CN115616472A - 电能表误差模型的参数优化、误差确定方法及装置 - Google Patents

电能表误差模型的参数优化、误差确定方法及装置 Download PDF

Info

Publication number
CN115616472A
CN115616472A CN202211513640.3A CN202211513640A CN115616472A CN 115616472 A CN115616472 A CN 115616472A CN 202211513640 A CN202211513640 A CN 202211513640A CN 115616472 A CN115616472 A CN 115616472A
Authority
CN
China
Prior art keywords
electric energy
energy meter
individual
determining
error model
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
Application number
CN202211513640.3A
Other languages
English (en)
Other versions
CN115616472B (zh
Inventor
李先志
郝跃红
张佳民
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.)
Beijing Zhixiang Technology Co Ltd
Original Assignee
Beijing Zhixiang 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 Beijing Zhixiang Technology Co Ltd filed Critical Beijing Zhixiang Technology Co Ltd
Priority to CN202211513640.3A priority Critical patent/CN115616472B/zh
Publication of CN115616472A publication Critical patent/CN115616472A/zh
Application granted granted Critical
Publication of CN115616472B publication Critical patent/CN115616472B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biophysics (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Genetics & Genomics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Physiology (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明属于电力数据分析技术领域，提供一种电能表误差模型的参数优化、误差确定方法及装置。参数优化方法包括：确定台区内电能表数据、待优化参数以及所述待优化参数对应的搜索空间；基于所述搜索空间，确定初始化种群；基于所述台区内电能表数据和所述初始化种群，构建电能表误差模型；基于所述电能表误差模型，通过遗传算法在所述搜索空间内对所述初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。本发明将遗传算法引入电能表误差模型的参数优化，从根本上提高了搜索的速度和可靠性。

