CN117131926A - 一种基于数据存储的电能计量误差分析方法 - Google Patents

Abstract

本发明公开了一种基于数据存储的电能计量误差分析方法，包括S1数据采集；S2数据处理和校正；S3建立误差分析模型：将独立存储单元中的单一参数作为独立训练的样本，采用卷积神经网络对所述单一参数进行训练，构建CNN模型，CNN模型输入层为单一参数，输出层为对应的误差参数；S4对误差分析模型进行训练：使用对比数据对CNN模型进行训练；通过优化算法来更新网络的权重和偏置；S5误差参数估计：S6优化误差参数。本发明利用大量的电力数据，通过建立深度学习模型，可以更加精准的得到误差参数；减少了人工处理的工作量，提高了效率，并且可以实现及时监控和报警，及时发现计量问题。

Description

一种基于数据存储的电能计量误差分析方法

技术领域

本发明涉及电力行业的校准技术领域，具体为一种基于数据存储的电能计量误差分析方法。

背景技术

随着电力行业的不断创新和发展，目前智能化电能表逐渐成为主流；而电能计量意义重大，电能计量的准确性事关各项电力技术经济指标的正确计算以及电力结算的准确性、公正性。

电能计量时仍然会因为各种各样的原因产生误差，而目前对于误差的分析还不够成熟，大多还是根据少量数据和检测数据来评估误差值，并根据误差参数进行电能计量的校准；在评估误差值时，仍然需要依靠实验人员的经验判断；随着电力数据的积累，需要一种新的方法，减少人为参与，提高误差分析准确度的方法，因此针对目前的电能计量方面，提出一种基于数据存储的电能计量误差分析方法是非常迫切的。

发明内容

本发明在于提供一种基于数据存储的电能计量误差分析方法，其目的是为了解决上述背景技术中所提出的问题。

为解决上述问题，提供一种基于数据存储的电能计量误差分析方法，

具体方法包括：

S1数据采集：通过智能电能表采集电力数据包，通过有线或者无线网络将电力数据包存储于服务器中；

S2数据处理和校正：读取服务器中的电力数据包，将电力数据包进行分解成单一参数并建立独立存储单元；将每一个独立存储单元内的单一参数分别进行时间戳处理；然后将处理后的数据进行校正，计算标准差和相对误差；

S3建立误差分析模型：将独立存储单元中的单一参数作为独立训练的样本，采用卷积神经网络对所述单一参数进行训练，构建CNN模型，CNN模型输入层为单一参数，输出层为对应的误差参数；

S4对误差分析模型进行训练：使用对比数据对CNN模型进行训练；通过优化算法来更新网络的权重和偏置；

S5误差参数估计：根据采集的电力数据包和对比数据，通过CNN模型的计算得到仪表的误差参数；将该误差参数用于仪表校准，将校准后的电力数据包与校准仪器获得的真实值进行对比，用来评估误差参数的准确性；

S6优化误差参数：重复S1-S5，通过累计的电力数据包叠加训练，得到多个CNN模型，选择更为稳定的模型作为误差参数预估模型。

进一步说明：S1中采集的数据包括智能电能表采集的电力数据包，以及电力校准设备采集的真实的电力数据。

进一步说明：电力数据包包含以下参数：电流、电压、电能消耗量、功率因数。

进一步说明：S2中服务器设定采样频率为Fs，在服务器创建一个数据存储结构Data[],设定一个计数器变量count，初始值为0，则计算采样时间点tn=count/Fs，将电力数据包存储于Data[tn]中，服务器将电力数据包分解后存储于数据存储结构Data[tn]m中，m为正整数。

进一步说明：服务器读取Data[tn]m中的数据记为y_i，其中i表示数据的索引，计算数据y_i的时间间隔，记为Δt_i，即Δt_i = t_i - t_{i-1}，其中t_i和t_{i-1}分别表示第i个数据和前一个数据的时间戳；根据时间戳将采集的数据划分为训练集、验证集和测试集。

