CN116029621B - 台区电能表运行评估方法、装置、电子设备和存储介质 - Google Patents
台区电能表运行评估方法、装置、电子设备和存储介质 Download PDFInfo
- Publication number
- CN116029621B CN116029621B CN202310316792.2A CN202310316792A CN116029621B CN 116029621 B CN116029621 B CN 116029621B CN 202310316792 A CN202310316792 A CN 202310316792A CN 116029621 B CN116029621 B CN 116029621B
- Authority
- CN
- China
- Prior art keywords
- target
- electric energy
- hit rate
- index
- 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.)
- Active
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
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种台区电能表运行评估方法、装置、电子设备和存储介质,涉及人工智能技术领域,所述方法包括:获取目标台区中至少两台电能表各自对应的用电数据;将用电数据输入数理模型,输出至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,目标电能表是基于数理模型中的判定条件确定的,判定条件包括数理模型在目标命中率下确定的验证指标对应的指标区间,验证指标对应的验证命中率与训练命中率之差小于预设阈值;分别将各目标误差系数与误差阈值进行比较,确定目标台区中各目标电能表的运行评估结果。本发明可有效提高电能表的命中率和数理模型的检出效果。
Description
技术领域
本发明涉及人工智能技术领域,尤其涉及一种台区电能表运行评估方法、装置、电子设备和存储介质。
背景技术
目前,在对台区电能表的运行状态进行评估时,一般预先将台区内各电能表设置超差状态,并根据基本物理电路进行建模,建立数理模型,再根据数理模型的原理,对采集的各电能表的用电量、电流、电压、正向有功功率、反向有功功率、正向无功功率、反向无功功率等用电数据进行合理的处理,最后根据数理模型求解误差数据,并根据误差数据判断电能表的运行状态与预设状态是否一致。
然而,在对物理电路建模和对数理模型算法研究到一定程度后,由于物理电路的复杂性,数理模型的求解较为复杂,对于数理模型的检出效果的提升需要大量数据分析与对不同因素的建模,同时,使用模型求解的数据质量也极度影响模型的检出效果,进而导致对于电能表数理模型的检出效果较差。
发明内容
本发明提供一种台区电能表运行评估方法、装置、电子设备和存储介质,用以解决现有技术中电能表数理模型的检出效果较差的缺陷,有效提高电能表的命中率和数理模型的检出效果。
本发明提供一种台区电能表运行评估方法,包括:
获取目标台区中至少两台电能表各自对应的用电数据;
将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果。
根据本发明提供的台区电能表运行评估方法,所述指标区间是基于以下步骤确定的:
将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,所述标签数据集包括训练标签数据集和验证标签数据集;
基于所述数理模型输出的模型指标,确定至少一个目标指标,所述模型指标是将所述用电数据输入所述数理模型得到的,所述目标指标与所述数理模型的命中率呈单调关系;
将所述训练标签数据集输入所述数理模型,确定所述训练标签数据集对应的训练命中率,以及在目标命中率下各所述目标指标对应的初始指标区间;
将所述验证标签数据集输入所述数理模型,并基于所述初始指标区间,确定所述验证标签数据集对应的验证命中率;
将所述验证命中率与所述训练命中率之差小于预设阈值的所述目标指标确定为验证指标,并将所述初始指标区间确定为所述验证指标对应的指标区间。
根据本发明提供的台区电能表运行评估方法,所述将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,包括:
将所述目标台区中各所述电能表对应的用电数据进行仿真,确定真实误差系数为0的理想标签数据;
基于所述理想标签数据,确定误差阈值区间中至少两个真实误差系数对应的初始标签数据;
在所述初始标签数据中添加影响因子,确定标签用电数据和所述标签用电数据对应的标签,所述影响因子包括量化噪声、随机噪声、时间波动因子、最近n点数据调表因子中的至少一种,所述标签包括所述标签用电数据对应的真实误差系数和所述影响因子;
基于所述标签用电数据和所述标签用电数据对应的标签,确定所述标签数据集。
根据本发明提供的台区电能表运行评估方法,所述确定所述训练标签数据集对应的训练命中率,包括:
将所述训练标签数据集输入所述数理模型,输出所述训练标签数据集中各标签用电数据对应的训练误差系数;
将所述训练误差系数与所述真实误差系数进行比较,确定各所述标签用电数据对应的分类类别;
基于各所述分类类别,确定所述训练标签数据集对应的训练命中率。
根据本发明提供的台区电能表运行评估方法,所述方法还包括:
基于所述训练命中率和所述真实误差系数,确定不同影响因子对应的所述训练命中率和所述真实误差系数的关联关系,以及所述关联关系对应的直方图。
根据本发明提供的台区电能表运行评估方法,确定所述在目标命中率下各所述目标指标对应的初始指标区间,包括:
将所述训练标签数据集输入所述数理模型,输出各所述目标指标对应的指标值;
将所述指标值按照递增的顺序进行排序,确定指标数组;
基于二分查找算法,确定所述指标数组中在所述目标命中率下的初始指标区间。
根据本发明提供的台区电能表运行评估方法,所述方法还包括:
在所述数理模型输出的模型指标与命中率呈非单调关系的情况下,将不同类型的所述模型指标进行融合,得到与所述命中率呈单调关系的目标指标。
本发明还提供一种台区电能表运行评估装置,包括:
获取模块,用于获取目标台区中至少两台电能表各自对应的用电数据;
输出模块,用于将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
确定模块,用于分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果。
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台区电能表运行评估方法。
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台区电能表运行评估方法。
本发明提供的台区电能表运行评估方法、装置、电子设备和存储介质,通过在目标命中率下确定数理模型输出的验证命中率与训练命中率之差小于预设阈值的验证指标,并将验证指标添加至数理模型中的判定条件中,使得将获取的目标台区的至少两台电能表各自对应的用电数据输入数理模型后,基于判定条件,提高数理模型的检出率和输出的目标误差系数的可靠性,进而提高对电能表运行评估结果的可靠性。
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是本发明提供的台区电能表运行评估方法的流程示意图之一;
图2是本发明提供的台区电能表运行评估方法的流程示意图之二;
图3是本发明提供的台区电能表运行评估装置的结构示意图;
图4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。
在对台区电能表的运行状态进行评估时,一般预先将台区内各电能表设置超差状态,并根据基本物理电路进行建模,建立数理模型,再根据数理模型的原理,对采集的各电能表的用电量、电流、电压、正向有功功率、反向有功功率、正向无功功率、反向无功功率等用电数据进行合理的处理,最后根据数理模型求解误差数据,并根据误差数据判断电能表的运行状态与预设状态是否一致。
在模型研究与模型改善时,首先增加更多数据与优化数据质量,更多的数据允许数据进行“自我表达”。一般数据越多,模型越好,正确率越高。数据中缺失值与异常值的意外出现,往往会导致模型正确率低或有偏差。这会导致错误的预测。这是由于没能正确分析目标行为以及与其他变量的关系。所以处理好缺失值和异常值很重要。其次是特征工程学,这一步骤有助于从现有数据中提取更多信息。新信息作为新特征被提取出来。这些特征可能会更好地解释训练集中的差异变化。因此能改善模型的准确率。
然而,为提高数理模型的检出效果,主要依靠影响模型准确度的主要影响因子进行建模,比如:用户负荷变化对线损影响很大,用线损调节因子LLAF建模来解决,用复变分析来解决无功问题等。由于物理电路的复杂性,数理模型相对比较复杂,数理模型的求解也相对复杂,对于数理模型提升需要大量数据分析与对不同因素的建模,同时使用模型求解的数据质量也极度影响模型的检出效果。
针对上述电能表数理模型的检出效果较差的问题,本发明实施例提供一种台区电能表运行评估方法,图1是本发明提供的台区电能表运行评估方法的流程示意图之一,如图1所示,该方法包括:
步骤110、获取目标台区中至少两台电能表各自对应的用电数据。
可选地,上述用电数据包括:用电量、电流、电压、正向有功功率、正向无功功率等。此外,在台区内包括光伏电能表的情况下,光伏电能表会进行发电,使得用电数据还包括:反向有功功率和反向无功功率。
步骤120、将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率。
具体地,为提高数理模型的检出率和输出数据的可靠性,在将用电数据输入数理模型之前,首先在目标命中率下确定数理模型输出的验证命中率与训练命中率之差小于预设阈值的验证指标,并将验证指标添加至数理模型的判定条件中,使得各电能表的用电数据在输入数理模型后,通过数理模型计算各电能表对应的误差系数,并通过判定条件,从各电能表中筛选得到数据可靠的目标电能表,并输出目标电能表对应的目标误差系数,确保数理模型的检出率和输出数据的可靠性。
步骤130、分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果。
具体地,在得到目标误差系数后,将目标误差系数与误差阈值进行比较,并基于比较结果,确定目标误差系数对应的电能表的运行评估结果。例如,预先设定误差阈值为2%,或者,为-2%,并预设各电能表的运行状态均为超差状态,即,各电能表的误差系数大于2%,或者,小于-2%。获取各电能表的用电数据,并输入数理模型中,基于判定条件,从各电能表中筛选出目标电能表,并输出目标电能表对应的目标误差系数,若该电能表的目标误差系数大于2%,或者,小于-2%,则该电能表命中,即,该电能表处于超差状态,反之,则该电能表运行正常。
可选地,所述指标区间是基于以下步骤确定的:
将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,所述标签数据集包括训练标签数据集和验证标签数据集;
基于所述数理模型输出的模型指标,确定至少一个目标指标,所述模型指标是将所述用电数据输入所述数理模型得到的,所述目标指标与所述数理模型的命中率呈单调关系;
将所述训练标签数据集输入所述数理模型,确定所述训练标签数据集对应的训练命中率,以及在目标命中率下各所述目标指标对应的初始指标区间;
将所述验证标签数据集输入所述数理模型,并基于所述初始指标区间,确定所述验证标签数据集对应的验证命中率;
将所述验证命中率与所述训练命中率之差小于预设阈值的所述目标指标确定为验证指标,并将所述初始指标区间确定为所述验证指标对应的指标区间。
具体地,由于真实的用电数据存在噪声与误差影响,导致真实的用电数据出现不遵循能量守恒定律的现象,导致真实的用电数据在应用时,数理模型输出的数据可靠性较低,进而影响数理模型的检出率。因此,本发明实施例中,在确定数理模型时,对目标台区中各电能表对应的真实用电数据进行仿真,使得得到的仿真数据符合能量守恒定律,且贴近于真实用电数据,并基于仿真数据构建标签数据集。将用电数据输入初始数理模型后,可得到多个模型指标,并从模型指标中筛选得到与数理模型的命中率成单调递增或单调递减关系的至少一个目标指标,即,目标指标的指标值越大,数理模型的命中率越大。并将训练标签数据输入数理模型,对数理模型进行训练,基于输出数据确定训练标签数据对应的训练命中率,并在指定的目标命中率下,确定各目标指标对应的初始指标区间。在确定目标指标以及在指定的目标命中率下各目标指标对应的初始指标区间后,将验证标签数据集输入数理模型,验证各目标指标对应的初始指标区间是否符合目标命中率,若符合,则将验证成功的目标指标确定为验证指标,将验证成功的目标指标对应的初始指标区间确定为验证指标对应的指标区间,并将该指标区间添加至数理模型中的判定条件中,已提高数理模型输出的目标误差系数的可靠性和数理模型的检出率。
可选地,图2是本发明提供的台区电能表运行评估方法的流程示意图之二,如图2所示,上述模型指标可以包括:信噪比snr、分表日均电量、分表日均电量占总表电流的比例、分表与总表的相关系数、分表与线损的相关系数、对应系数的显著度p-value和方差膨胀系数vif,其中,经过反复迭代实验,基于各模型指标图形进行判断,信噪比snr、分表日均电量、分表日均电量占总表电流的比例、分表与总表的相关系数、分表与线损的相关系数、对应系数的显著度p-value均与数理模型的命中率呈单调关系,可作为目标指标。
需要说明的是,上述对应系数的显著度p-value是由随机噪声等随机因素产生的概率,若p值越小,对应系数的显著度p-value越不可能是随机因素产生的,更可能是电能表运行超差引起的。上述方差膨胀系数vif表示自变量观察值之间复共线性程度。
可选地,若同一次训练中验证成功的验证指标仅有一个,可将该验证指标的对应的指标区间的下限值添加至数理模型中的判定条件中。若同一次训练中验证成功的验证指标大于一个,可将各验证指标的对应的指标区间的下限值进行组合后,再添加至数理模型中的判定条件中。如,若验证指标为信噪比snr和分表日均电量,且信噪比snr对应的指标区间为snr>a,a表示在指定的目标命中率下信噪比snr对应的指标区间的下限值,分表日均电量对应的指标区间为分表日均电量>b,b表示在指定的目标命中率下分表日均电量对应的指标区间的下限值,可将snr>a且分表日均电量>b添加至数理模型的判定条件中。
可选地,所述方法还包括:
在所述数理模型输出的模型指标与命中率呈非单调关系的情况下,将不同类型的所述模型指标进行融合,得到与所述命中率呈单调关系的目标指标。
具体地,由于在模型指标中确定目标指标时,目标指标需与数理模型的命中率呈单调关系,以便于后续确定目标指标对应的初始指标区间。因此,在本发明实施例中,若模型指标与命中率呈非单调关系,如模型指标与命中率呈波动情况时,可遍历各模型指标,将不同类型的模型指标进行融合,如,将两种不同类型的模型指标进行相乘、相除、做差等转换,以使融合后的模型指标与命中率呈单调关系。
可选地,还可根据专家经验,在模型指标之外,确定可改变模型指标与命中率的波动情况的函数关系表,若在遍历各模型指标后仍无法改变模型指标与命中率的波动情况,则可继续遍历该函数关系表,以改变模型指标与命中率的波动情况。
可选地,所述将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,包括:
将所述目标台区中各所述电能表对应的用电数据进行仿真,确定真实误差系数为0的理想标签数据;
基于所述理想标签数据,确定误差阈值区间中至少两个真实误差系数对应的初始标签数据;
在所述初始标签数据中添加影响因子,确定标签用电数据和所述标签用电数据对应的标签,所述影响因子包括量化噪声、随机噪声、时间波动因子、最近n点数据调表因子中的至少一种,所述标签包括所述标签用电数据对应的真实误差系数和所述影响因子;
基于所述标签用电数据和所述标签用电数据对应的标签,确定所述标签数据集。
具体地,在获取各所述电能表对应的真实的用电数据后,为避免数据异常或数据缺失等造成的影响,本发明实施例中,对各电能表对应的真实的用电数据进行仿真,得到符合能量守恒定律且贴近于真实用电数据的真实误差系数为0的理想标签数据,为增加标签数据集的数据丰富性,对理想标签数据进行扩充,在误差阈值区间中确定至少两个真实误差系数对应的初始标签数据,如,误差阈值区间为[-10%,10%]时,将误差阈值区间进行等间隔划分或变间隔划分,以等间隔划分为例,将误差阈值区间划分为[-10%,-9%,-8%,-7%,-6%,-5%,-4%,-3%,-2%,-1%,0%,1%,2%,3%,4%,5%,6%,7%,8%,9%,10%],并依次确定各真实误差系数对应的初始标签数据。在得到初始标签数据后,为进一步符合真实用电数据,在初始标签数据中,添加如量化噪声、随机噪声、时间波动因子、最近n点数据调表因子中的至少一种影响因子,进而得到标签用电数据和标签用电数据对应的标签。以对初始标签数据添加量化噪声为例,量化噪声包括:[0,1,2,3,4,5,6,7,8,9,10]度量化噪声。若目标台区内包括n只电能表,则在添加上述量化噪声后,生成n*21*11=231n个带有标签的标签用电数据,且标签包括真实误差系数和量化噪声,如,标签为真实误差系数为5%且影响因子为2度量化噪声。在得到标签用电数据和标签后,即可构建标签数据集。
此外,在得到标签数据集后,由于数据量较大,为便于区分各标签用电数据,还可对各标签用电数据添加唯一标识符,并连同标签数据集存储至配置文件中。
可选地,在得到标签数据集后,还可按比例将标签数据集分为训练标签数据集和验证标签数据集,划分比例可以为4:1。
可选地,所述确定所述训练标签数据集对应的训练命中率,包括:
将所述训练标签数据集输入所述数理模型,输出所述训练标签数据集中各标签用电数据对应的训练误差系数;
将所述训练误差系数与所述真实误差系数进行比较,确定各所述标签用电数据对应的分类类别;
基于各所述分类类别,确定所述训练标签数据集对应的训练命中率。
具体地,在将训练标签数据集输入数理模型后,可输出各标签用电数据对应的训练误差系数,将各训练误差系数与各标签用电数据对应的真实误差系数进行比较后,进一步确定训练标签数据集中各标签用电数据对应的分类类别,分类类别可以包括:超差表和正常表。统计上述各类分类类别数量,确定多个指标值,指标值可以包括:TP、TN、FP、FN,其中:FN(False Negative)是指被判定为正常表,但事实上是超差表的数量;FP(FalsePositive)被判定为超差表,但事实上是正常表的数量;TN(True Negative)被判定为正常表,事实上也是正常表的数量;TP(True Positive)被判定为超差表,事实上也是超差表的数量。在统计得到上述各指标值后,基于式(1)所述的检出率公式即可得到训练标签数据集对应的训练命中率,用于表示正确预测为超差表的占全部实际为超差表的比例。式(1)为:
可选地,所述方法还包括:
基于所述训练命中率和所述真实误差系数,确定不同影响因子对应的所述训练命中率和所述真实误差系数的关联关系,以及所述关联关系对应的直方图。
具体地,在确定训练命中率和真实误差系数后,还可对上述数据按照影响因子类型进行分组,得到不同影响因子下训练命中率和真实误差系数的关联关系,并进一步确定该关联关系对应的直方图,以直观进行数据展示。如,对数据进行筛选,得到5度量化噪声下,训练命中率与真实误差系数的关联关系和直方图。
可选地,确定所述在目标命中率下各所述目标指标对应的初始指标区间,包括:
将所述训练标签数据集输入所述数理模型,输出各所述目标指标对应的指标值;
将所述指标值按照递增的顺序进行排序,确定指标数组;
基于二分查找算法,确定所述指标数组中在所述目标命中率下的初始指标区间。
具体地,将训练标签数据集输入数理模型后,还会输出各目标指标对应的指标值,由于各目标指标与命中率呈单调关系,为便于确定目标指标在目标命中率下的初始指标区间,将各目标指标对应的指标值按照从小到大的顺序进行排序,确定指标数组,且指标数组中包含该目标指标下的所有的指标值,由于指标值较多,为提高初始指标区间的确定效率,采用二分查找算法,在指标数组中确定目标命中率下的初始指标区间。如,以指标数组a中包含n个指标值为例,先将指标数组a中的n个指标值分为大致相等的两部分,取a[n/2]并计算该指标值下的模型命中率,并将模型命中率/>与目标命中率x进行比较,若f(a[n/2])>x,则在指标数组a的左半部分继续搜索指标值,即在[i<(n/2)]的区间中继续搜索指标值。若f(a[n/2])<x,则在指标数组a的右半部分继续搜索指标值,即在[i>(n/2)]的区间中继续搜索指标值。如上述所述重复k次后,若第k-1次时确定模型命中率大于目标命中率,即fk-1(a[n/2(k-1)])>x,则在指标数组a中n/2(k-1)的左半部分继续搜索指标值,若第k次时确定模型命中率小于目标命中率,即fk(a[n/2k])<x,表明指标值处于指标数组a中n/2k的右半部分,即,可以确定初始指标区间的下限值处于[n/2k,n/2(k-1)]之间,可依据二分查找算法继续确定初始指标区间的下限值。
可选地,在确定目标指标及目标指标对应的初始指标区间后,将验证标签数据集输入数理模型,如,以目标指标为信噪比snr,信噪比snr对应的初始指标区间为snr>2,且snr>2对应的训练命中率为80%为例,在将验证标签数据集输入数理模型后,确定目标指标对应的指标值,并以snr>2来统计验证命中率,并将验证命中率与训练命中率进行比较,若验证命中率与训练命中率之差小于预设阈值,则表明该目标指标验证成功,将该目标指标作为验证指标,并将初始指标区间添加至数理模型的判定条件中,若验证命中率与训练命中率之差大于或等于预设阈值,则表明该目标指标验证失败,舍弃该目标指标。
本发明提供的台区电能表运行评估方法,通过在目标命中率下确定数理模型输出的验证命中率与训练命中率之差小于预设阈值的验证指标,并将验证指标添加至数理模型中的判定条件中,使得将获取的目标台区的至少两台电能表各自对应的用电数据输入数理模型后,基于判定条件,提高数理模型的检出率和输出的目标误差系数的可靠性,进而提高对电能表运行评估结果的可靠性。
下面对本发明提供的台区电能表运行评估装置进行描述,下文描述的台区电能表运行评估装置与上文描述的台区电能表运行评估方法可相互对应参照。
本发明实施例还提供一种台区电能表运行评估装置,图3是本发明提供的台区电能表运行评估装置的结构示意图,如图3所示,该台区电能表运行评估装置300包括:获取模块301、输出模块302和确定模块303,其中:
获取模块301,用于获取目标台区中至少两台电能表各自对应的用电数据;
输出模块302,用于将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
确定模块303,用于分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果。
本发明提供的台区电能表运行评估装置,通过在目标命中率下确定数理模型输出的验证命中率与训练命中率之差小于预设阈值的验证指标,并将验证指标添加至数理模型中的判定条件中,使得将获取的目标台区的至少两台电能表各自对应的用电数据输入数理模型后,基于判定条件,提高数理模型的检出率和输出的目标误差系数的可靠性,进而提高对电能表运行评估结果的可靠性。
可选地,输出模块302,具体用于:
所述指标区间是基于以下步骤确定的:
将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,所述标签数据集包括训练标签数据集和验证标签数据集;
基于所述数理模型输出的模型指标,确定至少一个目标指标,所述模型指标是将所述用电数据输入所述数理模型得到的,所述目标指标与所述数理模型的命中率呈单调关系;
将所述训练标签数据集输入所述数理模型,确定所述训练标签数据集对应的训练命中率,以及在目标命中率下各所述目标指标对应的初始指标区间;
将所述验证标签数据集输入所述数理模型,并基于所述初始指标区间,确定所述验证标签数据集对应的验证命中率;
将所述验证命中率与所述训练命中率之差小于预设阈值的所述目标指标确定为验证指标,并将所述初始指标区间确定为所述验证指标对应的指标区间。
可选地,输出模块302,具体用于:
将所述目标台区中各所述电能表对应的用电数据进行仿真,确定真实误差系数为0的理想标签数据;
基于所述理想标签数据,确定误差阈值区间中至少两个真实误差系数对应的初始标签数据;
在所述初始标签数据中添加影响因子,确定标签用电数据和所述标签用电数据对应的标签,所述影响因子包括量化噪声、随机噪声、时间波动因子、最近n点数据调表因子中的至少一种,所述标签包括所述标签用电数据对应的真实误差系数和所述影响因子;
基于所述标签用电数据和所述标签用电数据对应的标签,确定所述标签数据集。
可选地,输出模块302,具体用于:
将所述训练标签数据输入所述数理模型,输出所述训练标签数据集中各标签用电数据对应的训练误差系数;
将所述训练误差系数与所述真实误差系数进行比较,确定各所述标签用电数据对应的分类类别;
基于各所述分类类别,确定所述训练标签数据集对应的训练命中率。
可选地,输出模块302,具体用于:
基于所述训练命中率和所述真实误差系数,确定不同影响因子对应的所述训练命中率和所述真实误差系数的关联关系,以及所述关联关系对应的直方图。
可选地,输出模块302,具体用于:
将所述训练标签数据输入所述数理模型,输出各所述目标指标对应的指标值;
将所述指标值按照递增的顺序进行排序,确定指标数组;
基于二分查找算法,确定所述指标数组中在所述目标命中率下的初始指标区间。
可选地,输出模块302,具体用于:
在所述数理模型输出的模型指标与命中率呈非单调关系的情况下,将不同类型的所述模型指标进行融合,得到与所述命中率呈单调关系的目标指标。
图4是本发明提供的电子设备的结构示意图,如图4所示,该电子设备可以包括:处理器(processor)410、通信接口(Communications Interface)420、存储器(memory)430和通信总线440,其中,处理器410,通信接口420,存储器430通过通信总线440完成相互间的通信。处理器410可以调用存储器430中的逻辑指令,以执行台区电能表运行评估方法,该方法包括:
获取目标台区中至少两台电能表各自对应的用电数据;
将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果。
此外,上述的存储器430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(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,所述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,所述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台区电能表运行评估方法,该方法包括:
获取目标台区中至少两台电能表各自对应的用电数据;
将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果。
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台区电能表运行评估方法,该方法包括:
获取目标台区中至少两台电能表各自对应的用电数据;
将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果。
以上所描述的装置实施例仅仅是示意性的,其中所述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所述的方法。
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 (9)
1.一种台区电能表运行评估方法,其特征在于,包括:
获取目标台区中至少两台电能表各自对应的用电数据;
将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果;
其中,所述目标命中率表示所述目标电能表中正确预测为超差表占所有目标电能表的预设比例,在所述目标电能表对应的目标误差系数满足误差阈值的情况下,所述目标电能表命中且正确预测为超差表;
所述指标区间是基于以下步骤确定的:
将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,所述标签数据集包括训练标签数据集和验证标签数据集;
基于所述数理模型输出的模型指标,确定至少一个目标指标,所述模型指标是将所述用电数据输入所述数理模型得到的,所述目标指标与所述数理模型的训练命中率呈单调关系;
将所述训练标签数据集输入所述数理模型,确定所述训练标签数据集对应的训练命中率,以及在目标命中率下各所述目标指标对应的初始指标区间;
将所述验证标签数据集输入所述数理模型,并基于所述初始指标区间,确定所述验证标签数据集对应的验证命中率;
将所述验证命中率与所述训练命中率之差小于预设阈值的所述目标指标确定为验证指标,并将所述初始指标区间确定为所述验证指标对应的指标区间;
所述训练命中率,用于表示目标电能表正确预测为超差表的占全部实际为超差表的比例,训练命中率Recall为:
其中,TP表示目标电能表被判定为超差表的数量,FN表示目标电能表被判定为正常表,但事实上是超差表的数量。
2.根据权利要求1所述的台区电能表运行评估方法,其特征在于,所述将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,包括:
将所述目标台区中各所述电能表对应的用电数据进行仿真,确定真实误差系数为0的理想标签数据;
基于所述理想标签数据,确定误差阈值区间中至少两个真实误差系数对应的初始标签数据;
在所述初始标签数据中添加影响因子,确定标签用电数据和所述标签用电数据对应的标签,所述影响因子包括量化噪声、随机噪声、时间波动因子、最近n点数据调表因子中的至少一种,所述标签包括所述标签用电数据对应的真实误差系数和所述影响因子;
基于所述标签用电数据和所述标签用电数据对应的标签,确定所述标签数据集。
3.根据权利要求2所述的台区电能表运行评估方法,其特征在于,所述确定所述训练标签数据集对应的训练命中率,包括:
将所述训练标签数据集输入所述数理模型,输出所述训练标签数据集中各标签用电数据对应的训练误差系数;
将所述训练误差系数与所述真实误差系数进行比较,确定各所述标签用电数据对应的分类类别;
基于各所述分类类别,确定所述训练标签数据集对应的训练命中率。
4.根据权利要求3所述的台区电能表运行评估方法,其特征在于,所述方法还包括:
基于所述训练命中率和所述真实误差系数,确定不同影响因子对应的所述训练命中率和所述真实误差系数的关联关系,以及所述关联关系对应的直方图。
5.根据权利要求1或2所述的台区电能表运行评估方法,其特征在于,确定所述在目标命中率下各所述目标指标对应的初始指标区间,包括:
将所述训练标签数据集输入所述数理模型,输出各所述目标指标对应的指标值;
将所述指标值按照递增的顺序进行排序,确定指标数组;
基于二分查找算法,确定所述指标数组中在所述目标命中率下的初始指标区间。
6.根据权利要求1所述的台区电能表运行评估方法,其特征在于,所述方法还包括:
在所述数理模型输出的模型指标与训练命中率呈非单调关系的情况下,将不同类型的所述模型指标进行融合,得到与所述命中率呈单调关系的目标指标。
7.一种台区电能表运行评估装置,其特征在于,包括:
获取模块,用于获取目标台区中至少两台电能表各自对应的用电数据;
输出模块,用于将所述用电数据输入数理模型,输出所述至少两台电能表中至少一台目标电能表对应的目标误差系数,其中,所述目标电能表是基于所述数理模型中的判定条件确定的,所述判定条件包括所述数理模型在目标命中率下确定的验证指标对应的指标区间,所述验证指标对应的验证命中率与训练命中率之差小于预设阈值,所述验证命中率为基于验证标签数据集对所述数理模型进行验证得到的命中率,所述训练命中率为基于训练标签数据集对所述数理模型进行训练得到的命中率;
确定模块,用于分别将各所述目标误差系数与误差阈值进行比较,确定所述目标台区中各所述目标电能表的运行评估结果;
其中,所述目标命中率表示所述目标电能表中正确预测为超差表占所有目标电能表的预设比例,在所述目标电能表对应的目标误差系数满足误差阈值的情况下,所述目标电能表命中且正确预测为超差表;
所述输出模块,具体用于:
所述指标区间是基于以下步骤确定的:
将所述目标台区中各所述电能表对应的用电数据进行仿真,构建标签数据集,所述标签数据集包括训练标签数据集和验证标签数据集;
基于所述数理模型输出的模型指标,确定至少一个目标指标,所述模型指标是将所述用电数据输入所述数理模型得到的,所述目标指标与所述数理模型的训练命中率呈单调关系;
将所述训练标签数据集输入所述数理模型,确定所述训练标签数据集对应的训练命中率,以及在目标命中率下各所述目标指标对应的初始指标区间;
将所述验证标签数据集输入所述数理模型,并基于所述初始指标区间,确定所述验证标签数据集对应的验证命中率;
将所述验证命中率与所述训练命中率之差小于预设阈值的所述目标指标确定为验证指标,并将所述初始指标区间确定为所述验证指标对应的指标区间;
所述训练命中率,用于表示目标电能表正确预测为超差表的占全部实际为超差表的比例,训练命中率Recall为:
其中,TP表示目标电能表被判定为超差表的数量,FN表示目标电能表被判定为正常表,但事实上是超差表的数量。
8.一种电子设备,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任一项所述台区电能表运行评估方法。
9.一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任一项所述台区电能表运行评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316792.2A CN116029621B (zh) | 2023-03-29 | 2023-03-29 | 台区电能表运行评估方法、装置、电子设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310316792.2A CN116029621B (zh) | 2023-03-29 | 2023-03-29 | 台区电能表运行评估方法、装置、电子设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116029621A CN116029621A (zh) | 2023-04-28 |
CN116029621B true CN116029621B (zh) | 2023-06-06 |
Family
ID=86077929
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310316792.2A Active CN116029621B (zh) | 2023-03-29 | 2023-03-29 | 台区电能表运行评估方法、装置、电子设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116029621B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601603A (zh) * | 2022-11-29 | 2023-01-13 | 北京志翔科技股份有限公司(Cn) | 模型训练和用电器类别识别方法、设备及存储介质 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9506963B2 (en) * | 2010-04-15 | 2016-11-29 | Yale University | Consumption breakdown monitoring through power state sensing |
CN112381476B (zh) * | 2021-01-18 | 2021-04-13 | 中国电力科学研究院有限公司 | 用于确定状态异常的电能表的方法及装置 |
CN113805138B (zh) * | 2021-10-18 | 2023-10-13 | 国网湖南省电力有限公司 | 一种基于参数有向遍历的智能电表误差估计方法及装置 |
CN114460529A (zh) * | 2022-02-09 | 2022-05-10 | 南方电网科学研究院有限责任公司 | 一种电能表误差在线评估方法、装置、设备及存储介质 |
CN115166619B (zh) * | 2022-05-27 | 2023-03-10 | 云南电网有限责任公司 | 一种智能电能表运行误差监测系统 |
CN115542236B (zh) * | 2022-11-24 | 2023-06-06 | 北京志翔科技股份有限公司 | 电能表运行误差估计方法及装置 |
CN115616473B (zh) * | 2022-12-02 | 2023-04-07 | 北京志翔科技股份有限公司 | 超差电能表的识别方法、装置、设备和存储介质 |
-
2023
- 2023-03-29 CN CN202310316792.2A patent/CN116029621B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115601603A (zh) * | 2022-11-29 | 2023-01-13 | 北京志翔科技股份有限公司(Cn) | 模型训练和用电器类别识别方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN116029621A (zh) | 2023-04-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109308571B (zh) | 配电线路线变关系检测方法 | |
CN107093022B (zh) | 高置信度的燃爆产品可靠性的小样本评估方法 | |
CN111898831A (zh) | 一种实时洪水概率预报实用化方法 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN112632794A (zh) | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 | |
CN116593896B (zh) | 一种电池储能系统的状态检测方法、系统及电子设备 | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN110633859A (zh) | 一种两阶段分解集成的水文序列预测方法 | |
CN113469570A (zh) | 信息质量评价模型构建方法、装置、设备及存储介质 | |
CN113791351B (zh) | 基于迁移学习和差值概率分布的锂电池寿命预测方法 | |
CN114595762A (zh) | 一种光伏电站异常数据序列提取方法 | |
CN116029621B (zh) | 台区电能表运行评估方法、装置、电子设备和存储介质 | |
CN108459991A (zh) | 一种获得设备可靠性数据的方法 | |
CN116565861B (zh) | 一种配电网可靠性评估方法、系统、设备和介质 | |
CN116859255A (zh) | 一种储能电池健康状态的预测方法、装置、设备及介质 | |
CN115964951A (zh) | 电力系统运行可靠性评估方法、装置及电子设备 | |
CN116227674A (zh) | 一种基于在线更新模型的碳排放预测方法 | |
CN111859296B (zh) | 一种基于装备使用期间的测试性指标评估方法及系统 | |
CN117129895A (zh) | 电池健康状态计算方法、装置、存储介质以及车辆 | |
CN112416709B (zh) | 芯片动态功耗估计方法、装置、处理器芯片及服务器 | |
CN114760190A (zh) | 一种面向服务的融合网络性能异常检测方法 | |
CN112597699A (zh) | 一种融入客观赋权法的社交网络谣言源识别方法 | |
CN104021045A (zh) | 基于模式融合的cpu负载多步预测方法 | |
CN112967154B (zh) | 一种电力系统Well-being的评估方法及装置 | |
CN113656267B (zh) | 设备能效的计算方法、装置、电子设备及存储介质 |
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 |