google Patents

低负荷下电能表的电能计量方法及计量装置 Download PDF

Info

Publication number
CN113313612A
CN113313612A CN202110581132.8A CN202110581132A CN113313612A CN 113313612 A CN113313612 A CN 113313612A CN 202110581132 A CN202110581132 A CN 202110581132A CN 113313612 A CN113313612 A CN 113313612A
Authority
CN
China
Prior art keywords
layer
output
electric energy
input
power
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
Application number
CN202110581132.8A
Other languages
English (en)
Other versions
CN113313612B (zh
Inventor
唐捷
乔嘉赓
党三磊
张永旺
邓珊
纪伊琳
左右宇
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.)
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Measurement Center of Guangdong Power Grid 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 Guangdong Power Grid Co Ltd, Measurement Center of Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202110581132.8A priority Critical patent/CN113313612B/zh
Publication of CN113313612A publication Critical patent/CN113313612A/zh
Application granted granted Critical
Publication of CN113313612B publication Critical patent/CN113313612B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • 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
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • 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
    • G06N3/08—Learning methods
    • 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
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Water Supply & Treatment (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Public Health (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Tourism & Hospitality (AREA)
  • Power Engineering (AREA)
  • Neurology (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本申请公开了低负荷下电能表的电能计量方法，包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，神经网络包括由模拟神经元组合的具有并行和分布式信息处理的网络结构，输入层从电力电能系统接收输入信息，隐层把输入信息进行内部学习和处理，隐层通过权连接输入层和输出层；输出层被配置为针对输入经调整权系统而得到功率期望值，输出层还包括实际功率输出值，当功率期望值与实际功率输出值的误差小于预设数值时，得出目标权值，并根据目标权值将瞬时功率对时间积分，从而得到计量的电能。通过上述方式，可以提高电能表在各种家用电器待机状态下的计量准确度，可靠性高。