进一步说明：S3中，服务器读取Data[tn]m中的数据y_i，进行数据归一化处理得到y_n，y_n=(y_i - min) / (max - min)，min和max是Data[tn]m中的最小值和最大值。

进一步说明：CNN模型包括3个卷积层、2个池化层、2个全连接层、1个输出层。

进一步说明：S4中所述优化算法为随机梯度下降算法，参数更新公式：

θ_new = θ_old - α * ΔJ(θ_old)，

其中：

θ_old 是当前参数的值，

θ_new 是更新后的参数值，

α 是学习率，用于控制每次参数更新的步长，

ΔJ(θ_old) 是损失函数 J 对参数θ_old 的梯度。

进一步说明：S5中，对CNN模型得到的误差参数进行评估，采用均方误差模型MSE进行评估，MSE的计算公式如下：

MSE = (1/n) * Σ(y_pred - y_true)^2

其中：MSE：均方误差；n：样本数量，用于计算MSE的样本数量；y_pred：模型的预测值，y_true：真实值。

具有以下有益效果：本发明利用大量的电力数据，通过建立深度学习模型，可以更加精准的得到误差参数；并且通过存储大量的电能计量数据，并对其进行分析，可以全面地评估电能计量系统的误差情况，减少了人工处理的工作量，提高了效率，并且可以实现及时监控和报警，及时发现计量问题；存储的电能计量数据可以提供详细的历史记录，使得误差分析具有可追溯性。

附图说明

图1为本发明中一种基于数据存储的电能计量误差分析方法的流程示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

如图1所示，一种基于数据存储的电能计量误差分析方法，包括以下内容：

S1数据采集：通过智能电能表采集电力数据包，通过有线或者无线网络将电力数据包存储于服务器中。

服务器向智能电能表发出采集数据的指令，智能电能表接到指令后将电力数据以及该电力数据对应的时间一并发送给服务器；此时数据具有时间戳，时间戳可以用于后续的数据处理和误差分析，用于分析读数的时序特征、检测数据异常或漂移等问题。

电力数据包包含以下参数：电流、电压、电能消耗量、功率因数。

S2数据处理和校正：读取服务器中的电力数据包，将电力数据包进行分解成单一参数并建立独立存储单元；将每一个独立存储单元内的单一参数分别进行时间戳处理；然后将处理后的数据进行校正，计算标准差和相对误差。

服务器设定采样频率为Fs，在服务器创建一个数据存储结构Data[],设定一个计数器变量count，初始值为0，则计算采样时间点tn=count/Fs，将电力数据包存储于Data[tn]中，服务器将电力数据包分解后存储于数据存储结构Data[tn]m中，m为正整数。

例如，时间点t1时采集的数据包括电流数据m=1，电压数据m=2、电能消耗量数据m=3、功率因数数据m=4；因此分别建立Data[t1]项下的数据存储结构Data[t1]1 用于存储电流数据，Data[t1]2 用于存储电压数据，以此类推。

服务器读取Data[tn]m中的数据记为y_i，其中i表示数据的索引，i指向Data[]数据集；计算数据y_i的时间间隔，记为Δt_i，即Δt_i = t_i - t_{i-1}，其中t_i和t_{i-1}分别表示第i个数据和前一个数据的时间戳；根据时间戳将采集的数据划分为训练集、验证集和测试集，设定70%的训练集、15%的验证集和15%的测试集。

例如进行电流数据训练时，读取电流数据，则y_i表述电流的数据；当进行电压数据训练时，读取电流数据，则y_i表述电压的数据，以此类推。

在进行训练前，需要对数据y_i进行数据清洗、异常值处理和缺失值填充等处理，通过S2中对数据的标准差和相对误差来对数据y_i进行处理。

S3建立误差分析模型：将独立存储单元中的单一参数作为独立训练的样本，采用卷积神经网络对所述单一参数进行训练，构建CNN模型，CNN模型输入层为单一参数，输出层为对应的误差参数。

