CN113469409A - 一种基于高斯过程的电能量计量装置状态预测方法及装置 - Google Patents

一种基于高斯过程的电能量计量装置状态预测方法及装置 Download PDF

Info

Publication number
CN113469409A
CN113469409A CN202110566985.4A CN202110566985A CN113469409A CN 113469409 A CN113469409 A CN 113469409A CN 202110566985 A CN202110566985 A CN 202110566985A CN 113469409 A CN113469409 A CN 113469409A
Authority
CN
China
Prior art keywords
data
electric energy
metering device
energy metering
gaussian process
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.)
Pending
Application number
CN202110566985.4A
Other languages
English (en)
Inventor
邱书琦
葛翔
王润年
冉新涛
张冬冬
周宇
俞海猛
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.)
Marketing Service Center Of State Grid Xinjiang Electric Power Co Ltd Capital Intensive Center Metering Center
NARI Nanjing Control System Co Ltd
Original Assignee
Marketing Service Center Of State Grid Xinjiang Electric Power Co Ltd Capital Intensive Center Metering Center
NARI Nanjing Control System 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 Marketing Service Center Of State Grid Xinjiang Electric Power Co Ltd Capital Intensive Center Metering Center, NARI Nanjing Control System Co Ltd filed Critical Marketing Service Center Of State Grid Xinjiang Electric Power Co Ltd Capital Intensive Center Metering Center
Priority to CN202110566985.4A priority Critical patent/CN113469409A/zh
Publication of CN113469409A publication Critical patent/CN113469409A/zh
Pending legal-status Critical Current

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
    • 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
    • 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
    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
    • G06F2119/04—Ageing analysis or optimisation against ageing

Landscapes

  • Business, Economics & Management (AREA)
  • Human Resources & Organizations (AREA)
  • Engineering & Computer Science (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Health & Medical Sciences (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)

Abstract

本发明公开了一种基于高斯过程的电能量计量装置状态预测方法，属于电能量计量和人工智能技术领域，涉及到基于高斯过程，利用采集到的离线数据对电能量计量装置运行状态实现预测。电能量计量装置的离线数据多且复杂，使得一般的回归模型和神经网络在这方面表现并不是高效准确。而高斯过程在非参数模型与黑盒函数的预测有良好的表现，本装置在高斯过程的基础上，建立优良的评估体系，并且采取组合协方差，优化超参数的方法，实现了有复杂离线数据的电能量计量装置运行状态的预测。

