CN116930609A - 一种基于ResNet-LSTM模型的电能计量误差分析方法 - Google Patents
一种基于ResNet-LSTM模型的电能计量误差分析方法 Download PDFInfo
- Publication number
- CN116930609A CN116930609A CN202310647225.5A CN202310647225A CN116930609A CN 116930609 A CN116930609 A CN 116930609A CN 202310647225 A CN202310647225 A CN 202310647225A CN 116930609 A CN116930609 A CN 116930609A
- Authority
- CN
- China
- Prior art keywords
- error
- electric energy
- energy metering
- data
- model
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 63
- 238000013528 artificial neural network Methods 0.000 claims abstract description 22
- 238000003062 neural network model Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 238000013500 data storage Methods 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 7
- 230000007787 long-term memory Effects 0.000 claims abstract 2
- 238000012549 training Methods 0.000 claims description 44
- 230000006870 function Effects 0.000 claims description 31
- 230000008569 process Effects 0.000 claims description 28
- 230000007774 longterm Effects 0.000 claims description 21
- 230000000694 effects Effects 0.000 claims description 15
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000005259 measurement Methods 0.000 claims description 10
- 230000004913 activation Effects 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- 238000009434 installation Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000003213 activating effect Effects 0.000 claims description 3
- 230000008034 disappearance Effects 0.000 claims description 3
- 238000009826 distribution Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000007613 environmental effect Effects 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000007246 mechanism Effects 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013136 deep learning model Methods 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/08—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using analogue techniques
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
- G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
- G01R22/10—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods using digital techniques
-
- 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
