CN113705857A - 一种考虑多因素的智能电能表计量精度优化方法及系统 - Google Patents
一种考虑多因素的智能电能表计量精度优化方法及系统 Download PDFInfo
- Publication number
- CN113705857A CN113705857A CN202110806491.9A CN202110806491A CN113705857A CN 113705857 A CN113705857 A CN 113705857A CN 202110806491 A CN202110806491 A CN 202110806491A CN 113705857 A CN113705857 A CN 113705857A
- Authority
- CN
- China
- Prior art keywords
- parameter
- variable
- multivariate
- component
- uncertainty
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 115
- 238000005457 optimization Methods 0.000 title claims description 16
- 230000008569 process Effects 0.000 claims abstract description 58
- 238000009826 distribution Methods 0.000 claims abstract description 55
- 238000005315 distribution function Methods 0.000 claims abstract description 48
- 230000007613 environmental effect Effects 0.000 claims abstract description 48
- 238000005259 measurement Methods 0.000 claims abstract description 40
- 238000012937 correction Methods 0.000 claims abstract description 20
- 238000010206 sensitivity analysis Methods 0.000 claims abstract description 16
- 230000002068 genetic effect Effects 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 21
- 238000009792 diffusion process Methods 0.000 claims description 15
- 238000013139 quantization Methods 0.000 claims description 12
- 238000005314 correlation function Methods 0.000 claims description 11
- 238000011002 quantification Methods 0.000 claims description 11
- 241000039077 Copula Species 0.000 claims description 9
- 230000008859 change Effects 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 7
- 238000003491 array Methods 0.000 claims description 7
- 238000012216 screening Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 4
- 230000035945 sensitivity Effects 0.000 claims description 4
- 230000006870 function Effects 0.000 description 18
- 238000010586 diagram Methods 0.000 description 10
- 230000008878 coupling Effects 0.000 description 9
- 238000010168 coupling process Methods 0.000 description 9
- 238000005859 coupling reaction Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 229910000896 Manganin Inorganic materials 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000002457 bidirectional effect Effects 0.000 description 2