Description

一种基于高斯过程的电能量计量装置状态预测方法及装置
技术领域
本发明涉及一种基于高斯过程的电能量计量装置状态预测方法及装置，属于计量装置预测技术领域。
背景技术
电能量计量装置数据智能预测在现有阶段有基于CAPSO-BPNN的预警方法。该方法从多方面选取能反映计量装置每一类设备运行状态的指标，建立了综合评价指标体系，采用多层次模糊综合评价方法对运行状态进行评价。在评价结果的基础上，采用CAPSO-BPNN预警模型对计量装置未来运行状态进行预警。
CAPSO-BPNN的预警方法基于BP神经网络，BP神经网络在该方面的应用也有一定的局限性。首先，BP神经网络模型的逼近和推广能力与学习样本的典型性密切相关，而从问题中选取典型样本实例组成训练集是一个很困难的问题；其次，BP神经网络的收敛速度较慢同时也存在局部极小化问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于高斯过程的电能量计量装置状态预测方法及装置，能够预测装置的某一时间段的运行状态。
为达到上述目的，本发明是采用下述技术方案实现的：
第一方面，本发明提供了一种基于高斯过程的电能量计量装置状态预测方法，其特征在于，包括以下步骤：
获取电能计量装置的离线数据；
根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
进一步的，所述高斯过程状态预测模型包括：均值函数m(x)和协方差函数k(x,x')；
所述均值函数即
m(x)＝E(f(x)) (1)
所述协方差函数为k(x,x')，用于衡量任意两个点之间的“距离”，即
k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))] (2)。
进一步的，所述协方差函数包括由径向基函数RBF和平方指数协方差函数SE组成的组合协方差函数RBF+SE，所述径向基函数RBF基本形式如下：
Figure BDA0003081111290000021
式中，σ1、l1、为超参数。
所述平方指数协方差函数SE，基本形式如下：
Figure BDA0003081111290000022
式中，σ2为超参数，P＝diag([λ1,...,λd]T)，为平滑系数对角阵。
进一步的，所述协方差函数的训练方法包括超参数优化；
所述超参数优化的方法包括以下步骤：最大化在这两个超参数下y出现的概率，通过最大边缘对数似然来找到最优参数，边缘对数似然表示为：
Figure BDA0003081111290000023
其中，σ1,l1为超参数，n为样本个数。
进一步的，所述高斯过程状态预测模型的训练方法包括以下步骤：
获取电能量计量装置的主要元件并根据综合评价指标集确定主要元件基础数据；
选取电能量计量装置进行实时运行检测，在其完整工作周期内记录其各个主要元件的工作状态数据，并且筛选出具有明显状态转变的时间节点；
将各个主要元件的工作状态数据和时间节点数据进行汇总处理后，放入高斯过程状态预测模型中训练；
根据训练结果不断优化模型，得到训练好的高斯过程状态预测模型。
进一步的，根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值的方法包括：
步骤1：确定各个指标；
记计量装置运行状态的评价指标体系中指标集集U：
U＝{U1,U2,…,Un} (6)
其中，Un表示该计量装置在该时间刻的工作状态；
步骤2：确定最优参考数列；
通过设立专家组确定参考数列与数据数列中对应的计量装置的离线指标，并确定最优参考数列A：
Figure BDA0003081111290000031
其中，
Figure BDA0003081111290000032
表示离线指标Ui在计量装置工作状态最优时的值。
最优参考数列对应的Un指标值为1；
A在一下计算中被计为X0:
X0＝{x0(1),x0(2),…,x0(n)} (8)
收集到的离线数据为比较序列Bi：
Figure BDA0003081111290000041
其中，
Figure BDA0003081111290000042
表示第i次收集到的离线指标Uj的离线数据。
Bi在下一计算中被计为Xi:
Xi＝{xi(1),xi(2),…,xi(n)} (10)
步骤3：计算关联系数；
计算每组待评数据中各个指标与最优参考数列的绝对值差，并得之中的最大值与最小值；取分辨系数ρ＝0.5，计算关联系数的公式如下：
Figure BDA0003081111290000043