Description

低负荷下电能表的电能计量方法及计量装置
技术领域
本申请涉及电力电能计量仪器技术领域，尤其涉及低负荷下电能表的电能计量方法及计量装置。
背景技术
随着科学技术及社会的发展，人们对电力电能测量的准确度要求越来越高，常规的电能表在额定状态下能达到较高的电能计量精度，如今智能家居时代，家里的用电器设备也越来越多，家用电器在节能方面也做得非常出色，不在使用状态的情况下电器均能进入睡眠或待机模式，不能关机，以便于随时被用户唤醒，而长期处于待机模式下的家用电器也有一定的能耗，由于该能耗较低，常规的电能表虽然也能检测，但是由于电能计量方法的统一化，低负荷状态下的电能跳动幅度相对较大，导致低负荷下电能表的计量严重失实，要么出现无法计量，要么出现计量数据偏高，即不科学又不公正，难以适应负荷多变情况下的电能计量监测。
发明内容
本申请提供低负荷下电能表的电能计量方法及计量装置，以解决现有技术中负载低、跳动幅度相对较大的低负荷状态下电能表无法准备测量的问题。
为解决上述技术问题，本申请提出一种低负荷下电能表的电能计量方法，包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，神经网络包括由模拟神经元组合的具有并行和分布式信息处理的网络结构，输入层从电力电能系统接收输入信息，隐层把输入信息进行内部学习和处理，隐层通过权连接输入层和输出层；输出层被配置为针对输入经调整权系统而得到功率期望值，输出层还包括实际功率输出值，当功率期望值与实际功率输出值的误差小于预设数值时，得出目标权值，并根据目标权值将瞬时功率对时间积分，从而得到计量的电能。
可选地，神经网络的数据样本采集的学习过程包括正向传播和反向传播；正向传播过程中，输入信息从输入层经隐层逐层处理后，传至输出层；若在输出层得不到功率期望值输出，则从正向传播转为反向传播；反向传播过程中，将误差信号沿原连接路径返回，通过修改各层神经元的权值，以使输出层的实际输出值与功率期望值之间的误差减小，当误差信号最小时，得出权值。
可选地，输入层的输入信息包括功率测量输入值和电器信息的输入参数，输出层还输出不同电器信息下的实际输出向量。
可选地，设输入向量XI＝(xI1,xI2,…xIM)；希望输出向量BI＝(bI1,bI2,…bIL)；输出层的实际输出向量YI＝(yI1,yI2,…yIL)；I＝1,2,…,Z；输入层至隐层的连接权为{UIj}，I＝1,2,…,m；j＝1,2,…,q；隐层至输出层的连接权为{Vjt}，j＝1,2,…,q；t＝1,2,…,L；隐层各单元的输出阀值为{Oj}，j＝1,2,…,q；隐层节点的响应函数为f(x)＝(1+e-x)-1。
可选地，误差能量函数取Z个样本的希望输出向量BI＝(bI1,bI2,…bIL)与输出层单元的实际输出向量YI＝(yI1,yI2,…yIL)的误差平方和，计算公式如下：
Figure BDA0003085102780000021
可选地，电器信息的输入参数包括电器种类、待机功率和/或电器数量。
为解决上述技术问题，本申请提出一种低负荷下电能表的电能计量装置，包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，神经网络包括由模拟神经元组合的具有并行和分布式信息处理的网络结构，输入层被配置为从电力电能系统接收输入信息，其中输入信息包括待机状态下的电器信息；
隐层被配置为把输入信息进行内部学习和处理，隐层通过权连接输入层和输出层；输出层被配置为针对输入经调整权系统而得到功率期望值，输出层包括实际功率输出值，其中实际功率输出值由仪器测量得出；其中，当功率期望值与实际功率输出值的误差小于预设数值时，得出目标权值，并根据目标权值将瞬时功率对时间积分，从而得到计量的电能。
可选地，神经网络的数据样本采集的学习过程包括正向传播和反向传播；正向传播过程中，输入信息从输入层经隐层逐层处理后，传至输出层；若在输出层得不到功率期望值输出，则从正向传播转为反向传播；反向传播过程中，将误差信号沿原连接路径返回，通过修改各层神经元的权值，以使输出层的实际输出值与功率期望值之间的误差减小，当误差信号最小时，得出权值。
可选地，输入层的输入信息包括功率测量输入值和电器信息的输入参数，输出层还输出不同电器信息下的实际输出向量；电器信息的输入参数包括电器种类、待机功率和/或电器数量。
可选地，设输入向量XI＝(xI1,xI2,…xIM)；希望输出向量BI＝(bI1,bI2,…bIL)；输出层的实际输出向量YI＝(yI1,yI2,…yIL)；I＝1,2,…,Z；输入层至隐层的连接权为{UIj}，I＝1,2,…,m；j＝1,2,…,q；隐层至输出层的连接权为{Vjt}，j＝1,2,…,q；t＝1,2,…,L；隐层各单元的输出阀值为{Oj}，j＝1,2,…,q；隐层节点的响应函数为f(x)＝(1+e-x)-1；误差能量函数取Z个样本的希望输出向量BI＝(bI1,bI2,…bIL)与输出层单元的实际输出向量YI＝(yI1,yI2,…yIL)的误差平方和，计算公式如下：
Figure BDA0003085102780000031
