CN114399032B - 一种电能表计量误差预测方法及系统 - Google Patents

一种电能表计量误差预测方法及系统 Download PDF

Info

Publication number
CN114399032B
CN114399032B CN202210290579.4A CN202210290579A CN114399032B CN 114399032 B CN114399032 B CN 114399032B CN 202210290579 A CN202210290579 A CN 202210290579A CN 114399032 B CN114399032 B CN 114399032B
Authority
CN
China
Prior art keywords
error
neural network
sequence
tcn
historical
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.)
Active
Application number
CN202210290579.4A
Other languages
English (en)
Other versions
CN114399032A (zh
Inventor
张荣霞
代洁
何质质
秦昊
黄娟
方攀
陈超
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.)
Wuhan Gelanruo Intelligent Technology Co.,Ltd.
Original Assignee
Wuhan Glory Road Intelligent Technology 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 Wuhan Glory Road Intelligent Technology Co ltd filed Critical Wuhan Glory Road Intelligent Technology Co ltd
Priority to CN202210290579.4A priority Critical patent/CN114399032B/zh
Publication of CN114399032A publication Critical patent/CN114399032A/zh
Application granted granted Critical
Publication of CN114399032B publication Critical patent/CN114399032B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/045—Combinations of networks
    • 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
    • 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
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种电能表计量误差预测方法及系统，方法包括：获取电能表待预测时刻的环境参量数据和历史误差序列；将历史误差序列分解得到历史误差分量序列；将历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN‑RBF模型中，获取电能表待预测时刻的计量误差预测结果。本发明考虑到影响电能表计量误差的参量因素可分为具有时序特点的参量及具有非时序特点的参量，提出了TCN‑RBF模型，对时序参量采用具有自回归预测和超长期记忆特性的TCN神经网络进行预测，并将预测结果与具有非时序特点的参量采用RBF神经网络进行了进一步特征融合训练，提高了电能表计量误差预测的准确度。