其中，ξi(k)表示第i组待评数据第k指标与其他指标的关联度，x0(k)为最优参考数列的第k个指标值，xi(k)为第i组待评数据第k个指标值。
步骤4：计算关联度；
对各个指标赋予权值，如下数列：
ω＝{ω1,ω2,…,ωn-1} (12)
其中，，ωi表示指标Ui对应的权重值。
之后对各个指标的关联系数加权求平均值：
Figure BDA0003081111290000044
其中，ωi表示指标Ui对应的权重值，rni表示第i个指标的关联度，ξni(j)表示第i个指标与第j个指标的关联系数。
步骤5：根据关联度排序得出历史评价值；
将关联度由小到大排序，并将其线性映射到指标Ui上，获取历史评价值；关联度小的说明该装置距离最优状态差别较大，关联度大的说明该装置运行状态接近最优。
进一步的，根据关联度排序得出历史评价值的方法包括根据Un的值划分该电能量计量装置的等级G；
Figure BDA0003081111290000051
其中等级A+表示该装置工作状态趋于完美，等级A表示该装置工作状态正常，等级B表示该装置工作状态存在问题，等级C表示该装置工作状态存在较大问题，等级D表示该装置工作状态存在严重问题，等级E表示该装置工作状态存在极其严重的问题。
进一步的，所述电能计量装置包括电能表、计量用电压互感器、电流互感器及其二次回路；
所述电能表的离线数据包括：
可靠性信息：包括电能表平均寿命预计数据和可靠性试验数据；
运行情况信息：包括运行时间、元器件故障数据、输出故障数据、外观故障数据和其他故障数据；所述元器件故障数据包括存储单元和控制单元故障数据；所述输出故障数据包括通讯和液晶屏故障数据；外观故障数据包括表壳损坏、按键失灵和封印损坏；所述其他故障数据包括内部时钟差、闰年转换错误、电池故障；
配置信息：包括接线方式、装置封闭性、表型选择和主副电能表类型；
质量管控信息：包括家族缺陷、批次验收抽检、基本误差和运行故障率；
现场检验信息：包括现场检验误差数据和组合误差数据；
所述计量用电压互感器的离线数据包括：
运行情况信息：包括运行时间、封印数据和历史运行故障数据；
质量管控信息：包括家族缺陷数据、批次验收抽检数据、基本误差、批次检定合格率和运行故障率；
配置信息：包括型号选择、装置封闭性数据和二次绕组专用情况数据；
现场检验信息：包括现场检验误差数据、外观及标志、剩磁和绝缘试验数据；
所述二次回路的离线数据包括：
配置信息：包含二次导线截面积和长度数据、PT/CT二次回路接线方式、PT二次回路节点和装置封闭性数据；
运行情况信息：包括封印和历史运行故障数据；
现场检验首检信息：包括PT二次压降/负荷实测值和CT二次负荷实测值。
所述电能计量装置包括电能表、计量用电压互感器、电流互感器及其二次回路；
所述电能表的离线数据包括：
可靠性信息：包括电能表平均寿命预计数据和可靠性试验数据；
运行情况信息：包括运行时间、元器件故障数据、输出故障数据、外观故障数据和其他故障数据；所述元器件故障数据包括存储单元和控制单元故障数据；所述输出故障数据包括通讯和液晶屏故障数据；外观故障数据包括表壳损坏、按键失灵和封印损坏；所述其他故障数据包括内部时钟差、闰年转换错误、电池故障；
配置信息：包括接线方式、装置封闭性、表型选择和主副电能表类型；
质量管控信息：包括家族缺陷、批次验收抽检、基本误差和运行故障率；
现场检验信息：包括现场检验误差数据和组合误差数据；
所述计量用电压互感器的离线数据包括：
运行情况信息：包括运行时间、封印数据和历史运行故障数据；
质量管控信息：包括家族缺陷数据、批次验收抽检数据、基本误差、批次检定合格率和运行故障率；
配置信息：包括型号选择、装置封闭性数据和二次绕组专用情况数据；
现场检验信息：包括现场检验误差数据、外观及标志、剩磁和绝缘试验数据；
所述二次回路的离线数据包括：
配置信息：包含二次导线截面积和长度数据、PT/CT二次回路接线方式、PT二次回路节点和装置封闭性数据；
运行情况信息：包括封印和历史运行故障数据；
现场检验首检信息：包括PT二次压降/负荷实测值和CT二次负荷实测值。
第二方面，本发明提供了一种基于高斯过程的电能量计量装置状态预测装置，所述装置包括：
数据获取模块：用于获取电能计量装置的离线数据；
评价模块：用于根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
预测模块：用于将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