- HPDFFVBPXCTEDN-UHFFFAOYSA-N copper manganese Chemical compound [Mn].[Cu] HPDFFVBPXCTEDN-UHFFFAOYSA-N 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- Molecular Biology (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Computing Systems (AREA)
- Algebra (AREA)
Abstract
本发明涉及一种考虑多因素的智能电能表计量精度优化方法及系统，包括：开展元器件参数的不确定性量化，量化确定元器件参数的总体分布；根据环境变量和元器件参数，构建多元参数联合概率分布函数；以多元参数联合分布函数为输入变量，以智能电能表的计量精度为输出变量，建立多元变量高斯过程回归模型；构建与多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献；根据不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，并利用最优补偿参数组合对所述多元变量高斯过程回归模型进行参数补偿和修正，以对智能电能表的计量精度进行优化。
Description
技术领域
本发明涉及智能电能表计量技术领域，并且更具体地，涉及一种考虑多因素的智能电能表计量精度优化方法及系统。
背景技术
智能电能表是智能电网正常运行的基础，具有双向多费率电能计量、双向数据通信以及防窃电等多种功能，其中电能的高精度计量是基本功能要求。我国幅员辽阔、南北气候差异明显，智能电能表在应用地域范围内具有显著的宽温度工作区间特点，对其全地域宽温度区间下的高精度计量提出严峻挑战。智能电能表的计量部分是决定电能表计量精度的关键部件，主要由锰铜分流电路、分压电阻及计量芯片等元件构成。上述元器件在制造过程中的参数波动，叠加温度、湿度等环境参数对元器件参数的耦合作用，是影响计量精度的主要原因。
现有智能电能表计量精度优化补偿方法，多考虑单一影响因素，主要为温度，对计量精度的影响，通过构建工作区间内计量误差与单一影响因素的函数关系，建立响应的补偿系数，从而提高计量精度。但现有优化补偿方法没有综合考虑多因素对计量精度的耦合影响过程，难以量化分析不同因素对计量精度的不确定性影响。同时，现有方法在量化处理由制造过程引起的器件参数波动过程中，多采用正态分布表征，没有充分考虑器件参数波动分布的差异，亦没有考虑温湿度等环境参数对器件参数分布的影响。
发明内容
本发明提出一种考虑多因素的智能电能表计量精度优化方法及系统，以解决如何对智能电能表的计量精度进行优化的问题。
为了解决上述问题，根据本发明的一个方面，提供了一种考虑多因素的智能电能表计量精度优化方法，所述方法包括：
采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布；
根据环境变量和元器件参数，构建多元参数联合概率分布函数；
以多元参数联合分布函数为输入变量，以智能电能表的计量精度为输出变量，建立多元变量高斯过程回归模型；
构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献；
根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，并利用最优补偿参数组合对所述多元变量高斯过程回归模型进行参数补偿和修正，以对智能电能表的计量精度进行优化。
优选地，其中所述采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布，包括：
根据不同智能电能表的元器件参数，构造每种元器件参数的经验分布函数Fn(x)；
对于任一种元器件参数，从该任一种元器件参数对应的经验分布函数Fn(x)中抽取Bootstrap子样本X*，并根据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计总体分布F的未知参数θ的分布及特征值，量化确定该任一种元器件参数的总体分布。
优选地，其中所述根据环境变量和元器件参数，构建多元参数联合概率分布函数，包括：
开展环境变量Y在变化区间内元器件参数变量X的动态波动试验，获取不同环境变量下不同元器件参数的参数试验值；
根据赤池信息量准则AIC确定Copula函数，根据不同环境变量下不同元器件参数的参数试验值，以相关性函数为基础，构建构建多元参数联合概率分布函数G(X,Y)。
优选地，其中所述构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献，包括：
根据所述多元变量高斯过程回归模型GP(X,Y；α，β，λ,…)，采用非侵入式多项式混沌方法，对随机变量GP(X,Y；α，β，λ,…)构建代理模型，将系统的随机特性分析转化为多项式系数(a1，a2，…,an)的分析问题；
采用SobolIndice方法开展影响计量精度的相关因素敏感性分析，量化环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)。
优选地，其中所述根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，包括：
