CN116628431A - 一种电能计量装置综合误差评估方法、系统、设备及介质 - Google Patents
一种电能计量装置综合误差评估方法、系统、设备及介质 Download PDFInfo
- Publication number
- CN116628431A CN116628431A CN202310535717.5A CN202310535717A CN116628431A CN 116628431 A CN116628431 A CN 116628431A CN 202310535717 A CN202310535717 A CN 202310535717A CN 116628431 A CN116628431 A CN 116628431A
- Authority
- CN
- China
- Prior art keywords
- error
- influence
- electric energy
- metering device
- energy metering
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000013210 evaluation model Methods 0.000 claims abstract description 108
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000005314 correlation function Methods 0.000 claims description 52
- 230000004927 fusion Effects 0.000 claims description 46
- 230000006870 function Effects 0.000 claims description 37
- 238000004422 calculation algorithm Methods 0.000 claims description 29
- 238000000605 extraction Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 27
- 230000002776 aggregation Effects 0.000 claims description 12
- 238000004220 aggregation Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 9
- 230000015572 biosynthetic process Effects 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000007636 ensemble learning method Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000003786 synthesis reaction Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 description 5
- 230000032683 aging Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/251—Fusion techniques of input or preprocessed data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种电能计量装置综合误差评估方法、系统、设备及介质,其中方法包括以下步骤:对目标电能计量装置,采集包含若干不同类别的影响因素的历史误差影响因素数据集,根据历史误差影响因素数据集构建第一误差评估模型;采集目标电能计量装置不同因素的影响特征构建多因素影响特征数据集,根据多因素影响特征数据集构建第二误差评估模型;融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型;获取目标电能计量装置的误差影响因素数据和多因素影响特征数据,分别通过第一误差模型和第二误差模型计算第一实时误差和第二实时误差,将第一实时误差和第二实时误差带入第三误差评估模型中,评估目标电能计量装置当前的实时误差。
Description
技术领域
本发明涉及一种电能计量装置综合误差评估方法、系统、设备及介质,属于电力计量在线监测技术领域。
背景技术
电能计量装置作为电能贸易结算的执行实体,其计量准确性是电能贸易公平公正的绝对基础。但电能计量装置的计量准确性受环境温湿度、二次负载、电磁场、设备老化等因素的影响,暴露出若干严重问题,这些问题会直接导致电能计量装置的计量准确性下降,严重时将出现电能计量失准的现象。失准电能计量装置的继续运行,将给发供用三方的计量贸易结算带来巨大损失,这不仅会使电能计量的准确性与公平性受到质疑,而且极容易产生贸易结算问题甚至法律纠纷,同时也可能导致系统误动作,影响电力系统的稳定运行。
目前对电能计量装置误差的研究,主要是通过现场校验的方式,由三个组件的计量准确度推算出一个综合误差。综合误差有使用缺陷:1)它不但是无法直接测量得到的,更严重的是电能计量装置的真实误差有可能大于它的综合误差而不容易测得;2)电流互感器和电压互感器误差的现场校验必须停电进行,给用户造成不便并由此造成供电方损失;3)电能计量装置三个组件的误差现场校验耗费工时,由于在中国已经安装的电能计量装置数以亿台计,以各供电公司人力物力不可能按照规定完成全部计量装置误差的现场校验工作。
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计量装置综合误差评估方法、系统、设备及介质。
本发明的技术方案如下:
一种电能计量装置综合误差评估方法,包括以下步骤:
对目标电能计量装置,采集包含若干不同类别的影响因素的历史误差影响因素数据集,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型;
采集目标电能计量装置不同因素的影响特征构建多因素影响特征数据集,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型;
融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型;
获取目标电能计量装置的误差影响因素数据和多因素影响特征数据,分别通过第一误差模型和第二误差模型计算第一实时误差和第二实时误差,将第一实时误差和第二实时误差带入第三误差评估模型中,评估目标电能计量装置当前的实时误差。
作为优选实施方式,所述分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型的步骤具体为:
选择任意影响因素,设该影响因素单一因素影响下与电能计量装置误差的关联函数为如下二次拟合函数:
;
其中,a、b、c为无量纲的拟合系数,为该二次拟合函数,/>为选择的影响因素的第j个采样数据,/>为根据该二次拟合函数计算出的电能计量装置误差数据;
基于已知数据点,该二次拟合函数的均方差为:
;
其中,为该二次拟合函数的均方差,n为采样点数;
分别对拟合系数a、b、c进行求导,得到:
;
;
;
其中,指代/>;
对上述求导公式进行推导,得到:
;
;
;
基于上述公式和已知数据点,计算得到拟合系数a、b、c的值,得到该影响因素单一因素影响下与电能计量装置误差的关联函数,重复选择其他影响因素重复上述步骤,得到各影响因素与电能计量装置误差的关联函数;
采用如下误差合成的公式对各影响因素与电能计量装置误差的关联函数进行融合,得到第一误差评估模型E:
;
其中,m为影响因素的类别数量,表示第i种影响因素与电能计量装置误差的关联函数。
作为优选实施方式,所述根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型的方法具体为:
将不同因素的影响特征作为异构数据,对各类异构数据分别设计对应的特征提取网络F、特征融合网络I和特征决策网络C,定义共享模型G表示为:
;
其中,表示模型拼接操作;
在模型的训练阶段,设置不同的节点,在各个节点处分别获取不同因素的异构数据,并训练对应异构数据的特征提取网络、特征融合网络和特征决策网络;
在模型的聚合阶段,将各个节点选择训练的特征提取网路、特征融合网络和特征决策网络进行归平,再采用平均聚合算法得到具有全局异构数据特征的共享模型:
;
其中,表示第r轮更新后的共享模型,/>、/>、/>分别表示更新后的全局特征提取网络、全局特征融合网络和全局特征决策网络;
以最终得到的共享模型作为第二误差评估模型。
作为优选实施方式,所述融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型的方法具体为:
构建基于集成学习算法的第三误差评估模型,采用集成学习的方法,将第一误差评估模型和第二误差评估模型作为两个基分类器,并设置相应的结合策略对第一误差评估模型和第二误差评估模型的输出值进行结合得到最终输出值。
另一方面,本发明还提供一种电能计量装置综合误差评估系统,包括:
第一误差模型构建模块,用于对目标电能计量装置,采集包含若干不同类别的影响因素的历史误差影响因素数据集,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型;
第二误差模型构建模块,用于采集目标电能计量装置不同因素的影响特征构建多因素影响特征数据集,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型;
融合模块,用于融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型;
评估模块,用于获取目标电能计量装置的误差影响因素数据和多因素影响特征数据,分别通过第一误差模型和第二误差模型计算第一实时误差和第二实时误差,将第一实时误差和第二实时误差带入第三误差评估模型中,评估目标电能计量装置当前的实时误差。
作为优选实施方式,所述第一误差模型构建模块中,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型的步骤具体为:
选择任意影响因素,设该影响因素单一因素影响下与电能计量装置误差的关联函数为如下二次拟合函数:
;
其中,a、b、c为无量纲的拟合系数,为该二次拟合函数,/>为选择的影响因素的第j个采样数据,/>为根据该二次拟合函数计算出的电能计量装置误差数据;
基于已知数据点,该二次拟合函数的均方差为:
;
其中,为该二次拟合函数的均方差,n为采样点数;
分别对拟合系数a、b、c进行求导,得到:
;
;
;
其中,指代/>;
对上述求导公式进行推导,得到:
;
;
;
基于上述公式和已知数据点,计算得到拟合系数a、b、c的值,得到该影响因素单一因素影响下与电能计量装置误差的关联函数,重复选择其他影响因素重复上述步骤,得到各影响因素与电能计量装置误差的关联函数;
采用如下误差合成的公式对各影响因素与电能计量装置误差的关联函数进行融合,得到第一误差评估模型E:
;
其中,m为影响因素的类别数量,表示第i种影响因素与电能计量装置误差的关联函数。
作为优选实施方式,所述第二误差模型构建模块中,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型的方法具体为:
将不同因素的影响特征作为异构数据,对各类异构数据分别设计对应的特征提取网络F、特征融合网络I和特征决策网络C,定义共享模型G表示为:
;
其中,表示模型拼接操作;
在模型的训练阶段,设置不同的节点,在各个节点处分别获取不同因素的异构数据,并训练对应异构数据的特征提取网络、特征融合网络和特征决策网络;
在模型的聚合阶段,将各个节点选择训练的特征提取网路、特征融合网络和特征决策网络进行归平,再采用平均聚合算法得到具有全局异构数据特征的共享模型:
;
其中,表示第r轮更新后的共享模型,/>、/>、/>分别表示更新后的全局特征提取网络、全局特征融合网络和全局特征决策网络;
以最终得到的共享模型作为第二误差评估模型。
作为优选实施方式,所述融合模块中,融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型的方法具体为:
构建基于集成学习算法的第三误差评估模型,采用集成学习的方法,将第一误差评估模型和第二误差评估模型作为两个基分类器,并设置相应的结合策略对第一误差评估模型和第二误差评估模型的输出值进行结合得到最终输出值。
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计量装置综合误差评估方法。
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计量装置综合误差评估方法。
本发明具有如下有益效果:
1、本发明一种电能计量装置综合误差评估方法,对单因素影响下的电能计量装置误差和多因素影响下的电能计量装置误差分别进行预测,并对两种预测数据进行了融合,得到了考虑单因素影响和多因素影响的综合误差,实现电能计量装置误差的实时在线评估的同时提高了误差评估的精确度。
附图说明
图1为本发明实施例一的方法流程图;
图2为本发明实施例中基于联邦学习的多源异构数据融合算法模型原理示意图。
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,本实施例提供一种电能计量装置综合误差评估方法,具体包括以下步骤:
S100、对目标电能计量装置,采集包含若干不同类别的影响因素的历史误差影响因素数据集,具体地,不同类别的影响因素包括:温度、湿度/>、磁场/>、电场/>、二次负荷/>以及频率/>;在单一影响因素影响下电能计量装置的误差为:
;
;
其中,为第i个影响因素单一影响因素影响下电能计量装置的误差,/>为第i种影响因素与电能计量装置误差的关联函数。分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型。
作为本实施例的一种优选实施方式,关联函数的求取可以通过最小二乘法获得,具体地:
S101、选择任意影响因素,设该影响因素单一因素影响下与电能计量装置误差的关联函数为如下二次拟合函数:
;
其中,a、b、c为无量纲的拟合系数,为该二次拟合函数,/>为选择的影响因素的第j个采样数据,/>为根据该二次拟合函数计算出的电能计量装置误差数据;
S102、基于已知数据点,该二次拟合函数的均方差为:
;
其中,为该二次拟合函数的均方差,n为采样点数;
S103、分别对拟合系数a、b、c进行求导,得到:
;
;
;
其中,指代/>;
S104、对上述求导公式进行推导,得到:
;
;
;
S105、基于上述公式和已知数据点,计算得到拟合系数a、b、c的值,得到该影响因素单一因素影响下与电能计量装置误差的关联函数,重复选择其他影响因素重复上述步骤,得到各影响因素与电能计量装置误差的关联函数;
S106、采用如下误差合成的公式对各影响因素与电能计量装置误差的关联函数进行融合,得到第一误差评估模型E:
;
其中,m为影响因素的类别数量,为上述第i种影响因素与电能计量装置误差的关联函数。
S200、采集目标电能计量装置不同因素的影响特征构建多因素影响特征数据集,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型。
具体地,因素影响特征包括固有特征量(如电网频率)、周期特征量(如环境温度)、渐变特征量(如设备老化)。
具体参见图2,基于联邦学习的多源异构数据融合算法模型原理如图2所示;将不同因素的影响特征作为异构数据,对各类异构数据分别设计对应的特征提取网络F、特征融合网络I和特征决策网络C,定义共享模型G表示为:
;
其中,表示模型拼接操作。
举例来说,对于特征提取网络F,分别针对M种异构数据设计对应的特征提取网路,可表示为:
;
其中,表示第/>种异构数据的特征提取子网路。
基于联邦学习的多源异构数据融合算法模型的构建过程具体如下:
S201、在模型的训练阶段,设置不同的节点,在各个节点处分别获取不同因素的异构数据,并训练对应异构数据的特征提取网络、特征融合网络和特征决策网络;例如:
假设历史固有特征量、历史周期特征量,历史渐变特征量分别表示为、/>、/>,且对应的记忆单元W的3个维度分别对应于3种异构数据/>、/>、/>的特征空间。节点1和节点N采集到的异构数据类型不同。在模型训练阶段,节点1根据拥有的异构数据类型/>、/>,选择对应的特征提取子网络/>、/>进行训练,分别得到特征图/>、。根据节点上拥有的异构数据类型数量,将特征融合阶段分为2个部分:首先,记忆单元W与/>特征进行模乘,得到具有/>特征的新的记忆单元/>。接着,新的记忆单元/>与/>特征进行模乘,得到具有2种异构数据特征的融合张量Z,该过程可表示为:
;
其中,表示在具有/>特征的基础上对/>的特征进行融合。在该过程中,模型首先利用记忆单元对/>特征进行记忆,得到具有/>特征的模型,并将此作为/>特征进行融合的先验条件,从而在模型训练过程中,记忆单元不但能对各个异构数据的空间维度特征进行学习,还能对不同异构数据之间的潜在联系进行捕捉。
节点N上的训练机制和节点1类似,上述过程可表示为:
;
其中,是在第r轮全局迭代中节点k上,利用各节点本地采集到的异构数据,通过学习率/>的梯度下降算法得到本地模型,/>是对应的梯度。
S202、在模型的聚合阶段,将各个节点选择训练的特征提取网路、特征融合网络和特征决策网络进行归平,再采用平均聚合算法得到具有全局异构数据特征的共享模型,该过程表示为:
;
其中,为更新后的特征提取模块,/>和/>(1≤i≤M)分别是在边缘节点k上采集到的第i种异构数据样本和第i种异构数据的所有样本数。因此第r轮更新后的全局共享模型可以表示为:
;
;
其中,表示第r轮更新后的共享模型,/>、/>、/>分别表示更新后的全局特征提取网络、全局特征融合网络和全局特征决策网络;/>、m分别为第k个节点上的异构数据的样本数和所有异构数据的样本总数。
以最终得到的共享模型作为第二误差评估模型。
S300、融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型;
作为本实施例的一种实现方式,得到第三误差评估模型的方法具体为:
S301、构建基于集成学习算法的第三误差评估模型,采用集成学习的方法,将第一误差评估模型和第二误差评估模型作为两个基分类器。集成方法是几种预测模型组合成一个预测模型的算法,以减小方差(bagging),偏差(boosting),或者改进预测(stacking)。
S302、设置相应的结合策略对第一误差评估模型和第二误差评估模型的输出值进行结合得到最终输出值,结合策略可以采用平均法对第一误差评估模型和第二误差评估模型的输出值进行加权平均回归;也可以采用投票法对第一误差评估模型和第二误差评估模型的输出值进行投票;还可以采用学习法,重新训练一个学习器,以第一误差评估模型和第二误差评估模型的输出值作为输入,新的学习器的输出作为最终输出值。
S400、获取目标电能计量装置的误差影响因素数据和多因素影响特征数据,分别通过第一误差模型和第二误差模型计算第一实时误差和第二实时误差,将第一实时误差和第二实时误差带入第三误差评估模型中,评估目标电能计量装置当前的实时误差。
实施例二:
本实施例提供一种电能计量装置综合误差评估系统,包括:
第一误差模型构建模块,用于对目标电能计量装置,采集包含若干不同类别的影响因素的历史误差影响因素数据集,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型;该模块用于实现实施例一中步骤S100的功能,在此不再赘述;
第二误差模型构建模块,用于采集目标电能计量装置不同因素的影响特征构建多因素影响特征数据集,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型;该模块用于实现实施例一中步骤S200的功能,在此不再赘述;
融合模块,用于融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型;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,用于获取目标电能计量装置的误差影响因素数据和多因素影响特征数据,分别通过第一误差模型和第二误差模型计算第一实时误差和第二实时误差,将第一实时误差和第二实时误差带入第三误差评估模型中,评估目标电能计量装置当前的实时误差;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,所述第一误差模型构建模块中,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型的步骤具体为:
选择任意影响因素,设该影响因素单一因素影响下与电能计量装置误差的关联函数为如下二次拟合函数:
;
其中,a、b、c为无量纲的拟合系数,为该二次拟合函数,/>为选择的影响因素的第j个采样数据,/>为根据该二次拟合函数计算出的电能计量装置误差数据;
基于已知数据点,该二次拟合函数的均方差为:
;
其中,为该二次拟合函数的均方差,n为采样点数;
分别对拟合系数a、b、c进行求导,得到:
;
;
;
其中,指代/>;/>
对上述求导公式进行推导,得到:
;
;
;
基于上述公式和已知数据点,计算得到拟合系数a、b、c的值,得到该影响因素单一因素影响下与电能计量装置误差的关联函数,重复选择其他影响因素重复上述步骤,得到各影响因素与电能计量装置误差的关联函数;
采用如下误差合成的公式对各影响因素与电能计量装置误差的关联函数进行融合,得到第一误差评估模型E:
;
其中,m为影响因素的类别数量,表示第i种影响因素与电能计量装置误差的关联函数。
作为本实施例的优选实施方式,所述第二误差模型构建模块中,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型的方法具体为:
将不同因素的影响特征作为异构数据,对各类异构数据分别设计对应的特征提取网络F、特征融合网络I和特征决策网络C,定义共享模型G表示为:
;
其中,表示模型拼接操作;
在模型的训练阶段,设置不同的节点,在各个节点处分别获取不同因素的异构数据,并训练对应异构数据的特征提取网络、特征融合网络和特征决策网络;
在模型的聚合阶段,将各个节点选择训练的特征提取网路、特征融合网络和特征决策网络进行归平,再采用平均聚合算法得到具有全局异构数据特征的共享模型:
;
其中,表示第r轮更新后的共享模型,/>、/>、/>分别表示更新后的全局特征提取网络、全局特征融合网络和全局特征决策网络;
以最终得到的共享模型作为第二误差评估模型。
作为本实施例的优选实施方式,所述融合模块中,融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型的方法具体为:
构建基于集成学习算法的第三误差评估模型,采用集成学习的方法,将第一误差评估模型和第二误差评估模型作为两个基分类器,并设置相应的结合策略对第一误差评估模型和第二误差评估模型的输出值进行结合得到最终输出值。
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电能计量装置综合误差评估方法。
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电能计量装置综合误差评估方法。
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-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)
1.一种电能计量装置综合误差评估方法,其特征在于,包括以下步骤:
对目标电能计量装置,采集包含若干不同类别的影响因素的历史误差影响因素数据集,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型;
采集目标电能计量装置不同因素的影响特征构建多因素影响特征数据集,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型;
融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型;
获取目标电能计量装置的误差影响因素数据和多因素影响特征数据,分别通过第一误差模型和第二误差模型计算第一实时误差和第二实时误差,将第一实时误差和第二实时误差带入第三误差评估模型中,评估目标电能计量装置当前的实时误差。
2.根据权利要求1所述的一种电能计量装置综合误差评估方法,其特征在于,所述分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型的步骤具体为:
选择任意影响因素,设该影响因素单一因素影响下与电能计量装置误差的关联函数为如下二次拟合函数:
;
其中,a、b、c为无量纲的拟合系数,为该二次拟合函数,/>为选择的影响因素的第j个采样数据,/>为根据该二次拟合函数计算出的电能计量装置误差数据;
基于已知数据点,该二次拟合函数的均方差为:
;
其中,为该二次拟合函数的均方差,n为采样点数;
分别对拟合系数a、b、c进行求导,得到:
;
;
;
其中,指代/>;
对上述求导公式进行推导,得到:
;
;
;
基于上述公式和已知数据点,计算得到拟合系数a、b、c的值,得到该影响因素单一因素影响下与电能计量装置误差的关联函数,重复选择其他影响因素重复上述步骤,得到各影响因素与电能计量装置误差的关联函数;
采用如下误差合成的公式对各影响因素与电能计量装置误差的关联函数进行融合,得到第一误差评估模型E:
;
其中,m为影响因素的类别数量,表示第i种影响因素与电能计量装置误差的关联函数。
3.根据权利要求1所述的一种电能计量装置综合误差评估方法,其特征在于,所述根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型的方法具体为:
将不同因素的影响特征作为异构数据,对各类异构数据分别设计对应的特征提取网络F、特征融合网络I和特征决策网络C,定义共享模型G表示为:
;
其中,表示模型拼接操作;
在模型的训练阶段,设置不同的节点,在各个节点处分别获取不同因素的异构数据,并训练对应异构数据的特征提取网络、特征融合网络和特征决策网络;
在模型的聚合阶段,将各个节点选择训练的特征提取网路、特征融合网络和特征决策网络进行归平,再采用平均聚合算法得到具有全局异构数据特征的共享模型:
;
其中,表示第r轮更新后的共享模型,/>、/>、/>分别表示更新后的全局特征提取网络、全局特征融合网络和全局特征决策网络;
以最终得到的共享模型作为第二误差评估模型。
4.根据权利要求1所述的一种电能计量装置综合误差评估方法,其特征在于,所述融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型的方法具体为:
构建基于集成学习算法的第三误差评估模型,采用集成学习的方法,将第一误差评估模型和第二误差评估模型作为两个基分类器,并设置相应的结合策略对第一误差评估模型和第二误差评估模型的输出值进行结合得到最终输出值。
5.一种电能计量装置综合误差评估系统,其特征在于,包括:
第一误差模型构建模块,用于对目标电能计量装置,采集包含若干不同类别的影响因素的历史误差影响因素数据集,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型;
第二误差模型构建模块,用于采集目标电能计量装置不同因素的影响特征构建多因素影响特征数据集,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型;
融合模块,用于融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型;
评估模块,用于获取目标电能计量装置的误差影响因素数据和多因素影响特征数据,分别通过第一误差模型和第二误差模型计算第一实时误差和第二实时误差,将第一实时误差和第二实时误差带入第三误差评估模型中,评估目标电能计量装置当前的实时误差。
6.根据权利要求5所述的一种电能计量装置综合误差评估系统,其特征在于,所述第一误差模型构建模块中,分别拟合各影响因素与电能计量装置误差的关联函数,将拟合出的各关联函数进行融合得到第一误差评估模型的步骤具体为:
选择任意影响因素,设该影响因素单一因素影响下与电能计量装置误差的关联函数为如下二次拟合函数:
;
其中,a、b、c为无量纲的拟合系数,为该二次拟合函数,/>为选择的影响因素的第j个采样数据,/>为根据该二次拟合函数计算出的电能计量装置误差数据;
基于已知数据点,该二次拟合函数的均方差为:
;
其中,为该二次拟合函数的均方差,n为采样点数;
分别对拟合系数a、b、c进行求导,得到:
;
;
;
其中,指代/>;
对上述求导公式进行推导,得到:
;
;
;
基于上述公式和已知数据点,计算得到拟合系数a、b、c的值,得到该影响因素单一因素影响下与电能计量装置误差的关联函数,重复选择其他影响因素重复上述步骤,得到各影响因素与电能计量装置误差的关联函数;
采用如下误差合成的公式对各影响因素与电能计量装置误差的关联函数进行融合,得到第一误差评估模型E:
;
其中,m为影响因素的类别数量,表示第i种影响因素与电能计量装置误差的关联函数。
7.根据权利要求5所述的一种电能计量装置综合误差评估系统,其特征在于,所述第二误差模型构建模块中,根据多因素影响特征数据集训练基于联邦学习的多源异构数据融合算法模型,得到多因素影响特征影响下的第二误差评估模型的方法具体为:
将不同因素的影响特征作为异构数据,对各类异构数据分别设计对应的特征提取网络F、特征融合网络I和特征决策网络C,定义共享模型G表示为:
;
其中,表示模型拼接操作;
在模型的训练阶段,设置不同的节点,在各个节点处分别获取不同因素的异构数据,并训练对应异构数据的特征提取网络、特征融合网络和特征决策网络;
在模型的聚合阶段,将各个节点选择训练的特征提取网路、特征融合网络和特征决策网络进行归平,再采用平均聚合算法得到具有全局异构数据特征的共享模型:
;
其中,表示第r轮更新后的共享模型,/>、/>、/>分别表示更新后的全局特征提取网络、全局特征融合网络和全局特征决策网络;
以最终得到的共享模型作为第二误差评估模型。
8.根据权利要求5所述的一种电能计量装置综合误差评估方法,其特征在于,所述融合模块中,融合第一误差评估模型和第二误差评估模型,得到第三误差评估模型的方法具体为:
构建基于集成学习算法的第三误差评估模型,采用集成学习的方法,将第一误差评估模型和第二误差评估模型作为两个基分类器,并设置相应的结合策略对第一误差评估模型和第二误差评估模型的输出值进行结合得到最终输出值。
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任一项所述的电能计量装置综合误差评估方法。
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任一项所述的电能计量装置综合误差评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535717.5A CN116628431A (zh) | 2023-05-12 | 2023-05-12 | 一种电能计量装置综合误差评估方法、系统、设备及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310535717.5A CN116628431A (zh) | 2023-05-12 | 2023-05-12 | 一种电能计量装置综合误差评估方法、系统、设备及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116628431A true CN116628431A (zh) | 2023-08-22 |
Family
ID=87596577