本申请提出低负荷下电能表的电能计量方法及计量装置，包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，神经网络包括由模拟神经元组合的具有并行和分布式信息处理的网络结构，输入层从电力电能系统接收输入信息，隐层把输入信息进行内部学习和处理，隐层通过权连接输入层和输出层；输出层被配置为针对输入经调整权系统而得到功率期望值，输出层还包括实际功率输出值，当功率期望值与实际功率输出值的误差小于预设数值时，得出目标权值，并根据目标权值将瞬时功率对时间积分，从而得到计量的电能。通过上述方式，可以提高电能表在各种家用电器待机状态下的计量准确度，可靠性高。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施方式中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施方式，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他的附图。
图1是本申请低负荷下电能表的电能计量方法一实施例的流程示意图；
图2是本申请低负荷下电能表的电能计量方法另一实施例的流程示意图；
图3是本申请神经网络一实施例的的网络结构示意图。
具体实施方式
为使本领域的技术人员更好地理解本申请的技术方案，下面结合附图和具体实施方式对本申请所提供低负荷下电能表的电能计量方法及计量装置进一步详细描述。
本申请提出一种低负荷下电能表的电能计量方法，包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，所述神经网络包括由模拟神经元组合的具有并行和分布式信息处理的网络结构。
请参阅图1，图1是本申请低负荷下电能表的电能计量方法一实施例的流程示意图。在本实施例中，具体可以包括以下步骤：
S110：输入层从电力电能系统接收输入信息，其中输入信息包括待机状态下的电器信息。
S120：隐层把输入信息进行内部学习和处理，隐层通过权连接输入层和输出层。
神经网络的权连接可以在网络训练过程中起到记忆信息的作用，在神经网络的深度学习中是公知常识，例如BP神经网络中的权连接，在此不展开描述。
S130：输出层被配置为针对输入经调整权系统而得到功率期望值，输出层还包括实际功率输出值，其中实际功率输出值由仪器测量得出。
在本实施例中，权值调整修正后可以再次代入神经网络中进行下次运算。其中，在系统中得到功率期望值是神经网络领域的常规算法在功率计算中的应用，在此不展开描述。
S140：当功率期望值与实际功率输出值的误差小于预设数值时，得出目标权值，并根据目标权值将瞬时功率对时间积分，从而得到计量的电能。
举个例子，若假设Y1为经过仪器测量得出的实际功率值，Y2为学习过程中得到的功率值，B为期望值，神经网络训练过程中，期望值越来越接近实际功率值，满足误差要求后，达到预期，训练停止，锁定权值。
在本实施例中，利用神经网络的学习算法，先用采集各种不同用电器交错和/或同时在待机状态下，进行测量和验证，以采集一定数量的数据样本，进行权值运算，得出误差最小时的权值，然后根据该权值，并利用该权值和计算公式得出更符合实际电能的计量值，从而实现电能计量值的智能化校正，提高电能表在各种家用电器待机状态下的计量准确度，可靠性高。
请参阅图2和图3，图2是本申请低负荷下电能表的电能计量方法另一实施例的流程示意图，图3是本申请神经网络一实施例的的网络结构示意图。
优选的，神经网络的算法包括正向传播和反向传播；正向传播过程中，输入信息从输入层经隐层逐层处理后，传至输出层。每一层神经元的状态只影响下一层神经元的状态。
若在输出层得不到功率期望值B输出，则正向传播转为反向传播，将误差信号沿原连接路径返回，通过修改各层神经元的权值，以使输出层的实际输出值与功率期望值B之间的误差减小，当误差信号最小时，得出权值。
例如，功率期望值B的误差变大时，改为反向传播，例如权值调整偏大，需要反向调整
功率期望值B由标准功率表提供，其准确度受低负荷的影响相对较小，仅在神经网络学习阶段使用，用于确定神经网络的连接权值，在进行电力电能计量时不用标准功率表。
经神经网络计算得出的各种情况下实际功率输出Y1应接近相应的功率期望值B，即实际功率输出Y1是在功率测量输入值X1(通过用电器标定的待机状态下的功率直接获得)的基础上低负荷大小的变化经神经网络计算修正值并直接给出已完成误差修正的最终结果。从而在功率测量环节实现误差降低，最终实现电能测量的误差矫正。
优选的，输入层的输入信息包括功率测量输入X1，电器信息的输入参数包括电器种类、待机功率和/或电器数量，输出层还输出不同电器信息下的实际输出向量YI。
需要说明的是，电器信息作为备注信息，不参与计算和训练过程，电器信息的输入参数包括电器种类、待机功率和/或电器数量。
设输入向量XI＝(xI1,xI2,…xIM)；希望输出向量BI＝(bI1,bI2,…bIL)；输出层单元的实际输出向量YI＝(yI1,yI2,…yIL)；I＝1,2,…,Z,即Z个样本；输入层至隐层的连接权为{UIj},I＝1,2,…,m；j＝1,2,…,q；隐层至输出层的连接权为{Vjt},j＝1,2,…,q；t＝1,2,…,L；隐层各单元的输出阀值为{Oj}，j＝1,2,…,q；隐层节点的响应函数为f(x)＝(1+e-x)-1，该输出层节点是线性的。