根据环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)，确定一组变量补偿参数数组(c1，c2，…,cm)，在其中随机抽取一定数量样本，作为遗传算法中的初始种群；
将该种群带入所述多元变量高斯过程回归模型，对模型参数进行修正补偿，获取该种群参数对应的计量精度数据；
将上述计量精度数据作为适应值返回至遗传算法中，筛选进化后得到第二代种群个体后再次作为模型修正补偿参数带入高斯过程回归模型，反复迭代直至满足遗传算法的终止条件，最终确定多元变量的最优补偿参数组合。
根据本发明的另一个方面，提供了一种考虑多因素的智能电能表计量精度优化系统，所述系统包括：
总体分布量化单元，用于采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布；
多元参数联合概率分布函数构建单元，用于根据环境变量和元器件参数，构建多元参数联合概率分布函数；
多元变量高斯过程回归模型建立单元，用于以多元参数联合分布函数为输入变量，以智能电能表的计量精度为输出变量，建立多元变量高斯过程回归模型；
不确定性的贡献量化单元，用于构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献；
优化单元，用于根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，并利用最优补偿参数组合对所述多元变量高斯过程回归模型进行参数补偿和修正，以对智能电能表的计量精度进行优化。
优选地，其中所述总体分布量化单元，采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布，包括：
根据不同智能电能表的元器件参数，构造每种元器件参数的经验分布函数Fn(x)；
对于任一种元器件参数，从该任一种元器件参数对应的经验分布函数Fn(x)中抽取Bootstrap子样本X*，并根据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计总体分布F的未知参数θ的分布及特征值，量化确定该任一种元器件参数的总体分布。
优选地，其中所述多元参数联合概率分布函数构建单元，根据环境变量和元器件参数，构建多元参数联合概率分布函数，包括：
开展环境变量Y在变化区间内元器件参数变量X的动态波动试验，获取不同环境变量下不同元器件参数的参数试验值；
根据赤池信息量准则AIC确定Copula函数，根据不同环境变量下不同元器件参数的参数试验值，以相关性函数为基础，构建构建多元参数联合概率分布函数G(X，Y)。
优选地，其中所述不确定性的贡献量化单元，构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献，包括：
根据所述多元变量高斯过程回归模型GP(X,Y；α，β，λ，…)，采用非侵入式多项式混沌方法，对随机变量GP(X,Y；α，β，λ,…)构建代理模型，将系统的随机特性分析转化为多项式系数(a1，a2，…,an)的分析问题；
采用Sobol Indice方法开展影响计量精度的相关因素敏感性分析，量化环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)。
优选地，其中所述优化单元，根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，包括：
根据环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)，确定一组变量补偿参数数组(c1，c2，…,cm)，在其中随机抽取一定数量样本，作为遗传算法中的初始种群；
将该种群带入所述多元变量高斯过程回归模型，对模型参数进行修正补偿，获取该种群参数对应的计量精度数据；
将上述计量精度数据作为适应值返回至遗传算法中，筛选进化后得到第二代种群个体后再次作为模型修正补偿参数带入高斯过程回归模型，反复迭代直至满足遗传算法的终止条件，最终确定多元变量的最优补偿参数组合。
本发明提供了一种考虑多因素的智能电能表计量精度优化方法及系统，采用基于信息扩散理论的改进自助法量化表征计量精度影响因素的总体分布，利用Copula相关性函数表征环境变量与元器件参数之间的耦合关系，克服现有技术多考虑单一因素对计量精度的影响，难以综合反映多因素耦合影响计量精度的不足，有效反映全地域宽温度工作区间内智能电能表受多因素耦合影响的现状；融合不确定性理论确定的多因素不确定性对计量精度的量化影响和遗传算法便于全局优化多因素综合影响下最优补偿参数组合的优势，定量分析了不同环境因素、元器件参数因素对智能电能表计量精度的影响水平，进而依据量化影响水平确定多因素补偿参数最优组合，有效改善智能电能表的计量精度。
附图说明
通过参考下面的附图，可以更为完整地理解本发明的示例性实施方式：
图1为根据本发明实施方式的考虑多因素的智能电能表计量精度优化方法100的流程图；
图2为根据本发明实施方式的考虑多因素的智能电能表计量精度优化系统200的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。