第三方面，本发明提供一种基于高斯过程的电能量计量装置状态预测装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行上述方法的步骤。
与现有技术相比，本发明所达到的有益效果：本发明通过采集离线数据并建立评价体系，且建立高斯模型并利用采集到的数据进行训练，从而根据训练模型预测装置的某一时间段的运行状态，有效能够提高预测结果的准确性，且预防和降低故障的发生几率，延长设备寿命；本发明有利于采用合理的检修策略降低检修费用，改善设备运行性能，提高经济效益。
附图说明
图1是本发明的预测方法流程图。
具体实施方式
下面结合附图对本发明作进一步描述。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发明的保护范围。
实施例一：
本实施例提供一种基于高斯过程的电能量计量装置状态预测方法，其特征在于，包括以下步骤：
获取电能计量装置的离线数据；
根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
本实施例属于电能量计量和人工智能技术领域，涉及到基于高斯过程，利用采集到的离线数据对电能量计量装置运行状态实现预测。电能量计量装置的离线数据多且复杂，使得一般的回归模型和神经网络在这方面表现并不是高效准确。而高斯过程在非参数模型与黑盒函数的预测有良好的表现，本装置在高斯过程的基础上，建立优良的评估体系，并且采取组合协方差，优化超参数的方法，实现了有复杂离线数据的电能量计量装置运行状态的预测。
本实施例通过采集离线数据并建立评价体系，且建立高斯模型并利用采集到的数据进行训练，从而根据训练模型预测装置的某一时间段的运行状态，有效能够提高预测结果的准确性，且预防和降低故障的发生几率，延长设备寿命；本发明有利于采用合理的检修策略降低检修费用，改善设备运行性能，提高经济效益。
一、综合评价指标体系
电能计量装置包括各种类型的电能表、计量用电压互感器、电流互感器及其二次回路等设备。每一类设备通过离线录入信息进行状态评价。离线采用历史数据和巡检记录，反映设备历史和某一类设备的家族性健康状态，两者相结合可以更准确的评价电能计量装置运行状态。各类设备的评价指标不尽相同，离线信息的内容描述如下。
1、电能表
(1)可靠性包括电能表平均寿命预计和可靠性试验等信息；(2)运行情况包括运行时间、元器件故障(包括存储单元和控制单元故障)、输出故障(包括通讯和液晶屏故障)、外观故障(包括表壳损坏、按键失灵和封印损坏等)和其他故障(内部时钟差、闰年转换错误、电池故障)等信息；(3)配置包含接线方式、装置封闭性、表型选择和主副电能表等信息；(4)质量管控包括家族缺陷、批次验收抽检、基本误差和运行故障率等信息；(5)现场检验信息包括现场检验误差和组合误差等。
2、电压/电流互感器
(1)运行情况包括运行时间、封印和历史运行故障等；(2)质量管控包括家族缺陷、批次验收抽检、基本误差、批次检定合格率和运行故障率等；(3)配置包含型号选择、装置封闭性和二次绕组专用情况等信息；(4)现场检验信息包括现场检验误差、外观及标志、剩磁和绝缘试验等。
3、二次回路
(1)配置包含二次导线截面积和长度、PT/CT二次回路接线方式、PT二次回路节点和装置封闭性等信息；(2)运行情况包括封印和历史运行故障；(3)现场检验首检信息包括PT二次压降/负荷实测值和CT二次负荷实测值。
二、综合评价方法
综合评价指标体系中的部分指标具模糊性和不确定性，因此，我们采用灰色关联度评价法对电能计量装置运行状态进行评价，具体步骤如下：
1、确定各个指标
记计量装置运行状态的评价指标体系中指标集集U：
U＝{U1,U2,…,Un} (1)
其中Un表示该计量装置在该时间刻的工作状态。这里将工作状态划分为0～1之间的小数值。在我们使用灰度关联评价法中，这里评价的是U1～Un-1与Un之间的关联度，所以我们的待评价数据中只含有U1～Un-1的指标。
2、确定最优参考数列
反映系统行为特征的数据序列，称为参考数列。这里我们设立专家组确定参考数列与数据数列中对应的计量装置的离线指标，并确定最优参考数列A：
Figure BDA0003081111290000111
其中，
Figure BDA0003081111290000112
表示离线指标Ui在计量装置工作状态最优时的值。
这里也规定，最优参考数列对应的Un指标值为1。
3、计算关联系数
首先计算每组待评数据中各个指标与最优参考数列的绝对值差，并得之中的最大值与最小值。取分辨系数ρ＝0.5，计算关联系数的公式如下。
Figure BDA0003081111290000113
