CN115879607A - 一种电能表状态预测方法、系统、设备和存储介质 - Google Patents
一种电能表状态预测方法、系统、设备和存储介质 Download PDFInfo
- Publication number
- CN115879607A CN115879607A CN202211499664.8A CN202211499664A CN115879607A CN 115879607 A CN115879607 A CN 115879607A CN 202211499664 A CN202211499664 A CN 202211499664A CN 115879607 A CN115879607 A CN 115879607A
- Authority
- CN
- China
- Prior art keywords
- historical
- electric energy
- energy meter
- data
- state
- 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
Images
Classifications
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电能表状态预测方法、系统、设备和存储介质,其中方法包括以下步骤:获取历史数据,所述历史数据包括电能表的历史性能影响数据集以及历史状态监测结果数据集;采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;通过历史特征集和历史状态监测结果数据集对优化后的GRU神经网络模型进行迭代训练,得到训练好的电能表状态预测模型;获取目标电能表在待测时刻的电能表性能影响数据,将待测时刻的电能表性能影响数据输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果。
Description
技术领域
本发明涉及一种电能表状态预测方法、系统、设备和存储介质,属于电力计量装置状态监测技术领域。
背景技术
随着电网规模不断扩大,交易电量和电能计量装置越来越多,对电能计量适用范围和测量精度的要求不断提升。电能表是计量装置十分重要的部分,能计量用户或支路消耗的电能,其规格分为三相三线、三相四线等。而电能表的误差会受电压、频率、周围温度变化、波形畸变、倾斜影响、不稳定运行以及三相电能表的电压不对称等因素影响。
在环境、电流影响下,关口计量电能表会状态变差,产生误差超差情况,这会影响电能计量公平,常见检测方法复杂、对电网影响大,且只能对当下时刻电能表进行检测。为了避免因电能表的超差而造成影响电能计量装置的使用效果的问题,对电能表状态实现预测尤为重要。目前对关口电能表的管理办法主要是由专业人员定期携带仪器设备到现场进行周期检验,费时费力且效率较低;
为了解决上述问题,现有技术如专利号为“CN114065605A”的发明专利公开了一种智能电能表运行状态检测评估系统和方法,具体方法包括:S1:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;S2:分别对多个误差状态数据先后进行量化处理和归一化处理;S3:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;S4:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;S5:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;
S6:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表运行状态检测评估结果。该现有技术可以对智能电能表运行状态及性能退化失效预计的科学评价;
然而上述现有技术存在的问题是,需要获取误差状态数据,这同样也需要人工检测并耗费大量时间,且仅能根据当下的误差状态进行电能表的状态检测,无法对未来电能表的状态实现预测。
发明内容
为了解决上述现有技术中存在的问题,本发明提出了一种电能表状态预测方法、系统、设备和存储介质。
本发明的技术方案如下:
一方面,本发明提供一种电能表状态预测方法,包括以下步骤:
获取预设时间段内的历史数据,所述历史数据包括目标电能表的历史性能影响数据集以及历史状态监测结果数据集;
采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;
搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;
通过历史特征集和历史状态监测结果数据集建立训练样本集,通过训练样本集对优化后的GRU神经网络模型进行迭代训练,得到训练好的电能表状态预测模型;
获取目标电能表在待测时刻的电能表性能影响数据,将待测时刻的电能表性能影响数据输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果。
作为优选实施方式,所述历史性能影响数据集包括:
历史环境温度数据序列f1、历史相对湿度数据序列f2、历史风速数据序列f3、历史光照数据序列f4、历史气压数据序列f5、历史电流值i6以及使用周年数y8。