除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的考虑多因素的智能电能表计量精度优化方法100的流程图。本发明实施方式提供的考虑多因素的智能电能表计量精度优化方法及系统，采用基于信息扩散理论的改进自助法量化表征计量精度影响因素的总体分布，利用Copula相关性函数表征环境变量与元器件参数之间的耦合关系，克服现有技术多考虑单一因素对计量精度的影响，难以综合反映多因素耦合影响计量精度的不足，有效反映全地域宽温度工作区间内智能电能表受多因素耦合影响的现状；融合不确定性理论确定的多因素不确定性对计量精度的量化影响和遗传算法便于全局优化多因素综合影响下最优补偿参数组合的优势，定量分析了不同环境因素、元器件参数因素对智能电能表计量精度的影响水平，进而依据量化影响水平确定多因素补偿参数最优组合，有效改善智能电能表的计量精度。本发明实施方式提供的考虑多因素的智能电能表计量精度优化方法100，从步骤101处开始，在步骤101采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布。
优选地，其中所述采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布，包括：
根据不同智能电能表的元器件参数，构造每种元器件参数的经验分布函数Fn(x)；
对于任一种元器件参数，从该任一种元器件参数对应的经验分布函数Fn(x)中抽取Bootstrap子样本X*，并根据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计总体分布F的未知参数θ的分布及特征值，量化确定该任一种元器件参数的总体分布。
本发明针对现有智能电能表计量精度补偿方法的不足，提出一种量化表征影响因素分布差异、定量分析多因素不确定性对计量精度影响的多参数耦合优化补方法，以满足全地域宽温度工作区间下智能电能表高精度计量需求。本发明的考虑多因素不确定性影响的智能电能表计量精度优化方法主要通过量化表征元器件参数的总体分布，采用温度湿度等环境参数与元器件参数的相关性函数表征环境参数对元器件参数动态变化的影响，构建多参数耦合影响智能电能表计量精度的多元变量高斯过程回归模型，定量分析多因素不确定性对计量精度的影响，利用遗传算法在多元参数取值域内寻找最优补偿参数组合，以实现智能电能表的全地域宽温度工作区间高精度计量目标。
在本发明中，采用基于信息扩散理论的改进自助法(Bootstrap抽样法)，开展元器件参数的不确定性量化，定量分析元器件参数的总体分布情况。具体地，首先，随机选取n只智能电能表，测定其采样电阻X1、计量芯片X2及锰铜分流器X3的参数值，构造原始样本的经验分布函数Fn(x)；然后，从Fn(x)中抽取Bootstrap子样本X*，依据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计总体分布F的未知参数θ的分布及特征值，量化确定元器件参数的总体分布。
以采样电阻为例，其阻值样本X1＝(x1,x2,…,xn)是来自于未知总体分布F的子样本。根据X1＝(x1,x2,…,xn)可以构造采样电阻原始样本的经验分布函数Fn(x)；
其中，x(1)≤x(2)≤…≤x(n)是x1，x2，…，xn按升序排列后的统计量。
然后，从Fn(x)中抽取Bootstrap子样本X1 *，依据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计采样电阻的总体分布F的未知参数θ1的分布及特征值，量化确定元器件参数的总体分布
与采样电阻X1总体分布的确定方式相同，重复上述步骤即可获得计量芯片X2及锰铜分流器X3的总体分布
和
在步骤102，根据环境变量和元器件参数，构建多元参数联合概率分布函数。
优选地，其中所述根据环境变量和元器件参数，构建多元参数联合概率分布函数，包括：
开展环境变量Y在变化区间内元器件参数变量X的动态波动试验，获取不同环境变量下不同元器件参数的参数试验值；
根据赤池信息量准则AIC确定Copula函数，根据不同环境变量下不同元器件参数的参数试验值，以相关性函数为基础，构建构建多元参数联合概率分布函数G(X,Y)。
在本发明中，开展温度(-40-70℃)、相对湿度(30％-85％)等环境变量Y在变化区间内元器件参数X的动态波动试验，获取不同温湿度环境参数组合下采样电阻、锰铜分流器、计量芯片等器件参数试验值；再以环境变量Y与元器件参数X的相关性函数，量化表达环境变量对元器件参数的影响。根据赤池信息量准则AIC(Akaike Information Criterion)信息准则选择合适的Copula函数，衡量环境变量Y与元器件参数X之间的相关程度，以相关性函数为基础，构建环境变量、元器件参数等多元参数联合概率分布函数：
其中，X，Y分别为元器件参数和环境变量；
为阿基米德产生函数；
为
的反函数；β为相关系数。
在步骤103，以多元参数联合分布函数为输入变量，以智能电能表的计量精度为输出变量，建立多元变量高斯过程回归模型。
在本发明中，开展环境变量Y、元器件参数X为影响因素的正交试验，获取计量精度实测数据，以环境变量、元器件参数的多元联合分布函数G(X,Y)为输入变量，以智能电能表计量精度为输出变量，建立多元变量高斯过程回归模型GP(X,Y；α，β，λ,…)。
