CN115600414B - 一种基于ai算法的电能表运行误差求解方法及装置 - Google Patents
一种基于ai算法的电能表运行误差求解方法及装置 Download PDFInfo
- Publication number
- CN115600414B CN115600414B CN202211304062.2A CN202211304062A CN115600414B CN 115600414 B CN115600414 B CN 115600414B CN 202211304062 A CN202211304062 A CN 202211304062A CN 115600414 B CN115600414 B CN 115600414B
- Authority
- CN
- China
- Prior art keywords
- metering
- model
- power supply
- line loss
- daily power
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 34
- 230000002068 genetic effect Effects 0.000 claims abstract description 18
- 238000012549 training Methods 0.000 claims abstract description 15
- 238000012887 quadratic function Methods 0.000 claims abstract description 10
- 230000005611 electricity Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 8
- 108090000623 proteins and genes Proteins 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 7
- 230000008014 freezing Effects 0.000 claims description 5
- 238000007710 freezing Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 4
- 230000002354 daily effect Effects 0.000 description 32
- 238000011156 evaluation Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000013178 mathematical model Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000012821 model calculation Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010200 validation analysis Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000012888 cubic function Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004088 simulation 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
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Genetics & Genomics (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Physiology (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Computing Systems (AREA)
- Geometry (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于AI算法的电能表运行误差求解方法及装置，包括：根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型；根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型；基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，根据所述线损系数项，对所述模型进行求解，将获得的模型求解结果，作为电能表运行误差值。解决现有台区电能表的日供电量计量模型，计算量大，电能表的运行误差估计不准确的问题。
Description
技术领域
本发明涉及电能表大数据分析技术领域，更具体的，涉及一种基于AI算法的电能表运行误差求解方法及装置。
背景技术
随着用电信息采集系统的自动采集方式取代传统的人工抄表方式，智能电能表的在线分析方法已经成为一种新的对智能电能表的运行质量进行评价与监测的手段。根据《国家电网有限公司关于推进智能电能表状态评价与更换工作的意见》(国家电网营销[2019]217号)，现在各个网省已建立起智能电能表状态评价与更换工作体系，已经在大部分台区基本实现了对智能电能表的远程实时监控，这个监控方法是基于专利[1]的数学模型。已公开的专利[2]的数学模型是在专利[1]的基础上，利用基尔霍夫定律，对台区的线路损耗项进行了精细表达，进而使得对电能表的运行误差估计更加准确。
专利[1]中提出了一种智能电能表运行误差运行诊断分析方法和系统，通过大数据技术以台区为单位研究计算台区下各个智能电能表的运行误差，其模型中的线路损耗项表达为供电量的一次函数。已公开专利[2]中提出了一种基于用电采集数据确定低压台区的损耗的方法及系统，其对专利[1]模型中的线路损耗项进行了改进，将线路损耗表达为用户用电量的二次函数。专利[2]中针对线路损耗项的表达式更加贴近物理事实，但其大大增加了模型中的未知量个数，在现有的数据规模及数据质量下，这给模型的求解带来了很大困难。