Description

一种电能表计量误差预测方法及系统
技术领域
本发明涉及电力计量在线监测领域，更具体地，涉及一种电能表计量误差预测方法及系统。
背景技术
电能表作为法定计量器具，其计量准确性关系到经济效益和社会效益，对保证电网健康稳定运行具有重要作用。然而电能表在挂网运行的过程中，其计量性能因受环境温度、湿度等多种因素的联合影响，会逐渐发生性能退化、误差超差等现场，可能影响电能计量的准确性和电力交易的公平性，因此，电能表计量误差的状态分析及预测具有重要意义。
目前对电能表计量误差的研究主要集中在事后维修，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。如何预测电能表的误差变化趋势，以提前预警电能表可能出现的计量风险，是本研究的重点。
发明内容
本发明针对现有技术中存在的技术问题，提供一种电能表计量误差预测方法及系统，实现电能表计量误差的准确预测。
根据本发明的第一方面，提供了一种电能表计量误差预测方法，包括：
获取电能表待预测时刻的环境参量数据和历史误差序列；
基于所述历史误差序列，分解得到对应的历史误差分量序列；
将所述历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN-RBF模型中，获取电能表待预测时刻的计量误差预测结果；
其中，所述TCN-RBF模型包括TCN神经网络和RBF神经网络；
通过如下方式对TCN神经网络进行训练：
采集电能表历史误差序列和历史环境参量数据序列；
基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列；
基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络；
以及，
通过如下方式对RBF神经网络进行训练：
基于训练后的TCN神经网络获取电能表的第一计量误差预测结果；
将所述第一计量误差预测结果与待预测时刻的环境参量数据融合，对RBF神经网络进行训练，基于训练后的RBF神经网络获取电能表的第二计量误差预测结果，所述第二计量误差预测结果为电能表的最终计量误差预测结果。
根据本发明的第二方面，提供一种电能表计量误差预测系统，包括：
获取模块，用于获取电能表待预测时刻的环境参量数据和历史误差序列；
分解模块，用于基于所述历史误差序列，分解得到对应的历史误差分量序列；
预测模块，用于将所述历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN-RBF模型中，获取电能表待预测时刻的计量误差预测结果；
其中，所述TCN-RBF模型包括TCN神经网络和RBF神经网络；
还包括第一训练模块和第二训练模块，所述第一训练模块用于对TCN神经网络进行训练，所述第二训练模块，用于对RBF神经网络进行训练；
其中，所述第一训练模块用于对TCN神经网络进行训练，具体包括：
采集电能表历史误差序列和历史环境参量数据序列；
基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列；
基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络；
以及，
所述第二训练模块，用于对RBF神经网络进行训练，包括：
基于训练后的TCN神经网络获取电能表的第一计量误差预测结果；
将所述第一计量误差预测结果与待预测时刻的环境参量数据融合，对RBF神经网络进行训练，基于训练后的RBF神经网络获取电能表的第二计量误差预测结果，所述第二计量误差预测结果为电能表的最终计量误差预测结果。
根据本发明的第三方面，提供了一种电子设备，包括存储器、处理器，所述处理器用于执行存储器中存储的计算机管理类程序时实现电能表计量误差预测方法的步骤。
根据本发明的第四方面，提供了一种计算机可读存储介质，其上存储有计算机管理类程序，所述计算机管理类程序被处理器执行时实现电能表计量误差预测方法的步骤。
本发明提供的一种电能表计量误差预测方法及系统，考虑到影响电能表计量误差的参量因素可分为具有时序特点的参量及具有非时序特点的参量，提出了TCN-RBF神经网络模型，对时序参量采用具有自回归预测和超长期记忆特性的TCN模型进行预测，并将预测结果与具有非时序特点的参量采用RBF模型进行了进一步特征融合训练，提高了电能表计量误差预测的准确度。
附图说明
图1为电能表误差状态预测的总体思路流程示意图；
图2为本发明提供的一种电能表计量误差预测方法流程图；
图3为RBF神经网络拓扑图；
图4为本发明提供的一种电能表计量误差预测系统的结构示意图；
图5为本发明提供的一种可能的电子设备的硬件结构示意图；
图6为本发明提供的一种可能的计算机可读存储介质的硬件结构示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。
实施例一
一种电能表计量误差预测方法，主要包括：
获取电能表待预测时刻的环境参量数据和历史误差序列；
基于所述历史误差序列，分解得到对应的历史误差分量序列；
将所述历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN-RBF模型中，获取电能表待预测时刻的计量误差预测结果。
可以理解的是，电能表计量误差状态预测的总体思路可参见图1，本发明实施例的总体思路是通过采集电能表历史误差序列和历史环境参量数据（主要包括温度、湿度），通过历史误差序列分解得到对应的历史误差分量序列，采用TCN神经网络对具有时序特点的误差、误差分量进行训练，以学习序列数据中的潜在特征，并得到误差预测结果；将预测结果与具有非时序特点的环境特征参量（温度、湿度）进行特征融合，采用RBF神经网络进行训练，得到预测模型；利用训练好的预测模型，对电能表计量误差进行准确预测。
本发明考虑到影响电能表计量误差的参量因素可分为具有时序特点的参量及具有非时序特点的参量，提出了TCN-RBF神经网络模型，对时序参量采用具有自回归预测和超长期记忆特性的TCN模型进行预测，并将预测结果与具有非时序特点的参量采用RBF模型进行了进一步特征融合训练，提高了电能表计量误差预测的准确度。
实施例二
一种电能表计量误差预测方法，参见图2，该计量误差预测方法主要包括如下步骤：
S1，获取电能表的待预测时刻的环境参量数据和历史误差序列。
可以理解的是，电能表在运行过程中，随着外界自然环境和线路上电气量的变化，其误差状态会出现波动，根据以往的研究分析影响电能表计量误差的主要因素包括：温度、湿度。