数据样本的采集过程中，各个家用电器先逐个标记电器上的额定待机功率，并将额定待机功率值与一部分输入向量XI对应，先逐个单独开启待机时，输入对应的输入向量XI，再两台家用电器开启时，将该两台额定待机功率值之和与另一部分输入向量XI对应，再三台家用电器开启时，将该三台额定待机功率值之和与另一部分输入向量XI对应，以此类推，尽可能试验足够多的数据样本，供神经网络学习的数据样本越多，其后期得到的权值越合理，最终在实际的电能测量时，计量值误差越小，计量精准度越高。
本发明中，误差能量函数取Z个样本的希望输出向量BI＝(bI1,bI2,…bIL)与输出层单元的实际输出向量YI＝(yI1,yI2,…yIL)的误差平方和，进而得出电力电能的计量值，计算公式如下：
Figure BDA0003085102780000051
对基于神经网络的低负荷电力电能计量方法。实验采用比较法，用0.02级标准电能表测量本发明算法的电能表和一般电能表测量电能的误差，并测量待机状态时用电器品类和数量改变时两种电能表误差的改变量进行对比，实验结果见表1。
Figure BDA0003085102780000061
表1电力电能测量用电器待机功耗大小影响实验
从表1的实验结果可以看出，一般电能表测量电能的误差在低负荷状态及改变时会产生较大的附加误差，且低负荷的功耗越低其误差越大；而采用了本发明电能计量方法的电能表的测量误差在低负荷状态及改变时产生的附加误差很小，基本与标准电能表测量电能结果相吻合，验证了本发明基于神经网络的电力电能计量算法的有效性和可靠性，
本发明的技术方案基于神经网络的电力电能计量方法可以有效实现电力电能测量仪表在多种低负荷情况中能精准地计量得出电能数据，精准度得到明显提升，创造性较高。
本申请还提出一种低负荷下电能表的电能计量装置。包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，神经网络由模拟神经元组合才能的具有并行和分布式信息处理的网络结构，
输入层被配置为从电力电能系统接收输入信息，其中输入信息包括待机状态下的电器信息；
隐层被配置为把输入信息进行内部学习和处理，隐层通过权连接输入层和输出层；
输出层被配置为针对输入经调整权系统而得到功率期望值，输出层包括实际功率输出值，其中实际功率输出值由仪器测量得出；
其中，当功率期望值与实际功率输出值的误差小于预设数值时，得出目标权值，并根据目标权值将瞬时功率对时间积分，从而得到计量的电能。
可选地，神经网络的数据样本采集的学习过程包括正向传播和反向传播；正向传播过程中，输入信息从输入层经隐层逐层处理后，传至输出层；若在输出层得不到功率期望值输出，则从正向传播转为反向传播；反向传播过程中，将误差信号沿原连接路径返回，通过修改各层神经元的权值，以使输出层的实际输出值与功率期望值之间的误差减小，当误差信号最小时，得出权值。
可选地，输入层的输入信息包括功率测量输入值和电器信息的输入参数，输出层还输出不同电器信息下的实际输出向量；电器信息的输入参数包括电器种类、待机功率和/或电器数量。
设输入向量XI＝(xI1,xI2,…xIM)；希望输出向量BI＝(bI1,bI2,…bIL)；输出层的实际输出向量YI＝(yI1,yI2,…yIL)；I＝1,2,…,Z；
输入层至隐层的连接权为{UIj}，I＝1,2,…,m；j＝1,2,…,q；
隐层至输出层的连接权为{Vjt}，j＝1,2,…,q；t＝1,2,…,L；
隐层各单元的输出阀值为{Oj}，j＝1,2,…,q；隐层节点的响应函数为f(x)＝(1+e-x)-1；
误差能量函数取Z个样本的希望输出向量BI＝(bI1,bI2,…bIL)与输出层单元的实际输出向量YI＝(yI1,yI2,…yIL)的误差平方和，计算公式如下：
Figure BDA0003085102780000071
可以理解的是，此处所描述的具体实施例仅用于解释本申请，而非对本申请的限定。另外为了便于描述，附图中仅示出了与本申请相关的部分而非全部结构。文中所使用的步骤编号也仅是为了方便描述，不对作为对步骤执行先后顺序的限定。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
本申请中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
以上所述仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.一种低负荷下电能表的电能计量方法，包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，所述神经网络包括由模拟神经元组合的具有并行和分布式信息处理的网络结构，其特征在于：
所述输入层从所述电力电能测试系统接收输入信息，其中所述输入信息包括待机状态下的电器信息；
所述隐层把所述输入信息进行内部学习和处理，所述隐层通过权连接所述输入层和所述输出层；
所述输出层被配置为针对输入经调整权系统而得到功率期望值，所述输出层还包括实际功率输出值，其中所述实际功率输出值由仪器测量得出；