在步骤104，构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献。
优选地，其中所述构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献，包括：
根据所述多元变量高斯过程回归模型GP(X,Y；α，β，λ,…)，采用非侵入式多项式混沌方法，对随机变量GP(X,Y；α，β，λ,…)构建代理模型，将系统的随机特性分析转化为多项式系数(a1，a2，…,an)的分析问题；
采用Sobol Indice方法开展影响计量精度的相关因素敏感性分析，量化环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)。
本发明针对步骤103构建的智能电能表计量精度高斯过程回归模型，采用非侵入式多项式混沌方法，对随机变量GP(X,Y；α，β，λ,…)构建代理模型，将系统的随机特性分析转化为多项式系数(a1，a2，…,an)的分析问题；采用Sobol Indice方法开展影响计量精度的相关因素敏感性分析，量化环境变量Y、元器件参数变量X等对计量精度不确定性的贡献(b1，b2，…,bm)。
量化环境变量Y和元器件参数变量X等对计量精度不确定性的贡献(b1，b2，…,bm)，如式(3)所示:
其中，y为对多元变量高斯过程回归模型展开的多项式；ai为多项式y的第i项系数。
在步骤105，根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，并利用最优补偿参数组合对所述多元变量高斯过程回归模型进行参数补偿和修正，以对智能电能表的计量精度进行优化。
优选地，其中所述根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，包括：
根据环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)，确定一组变量补偿参数数组(c1，c2，…,cm)，在其中随机抽取一定数量样本，作为遗传算法中的初始种群；
将该种群带入所述多元变量高斯过程回归模型，对模型参数进行修正补偿，获取该种群参数对应的计量精度数据；
将上述计量精度数据作为适应值返回至遗传算法中，筛选进化后得到第二代种群个体后再次作为模型修正补偿参数带入高斯过程回归模型，反复迭代直至满足遗传算法的终止条件，最终确定多元变量的最优补偿参数组合。
在本发明中，首先，依据环境变量Y、元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)，确定一组变量补偿参数数组(c1，c2，…,cm)，在其中随机抽取一定数量样本，作为遗传算法中的初始种群。然后，将该种群带入步骤103建立的多元变量计量精度高斯过程回归模型，对模型参数进行修正补偿，生成上述种群参数对应下计量精度数据。最后，将计量精度作为适应值返回至遗传算法中，筛选进化后得到第二代种群个体后再次作为模型修正补偿参数带入高斯过程回归模型，反复迭代直至满足遗传算法的终止条件，最终确定多元变量的最优补偿参数组合，确定优化后的智能电能表计量精度多元高斯过程回归模型GP′(X,Y；α′，β′，λ′,…)，改善智能电能表计量精度水平。
图2为根据本发明实施方式的考虑多因素的智能电能表计量精度优化系统200的结构示意图。如图2所示，本发明实施方式提供的考虑多因素的智能电能表计量精度优化系统200，包括：总体分布量化单元201、多元参数联合概率分布函数构建单元202、多元变量高斯过程回归模型建立单元203、不确定性的贡献量化单元204和优化单元205。
优选地，所述总体分布量化单元201，用于采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布。
优选地，其中所述总体分布量化单元201，采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布，包括：
根据不同智能电能表的元器件参数，构造每种元器件参数的经验分布函数Fn(x)；
对于任一种元器件参数，从该任一种元器件参数对应的经验分布函数Fn(x)中抽取Bootstrap子样本X*，并根据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计总体分布F的未知参数θ的分布及特征值，量化确定该任一种元器件参数的总体分布。
优选地，所述多元参数联合概率分布函数构建单元202，用于根据环境变量和元器件参数，构建多元参数联合概率分布函数。
优选地，其中所述多元参数联合概率分布函数构建单元202，根据环境变量和元器件参数，构建多元参数联合概率分布函数，包括：
开展环境变量Y在变化区间内元器件参数变量X的动态波动试验，获取不同环境变量下不同元器件参数的参数试验值；
根据赤池信息量准则AIC确定Copula函数，根据不同环境变量下不同元器件参数的参数试验值，以相关性函数为基础，构建构建多元参数联合概率分布函数G(X，Y)。
优选地，所述多元变量高斯过程回归模型建立单元203，用于以多元参数联合分布函数为输入变量，以智能电能表的计量精度为输出变量，建立多元变量高斯过程回归模型。
优选地，所述不确定性的贡献量化单元204，用于构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献。