采集电能表历史误差、历史温度、历史湿度数据，构成数据集[Error，Temp，Hum]，其中Error表示历史误差、Temp表示历史温度、Hum表示历史湿度。
在对待预测时刻电能表的计量误差进行预测时，需要获取电能表待预测时刻的环境参量数据和历史误差序列。
S2，基于所述历史误差序列，分解得到对应的历史误差分量序列。
可以理解的是，对于采集的历史误差序列，对其进行分解，得到对应的历史误差分量序列，以便后续对电能表的计量误差进行预测。
S3，将待预测时刻的历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN-RBF模型中，获取电能表待预测时刻的计量误差预测结果；其中，TCN-RBF模型包括TCN神经网络和RBF神经网络。
可以理解的是，在需要对待预测时刻的电能表的计量误差进行预测时，将待预测时刻的历史误差序列、对应的历史误差分量序列和环境参量数据输入TCN-RBF模型中，对电能表在待预测时刻的计量误差进行预测。
其中，TCN-RBF模型包括TCN神经网络和RBF神经网络，在利用TCN-RBF模型对电能表的计量误差进行预测之前，需要对TCN-RBF模型进行训练，也即对TCN神经网络和RBF神经网络进行训练。
在一个实施例中，通过如下方式对TCN神经网络进行训练：采集电能表历史误差序列和历史环境参量数据序列；基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列；基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络。
可以理解的是，在获取电能表待预测时刻的历史误差序列和历史环境参量数据后，采用集合经验模态分解（EEMD）对历史误差序列进行分解，得到多组历史误差分量序列。
具体步骤包括：
第一步：对经验模态分解EMD的执行总次数MaxIter和白噪声幅值系数k进行初始化，并给当前的执行次数m赋值为1；
第二步：执行第m次EMD：
a1、在原历史误差数据序列中加入白噪声
Figure 108831DEST_PATH_IMAGE001
，得到待处理的历史误差序列：
Figure 360821DEST_PATH_IMAGE002
；
式中，
Figure 854119DEST_PATH_IMAGE003
为加噪后的历史误差序列，
Figure 105715DEST_PATH_IMAGE004
为原历史误差序列，k为幅 值系数，
Figure 204121DEST_PATH_IMAGE005
为随机加的白噪声；
b1、通过EMD分解
Figure 128477DEST_PATH_IMAGE006
，得到D个IMF分量
Figure 312334DEST_PATH_IMAGE007
，
Figure 478873DEST_PATH_IMAGE007
表示第m次分解出来 的第j个IMF；
c1、当分解的次数m＜MaxIter（初始化执行的次数）时，m=m+1.返回第二步；
第三步：对MaxIter次分解的每个IMF计算平均值，所述平均值为EEMD分解后得到的IMF：
Figure 431786DEST_PATH_IMAGE008
；
原计量误差序列Error表示为：
Figure 25578DEST_PATH_IMAGE009
；
其中，Error（t）为原历史误差序列，
Figure 218703DEST_PATH_IMAGE010
表示原历史误差序列的第j个分量，R (t)表示残余分量。Error（t）分解后，得到D个
Figure 454513DEST_PATH_IMAGE010
分量和一个R(t)分量，共(D+1)个分 量。
基于电能表的历史误差序列及分解后对应的历史误差分量序列，采用时间卷积网络（TCN）对具有时序特点的特征量（误差数据、误差分量）进行模型建模与训练。
对于历史误差、历史误差分量、历史温度、历史湿度等采集的数据，数量单位和数量级都不同，为消除指标之间的量纲影响，对采集的数据进行归一化处理，归一化公式为：
Figure 793090DEST_PATH_IMAGE011
；
式中，
Figure 652724DEST_PATH_IMAGE012
表示第
Figure 76752DEST_PATH_IMAGE013
个参量的输出数据，
Figure 585094DEST_PATH_IMAGE014
为第
Figure 11134DEST_PATH_IMAGE013
个参量的输入数据的最大 值，
Figure 681149DEST_PATH_IMAGE015
为第
Figure 61315DEST_PATH_IMAGE013
个参量的输入数据的最小值。
数据归一化后的样本数据集A=[error,
Figure 842189DEST_PATH_IMAGE016
，temp，hum]，其中
Figure 624201DEST_PATH_IMAGE016
表示历史 误差序列的第v个分量归一化后的结果数据。
本发明实施例中，基于历史误差序列和对应的误差分量序列对TCN神经网络进行 训练，得到训练后的TCN神经网络，包括：基于历史误差序列和对应的误差分量序列，构成具 有时序特点的输入特征量序列x，其中，所述输入特征量序列x包括T个样本数据，且每个样 本数据包含D+2个特征量，历史误差分量序列含
Figure 730697DEST_PATH_IMAGE017
分量和残余分量R(t)；将所述输入特 征量序列x输入TCN神经网络中，通过TCN神经网络训练输出电能表的第一计量误差预测结 果；基于TCN神经网络输出的误差预测结果与真实计量误差之间的损失函数，调整TCN神经 网络的超参数，迭代训练，直到损失函数达到条件或者迭代次数达到最大迭代次数，得到最 优的超参数，获取训练后的TCN神经网络。
具体的，通过引入历史误差分量，并结合历史误差序列构成多误差输入特征量序列x，输入特征量序列x可表示为：
Figure 99624DEST_PATH_IMAGE018
；
其中，输入特征量序列x的样本数据量为T，
Figure 684189DEST_PATH_IMAGE019
、
Figure 320706DEST_PATH_IMAGE020
、
Figure 598104DEST_PATH_IMAGE021
分别为归一化后的 历史误差、第D个误差分量及残余分量。
为了防止出现大量样本数据一次性全部输入网络，而造成内存的爆炸的问题，对输入特征量序列x进行切分，得到L个输入特征量子序列，每次输入Z个特征量子序列进行TCN神经网络的训练。
