CN116028822A - 一种电能表误差状态评估方法、系统、设备及存储介质 - Google Patents
一种电能表误差状态评估方法、系统、设备及存储介质 Download PDFInfo
- Publication number
- CN116028822A CN116028822A CN202310323470.0A CN202310323470A CN116028822A CN 116028822 A CN116028822 A CN 116028822A CN 202310323470 A CN202310323470 A CN 202310323470A CN 116028822 A CN116028822 A CN 116028822A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- sample set
- target
- offline training
- 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
Links
- 238000003860 storage Methods 0.000 title claims abstract description 11
- 238000011156 evaluation Methods 0.000 title claims description 20
- 238000012549 training Methods 0.000 claims abstract description 85
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 63
- 238000000034 method Methods 0.000 claims abstract description 62
- 238000013210 evaluation model Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 20
- 238000007781 pre-processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims abstract description 7
- 239000000523 sample Substances 0.000 claims description 148
- 239000011159 matrix material Substances 0.000 claims description 75
- 230000006870 function Effects 0.000 claims description 34
- 238000013507 mapping Methods 0.000 claims description 18
- 239000013598 vector Substances 0.000 claims description 13
- 230000009467 reduction Effects 0.000 claims description 12
- 241000614201 Adenocaulon bicolor Species 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003993 interaction Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 4
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
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误差状态评估方法、系统、设备及存储介质,所述方法包括以下步骤:获取目标电能表离线检测过程中的工况数据构建离线训练样本集,获取目标电能表的历史误差状态数据构建离线训练目标集;采用邻域保留投影算法对离线训练样本集进行预处理,使得离线训练样本集中每一样本的影响因素降维至d个,并对目标维度的数量d进行寻优处理,确定目标维度数量并重构离线训练样本集;搭建神经网络模型,基于重构后的离线训练样本集和离线训练目标集对神经网络模型进行训练,得到电能表误差状态评估模型;将目标电能表的实时工况数据输入至电能表误差状态评估模型中,得到目标电能表当前时刻的误差状态。
Description
技术领域
本发明涉及一种电能表误差状态评估方法、系统、设备及存储介质,属于电能计量设备状态评估技术领域。
背景技术
电力系统的稳定运行依赖于各种电力设备,其中电能表是电力系统运行中的重要计量设备,用于测量用电量以及传输数据。随着电能表更新迭代越来越快,精密程度越来越高,其功能也更加多样化、模块化,倘若超差的电能表得不到及时处理,将对电力系统稳定运行产生严重影响,因此准确快速识别电能表误差状态对维护电力系统正常运行、提高电表检修效率有重要意义。
现有技术如公开号为“CN105158723B”的发明专利公开了一种基于多参量退化模型的数字化电能计量系统误差评估方法,通过在变电站各个关键部位安装的传感器,获取数字化电能计量装置运行环境数据,采用基于多参量退化模型评估方法,评估数字化电能计量系统的误差状态,实现数字电能计量系统真正意义上的状态监测及检修。但是上述方案是人为选择了环境温度、湿度、电网频率、谐波四个影响因素进行评估,选择影响因素的方式并不客观,仅考量了数据稳定性,并未考量其他影响因素对电能计量系统也存在影响,导致了评估结果准确性较低,因此,如何根据大量种类的影响因素中客观、合适的进行电能计量设备误差状态评估是一个急需解决的技术问题。