优选地，其中所述不确定性的贡献量化单元204，构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献，包括：
根据所述多元变量高斯过程回归模型GP(X,Y；α，β，λ,…)，采用非侵入式多项式混沌方法，对随机变量GP(X,Y；α，β，λ,…)构建代理模型，将系统的随机特性分析转化为多项式系数(a1，a2，…,an)的分析问题；
采用Sobol Indice方法开展影响计量精度的相关因素敏感性分析，量化环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)。
优选地，所述优化单元205，用于根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，并利用最优补偿参数组合对所述多元变量高斯过程回归模型进行参数补偿和修正，以对智能电能表的计量精度进行优化。
优选地，其中所述优化单元205，根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，包括：
根据环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)，确定一组变量补偿参数数组(c1，c2，…,cm)，在其中随机抽取一定数量样本，作为遗传算法中的初始种群；
将该种群带入所述多元变量高斯过程回归模型，对模型参数进行修正补偿，获取该种群参数对应的计量精度数据；
将上述计量精度数据作为适应值返回至遗传算法中，筛选进化后得到第二代种群个体后再次作为模型修正补偿参数带入高斯过程回归模型，反复迭代直至满足遗传算法的终止条件，最终确定多元变量的最优补偿参数组合。
本发明的实施例的考虑多因素的智能电能表计量精度优化系统200与本发明的另一个实施例的考虑多因素的智能电能表计量精度优化方法100相对应，在此不再赘述。
已经通过参考少量实施方式描述了本发明。然而，本领域技术人员所公知的，正如附带的专利权利要求所限定的，除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地，在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释，除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例，除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行，除非明确地说明。
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。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种考虑多因素的智能电能表计量精度优化方法，其特征在于，所述方法包括：
采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布；
根据环境变量和元器件参数，构建多元参数联合概率分布函数；
以多元参数联合分布函数为输入变量，以智能电能表的计量精度为输出变量，建立多元变量高斯过程回归模型；
构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献；
根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，并利用最优补偿参数组合对所述多元变量高斯过程回归模型进行参数补偿和修正，以对智能电能表的计量精度进行优化。
2.根据权利要求1所述的方法，其特征在于，所述采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布，包括：
根据不同智能电能表的元器件参数，构造每种元器件参数的经验分布函数Fn(x)；
对于任一种元器件参数，从该任一种元器件参数对应的经验分布函数Fn(x)中抽取Bootstrap子样本X*，并根据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计总体分布F的未知参数θ的分布及特征值，量化确定该任一种元器件参数的总体分布。
3.根据权利要求1所述的方法，其特征在于，所述根据环境变量和元器件参数，构建多元参数联合概率分布函数，包括：
开展环境变量Y在变化区间内元器件参数变量X的动态波动试验，获取不同环境变量下不同元器件参数的参数试验值；
根据赤池信息量准则AIC确定Copula函数，根据不同环境变量下不同元器件参数的参数试验值，以相关性函数为基础，构建构建多元参数联合概率分布函数G(X，Y)。
4.根据权利要求1所述的方法，其特征在于，所述构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献，包括：
根据所述多元变量高斯过程回归模型GP(X，Y；α，β，λ，…)，采用非侵入式多项式混沌方法，对随机变量GP(X，Y；α，β，λ，…)构建代理模型，将系统的随机特性分析转化为多项式系数(a1，a2，…,an)的分析问题；
采用Sobol Indice方法开展影响计量精度的相关因素敏感性分析，量化环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)。