Description

电能表误差模型的参数优化、误差确定方法及装置
技术领域
本发明涉及电力数据分析技术领域，尤其涉及一种电能表误差模型的参数优化、误差确定方法及装置。
背景技术
随着智能电能表技术的发展，基于远程在线监测与大数据分析的电能表运行状态远程分析，已成为台区电能表运行质量的重要评价手段和监测手段。由于电能的产生和传输过程中，作为载体的线路网络本身也作为负载消耗功率，因此计算电能表的误差对节能发展及电力规划评估有重要的意义。
现有的电能表误差计算方法中，常对电能表误差进行建模，然而在电能表误差模型的构建与求解的过程中，有一些参数需要在模型构建前进行额外设置。并且需要设置的参数越多其参数空间维度就越高从而参数寻优难度就越大，因而给单纯人工的参数寻优造成很大的困难。
发明内容
本发明提供一种电能表误差模型的参数优化方法，用以解决现有技术中人工确定电能表模型参数时可靠性不足的缺陷，实现电能表误差模型参数的高效搜索。
本发明提供一种电能表误差模型的参数优化方法，包括：
确定台区内电能表数据、待优化参数以及所述待优化参数对应的搜索空间；
基于所述搜索空间，确定初始化种群；
其中，所述初始化种群中的每个个体对应一组所述待优化参数的随机值；
基于所述台区内电能表数据和所述初始化种群，构建电能表误差模型；
基于所述电能表误差模型，通过遗传算法在所述搜索空间内对所述初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
根据本发明提供的一种电能表误差模型的参数优化方法，所述个体的适应度基于超差表检出率达到预设阈值对应的电能表最小调整幅值确定。
根据本发明提供的一种电能表误差模型的参数优化方法，确定所述个体的适应度，包括：
确定电能表的调整幅度空间并从所述台区内电能表中选定电能表；
基于所述调整幅度空间，选择多个调整幅度分别对选定的电能表进行调节，得到所述选定的电能表在多个调整幅度下的电能表数据；
分别将所述选定的电能表在每个调整幅度下的电能表数据和所述台区内其他电能表的电能表数据输入任一个个体的电能表误差模型，得到所述选定电能表对于所述任一个个体的电能表误差模型在每个调整幅度下的超差表检出率；
确定每个所述选定电能表对应的超差表检出率达到预设阈值的最小调整幅度；
基于所有选定电能表的最小调整幅度的最大值，确定所述任一个个体的适应度。
根据本发明提供的一种电能表误差模型的参数优化方法，所述基于所述台区内电能表数据和所述初始化种群，构建电能表误差模型，包括：
基于台区内总电能表数据等于各分电能表数据与各分电能表误差之和，确定电能表误差基础模型；
基于所述初始化种群，确定所述电能表误差基础模型的求解参数；
基于所述电能表误差基础模型和所述电能表误差基础模型的求解参数，构建电能表误差模型。
根据本发明提供的一种电能表误差模型的参数优化方法，所述基于所述电能表误差模型，通过遗传算法在所述搜索空间内对所述初始化种群进行迭代优化，包括：
对所述电能表误差模型进行求解，确定台区内每个电能表的误差值；
基于所述台区内每个电能表的误差值，确定初始种群中每个个体的适应度；
基于所述初始种群中每个个体的适应度，进行个体选择、交叉和变异操作，并基于进行个体选择、交叉和变异操作后得到的个体，确定更新的初始种群；
直到迭代优化的代数达到预设代数时，迭代优化停止；否则，基于所述更新的初始种群执行下一次迭代优化。
根据本发明提供的一种电能表误差模型的参数优化方法，所述基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数，包括：
获取迭代优化停止时的种群中每个个体的适应度；
确定个体的适应度最大的个体为最优个体，将最优个体对应的待优化参数为优化后的目标参数。
本发明还提供一种误差确定方法，包括：
确定台区内电能表数据；
基于所述台区内电能表数据，通过上述任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
将所述台区内电能表数据输入所述电能表误差模型，基于所述目标参数进行模型求解，得到所述电能表误差模型输出的台区内电能表的误差值。
本发明还提供一种电能表误差模型的参数优化装置，包括：
采集模块，用于确定台区内电能表数据、待优化参数以及所述待优化参数对应的搜索空间；
初始化模块，用于基于所述搜索空间，确定初始化种群；其中，所述初始化种群中的每个个体对应一组所述待优化参数的随机值；
模型建立模块，用于基于所述台区内电能表数据和所述初始化种群，构建电能表误差模型；
参数优化模块，用于基于所述电能表误差模型，通过遗传算法在所述搜索空间内对所述初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
本发明还提供一种误差确定装置，包括：
输入模块，用于确定台区内电能表数据；
模型建立模块，用于基于所述台区内电能表数据，通过上述任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
输出模块，将所述台区内电能表数据输入所述电能表误差模型，基于所述目标参数进行模型求解，得到所述电能表误差模型输出的台区内电能表的误差值。
本发明还提供一种电子设备，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计算机程序，所述处理器执行所述程序时实现如上述任一种所述电能表误差模型的参数优化方法或误差确定方法。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述能表误差模型的参数优化方法或误差确定方法。
本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述能表误差模型的参数优化方法或误差确定方法。