其中，ξi(k)表示第i组待评数据第k指标与其他指标的关联度，x0(k)为最优参考数列的第k个指标值，xi(k)为第i组待评数据第k个指标值。
4、计算关联度
首先专家组经过商讨会对各个指标赋予权值，这里用如下数列表示。
ω＝{ω1,ω2,…,ωn-1} (4)
其中，ωi表示指标Ui对应的权重值。
之后对各个指标的关联系数加权求平均值。
Figure BDA0003081111290000114
5、给关联度排序并得出评价结果
将关联度由小到大排序，并将其线性映射到指标Un上。
关联度小的说明该装置距离最优状态差别较大，关联度大的说明该装置运行状态接近最优。这里根据Un的值划分如下等级。
Figure BDA0003081111290000121
其中等级A+表示该装置工作状态趋于完美，等级A表示该装置工作状态正常，等级B表示该装置工作状态存在问题，等级C表示该装置工作状态存在较大问题，等级D表示该装置工作状态存在严重问题，等级E表示该装置工作状态存在极其严重的问题。
三、高斯过程状态预测模型
1、高斯过程模型
高斯过程是一系列关于连续域(时间或空间)的随机变量的集合，其中任意随机变量之间都具有联合高斯分布。该方法通过已知输入变量的状态函数来表示未知的目标变量。
高斯过程状态预测模型的输入数据是采集到的电能计量装置的离线数据，对数据预处理后输入模型得到输出数据，最后的数据为对该电能计量装置的预测评价值。
均值函数m(x)和协方差函数k(x,x')共同决定其性质，当输入值变化时，协方差函数即表示目标变量的期望的变化。其中，均值函数和协方差函数表示为:
m(x)＝E[f(x)] (7)
k(x,x′)＝E[(f(x)-m(x))(f(x′)-m(x′))] (8)
式中：x,x'∈Rd为随机变量。
高斯过程则被定义为：
f＝GP(m(x),k(x,x′)) (9)
在实际问题中，考虑到包含噪声，可以建立高斯过程回归模型，其一般形式为：
y＝f(x)+ε (10)
式中ε为噪声项，y为加入噪声污染后的观测值。
基于此，接下来对电能表计量装置状态预测建立GP高斯过程模型：假设有J组时间点的电能表计量装置的所有观测数据，每一组数据集合j(j＝1，2，…，J)中包含N个观测点，对于每一组观测数据j的的评估指数为Vj，则第j组观测数据上第i个测量点的偏差值为rj(ti)，即测量点与拟合得到的理想值之间的偏差。
所以，对于每一组数据都j有：
rj(ti)＝fj(ti)+εj (11)
式中，εj为噪声项，参考以上的模型，将均值函数与协方差函数表示如下：
均值函数我们设置为常数，即
m(x)＝E(f(x)) (12)
所述协方差函数为k(x,x')，用于衡量任意两个点之间的“距离”，即
k(x,x')＝E[(f(x)-m(x))(f(x')-m(x'))] (13)。
2、协方差函数(核函数)
核函数是一个高斯过程的核心，核函数决定了一个高斯过程的性质。核函数在高斯过程中起生成一个协方差矩阵(相关系数矩阵)来衡量任意两个点之间的“距离”。不同的核函数有不同的衡量方法，得到的高斯过程的性质也不一样。
由于本装置模型偏差值具有多种特征，因此我们提出从组合协方差函数的角度构建高斯过程模型，对电能表计量装置进行预警。通过相加的方式将不同的协方差函数进行组合，可以表示不同特征的叠加，以更好地捕获数据复杂的特征。
其一我们采用最常见的径向基函数RBF，其基本形式如下：
Figure BDA0003081111290000141
其二我们采用平方指数协方差函数SE，其基本形式如下：
Figure BDA0003081111290000142
式中，σ1、σ2、l1、l2与M为超参数。最终的组合协方差函数为(RBF+SE)。
3、超参数优化
高斯过程是一种非参数模型，没有训练模型参数的过程，一旦核函数、训练数据给定，则模型就被唯一地确定下来。但是核函数本身是有参数的，我们称为这种参数为模型的超参数。
我们通过最大化在这两个超参数下y出现的概率，通过最大边缘对数似然来找到最优参数，边缘对数似然表示为：
Figure BDA0003081111290000143
其中，σ1,l1为超参数，n为样本个数。
4、电能表计量装置状态预测方法流程如图1所示，包括以下步骤：
获取电能计量装置的离线数据；
根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
所述高斯过程状态预测模型的训练方法包括以下步骤：
获取电能量计量装置的主要元件并根据综合评价指标集确定主要元件基础数据；