所述的TCN神经网络是通过时序卷积块堆叠构建的，所述的时序卷积块是基于膨胀因果卷积和残差连接构建的，膨胀因果卷积是一种对输入序列进行跳步操作的卷积运算，计算公式为：
Figure 421703DEST_PATH_IMAGE022
；
式中，
Figure 75539DEST_PATH_IMAGE023
为输入特征量子序列，
Figure 65098DEST_PATH_IMAGE024
为对子序列中第t个元素的膨胀因果卷 积后的结果，
Figure 247818DEST_PATH_IMAGE025
表示第
Figure 89872DEST_PATH_IMAGE026
个滤波器，
Figure 281819DEST_PATH_IMAGE027
=0，……,k-1，k为滤波器数量，d为膨胀因子，d= {1，2，…,
Figure 627349DEST_PATH_IMAGE028
}，
Figure 512129DEST_PATH_IMAGE029
为时间卷积网络中的隐藏层层数，
Figure 77365DEST_PATH_IMAGE030
表示过去的方向。
通过残差块将输入特征量子序列
Figure 807423DEST_PATH_IMAGE031
与膨胀因果卷积后的结果
Figure 538619DEST_PATH_IMAGE032
相加，再通 过Relu激活函数后得到残差块输出o，计算公式如下：
Figure 328720DEST_PATH_IMAGE033
；
在经过TCN神经网络构建及训练后，得到输入特征量序列x的预测输出y。
Figure 879787DEST_PATH_IMAGE034
；
其中，U为输出的预测步长。
其中，TCN建模训练过程中，批处理大小Z和滤波器数量k作为TCN神经网络的超参数，参数值的设定会影响模型的优化程度和收敛速度。这里将采用优化的果蝇算法对TCN神经网络的超参数进行最佳寻优。将平均绝对误差MAE最小时的果蝇位置映射为TCN神经网络的批处理大小Z和滤波器数量k，对TCN神经网络超参数进行了进行最佳寻优。
TCN神经网络超参数的具体优化步骤为：
a2、参数初始化：初始化果蝇群体规模M；最大迭代次数N，随机选取果蝇群体的位 置
Figure 177651DEST_PATH_IMAGE035
和
Figure 497774DEST_PATH_IMAGE036
；
b2、计算果蝇个体利用嗅觉搜寻食物的随机方向与距离：
Figure 458777DEST_PATH_IMAGE037
；
其中，
Figure 497140DEST_PATH_IMAGE038
为搜索距离；
c2、估计各果蝇个体到原点的距离
Figure 834580DEST_PATH_IMAGE039
和其味道浓度判定值
Figure 776254DEST_PATH_IMAGE040
：
Figure 173737DEST_PATH_IMAGE041
；
d2、将浓度判定值
Figure 699396DEST_PATH_IMAGE040
代入味道浓度判定函数，求出各果蝇个体位置的味道浓度
Figure 574949DEST_PATH_IMAGE042
；
Figure 869664DEST_PATH_IMAGE043
；
设置电能表计量误差实际值和由TCN神经网络输出的预测结果之间的平均绝对误差MAE为味道浓度判定函数。
e2、找出果蝇群体中味道浓度最佳的果蝇，其为最优个体，并记录位置：
Figure 671004DEST_PATH_IMAGE044
；
其中，
Figure 683960DEST_PATH_IMAGE045
表示味道浓度最佳，
Figure 363203DEST_PATH_IMAGE046
为果蝇的位置；
f2、根据最佳味道浓度值和其位置，果蝇群体利用视觉向该位置飞去；
g2、进入迭代寻优，重复执行步骤b2～步骤e2,并判断最佳味道浓度是否优于前一次迭代味道浓度，当前迭代次数是否小于最大迭代次数N；若是,则执行步骤f2，否则, 结束算法。。
上述b2步骤，FOA算法中果蝇群体在进化中采用固定步长，制约算法的收敛和稳定 性能。本发明实施例针对上述FOA算法易陷入局部、收敛速度慢等问题提出了IFOA算法。通 过在寻优早期，通过增加搜索距离
Figure 246845DEST_PATH_IMAGE047
提高收敛速度，在寻优后期，通过减少搜索距离
Figure 720552DEST_PATH_IMAGE047
提高收敛精度。
具体在迭代过程中调整搜索距离的方法为，通过设置一个控制系数来选择步长的优化策略，控制系数为：
Figure 955224DEST_PATH_IMAGE048
；
其中，n为当前迭代次数、N为最大迭代次数，Min、Max为控制函数的相对最小值、最大值，这里分别设置为0.2，1。
改进步长优化策略：
Figure 939623DEST_PATH_IMAGE049
；
其中，r1为[0,1]内随机数，
Figure 677772DEST_PATH_IMAGE050
为非均匀变异因子，
Figure 853538DEST_PATH_IMAGE051
为初始步长，r2为[0,1]上 的随机数；
Figure 575506DEST_PATH_IMAGE052
为符号函数；
相应的，果蝇个体利用嗅觉搜寻食物的随机方向与距离为：
Figure 330973DEST_PATH_IMAGE053
；
基于果蝇算法，得到最佳味道浓度值及其对应的最佳位置参量
Figure 953322DEST_PATH_IMAGE054
， 将当前的果蝇位置映射得到批处理大小Z和滤波器数量k，得到TCN神经网络的最佳超参数。
通过迭代训练，得到TCN神经网络的最优超参数，即可得到训练后的TCN神经网络，将电能表待预测时刻的历史误差序列、历史误差分量序列输入训练后的TCN神经网络中，得到电能表待预测时刻的第一计量误差预测结果。
在一个实施例中，通过如下方式对RBF神经网络进行训练：基于训练后的TCN神经网络获取电能表的第一计量误差预测结果；将所述第一计量误差预测结果与待预测时刻的环境参量数据融合，对RBF神经网络进行训练，基于训练后的RBF神经网络获取电能表的第二计量误差预测结果，所述第二计量误差预测结果为电能表的最终计量误差预测结果。
RBF神经网络的结构可参见图3，RBF神经网络是一类三层前向神经网络，包括输入层、隐含层和输出层。
对于输入层，将TCN神经网络输出的第一计量误差预测结果与对应时刻的历史温度、历史湿度等不具有时序特点的特征融合，构成输入数据B，表示为：
Figure 34410DEST_PATH_IMAGE055
；
其中，p=1,2，…，U，U为预测步长。