5.根据权利要求1所述的方法，其特征在于，所述根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，包括：
根据环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)，确定一组变量补偿参数数组(c1，c2，…,cm)，在其中随机抽取一定数量样本，作为遗传算法中的初始种群；
将该种群带入所述多元变量高斯过程回归模型，对模型参数进行修正补偿，获取该种群参数对应的计量精度数据；
将上述计量精度数据作为适应值返回至遗传算法中，筛选进化后得到第二代种群个体后再次作为模型修正补偿参数带入高斯过程回归模型，反复迭代直至满足遗传算法的终止条件，最终确定多元变量的最优补偿参数组合。
6.一种考虑多因素的智能电能表计量精度优化系统，其特征在于，所述系统包括：
总体分布量化单元，用于采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布；
多元参数联合概率分布函数构建单元，用于根据环境变量和元器件参数，构建多元参数联合概率分布函数；
多元变量高斯过程回归模型建立单元，用于以多元参数联合分布函数为输入变量，以智能电能表的计量精度为输出变量，建立多元变量高斯过程回归模型；
不确定性的贡献量化单元，用于构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献；
优化单元，用于根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，并利用最优补偿参数组合对所述多元变量高斯过程回归模型进行参数补偿和修正，以对智能电能表的计量精度进行优化。
7.根据权利要求6所述的系统，其特征在于，所述总体分布量化单元，采用基于信息扩散理论的改进自助法开展元器件参数的不确定性量化，量化确定元器件参数的总体分布，包括：
根据不同智能电能表的元器件参数，构造每种元器件参数的经验分布函数Fn(x)；
对于任一种元器件参数，从该任一种元器件参数对应的经验分布函数Fn(x)中抽取Bootstrap子样本X*，并根据概率密度函数f(x*)生成改进Bootstrap子样本，计算改进Bootstrap子样本的统计量R*，统计估计总体分布F的未知参数θ的分布及特征值，量化确定该任一种元器件参数的总体分布。
8.根据权利要求6所述的系统，其特征在于，所述多元参数联合概率分布函数构建单元，根据环境变量和元器件参数，构建多元参数联合概率分布函数，包括：
开展环境变量Y在变化区间内元器件参数变量X的动态波动试验，获取不同环境变量下不同元器件参数的参数试验值；
根据赤池信息量准则AIC确定Copula函数，根据不同环境变量下不同元器件参数的参数试验值，以相关性函数为基础，构建构建多元参数联合概率分布函数G(X，Y)。
9.根据权利要求6所述的系统，其特征在于，所述不确定性的贡献量化单元，构建与所述多元变量高斯过程回归模型对应的代理模型，并根据所述代理模型进行影响计量精度的相关因素敏感性分析，量化环境变量和元器件参数对计量精度不确定性的贡献，包括：
根据所述多元变量高斯过程回归模型GP(X，Y；α，β，λ，…)，采用非侵入式多项式混沌方法，对随机变量GP(X，Y；α，β，λ，…)构建代理模型，将系统的随机特性分析转化为多项式系数(a1，a2，…,an)的分析问题；
采用Sobol Indice方法开展影响计量精度的相关因素敏感性分析，量化环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)。
10.根据权利要求6所述的系统，其特征在于，所述优化单元，根据环境变量和元器件参数对计量精度不确定性的贡献，在多元参数取值域内寻找最优补偿参数组合，包括：
根据环境变量Y和元器件参数变量X对计量精度不确定性的贡献(b1，b2，…,bm)，确定一组变量补偿参数数组(c1，c2，…,cm)，在其中随机抽取一定数量样本，作为遗传算法中的初始种群；
将该种群带入所述多元变量高斯过程回归模型，对模型参数进行修正补偿，获取该种群参数对应的计量精度数据；
将上述计量精度数据作为适应值返回至遗传算法中，筛选进化后得到第二代种群个体后再次作为模型修正补偿参数带入高斯过程回归模型，反复迭代直至满足遗传算法的终止条件时，确定多元变量的最优补偿参数组合。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110806491.9A CN113705857A (zh) | 2021-07-16 | 2021-07-16 | 一种考虑多因素的智能电能表计量精度优化方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110806491.9A CN113705857A (zh) | 2021-07-16 | 2021-07-16 | 一种考虑多因素的智能电能表计量精度优化方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113705857A true CN113705857A (zh) | 2021-11-26 |
Family