- G06F18/20—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/20—Ensemble learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Business, Economics & Management (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Power Engineering (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于ResNet‑LSTM模型的电能计量误差分析方法，其特征在于，包括采集影响电能计量误差因素的数据，建立数据存储和共享平台；获得影响电能计量的自身误差和附加误差；利用ResNet残差神经网络模型获得第一误差估计序列X1；利用LSTM长短时记忆人工神经网络模型获得电能计量第二误差估计值序列X2；根据第一误差估计序列X1和第二误差估计值序列X2建立样本集S，并利用基于AdaBoost算法的自适应集成学习模型构建最终电能计量误差评估模型。本发明解决了现有技术中对电能计量误差分析存在的获取的误差数据未综合考虑多种因素的影响，导致精度和可靠性低，不能准确反映电能表实际运行性能的问题。
Description
技术领域
本发明涉及电能计量误差分析方法领域，特别是涉及一种基于ResNet-LSTM模型的电能计量误差分析方法。
背景技术
电能表作为电力系统中必不可少的计量设备，其准确性直接影响到电力计费和能源管理等方面，因此电能计量误差分析是评估电能表运行性能的关键步骤，进行电能计量误差分析保障电力计费的准确性、提高电力供应质量、促进节能降耗、保护电力系统安全。
现有技术中电能计量误差分析方法主要采用标准表比对法，即将待检表和标准表进行比对来计算误差。但电能表的安装和运行环境相对复杂，会受到电网运行工况、负载运行情况、环境温湿度等多种因素的影响。因此，在实验室里利用标准电能表在参比电压、参比电流和恒定温湿度环境下得到的电能计量的误差数据不能准确反映其实际运行性能。为了更准确地评价电能表的实际运行性能，需要综合考虑电网运行工况、负载运行情况和环境信息等多种因素的影响。
发明内容
发明目的：本发明的目的是提供一种能够有效地提升电能计量的精度和可靠性的基于ResNet-LSTM模型的电能计量误差分析方法
技术方案：为实现上述目的，本发明所述的一种基于ResNet-LSTM模型的电能计量误差分析方法，包括以下步骤：
步骤S1：采集影响电能计量误差因素的数据，建立数据存储和共享平台；
步骤S2：根据数据存储和共享平台，获得影响电能计量的自身误差和附加误差；
步骤S3：将自身误差和附加误差作为输入数据，利用ResNet残差神经网络模型获得第一误差估计序列X1；
步骤S4：根据自身误差数据获得时间序列，将时间序列作为输入数据，利用LSTM长短时记忆人工神经网络模型获得电能计量第二误差估计值序列X2；
步骤S5：根据第一误差估计序列X1和第二误差估计值序列X2建立样本集S，并利用基于AdaBoost算法的自适应集成学习模型构建最终电能计量误差评估模型。
其中，步骤S1所述的影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字转换器精度；其中，电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
其中，步骤S2所述的获得影响电能计量的自身误差和附加误差，是指在数据存储和共享平台中对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差，对初始误差数据进行预处理并剥离为自身误差和附加误差，以进一步分析误差来源和减少误差对计量结果的影响。
其中，电能计量初始误差＝(实际电能计量数据-理论电能计量数据)/理论电能计量数据。
其中，所述的预处理是指削减数据噪声、消除冗余信息、提高数据可用性。
其中，所述的自身误差是指仪表内部产生的误差，包括灵敏度误差、线性误差、非线性误差和零点漂移误差；附加误差是指由外界环境和安装条件产生的误差，包括温度漂移、湿度漂移、电源变化、电磁干扰。
其中，步骤S3所述的将自身误差和附加误差作为输入数据，利用ResNet残差神经网络模型获得第一误差估计序列X1，包括以下子步骤：
步骤S301：ResNet残差神经网络模型为：
yl＝f(xl,Wl)+h(xl)， (1)；
xl+1＝g(yl)
式中，l为残差神经网络的浅层，表示网络中卷积层和激活函数的堆叠深度；xl为误差数据的输入；Wl为卷积层的权重矩阵；f(xl,Wl)为xl经过2次卷积操作后的输出；h(xl)为恒等映射函数，目的是保证输入xl与f(xl,Wl)尺寸相同；yl为未经过ReLU激活函数前的残差输出；g(yl)为ReLU激活函数；xl+1为yl经过ReLU激活函数后的输出；
步骤S302：基于式(1)，在h(xl)＝xl时，由残差神经网络的浅层l到残差神经网络的深层L的学习特征为：
利用链式求导法则求得反向传播过程的梯度：
式中，Lloss为交叉熵损失函数；i为ResNet残差神经网络模型中的层数；
由式(3)知，残差神经网络模型在误差反向传播中，为了避免梯度消失，使梯度大于0；
步骤S303：将自身误差和附加误差作为输入数据，并利用基于ResNet残差神经网络模型对输入数据进行加权训练，得到电能计量误差预测模型下的电能计量第一误差估计序列X1。
其中，步骤S303所述的加权训练包括以下子步骤：
步骤S3031：将自身误差和附加误差拼接成一个向量作为电能计量误差预测模型的输入数据，并为每个输入元素分配一个权重，以表示在电能计量误差预测模型的相对重要性；