选取电能量计量装置进行实时运行检测，在其完整工作周期内记录其各个主要元件的工作状态数据，并且筛选出具有明显状态转变的时间节点；
将各个主要元件的工作状态数据和时间节点数据进行汇总处理后，放入高斯过程状态预测模型中训练；
根据训练结果不断优化模型，得到训练好的高斯过程状态预测模型。
5、模型的训练与预测
模型训练数据要求覆盖面广且尽可能的覆盖到整个电能量计量装置的生命周期。我们搜集到各大厂商的主要元件并根据综合评价指标集确定其基础数据。并选取当前市面上主流的电能量计量装置进行实时运行检测，在其完整工作周期内记录其各个待测元件的工作状态，并且筛选出具有明显状态转变的时间节点。
将以上数据汇总处理后，我们将其放入建立好的高斯模型中训练。在整个训练中，根据结果不断优化模型。
模型训练好后，即可输入预测数据进行预测，系统会根据预测结果自动报告给检修人员与管理人员，进行设备维护与故障处理。
实施例二：
本实施例提供一种基于高斯过程的电能量计量装置状态预测装置，所述装置包括：
数据获取模块：用于获取电能计量装置的离线数据；
评价模块：用于根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
预测模块：用于将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
实施例三：
本发明实施例还提供了一种基于高斯过程的电能量计量装置状态预测装置，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行下述方法的步骤：
获取电能计量装置的离线数据；
根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种基于高斯过程的电能量计量装置状态预测方法，其特征在于，包括以下步骤：
获取电能计量装置的离线数据；
根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
2.根据权利要求1所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述高斯过程状态预测模型包括：均值函数m(x)和协方差函数k(x,x')。
3.根据权利要求2所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述协方差函数包括由径向基函数RBF和平方指数协方差函数SE组成的组合协方差函数RBF+SE，所述径向基函数RBF基本形式如下：
Figure FDA0003081111280000011
式中，σ1、l1、为超参数；
所述平方指数协方差函数SE，基本形式如下：
Figure FDA0003081111280000012
式中，σ2为超参数，P＝diag([λ1,...,λd]T)，为平滑系数对角阵。
4.根据权利要求3所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述协方差函数的训练方法包括超参数优化；
所述超参数优化的方法包括以下步骤：最大化在这两个超参数下y出现的概率，通过最大边缘对数似然来找到最优参数，边缘对数似然表示为：
Figure FDA0003081111280000021
其中，σ1,l1为超参数，n为样本个数。
5.根据权利要求2所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述高斯过程状态预测模型的训练方法包括以下步骤：
获取电能量计量装置的主要元件并根据综合评价指标集确定主要元件基础数据；
选取电能量计量装置进行实时运行检测，在其完整工作周期内记录其各个主要元件的工作状态数据，并且筛选出具有明显状态转变的时间节点；
将各个主要元件的工作状态数据和时间节点数据进行汇总处理后，放入高斯过程状态预测模型中训练；
根据训练结果不断优化模型，得到训练好的高斯过程状态预测模型。
6.根据权利要求1所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值的方法包括：
步骤1：确定各个指标；
记计量装置运行状态的评价指标体系中指标集集U：
U＝{U1,U2,…,Un}
其中，Un表示该计量装置在该时间刻的工作状态；
步骤2：确定最优参考数列；
通过设立专家组确定参考数列与数据数列中对应的计量装置的离线指标，并确定最优参考数列A：
Figure FDA0003081111280000031
其中，
Figure FDA0003081111280000032
表示离线指标Ui在计量装置工作状态最优时的值；