具体说来，专利[2]中以能量守恒定律为基础，利用基尔霍夫定律得到的线路损耗与用户用电量是二次函数关系，其最终建立的模型方程为
其中，y(i)为台区总表第i天的供电量计量值，即等号左边表示总表供电量；φj(i)为计量点j在第i天的日冻结用电量，εj为计量点j的相对误差，p为计量点总个数，即等号右边第一项为各计量点实际用电量之和；φj(im)、Uj(im)、
分别为计量点j在第i天的第m个采样时间段t(im)(通常为15分钟)的用电量计量值、电压和功率因数，αjk为计量点j和计量点k之间公共支路的等效电阻，qi为第j天的采样点总数(通常为96点)，即等号右边第二项为台区线路损耗；第三项ε0为台区固定损耗。
专利[2]中只给出了误差模型的数学表达式(1)，通过对表达式(1)的分析可知，此模型的未知量个数较多，为
个，p为台区计量点总个数。这个数量是很大的，比如对于有100户的台区，则有5151个未知量，模型此时通常为欠定方程组(即未知量多而方程个数少)。台区规模越大，该模型越不可能直接求解。这个问题是一个NP问题(Nondeterministic Polynominal，非确定性多项式)。
观察表达式(1)，其等号右侧第二项中，εj、εk、αjk均为未知量，若直接求解，则第二项为未知量的三次函数，求解困难。
之前对于模型求解结果准确与否的验证只能基于现场核查结果，耗时较长。当然，现场验证必然是模型工程应用验证的最终手段。但是在现场验证之前，如果能通过合理的评价函数给出模型求解结果的合理验证方法，无疑可以预先给计算结果一个合理验证，而准确的计算结果也可以降低现场工作量。
上述三个问题在专利[2]中都未给出解决方法。
在工程化应用中，专利[2]中的数学模型中含有大量的未知量，在现有的数据规模及数据质量下，直接求解模型并不可行。另外，在以往的工作中，是通过现场核查反馈的核查结果对模型计算结果进行评价。如何求解专利[2]中的数学模型，如何针对不同的台区适配合理的参数，并且如何通过合理的评价函数对模型的求解结果进行评价，在工程应用中是亟需解决的问题。这就是本发明要解决的问题。
发明内容
为解决上述问题，本发明提供一种基于AI算法的电能表运行误差求解方法，包括：
根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型；
根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型；
基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，根据所述线损系数项，对所述模型进行求解，将获得的模型求解结果，作为电能表运行误差值。
进一步的，根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型，所述日供电量计量模型，具体为：
其中，y(i)为台区总表第i天的供电量计量值；φj(i)为计量点j在第i天的日冻结用电量，εj为计量点j的相对误差，p为计量点总个数；φj(im)、Uj(im)、
分别为计量点j在第i天的第m个采样时间段t(im)的用电量计量值、电压和功率因数，αjk为计量点j和计量点k之间公共支路的等效电阻，qi为第i天的采样点总数；第三项ε0为台区固定损耗。
进一步的，根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型，包括：
εj、εk、αjk均为待定常数，则可以令
βjk(1-εj)(1-εk)αjk，
所述日供电量计量模型，可简化为：
βjk为线损系数。
进一步的，基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，包括：
对所述日供电量计量简化模型进行初始化，设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；
计算群体P(t)中各个个体的适应度；
通过二元锦标赛法确定保留到下一代群体中的候选个体；
对选择运算产生的候选个体随机进行两两交叉形成新的候选个体；
对交叉运算产生的候选个体的基因进行等位替换，形成新的候选个体；
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；
重复上述步骤直到t＝T,则以进化过程中通过适应度定义方法所得到的具有最大适应度个体作为最优解输出，终止计算，完成所述日供电量计量简化模型的训练，获得不同台区的线损系数项。
进一步的，所述适应度定义方法，包括：
在原始数据上求解一组运行误差值Eo,并以此组误差值作为基准值；
将原始数据中任意一个或多个计量点的用电量扩大Em倍(Em>0)，此时模拟的数据称为盲样数据；
在盲样数据上求解得到一组新的运行误差值En；
记前后数据所得结果Eo与En的MAE值为
MAE＝|Eo-En|/p
p为台区计量点总数。
本发明同时提供一种基于AI算法的电能表运行误差求解装置，包括：
模型建立单元，用于根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型；
简化模型获得单元，用于根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型；
求解单元，用于基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，根据所述线损系数项，对所述模型进行求解，将获得的模型求解结果，作为电能表运行误差值。
本发明公开了一种基于AI算法的电能表运行误差求解方法及装置，包解决现有台区电能表的日供电量计量模型，计算量大，电能表的运行误差估计不准确的问题。
附图说明
图1是本发明实施例提供的一种基于AI算法的电能表运行误差求解方法的流程示意图；
图2是本发明实施例涉及的遗传算法的求解流程图；
图3是本发明实施例提供的一种基于AI算法的电能表运行误差求解装置的结构示意图。
具体实施方式