作为优选实施方式,所述历史性能影响数据集还包括突出特征o7,所述突出特征o7的计算公式如下:
其中,f1、f2、f3、f4、f5分别为历史环境温度数据序列、历史相对湿度数据序列、历史风速数据序列、历史光照数据序列和历史气压数据序列,max()表示取最大值函数。
作为优选实施方式,所述历史状态监测结果数据集包括:
电能表的正常状态监测结果数据集、异常状态监测结果数据集和告警状态监测结果数据集。
作为优选实施方式,所述GRU神经网络模型为循环神经网络,包括更新门和重置门,GRU神经网络模型的计算过程包括:
通过下式计算更新门:
zt=σ(Wzxt+Uzht-1);
通过下式计算重置门:
rt=σ(Wrxt+Urht-1);
通过下式计算候选集:
通过下式计算当前时刻的状态信息:
通过下式计算模型输出:
y=σ(htWy);
其中,zt为t时刻更新门的输出,rt为t时刻重置门的输出,xt为t时刻的输入,ht-1为t-1时刻的状态信息,ht为t时刻的状态信息,为t时刻的候选集,y为GRU神经网络模型的输出,σ为sigmoid函数,tanh为双曲正切函数,⊙表示矩阵中对应的元素相乘,Wz、Uz、Wr、Ur、W、U、Wy为GRU神经网络模型的超参数,其中,W为输入层到隐含层的权值,U为隐含层自身的权值,Wy为隐含层到输出层的权值,Wz为输入层到更新门的权值,Uz为上一时刻隐含层到更新门的权值,Wr为输入层到重置门的权值,Ur为上一时刻隐含层到重置门的权值;/>
所述通过CS布谷鸟搜索算法对GRU神经网络模型进行优化的方法具体为:
通过CS布谷鸟搜索算法对GRU神经网络的超参数进行优化。
作为优选实施方式,所述目标电能表在待测时刻的电能表性能影响数据包括:
待测时刻的电流值ir、待测时刻的环境温度数据序列f1r、待测时刻的相对湿度数据序列f2r、待测时刻的风速数据序列f3r、待测时刻的光照数据序列f4r以及待测时刻的气压数据序列f5r。
作为优选实施方式,采集目标电能表在预设时间段内的历史电流值数据形成电流时间序列,将该电流时间序列输入至训练完成的ARIMA模型预测获取所述待测时刻的电流值ir;
所述环境温度数据序列f1r、相对湿度数据序列f2r、风速数据序列f3r、光照数据序列f4r、气压数据序列f5r均通过采集待测时刻的天气预报信息获取。
另一方面,本发明还提供一种电能表状态预测系统,包括:
采集模块,用于获取预设时间段内的历史数据,所述历史数据包括目标电能表的历史性能影响数据集以及历史状态监测结果数据集;
特征提取模块,采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;
构建模块,用于搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;
训练模块,用于通过历史特征集和历史状态监测结果数据集建立训练样本集,通过训练样本集对优化后的GRU神经网络模型进行迭代训练,得到训练好的电能表状态预测模型;
预测模块,用于获取目标电能表在待测时刻的电能表性能影响数据,将待测时刻的电能表性能影响数据输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果。
再一方面,本发明还提供一种电子设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如本发明任一实施例所述的一种电能表状态预测方法。
再一方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被执行时实现如本发明任一实施例所述的一种电能表状态预测方法。
本发明具有如下有益效果:
1、本发明一种电能表状态预测方法、系统、设备和存储介质,采用模型FPN模型对历史性能影响数据集进行特征提取,能够获取多维度的特征,结合历史特征集和历史状态监测结果数据集对经过CS算法优化后的GRU神经网络模型进行训练,从而得到精度较高的电能表状态预测模型,基于训练好的电能表状态预测模型,能够基于未来任一时刻的电能表性能影响数据,预测目标电能表在该时刻的预测状态结果,实现对未来时刻的电能表状态的预测,及时发现状态异常的电能表,避免了电能表计量失准的问题。
2、本发明一种电能表状态预测方法、系统、设备和存储介质,本发明采用的电能表性能影响数据包括待测时刻的电流值ir、待测时刻的环境温度数据序列f1r、待测时刻的相对湿度数据序列f2r、待测时刻的风速数据序列f3r、待测时刻的光照数据序列f4r以及待测时刻的气压数据序列f5r,其中待测时刻的电流值ir通过训练完成的ARIMA模型预测获取;而环境温度数据序列f1r、相对湿度数据序列f2r、风速数据序列f3r、光照数据序列f4r、气压数据序列f5r均通过采集待测时刻的天气预报信息获取,无需现场测量,除去了人工测量参数的繁琐过程,提高了工作效率并避免了人工测量带来的误差。
附图说明
图1为本发明实施例一的方法流程图;
图2为本发明实施例二的系统结构示意图;
图3为本发明实施例三的电子设备结构示意图。
图中附图标记为:
210、采集模块;220、特征提取模块;230、构建模块;240、训练模块;250、预测模块;3、电子设备;310、存储器;3101、可运行程序;320、处理器。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅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。