ID=78648754
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110806491.9A Pending CN113705857A (zh) | 2021-07-16 | 2021-07-16 | 一种考虑多因素的智能电能表计量精度优化方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113705857A (zh) |
-
2021
- 2021-07-16 CN CN202110806491.9A patent/CN113705857A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104280526B (zh) | 水质自动在线监测设备测量误差的分析和估计方法 | |
| CN107885928B (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
| CN111863147B (zh) | Sf6及其分解组分气体的浓度检测方法及装置 | |
| CN117150386B (zh) | 基于自适应的湿度传感器测量不确定度的评定方法及装置 | |
| CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
| CN110567937A (zh) | 一种用于绝缘油拉曼光谱分析的竞争性自适应重加权关键数据提取方法 | |
| CN108763648B (zh) | 基于核磁共振t2分布获取毛管压力曲线的方法和装置 | |
| CN110887800B (zh) | 一种用于光谱法水质在线监测系统的数据校准方法 | |
| CN113935535A (zh) | 一种面向中长期预测模型的主成分分析方法 | |
| CN112149296A (zh) | 一种判定水文时间序列平稳性类型的方法 | |
| CN106290263B (zh) | 一种基于遗传算法的libs定标定量分析方法 | |
| CN115859195A (zh) | 一种基于随机森林算法模型的河道水质指标软测量方法 | |
| CN114487976B (zh) | Mcm电子式互感器校验仪溯源不确定度评定方法及系统 | |
| CN114186879B (zh) | 地质参数对资源量计算误差影响的评估方法及设备 | |
| CN113705857A (zh) | 一种考虑多因素的智能电能表计量精度优化方法及系统 | |
| CN111896497A (zh) | 一种基于预测值的光谱数据修正方法 | |
| CN116128690B (zh) | 一种碳排放量成本值计算方法、装置、设备及介质 | |
| CN111141809A (zh) | 一种基于非接触式电导信号的土壤养分离子含量检测方法 | |
| CN116911634A (zh) | 基于随机森林的d类电压越下限影响因素分析方法及装置 | |
| CN102300240A (zh) | 一种基于输出性能参数评估两个系统相似度的方法 | |
| CN115791761A (zh) | 土壤重金属检测模型构建方法、检测方法和系统 | |
| CN111220565B (zh) | 一种基于cpls的红外光谱测量仪器标定迁移方法 | |
| CN115015163B (zh) | 一种基于权重系数的光谱加权预测方法 | |
| CN112631849B (zh) | 功耗检测模型构建方法、功耗检测方法、装置及电子设备 | |
| CN115291528B (zh) | 模型不确定性等级确定方法、装置、系统及存储介质 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| TA01 | Transfer of patent application right | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20211213 Address after: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant after: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant after: State Grid Fujian Electric Power Co., Ltd. Marketing Service Center Address before: 100192 Beijing city Haidian District Qinghe small Camp Road No. 15 Applicant before: CHINA ELECTRIC POWER RESEARCH INSTITUTE Co.,Ltd. Applicant before: Electric Power Research Institute of State Grid Fujian Electric Power Co., Ltd |
|
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination |