CN115932704A - 一种基于模型和数据双驱动的cvt误差测量方法及系统 - Google Patents
一种基于模型和数据双驱动的cvt误差测量方法及系统 Download PDFInfo
- Publication number
- CN115932704A CN115932704A CN202211343264.8A CN202211343264A CN115932704A CN 115932704 A CN115932704 A CN 115932704A CN 202211343264 A CN202211343264 A CN 202211343264A CN 115932704 A CN115932704 A CN 115932704A
- Authority
- CN
- China
- Prior art keywords
- error
- cvt
- model
- metering
- data
- 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
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明提供了一种基于模型和数据双驱动的CVT误差测量方法,通过获取实时CVT环境因素监测数据和实时CVT计量监测数据;构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差;获取训练完备的误差集成模型,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差;根据目标计量附加误差以及机理计量误差确定CVT实际计量误差。本发明通过计量误差机理模型和误差集成模型测量CVT的实际计量误差,从模型和数据驱动测量增强了测量值的准确性,实现CVT实际计量误差的精确测量。
Description
技术领域
本发明提出了一种基于模型和数据双驱动的CVT误差测量方法,属于电力行业数据分析领域。
背景技术
电网规模与日俱增。CVT作为常规的电能计量设备,凭借其优秀的绝缘性能和成本优势作为常规的电能计量设备广泛应用于国家电网中,但其运行工况多变,计量误差会受到外界环境和自身等多方面因素的影响,在长期运行中会出现绝缘性能下降、误差超差、故障率高等问题,从而直接影响电力计量的准确性和电力系统交易的公平性。因此,如何实现CVT计量误差的精准实时在线测量,提高系统的准确计量和运维预警能力,从而保护电力系统的长期稳定运行,是目前智能电网领域亟需解决的一大难题。CVT的计量误差会受到环境温度、湿度、环境污秽、电磁场和二次负载等情况的影响。而传统的模型驱动解决此问题需要通过分析多因素来构建数学模型进行线性叠加,不仅忽视了各个因素之间的耦合信息、没有更多考虑底层的物理机理因素导致结果不准确,还会由于多因素模型的复杂性而不易求解。
由于模型驱动方面存在缺陷,随着人工智能的快速发展,可以提取历史 CVT运行中环境样本数据并以此进行数据挖掘,考虑运用机器学习和深度学习,基于数据驱动建立附加误差实时计算模型。在数据样本量庞大且整体样本数据质量较高的情况下,基于数据驱动得到的结果的明显较高,但目前电网对相关异常数据尚处于初始阶段,存在整体样本不足且总体质量偏低等问题。针对CVT计量误差实时计算问题,考虑到多因素的共同影响,若仅基于模型驱动来进行整体的计量误差矫正,会出现模型需要考虑多因素而难以构建且模型得到的结果不准确等问题。若只选择基于数据驱动进行运维状态评估,但是单一的数据驱动模型准确度较低且鲁棒性较差。
因此本发明提供一种基于模型和数据双驱动的CVT误差测量方法,采用数据和模型双驱动的方式对CVT误差测量进行测量,解决模型驱动测量,模型难以构建,单一的数据驱动模型测量准确度较低且鲁棒性较差的问题。
发明内容
有鉴于此,为解决现有模型驱动测量,模型难以构建,数据驱动测量数据样本质量不足导致模型准确度较低且鲁棒性较差的问题,有必要提供一种环保型绝缘型气体放电分解特性检测评估方法来简化检测方案,形成规律性结论用于实际应用。
为达到上述目的,本发明提供了以下技术方案:
本发明提供了一种基于模型和数据双驱动的CVT误差测量方法,包括:
获取实时CVT环境因素监测数据和实时CVT计量监测数据;
构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差;
获取训练完备的误差集成模型,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差;
根据目标计量附加误差以及机理计量误差确定CVT实际计量误差。
在一些可能实现的方式中,所述获取训练完备的误差集成模型,包括:
采集CVT环境因素监测数据,并基于所述CVT环境因素监测数据构建环境因素数据样本集;
构建误差集成模型,并基于所述环境因素数据样本集,对所述误差集成模型进行训练,得到训练完备的误差集成模型。
在一些可能实现的方式中,所述误差集成模型包括基学习器层和元学习器层;
所述基学习器层包括至少三个算法模型作为基学习器层的基学习器。
在一些可能实现的方式中,构建误差集成模型,并基于所述环境因素数据样本集,对所述误差集成模型进行训练,得到训练完备的误差集成模型,包括:
基于所述环境因素数据样本集对所述基学习器层的基学习器进行K折交叉验证训练,得到训练完备的基学习器层;
将所述环境因素数据样本集数据输入至训练完备的基学习器层得到第一元数据集;
基于所述权重分配模型对所述第一元数据集的数据从时间维度和精度进行权重分配得到第二元数据集;
基于所述第二元数据集对所述元学习器层的算法模型进行训练得到训练完备的元学习器层,即得到训练完备的误差集成模型。
在一些可能实现的方式中,所述基学习器层还包括权重分配模型;所述权重分配模型包括时间权重函数和精度权重函数;所述方法还包括:
根据所述时间权重函数确定每个基学习器预测结果的时间权重;
根据所述精度权重函数以及每个基学习器的预测精度确定每个基学习器精度权重。
在一些可能实现的方式中,所述获取实时CVT环境因素监测数据和实时 CVT计量监测数据,包括:
所述CVT计量监测数据为运维传感器采集的CVT的幅值和相位数据;
所述CVT环境因素监测数据包括运行参量监测系统采集的数据其中包括气候环境数据和运行工况数据;
所述气候环境数据包括CVT工作环境温度、湿度;
运行工况数据包括CVT表面污秽、CVT环境电场和CVT二次负载。
在一些可能实现的方式中,基于所述训练完备的误差集成模型对所述实时 CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差,包括:
将所述实时CVT环境因素监测数据输入至所述基学习器层,基于所述基学习器层对所述计量附加误差进行预测得到第一目标元数据集;
基于所述权重分配模型对所第一目标元数据集数据进行权重分配,得到第二目标元数据集;
将所述第二目标元数据集输入至所述元学习器层,对所述计量附加误差进行预测得到目标计量附加误差。
在一些可能实现的方式中,所述构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差,包括:
将所述CVT的幅值和相位数据输入至所述计量误差机理模型通过计量误差机理模型公式计算确定理想计量误差。
在一些可能实现的方式中,根据所述精度权重函数以及每个基学习器的预测精度确定每个基学习器权重,包括:
根据每个基学习器预测结果计算的每个基学习器的预测结果的平均绝对百分比误差值;
基于所述每个基学习器的平均绝对百分比误差值以及精度权重函数确定每个基学习器结果的权重。
在另一方面,本发明还提供一种基于模型和数据双驱动的CVT误差测量系统,包括:
数据获取单元,用于获取实时CVT环境因素监测数据和实时CVT计量监测数据;
机理模型构建单元,用于构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差;
误差集成模型获取单元,用于获取训练完备的误差集成模型,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差;
实际计量误差预测单元,根据目标计量附加误差以及机理计量误差确定 CVT实际计量误差。
与现有技术相比,本发明有益效果包括:一种基于模型和数据双驱动的 CVT误差测量方法,数据驱动采用本发明提出的计量误差集成模型,计量误差集成模型为一种改进Stacking集成模型,通过在集成模型中加入权重,对基学习器层的预测结果进行权重分配得到第二元数据集,使得为元学习器层提供的数据质量更好,使元学习器的预测结果更加精准,同时在基学习器层采用多个算法模型为基学习器提高了通过集成模型的泛化能力和鲁棒性。
进一步,本发明通过计量误差机理模型来预测理性计量误差,解决了模型需要考虑多因素而难以构建且模型得到的结果不准确的问题,通过模型驱动的计量误差机理模型和数据驱动的计量误差集成模型,通过数据和模型双驱动提高了对CVT的误差的测量的准确度,实现了CVT计量误差的精准测量。
附图说明
图1为本发明提供的基于模型和数据双驱动的CVT误差测量方法一实施例的流程图;
图2为本发明提供的基于模型和数据双驱动的CVT误差测量系统一实施例的结构图。
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,本领域技术人员在没有做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,示意性的附图并未按实物比例绘制。本发明中使用的流程图示出了根据本发明的一些实施例实现的操作。应当理解,流程图的操作可以不按顺序实现,没有逻辑的上下文关系的步骤可以反转顺序或者同时实施。此外,本领域技术人员在本发明内容的指引下,可以向流程图添加一个或多个其他操作,也可以从流程图中移除一个或多个操作。
附图中所示的一些方框图是功能实体,不一定必须与物理或逻辑上独立的实体相对应。可以采用软件形式来实现这些功能实体,或在一个或多个硬件模块或集成电路中实现这些功能实体,或在不同网络和/或处理器系统和/或微控制器系统中实现这些功能实体。
在本文中提及“实施例”意味着,结合实施例描述的特定特征、结构或特性可以包含在本发明的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例,也不是与其他实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其他实施例相结合。
本发明实施例提供了一种基于模型和数据双驱动的CVT误差测量方法以下分别进行说明。
图1为本发明提供的基于模型和数据双驱动的CVT误差测量方法一实施例的流程图,包括以下步骤:
S101、获取实时CVT环境因素监测数据和实时CVT计量监测数据;
S102、构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT 计量监测数据进行计量误差分析确定理想计量误差;