步骤S3032：在训练过程中，电能计量误差预测模型将根据输入数据和相应的标签，即电能计量误差的真实值进行学习，并更新模型内部参数，以最小化预测值与真实值之间的误差，加权训练的过程为：
式中，表示最终的输出结果，xk表示第k个输入的误差数据，wk表示对应的权重；
步骤S3033：根据输入数据以及电能计量误差预测模型的输出，计算出误差函数E，使用反向传播算法来调整权重wij，从而使得误差函数最小化：
式中，E表示误差函数，i和j为ResNet残差神经网络模型中的层数，wij表示第i层到第j层之间的权重，δj表示第j层的误差信号，yi表示第i层的输出。
其中，步骤S4所述的根据自身误差数据获得时间序列，将时间序列作为输入数据，利用LSTM长短时记忆人工神经网络模型获得电能计量第二误差估计值序列X2，包括以下子步骤：
步骤S401：LSTM模型前向传播过程为：
式中，t表示LSTM模型中序列数据的时间步；xt为当前输入的误差数据；ht-1和ht分别是上一个LSTM单元的输出和本单元的输出；ft、it和ot分别为遗忘门、输入门和输出门的输出；W、R和b分别为输入权重矩阵、递归权重矩阵和偏重项；Ct分别为候选状态和内部状态；σ为sigmoid函数；⊙为矩阵元素相乘；下标f、n、o和c分别表示遗忘门、输入门、输出门和状态值计算的结果，LSTM用3个门动态控制内部状态，以决定应该遗忘多少历史信息，以便更好地提取序列信号中的时间特征；
步骤S402：将自身误差数据按照每次采集记录的时间戳进行排序，将数据按照一定的时间间隔进行划分，对于每个时间间隔内的误差数据，采用平均值或标准差的统计方法进行处理，得到一个误差随时间变化的序列；将时间序列输入到LSTM模型中，得到所述电能计量装置的自身误差长期预测值序列Xself；并根据温度信息和频率信息计算所述电能计量装置的附加误差长期预测值序列Xadd；
步骤S403：将自身误差长期预测值序列Xself和附加误差长期预测值序列Xadd进行加权平均，得到电能计量第二误差估计值序列X2：
X2＝αXself+(1-α)Xadd (7)；
其中，α是自身误差长期预测值的权重，(1-α)是附加误差长期预测值的权重，二者的和为1。
其中，步骤S5所述的根据第一误差估计序列X1和第二误差估计值序列X2建立样本集S，并利用基于AdaBoost算法的自适应集成学习模型构建最终电能计量误差评估模型，包括以下子步骤：
步骤S501：将第一误差估计序列X1和第二误差估计值序列X2加权表决建立样本集S，并将样本集S分成正例样本集和负例样本集，正例样本集是指电能计量误差值较小的样本，而负例样本集是指电能计量误差值较大的样本，在训练模型的过程中，需要根据正例样本集和负例样本集的数量和权重进行样本权重初始化，并进行多次迭代的训练过程，从而获得一个准确度较高的电能计量误差评估模型；
步骤S502：样本集S中的正例样本的数量p和负例样本的数量q之和为m，样本集中正例样本权重为ωp，负例样本权重为ωq，T为训练的最大循环次数；初始化样本权重，即训练样本集S中初始概率分布为正例样本ωp＝1/m，负例样本为ωq＝1/m，再进行第k次迭代；
步骤S503：根据样本权重ωp和ωq，基于样本集S进行抽样得到训练集，在训练集基础上训练弱分类器，计算弱分类器的错误率εk，弱分类器是指分类能力仅略好于随机猜测的分类器；
步骤S504：选取错误率εk的阈值M，以确定是否需要更新样本权重ωp和ωq，如果εk<M不成立，更新样本权重ωp和ωq，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率，即分类效果好的数据将在下一次迭代中被更少地选中，而分类效果差的数据将被更多地选中；
如果εk<M成立，计算第k次迭代后的弱分类器的权重αk并进行第(k+1)次迭代；
步骤S505：样本权重更新的条件是当错误率εk超过预设的阈值M时才会进行；在每一次迭代中，都会进行样本权重的更新或计算弱分类器的权重，再进行下一次迭代，直到进行了T次迭代，得到T个弱分类器后，将T个弱分类器按更新的权重叠加，最终得到强分类器，即为最终的电能计量误差评估模型。
有益效果：本发明具有如下优点：1、本发明提供的方法通过建立数据存储和共享平台，利用基于残差神经网络和长短时记忆人工神经网络的误差评估模型，对电能计量数据进行准确的误差估计和长期预测，从而大大提高了电能计量数据的准确性和可靠性；
2、本发明提供的方法能够自动采集电能计量装置的自身误差数据和温度、频率等信息，并通过误差预测模型进行长期预测，从而实现电能计量设备的自动化管理，降低人工干预的成本和风险；
3、本发明提供的方法可以实现对电能计量设备的长期误差预测，及时发现和处理设备的异常情况，从而提高设备的运行效率和使用寿命；
4、本发明提供的方法能够将电能计量数据存储在数据存储和共享平台中，方便用户进行共享和应用，提高了电能计量数据的共享和应用价值，从而推动电力行业信息化、智能化和可持续发展。
附图说明
图1为本发明方法流程图；
图2为本发明对采集的数据处理流程图；
图3为本发明ResNet残差网络模型结构图；
图4为本发明LSTM长短时记忆网络模型结构图；
图5为本发明基于AdaBoost算法构建最终电能计量误差评估模型图。
具体实施方式
下面结合实施例和附图对本发明的技术方案作详细说明。
如图1所示，本发明提供了一种基于ResNet-LSTM模型的电能计量误差分析方法，以解决当前主流的电能计量误差分析方法得到的误差数据不能准确反映电能表实际运行性能的问题，具体包括以下步骤：
步骤S1：采集影响电能计量误差因素的数据，建立数据存储和共享平台，数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字转换器精度。
其中，电网的电能计量数据包括实际电能计量数据和理论电能计量数据；实际的电能计量数据是通过电能表或智能电表等电能计量设备测量得到的，而理论的电能计量数据是根据电网的拓扑结构、线路参数和负载特性等因素计算得到的；电能计量设备的精度、准确性以及电能计量数据的采集、处理等环节也会影响电能计量数据的准确性。
电网运行数据包括电网电压、电流、频率、功率因数等参数的实时监测数据。这些参数的变化会影响电能计量的准确性，因为电能计量的基本原理是通过测量电压和电流来计算电能。
负载运行数据包括负载的电流、电压、功率因数等参数的实时监测数据。负载的变化也会影响电能计量的准确性，因为负载的不同特性会对电能计量设备的响应产生影响。例如，负载的非线性特性会对电能计量设备的精度产生影响。
环境信息数据包括温度、湿度、气压等参数的监测数据。环境因素会影响电能计量设备的精度和稳定性。例如，高温会导致电能计量设备的精度下降，而低温则会导致电能计量设备的响应速度变慢。
互感器是电能计量设备中的重要部件，其精度和准确性对电能计量的准确性具有重要影响。因此，互感器的精度和校准状态等因素也会影响电能计量的准确性。
模拟/数字转换器精度是指电能计量装置中模拟信号转换为数字信号的精度，对电能计量结果的准确性和稳定性具有重要影响。精度越高，计量结果越准确，需要对其进行监测和校验。
步骤S2：根据数据存储和共享平台，获得影响电能计量的自身误差和附加误差；如图2所示，在数据存储和共享平台中对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差，对初始误差数据进行预处理并剥离为自身误差和附加误差，以进一步分析误差来源和减少误差对计量结果的影响。
其中，电能计量初始误差＝(实际电能计量数据-理论电能计量数据)/理论电能计量数据；预处理是指削减数据噪声、消除冗余信息、提高数据可用性。
自身误差是指仪表内部产生的误差，包括灵敏度误差、线性误差、非线性误差和零点漂移误差；附加误差是指由外界环境和安装条件产生的误差，包括温度漂移、湿度漂移、电源变化、电磁干扰。
步骤S3：将自身误差和附加误差作为输入数据，利用ResNet残差神经网络模型获得第一误差估计序列X1，包括以下子步骤：
如图3所示，步骤S301：ResNet残差神经网络模型为：
yl＝f(xl,Wl)+h(xl)， (1)；
xl+1＝g(yl)
式中，l为残差神经网络的浅层，表示网络中卷积层和激活函数的堆叠深度；xl为误差数据的输入；Wl为卷积层的权重矩阵；f(xl,Wl)为xl经过2次卷积操作后的输出；h(xl)为恒等映射函数，目的是保证输入xl与f(xl,Wl)尺寸相同；yl为未经过ReLU激活函数前的残差输出；g(yl)为ReLU激活函数；xl+1为yl经过ReLU激活函数后的输出；
步骤S302：基于式(1)，在h(xl)＝xl时，由残差神经网络的浅层l到残差神经网络的深层L的学习特征为：
利用链式求导法则求得反向传播过程的梯度：
式中，Lloss为交叉熵损失函数；i为ResNet残差神经网络模型中的层数；
由式(3)知，残差神经网络模型在误差反向传播中，为了避免梯度消失，使梯度大于0；
步骤S303：将自身误差和附加误差作为输入数据，并利用基于ResNet残差神经网络模型对输入数据进行加权训练，得到电能计量误差预测模型下的电能计量第一误差估计序列Z1。
其中加权训练包括以下子步骤：
步骤S3031：将自身误差和附加误差拼接成一个向量作为电能计量误差预测模型的输入数据，并为每个输入元素分配一个权重，以表示在电能计量误差预测模型的相对重要性；
步骤S3032：在训练过程中，电能计量误差预测模型将根据输入数据和相应的标签，即电能计量误差的真实值进行学习，并更新模型内部参数，以最小化预测值与真实值之间的误差，加权训练的过程为：
式中，表示最终的输出结果，xk表示第k个输入的误差数据，wk表示对应的权重；
步骤S3033：根据输入数据以及电能计量误差预测模型的输出，计算出误差函数E，使用反向传播算法来调整权重wij，从而使得误差函数最小化：
式中，E表示误差函数，i和j为ResNet残差神经网络模型中的层数，wij表示第i层到第j层之间的权重，δj表示第j层的误差信号，yi表示第i层的输出。
在训练过程中，模型将根据输入数据和相应的标签(即电能计量误差的真实值)进行学习，并更新其内部参数，以最小化预测值与真实值之间的误差。通过这样的训练过程，模型可以学习到输入数据和电能计量误差之间的关系，并得到一个能够预测电能计量误差的模型。当训练完成后，该模型可以利用已经学习到的参数来预测电能计量误差，并得到评估模型下的电能计量第一误差估计序列X1。
残差神经网络(Residual Neural Network,ResNet)是一种在深度神经网络中加入残差单元(Residual Unit)的方法，从而使得训练深度比以前更加高效。ResNet的特点是容易优化，能够通过增加相当的深度来提高准确率。在ResNet内部，残差块使用了跳跃连接，缓解了在深度神经网络中增加深度带来的梯度消失问题。
如图4所示，步骤S4：根据自身误差数据获得时间序列，将时间序列作为输入数据，利用LSTM长短时记忆人工神经网络模型获得电能计量第二误差估计值序列X2，包括以下子步骤：
步骤S401：LSTM模型前向传播过程为：
式中，t表示LSTM模型中序列数据的时间步；xt为当前输入的误差数据；ht-1和ht分别是上一个LSTM单元的输出和本单元的输出；ft、it和ot分别为遗忘门、输入门和输出门的输出；W、R和b分别为输入权重矩阵、递归权重矩阵和偏重项；Ct分别为候选状态和内部状态；σ为sigmoid函数；⊙为矩阵元素相乘；下标f、n、o和c分别表示遗忘门、输入门、输出门和状态值计算的结果，LSTM用3个门动态控制内部状态，以决定应该遗忘多少历史信息，以便更好地提取序列信号中的时间特征；
LSTM是一种循环神经网络模型，其能够有效地解决RNN无法处理长距离依赖的问题。特别是在需要处理和预测时间序列中间隔和延迟非常长的重要事件时，LSTM算法效果尤为显著。LSTM通过引入记忆单元和门机制，能够保留更长期的历史信息，并可以有选择性地遗忘部分历史信息，从而更好地适应时间序列的特征。它通过一系列“单元”来处理序列数据，每个单元包含可学习的参数和门控机制，用于控制历史信息的遗忘和当前输入的重要程度，以更好地提取序列信号中的时间特征。在LSTM模型中，序列数据被分解为一系列时间步，每个时间步都被视为一个独立输入，对应一个LSTM单元。
步骤S402：将自身误差数据按照每次采集记录的时间戳进行排序，将数据按照一定的时间间隔进行划分，对于每个时间间隔内的误差数据，采用平均值或标准差的统计方法进行处理，得到一个误差随时间变化的序列；将时间序列输入到LSTM模型中，得到所述电能计量装置的自身误差长期预测值序列Xself；并根据温度信息和频率信息计算所述电能计量装置的附加误差长期预测值序列Xadd；
步骤S403：将自身误差长期预测值序列Xself和附加误差长期预测值序列Xadd进行加权平均，得到电能计量第二误差估计值序列X2：
X2＝αXself+(1-α)Xadd (7)；
其中，α是自身误差长期预测值的权重，(1-α)是附加误差长期预测值的权重，二者的和为1。这个权重可以通过实验或者经验确定，也可以通过优化算法来自动学习得到。
如图5所示，步骤S5：根据第一误差估计序列X1和第二误差估计值序列X2建立样本集S，并利用基于AdaBoost算法的自适应集成学习模型构建最终电能计量误差评估模型，包括以下子步骤：
步骤S501：将第一误差估计序列X1和第二误差估计值序列X2加权表决建立样本集S，并将样本集S分成正例样本集和负例样本集，正例样本集是指电能计量误差值较小的样本，而负例样本集是指电能计量误差值较大的样本，在训练模型的过程中，需要根据正例样本集和负例样本集的数量和权重进行样本权重初始化，并进行多次迭代的训练过程，从而获得一个准确度较高的电能计量误差评估模型；
步骤S502：样本集S中的正例样本的数量p和负例样本的数量q之和为m，样本集中正例样本权重为ωp，负例样本权重为ωq，T为训练的最大循环次数；初始化样本权重，即训练样本集S中初始概率分布为正例样本ωp＝1/m，负例样本为ωq＝1/m，再进行第k次迭代；
步骤S503：根据样本权重ωp和ωq，基于样本集S进行抽样得到训练集，在训练集基础上训练弱分类器，计算弱分类器的错误率εk，即分类错误的样本数占总样本数的比例。弱分类器是指分类能力仅略好于随机猜测的分类器，通常是指分类器的准确率略高于50％。在集成学习算法中，使用多个弱分类器组合成一个强分类器，以提高分类器的准确率。
步骤S504：选取错误率εk的阈值M，以确定是否需要更新样本权重ωp和ωq，如果εk<M不成立，更新样本权重ωp和ωq，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率，即分类效果好的数据将在下一次迭代中被更少地选中，而分类效果差的数据将被更多地选中；
如果εk<M成立，计算第k次迭代后的弱分类器的权重αk并进行第(k+1)次迭代；
步骤S505：样本权重更新的条件是当错误率εk超过预设的阈值M时才会进行；在每一次迭代中，都会进行样本权重的更新或计算弱分类器的权重，再进行下一次迭代，直到进行了T次迭代，得到T个弱分类器后，将T个弱分类器按更新的权重叠加，最终得到强分类器，即为最终的电能计量误差评估模型。
本发明使用的方法构建最终电能计量误差评估模型的结构如下：
(1)误差数据准备：模型使用第一误差估计序列X1和第二误差估计值序列X2作为输入数据。
(2)样本集构建：首先，将X1和X2进行加权表决，得到一个样本集S。样本集S包含了正例样本集和负例样本集，其中正例样本集包括电能计量误差值较小的样本，负例样本集包括电能计量误差值较大的样本。
(3)样本权重初始化：根据正例样本集和负例样本集的数量和权重，进行样本权重的初始化。这里使用正例样本权重ωp和负例样本权重ωq进行初始化，可以根据样本集S中正例样本的数量p和负例样本的数量q之和m来计算权重。
(4)迭代训练：模型进行多次迭代的训练过程。在每次迭代中，根据样本权重ωp和ωq，基于样本集S进行抽样，得到一个训练集。然后在训练集上训练一个弱分类器，该弱分类器的准确率略高于50％，即略好于随机猜测。
(5)弱分类器权重更新：根据弱分类器的错误率εk，判断是否需要更新样本权重ωp和ωq。如果εk超过预设的阈值M，说明该弱分类器的性能较差，需要更新样本权重。更新样本权重的规则是减小分类效果好的数据的权重，增大分类效果差的数据的权重。
(6)弱分类器权重计算：如果εk不超过阈值M，计算当前弱分类器的权重αk。权重αk表示该弱分类器在最终模型中的重要性，通常与错误率相关。错误率较低的弱分类器会获得较高的权重。
(7)强分类器构建：通过进行多次迭代，得到多个弱分类器，并根据弱分类器的权重将它们进行加权叠加，构建一个强分类器。强分类器的输出是对电能计量误差的评估结果。
在样本权重的更新中，为了使分类效果好的数据在下一次迭代中被更少地选中，而分类效果差的数据被更多地选中，需要使用Adaboost算法中的指数损失函数权重更新规则。同时，为了提高模型的泛化能力，在每次迭代中，需要使用交叉验证方法来评估模型的性能，并根据交叉验证的结果来调整模型的参数。
自适应增强AdaBoost算法是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器。在AdaBoost算法中，每个弱分类器的训练都会根据之前的结果进行加权，从而提高分类准确率。AdaBoost算法很好地利用了弱分类器进行级联，且具有很高的精度。
本发明提出了一种综合考虑多种因素影响的电能计量误差分析方法，该方法引入了深度学习模型，通过利用基于残差神经网络ResNet模型和长短时记忆网络LSTM模型对误差估计数据进行加权评估，分别得到相应的电能计量误差估计值，再通过基于AdaBoost迭代算法的自适应集成学习模型，利用加权表决机制构建最终的电能计量误差评估分析模型，进行电网中电能计量误差的评估，从而获得更准确、更可靠的误差分析结果。相比于传统的标准表比对法，本发明的方法具有更高的科学性和准确性，可以更好地发现电能表的潜在问题。此外，该方法不仅具有高精度、高稳定性的特点，而且具有较高的普适性和通用性，适用于不同型号和品牌的电能表误差分析，具有重要的实用价值和推广意义。
Claims (10)
1.一种基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，包括以下步骤：
步骤S1：采集影响电能计量误差因素的数据，建立数据存储和共享平台；
步骤S2：根据数据存储和共享平台，获得影响电能计量的自身误差和附加误差；
步骤S3：将自身误差和附加误差作为输入数据，利用ResNet残差神经网络模型获得第一误差估计序列X1；
步骤S4：根据自身误差数据获得时间序列，将时间序列作为输入数据，利用LSTM长短时记忆人工神经网络模型获得电能计量第二误差估计值序列X2；
步骤S5：根据第一误差估计序列X1和第二误差估计值序列X2建立样本集S，并利用基于AdaBoost算法的自适应集成学习模型构建最终电能计量误差评估模型。
2.根据权利要求1所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，步骤S1所述的影响电能计量误差因素的数据包括：电网的电能计量数据、电网运行数据、负载运行数据、环境信息数据、互感器数据和模拟/数字转换器精度；其中，电网的电能计量数据包括实际电能计量数据和理论电能计量数据。
3.根据权利要求1所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，步骤S2所述的获得影响电能计量的自身误差和附加误差，是指在数据存储和共享平台中对实际电能计量数据和理论电能计量数据进行初步计算得到电能计量初始误差，对初始误差数据进行预处理并剥离为自身误差和附加误差。
4.根据权利要求3所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，电能计量初始误差＝(实际电能计量数据-理论电能计量数据)/理论电能计量数据。
5.根据权利要求3所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，所述的预处理是指削减数据噪声、消除冗余信息、提高数据可用性。
6.根据权利要求3所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，所述的自身误差是指仪表内部产生的误差，包括灵敏度误差、线性误差、非线性误差和零点漂移误差；附加误差是指由外界环境和安装条件产生的误差，包括温度漂移、湿度漂移、电源变化、电磁干扰。
7.根据权利要求1所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，步骤S3所述的将自身误差和附加误差作为输入数据，利用ResNet残差神经网络模型获得第一误差估计序列X1，包括以下子步骤：
步骤S301：ResNet残差神经网络模型为：
yl＝f(xl,Wl)+h(xl)，(1)；
xl+1＝g(yl)
式中，l为残差神经网络的浅层，表示网络中卷积层和激活函数的堆叠深度；xl为误差数据的输入；Wl为卷积层的权重矩阵；f(xl,Wl)为xl经过2次卷积操作后的输出；h(xl)为恒等映射函数，目的是保证输入xl与f(xl,Wl)尺寸相同；yl为未经过ReLU激活函数前的残差输出；g(yl)为ReLU激活函数；xl+1为yl经过ReLU激活函数后的输出；
步骤S302：基于式(1)，在h(xl)＝xl时，由残差神经网络的浅层l到残差神经网络的深层L的学习特征为：
利用链式求导法则求得反向传播过程的梯度：
式中，Lloss为交叉熵损失函数；i为ResNet残差神经网络模型中的层数；
由式(3)知，残差神经网络模型在误差反向传播中，为了避免梯度消失，使梯度大于0；
步骤S303：将自身误差和附加误差作为输入数据，并利用基于ResNet残差神经网络模型对输入数据进行加权训练，得到电能计量误差预测模型下的电能计量第一误差估计序列X1。