当所述功率期望值与所述实际功率输出值的误差小于预设数值时，得出目标权值，并根据所述目标权值将瞬时功率对时间积分，从而得到计量的电能。
2.根据权利要求1所述的电能计量方法，其特征在于：
所述神经网络的数据样本采集的学习过程包括正向传播和反向传播；
所述正向传播过程中，所述输入信息从所述输入层经所述隐层逐层处理后，传至所述输出层；
若在所述输出层得不到所述功率期望值输出，则从所述正向传播转为反向传播；
所述反向传播过程中，将误差信号沿原连接路径返回，通过修改各层神经元的权值，以使输出层的实际输出值与所述功率期望值之间的误差减小，当所述误差信号最小时，得出权值。
3.根据权利要求1所述的电能计量方法，其特征在于：
所述输入层的输入信息包括功率测量输入值和所述电器信息的输入参数，所述输出层还输出不同电器信息下的实际输出向量。
4.根据权利要求3所述的电能计量方法，其特征在于：
设输入向量XI＝(xI1,xI2,…xIM)；希望输出向量BI＝(bI1,bI2,…bIL)；所述输出层的实际输出向量YI＝(yI1,yI2,…yIL)；I＝1,2,…,Z；
所述输入层至所述隐层的连接权为{UIj}，I＝1,2,…,m；j＝1,2,…,q；
所述隐层至所述输出层的连接权为{Vjt}，j＝1,2,…,q；t＝1,2,…,L；
所述隐层各单元的输出阀值为{Oj}，j＝1,2,…,q；所述隐层节点的响应函数为f(x)＝(1+e-x)-1。
5.根据权利要求4所述的电能计量方法，其特征在于：
误差能量函数取Z个样本的希望输出向量BI＝(bI1,bI2,…bIL)与输出层单元的实际输出向量YI＝(yI1,yI2,…yIL)的误差平方和，计算公式如下：
Figure FDA0003085102770000021
6.根据权利要求4所述的电能计量方法，其特征在于：
所述电器信息的输入参数包括电器种类、待机功率和/或电器数量。
7.一种低负荷下电能表的电能计量装置，包括基于神经网络的电力电能测试系统和标准计数器，电力电能测试系统包括分布式依次设置的输入层、隐层和输出层网络结构，神经网络包括由模拟神经元组合的具有并行和分布式信息处理的网络结构，其特征在于：
所述输入层被配置为从所述电力电能系统接收输入信息，其中所述输入信息包括待机状态下的电器信息；
所述隐层被配置为把所述输入信息进行内部学习和处理，所述隐层通过权连接所述输入层和所述输出层；
所述输出层被配置为针对输入经调整权系统而得到功率期望值，所述输出层包括实际功率输出值，其中所述实际功率输出值由仪器测量得出；
其中，当所述功率期望值与所述实际功率输出值的误差小于预设数值时，得出目标权值，并根据所述目标权值将瞬时功率对时间积分，从而得到计量的电能。
8.根据权利要求7所述的电能计量装置，其特征在于，
所述神经网络的数据样本采集的学习过程包括正向传播和反向传播；
所述正向传播过程中，所述输入信息从所述输入层经所述隐层逐层处理后，传至所述输出层；
若在所述输出层得不到所述功率期望值输出，则从所述正向传播转为反向传播；
所述反向传播过程中，将误差信号沿原连接路径返回，通过修改各层神经元的权值，以使输出层的实际输出值与所述功率期望值之间的误差减小，当所述误差信号最小时，得出权值。
9.根据权利要求7所述的电能计量装置，其特征在于，
所述输入层的输入信息包括功率测量输入值和所述电器信息的输入参数，所述输出层还输出不同电器信息下的实际输出向量；
所述电器信息的输入参数包括电器种类、待机功率和/或电器数量。
10.根据权利要求8所述的电能计量装置，其特征在于，
设输入向量XI＝(xI1,xI2,…xIM)；希望输出向量BI＝(bI1,bI2,…bIL)；所述输出层的实际输出向量YI＝(yI1,yI2,…yIL)；I＝1,2,…,Z；
所述输入层至所述隐层的连接权为{UIj}，I＝1,2,…,m；j＝1,2,…,q；
所述隐层至所述输出层的连接权为{Vjt}，j＝1,2,…,q；t＝1,2,…,L；
所述隐层各单元的输出阀值为{Oj}，j＝1,2,…,q；所述隐层节点的响应函数为f(x)＝(1+e-x)-1；
误差能量函数取Z个样本的希望输出向量BI＝(bI1,bI2,…bIL)与输出层单元的实际输出向量YI＝(yI1,yI2,…yIL)的误差平方和，计算公式如下：
Figure FDA0003085102770000031
CN202110581132.8A 2021-05-26 2021-05-26 低负荷下电能表的电能计量方法及计量装置 Active CN113313612B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110581132.8A CN113313612B (zh) 2021-05-26 2021-05-26 低负荷下电能表的电能计量方法及计量装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110581132.8A CN113313612B (zh) 2021-05-26 2021-05-26 低负荷下电能表的电能计量方法及计量装置

Publications (2)

Publication Number Publication Date
CN113313612A true CN113313612A (zh) 2021-08-27
CN113313612B CN113313612B (zh) 2023-04-07

Family

ID=77375289

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110581132.8A Active CN113313612B (zh) 2021-05-26 2021-05-26 低负荷下电能表的电能计量方法及计量装置

Country Status (1)

Country Link
CN (1) CN113313612B (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104964719A (zh) * 2015-06-30 2015-10-07 安徽工业大学 一种基于bp神经网络的户用电子水表流量计量方法
CN105243454A (zh) * 2015-11-06 2016-01-13 广州威沃电子有限公司 基于大数据的用电负荷预测系统
CN107179438A (zh) * 2017-04-21 2017-09-19 珠海派诺科技股份有限公司 基于菊花链拓扑的智能识别监测系统
WO2019151536A1 (ja) * 2018-02-05 2019-08-08 トヨタ自動車株式会社 機械学習装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104964719A (zh) * 2015-06-30 2015-10-07 安徽工业大学 一种基于bp神经网络的户用电子水表流量计量方法
CN105243454A (zh) * 2015-11-06 2016-01-13 广州威沃电子有限公司 基于大数据的用电负荷预测系统
CN107179438A (zh) * 2017-04-21 2017-09-19 珠海派诺科技股份有限公司 基于菊花链拓扑的智能识别监测系统
WO2019151536A1 (ja) * 2018-02-05 2019-08-08 トヨタ自動車株式会社 機械学習装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王昕: "基于BP神经网络的关口电能计量装置测量误差预测及校正", 《云南民族大学学报(自然科学版)》 *

Also Published As

Publication number Publication date
CN113313612B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN109145949A (zh) 基于集成学习的非侵入式电力负荷监测与分解方法及系统
Wang et al. Near-real-time parameter estimation of an electrical battery model with multiple time constants and SOC-dependent capacitance
CN111693931A (zh) 智能电能表误差远程计算方法、装置和计算机设备
Yu et al. Fractional-order modeling of lithium-ion batteries using additive noise assisted modeling and correlative information criterion
Wei et al. Lithium-ion battery modeling and state of charge estimation
CN109359665B (zh) 一种基于支持向量机的家电负荷识别方法及装置
EP3896776A1 (en) Simulated battery construction method and simulated battery construction device
CN111009893B (zh) 一种基于负荷分解技术的家庭用户短期负荷预测方法
Kong et al. A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square
Jazizadeh et al. Spatiotemporal lighting load disaggregation using light intensity signal
CN105068035B (zh) 一种电压互感器误差水平动态检测方法及系统
CN115201563A (zh) 一种基于联合熵的多谐波源定位方法及系统
CN106022970B (zh) 一种计及分布式电源影响的主动配电网量测配置方法
CN112736904B (zh) 基于小扰动数据的电力负荷模型在线解析方法
CN116736212B (zh) 一种互感器运行误差在线监测及计量方法
CN113313612B (zh) 低负荷下电能表的电能计量方法及计量装置
CN109726770A (zh) 一种模拟电路故障测试诊断方法
CN114992772B (zh) 空调温控负荷集群可调节潜力评估方法、装置及存储介质
Li et al. A new method to estimate the state of charge of the green battery
CN101614799A (zh) 应用于电流传感器角差在线监测系统的信号分离择优方法
CN110703038A (zh) 一种适用于风机接入配电网的谐波阻抗估算方法
CN110009231A (zh) 一种基于重复性和熵权区分性的用电负荷识别方法及装置
CN113933718B (zh) 一种退役电池容量分选方法、装置、设备及存储介质
CN106788064B (zh) 基于emd-elm的感应电机定子电阻参数识别方法
Filippi et al. Multi-appliance power disaggregation: An approach to energy monitoring

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