本发明提供的电能表误差模型的参数优化、误差确定方法及装置，通过遗传算法对电能表误差模型的参数进行搜索，能够利用遗传算法“物竞天择，适者生存”的特点，在搜索空间内自动搜索出适应于不同台区电能表数据计算损失的最优参数。本发明避免了人工计算参数时，试验次数多，费时费力，并且在试验中对试验参数的选取容易受人工因素的影响等问题，提高了最终参与计算损失的参数的可靠性。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的电能表误差模型的参数优化方法的流程示意图之一；
图2是本发明提供的电能表误差模型的参数优化方法的流程示意图之二；
图3是本发明提供的误差确定方法的流程示意图；
图4是本发明提供的电能表误差模型的参数优化装置的结构示意图；
图5是本发明提供的误差确定装置的结构示意图；
图6是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
电能表运行误差主要是指线路损失，因此，电能表误差模型主要值得是电能表线损模型。在电能表线损模型的构建与求解的过程中，相关参数设置得是否合适极大地影响着模型对电能表误差求解结果的可靠性，因此寻找一种能够在搜索空间维度比较高的情况下高效搜索出可靠参数的方法是非常必要的。
目前对电能表线损模型参数值的获取主要是通过人工对模型多次计算试验经验实现，因此会耗费比较长的时间，并且在试验中对试验参数的选取容易受人工因素的影响，无法保证最终进入模型的参数的可靠性。因此本发明实施例提出了一种电能表误差模型的参数优化方法，以实现对电能表线损模型参数实现高效搜索。下面结合图1描述本发明实施例的电能表误差模型的参数优化方法，该方法至少包括如下步骤：
步骤101、确定台区内电能表数据、待优化参数以及待优化参数对应的搜索空间；
步骤102、基于搜索空间，确定初始化种群；
其中，初始化种群中的每个个体对应一组待优化参数的随机值；
步骤103、基于台区内电能表数据和初始化种群，构建电能表误差模型；
步骤104、基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
对于步骤101，需要说明的是，台区电能表指安装在低压配电变压器上的电能计量 装置（简称台区总表或台区表），用于计量供电量和售电量之差（称为线损电量）的专用电能 表。台区内电能表数据是指台区内电能表的用电量，待优化参数是指通过电能表误差模型 计算运行误差时参与模型计算过程的参数，可以引导模型的求解的方向。由于本发明实施 例采用遗传算法来优化待优化参数，因此，首先需要在计算之前确定所有待优化参数的搜 索空间
Figure 233850DEST_PATH_IMAGE001
。除此之外，还需要给定遗传算法的种群大小
Figure 442108DEST_PATH_IMAGE002
以及需要进化的代数
Figure 53218DEST_PATH_IMAGE003
。
对于步骤102，在开启遗传算法时需要种群进行初始化，即从参数搜索空间
Figure 677011DEST_PATH_IMAGE004
中 随机选择
Figure 6362DEST_PATH_IMAGE005
组参数，即
Figure 18311DEST_PATH_IMAGE006
个个体，记为
Figure 483927DEST_PATH_IMAGE007
。其中，每组待优化参数对应一个个体，每个 待优化参数为个体的一个基因，个体的所有待优化参数即为个体的基因型。
对于步骤103，需要说明的是，本发明实施例的电能表误差模型是基于能量守恒原理，从总电能表电量等于各分电能表用电量与线路损耗电量的和出发构建的模型，目的是通过对模型求解得到各个电能表的运行误差。本发明实施例中的遗传算法是指群体优化算法，通过维护一定数量的参数组成的群体，对参数群体不断迭代更新来得到一代更好的群体直到达到收敛的条件。
对于步骤104，需要说明的是，通过遗传算法在搜索空间内对初始化种群进行迭代 优化，将每次迭代后得到的种群作为下一次迭代的初始种群进行优化，直到产生的种群代 数达到给定的
Figure 555920DEST_PATH_IMAGE008
则停止优化迭代。最后一代种群的个体中，适应度值最大的个体对应的 参数即为构建和计算模型所需要的最优的目标参数组。
本发明实施例的电能表误差模型的参数优化方法，摒弃了参数选取时人工因素的影响，通过遗传算法对电能表误差模型的参数进行搜索，可以自动高效的识别出相应台区电能表数据在计算运行误差时最优选的参数，保证最终进入模型的参数的可靠性，进而实现高效的搜索和对电能表损失的精确计算。
可以理解的是，个体的适应度基于超差表检出率达到预设阈值对应的电能表最小调整幅值确定。
需要说明的是，假设台区所有电能表初始均不存在超差，然后人工调整数据加入超差表并对电能表误差模型进行计算，统计计算出的超差表为人工调整后的电能表的个数，然后除以所有电能表的个数即为超差表检出率。在本发明实施例中，将最开始获取的台区内电能表数据作为原始，通过人为对选定电能表进行用电量幅度调整，来实现人工加入超差表。
本发明实施例能够基于超差表检出率对模型进行评价，在超差表检出率达到预设阈值时，统计对应每个个体的所有调整幅值，选择最小调整幅值作为该个体的个体适应度。超差表检出率达到预设阈值对应的电能表最小调整幅值是指电能表的台区边界估计值，将台区边界估计值作为遗传算法的评价指标，可以对有利于超差表检出的方向的参数实现高效搜索。
可以理解的是，本发明实施例通过盲测实验来确定个体的适应度，盲测实验包括：
确定电能表的调整幅度空间并从台区内电能表中选定电能表；
具体的，调整幅度空间为
Figure 372566DEST_PATH_IMAGE009
，其
Figure 922627DEST_PATH_IMAGE010
表示任一个 调整幅度，
Figure 508329DEST_PATH_IMAGE011
表示调整幅度空间内的调整幅度个数，例如3%和4%。
需要说明的是，本实施例的方法无需对所有电能表依次进行判断，仅需要选定
Figure 751223DEST_PATH_IMAGE012
个 电能表计算即可获得每个个体的个体适应度，
Figure 789586DEST_PATH_IMAGE013
，
Figure 2393DEST_PATH_IMAGE014
为台区电能表总数，避免了传统 方法需要通过依次结合每个电能表的特性，来选择计算对应电能表损失的模型求解参数的 繁琐。
基于调整幅度空间，选择多个调整幅度分别对选定的电能表进行调节，得到选定的电能表在多个调整幅度下的电能表数据；
具体的，对电能表选定调整幅度后该电能表的用电量将变为原始用电量的
Figure 458913DEST_PATH_IMAGE015
倍。
分别将选定的电能表在每个调整幅度下的电能表数据和台区内其他电能表的电能表数据输入任一个个体的电能表误差模型，得到选定电能表对于任一个个体的电能表误差模型在每个调整幅度下的超差表检出率；
具体的，对于选定的
Figure 856396DEST_PATH_IMAGE016
个电能表进行上述过程是，对于任一个选定的电能表，将其 按调整幅度空间中的
Figure 398367DEST_PATH_IMAGE017
个调整幅度进行调节，每调节一次就按照某一个体的电能表误差模 型进行一次求解，计算一次损失并依据损失计算超差表的检出率，最终得到
Figure 539499DEST_PATH_IMAGE011
个超差表检 出率。
确定每个选定电能表对应的超差表检出率达到预设阈值的最小调整幅度；
具体的，对于任一个选定的电能表得到
Figure 850525DEST_PATH_IMAGE011
个超差表检出率，依据预设阈值
Figure 153331DEST_PATH_IMAGE018
，找到 超差表检出率达到
Figure 182598DEST_PATH_IMAGE019
的最小调整幅度
Figure 127420DEST_PATH_IMAGE020
，
Figure 292953DEST_PATH_IMAGE021
。
基于所有选定电能表的最小调整幅度的最大值，确定任一个个体的适应度。
具体的，对全部选定的
Figure 297818DEST_PATH_IMAGE012
个电能表都进行上述的超差表检出率计算和与预设阈值 的比较，从得到的
Figure 548802DEST_PATH_IMAGE012
个电能表的最小调整幅度
Figure 31736DEST_PATH_IMAGE022
中，选择最大的调整幅度
Figure 317355DEST_PATH_IMAGE023
为台区边界估计值，并将该台区边界估计值作为上述某一个体的个体适应度。
需要说明的是，所谓台区边界估计值，就是指在盲测实验中，当模型对超差表检出 率能达到给定的
Figure 227542DEST_PATH_IMAGE024
时，对电能表所需调整的最小幅度。本发明实施例应用以台区边界估 计值为评价指标的遗传算法，对电能表线损模型构建与计算过程中用到的参数进行最优搜 索，遗传算法从根本上提高了搜索的速度和可靠性，而台区边界估计值的引入则极大地简 化了适应度函数计算过程，从而进一步提高了搜索的效率。
可以理解的是，基于台区内电能表数据和初始化种群，构建电能表误差模型，包括：
基于台区内总电能表数据等于各分电能表数据与各分电能表误差之和，确定电能表误差基础模型；
基于初始化种群，确定电能表误差基础模型的求解参数；
基于电能表误差基础模型和电能表误差基础模型的求解参数，构建电能表误差模型。
具体的，本实施例中电能表误差模型如式1所示：
Figure 965822DEST_PATH_IMAGE025
其中，
Figure 252447DEST_PATH_IMAGE026
为台区总表第
Figure 392573DEST_PATH_IMAGE027
天的用电量计量值，即等号左边表示总表用电量，
Figure 4820DEST_PATH_IMAGE028
为计量点
Figure 964816DEST_PATH_IMAGE029
在第
Figure 789553DEST_PATH_IMAGE030
天的日冻结用电量，
Figure 795904DEST_PATH_IMAGE031
为计量点
Figure 313473DEST_PATH_IMAGE032
的相对误差，
Figure 26345DEST_PATH_IMAGE033
为总表的相对误差，
Figure 654772DEST_PATH_IMAGE034
，
Figure 503911DEST_PATH_IMAGE035
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，
Figure 926802DEST_PATH_IMAGE036
为台区第
Figure 392549DEST_PATH_IMAGE037
天的线路损耗。
需要说明的是，基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群 进行迭代优化的过程，即就是求解电能表误差模型得到
Figure 559088DEST_PATH_IMAGE038
和
Figure 528313DEST_PATH_IMAGE039
的过程中，对求解过程参数 优化的过程。
可以理解的是，基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群进行迭代优化，包括：
对电能表误差模型进行求解，确定台区内每个电能表的误差值；
基于台区内每个电能表的误差值，确定初始种群中每个个体的适应度；
需要说明的是，模型求解后得到每个电能表的误差值以及台区相关信息后进行盲 测实验，得到在模型对超差电能表检出率大于等于
Figure 122105DEST_PATH_IMAGE040
时，电能表的最小调整幅值，即台区 边界估计值。以台区边界估计值作为评价指标，计算每个个体对应的适应度
Figure 543990DEST_PATH_IMAGE041
。
基于初始种群中每个个体的适应度，进行个体选择、交叉和变异操作，并基于进行个体选择、交叉和变异操作后得到的个体，确定更新的初始种群；
需要说明的是，个体选择包括：从种群中选择适应度值
Figure 779799DEST_PATH_IMAGE042
最小的
Figure 603530DEST_PATH_IMAGE043
个个体作为 父本进入下一代种群中。个体交叉与变异包括：从得到的父本中选取
Figure 633803DEST_PATH_IMAGE044
个进行两两交叉， 从而得到
Figure 542984DEST_PATH_IMAGE045
个新的个体，即子代，并以概率
Figure 51326DEST_PATH_IMAGE046
对子代个体的基因进行变异，从而得到一组新 的种群，种群中个体数保持为
Figure 995142DEST_PATH_IMAGE047
。
直到迭代优化的代数达到预设代数时，迭代优化停止；否则，基于更新的初始种群执行下一次迭代优化。
可以理解的是，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数，包括：
获取迭代优化停止时的种群中每个个体的适应度；
确定个体的适应度最大的个体为最优个体，将最优个体对应的待优化参数为优化后的目标参数。
需要说明的是，重复初始化种群、模型求解、个体选择交叉与变异的过程，直到产 生的种群代数达到给定的
Figure 196317DEST_PATH_IMAGE048
迭代优化停止。则最后一代的个体中适应度值
Figure 592794DEST_PATH_IMAGE049
最大的个 体对应的参数即为构建和计算模型所需要的最优的参数组，输出最优个体对应的参数组为 目标参数。
如图2所示，本发明实施例还公开了一种以台区边界估计值为评价指标的电能表误差模型的参数优化方法，该方法至少包括如下步骤：
步骤201、输入电能表数据，给定模型参数的搜索空间
Figure 904827DEST_PATH_IMAGE050
、遗传算法的种群大小
Figure 703149DEST_PATH_IMAGE051
以及需要进化的代数
Figure 75225DEST_PATH_IMAGE003
。
步骤202、初始化种群：从参数搜索空间
Figure 958999DEST_PATH_IMAGE052
中随机选择
Figure 74722DEST_PATH_IMAGE053
组参数作为
Figure 727551DEST_PATH_IMAGE051
个个 体。
步骤203、构建电能表误差模型。
步骤204、利用盲测实验得到台区边界估计值并计算每个个体对应的适应度
Figure 270528DEST_PATH_IMAGE054
。
步骤205、从种群中选择适应度值
Figure 376019DEST_PATH_IMAGE055
最小的
Figure 295433DEST_PATH_IMAGE056
个个体作为父本。
步骤206、从得到的父本中选取
Figure 802769DEST_PATH_IMAGE057
个进行两两交叉得到
Figure 516647DEST_PATH_IMAGE058
个子代，并以概率
Figure 375013DEST_PATH_IMAGE059
对子代 进行变异操作，从而得到一组新的种群。
步骤207、判断进化代数是否=
Figure 98118DEST_PATH_IMAGE060
；
若是，则返回执行步骤203；否则，输出最优个体对应的参数为目标参数。
本发明实施例以台区边界估计值为评价指标的遗传算法对模型的最优参数进行搜索。其中，遗传算法从根本上提高了搜索的速度和可靠性；而台区边界估计值的引入则极大地简化了适应度函数计算过程，从而进一步提高了搜索的效率。
本发明实施例还公开了一种误差确定方法，如图3所示，该方法至少包括如下步骤：
步骤301、确定台区内电能表数据；
步骤302、基于台区内电能表数据，通过上述任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
步骤303、将台区内电能表数据输入电能表误差模型，基于目标参数进行模型求解，得到电能表误差模型输出的台区内电能表的误差值。
本发明实施例的误差确定方法，通过针对台区内电能表数据确定求解时的最佳参数作为目标参数，实现了对于不同的台区内电能表数据能够针对性的找到其对应的求解线损的最佳方案，实现对台区电能表误差数据的高效精准计算。
下面对本发明提供的电能表误差模型的参数优化装置进行描述，下文描述的电能表误差模型的参数优化装置与上文描述的电能表误差模型的参数优化方法可相互对应参照。如图4所示，包括：
采集模块401，用于确定台区内电能表数据、待优化参数以及待优化参数对应的搜索空间；
初始化模块402，用于基于搜索空间，确定初始化种群；其中，初始化种群中的每个个体对应一组待优化参数的随机值；
模型建立模块403，用于基于台区内电能表数据和初始化种群，构建电能表误差模型；
参数优化模块404，用于基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
本发明实施例的电能表误差模型的参数优化装置，摒弃了参数选取时人工因素的影响，通过遗传算法对电能表误差模型的参数进行搜索，可以自动高效的识别出相应台区电能表数据在计算运行误差时最优选的参数，保证最终进入模型的参数的可靠性，进而实现高效的搜索和对电能表损误差精确计算。
可以理解的是，参数优化模块404中，个体的适应度基于超差表检出率达到预设阈值对应的电能表最小调整幅值确定。
可以理解的是，确定个体的适应度，包括：
确定电能表的调整幅度空间并从台区内电能表中选定电能表；
基于调整幅度空间，选择多个调整幅度分别对选定的电能表进行调节，得到选定的电能表在多个调整幅度下的电能表数据；
分别将选定的电能表在每个调整幅度下的电能表数据和台区内其他电能表的电能表数据输入任一个个体的电能表误差模型，得到选定电能表对于任一个个体的电能表误差模型在每个调整幅度下的超差表检出率；
确定每个选定电能表对应的超差表检出率达到预设阈值的最小调整幅度；
基于所有选定电能表的最小调整幅度的最大值，确定任一个个体的适应度。
可以理解的是，模型建立模块403，包括：
基于台区内总电能表数据等于各分电能表数据与各分电能表误差之和，确定电能表误差基础模型；
基于初始化种群，确定电能表误差基础模型的求解参数；
基于电能表误差基础模型和电能表误差基础模型的求解参数，构建电能表误差模型。
可以理解的是，参数优化模块404中基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群进行迭代优化，包括：
对电能表误差模型进行求解，确定台区内每个电能表的误差值；
基于台区内每个电能表的误差值，确定初始种群中每个个体的适应度；
基于初始种群中每个个体的适应度，进行个体选择、交叉和变异操作，并基于进行个体选择、交叉和变异操作后得到的个体，确定更新的初始种群；
直到迭代优化的代数达到预设代数时，迭代优化停止；否则，基于更新的初始种群执行下一次迭代优化。
可以理解的是，参数优化模块404中基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数，包括：
获取迭代优化停止时的种群中每个个体的适应度；
确定个体的适应度最大的个体为最优个体，将最优个体对应的待优化参数为优化后的目标参数。
下面对本发明提供的误差确定装置进行描述，下文描述的误差确定装置与上文描述的误差确定方法可相互对应参照。如图5所示，包括：
输入模块501，用于确定台区内电能表数据；
模型建立模块502，用于基于台区内电能表数据，通过任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
输出模块503，将台区内电能表数据输入电能表误差模型，基于目标参数进行模型求解，得到电能表误差模型输出的台区内电能表的误差值。
本发明实施例的误差确定装置，通过针对台区内电能表数据确定求解时的最佳参数作为目标参数，实现了对于不同的台区内电能表数据能够针对性的找到其对应的求解线损的最佳方案，实现对台区电能表误差数据的高效精准计算。
图6示例了一种电子设备的实体结构示意图，如图6所示，该电子设备可以包括：处理器(processor)610、通信接口(Communications Interface)620、存储器(memory)630和通信总线640，其中，处理器610，通信接口620，存储器630通过通信总线640完成相互间的通信。处理器610可以调用存储器630中的逻辑指令，以执行电能表误差模型的参数优化方法，该方法包括：
确定台区内电能表数据、待优化参数以及待优化参数对应的搜索空间；
基于搜索空间，确定初始化种群；
其中，初始化种群中的每个个体对应一组待优化参数的随机值；
基于台区内电能表数据和初始化种群，构建电能表误差模型；
基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
或，执行误差确定方法，该方法包括：
确定台区内电能表数据；
基于台区内电能表数据，通过上述任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
将台区内电能表数据输入电能表误差模型，基于目标参数进行模型求解，得到电能表误差模型输出的台区内电能表的误差值。
此外，上述的存储器630中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明还提供一种计算机程序产品，计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，计算机程序被处理器执行时，计算机能够执行上述各方法所提供的电能表误差模型的参数优化方法，该方法包括：
确定台区内电能表数据、待优化参数以及待优化参数对应的搜索空间；
基于搜索空间，确定初始化种群；
其中，初始化种群中的每个个体对应一组待优化参数的随机值；
基于台区内电能表数据和初始化种群，构建电能表误差模型；
基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
或，执行误差确定方法，该方法包括：
确定台区内电能表数据；
基于台区内电能表数据，通过上述任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
将台区内电能表数据输入电能表误差模型，基于目标参数进行模型求解，得到电能表误差模型输出的台区内电能表的误差值。
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的电能表误差模型的参数优化方法，该方法包括：
确定台区内电能表数据、待优化参数以及待优化参数对应的搜索空间；
基于搜索空间，确定初始化种群；
其中，初始化种群中的每个个体对应一组待优化参数的随机值；
基于台区内电能表数据和初始化种群，构建电能表误差模型；
基于电能表误差模型，通过遗传算法在搜索空间内对初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
或，执行误差确定方法，该方法包括：
确定台区内电能表数据；
基于台区内电能表数据，通过上述任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
将台区内电能表数据输入电能表误差模型，基于目标参数进行模型求解，得到电能表误差模型输出的台区内电能表的误差值。
以上所描述的装置实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行各个实施例或者实施例的某些部分的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (11)

1.一种电能表误差模型的参数优化方法，其特征在于，包括：
确定台区内电能表数据、待优化参数以及所述待优化参数对应的搜索空间；
基于所述搜索空间，确定初始化种群；
其中，所述初始化种群中的每个个体对应一组所述待优化参数的随机值；
基于所述台区内电能表数据和所述初始化种群，构建电能表误差模型；
基于所述电能表误差模型，通过遗传算法在所述搜索空间内对所述初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
2.根据权利要求1所述的电能表误差模型的参数优化方法，其特征在于，所述个体的适应度基于超差表检出率达到预设阈值对应的电能表最小调整幅值确定。
3.根据权利要求2所述的电能表误差模型的参数优化方法，其特征在于，确定所述个体的适应度，包括：
确定电能表的调整幅度空间并从所述台区内电能表中选定电能表；
基于所述调整幅度空间，选择多个调整幅度分别对选定的电能表进行调节，得到所述选定的电能表在多个调整幅度下的电能表数据；
分别将所述选定的电能表在每个调整幅度下的电能表数据和所述台区内其他电能表的电能表数据输入任一个个体的电能表误差模型，得到所述选定电能表对于所述任一个个体的电能表误差模型在每个调整幅度下的超差表检出率；
确定每个所述选定电能表对应的超差表检出率达到预设阈值的最小调整幅度；
基于所有选定电能表的最小调整幅度的最大值，确定所述任一个个体的适应度。
4.根据权利要求1至3任一所述的电能表误差模型的参数优化方法，其特征在于，所述基于所述台区内电能表数据和所述初始化种群，构建电能表误差模型，包括：
基于台区内总电能表数据等于各分电能表数据与各分电能表误差之和，确定电能表误差基础模型；
基于所述初始化种群，确定所述电能表误差基础模型的求解参数；
基于所述电能表误差基础模型和所述电能表误差基础模型的求解参数，构建电能表误差模型。
5.根据权利要求1至3任一所述的电能表误差模型的参数优化方法，其特征在于，所述基于所述电能表误差模型，通过遗传算法在所述搜索空间内对所述初始化种群进行迭代优化，包括：
对所述电能表误差模型进行求解，确定台区内每个电能表的误差值；
基于所述台区内每个电能表的误差值，确定初始种群中每个个体的适应度；
基于所述初始种群中每个个体的适应度，进行个体选择、交叉和变异操作，并基于进行个体选择、交叉和变异操作后得到的个体，确定更新的初始种群；
直到迭代优化的代数达到预设代数时，迭代优化停止；否则，基于所述更新的初始种群执行下一次迭代优化。
6.根据权利要求1至3任一所述的电能表误差模型的参数优化方法，其特征在于，所述基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数，包括：
获取迭代优化停止时的种群中每个个体的适应度；
确定个体的适应度最大的个体为最优个体，将最优个体对应的待优化参数为优化后的目标参数。
7.一种误差确定方法，其特征在于，包括：
确定台区内电能表数据；
基于所述台区内电能表数据，通过权利要求1至6中任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
将所述台区内电能表数据输入所述电能表误差模型，基于所述目标参数进行模型求解，得到所述电能表误差模型输出的台区内电能表的误差值。
8.一种电能表误差模型的参数优化装置，其特征在于，包括：
采集模块，用于确定台区内电能表数据、待优化参数以及所述待优化参数对应的搜索空间；
初始化模块，用于基于所述搜索空间，确定初始化种群；其中，所述初始化种群中的每个个体对应一组所述待优化参数的随机值；
模型建立模块，用于基于所述台区内电能表数据和所述初始化种群，构建电能表误差模型；
参数优化模块，用于基于所述电能表误差模型，通过遗传算法在所述搜索空间内对所述初始化种群进行迭代优化，基于迭代优化停止时的种群中每个个体的适应度，确定最优个体对应的待优化参数为优化后的目标参数。
9.一种误差确定装置，其特征在于，包括：
输入模块，用于确定台区内电能表数据；
模型建立模块，用于基于所述台区内电能表数据，通过权利要求1至6中任一种电能表误差模型的参数优化方法确定目标参数和电能表误差模型；
输出模块，将所述台区内电能表数据输入所述电能表误差模型，基于所述目标参数进行模型求解，得到所述电能表误差模型输出的台区内电能表的误差值。
10.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，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至6任一项所述电能表误差模型的参数优化方法或权利要求7所述误差确定方法。
11.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至6任一项所述电能表误差模型的参数优化方法或权利要求7所述误差确定方法。
CN202211513640.3A 2022-11-30 2022-11-30 电能表误差模型的参数优化、误差确定方法及装置 Active CN115616472B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211513640.3A CN115616472B (zh) 2022-11-30 2022-11-30 电能表误差模型的参数优化、误差确定方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211513640.3A CN115616472B (zh) 2022-11-30 2022-11-30 电能表误差模型的参数优化、误差确定方法及装置