8.根据权利要求7所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，步骤S303所述的加权训练包括以下子步骤：
步骤S3031：将自身误差和附加误差拼接成一个向量作为电能计量误差预测模型的输入数据，并为每个输入元素分配一个权重，以表示在电能计量误差预测模型的相对重要性；
步骤S3032：在训练过程中，电能计量误差预测模型将根据输入数据和相应的标签，即电能计量误差的真实值进行学习，并更新模型内部参数，以最小化预测值与真实值之间的误差，加权训练的过程为：
式中，表示最终的输出结果，xk表示第k个输入的误差数据，wk表示对应的权重；
步骤S3033：根据输入数据以及电能计量误差预测模型的输出，计算出误差函数E，使用反向传播算法来调整权重wij，从而使得误差函数最小化：
式中，E表示误差函数，i和j为ResNet残差神经网络模型中的层数，wij表示第i层到第j层之间的权重，δj表示第j层的误差信号，yi表示第i层的输出。
9.根据权利要求1所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，步骤S4所述的根据自身误差数据获得时间序列，将时间序列作为输入数据，利用LSTM长短时记忆人工神经网络模型获得电能计量第二误差估计值序列X2，包括以下子步骤：
步骤S401：LSTM模型前向传播过程为：
式中，t表示LSTM模型中序列数据的时间步；xt为当前输入的误差数据；ht-1和ht分别是上一个LSTM单元的输出和本单元的输出；ft、it和ot分别为遗忘门、输入门和输出门的输出；W、R和b分别为输入权重矩阵、递归权重矩阵和偏重项；Ct分别为候选状态和内部状态；σ为sigmoid函数；⊙为矩阵元素相乘；下标f、n、o和c分别表示遗忘门、输入门、输出门和状态值计算的结果，LSTM用3个门动态控制内部状态，以决定应该遗忘多少历史信息，以便更好地提取序列信号中的时间特征；
步骤S402：将自身误差数据按照每次采集记录的时间戳进行排序，将数据按照一定的时间间隔进行划分，对于每个时间间隔内的误差数据，采用平均值或标准差的统计方法进行处理，得到一个误差随时间变化的序列；将时间序列输入到LSTM模型中，得到所述电能计量装置的自身误差长期预测值序列Xself；并根据温度信息和频率信息计算所述电能计量装置的附加误差长期预测值序列Xadd；
步骤S403：将自身误差长期预测值序列Xself和附加误差长期预测值序列Xadd进行加权平均，得到电能计量第二误差估计值序列X2：
X2＝αXself+(1-α)Xadd (7)；
其中，α是自身误差长期预测值的权重，(1-α)是附加误差长期预测值的权重，二者的和为1。
10.根据权利要求1所述的基于ResNet-LSTM模型的电能计量误差分析方法，其特征在于，步骤S5所述的根据第一误差估计序列X1和第二误差估计值序列X2建立样本集S，并利用基于AdaBoost算法的自适应集成学习模型构建最终电能计量误差评估模型，包括以下子步骤：
步骤S501：将第一误差估计序列X1和第二误差估计值序列X2加权表决建立样本集S，并将样本集S分成正例样本集和负例样本集，正例样本集是指电能计量误差值较小的样本，而负例样本集是指电能计量误差值较大的样本，在训练模型的过程中，需要根据正例样本集和负例样本集的数量和权重进行样本权重初始化，并进行多次迭代的训练过程，从而获得一个准确度较高的电能计量误差评估模型；
步骤S502：样本集S中的正例样本的数量p和负例样本的数量q之和为m，样本集中正例样本权重为ωp，负例样本权重为ωq，T为训练的最大循环次数；初始化样本权重，即训练样本集S中初始概率分布为正例样本ωp＝1/m，负例样本为ωq＝1/m，再进行第k次迭代；
步骤S503：根据样本权重ωp和ωq，基于样本集S进行抽样得到训练集，在训练集基础上训练弱分类器，计算弱分类器的错误率εk，弱分类器是指分类能力仅略好于随机猜测的分类器；
步骤S504：选取错误率εk的阈值M，以确定是否需要更新样本权重ωp和ωq，如果εk<M不成立，更新样本权重ωp和ωq，更新样本权重的规则是减小弱分类器中分类效果好的数据的概率，增大弱分类器中分类效果差的数据的概率，即分类效果好的数据将在下一次迭代中被更少地选中，而分类效果差的数据将被更多地选中；
如果εk<M成立，计算第k次迭代后的弱分类器的权重αk并进行第(k+1)次迭代；
步骤S505：样本权重更新的条件是当错误率εk超过预设的阈值M时才会进行；在每一次迭代中，都会进行样本权重的更新或计算弱分类器的权重，再进行下一次迭代，直到进行了T次迭代，得到T个弱分类器后，将T个弱分类器按更新的权重叠加，最终得到强分类器，即为最终的电能计量误差评估模型。
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310590949 | 2023-05-24 | ||
| CN2023105909490 | 2023-05-24 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116930609A true CN116930609A (zh) | 2023-10-24 |
Family
ID=88388516