在下面的描述中阐述了很多具体细节以便于充分理解本发明。但是本发明能够以很多不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施的限制。
图1是本发明实施例提供的一种基于AI算法的电能表运行误差求解方法的流程示意图，下面结合图1对本发明提供的方法进行详细说明。
步骤S101，根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型。
所述日供电量计量模型，具体为：
其中，y(i)为台区总表第i天的供电量计量值；φj(i)为计量点j在第i天的日冻结用电量，εj为计量点j的相对误差，p为计量点总个数；φj(im)、Uj(im)、
分别为计量点j在第i天的第m个采样时间段t(im)的用电量计量值、电压和功率因数，αjk为计量点j和计量点k之间公共支路的等效电阻，qi为第i天的采样点总数；第三项ε0为台区固定损耗。
步骤S102，根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型。
表达式(1)等号右侧的第二项中，εj、εk、αjk均为待定常数，则可以令
βjk＝(1-εj)(1-εk)αjk，
所述日供电量计量模型，可简化为：
βjk为线损系数。求解模型(1)即转化为求解模型(2)。这种方法可以解决专利[2]中的缺点2。
先来分析线损系数βjk的性质。因为αjk表示从台区总表到计量点j和计量点k的线路公共部分的等效电阻，它满足如下性质：
①每个用户分表对应的线路电阻值必定大于0，即对任意的计量点j，αjj>0；
②对任两个不同用户对应的等效电阻值(称作交叉等效电阻值)必定大于或等于0，即对任意的j≠k，αjk≥0；
③计量点j和计量点k没有公共线路当且仅当αjk＝0。
基于如下物理事实：接线在总表不同相位上的电表之间没有公共线路；接线在总表出发的不同分支上的电表之间没有公共线路；为使得总表的三相不平衡度较低，用户分表的相位分配较为均匀，用户分表的分支分配也较为均匀。可知，在数量众多的交叉等效电阻值αjk中，有大量的值为0，进而有很多交叉线损系数βjk的值为0。接下来通过AI算法来说明如何确定哪些交叉线损系数项βjk非零(因为上述性质①，即βjj项一定出现在模型的方程组中，故只需确定非零的交叉线损系数项即可)。
步骤S103，基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，根据所述线损系数项，对所述模型进行求解，将获得的模型求解结果，作为电能表运行误差值。
本发明主要是利用遗传算法基于无标注数据进行训练求解模型(2)，通过对遗传算法中的适应度进行合理定义，对不同台区的线损系数βjk进行合理适配。这里的无标注数据是指，通过增大(或减小)某个(或某些)计量点的电量来模拟计量点超差(这些计量点称为盲样点)。这种方法可以解决专利[2]中的缺点3。具体说来，假设某个台区计量点总个数为p，数据采集周期为N天，且每天已采集到高频的96点数据(即每15分钟一个数据点)。基于遗传算法的模型训练方法如下：
1、对所述日供电量计量简化模型进行初始化，设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)，(称为初代种群)，这里的每个个体分别指代一组由0和1组成的长度为
的序列，序列上对应基因为1的位置表明该线损系数项在方程组中保留，序列上对应基因为0的位置表明该线损系数项不出现在方程组中；
2、计算群体P(t)中各个个体的适应度，这里的适应度是指在该个体对应的方程组上，基于无标注数据得到此时对应模型下的求解结果的MAE(Mean Absolute Error)值(MAE求解方法见说明A)，MAE值越小对应的个体的适应度越高；
3、选择运算:通过二元锦标赛法(二元锦标赛法见说明B)确定保留到下一代群体中的候选个体；
4、交叉运算:对选择运算产生的候选个体随机进行两两交叉(通过均匀交叉的方法，将两个配对个体的基因以相同的交叉概率进行交换)形成新的候选个体；
5、变异运算:对交叉运算产生的候选个体的基因进行等位替换(通过均匀变异的方法，将每个基因以均匀分布的概率进行变异)，形成新的候选个体；
6、群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；
7、重复步骤2-6直到t＝T,则以进化过程中所得到的具有最大适应度个体作为最优解(即最小MAE值下对应的那组线损系数)输出，终止计算。完成所述日供电量计量简化模型的训练，获得不同台区的线损系数项。
上述遗传算法步骤中适应度的定义基于无标注数据训练，具体步骤如下：
步骤A.1计算误差基准值Eo：在原始数据上求解一组运行误差值Eo,并以此组误差值作为基准值；
步骤A.2模拟盲样数据：将原始数据中某个(或某些)计量点的用电量扩大Em倍(Em>0)，此时模拟的数据称为盲样数据；
步骤A.3计算盲样数据误差值En：在盲样数据上求解得到一组新的运行误差值En；
步骤A.4评价结果的MAE值：记前后数据所得结果Eo与En的MAE值为
MAE＝|Eo-En|/p
p为台区计量点总数。
遗传算法中的锦标赛选择策略是每次从种群中取出一定数量个体(放回抽样)，选择其中最好的一个进入子代种群。重复该操作，直到新的种群规模达到原来的种群规模。二元锦标赛的具体操作步骤如下：
步骤B.1从种群中随机选择2个个体(每个个体被选择的概率相同)，根据每个个体的适应度值，选择其中适应度值最好的个体；
步骤B.2重复步骤B.1多次(重复次数为种群的大小M)。
综上，本发明涉及的遗传算法的求解流程如图2所示。
基于同一发明构思，本发明同时提供一种基于AI算法的电能表运行误差求解装置300，如图3所示，包括：
模型建立单元310，用于根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型；
简化模型获得单元320，用于根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型；
求解单元330，用于基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，根据所述线损系数项，对所述模型进行求解，将获得的模型求解结果，作为电能表运行误差值。