应当理解,文中所使用的步骤编号仅是为了方便描述,不对作为对步骤执行先后顺序的限定。
应当理解,在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样,除非上下文清楚地指明其它情况,否则单数形式的“一”、“一个”及“该”意在包括复数形式。
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
实施例一:
如背景技术所言,目前对电能表进行状态检测需要获取误差状态数据,这同样也需要人工检测并耗费大量时间,且仅能根据当下的误差状态进行电能表的状态检测,无法对未来电能表的状态实现预测。基于此,本申请的发明人经过深入研究,设计出一种电能表状态预测方法,以解决上述问题;
参见图1,本实施例提供的一种电能表状态预测方法,具体包括以下步骤:
S110、获取预设时间段内的历史数据,所述历史数据包括目标电能表的历史性能影响数据集以及历史状态监测结果数据集;
作为本实施例的优选实施方式,所述历史性能影响数据集包括:
历史环境温度数据序列f1、历史相对湿度数据序列f2、历史风速数据序列f3、历史光照数据序列f4、历史气压数据序列f5、历史电流值i6以及使用周年数y8;
还包括一突出特征o7,计算突出特征o7的公式如下:
式(1)中,f1、f2、f3、f4、f5分别为历史环境温度数据序列、历史相对湿度数据序列、历史风速数据序列、历史光照数据序列和历史气压数据序列,max()表示取最大值函数。feature name表示为f1、f2、f3、f4、f5这5特征数据归一化为同一量程后,最大值的特征名;突出特征的加入,可以充分表征电能表状态与最大影响的特征之间的联系。
作为本实施例的优选实施方式,所述历史状态监测结果数据集包括:
电能表的正常状态监测结果数据集、异常状态监测结果数据集和告警状态监测结果数据集。
具体地,设置历史检测时刻为t,采集在(t-100,t)时间段内的电能表进行离线检测过的历史状态监测结果数据集。示例地,分别记录(t-100,t)时间段内的每小时的历史环境温度数据序列为f1(摄氏度)、历史相对湿度数据序列f2(%)、历史风速数据序列f3(m/s)、历史光照数据序列f4(坎德拉)、历史气压数据序列f5(Pa)。且记录检测时刻为t的时候的历史电流值i6,同时,采集(t-100,t)时间段内的历史状态监测结果数据集g,其包括正常状态数据集、异常状态数据集、告警状态数据集,其中,异常状态表示电能表的状态监测结果数据中的部分数据与设定的阈值范围出现了小幅度偏差,可能存在异常,需要安排检查;告警状态表示电能表的状态监测结果数据中出现了至少一项数据与设定的阈值范围出现了大幅度偏差,需要告警上送,立刻安排检修。并将f1、f2、f3、f4、f5、i6、o7、y8、g均进行预处理,得到新的f1’、f2’、f3’、f4’、f5’、i6’、o7’、y8’、g’;预处理如对历史性能影响数据集中的异常值、缺失值作补齐处理使其可用;再如对输入数据进行归一化处理使其变为无量纲数据;再如将历史状态监测结果数据由文本数据转化为计算机能识别的结构化数据等。
可选地,历史电流值i6的获取方式如下:
采集电流互感器的一次侧电流数据,以获取历史电流值i6。
S120、采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;
具体地,将(f1’、f2’、f3’、f4’、f5’、i6’、o7’、y8’、g’)视作为一个样本,总样本数量为所有进行过离线检测电能表的总次数,将总样本导入至FPN模型,FPN模型是一种利用常规CNN模型来高效提取各维度特征的方法,以对(f1’、f2’、f3’、f4’、f5’、i6’、o7’、y8’)进行特征提取,将输入层的数据与卷积核进行卷积计算,其表达式为:
式(3)中,e为自然常数,x为输入数据。
S130、搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;
具体地,所述GRU神经网络模型为循环神经网络,包括更新门和重置门,更新门用于控制前一时刻的状态信息被带入到当前状态中的程度,更新门的值越大说明前一时刻的状态信息带入越多。重置门用于控制前一状态有多少信息被写入到当前的候选集上,重置门越小,前一状态的信息被写入的越少;
具体地,GRU神经网络模型的计算过程包括:
通过下式计算更新门:
zt=σ(Wzxt+Uzht-1) (4)
通过下式计算重置门:
rt=σ(Wrxt+Urht-1) (5)
通过下式计算候选集:
通过下式计算当前时刻的状态信息:
通过下式计算模型输出:
y=σ(htWy) (8)
上面各式中,zt为t时刻更新门的输出,rt为t时刻重置门的输出,xt为t时刻的输入,ht-1为t-1时刻的状态信息,ht为t时刻的状态信息,为t时刻的候选集,y为GRU神经网络模型的输出,σ为sigmoid函数,tanh为双曲正切函数,⊙表示矩阵中对应的元素相乘,Wz、Uz、Wr、Ur、W、U、Wy为GRU神经网络模型中的部分超参数,其中,W为输入层到隐含层的权值,U为隐含层自身的权值,Wy为隐含层到输出层的权值,Wz为输入层到更新门的权值,Uz为上一时刻隐含层到更新门的权值,Wr为输入层到重置门的权值,Ur为上一时刻隐含层到重置门的权值;