因此RBF神经网络包含3个输入单元、q个隐含神经元以及1个输出单元。
对于隐含层，隐含层神经元核函数(作用函数)是高斯函数，对输入信息进行空间映射的变换。这里采用高斯核函数作为隐含神经元基函数：
Figure 243675DEST_PATH_IMAGE056
；
其中，
Figure 68411DEST_PATH_IMAGE057
，
Figure 46731DEST_PATH_IMAGE058
为高斯函数的中心向量；
Figure 800186DEST_PATH_IMAGE059
为 基函数的标准化常数，其中，隐含神经元的个数为q。
RBF神经网络输出层的表达式为：
Figure 231167DEST_PATH_IMAGE060
；
其中，
Figure 594016DEST_PATH_IMAGE061
为采用RBF神经网络得到的样本数据的电能表误差预测结果，其中p=1, 2，…，U，
Figure 958001DEST_PATH_IMAGE062
为
Figure 380892DEST_PATH_IMAGE063
的权重，
Figure 33590DEST_PATH_IMAGE064
为隐含层径向基函数的阈值。
在RBF神经网络训练过程中，采用的均方误差函数作为模型的损失函数：
Figure 698664DEST_PATH_IMAGE065
；
其中，U为预测样本数，
Figure 385998DEST_PATH_IMAGE066
为RBF神经网络输出预测误差，即电能表的最终计量误 差预测结果，
Figure 979790DEST_PATH_IMAGE067
为误差实际值。对电能表预测误差进行反归一化运算，得到电能表误差预 测值。
通过对RBF神经网络不断迭代训练，使得RBF神经网络的损失函数满足条件或者迭代训练的次数达到设定的最大迭代次数，此时，得到训练后的RBF神经网络。
通过上述方式对TCN神经网络和RBF神经网络训练后，两个神经网络组合构成TCN-RBF模型。
最后，将待预测时刻对应的历史误差序列、历史误差分量序列和环境参量数据输入TCN-RBF模型，得到相应时刻的电能表计量误差预测值。
本发明考虑到影响电能表计量误差的参量因素可分为具有时序特点的参量及具有非时序特点的参量，提出了TCN-RBF神经网络模型，对时序参量采用具有自回归预测和超长期记忆特性的TCN模型进行预测，并将预测结果与具有非时序特点的参量采用RBF模型进行了进一步特征融合训练，提高了电能表计量误差预测的准确度。
实施例三
一种电能表计量误差预测系统，参见图4，该计量误差预测系统包括获取模块401、分解模块402和预测模块405，其中：
获取模块401，用于获取电能表的待预测时刻的环境参量数据和历史误差序列；
分解模块402，用于基于所述历史误差序列，分解得到对应的历史误差分量序列；
预测模块405，用于将所述历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN-RBF模型中，获取电能表待预测时刻的计量误差预测结果。
其中，所述TCN-RBF模型包括TCN神经网络和RBF神经网络。
计量误差预测系统还包括第一训练模块403和第二训练模块404，所述第一训练模块403用于对TCN神经网络进行训练，所述第二训练模块404，用于对RBF神经网络进行训练。
其中，第一训练模块403用于对TCN神经网络进行训练，具体包括：采集电能表历史误差序列和历史环境参量数据序列；基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列；基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络；
第二训练模块404，用于对RBF神经网络进行训练，包括：基于训练后的TCN神经网络获取电能表的第一计量误差预测结果；将所述第一计量误差预测结果与待预测时刻的环境参量数据融合，对RBF神经网络进行训练，基于训练后的RBF神经网络获取电能表的第二计量误差预测结果，所述第二计量误差预测结果为电能表的最终计量误差预测结果。
可以理解的是，本发明提供的一种电能表计量误差预测系统与前述各实施例提供的电能表计量误差预测方法相对应，电能表计量误差预测系统的相关技术特征可参考电能表计量误差预测方法的相关技术特征，在此不再赘述。
实施例四
请参阅图5，图5为本发明实施例提供的电子设备的实施例示意图。如图5所示，本发明实施例提了一种电子设备500，包括存储器510、处理器520及存储在存储器510上并可在处理器520上运行的计算机程序511，处理器520执行计算机程序511时实现实施例一或实施例二的电能表计量误差预测方法的步骤。
实施例五
请参阅图6，图6为本发明提供的一种计算机可读存储介质的实施例示意图。如图6所示，本实施例提供了一种计算机可读存储介质600，其上存储有计算机程序611，该计算机程序611被处理器执行时实现实施例一或实施例二的电能表计量误差预测方法的步骤。
本发明实施例提供的一种电能表计量误差预测方法及系统，与现有技术相比，具有以下优点：
(1)采用了TCN-RBF神经网络模型对电能表计量误差进行预测，通过混合模型提高了预测的准确性；
(2)对历史计量误差序列进行了EEMD分解，获得了历史误差分量。通过对原有误差信号中潜在规律进行深度挖掘，提高了模型预测准确性。
(3)采用改进的果蝇算法对TCN神经网络中的超参数进行了寻优，提高了模型计算效率及准确性。
需要说明的是，在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详细描述的部分，可以参见其它实施例的相关描述。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明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，本发明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。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和/或方框图来描述。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、嵌入式计算机或者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。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包括这些改动和变型在内。