S103、获取训练完备的误差集成模型,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差;
S104、根据目标计量附加误差以及机理计量误差确定CVT实际计量误差。
需要说明的是,所述CVT(Capacitance type voltage transformer)为电容式电压互感器,是由串联电容器分压,再经电磁式互感器降压和隔离,作为表计、继电保护等的一种电压互感器。
进一步需要说明的是,所述误差集成模型是一种改进的Stacking集成模型。
与现有技术相比,一种基于模型和数据双驱动的CVT误差测量方法,数据驱动采用本发明提出的计量误差集成模型,计量误差集成模型为一种改进 Stacking集成模型,通过在集成模型中加入权重,对基学习器层的预测结果进行权重分配得到第二元数据集,使得为元学习器层提供的数据质量更好,使元学习器的预测结果更加精准,同时在基学习器层采用多个算法模型为基学习器提高了通过集成模型的泛化能力和鲁棒性。
进一步,本发明通过计量误差机理模型来预测理性计量误差,解决了模型需要考虑多因素而难以构建且模型得到的结果不准确的问题,通过模型驱动的计量误差机理模型和数据驱动的计量误差集成模型,通过数据和模型双驱动提高了对CVT的误差的测量的准确度,实现了CVT计量误差的精准测量。
在本发明实施例中,所述获取训练完备的误差集成模型,包括:
采集CVT环境因素监测数据,并基于所述CVT环境因素监测数据构建环境因素数据样本集;
构建误差集成模型,并基于所述环境因素数据样本集,对所述误差集成模型进行训练,得到训练完备的误差集成模型。
需要说明的是,所述CVT环境因素监测数据为运行参量监测系统采集的数据,其一部分是气候环境数据,包括CVT工作环境温度、湿度;另一部分是运行工况数据,包括表面污秽、环境电场和二次负载等。
在本发明实施例中,所述误差集成模型包括基学习器层和元学习器层;
所述基学习器层包括至少三个算法模型作为基学习器层的基学习器。
在具体实施例中,模型算法可以为XGBoost、岭回归算法、RF、SVR、 GBDT、LSTM算法模型。
CVT计量误差数据经分解后不同频段可归为低频、中频和高频三类,整体特征比较复杂。其中低频信号分量规律性较为明显,变化缓慢、波形平滑。梯度提升树(GradientBoosted Decision Tree,GBDT)与其改进算法极致梯度提升(eXtreme GradientBoosting,XGBoost)泛化能力强,同时精度也可以满足应用要求,可以应用于对CVT计量误差中低频信号的实时计算。高频信号部分具有一定的随机性和波动性,采用长短期记忆(Long short-term memory,LSTM) 算法可以在长期时序的计量误差实时计算中挖掘中更多的数据波动规律,通过非线性映射完成高频信号部分的模型训练。SVR支持向量回归算法(Support Vector Regression)、RF算法模型可以有效挖掘数据分解后的高频信号,且SVM泛化和拟合能力强,可以有效解决高维特征的回归问题,RF为随机森林算法 (randomforests,RF)不容易发生过拟合,抗噪声能力强。岭回归算法(Ridge RegressionAlgorithm)可以处理分解后的低频分量信号,学习速度快且运算效率高。
在本发明实施例中,所述构建误差集成模型,并基于所述环境因素数据样本集,对所述误差集成模型进行训练,得到训练完备的误差集成模型,包括:
基于所述环境因素数据样本集对所述基学习器层的基学习器进行K折交叉验证训练,得到训练完备的基学习器层;
将所述环境因素数据样本集数据输入至训练完备的基学习器层得到第一元数据集;
基于所述权重分配模型对所述第一元数据集的数据从时间维度和精度进行权重分配得到第二元数据集;
基于所述第二元数据集对所述元学习器层的算法模型进行训练得到训练完备的元学习器层,即得到训练完备的误差集成模型。
在具体的实施例中,将所述环境因素述数据样本集分为训练集和测试集,并对训练集进行K折划分为K份,作为基元学习器层K个基学习器的基础数据进行K折交叉验证训练得到训练完备的基学习器层,并基于基础数据以及训练完备的基学习器层进行预测得到第一元数据集,基于所述权重分配模型对所述元数据集的数据从时间维度和精度进行权重分配得到第二元数据集。
将第二元数据集作为元学习器层的训练集对所述元学习器层进行训练,通过测试集对训练完毕元学习器层进行测试,当元学习器层进行测试结果符合误差阈值得到训练完备的误差集成模型,反之继续训练直至得到训练完备的误差集成模型。
需要说明的是,所述误差阈值包括均方误差(MSE)、均方根误差(RMSE) 和平均绝对误差(MAE),具体误差阈值计算公式如下:
在本发明实施例中,所述基学习器层还包括权重分配模型;所述权重分配模型包括时间权重函数和精度权重函数;所述方法还包括:
根据所述时间权重函数确定每个基学习器预测结果的时间权重;
根据所述精度权重函数以及每个基学习器的预测精度确定每个基学习器精度权重。
在具体实施例中,对所述每个基学习器的预测结果的时间权重计算过程如下:
时间权重由最佳时间缩放因子决定,通过对第u个基学习器的K个预测结果进行加权得到加权后的预测结果,加权后的预测结果与元学习器层对附加计量误差进行预测,并将预测结果与没有加权处理的元学习器层的附加计量误差进行预测作比较。如果预测结果改善,则向T增大的方向连续迭代,直到误差不再减小;否则,沿T缩小的方向连续迭代,直到找到最佳时间缩放因子T。
精度权重根据各个基学习器的平均绝对百分比误差值来确定,具体计算公式如下:
在本发明实施例中,所述获取实时CVT环境因素监测数据和实时CVT计量监测数据,包括:
所述CVT计量监测数据为运维传感器采集的CVT的幅值和相位数据;
所述CVT环境因素监测数据包括运行参量监测系统采集的数据其中包括气候环境数据和运行工况数据;
所述气候环境数据包括CVT工作环境温度、湿度;
运行工况数据包括CVT表面污秽、CVT环境电场和CVT二次负载。
需要说明的是,一个时间戳包含12组幅值与相位数据。
在本发明实施例中,基于所述训练完备的误差集成模型对所述实时CVT 环境因素监测数据进行附加计量误差预测确定目标附加计量误差,包括:
将所述实时CVT环境因素监测数据输入至所述基学习器层,基于所述基学习器层对所述计量附加误差进行预测得到第一目标元数据集;
基于所述权重分配模型对所第一目标元数据集数据进行权重分配,得到第二目标元数据集;
将所述第二目标元数据集输入至所述元学习器层,对所述计量附加误差进行预测得到目标计量附加误差。
在具体的实施例中,所述元学习器层采用Extra-Trees算法模型作为的元学习器,采用Extra-Trees算法模型对所述目标计量附加误差进行预测。
在本发明实施例中,所述构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差,包括:
将所述CVT的幅值和相位数据输入至所述计量误差机理模型确定理想计量误差。
在具体的实施例中,所述计量误差机理模型公式为
本发明实施还提供一种基于模型和数据双驱动的CVT误差测量系统,如图2为本发明提供的基于模型和数据双驱动的CVT误差测量系统200,包括:
201、数据获取单元,用于获取实时CVT环境因素监测数据和实时CVT 计量监测数据;
202、机理模型构建单元,用于构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差;
203、误差集成模型获取单元,用于获取训练完备的误差集成模型,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差;
204、实际计量误差预测单元,根据目标计量附加误差以及机理计量误差确定CVT实际计量误差。
本发明实施例提供的一种基于模型和数据双驱动的CVT误差测量方法,数据驱动采用本发明提出的计量误差集成模型,计量误差集成模型为一种改进 Stacking集成模型,通过在集成模型中加入权重,对基学习器层的预测结果进行权重分配得到第二元数据集,使得为元学习器层提供的数据质量更好,使元学习器的预测结果更加精准,同时在基学习器层采用多个算法模型为基学习器提高了通过集成模型的泛化能力和鲁棒性。
进一步,本发明通过计量误差机理模型来预测理性计量误差,解决了模型需要考虑多因素而难以构建且模型得到的结果不准确的问题,通过模型驱动的计量误差机理模型和数据驱动的计量误差集成模型,通过数据和模型双驱动提高了对CVT的误差的测量的准确度,实现了CVT计量误差的精准测量。
本领域技术人员可以理解,实现上述实施例方法的全部或部分流程,可以通过计算机程序来指令相关的硬件(如处理器,控制器等)来完成,计算机程序可存储于计算机可读存储介质中。其中,计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
以上对本发明所提供基于模型和数据双驱动的CVT误差测量方法及系统的进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。
Claims (10)
1.一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,包括:
获取实时CVT环境因素监测数据和实时CVT计量监测数据;
构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差;
获取训练完备的误差集成模型,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差;
根据目标计量附加误差以及机理计量误差确定CVT实际计量误差。
2.根据权利要求1所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,所述获取训练完备的误差集成模型,包括:
采集CVT环境因素监测数据,并基于所述CVT环境因素监测数据构建环境因素数据样本集;
构建误差集成模型,并基于所述环境因素数据样本集,对所述误差集成模型进行训练,得到训练完备的误差集成模型。
3.根据权利要求2所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,所述误差集成模型包括基学习器层和元学习器层;
所述基学习器层包括至少三个算法模型作为基学习器层的基学习器。
4.根据权利要求3所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,构建误差集成模型,并基于所述环境因素数据样本集,对所述误差集成模型进行训练,得到训练完备的误差集成模型,包括:
基于所述环境因素数据样本集对所述基学习器层的基学习器进行K折交叉验证训练,得到训练完备的基学习器层;
将所述环境因素数据样本集数据输入至训练完备的基学习器层得到第一元数据集;
基于所述权重分配模型对所述第一元数据集的数据从时间维度和精度进行权重分配得到第二元数据集;
基于所述第二元数据集对所述元学习器层的算法模型进行训练得到训练完备的元学习器层,即得到训练完备的误差集成模型。