Publications (2)

Publication Number Publication Date
CN115616472A true CN115616472A (zh) 2023-01-17
CN115616472B CN115616472B (zh) 2023-04-18

Family

ID=84879706

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211513640.3A Active CN115616472B (zh) 2022-11-30 2022-11-30 电能表误差模型的参数优化、误差确定方法及装置

Country Status (1)

Country Link
CN (1) CN115616472B (zh)

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577679A (zh) * 2012-08-10 2014-02-12 深圳市龙电电气有限公司 一种低压台区理论线损实时计算方法
CN107767035A (zh) * 2017-09-28 2018-03-06 云南电网有限责任公司电力科学研究院 一种基于遗传算法的电能表检测混合流水线调度方法
CN109165764A (zh) * 2018-06-26 2019-01-08 昆明理工大学 一种遗传算法优化bp神经网络的线损计算方法
CN112132283A (zh) * 2020-10-20 2020-12-25 江苏其厚智能电气设备有限公司 一种基于遗传算法的非信号注入式户变拓扑关系识别方法
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
CN114065605A (zh) * 2021-09-30 2022-02-18 云南电网有限责任公司曲靖供电局 一种智能电能表运行状态检测评估系统和方法
CN114297811A (zh) * 2021-12-31 2022-04-08 烟台东方威思顿电气有限公司 基于约束多目标优化的低压台区拓扑识别方法
US11487273B1 (en) * 2021-04-30 2022-11-01 Dalian University Of Technology Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103577679A (zh) * 2012-08-10 2014-02-12 深圳市龙电电气有限公司 一种低压台区理论线损实时计算方法
CN107767035A (zh) * 2017-09-28 2018-03-06 云南电网有限责任公司电力科学研究院 一种基于遗传算法的电能表检测混合流水线调度方法
CN109165764A (zh) * 2018-06-26 2019-01-08 昆明理工大学 一种遗传算法优化bp神经网络的线损计算方法
CN112132283A (zh) * 2020-10-20 2020-12-25 江苏其厚智能电气设备有限公司 一种基于遗传算法的非信号注入式户变拓扑关系识别方法
US11487273B1 (en) * 2021-04-30 2022-11-01 Dalian University Of Technology Distributed industrial energy operation optimization platform automatically constructing intelligent models and algorithms
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
CN114065605A (zh) * 2021-09-30 2022-02-18 云南电网有限责任公司曲靖供电局 一种智能电能表运行状态检测评估系统和方法
CN114297811A (zh) * 2021-12-31 2022-04-08 烟台东方威思顿电气有限公司 基于约束多目标优化的低压台区拓扑识别方法

Also Published As

Publication number Publication date
CN115616472B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN103577679A (zh) 一种低压台区理论线损实时计算方法
CN108564205A (zh) 一种基于实测数据的负荷模型及参数辨识优化方法
Yan Research on green suppliers' evaluation based on AHP & genetic algorithm
CN105225000B (zh) 一种基于模糊序优化的风功率概率模型非参数核密度估计方法
CN113437756B (zh) 考虑配电网静态电压稳定性的微电网优化配置方法
CN113361761A (zh) 一种基于误差修正的短期风电功率集成预测方法及系统
CN112733417A (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN115422788B (zh) 一种配电网线损分析管理方法、装置、存储介质及系统
CN115986728A (zh) 一种计及不确定性因素的电网态势预测方法与终端
CN112994017A (zh) 基于配电网概率潮流计算的分布式光伏电源选址优化方法
CN112700326A (zh) 一种基于灰狼算法优化bp神经网络的信贷违约预测方法
CN112598473A (zh) 基于深度确定性策略梯度算法的发电商智能体及报价方法
CN106295877B (zh) 一种智能电网电能使用量预测方法
CN112923435B (zh) 一种基于人工智能和优化算法的集中供热二次侧调控方法
CN113705098A (zh) 一种基于pca和ga-bp网络的风道加热器建模方法
CN112446175B (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
CN115616472B (zh) 电能表误差模型的参数优化、误差确定方法及装置
CN102799940B (zh) 基于遗传算法和先验知识的网络社区划分方法
CN115564180B (zh) 一种基于大数据分析的电力网络可靠性评估方法
Sun Design and optimization of indoor space layout based on deep learning
CN108321792B (zh) 计及风电的电力系统动态经济调度多场景协同优化算法
CN113935556B (zh) 一种基于dna遗传算法的温度传感器优化布置方法
CN115994612A (zh) 基于业扩规划的配电网运行优化方法、装置及存储介质
CN112327046B (zh) 基于模糊聚类和支持向量回归的非侵入式负荷监测方法
CN111103799B (zh) 基于师生网络在线探索学习的能效优化建模方法

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