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310535717.5A Pending CN116628431A (zh) | 2023-05-12 | 2023-05-12 | 一种电能计量装置综合误差评估方法、系统、设备及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116628431A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
-
2023
- 2023-05-12 CN CN202310535717.5A patent/CN116628431A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Le Son et al. | Remaining useful lifetime estimation and noisy gamma deterioration process | |
Alamaniotis et al. | Evolutionary multiobjective optimization of kernel-based very-short-term load forecasting | |
Veeramsetty et al. | Electric power load forecasting on a 33/11 kV substation using artificial neural networks | |
CN109933953B (zh) | 基于概率图模型的配电网开关状态辨识方法 | |
CN106338708B (zh) | 结合深度学习与递归神经网络的电能计量误差分析方法 | |
Paik | Repeated measurement analysis for nonnormal data in small samples | |
CN116628431A (zh) | 一种电能计量装置综合误差评估方法、系统、设备及介质 | |
JPWO2015136666A1 (ja) | 個別電気機器稼働状態推定装置、およびその方法 | |
US20050096772A1 (en) | Transformer performance prediction | |
Sørensen et al. | Recent developments in multivariate wind and solar power forecasting | |
CN114814589A (zh) | 一种对pemfc剩余使用寿命进行预测的方法及装置 | |
CN115062864A (zh) | 一种配电网中期负荷分解-集合预测方法及系统 | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及系统 | |
Li et al. | SOC estimation for lithium‐ion batteries based on a novel model | |
Wu et al. | Improved unscented Kalman filter based interval dynamic state estimation of active distribution network considering uncertainty of photovoltaic and load | |
Žnidarič et al. | Evaluating uncertainties in electrochemical impedance spectra of solid oxide fuel cells | |
Xu et al. | State estimation via prediction-based scheme for linear time-varying uncertain networks with communication transmission delays and stochastic coupling | |
Firouzi et al. | Bayesian updating of copula-based probabilistic project-duration model | |
CN115267641B (zh) | 同塔双回输电线路中电流互感器误差异常识别方法、系统 | |
Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
CN115951292A (zh) | 一种电子式电压互感器误差状态在线评估方法及装置 | |
CN115526393A (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
Aguiar et al. | Learning Flow Functions from Data with Applications to Nonlinear Oscillators | |
Mustapha | Cuckoo search based adaptive neuro-fuzzy inference system for short-term load forecasting |
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 |