5.根据权利要求3所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,所述基学习器层还包括权重分配模型;所述权重分配模型包括时间权重函数和精度权重函数;所述方法还包括:
根据所述时间权重函数确定每个基学习器预测结果的时间权重;
根据所述精度权重函数以及每个基学习器的预测精度确定每个基学习器精度权重。
6.根据权利要求1所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,
所述CVT计量监测数据为运维传感器采集的CVT的幅值和相位数据;
所述CVT环境因素监测数据包括运行参量监测系统采集的数据其中包括气候环境数据和运行工况数据;
所述气候环境数据包括CVT工作环境温度、湿度;
运行工况数据包括CVT表面污秽、CVT环境电场和CVT二次负载。
7.根据权利要求1所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差,包括:
将所述实时CVT环境因素监测数据输入至所述基学习器层,基于所述基学习器层对所述计量附加误差进行预测得到第一目标元数据集;
基于所述权重分配模型对所第一目标元数据集数据进行权重分配,得到第二目标元数据集;
将所述第二目标元数据集输入至所述元学习器层,对所述计量附加误差进行预测得到目标计量附加误差。
8.根据权利要求1所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,所述构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差,包括:
将所述CVT的幅值和相位数据输入至所述计量误差机理模型通过计量误差机理模型公式计算确定理想计量误差。
9.根据权利要求3所述的一种基于模型和数据双驱动的CVT误差测量方法,其特征在于,根据所述精度权重函数以及每个基学习器的预测精度确定每个基学习器权重,包括:
根据每个基学习器预测结果计算的每个基学习器的预测结果的平均绝对百分比误差值;
基于所述每个基学习器的平均绝对百分比误差值以及精度权重函数确定每个基学习器结果的权重。
10.一种基于模型和数据双驱动的CVT误差测量系统,其特征在于,包括:
数据获取单元,用于获取实时CVT环境因素监测数据和实时CVT计量监测数据;
机理模型构建单元,用于构建计量误差机理模型,并基于计量误差机理模型对所述实时CVT计量监测数据进行计量误差分析确定理想计量误差;
误差集成模型获取单元,用于获取训练完备的误差集成模型,基于所述训练完备的误差集成模型对所述实时CVT环境因素监测数据进行附加计量误差预测确定目标附加计量误差;
实际计量误差预测单元,根据目标计量附加误差以及机理计量误差确定CVT实际计量误差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343264.8A CN115932704A (zh) | 2022-10-31 | 2022-10-31 | 一种基于模型和数据双驱动的cvt误差测量方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211343264.8A CN115932704A (zh) | 2022-10-31 | 2022-10-31 | 一种基于模型和数据双驱动的cvt误差测量方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115932704A true CN115932704A (zh) | 2023-04-07 |
Family
ID=86553100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211343264.8A Pending CN115932704A (zh) | 2022-10-31 | 2022-10-31 | 一种基于模型和数据双驱动的cvt误差测量方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115932704A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485049A (zh) * | 2023-06-25 | 2023-07-25 | 佛山市龙生光启科技有限公司 | 一种基于人工智能的电能计量误差预测与优化系统 |
-
2022
- 2022-10-31 CN CN202211343264.8A patent/CN115932704A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116485049A (zh) * | 2023-06-25 | 2023-07-25 | 佛山市龙生光启科技有限公司 | 一种基于人工智能的电能计量误差预测与优化系统 |
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | A novel state-of-health estimation for the lithium-ion battery using a convolutional neural network and transformer model | |
CN105444923A (zh) | 基于遗传算法优化最小二乘支持向量机的机械式温度仪表误差预测方法 | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