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误差状态评估方法、系统、设备及存储介质。
本发明的技术方案如下:
一方面,本发明提供一种电能表误差状态评估方法,包括以下步骤:
获取目标电能表离线检测过程中的工况数据构建离线训练样本集,获取目标电能表的历史误差状态数据构建离线训练目标集;所述离线训练样本集包括D个维度的影响因素;
采用邻域保留投影算法对离线训练样本集进行预处理,使得离线训练样本集中每一样本的影响因素降维至d个,并通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量,基于目标维度数量重构离线训练样本集;
搭建神经网络模型,基于重构后的离线训练样本集和离线训练目标集对神经网络模型进行训练,得到电能表误差状态评估模型;
将目标电能表的实时工况数据输入至电能表误差状态评估模型中,得到目标电能表当前时刻的误差状态。
作为优选实施方式,所述采用邻域保留投影算法对离线训练样本集进行预处理的方法具体为:
确定离线训练样本集为,其中,表示离线训练样本集中的第i个样本,N为样本数量,,R表示维度为D的域,即每个样本含有D个维度的影响因素,则样本在低维度的映射表示为,其中,为第i个样本在低维度的映射表示,,d为目标维度的数量,且d≤D;映射方式表示为:
;
其中,A为投影矩阵,为投影矩阵的转置;
求解投影矩阵步骤如下:
计算样本间的欧式距离,构造样本集的距离矩阵ED:
;
寻找样本点的k个近邻点,通过对距离矩阵ED的每一列按数值从小到大进行升序排列,删除距离矩阵ED的第一行,然后选择距离矩阵ED中每列的前k个元素作为该列对应样本的k个近邻点;
计算邻域权值矩阵,定义误差函数为:
;
;
其中,表示样本对应的邻域权值向量,表示样本的第j个近邻点;是到之间的权值,求解每个样本点的权值向量,然后根据近邻点对应位置扩展成N×N的矩阵邻域权值矩阵;
在低维空间重构样本集Y,使样本集Y拥有和高维的样本集X相同的邻域结构,定义代价函数,并使代价函数最小化:
;
将代入上式,并在限制条件下,采用Lagrange拉格朗日乘子法解算出投影矩阵A;
根据求解出的投影矩阵A计算低维的重构样本集Y。
作为优选实施方式,所述通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量的方法具体为:
将电能表误差状态评估模型的模型精度作为寻找目标维度数量的目标函数,具体为:
;
其中,TP表示被检索到正样本的数量;TN表示未被检索到正样本的数量;ALL表示所有样本的数量;
初始化探路者算法的算法参数;
初始化种群,为每一个种群赋予一个随机的d值,计算适应度值,确定探路者和跟随者;所述适应度值的计算公式为上述目标函数;
根据下式更新探路者位置:
;
;
其中,K表示算法当前的迭代代数;为算法的最大迭代代数;表示当代探路者的位置;表示上一代探路者的位置;表示探路者更新后的位置;为探路者移动的步长因子,在范围[0,1]内服从均匀分布;表示探路者移动的多向性和随机性;多向性由的取值决定;步长大小的随机性由决定;
根据下式更新跟随者位置:
;
;
;
;
;
其中,K表示算法当前的迭代代数;表示当代跟随者的当前位置,表示其他跟随者的当前位置;表示当代跟随者更新后的位置;表示跟随者之间的相互作用系数;表示探路者对跟随者的吸引系数;、分别为与其他跟随者移动的步长因子和与其他探路者移动的步长因子,、均为[0,1]范围内的随机数;表示跟随者移动的随机性,取[-1,1]范围内的随机数,决定随机运动的方向,为当前跟随者与其他跟随者之间的距离;
计算探路者和跟随者位置更新后的适应度值,并更新全局最优值;当适应值最大时,此时对应的探路者所代表的d值为最佳目标维度的数量;
判断是否达到结束条件,如果达到则输出最佳目标维度的数量,否则重复上述步骤。
作为优选实施方式,所述神经网络模型采用集成多关系图神经网络。
另一方面,本发明还提供一种电能表误差状态评估系统,包括:
数据集构建模块,用于获取目标电能表离线检测过程中的工况数据构建离线训练样本集,获取目标电能表的历史误差状态数据构建离线训练目标集;所述离线训练样本集包括D个维度的影响因素;
样本降维模块,用于采用邻域保留投影算法对离线训练样本集进行预处理,使得离线训练样本集中每一样本的影响因素降维至d个,并通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量,基于目标维度数量重构离线训练样本集;
模型建立模块,用于搭建神经网络模型,基于重构后的离线训练样本集和离线训练目标集对神经网络模型进行训练,得到电能表误差状态评估模型;
评估模块,用于将目标电能表的实时工况数据输入至电能表误差状态评估模型中,得到目标电能表当前时刻的误差状态。
作为优选实施方式,所述样本降维模块采用邻域保留投影算法对离线训练样本集进行预处理的方法具体为:
确定离线训练样本集为,其中,表示离线训练样本集中的第i个样本,N为样本数量,,R表示维度为D的域,即每个样本含有D个维度的影响因素,则样本在低维度的映射表示为,其中,为第i个样本在低维度的映射表示,,d为目标维度的数量,且d≤D;映射方式表示为:
;
其中,A为投影矩阵,为投影矩阵的转置;
求解投影矩阵步骤如下:
计算样本间的欧式距离,构造样本集的距离矩阵ED:
;
寻找样本点的k个近邻点,通过对距离矩阵ED的每一列按数值从小到大进行升序排列,删除距离矩阵ED的第一行,然后选择距离矩阵ED中每列的前k个元素作为该列对应样本的k个近邻点;
