CN114021454A - 一种电能表综合检定试验误差解耦方法及系统 - Google Patents
一种电能表综合检定试验误差解耦方法及系统 Download PDFInfo
- Publication number
- CN114021454A CN114021454A CN202111294876.8A CN202111294876A CN114021454A CN 114021454 A CN114021454 A CN 114021454A CN 202111294876 A CN202111294876 A CN 202111294876A CN 114021454 A CN114021454 A CN 114021454A
- Authority
- CN
- China
- Prior art keywords
- error
- verification
- electric energy
- errors
- energy meter
- 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
- 238000012795 verification Methods 0.000 title claims abstract description 130
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000012360 testing method Methods 0.000 title claims abstract description 36
- 238000012417 linear regression Methods 0.000 claims abstract description 25
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 230000008878 coupling Effects 0.000 claims abstract description 19
- 238000010168 coupling process Methods 0.000 claims abstract description 19
- 238000005859 coupling reaction Methods 0.000 claims abstract description 19
- 238000013178 mathematical model Methods 0.000 claims abstract description 9
- 230000001808 coupling effect Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 7
- 238000003860 storage Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 5
- 238000004134 energy conservation Methods 0.000 abstract description 4
- 230000009467 reduction Effects 0.000 abstract description 4
- 238000002474 experimental method Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 5
- 238000000354 decomposition reaction Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000000087 stabilizing effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- G06N3/02—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
- G06N3/08—Learning methods
-
- 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
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
-
- 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
- G06F2119/08—Thermal analysis or thermal optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Molecular Biology (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Operations Research (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
Abstract
本公开属于电能计量技术领域，提供了一种电能表综合检定试验误差解耦方法及系统，包括以下步骤：获取不同检定参数下的综合检定误差；根据综合检定误差和预设的耦合模型进行解耦，得到误差影响权重；其中，耦合模型包括神经网络模型和线性回归模型，神经网络模型具有非线性特性，线性回归模型具有线性建模能力，将所获取的综合检定误差及温湿度变量分别输入到两种模型中，分别建立误差受温度、湿度等检定参数耦合作用的数学模型。本公开将电能表综合检定误差分解到不同参变量以及设备体，实现误差来源的定值追溯，在满足误差允许范围内通过调节温度等环境变量达到节能减排的目的，同时也为电能表国家检定规程修订提供技术依据。
Description
技术领域
本公开属于电能计量技术领域，具体涉及一种电能表综合检定试验误差解耦方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
智能电能表大规模自动化检定模式带来高效生产管理的同时，也具有场地空间大、设备分布密集的特点。检定车间包含大量智能电能表本体、检定设备，且温度等多种误差源交叉混合，要想在庞大的自动化检定车间实现±2℃环境控制要求，使用普通空调基本无法满足。通常网省公司采用精密空调，但这种做法投入大、能耗大。目前国际上使用的最新电能表标准为IR46，该标准中的环境温度控制范围已经从±2℃增加为±5℃。为此，研究检定条件变化对检定结果的耦合作用以及智能电能表的综合检定误差解耦及分解具有重要意义。
发明内容
为了解决上述问题，本公开提出了一种电能表综合检定试验误差解耦方法及系统，将电能表综合检定误差分解到不同参变量以及设备体，实现误差来源的定值追溯，在满足误差允许范围内通过调节温度等环境变量达到节能减排的目的，同时也为电能表国家检定规程修订提供技术依据。
根据一些实施例，本公开的第一方案提供了一种电能表综合检定试验误差解耦方法，采用如下技术方案：
一种电能表综合检定试验误差解耦方法，包括以下步骤：
获取不同检定参数下的综合检定误差；
根据综合检定误差和预设的耦合模型进行解耦，得到误差影响权重；
其中，耦合模型包括神经网络模型和线性回归模型，神经网络模型具有非线性特性，线性回归模型具有线性建模能力，将所获取的综合检定误差及温湿度变量分别输入到两种模型中，分别建立误差受温度、湿度等检定参数耦合作用的数学模型。
作为进一步的技术限定，所述综合检定误差包括电能表误差和检定装置误差，所述检定装置包括标准电能表、标准时钟和模拟功率源。
进一步的，所述获取不同检定参数下的综合检定误差，具体过程为：
基于实验区域内的恒定温度，调整湿度，获取电能表及检定装置在同一温度下不同湿度的综合检定误差；
基于实验区域内的恒定湿度，调整温度，获取电能表及检定装置在同一湿度下不同温度的综合检定误差。
作为进一步的技术限定，所述解耦模型包括具有非线性特性的神经网络模型和具有线性建模能力的线性回归模型，建立误差受温度和湿度检定参数耦合作用的数学模型；通过计算均方误差，进行模型的准确度评估，对得到的最优模型进行误差解耦，得到误差影响权重。
进一步的，所述神经网络模型的解耦过程为：输出神经网络模型自变量的重要性结果，得到自变量重要性程度百分比；输出正态化重要性结果，删除正态化重要性值小于0.1的变量，得到自变量影响权重。
进一步的，所述线性回归模型的解耦过程为：对线性回归方程进行自变量权重的归一化处理，计算自变量对误差的影响权重。
进一步的，结合所得到误差影响权重，进行综合检定误差的分解，将综合检定误差分解为电能表误差和检定装置误差。
根据一些实施例，本公开的第二方案提供了一种电能表综合检定试验误差解耦系统，采用如下技术方案：
一种电能表综合检定试验误差解耦系统，包括：
获取模块，被配置为获取不同检定参数下的综合检定误差；
耦合模块，被配置为根据综合检定误差和预设的耦合模型进行解耦，得到误差影响权重；
其中，耦合模型包括神经网络模型和线性回归模型，神经网络模型具有非线性特性，线性回归模型具有线性建模能力，将所获取的综合检定误差及温湿度变量分别输入到两种模型中，分别建立误差受温度、湿度等检定参数耦合作用的数学模型。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的电能表综合检定试验误差解耦方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的电能表综合检定试验误差解耦方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开通过对智能电能表本体、检定设备、规模化检定、运行环境等特点进行数据综合建模，完成电能表综合检定误差的解耦及分解，将电能表综合检定误差分解到不同参变量以及设备体，实现误差来源的定值追溯，在满足误差允许范围内能够通过调节温度等环境变量达到节能减排的目的，同时也为电能表国家检定规程修订提供技术依据。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中电能表综合检定试验误差解耦方法的流程图；
图2是本公开实施例二中电能表综合检定试验误差解耦系统的结构框图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种电能表综合检定试验误差解耦方法。
如图1所示的一种电能表综合检定试验误差解耦方法，包括以下步骤：
步骤S01：获取不同检定参数下的综合检定误差；
步骤S02：构建综合检定误差与检定参数之间关系的耦合模型；
步骤S03：分析耦合模型，对耦合模型进行解耦，得到各个检定参数对误差的影响权重；
步骤S04：将综合检定误差分解为电能表、检定装置受检定参数影响产生的误差，进行误差至不同设备体的分解。
作为一种或多种实施方式，在步骤S01中，综合检定误差包括智能电能表及检定装置的误差，即将标准表、标准时钟和模拟功率源构成的检定装置以及被检智能表一同放在实验环境下，利用步入式温湿度箱，采集不同温、湿度情况下电能表综合检定误差。
电能表误差仅包括智能电能表的误差，即将被检智能表放置在步入式温湿度箱中，采集不同温、湿度情况下电能表误差，而检定装置放置在温湿度箱外，处于稳定环境。
获取不同检定参数下的综合检定误差方法为，通过稳定实验区域内的温度，对湿度进行调整，进而获取电能表及检定装置在同一温度下不同湿度的综合检定误差并记录；通过稳定实验区域内的湿度，对温度进行调整，进而获取电能表及检定装置在同一湿度下不同温度的综合检定误差并记录。
在获取不同检定参数下的综合检定误差之后，对所获取的综合检定误差进行数据的预处理，剔除无效的不相关数据，以便提高后续误差解耦的准确性。
作为一种或多种实施方式，在步骤S02中，基于具有非线性特性的BP神经网络算法以及具有线性建模能力的线性回归算法，分别建立误受温度和湿度检定参数耦合作用的神经网络模型和线性回归模型。
BP神经网络结构为：一个输入层，包含两个输入变量；两个隐含层，其中隐含层节点数分别为7和3；一个输出层，包含一个输出变量。神经网络模型的输入层信息为温度和湿度，输出层信息为误差，隐藏层和输出层的激活函数均为S型即Sigmoid函数。神经网络计算过程中，选取训练集比例为85％，选取测试集(检验集)比例为15％。
线性回归建模时，为验证线性回归的泛化能力，将原始综合检定实验数据随机选取80％作为线性回归的输入。按照逐步回归法的回归方程计算步骤。确定回归方程后，进行可信度检验。检验统计量F值检验：建模的准确性可通过F值是否远超过F的阈值来判定(阈值可通过F分布表得到)，若未达到检验标准则可认为方程的线性相关度不高；p值检验：与条件是F对应的P值满足P≤α时，则认为方程的线性相关度高。
作为一种或多种实施方式，在步骤S03中，通过计算均方误差，进行耦合模型的准确度评估，对得到的最优模型进行误差解耦，得到各个检定参数对误差的影响权重，实现误差具体至不同检定参数的解耦；
神经网络模型和线性回归模型引用均方误差(Mean Square Error，简称MSE)进行模型准确度评估，其计算公式为：
其中，yn表示参数真值，
表示参数估计值，N为样本数量。
MSE的数学意义为数据的估计值和真值之差平方的期望值。其优点在于度量“平均误差”更加便捷，同时也可以展示出数据的变化范围，变化规律为预测模型的MSE越小，数据结果的准确性越高。
准确性最优模型选取方法为MSE越小，模型的准确性越高。
神经网络模型解耦方法为输出自变量重要性结果，得到自变量重要性程度百分比；输出正态化重要性结果，某变量的正态化重要性值小于0.1可以删除此变量。
线性回归模型解耦方法为：对回归方程进行自变量权重归一化处理，计算自变量对误差的影响权重；计算步骤为：
(1)将回归方程各系数{X1,…,XN}相加得到X；
(2)再分别用
得到一组总和为1的数，即为每个自变量的影响权重。
即可实现对误差受温、湿度等检定参数耦合作用数学模型的解耦，将误差分解到不同参变量。
作为一种或多种实施方式，在步骤S04中，在步骤S04中，结合所得到解耦结果，进一步将综合检定误差分解为电能表、检定装置受检定参数影响产生的误差，实现误差具体至不同设备体的分解。
在综合检定实验中，通过将智能电能表和检定装置共同放置在步入式温湿度箱中，采集不同温、湿度情况下电能表综合检定误差。电能表数据误差判定以温湿度箱中的检定装置数据为基准，公式为：
其中，ε为综合检定误差，W1为温湿度箱中的电能表示数，W2为温湿度箱中的检定装置示数。
开展电能表误差实验，将智能电能表放置在步入式温湿度箱中，检定装置放置在温湿度箱外，处于稳定环境。参数设定及实验方法与综合检定实验相同，利用标准环境中的检定装置测得智能电能表在不同温湿度环境下的误差为：
其中，W为标准环境中检定装置示数，即得W1＝Wε1+W。
开展检定装置误差实验，将检定装置放置在步入式温湿度箱中，利用放置在稳定环境中的具有更高精度的标准表检测检定装置在不同温湿度环境下的误差为：
即得W2＝Wε2+W，
由于检定装置误差ε2＜＜1，进一步得到：ε≈ε1-ε2
结果表明：综合检定误差可分解为电能表与检定装置误差，进一步表示为电能表误差与检定装置误差的差值。即可实现对综合检定误差的分解，将电能表综合检定误差分解到电能表本体、检定设备等不同设备体。
本实施例通过对智能电能表本体、检定设备、规模化检定、运行环境等特点进行数据综合建模，完成电能表综合检定误差的解耦及分解，将电能表综合检定误差分解到不同参变量以及设备体，实现误差来源的定值追溯，在满足误差允许范围内能够通过调节温度等环境变量达到节能减排的目的，同时也为电能表国家检定规程修订提供技术依据。
实施例二
本公开实施例二介绍了一种基于实施例一种所介绍的电能表综合检定试验误差解耦方法的电能表综合检定试验误差解耦系统。
如图2所示的一种电能表综合检定试验误差解耦系统，包括：
获取模块，被配置为获取不同检定参数下的综合检定误差；
耦合模块，被配置为根据综合检定误差和预设的耦合模型进行解耦，得到误差影响权重；
其中，耦合模型包括神经网络模型和线性回归模型，神经网络模型具有非线性特性，线性回归模型具有线性建模能力，将所获取的综合检定误差及温湿度变量分别输入到两种模型中，分别建立误差受温度、湿度等检定参数耦合作用的数学模型。
详细步骤与实施例一提供的电能表综合检定试验误差解耦方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的电能表综合检定试验误差解耦方法中的步骤。
详细步骤与实施例一提供的电能表综合检定试验误差解耦方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的电能表综合检定试验误差解耦方法中的步骤。
详细步骤与实施例一提供的电能表综合检定试验误差解耦方法相同，在此不再赘述。
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。
Claims (10)
1.一种电能表综合检定试验误差解耦方法，其特征在于，包括以下步骤：
获取不同检定参数下的综合检定误差；
根据综合检定误差和预设的耦合模型进行解耦，得到误差影响权重；
其中，耦合模型包括神经网络模型和线性回归模型，神经网络模型具有非线性特性，线性回归模型具有线性建模能力，将所获取的综合检定误差及温湿度变量分别输入到两种模型中，分别建立误差受温度、湿度等检定参数耦合作用的数学模型。
2.如权利要求1中所述的一种电能表综合检定试验误差解耦方法，其特征在于，所述综合检定误差包括电能表误差和检定装置误差，所述检定装置包括标准电能表、标准时钟和模拟功率源源。
3.如权利要求2中所述的一种电能表综合检定试验误差解耦方法，其特征在于，所述获取不同检定参数下的综合检定误差，具体过程为：
基于实验区域内的恒定温度，调整湿度，获取电能表及检定装置在同一温度下不同湿度的综合检定误差；
基于实验区域内的恒定湿度，调整温度，获取电能表及检定装置在同一湿度下不同温度的综合检定误差。
4.如权利要求1中所述的一种电能表综合检定试验误差解耦方法，其特征在于，所述解耦模型包括具有非线性特性的神经网络模型和具有线性建模能力的线性回归模型，建立误差受温度和湿度检定参数耦合作用的数学模型；通过计算均方误差，进行模型的准确度评估，对得到的最优模型进行误差解耦，得到误差影响权重。
5.如权利要求4中所述的一种电能表综合检定试验误差解耦方法，其特征在于，所述神经网络模型的解耦过程为：输出神经网络模型自变量的重要性结果，得到自变量重要性程度百分比；输出正态化重要性结果，删除正态化重要性值小于0.1的变量，得到自变量影响权重。
6.如权利要求4中所述的一种电能表综合检定试验误差解耦方法，其特征在于，所述线性回归模型的解耦过程为：对线性回归方程进行自变量权重的归一化处理，计算自变量对误差的影响权重。
7.如权利要求4中所述的一种电能表综合检定试验误差解耦方法，其特征在于，结合所得到误差影响权重，进行综合检定误差的分解，将综合检定误差分解为电能表误差和检定装置误差。
8.一种电能表综合检定试验误差解耦系统，其特征在于，包括：
获取模块，被配置为获取不同检定参数下的综合检定误差；
耦合模块，被配置为根据综合检定误差和预设的耦合模型进行解耦，得到误差影响权重；
其中，耦合模型包括神经网络模型和线性回归模型，神经网络模型具有非线性特性，线性回归模型具有线性建模能力，将所获取的综合检定误差及温湿度变量分别输入到两种模型中，分别建立误差受温度、湿度等检定参数耦合作用的数学模型。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的电能表综合检定试验误差解耦方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的电能表综合检定试验误差解耦方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111294876.8A CN114021454B (zh) | 2021-11-03 | 2021-11-03 | 一种电能表综合检定试验误差解耦方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111294876.8A CN114021454B (zh) | 2021-11-03 | 2021-11-03 | 一种电能表综合检定试验误差解耦方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114021454A true CN114021454A (zh) | 2022-02-08 |
| CN114021454B CN114021454B (zh) | 2022-10-21 |
Family
ID=80060542
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111294876.8A Active CN114021454B (zh) | 2021-11-03 | 2021-11-03 | 一种电能表综合检定试验误差解耦方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114021454B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118035952A (zh) * | 2024-04-11 | 2024-05-14 | 云南电网有限责任公司 | 一种基于基尔霍夫定律回归模型的表箱识别方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109283958A (zh) * | 2018-08-14 | 2019-01-29 | 济南大学 | 自适应模糊pid解耦控制的焓差温湿度解耦控制方法 |
| US20190245223A1 (en) * | 2016-07-20 | 2019-08-08 | Avl List Gmbh | Controlled gas conditioning for a reaction gas of a fuel cell |
| CN112556103A (zh) * | 2020-12-07 | 2021-03-26 | 上海电科智能系统股份有限公司 | 一种基于负荷预测的大系统节能控制方式及系统 |
| US20210202748A1 (en) * | 2018-08-21 | 2021-07-01 | Technion Research And Development Foundation Limited | Multi-functional field effect transistor with intrinsic self-healing properties |
| CN113138210A (zh) * | 2021-06-22 | 2021-07-20 | 电子科技大学 | 一种智能气体传感器的自适应局部高斯温湿度补偿方法 |
| CN113343497A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种冷热电多能耦合系统解耦方法及装置 |
| CN113392591A (zh) * | 2021-07-12 | 2021-09-14 | 哈尔滨工程大学 | 一种基于硅微结构分析的mems加速度计温漂误差估计方法 |
| CN113408192A (zh) * | 2021-05-31 | 2021-09-17 | 国网山东省电力公司营销服务中心(计量中心) | 基于ga-fsvr的智能电表误差预测方法 |
-
2021
- 2021-11-03 CN CN202111294876.8A patent/CN114021454B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20190245223A1 (en) * | 2016-07-20 | 2019-08-08 | Avl List Gmbh | Controlled gas conditioning for a reaction gas of a fuel cell |
| CN109283958A (zh) * | 2018-08-14 | 2019-01-29 | 济南大学 | 自适应模糊pid解耦控制的焓差温湿度解耦控制方法 |
| US20210202748A1 (en) * | 2018-08-21 | 2021-07-01 | Technion Research And Development Foundation Limited | Multi-functional field effect transistor with intrinsic self-healing properties |
| CN112556103A (zh) * | 2020-12-07 | 2021-03-26 | 上海电科智能系统股份有限公司 | 一种基于负荷预测的大系统节能控制方式及系统 |
| CN113408192A (zh) * | 2021-05-31 | 2021-09-17 | 国网山东省电力公司营销服务中心(计量中心) | 基于ga-fsvr的智能电表误差预测方法 |
| CN113138210A (zh) * | 2021-06-22 | 2021-07-20 | 电子科技大学 | 一种智能气体传感器的自适应局部高斯温湿度补偿方法 |
| CN113343497A (zh) * | 2021-06-30 | 2021-09-03 | 广东电网有限责任公司 | 一种冷热电多能耦合系统解耦方法及装置 |
| CN113392591A (zh) * | 2021-07-12 | 2021-09-14 | 哈尔滨工程大学 | 一种基于硅微结构分析的mems加速度计温漂误差估计方法 |
Non-Patent Citations (5)
| Title |
|---|
| TING-LI CHIEN等: "Stability and Almost Disturbance Decoupling Analysis of Nonlinear System Subject to Feedback Linearization and Feedforward Neural Network Controller", 《IEEE TRANSACTIONS ON NEURAL NETWORKS》 * |
| 吴凤华等: "PCA-逐步回归模型在能耗评估指数中的应用及预测", 《中国能源》 * |
| 孙志超等: "车床主轴与进给轴耦合热误差建模及补偿研究", 《西安交通大学学报 》 * |
| 张小龙等: "车轮多分力传感器静态解耦方法", 《农业机械学报》 * |
| 龙海燕等: "中央空调系统的人工神经网络建模", 《辽东学院学报(自然科学版)》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN118035952A (zh) * | 2024-04-11 | 2024-05-14 | 云南电网有限责任公司 | 一种基于基尔霍夫定律回归模型的表箱识别方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114021454B (zh) | 2022-10-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Vettori et al. | Bayesian modeling of air pollution extremes using nested multivariate max‐stable processes | |
| CN110442911B (zh) | 一种基于统计机器学习的高维复杂系统不确定性分析方法 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| CN109347110B (zh) | 一种含高比例风电并网的自适应线性化概率潮流计算方法 | |
| CN114021454B (zh) | 一种电能表综合检定试验误差解耦方法及系统 | |
| Zaharieva et al. | Classical approach for forecasting temperature in residential premises part 1 | |
| Huang et al. | An experimental method to estimate running time of evolutionary algorithms for continuous optimization | |
| Ashrafi | Determining of spatial distribution patterns and temporal trends of an air pollutant using proper orthogonal decomposition basis functions | |
| CN113406558A (zh) | 基于线性回归的电表失准检测方法、装置及电子设备 | |
| Liu et al. | Research on data correction method of micro air quality detector based on combination of partial least squares and random forest regression | |
| Zhai et al. | A multivariate stochastic degradation model for dependent performance characteristics | |
| CN113673115B (zh) | 一种基于数字孪生的锂电池循环寿命预测及可靠性评估方法 | |
| Mandur et al. | A polynomial-chaos based algorithm for robust optimization in the presence of bayesian uncertainty | |
| Jing et al. | A systematic framework for battery performance estimation considering model and parameter uncertainties | |
| CN112149870B (zh) | 一种基于ISODATA聚类与Elman神经网络的猪舍氨气浓度组合预测方法 | |
| CN110991741B (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
| CN117607691A (zh) | 一种锂离子电池充电工作温度的跟踪检测方法及装置 | |
| Laktionov et al. | Information Model of the Computer-Integrated Technology for Wireless Monitoring of the State of Microclimate of Industrial Agricultural Greenhouses. | |
| CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
| CN115983329A (zh) | 空气质量及气象条件的预测方法、装置、设备及存储介质 | |
| CN115828441A (zh) | 基于条件生成对抗网络的风机出力场景生成和缩减方法 | |
| EP3955587A1 (en) | Machine learning device | |
| JP2005259170A (ja) | 非正規分布に従う乱数発生方法及びそのパラメータの推定方法 | |
| CN111797564A (zh) | 一种高维分布式光伏出力的相关性样本获取方法及系统 | |
| CN117436770B (zh) | 基于bim的建筑工程建设管理方法及系统 |
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 |