De Wilde et al. | Building simulation approaches for the training of automated data analysis tools in building energy management | |
CN112036042A (zh) | 一种基于变分模态分解的动力设备异常检测方法及系统 | |
CN103885867B (zh) | 一种模拟电路性能的在线评价方法 | |
CN115932704A (zh) | 一种基于模型和数据双驱动的cvt误差测量方法及系统 | |
Zhao et al. | Short-term microgrid load probability density forecasting method based on k-means-deep learning quantile regression | |
Ma et al. | State of health and remaining useful life prediction for lithium-ion batteries based on differential thermal voltammetry and a long and short memory neural network | |
Zhou et al. | Novel probabilistic neural network models combined with dissolved gas analysis for fault diagnosis of oil-immersed power transformers | |
Ma et al. | Measurement error assessment for smart electricity meters under extreme natural environmental stresses | |
CN113890833B (zh) | 网络覆盖预测方法、装置、设备及存储介质 | |
Ma et al. | Online assessment of failure probability for smart meters based on SARIMA-LTFRLS | |
Liang et al. | PM2. 5 concentration forecasting based on data preprocessing strategy and LSTM neural network | |
CN110472801B (zh) | 直流输电线路电磁环境评估方法及系统 | |
Zheng et al. | Reliability analysis of multi-stage degradation with stage-varying noises based on the nonlinear Wiener process | |
Wu et al. | Daily rainfall prediction with SVR using a novel hybrid PSO-SA algorithms | |
CN109840479B (zh) | 健康状态匹配方法及装置 | |
Yu et al. | IRFLMDNN: hybrid model for PMU data anomaly detection and re-filling with improved random forest and Levenberg Marquardt algorithm optimized dynamic neural network | |
Yong et al. | Low Rank Tensor Approximate Discrete Simulation Method of Smart Meter Reliability Prediction | |
Cao et al. | Multi-kernel support vector regression optimization model and indirect health factor extraction strategy for the accurate lithium-ion battery remaining useful life prediction | |
Zhang et al. | Extraction of spatial-temporal features of bus loads in electric grids through clustering in a dynamic model space | |
Zhang et al. | Performance Evaluation for Smart Electricity Meters Using Machine Learning | |
Zhai et al. | Degradation prediction of 65 kW proton exchange membrane fuel cells on city buses using a hybrid approach with the advantage actor-critic method |
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 |