通过CS布谷鸟搜索算法对GRU神经网络模型的超参数进行优化;具体为:建立CS-GRU模型,设定鸟窝规模Psize,最大迭代次数为Miter,被宿主鸟发现的最大概率为Pa,选择测试集均方误差作为适应度函数,计算所有鸟窝适应度值。其中,每个鸟窝位置包含的GRU神经网络模型的超参数有迭代次数、学习率和两个隐含层节点。在进行全局搜索时,保存上一代质量最好的鸟窝方位,通过下式来调整鸟窝方位,计算鸟窝的适应度,并将上一代劣质的鸟窝方位替换;
其中:
再进行局部搜索:利用上式调整方位后,每个解产生一个随机数R,表示布谷鸟鸟蛋被发觉的几率,此时R与Pa=0.25比较,若R<Pa,鸟窝不被抛弃,并将更新适应度,保留最优鸟窝,直到搜索结束,若R>Pa,此鸟窝被抛弃,产生一个新的鸟窝,具体公式如下式:
最后输出最优解:判定算法是否达到最大迭代终止条件或设置的误差,如果满足该条件,输出最优解,将最优解的鸟窝位置的迭代次数、学习率和两个隐含层节点作为GRU神经网络模型的超参数,否则返回全局搜索继续迭代。将优化后的超参数均输入至GRU神经网络模型中。
S140、通过历史特征集和历史状态监测结果数据集g’建立训练样本集,通过训练样本集对优化后的GRU神经网络模型进行迭代训练,直到达到迭代终止条件,保存GRU神经网络模型的参数,得到训练好的电能表状态预测模型;
S150、获取目标电能表在待测时刻的电能表性能影响数据,具体包括:待测时刻的电流值ir、待测时刻的环境温度数据序列f1r、待测时刻的相对湿度数据序列f2r、待测时刻的风速数据序列f3r、待测时刻的光照数据序列f4r、待测时刻的气压数据序列f5r、待测时刻的突出特征o7r以及待测时刻的使用周年数y8r;
其中,环境温度数据序列f1r、相对湿度数据序列f2r、风速数据序列f3r、光照数据序列f4r、气压数据序列f5r均通过采集待测时刻的天气预报信息获取;待测时刻的突出特征o7r与上述历史性能影响数据中的突出特征o7的计算方法相同,也是计算环境温度数据序列f1r、相对湿度数据序列f2r、风速数据序列f3r、光照数据序列f4r、气压数据序列f5r之间的最大值,待测时刻的使用周年数y8r可以直接获取;
待测时刻的电流值ir通过训练完成的ARIMA模型预测获取。
具体地,采集目标电能表在预设时间段内的历史一次侧电流值数据,形成电流时间序列I,导入线性ARIMA模型提取电流值的序列线性特征。一次侧电流值序列往往是非平稳的,故首先对电流时间序列进行一阶差分处理,观察序列平稳性,若序列变平稳记d=1,否则再进行二阶差分处理,以此类推,采用目测法记录差分阶数d。绘制时间序列I的自相关系数图和偏自相关系数图,偏自相关系数在p阶之后应为零,称其具有截尾性,自相关系数不能在某一步之后为零(截尾)而是按指数衰减(或成正弦波形式),称其具有拖尾性。通过两图的特征由专家判断确定I选择的模型及模型参数,得到模型参数并训练模型ARIMA(p,q,d),对电流值进行单步预测,得到待测时刻的电流值数ir。
如此,获得待测时刻的电能表性能影响数据后,对f1r、f2r、f3r、f4r、f5r、o7r、y8r、ir均进行预处理,并将预处理后的f1r、f2r、f3r、f4r、f5r、o7r、y8r、ir输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果。
实施例二:
图2为本实施例提供的一种电能表状态预测系统的结构示意图,该系统包括:
采集模块,获取预设时间段内的历史数据,所述历史数据包括目标电能表的历史性能影响数据集以及历史状态监测结果数据集;该模块用于实现实施例一中步骤S100的功能,在此不再赘述;
特征提取模块,采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;该模块用于实现实施例一中步骤S200的功能,在此不再赘述;
构建模块,用于搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;该模块用于实现实施例一中步骤S300的功能,在此不再赘述;
训练模块,用于通过历史特征集和历史状态监测结果数据集建立训练样本集,通过训练样本集对优化后的GRU神经网络模型进行迭代训练,得到训练好的电能表状态预测模型;该模块用于实现实施例一中步骤S400的功能,在此不再赘述;
预测模块,用于获取目标电能表在待测时刻的电能表性能影响数据,将待测时刻的电能表性能影响数据输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果;该模块用于实现实施例一中步骤S500的功能,在此不再赘述。
实施例三:
图3是本实施例提供的一种电子设备的结构示意图。所述电子设备用于电能表的状态预测。如图3所示,该实施例的电子设备3至少包括:存储器310、处理器320以及系统总线330,所述存储器310包括存储其上的可运行的程序3101,本领域技术人员可以理解,图3中示出的电子设备结构并不构成对电子设备的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件布置。
下面结合图3对电子设备的各个构成部件进行具体的介绍:
存储器310可用于存储软件程序以及模块,处理器320通过运行存储在存储器310的软件程序以及模块,从而执行电子设备的各种功能应用以及数据处理。存储器310可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等;存储数据区可存储根据电子设备的使用所创建的数据(比如缓存数据)等。此外,存储器310可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
在存储器310上包含网络请求方法的可运行程序3101,所述可运行程序3101可以被分割成一个或多个模块/单元,所述一个或多个模块/单元被存储在所述存储器310中,并由处理器320执行,以实现电能表的状态预测等,所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述所述计算机程序3101在所述电子设备3中的执行过程。例如,所述计算机程序3101可以被分割为采集和预处理模块、特征提取模块、构建模块、预测模块等。
处理器320是电子设备的控制中心,利用各种接口和线路连接整个电子设备的各个部分,通过运行或执行存储在存储器310内的软件程序和/或模块,以及调用存储在存储器310内的数据,执行电子设备的各种功能和处理数据,从而对电子设备进行整体状态监控。可选的,处理器320可包括一个或多个处理单元;优选的,处理器320可集成应用处理器和调制解调处理器,其中,应用处理器主要处理操作系统、应用程序等,调制解调处理器主要处理无线通信。可以理解的是,上述调制解调处理器也可以不集成到处理器320中。
系统总线330是用来连接计算机内部各功能部件,可以传送数据信息、地址信息、控制信息,其种类可以是例如PCI总线、ISA总线、CAN总线等。处理器320的指令通过总线传递至存储器310,存储器310反馈数据给处理器320,系统总线330负责处理器320与存储器310之间的数据、指令交互。当然系统总线330还可以接入其他设备,例如网络接口、显示设备等。
在本发明实施例中,该电子设备所包括的处理320执行的可运行程序包括:
获取预设时间段内的历史数据,所述历史数据包括目标电能表的历史性能影响数据集以及历史状态监测结果数据集;
采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;
搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;
通过历史特征集和历史状态监测结果数据集建立训练样本集,通过训练样本集对优化后的GRU神经网络模型进行迭代训练,得到训练好的电能表状态预测模型;
获取目标电能表在待测时刻的电能表性能影响数据,将待测时刻的电能表性能影响数据输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果。
实施例四:
本实施例提出一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被执行时实现如本发明任一实施例所述的一种电能表状态预测方法。
本申请实施例中,“至少一个”是指一个或者多个,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示单独存在A、同时存在A和B、单独存在B的情况。其中A,B可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达,是指的这些项中的任意组合,包括单项或复数项的任意组合。例如,a,b和c中的至少一项可以表示:a,b,c,a和b,a和c,b和c或a和b和c,其中a,b,c可以是单个,也可以是多个。
本领域普通技术人员可以意识到,本文中公开的实施例中描述的各单元及算法步骤,能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,任一功能如果以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,本申请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)执行本申请各个实施例所述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(Read-Only Memory;以下简称:ROM)、随机存取存储器(Random Access Memory;以下简称:RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种电能表状态预测方法,其特征在于,包括以下步骤:
获取预设时间段内的历史数据,所述历史数据包括目标电能表的历史性能影响数据集以及历史状态监测结果数据集;
采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;
搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;
通过历史特征集和历史状态监测结果数据集建立训练样本集,通过训练样本集对优化后的GRU神经网络模型进行迭代训练,得到训练好的电能表状态预测模型;
获取目标电能表在待测时刻的电能表性能影响数据,将待测时刻的电能表性能影响数据输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果。
2.根据权利要求1所述的一种电能表状态预测方法,其特征在于,所述历史性能影响数据集包括:
历史环境温度数据序列f1、历史相对湿度数据序列f2、历史风速数据序列f3、历史光照数据序列f4、历史气压数据序列f5、历史电流值i6以及使用周年数y8。
4.根据权利要求1所述的一种电能表状态预测方法,其特征在于,所述历史状态监测结果数据集包括:
电能表的正常状态监测结果数据集、异常状态监测结果数据集和告警状态监测结果数据集。
5.根据权利要求1所述的一种电能表状态预测方法,其特征在于,所述GRU神经网络模型为循环神经网络,包括更新门和重置门,GRU神经网络模型的计算过程包括:
通过下式计算更新门:
zt=σ(Wzxt+Uzht-1);
通过下式计算重置门:
rt=σ(Wrxt+Urht-1);
通过下式计算候选集:
通过下式计算当前时刻的状态信息:
通过下式计算模型输出:
y=σ(htWy);
其中,zt为t时刻更新门的输出,rt为t时刻重置门的输出,xt为t时刻的输入,ht-1为t-1时刻的状态信息,ht为t时刻的状态信息,为t时刻的候选集,y为GRU神经网络模型的输出,σ为sigmoid函数,tanh为双曲正切函数,⊙表示矩阵中对应的元素相乘,Wz、Uz、Wr、Ur、W、U、Wy为GRU神经网络模型的超参数,其中,W为输入层到隐含层的权值,U为隐含层自身的权值,Wy为隐含层到输出层的权值,Wz为输入层到更新门的权值,Uz为上一时刻隐含层到更新门的权值,Wr为输入层到重置门的权值,Ur为上一时刻隐含层到重置门的权值;
所述通过CS布谷鸟搜索算法对GRU神经网络模型进行优化的方法具体为:
通过CS布谷鸟搜索算法对GRU神经网络模型的超参数进行优化。
6.根据权利要求1所述的一种电能表状态预测方法,其特征在于,所述目标电能表在待测时刻的电能表性能影响数据包括:
待测时刻的电流值ir、待测时刻的环境温度数据序列f1r、待测时刻的相对湿度数据序列f2r、待测时刻的风速数据序列f3r、待测时刻的光照数据序列f4r以及待测时刻的气压数据序列f5r。
7.根据权利要求6所述的一种电能表状态预测方法,其特征在于:
采集目标电能表在预设时间段内的历史电流值数据形成电流时间序列,将该电流时间序列输入至训练完成的ARIMA模型预测获取所述待测时刻的电流值ir;
所述环境温度数据序列f1r、相对湿度数据序列f2r、风速数据序列f3r、光照数据序列f4r、气压数据序列f5r均通过采集待测时刻的天气预报信息获取。
8.一种电能表状态预测系统,其特征在于,包括:
采集模块,用于获取预设时间段内的历史数据,所述历史数据包括目标电能表的历史性能影响数据集以及历史状态监测结果数据集;
特征提取模块,采用FPN模型对历史性能影响数据集进行特征提取,获取历史特征集;
构建模块,用于搭建GRU神经网络模型,并通过CS布谷鸟搜索算法对GRU神经网络模型进行优化;
训练模块,用于通过历史特征集和历史状态监测结果数据集建立训练样本集,通过训练样本集对优化后的GRU神经网络模型进行迭代训练,得到训练好的电能表状态预测模型;
预测模块,用于获取目标电能表在待测时刻的电能表性能影响数据,将待测时刻的电能表性能影响数据输入至FPN模型获取当前特征,将当前特征输入至训练好的电能表状态预测模型,得到待测时刻的电能表预测状态结果。
9.一种电子设备,包括存储器、处理器以及存储在所述存储器中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计算机程序时实现如权利要求1至7任一项所述的一种电能表状态预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被执行时实现如权利要求1至7任一项所述的一种电能表状态预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499664.8A CN115879607A (zh) | 2022-11-28 | 2022-11-28 | 一种电能表状态预测方法、系统、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211499664.8A CN115879607A (zh) | 2022-11-28 | 2022-11-28 | 一种电能表状态预测方法、系统、设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115879607A true CN115879607A (zh) | 2023-03-31 |
Family
ID=85764270
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211499664.8A Pending CN115879607A (zh) | 2022-11-28 | 2022-11-28 | 一种电能表状态预测方法、系统、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115879607A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN117215356A (zh) * | 2023-11-01 | 2023-12-12 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