计算邻域权值矩阵,定义误差函数为:
;
;
其中,表示样本对应的邻域权值向量,表示样本的第j个近邻点;是到之间的权值,求解每个样本点的权值向量,然后根据近邻点对应位置扩展成N×N的矩阵邻域权值矩阵;
在低维空间重构样本集Y,使样本集Y拥有和高维的样本集X相同的邻域结构,定义代价函数,并使代价函数最小化:
;
将代入上式,并在限制条件下,采用Lagrange拉格朗日乘子法解算出投影矩阵A;
根据求解出的投影矩阵A计算低维的重构样本集Y。
作为优选实施方式,所述样本降维模块通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量的方法具体为:
将电能表误差状态评估模型的模型精度作为寻找目标维度数量的目标函数,具体为:
;
其中,TP表示被检索到正样本的数量;TN表示未被检索到正样本的数量;ALL表示所有样本的数量;
初始化探路者算法的算法参数;
初始化种群,为每一个种群赋予一个随机的d值,计算适应度值,确定探路者和跟随者;所述适应度值的计算公式为上述目标函数;
根据下式更新探路者位置:
;
;
其中,K表示算法当前的迭代代数;为算法的最大迭代代数;表示当代探路者的位置;表示上一代探路者的位置;表示探路者更新后的位置;为探路者移动的步长因子,在范围[0,1]内服从均匀分布;表示探路者移动的多向性和随机性;多向性由的取值决定;步长大小的随机性由决定;
根据下式更新跟随者位置:
;
;
;
;
;
其中,K表示算法当前的迭代代数;表示当代跟随者的当前位置,表示其他跟随者的当前位置;表示当代跟随者更新后的位置;表示跟随者之间的相互作用系数;表示探路者对跟随者的吸引系数;、分别为与其他跟随者移动的步长因子和与其他探路者移动的步长因子,、均为[0,1]范围内的随机数;表示跟随者移动的随机性,取[-1,1]范围内的随机数,决定随机运动的方向,为当前跟随者与其他跟随者之间的距离;
计算探路者和跟随者位置更新后的适应度值,并更新全局最优值;当适应值最大时,此时对应的探路者所代表的d值为最佳目标维度的数量;
判断是否达到结束条件,如果达到则输出最佳目标维度的数量,否则重复上述步骤。
作为优选实施方式,所述神经网络模型采用集成多关系图神经网络。
再一方面,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本发明任一实施例所述的电能表误差状态评估方法。
再一方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的电能表误差状态评估方法。
本发明具有如下有益效果:
本发明一种电能表误差状态评估方法,通过采用邻域保留投影算法对训练样本的影响因素维度进行降维处理,并采用探路者算法对邻域保留投影算法的目标降维维数进行寻优,确定了最佳目标降维维数,提高了评估模型的精度,实现了电能表的误差实时在线评估,进而实现了电能表的精准运维。
附图说明
图1为本发明实施例一的方法流程图;
图2为本发明实施例中集成多关系图神经网络的网络结构示例图。
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:
参见图1,一种电能表误差状态评估方法,包括以下步骤:
S100、获取目标电能表离线检测过程中的工况数据构建离线训练样本集,获取目标电能表的历史误差状态数据构建离线训练目标集;所述离线训练样本集包括D个维度的影响因素;
具体地,在本实施例中:
;
;
其中,t为历史时间;表示电能表历史环境变量数据(温度、湿度、气压、光照、风速);表示电能表历史时间因素数据(运行时长、生产批次);表示电能表历史试验样品数据(生产批次、样品编号、功率因素超差率、功率因素超内控率、功率因素误差绝对值);表示电能表历史监测数据(负载电压、电流);表示历史正常状态样本即正例,表示历史异常状态样本即负例。
其中,功率因素超差率表示电能表在基本误差试验中出现不合格的次数除以总试验的次数;功率因素超内控率表示电能表在基本误差试验中功率因素出现超内控的次数除以总次数;功率因素误差绝对值表示电能表在基本误差试验中功率因素误差值之和除以总次数。
S200、采用邻域保留投影算法(NPE,NeighborhoodPreservingEmbedding)对离线训练样本集进行预处理,使得离线训练样本集中每一样本的影响因素降维至d个,并通过探路者算法(Pathfinder Algorithm,PFA)对目标维度的数量d进行寻优处理,确定目标维度数量,基于目标维度数量重构离线训练样本集;探路者算法(PathfinderAlgorithm,PFA)是2019年由Yapici提出的一种新的元启发式算法。该算法受群体动物的狩猎行为启发,将种群中的个体分为探路者(领导者)和跟随者;算法的寻优过程模拟了种群寻找食物的探索过程,通过探路者、跟随者二种不同种群角色间的交流来实现优化,同时在进化过程中也加强了种群三代间优良信息的保留;PFA具有容易理解、实现简单、优化性能较好等优点。
S300、搭建神经网络模型,基于重构后的离线训练样本集和离线训练目标集对神经网络模型进行训练,得到电能表误差状态评估模型;
S400、将目标电能表的实时工况数据输入至电能表误差状态评估模型中,得到目标电能表当前时刻的误差状态。
作为本实施例的优选实施方式,所述采用邻域保留投影算法对离线训练样本集进行预处理的方法具体为:
NPE的基本思想是假设超矢量所在的高维空间存在一个低维子空间。本实施例确定离线训练样本集为,其中,表示离线训练样本集中的第i个样本,N为样本数量,,R表示维度为D的域,即每个样本含有D个维度的影响因素,共N个样本,则样本在低维度的映射表示为,其中,为第i个样本在低维度的映射表示,,d为目标维度的数量,且d≤D;映射方式表示为:
;
其中,A为投影矩阵,为投影矩阵的转置;
求解投影矩阵步骤如下:
计算样本间的欧式距离,构造样本集的距离矩阵ED:
;
寻找样本点的k个近邻点,通过对距离矩阵ED的每一列按数值从小到大进行升序排列,删除距离矩阵ED的第一行,然后选择距离矩阵ED中每列的前k个元素作为该列对应样本的k个近邻点;
计算邻域权值矩阵,定义误差函数为:
;
;
其中,表示样本对应的邻域权值向量,表示样本的第j个近邻点;是到之间的权值,求解每个样本点的权值向量,然后根据近邻点对应位置扩展成N×N的矩阵邻域权值矩阵;
在低维空间重构样本集Y,使样本集Y拥有和高维的样本集X相同的邻域结构,定义代价函数,并使代价函数最小化:
;
将代入上式,并在限制条件下,采用Lagrange拉格朗日乘子法解算出投影矩阵A,具体为:
;
;
;
;
其中,trace()表示迹运算函数,M为迹矩阵,通过求解矩阵的前d个最小特征值所对应的特征向量,就组成投影矩阵A。
根据求解出的投影矩阵A计算低维的重构样本集Y,重构的样本集Y即为处理后的离线训练样本集。
如果目标维度的数量d选择过小,可能会导致不同类别之间产生重叠;如果目标维度的数量d选择过大,又可能会造成样本点松散,失去聚类效果,且增加计算量。因此,作为本实施例的优选实施方式,所述通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量的方法具体为:
将电能表误差状态评估模型的模型精度作为寻找目标维度数量的目标函数,具体为:
;
其中,TP表示被检索到正样本的数量;TN表示未被检索到正样本的数量;ALL表示所有样本的数量;
初始化探路者算法的算法参数;
初始化种群,为每一个种群赋予一个随机的d值,计算适应度值,确定探路者和跟随者;所述适应度值的计算公式为上述目标函数;
根据下式更新探路者位置:
;
;
其中,K表示算法当前的迭代代数;为算法的最大迭代代数;表示当代探路者的位置;表示上一代探路者的位置;表示探路者更新后的位置;为探路者移动的步长因子,在范围[0,1]内服从均匀分布;表示探路者移动的多向性和随机性;多向性由的取值决定;步长大小的随机性由决定;
根据下式更新跟随者位置:
;
;
;
;
;
其中,K表示算法当前的迭代代数;表示当代跟随者的当前位置,表示其他跟随者的当前位置;表示当代跟随者更新后的位置;表示跟随者之间的相互作用系数;表示探路者对跟随者的吸引系数;、分别为与其他跟随者移动的步长因子和与其他探路者移动的步长因子,、均为[0,1]范围内的随机数;表示跟随者移动的随机性,取[-1,1]范围内的随机数,决定随机运动的方向,为当前跟随者与其他跟随者之间的距离;
计算探路者和跟随者位置更新后的适应度值,并更新全局最优值;当适应值最大时,此时对应的探路者所代表的d值为最佳目标维度的数量;
判断是否达到结束条件,如果达到则输出最佳目标维度的数量,否则重复上述步骤。
作为本实施例的优选实施方式,在步骤S300中,所述神经网络模型采用集成多关系图神经网络(EnsembleMulti-Relational Graph Neural Networks,EMGNN),集成多关系图神经网络的结构如图2所示。利用处理后的离线训练样本集和离线训练目标集对集成多关系图神经网络进行训练的过程如下:
;
其中,表示非线性函数;EnMP 表示EnMP Layer(集合消息传递层),为EnMPLayer的层数;表示非线性函数;为权重集合;R表示图中关系的总数;、为超参数。
实施例二:
本实施例提供一种电能表误差状态评估系统,包括:
数据集构建模块,用于获取目标电能表离线检测过程中的工况数据构建离线训练样本集,获取目标电能表的历史误差状态数据构建离线训练目标集;所述离线训练样本集包括D个维度的影响因素;该模块用于实现实施例一中步骤S100的功能,在此不再赘述;
样本降维模块,用于采用邻域保留投影算法对离线训练样本集进行预处理,使得离线训练样本集中每一样本的影响因素降维至d个,并通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量,基于目标维度数量重构离线训练样本集;该模块用于实现实施例一中步骤S200的功能,在此不再赘述;
模型建立模块,用于搭建神经网络模型,基于重构后的离线训练样本集和离线训练目标集对神经网络模型进行训练,得到电能表误差状态评估模型;该模块用于实现实施例一中步骤S300的功能,在此不再赘述;
评估模块,用于将目标电能表的实时工况数据输入至电能表误差状态评估模型中,得到目标电能表当前时刻的误差状态;该模块用于实现实施例一中步骤S400的功能,在此不再赘述。
作为本实施例的优选实施方式,所述样本降维模块采用邻域保留投影算法对离线训练样本集进行预处理的方法具体为:
确定离线训练样本集为,其中,表示离线训练样本集中的第i个样本,N为样本数量,,R表示维度为D的域,即每个样本含有D个维度的影响因素,则样本在低维度的映射表示为,其中,为第i个样本在低维度的映射表示,,d为目标维度的数量,且d≤D;映射方式表示为:
;
其中,A为投影矩阵,为投影矩阵的转置;
求解投影矩阵步骤如下:
计算样本间的欧式距离,构造样本集的距离矩阵ED:
;
寻找样本点的k个近邻点,通过对距离矩阵ED的每一列按数值从小到大进行升序排列,删除距离矩阵ED的第一行,然后选择距离矩阵ED中每列的前k个元素作为该列对应样本的k个近邻点;
计算邻域权值矩阵,定义误差函数为:
;
;