本发明方案从专利[2]中更加贴近物理现实的模型表达式出发，分析模型求解的难点，创造性地提出以AI分析的手段解决专利[2]中的NP问题：基于无标注数据训练，通过遗传算法得到针对不同台区的线损系数，使得模型计算成为可能，并给出计算结果的合理评价，增加了模型计算结果的可靠性，进而大大降低了现场核查的工作量。另外，遗传算法区别于传统算法，它可以从串集开始搜索，算法本身易于实现并行化，覆盖面大，有利于全局择优；并且遗传算法仅用适应度函数值来评估个体，适应度函数不受连续可微的约束，顺利解决求解专利[2]中的NP问题。
最后应该说明的是：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范围当中。
Claims (3)
1.一种基于AI算法的电能表运行误差求解方法，其特征在于，包括：
根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型，所述日供电量计量模型，具体为：
其中，y(i)为台区总表第i天的供电量计量值；φj(i)为计量点j在第i天的日冻结用电量，εj为计量点j的相对误差，p为计量点总个数；φj(im)、Uj(im)、分别为计量点j在第i天的第m个采样时间段t(im)的用电量计量值、电压和功率因数，αjk为计量点j和计量点k之间公共支路的等效电阻，qi为第i天的采样点总数；第三项ε0为台区固定损耗；
根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型，包括：εj、εk、αjk均为待定常数，则可以令
βjk＝(1-εj)(1-εk)αjk,
所述日供电量计量模型，可简化为：
βjk为线损系数；
基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，包括：
对所述日供电量计量简化模型进行初始化，设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；
计算群体P(t)中各个个体的适应度；
通过二元锦标赛法确定保留到下一代群体中的候选个体；
对选择运算产生的候选个体随机进行两两交叉形成新的候选个体；
对交叉运算产生的候选个体的基因进行等位替换，形成新的候选个体；
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；
重复上述步骤直到t＝T,则以进化过程中通过适应度定义方法所得到的具有最大适应度个体作为最优解输出，终止计算，完成所述日供电量计量简化模型的训练，获得不同台区的线损系数项；
所述无标注数据是指，通过增大某个计量点的电量来模拟计量点超差；
根据所述线损系数项，对所述模型进行求解，将获得的模型求解结果，作为电能表运行误差值。
2.根据权利要求1所述的方法，其特征在于，所述适应度定义方法，包括：
在原始数据上求解一组运行误差值Eo,并以此组误差值作为基准值；
将原始数据中任意一个或多个计量点的用电量扩大Em倍(Em>0)，此时模拟的数据称为盲样数据；
在盲样数据上求解得到一组新的运行误差值En；
记前后数据所得结果Eo与En的MAE值为
MAE＝|Eo-En|/p
p为台区计量点总数。
3.一种基于AI算法的电能表运行误差求解装置，其特征在于，包括：
模型建立单元，用于根据线路损耗与用户用电量的二次函数关系，建立台区电能表的日供电量计量模型，所述日供电量计量模型，具体为：
其中，y(i)为台区总表第i天的供电量计量值；φj(i)为计量点j在第i天的日冻结用电量，εj为计量点j的相对误差，p为计量点总个数；φj(im)、Uj(im)、分别为计量点j在第i天的第m个采样时间段t(im)的用电量计量值、电压和功率因数，αjk为计量点j和计量点k之间公共支路的等效电阻，qi为第i天的采样点总数；第三项ε0为台区固定损耗；
简化模型获得单元，用于根据线损系数将所述日供电量计量模型进行转化，获得日供电量计量简化模型，包括：εj、εk、αjk均为待定常数，则可以令
βjk＝(1-εj)(1-εk)αjk,
所述日供电量计量模型，可简化为：
βjk为线损系数；
求解单元，用于基于无标注数据，通过遗传算法对所述日供电量计量简化模型进行训练，获得不同台区的线损系数项，包括：
对所述日供电量计量简化模型进行初始化，设置进化代数计数器t＝0，设置最大进化代数T，随机生成M个个体作为初始群体P(0)；
0算群体P(t)中各个个体的适应度；
通过二元锦标赛法确定保留到下一代群体中的候选个体；
对选择运算产生的候选个体随机进行两两交叉形成新的候选个体；
对交叉运算产生的候选个体的基因进行等位替换，形成新的候选个体；
群体P(t)经过选择、交叉、变异运算之后得到下一代群体P(t+1)；
重复上述步骤直到t＝T,则以进化过程中通过适应度定义方法所得到的具有最大适应度个体作为最优解输出，终止计算，完成所述日供电量计量简化模型的训练，获得不同台区的线损系数项；
所述无标注数据是指，通过增大某个计量点的电量来模拟计量点超差；
根据所述线损系数项，对所述模型进行求解，将获得的模型求解结果，作为电能表运行误差值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211304062.2A CN115600414B (zh) | 2022-10-24 | 2022-10-24 | 一种基于ai算法的电能表运行误差求解方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211304062.2A CN115600414B (zh) | 2022-10-24 | 2022-10-24 | 一种基于ai算法的电能表运行误差求解方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN115600414A CN115600414A (zh) | 2023-01-13 |
| CN115600414B true CN115600414B (zh) | 2023-04-18 |
Family