-
2022
- 2022-11-28 CN CN202211499664.8A patent/CN115879607A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116400201A (zh) * | 2023-06-06 | 2023-07-07 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN116400201B (zh) * | 2023-06-06 | 2023-08-11 | 中诚华隆计算机技术有限公司 | 一种芯粒工作状态监测方法、装置、电子设备及存储介质 |
CN117215356A (zh) * | 2023-11-01 | 2023-12-12 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
CN117215356B (zh) * | 2023-11-01 | 2024-02-27 | 广州市枫祺软件科技有限责任公司 | 一种配电柜的智能控制方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115879607A (zh) | 一种电能表状态预测方法、系统、设备和存储介质 | |
JP6129028B2 (ja) | 建物動力設備のエネルギー消費量予測方法 | |
CN110807554B (zh) | 基于风电/光伏经典场景集的生成方法及系统 | |
CN111461453B (zh) | 一种基于多模型组合的中长期径流集合预报方法 | |
JP2019032185A (ja) | センサ制御支援装置、センサ制御支援方法およびコンピュータプログラム | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN111310965A (zh) | 一种基于lstm网络的飞行器航迹预测方法 | |
CN101853290A (zh) | 基于地理信息系统的气象服务效益评估方法 | |
Lee et al. | Cultural heritage and the intelligent internet of things | |
CN108399434B (zh) | 基于特征提取的高维时间序列数据的分析预测方法 | |
Abudu et al. | Modeling of daily pan evaporation using partial least squares regression | |
CN107180152A (zh) | 疾病预测系统及方法 | |
Zhang et al. | An automatic and effective parameter optimization method for model tuning | |
JP2017091278A (ja) | 学習装置、予測装置、学習方法、予測方法、およびプログラム | |
Yuan et al. | Calibration of stochastic computer models using stochastic approximation methods | |
CN115271181A (zh) | 一种基于多模态数据融合的台风概率预报智能方法及装置 | |
Chen et al. | Short-term wind power forecasting using mixed input feature-based cascade-connected artificial neural networks | |
CN115545334A (zh) | 土地利用类型预测方法、装置、电子设备及存储介质 | |
CN114862032A (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN113361194B (zh) | 一种基于深度学习的传感器漂移校准方法、电子设备及存储介质 | |
Zong et al. | Embedded software fault prediction based on back propagation neural network | |
CN116502161A (zh) | 一种基于动态超图神经网络的异常检测方法 | |
CN116779172A (zh) | 一种基于集成学习的肺癌疾病负担风险预警方法 | |
Sarmas et al. | Baseline energy modeling for improved measurement and verification through the use of ensemble artificial intelligence models | |
Yang et al. | Monitoring and uncertainty analysis of feedwater flow rate using data-based modeling methods |
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 |