其中,表示样本对应的邻域权值向量,表示样本的第j个近邻点;是到之间的权值,求解每个样本点的权值向量,然后根据近邻点对应位置扩展成N×N的矩阵邻域权值矩阵;
在低维空间重构样本集Y,使样本集Y拥有和高维的样本集X相同的邻域结构,定义代价函数,并使代价函数最小化:
;
将代入上式,并在限制条件下,采用Lagrange拉格朗日乘子法解算出投影矩阵A;
根据求解出的投影矩阵A计算低维的重构样本集Y。
作为本实施例的优选实施方式,所述样本降维模块通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量的方法具体为:
将电能表误差状态评估模型的模型精度作为寻找目标维度数量的目标函数,具体为:
;
其中,TP表示被检索到正样本的数量;TN表示未被检索到正样本的数量;ALL表示所有样本的数量;
初始化探路者算法的算法参数;
初始化种群,为每一个种群赋予一个随机的d值,计算适应度值,确定探路者和跟随者;所述适应度值的计算公式为上述目标函数;
根据下式更新探路者位置:
;
;
其中,K表示算法当前的迭代代数;为算法的最大迭代代数;表示当代探路者的位置;表示上一代探路者的位置;表示探路者更新后的位置;为探路者移动的步长因子,在范围[0,1]内服从均匀分布;表示探路者移动的多向性和随机性;多向性由的取值决定;步长大小的随机性由决定;
根据下式更新跟随者位置:
;
;
;
;
;
其中,K表示算法当前的迭代代数;表示当代跟随者的当前位置,表示其他跟随者的当前位置;表示当代跟随者更新后的位置;表示跟随者之间的相互作用系数;表示探路者对跟随者的吸引系数;、分别为与其他跟随者移动的步长因子和与其他探路者移动的步长因子,、均为[0,1]范围内的随机数;表示跟随者移动的随机性,取[-1,1]范围内的随机数,决定随机运动的方向,为当前跟随者与其他跟随者之间的距离;
计算探路者和跟随者位置更新后的适应度值,并更新全局最优值;当适应值最大时,此时对应的探路者所代表的d值为最佳目标维度的数量;
判断是否达到结束条件,如果达到则输出最佳目标维度的数量,否则重复上述步骤。
作为本实施例的优选实施方式,所述神经网络模型采用集成多关系图神经网络。
实施例三:
本实施例提出一种电子设备,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本发明任一实施例所述的一种电能表误差状态评估方法。
实施例四:
本实施例提出一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如本发明任一实施例所述的一种电能表误差状态评估方法。
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-OnlyMemory;以下简称:ROM)、随机存取存储器(RandomAccessMemory;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)
1.一种电能表误差状态评估方法,其特征在于,包括以下步骤:
获取目标电能表离线检测过程中的工况数据构建离线训练样本集,获取目标电能表的历史误差状态数据构建离线训练目标集;所述离线训练样本集包括D个维度的影响因素;
采用邻域保留投影算法对离线训练样本集进行预处理,使得离线训练样本集中每一样本的影响因素降维至d个,并通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量,基于目标维度数量重构离线训练样本集;
搭建神经网络模型,基于重构后的离线训练样本集和离线训练目标集对神经网络模型进行训练,得到电能表误差状态评估模型;
将目标电能表的实时工况数据输入至电能表误差状态评估模型中,得到目标电能表当前时刻的误差状态。
2.根据权利要求1所述的一种电能表误差状态评估方法,其特征在于,所述采用邻域保留投影算法对离线训练样本集进行预处理的方法具体为:
确定离线训练样本集为,其中,表示离线训练样本集中的第i个样本,N为样本数量,,R表示维度为D的域,即每个样本含有D个维度的影响因素,则样本在低维度的映射表示为,其中,为第i个样本在低维度的映射表示,,d为目标维度的数量,且d≤D;映射方式表示为:
;
其中,A为投影矩阵,为投影矩阵的转置;
求解投影矩阵步骤如下:
计算样本间的欧式距离,构造样本集的距离矩阵ED:
;
寻找样本点的k个近邻点,通过对距离矩阵ED的每一列按数值从小到大进行升序排列,删除距离矩阵ED的第一行,然后选择距离矩阵ED中每列的前k个元素作为该列对应样本的k个近邻点;
计算邻域权值矩阵,定义误差函数为:
;
;
其中,表示样本对应的邻域权值向量,表示样本的第j个近邻点;是到之间的权值,求解每个样本点的权值向量,然后根据近邻点对应位置扩展成N×N的矩阵邻域权值矩阵;
在低维空间重构样本集Y,使样本集Y拥有和高维的样本集X相同的邻域结构,定义代价函数,并使代价函数最小化:
;
将代入上式,并在限制条件下,采用Lagrange拉格朗日乘子法解算出投影矩阵A;
根据求解出的投影矩阵A计算低维的重构样本集Y。
3.根据权利要求1所述的一种电能表误差状态评估方法,其特征在于,所述通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量的方法具体为:
将电能表误差状态评估模型的模型精度作为寻找目标维度数量的目标函数,具体为:
;
其中,TP表示被检索到正样本的数量;TN表示未被检索到正样本的数量;ALL表示所有样本的数量;
初始化探路者算法的算法参数;
初始化种群,为每一个种群赋予一个随机的d值,计算适应度值,确定探路者和跟随者;所述适应度值的计算公式为上述目标函数;