ID=84849030
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211304062.2A Active CN115600414B (zh) | 2022-10-24 | 2022-10-24 | 一种基于ai算法的电能表运行误差求解方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115600414B (zh) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163410B (zh) * | 2019-04-08 | 2021-08-24 | 国网信通亿力科技有限责任公司 | 一种基于神经网络-时间序列的线损电量预测方法 |
| CN112035784B (zh) * | 2020-07-16 | 2024-04-09 | 中国电力科学研究院有限公司 | 一种基于用电采集数据确定低压台区的损耗的方法及系统 |
| CN112379177A (zh) * | 2021-01-18 | 2021-02-19 | 中国电力科学研究院有限公司 | 一种确定台区低压线路损耗和电能表运行误差的方法和系统 |
| CN113190976B (zh) * | 2021-04-13 | 2023-03-28 | 国网江西省电力有限公司供电服务管理中心 | 一种充电站损耗分析方法 |
| CN113281697B (zh) * | 2021-05-20 | 2023-04-18 | 国网河南省电力公司营销服务中心 | 一种运行误差在线分析方法及系统 |
-
2022
- 2022-10-24 CN CN202211304062.2A patent/CN115600414B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN115600414A (zh) | 2023-01-13 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102402726B (zh) | 一种基于区域负荷分析的大规模配电网电力电量预测方法 | |
| CN112035784B (zh) | 一种基于用电采集数据确定低压台区的损耗的方法及系统 | |
| CN106980910B (zh) | 中长期电力负荷测算系统及方法 | |
| Yang et al. | A reliability assessment approach for electric power systems considering wind power uncertainty | |
| CN110909983A (zh) | 一种主动配电网电能质量多维评估方法 | |
| CN115508770B (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
| CN113281697A (zh) | 一种运行误差在线分析方法及系统 | |
| CN116150897A (zh) | 一种基于数字孪生的机床主轴性能测评方法及系统 | |
| Zhou et al. | Benchmarking air-conditioning energy performance of residential rooms based on regression and clustering techniques | |
| CN108445435A (zh) | 一种电能表检定装置误差在线评估方法 | |
| Li et al. | Calibration of dynamic building energy models with multiple responses using Bayesian inference and linear regression models | |
| CN107657349B (zh) | 一种水库分期发电调度规则提取方法 | |
| Alanbar et al. | Energy Consumption Prediction Using Deep Learning Technique | |
| CN114265001B (zh) | 一种智能电表计量误差评估方法 | |
| CN115267645A (zh) | 一种低功率因数电能表的误差计算方法、监测系统及设备 | |
| CN115600414B (zh) | 一种基于ai算法的电能表运行误差求解方法及装置 | |
| CN112765787B (zh) | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 | |
| CN109359741A (zh) | 一种废水处理进水水质时序变化智能预测方法 | |
| Arida et al. | building energy modeling using artificial Neural Networks | |
| CN110348094A (zh) | 基于影响网络的石油管道泄漏检测方法及系统 | |
| CN108108860A (zh) | 一种四步耦合中长期水文预报方法 | |
| Puiu et al. | Principled data completion of network constraints for day ahead auctions in power markets | |
| CN111612255B (zh) | 一种基于支持向量回归的风电场功率曲线建模方法 | |
| CN117110977B (zh) | 一种电能表误差评估方法及系统 | |
| Zhang | Potential energy saving estimation for retrofit building with ASHRAE-Great Energy Predictor III using machine learning |
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 |