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310647225.5A Pending CN116930609A (zh) | 2023-05-24 | 2023-06-02 | 一种基于ResNet-LSTM模型的电能计量误差分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116930609A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312806A (zh) * | 2023-11-29 | 2023-12-29 | 佳源科技股份有限公司 | 复杂环境下电能表计量误差预测方法及系统 |
| CN117609704A (zh) * | 2024-01-23 | 2024-02-27 | 青岛高科通信股份有限公司 | 一种基于神经网络模型的智能电表的电计量误差分析装置 |
-
2023
- 2023-06-02 CN CN202310647225.5A patent/CN116930609A/zh active Pending
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117312806A (zh) * | 2023-11-29 | 2023-12-29 | 佳源科技股份有限公司 | 复杂环境下电能表计量误差预测方法及系统 |
| CN117312806B (zh) * | 2023-11-29 | 2024-03-01 | 佳源科技股份有限公司 | 复杂环境下电能表计量误差预测方法及系统 |
| CN117609704A (zh) * | 2024-01-23 | 2024-02-27 | 青岛高科通信股份有限公司 | 一种基于神经网络模型的智能电表的电计量误差分析装置 |
| CN117609704B (zh) * | 2024-01-23 | 2024-04-19 | 青岛高科通信股份有限公司 | 一种基于神经网络模型的智能电表的电计量误差分析装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110298501B (zh) | 基于长短时记忆神经网络的电负荷预测方法 | |
| CN112241608B (zh) | 一种基于lstm网络和迁移学习的锂电池寿命预测方法 | |
| CN112036084B (zh) | 一种相似产品寿命迁移筛选方法和系统 | |
| CN116930609A (zh) | 一种基于ResNet-LSTM模型的电能计量误差分析方法 | |
| CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
| CN110378504B (zh) | 一种基于高维Copula技术的光伏发电爬坡事件概率预测方法 | |
| 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 | |
| CN114169639A (zh) | 一种企业用电量预测方法 | |
| CN113988210A (zh) | 结构监测传感网失真数据修复方法、装置及存储介质 | |
| CN115271186A (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
| CN116754949A (zh) | 一种锂离子电池智能健康状态预测方法 | |
| CN115796351A (zh) | 基于变分模态分解和微波衰减的降雨短临预测方法及装置 | |
| CN113868957B (zh) | 贝叶斯深度学习下剩余寿命预测及不确定性量化校准方法 | |
| Qian et al. | State of health estimation of lithium-ion battery using energy accumulation-based feature extraction and improved relevance vector regression | |
| CN111369078A (zh) | 一种基于长短期记忆神经网络的供水水质预测方法 | |
| CN111428421A (zh) | 一种物理机制引导深度学习的降雨径流模拟方法 | |
| Ma et al. | Online assessment of failure probability for smart meters based on SARIMA-LTFRLS | |
| CN116736174B (zh) | 电池剩余寿命预测方法、装置、计算机设备和存储介质 | |
| CN117538783A (zh) | 一种基于时域融合变换器的锂离子电池荷电状态估计方法 | |
| CN117233638A (zh) | 锂电池soh的检测方法、装置、电子设备及存储介质 | |
| CN117250490A (zh) | 一种基于lstm的剩余电流动作断路器寿命预测方法 | |
| CN116628444A (zh) | 一种基于改进元学习的水质预警方法 | |
| CN116593917A (zh) | 一种基于时频双流特征表征的锂电池健康状态估计方法 | |
| CN111160715A (zh) | 基于bp神经网络新旧动能转换绩效评价方法和装置 | |
| CN115128469A (zh) | 基于数字孪生的动力锂电池容量退化分析及在线估计方法 |
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 |