根据下式更新探路者位置:
;
;
其中,K表示算法当前的迭代代数;为算法的最大迭代代数;表示当代探路者的位置;表示上一代探路者的位置;表示探路者更新后的位置;为探路者移动的步长因子,在范围[0,1]内服从均匀分布;表示探路者移动的多向性和随机性;多向性由的取值决定;步长大小的随机性由决定;
根据下式更新跟随者位置:
;
;
;
;
;
其中,K表示算法当前的迭代代数;表示当代跟随者的当前位置,表示其他跟随者的当前位置;表示当代跟随者更新后的位置;表示跟随者之间的相互作用系数;表示探路者对跟随者的吸引系数;、分别为与其他跟随者移动的步长因子和与其他探路者移动的步长因子,、均为[0,1]范围内的随机数;表示跟随者移动的随机性,取[-1,1]范围内的随机数,决定随机运动的方向,为当前跟随者与其他跟随者之间的距离;
计算探路者和跟随者位置更新后的适应度值,并更新全局最优值;当适应值最大时,此时对应的探路者所代表的d值为最佳目标维度的数量;
判断是否达到结束条件,如果达到则输出最佳目标维度的数量,否则重复上述步骤。
4.根据权利要求1所述的一种电能表误差状态评估方法,其特征在于:
所述神经网络模型采用集成多关系图神经网络。
5.一种电能表误差状态评估系统,其特征在于,包括:
数据集构建模块,用于获取目标电能表离线检测过程中的工况数据构建离线训练样本集,获取目标电能表的历史误差状态数据构建离线训练目标集;所述离线训练样本集包括D个维度的影响因素;
样本降维模块,用于采用邻域保留投影算法对离线训练样本集进行预处理,使得离线训练样本集中每一样本的影响因素降维至d个,并通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量,基于目标维度数量重构离线训练样本集;
模型建立模块,用于搭建神经网络模型,基于重构后的离线训练样本集和离线训练目标集对神经网络模型进行训练,得到电能表误差状态评估模型;
评估模块,用于将目标电能表的实时工况数据输入至电能表误差状态评估模型中,得到目标电能表当前时刻的误差状态。
6.根据权利要求5所述的一种电能表误差状态评估系统,其特征在于,所述样本降维模块采用邻域保留投影算法对离线训练样本集进行预处理的方法具体为:
确定离线训练样本集为,其中,表示离线训练样本集中的第i个样本,N为样本数量,,R表示维度为D的域,即每个样本含有D个维度的影响因素,则样本在低维度的映射表示为,其中,为第i个样本在低维度的映射表示,,d为目标维度的数量,且d≤D;映射方式表示为:
;
其中,A为投影矩阵,为投影矩阵的转置;
求解投影矩阵步骤如下:
计算样本间的欧式距离,构造样本集的距离矩阵ED:
;
寻找样本点的k个近邻点,通过对距离矩阵ED的每一列按数值从小到大进行升序排列,删除距离矩阵ED的第一行,然后选择距离矩阵ED中每列的前k个元素作为该列对应样本的k个近邻点;
计算邻域权值矩阵,定义误差函数为:
;
;
其中,表示样本对应的邻域权值向量,表示样本的第j个近邻点;是到之间的权值,求解每个样本点的权值向量,然后根据近邻点对应位置扩展成N×N的矩阵邻域权值矩阵;
在低维空间重构样本集Y,使样本集Y拥有和高维的样本集X相同的邻域结构,定义代价函数,并使代价函数最小化:
;
将代入上式,并在限制条件下,采用Lagrange拉格朗日乘子法解算出投影矩阵A;
根据求解出的投影矩阵A计算低维的重构样本集Y。
7.根据权利要求5所述的一种电能表误差状态评估系统,其特征在于,所述样本降维模块通过探路者算法对目标维度的数量d进行寻优处理,确定目标维度数量的方法具体为:
将电能表误差状态评估模型的模型精度作为寻找目标维度数量的目标函数,具体为:
;
其中,TP表示被检索到正样本的数量;TN表示未被检索到正样本的数量;ALL表示所有样本的数量;
初始化探路者算法的算法参数;
初始化种群,为每一个种群赋予一个随机的d值,计算适应度值,确定探路者和跟随者;所述适应度值的计算公式为上述目标函数;
根据下式更新探路者位置:
;
;
其中,K表示算法当前的迭代代数;为算法的最大迭代代数;表示当代探路者的位置;表示上一代探路者的位置;表示探路者更新后的位置;为探路者移动的步长因子,在范围[0,1]内服从均匀分布;表示探路者移动的多向性和随机性;多向性由的取值决定;步长大小的随机性由决定;
根据下式更新跟随者位置:
;
;
;
;
;
其中,K表示算法当前的迭代代数;表示当代跟随者的当前位置,表示其他跟随者的当前位置;表示当代跟随者更新后的位置;表示跟随者之间的相互作用系数;表示探路者对跟随者的吸引系数;、分别为与其他跟随者移动的步长因子和与其他探路者移动的步长因子,、均为[0,1]范围内的随机数;表示跟随者移动的随机性,取[-1,1]范围内的随机数,决定随机运动的方向,为当前跟随者与其他跟随者之间的距离;
计算探路者和跟随者位置更新后的适应度值,并更新全局最优值;当适应值最大时,此时对应的探路者所代表的d值为最佳目标维度的数量;
判断是否达到结束条件,如果达到则输出最佳目标维度的数量,否则重复上述步骤。
8.根据权利要求5所述的一种电能表误差状态评估系统,其特征在于:
所述神经网络模型采用集成多关系图神经网络。