Claims (9)

1.一种电能表计量误差预测方法，其特征在于，包括：
获取电能表待预测时刻的环境参量数据和历史误差序列；
基于所述历史误差序列，分解得到对应的历史误差分量序列；
将所述历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN-RBF模型中，获取电能表待预测时刻的计量误差预测结果；
其中，所述TCN-RBF模型包括TCN神经网络和RBF神经网络；
通过如下方式对TCN神经网络进行训练：
采集电能表历史误差序列和历史环境参量数据序列；
基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列；
基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络；
以及，
通过如下方式对RBF神经网络进行训练：
基于训练后的TCN神经网络获取电能表的第一计量误差预测结果；
将所述第一计量误差预测结果与待预测时刻的环境参量数据融合，对RBF神经网络进行训练，基于训练后的RBF神经网络获取电能表的第二计量误差预测结果，所述第二计量误差预测结果为电能表的最终计量误差预测结果。
2.根据权利要求1所述的电能表计量误差预测方法，其特征在于，所述基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列，包括：
第一步：对经验模态分解EMD的执行总次数MaxIter和白噪声幅值系数k进行初始化，并给当前的执行次数m赋值为1；
第二步：执行第m次EMD：
a1、在原历史误差序列中加入白噪声
Figure 548308DEST_PATH_IMAGE001
，得到待处理的历史误差序列：
Figure 661758DEST_PATH_IMAGE002
；
式中，
Figure 586989DEST_PATH_IMAGE003
为加噪后的历史误差序列，
Figure 624346DEST_PATH_IMAGE004
为原历史误差序列，k为幅值系数，
Figure 685843DEST_PATH_IMAGE005
为随机加的白噪声；
b1、通过EMD分解
Figure 970194DEST_PATH_IMAGE003
，得到D个IMF分量
Figure 382720DEST_PATH_IMAGE006
，
Figure 473036DEST_PATH_IMAGE007
表示第m次分解出来的第j个IMF；
c1、当分解的次数m＜MaxIter时，m=m+1，返回第二步；
第三步：对MaxIter次分解的每个IMF计算平均值，所述平均值为EEMD分解后得到的IMF：
Figure 654619DEST_PATH_IMAGE008
；
原计量误差序列Error表示为：
Figure 844292DEST_PATH_IMAGE009
；
其中，Error（t）为原误差序列，
Figure 744114DEST_PATH_IMAGE010
表示原误差序列的第j个分量，R(t)表示残余分量。
3.根据权利要求2所述的计量误差预测方法，其特征在于，所述基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络，包括：
基于历史误差序列和对应的历史误差分量序列，构成具有时序特点的输入特征量序列x，其中，所述输入特征量序列x包括T个样本数据，且每个样本数据包含D+2个特征量，所述的历史误差分量序列含
Figure 123274DEST_PATH_IMAGE011
分量和残余分量R(t)；
将所述输入特征量序列x输入TCN神经网络中，通过TCN神经网络训练输出电能表的第一计量误差预测结果；
基于TCN神经网络输出的误差预测结果与真实计量误差之间的损失函数，调整TCN神经网络的超参数，迭代训练，直到损失函数达到条件或者迭代次数达到最大迭代次数，得到最优的超参数，获取训练后的TCN神经网络。
4.根据权利要求3所述的计量误差预测方法，其特征在于，所述输入特征量序列x为：
Figure 424943DEST_PATH_IMAGE012
；
其中，输入特征量序列x的样本数据量为T，
Figure 785517DEST_PATH_IMAGE013
、
Figure 234953DEST_PATH_IMAGE014
、
Figure 604754DEST_PATH_IMAGE015
分别为归一化后的历史误差、第D个误差分量及残余分量；
相应的，将所述输入特征量序列x，输入TCN神经网络中，通过TCN神经网络训练输出电能表的第一计量误差预测结果y，包括：
将所述输入特征量序列x切分为L个输入特征量子序列，一次选取其中的Z个输入特征量子序列进行TCN神经网络训练；
基于多次迭代训练后，TCN神经网络输出所述输入特征量序列x对应的电能表的第一计量误差预测结果y：
Figure 495350DEST_PATH_IMAGE016
；
其中，U为输出的预测步长。
5.根据权利要求4所述的计量误差预测方法，其特征在于，所述TCN神经网络的超参数包括批处理大小Z和滤波器数量kp，所述批处理大小Z即特征量子序列的数量；
将果蝇的初始位置映射为TCN神经网络的批处理大小Z和滤波器数量kp，对TCN神经网络的超参数进行了最佳寻优，获取TCN神经网络的最优超参数。
6.根据权利要求5所述的计量误差预测方法，其特征在于，所述将果蝇的初始位置映射为TCN神经网络的批处理大小Z和滤波器数量kp，对TCN神经网络的超参数进行了最佳寻优，获取TCN神经网络的最优超参数，包括：
a2、参数初始化：初始化果蝇群体规模M；最大迭代次数N，随机选取果蝇群体的位置
Figure 292405DEST_PATH_IMAGE017
和
Figure 714290DEST_PATH_IMAGE018
；
b2、计算果蝇个体利用嗅觉搜寻食物的随机方向与距离：
Figure 887782DEST_PATH_IMAGE019
；
其中，
Figure 898463DEST_PATH_IMAGE020
为搜索距离；
c2、估计各果蝇个体到原点的距离
Figure 866419DEST_PATH_IMAGE021
和其味道浓度判定值
Figure 24868DEST_PATH_IMAGE022
：
Figure 736472DEST_PATH_IMAGE023
；
d2、将浓度判定值
Figure 601660DEST_PATH_IMAGE022
代入味道浓度判定函数,求出各果蝇个体位置的味道浓度
Figure 740517DEST_PATH_IMAGE024
；
Figure 136995DEST_PATH_IMAGE025
；
设置电能表计量误差的实际值和由TCN神经网络输出的误差预测结果之间的平均绝对误差MAE为味道浓度判定函数；
e2、找出果蝇群体中味道浓度最佳的果蝇，其为最优个体，并记录位置：
Figure 386711DEST_PATH_IMAGE026
；
其中，
Figure 371984DEST_PATH_IMAGE027
表示味道浓度最佳，
Figure 681743DEST_PATH_IMAGE028
为果蝇的位置；
f2、根据最佳味道浓度值和其位置，果蝇群体利用视觉向该位置飞去；
g2、进入迭代寻优，重复执行步骤b2～步骤e2，并判断最佳味道浓度是否优于前一次迭代味道浓度，当前迭代次数是否小于最大迭代次数N；若是，则执行步骤f2，否则, 结束算法。
7.根据权利要求6所述的计量误差预测方法，其特征在于，在迭代过程中，还包括调整搜索距离：
通过设置一个控制系数来选择步长的优化策略，控制系数为：
Figure 814784DEST_PATH_IMAGE029
；
其中，n为当前迭代次数、N为最大迭代次数，Min、Max为控制函数的相对最小值、最大值，这里分别设置为0.2，1；
改进步长优化策略：
Figure 868191DEST_PATH_IMAGE030
；
其中，r1为[0,1]内随机数，
Figure 707971DEST_PATH_IMAGE031
为非均匀变异因子，
Figure 188630DEST_PATH_IMAGE032
为初始步长，r2为[0,1]上的随机数；sgn（·）为符号函数；
相应的，果蝇个体利用嗅觉搜寻食物的随机方向与距离为：
Figure 294121DEST_PATH_IMAGE033
；
基于果蝇算法，得到最佳味道浓度值及其对应的最佳位置参量
Figure 151218DEST_PATH_IMAGE034
，将当前的果蝇位置映射得到批处理大小Z和滤波器数量k，得到TCN神经网络的最佳超参数。
8.根据权利要求1所述的计量误差预测方法，其特征在于，将所述第一计量误差预测结果与对应时刻的环境参量数据融合，对RBF神经网络进行训练，包括：
将所述TCN神经网络输出的每一个时刻的电能表的第一计量误差预测结果与对应时刻的历史环境参量数据进行特征融合，构成所述RBF神经网络的输入向量B：
Figure 845505DEST_PATH_IMAGE035
；
其中，p=1,2，…，U，U为预测步长，
Figure 497066DEST_PATH_IMAGE036
为预测步长p时刻的第一计量误差预测结果，
Figure 604699DEST_PATH_IMAGE037
为预测步长p时刻的历史温度，
Figure 999909DEST_PATH_IMAGE038
为预测步长p时刻的历史湿度；
采用高斯核函数作为隐含神经元基函数对输入数据向量B进行空间映射变换：
Figure 548702DEST_PATH_IMAGE039
；
其中，
Figure 636743DEST_PATH_IMAGE040
，
Figure 716826DEST_PATH_IMAGE041
为高斯函数的中心向量；
Figure 915726DEST_PATH_IMAGE042
为基函数的标准化常数，其中，隐含神经元的个数为q；
Figure 319026DEST_PATH_IMAGE043
；
其中，
Figure 577969DEST_PATH_IMAGE044
为采用RBF神经网络得到的电能表误差预测结果，其中p=1,2，…，U，
Figure 394615DEST_PATH_IMAGE045
为
Figure 131627DEST_PATH_IMAGE046
的权重，
Figure 655012DEST_PATH_IMAGE047
为隐含层径向基函数的阈值；
在RBF神经网络训练过程中，采用均方误差函数作为损失函数：
Figure 84856DEST_PATH_IMAGE048
；
其中，U为预测步长，
Figure 873952DEST_PATH_IMAGE049
为RBF神经网络输出的预测误差，
Figure 414655DEST_PATH_IMAGE050
为计量误差实际值。
9.一种基于TCN-RBF模型的电能表计量误差预测系统，其特征在于，包括：
获取模块，用于获取电能表待预测时刻的环境参量数据和历史误差序列；
分解模块，用于基于所述历史误差序列，分解得到对应的历史误差分量序列；
预测模块，用于将所述历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN-RBF模型中，获取电能表待预测时刻的计量误差预测结果；
其中，所述TCN-RBF模型包括TCN神经网络和RBF神经网络；
还包括第一训练模块和第二训练模块，所述第一训练模块用于对TCN神经网络进行训练，所述第二训练模块，用于对RBF神经网络进行训练；
其中，所述第一训练模块用于对TCN神经网络进行训练，具体包括：
采集电能表历史误差序列和历史环境参量数据序列；
基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列；
基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络；
以及，
所述第二训练模块，用于对RBF神经网络进行训练，包括：
基于训练后的TCN神经网络获取电能表的第一计量误差预测结果；
将所述第一计量误差预测结果与待预测时刻的环境参量数据融合，对RBF神经网络进行训练，基于训练后的RBF神经网络获取电能表的第二计量误差预测结果，所述第二计量误差预测结果为电能表的最终计量误差预测结果。
CN202210290579.4A 2022-03-23 2022-03-23 一种电能表计量误差预测方法及系统 Active CN114399032B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210290579.4A CN114399032B (zh) 2022-03-23 2022-03-23 一种电能表计量误差预测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210290579.4A CN114399032B (zh) 2022-03-23 2022-03-23 一种电能表计量误差预测方法及系统

Publications (2)

Publication Number Publication Date
CN114399032A CN114399032A (zh) 2022-04-26
CN114399032B true CN114399032B (zh) 2022-06-21

Family

ID=81234938

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210290579.4A Active CN114399032B (zh) 2022-03-23 2022-03-23 一种电能表计量误差预测方法及系统

Country Status (1)

Country Link
CN (1) CN114399032B (zh)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115841278B (zh) * 2023-01-03 2023-07-18 国网福建省电力有限公司 电能计量装置运行误差状态评价方法、系统、设备及介质
CN116485049B (zh) * 2023-06-25 2024-04-19 陕西银河电力仪表股份有限公司 一种基于人工智能的电能计量误差预测与优化系统
CN117073728B (zh) * 2023-10-17 2024-01-23 天津易泰炬业科技有限公司 一种柔性电容式触觉传感器
CN117131926A (zh) * 2023-10-24 2023-11-28 山东计保电气有限公司 一种基于数据存储的电能计量误差分析方法
CN117151932B (zh) * 2023-10-27 2024-01-12 武汉纺织大学 一种非平稳输出的电流互感器误差状态预测方法和系统
CN117312806B (zh) * 2023-11-29 2024-03-01 佳源科技股份有限公司 复杂环境下电能表计量误差预测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204495865U (zh) * 2015-02-04 2015-07-22 北京纵横机电技术开发公司 一种电能计量装置
CN113554466A (zh) * 2021-07-26 2021-10-26 国网四川省电力公司电力科学研究院 一种短期用电量预测模型构建方法、预测方法和装置

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11645745B2 (en) * 2019-02-15 2023-05-09 Surgical Safety Technologies Inc. System and method for adverse event detection or severity estimation from surgical data
CN112734137B (zh) * 2021-01-27 2022-12-16 国网电力科学研究院武汉能效测评有限公司 基于智能电表数据的短期楼宇电力负荷预测方法及系统
CN113205226B (zh) * 2021-05-28 2022-10-14 河北工业大学 一种结合注意力机制以及误差修正的光伏功率预测方法
CN113777552B (zh) * 2021-11-09 2022-03-11 武汉格蓝若智能技术有限公司 一种电容式电压互感器计量误差的预测方法及系统
CN113837503B (zh) * 2021-11-29 2022-03-29 新风光电子科技股份有限公司 基于人工智能的电网负荷预测方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN204495865U (zh) * 2015-02-04 2015-07-22 北京纵横机电技术开发公司 一种电能计量装置
CN113554466A (zh) * 2021-07-26 2021-10-26 国网四川省电力公司电力科学研究院 一种短期用电量预测模型构建方法、预测方法和装置

Also Published As

Publication number Publication date
CN114399032A (zh) 2022-04-26

Similar Documents

Publication Publication Date Title
CN114399032B (zh) 一种电能表计量误差预测方法及系统
Fernández-Riverola et al. Employing tsk fuzzy models to automate the revision stage of a cbr system
CN111860982A (zh) 一种基于vmd-fcm-gru的风电场短期风电功率预测方法
CN111563706A (zh) 一种基于lstm网络的多变量物流货运量预测方法
CN110674965A (zh) 基于动态特征选取的多时间步长风功率预测方法
CN111461463A (zh) 一种基于tcn-bp的短期负荷预测方法、系统及设备
CN111382906A (zh) 一种电力负荷预测方法、系统、设备和计算机可读存储介质
Wen et al. Robust least squares support vector machine based on recursive outlier elimination
Yu et al. Control chart recognition based on the parallel model of CNN and LSTM with GA optimization
Orang et al. Time series forecasting using fuzzy cognitive maps: a survey
CN116542382A (zh) 基于混合优化算法的污水处理溶解氧浓度预测方法
CN113380340B (zh) 飞灰浓度预测模型的训练方法、装置、计算机设备
CN113128666A (zh) 基于Mo-S-LSTMs模型的时间序列多步预测方法
CN116303786B (zh) 一种基于多维数据融合算法的区块链金融大数据管理系统
Wu et al. A forecasting model based support vector machine and particle swarm optimization
CN110109005B (zh) 一种基于序贯测试的模拟电路故障测试方法
Han et al. Filter transfer learning algorithm for missing data imputation in wastewater treatment process
Li et al. Gated recurrent unit networks for remaining useful life prediction
Heng et al. A hybrid forecasting model based on empirical mode decomposition and the cuckoo search algorithm: a case study for power load
CN115713144A (zh) 基于组合cgru模型的短期风速多步预测方法
CN113191526A (zh) 一种基于随机敏感度的短期风速区间多目标优化预测方法及系统
Marcek Some statistical and CI models to predict chaotic high-frequency financial data
CN112651168B (zh) 基于改进神经网络算法的建设用地面积预测方法
Benala et al. Software effort estimation using functional link neural networks optimized by improved particle swarm optimization
CN117422127A (zh) 一种基于样本质量评估的离线强化学习方法和装置

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
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee after: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Address before: Room 1803-1805, building 2-07, guanggu.core center, 303 Guanggu Avenue, Donghu New Technology Development Zone, Wuhan City, Hubei Province, 430000

Patentee before: WUHAN GLORY ROAD INTELLIGENT TECHNOLOGY Co.,Ltd.

PE01 Entry into force of the registration of the contract for pledge of patent right
PE01 Entry into force of the registration of the contract for pledge of patent right

Denomination of invention: A Method and System for Predicting Metering Error of Electric Energy Meter

Effective date of registration: 20221230

Granted publication date: 20220621

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404

PC01 Cancellation of the registration of the contract for pledge of patent right
PC01 Cancellation of the registration of the contract for pledge of patent right

Granted publication date: 20220621

Pledgee: Bank of China Limited Wuhan Donghu New Technology Development Zone Branch

Pledgor: Wuhan Gelanruo Intelligent Technology Co.,Ltd.

Registration number: Y2022420000404