最优参考数列对应的Un指标值为1；
A在后面记为X0:
X0＝{x0(1),x0(2),…,x0(n)}
收集到的离线数据为比较序列Bi：
Figure FDA0003081111280000033
其中，
Figure FDA0003081111280000034
表示第j次收集到的离线指标Uj的离线数据；
Bi在后面记为Xi:
Xi＝{xi(1),xi(2),…,xi(n)}
步骤3：计算关联系数；
计算每组待评数据中各个指标与最优参考数列的绝对值差，并得之中的最大值与最小值；取分辨系数ρ＝0.5，计算关联系数的公式如下：
Figure FDA0003081111280000035
其中，ξi(k)表示第i组待评数据第k指标与其他指标的关联度，x0(k)为最优参考数列的第k个指标值，xi(k)为第i组待评数据第k个指标值；
步骤4：计算关联度；
对各个指标赋予权值，如下数列：
ω＝{ω1,ω2,…,ωn-1}
其中，ωi表示指标Ui对应的权重值；
之后对各个指标的关联系数加权求平均值：
Figure FDA0003081111280000041
其中，ωi表示指标Ui对应的权重值，rni表示第i个指标的关联度，ξni(j)表示第i个指标与第j个指标的关联系数；
步骤5：根据关联度排序得出历史评价值；
将关联度由小到大排序，获取历史评价值；关联度小的说明该装置距离最优状态差别较大，关联度大的说明该装置运行状态接近最优。
7.根据权利要求6所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，根据关联度排序得出历史评价值的方法包括根据Un的值划分该电能量计量装置的历史评价值。
8.根据权利要求1所述的基于高斯过程的电能量计量装置状态预测方法，其特征在于，所述电能表的离线数据包括：
可靠性信息：包括电能表平均寿命预计数据和可靠性试验数据；
运行情况信息：包括运行时间、元器件故障数据、输出故障数据、外观故障数据和其他故障数据；所述元器件故障数据包括存储单元和控制单元故障数据；所述输出故障数据包括通讯和液晶屏故障数据；外观故障数据包括表壳损坏、按键失灵和封印损坏；所述其他故障数据包括内部时钟差、闰年转换错误、电池故障；
配置信息：包括接线方式、装置封闭性、表型选择和主副电能表类型；
质量管控信息：包括家族缺陷、批次验收抽检、基本误差和运行故障率；
现场检验信息：包括现场检验误差数据和组合误差数据；
所述计量用电压互感器的离线数据包括：
运行情况信息：包括运行时间、封印数据和历史运行故障数据；
质量管控信息：包括家族缺陷数据、批次验收抽检数据、基本误差、批次检定合格率和运行故障率；
配置信息：包括型号选择、装置封闭性数据和二次绕组专用情况数据；
现场检验信息：包括现场检验误差数据、外观及标志、剩磁和绝缘试验数据；
所述二次回路的离线数据包括：
配置信息：包含二次导线截面积和长度数据、PT/CT二次回路接线方式、PT二次回路节点和装置封闭性数据；
运行情况信息：包括封印和历史运行故障数据；
现场检验首检信息：包括PT二次压降/负荷实测值和CT二次负荷实测值。
9.一种基于高斯过程的电能量计量装置状态预测装置，其特征在于，所述装置包括：
数据获取模块：用于获取电能计量装置的离线数据；
评价模块：用于根据所述电能计量装置的离线数据，采用灰色关联度评价法对电能计量装置运行状态进行评价，获取历史评价值；
预测模块：用于将所述电能计量装置的历史评价值输入训练好的高斯过程状态预测模型，获得电能计量装置的预测评价值。
10.一种基于高斯过程的电能量计量装置状态预测装置，其特征在于，包括处理器及存储介质；
所述存储介质用于存储指令；
所述处理器用于根据所述指令进行操作以执行根据权利要求1～8任一项所述方法的步骤。
CN202110566985.4A 2021-05-24 2021-05-24 一种基于高斯过程的电能量计量装置状态预测方法及装置 Pending CN113469409A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110566985.4A CN113469409A (zh) 2021-05-24 2021-05-24 一种基于高斯过程的电能量计量装置状态预测方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110566985.4A CN113469409A (zh) 2021-05-24 2021-05-24 一种基于高斯过程的电能量计量装置状态预测方法及装置