9.一种电子设备,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,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4任一项所述的电能表误差状态评估方法。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1至4任一项所述的电能表误差状态评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323470.0A CN116028822B (zh) | 2023-03-30 | 2023-03-30 | 一种电能表误差状态评估方法、系统、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310323470.0A CN116028822B (zh) | 2023-03-30 | 2023-03-30 | 一种电能表误差状态评估方法、系统、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116028822A true CN116028822A (zh) | 2023-04-28 |
CN116028822B CN116028822B (zh) | 2023-07-18 |
Family
ID=86070809
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310323470.0A Active CN116028822B (zh) | 2023-03-30 | 2023-03-30 | 一种电能表误差状态评估方法、系统、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116028822B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116613896A (zh) * | 2023-07-21 | 2023-08-18 | 深圳市智赋新能源有限公司 | 一种基于微电网的数据采集监测方法 |
CN117172163A (zh) * | 2023-08-15 | 2023-12-05 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871139A (zh) * | 2017-11-01 | 2018-04-03 | 西安交通大学 | 一种邻域保持嵌入改进算法的数据降维方法 |
CN109066670A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种基于物联网区块链的分布式电源管理方法 |
CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
CN112445132A (zh) * | 2019-08-30 | 2021-03-05 | 天津大学 | 一种多智能体系统最优状态一致性控制方法 |
CN112734094A (zh) * | 2020-12-30 | 2021-04-30 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
WO2022141213A1 (zh) * | 2020-12-30 | 2022-07-07 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
CN115841278A (zh) * | 2023-01-03 | 2023-03-24 | 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 |
-
2023
- 2023-03-30 CN CN202310323470.0A patent/CN116028822B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107871139A (zh) * | 2017-11-01 | 2018-04-03 | 西安交通大学 | 一种邻域保持嵌入改进算法的数据降维方法 |
CN109066670A (zh) * | 2018-09-13 | 2018-12-21 | 福建省农村信用社联合社 | 一种基于物联网区块链的分布式电源管理方法 |
CN112445132A (zh) * | 2019-08-30 | 2021-03-05 | 天津大学 | 一种多智能体系统最优状态一致性控制方法 |
CN111950604A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 基于最小重建误差搜索降维和粒子群优化的多分类支持向量机的图像识别分类方法 |
CN112116017A (zh) * | 2020-09-25 | 2020-12-22 | 西安电子科技大学 | 基于核保持的数据降维方法 |
CN112734094A (zh) * | 2020-12-30 | 2021-04-30 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
WO2022141213A1 (zh) * | 2020-12-30 | 2022-07-07 | 中南大学 | 一种智慧城市智轨车辆故障基因预测方法及系统 |
CN115329908A (zh) * | 2022-10-14 | 2022-11-11 | 西安热工研究院有限公司 | 一种基于深度学习的电力变压器故障诊断方法 |
CN115841278A (zh) * | 2023-01-03 | 2023-03-24 | 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 |
Non-Patent Citations (1)
Title |
---|
"雷达", 中国无线电电子学文摘, no. 02 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116613896A (zh) * | 2023-07-21 | 2023-08-18 | 深圳市智赋新能源有限公司 | 一种基于微电网的数据采集监测方法 |
CN116613896B (zh) * | 2023-07-21 | 2024-01-16 | 深圳市智赋新能源有限公司 | 一种基于微电网的数据采集监测方法 |
CN117172163A (zh) * | 2023-08-15 | 2023-12-05 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
CN117172163B (zh) * | 2023-08-15 | 2024-04-12 | 重庆西南集成电路设计有限责任公司 | 幅相控制电路的幅相二维优化方法、系统、介质及电子设备 |
CN117434486A (zh) * | 2023-12-20 | 2024-01-23 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
CN117434486B (zh) * | 2023-12-20 | 2024-03-08 | 智联信通科技股份有限公司 | 一种直流分路计量误差分析处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN116028822B (zh) | 2023-07-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116028822B (zh) | 一种电能表误差状态评估方法、系统、设备及存储介质 | |
Yassin et al. | Binary particle swarm optimization structure selection of nonlinear autoregressive moving average with exogenous inputs (NARMAX) model of a flexible robot arm | |
CN110427654B (zh) | 一种基于敏感状态的滑坡预测模型构建方法及系统 | |
CN111062533A (zh) | 一种基于鲸鱼优化算法优化加权最小二乘支持向量机的风机故障预测方法 | |
CN115018021A (zh) | 基于图结构与异常注意力机制的机房异常检测方法及装置 | |
CN110781595B (zh) | 能源使用效率pue的预测方法、装置、终端及介质 | |
Guo et al. | Low dimensional mid-term chaotic time series prediction by delay parameterized method | |
CN115841278B (zh) | 电能计量装置运行误差状态评价方法、系统、设备及介质 | |
CN111612262A (zh) | 一种基于分位数回归的风电功率概率预测方法 | |
CN112396152A (zh) | 一种基于cs-lstm的洪水预报方法 | |
CN114781692A (zh) | 短期电力负荷预测方法、装置及电子设备 | |
Xian et al. | A novel fuzzy time series forecasting model based on the hybrid wolf pack algorithm and ordered weighted averaging aggregation operator | |
CN115496144A (zh) | 配电网运行场景确定方法、装置、计算机设备和存储介质 | |
Ge et al. | An improved PF remaining useful life prediction method based on quantum genetics and LSTM | |
CN115456245A (zh) | 一种感潮河网区溶解氧预测方法 | |
CN113850438A (zh) | 公共建筑能耗预测方法、系统、设备及介质 | |
Dutta et al. | An improved grey wolf optimization algorithm for liquid flow control system | |
JP2022014974A (ja) | 評価装置、プラント制御支援システム、評価方法、及びプログラム | |
CN111337833A (zh) | 一种基于动态时变权重的锂电池容量集成预测方法 | |
CN114578087B (zh) | 基于非支配排序和随机模拟算法的风速不确定性度量方法 | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 | |
CN115829097A (zh) | 一种基于vmd和kelm的空调超短期负荷预测方法 | |
CN114372418A (zh) | 一种风电功率时空态势描述模型建立方法 | |
CN114492199A (zh) | 一种电压互感器性能的分析方法、系统、电子设备及介质 | |
CN114139783A (zh) | 基于非线性加权组合的风电短期功率预测方法及装置 |
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 |