Publications (1)

Publication Number Publication Date
CN113469409A true CN113469409A (zh) 2021-10-01

Family

ID=77871260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110566985.4A Pending CN113469409A (zh) 2021-05-24 2021-05-24 一种基于高斯过程的电能量计量装置状态预测方法及装置

Country Status (1)

Country Link
CN (1) CN113469409A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015828A (zh) * 2022-05-27 2022-09-06 云南电网有限责任公司 误差超差电表确定方法、装置、设备及计算机存储介质
CN117150934A (zh) * 2023-10-30 2023-12-01 南京中鑫智电科技有限公司 变压器套管状态综合监测系统及其在线数据处理方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971240A (zh) * 2017-03-16 2017-07-21 河海大学 一种变量选择与高斯过程回归的短期负荷预测方法
CN107832927A (zh) * 2017-10-25 2018-03-23 国网冀北电力有限公司电力科学研究院 基于灰色关联分析法的10kV线路线变关系评价方法
CN111967183A (zh) * 2020-07-31 2020-11-20 中国电力科学研究院有限公司 一种配电网台区线损的计算方法和系统
CN112434927A (zh) * 2020-11-19 2021-03-02 贵州乌江水电开发有限责任公司 一种火电厂全要素竞争力指标评价方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106971240A (zh) * 2017-03-16 2017-07-21 河海大学 一种变量选择与高斯过程回归的短期负荷预测方法
CN107832927A (zh) * 2017-10-25 2018-03-23 国网冀北电力有限公司电力科学研究院 基于灰色关联分析法的10kV线路线变关系评价方法
CN111967183A (zh) * 2020-07-31 2020-11-20 中国电力科学研究院有限公司 一种配电网台区线损的计算方法和系统
CN112434927A (zh) * 2020-11-19 2021-03-02 贵州乌江水电开发有限责任公司 一种火电厂全要素竞争力指标评价方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王雪茹: ""基于高斯过程的风电机组部件建模与监测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115015828A (zh) * 2022-05-27 2022-09-06 云南电网有限责任公司 误差超差电表确定方法、装置、设备及计算机存储介质
CN117150934A (zh) * 2023-10-30 2023-12-01 南京中鑫智电科技有限公司 变压器套管状态综合监测系统及其在线数据处理方法
CN117150934B (zh) * 2023-10-30 2024-01-26 南京中鑫智电科技有限公司 变压器套管状态综合监测系统及其在线数据处理方法

Similar Documents

Publication Publication Date Title
CN105117602B (zh) 一种计量装置运行状态预警方法
CN106651169A (zh) 基于模糊综合评价的配电自动化终端状态评价方法及系统
CN109583520B (zh) 一种云模型与遗传算法优化支持向量机的状态评估方法
CN113469409A (zh) 一种基于高斯过程的电能量计量装置状态预测方法及装置
CN103576050A (zh) 一种电容式电压互感器的运行状态评估方法
CN106447205A (zh) 一种基于层次分析法的配电自动化终端状态评价方法
CN109034191A (zh) 基于elm的单维遥测数据异常判读方法
CN110555230A (zh) 基于集成gmdh框架的旋转机械剩余寿命预测方法
CN103886518A (zh) 一种基于监测点电能质量数据挖掘的电压暂降预警方法
CN103440410A (zh) 主变个体缺陷概率预测方法
CN103699668A (zh) 基于数据断面一致性的配电网电气设备组合状态评估方法
CN104598984A (zh) 一种基于模糊神经网络的故障预测方法
CN110046797A (zh) 基于critic和理想点法的计量设备运行质量评估方法
CN113987294A (zh) 一种基于遗传优化gru神经网络的cvt在线故障诊断方法
CN109870306A (zh) 一种拖拉机发动机故障诊断及预测方法
CN105741184A (zh) 一种变压器状态评估方法及装置
CN112345972A (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及系统
CN108615092A (zh) 一种基于指数平滑模型的污水处理厂进水量预测的方法
Chen et al. Condition assessment of distribution automation remote terminal units based on double-layer improved cloud model
CN115310693A (zh) 一种综合能源数据清洗方法、系统、设备和介质
CN114661504A (zh) 一种对重复出现类型故障的可操作可解释的根因定位方法
CN107832264A (zh) 一种电机设计的综合评价系统及评价方法
Yang et al. Intelligent Fault Diagnosis Method of Capacitor Voltage Transformer based on Recurrent Neural Network
Kozlowski et al. Electrochemical cell diagnostics using online impedance measurement, state estimation and data fusion techniques
Yang et al. AI-Based Detection of Power Consumption Behavior of People in a Smart City

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20211001