服务器读取Data[tn]m中的数据y_i，进行数据归一化处理得到y_n，y_n=(y_i -min) / (max - min)，min和max是Data[tn]m中的最小值和最大值。

CNN模型包括3个卷积层、2个池化层、2个全连接层、1个输出层。

S4对误差分析模型进行训练：使用对比数据对CNN模型进行训练；通过优化算法来更新网络的权重和偏置；可以使用训练集进行多个epochs的迭代训练。

优化算法为随机梯度下降算法，参数更新公式：

θ_new = θ_old - α * ΔJ(θ_old)，

其中：

θ_old 是当前参数的值，

θ_new 是更新后的参数值，

α 是学习率，用于控制每次参数更新的步长，

ΔJ(θ_old) 是损失函数 J 对参数θ_old 的梯度。

其中，J= (1/N) * Σ|y_pred - y_true|； N 是样本数量，y_pred 是模型的预测值，y_true 是真实值。

S5误差参数估计：根据采集的电力数据包和对比数据，通过CNN模型的计算得到仪表的误差参数；将该误差参数用于仪表校准，将校准后的电力数据包与校准仪器获得的真实值进行对比，用来评估误差参数的准确性；

对CNN模型得到的误差参数进行评估，采用均方误差模型进行评估，MSE的计算公式如下：

MSE = (1/n) * Σ(y_pred - y_true)^2

其中：MSE：均方误差；n：样本数量，用于计算MSE的样本数量；y_pred：模型的预测值，y_true：真实值。

MSE的值越小，表示模型的预测结果与真实值的差异越小，模型的拟合效果越好。

S6优化误差参数：重复S1-S5，通过累计的电力数据包叠加训练，得到多个CNN模型，选择更为稳定的模型作为误差参数预估模型。

进一步说明：S1中采集的数据包括智能电能表采集的电力数据包，以及电力校准设备采集的真实的电力数据。

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (9)

1.一种基于数据存储的电能计量误差分析方法，其特征在于，包括以下步骤：

S1数据采集：通过智能电能表采集电力数据包，通过有线或者无线网络将电力数据包存储于服务器中；

S2数据处理和校正：读取服务器中的电力数据包，将电力数据包进行分解成单一参数并建立独立存储单元；将每一个独立存储单元内的单一参数分别进行时间戳处理；然后将处理后的数据进行校正，计算标准差和相对误差；

S3建立误差分析模型：将独立存储单元中的单一参数作为独立训练的样本，采用卷积神经网络对所述单一参数进行训练，构建CNN模型，CNN模型输入层为单一参数，输出层为对应的误差参数；

S4对误差分析模型进行训练：使用对比数据对CNN模型进行训练；通过优化算法来更新网络的权重和偏置；

S5误差参数估计：根据采集的电力数据包和对比数据，通过CNN模型的计算得到仪表的误差参数；将该误差参数用于仪表校准，将校准后的电力数据包与校准仪器获得的真实值进行对比，用来评估误差参数的准确性；

S6优化误差参数：重复S1-S5，通过累计的电力数据包叠加训练，得到多个CNN模型，选择更为稳定的模型作为误差参数预估模型。

2.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法，其特征在于，S1中采集的数据包括智能电能表采集的电力数据包，以及电力校准设备采集的真实的电力数据。

3.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法，其特征在于，电力数据包包含以下参数：电流、电压、电能消耗量、功率因数。

4.根据权利要求3所述的一种基于数据存储的电能计量误差分析方法，其特征在于，S2中服务器设定采样频率为Fs，在服务器创建一个数据存储结构Data[],设定一个计数器变量count，初始值为0，则计算采样时间点tn=count/Fs，将电力数据包存储于Data[tn]中，服务器将电力数据包分解后存储于数据存储结构Data[tn]m中，m为正整数。

5.根据权利要求4所述的一种基于数据存储的电能计量误差分析方法，其特征在于，服务器读取Data[tn]m中的数据记为y_i，其中i表示数据的索引，计算数据y_i的时间间隔，记为Δt_i，即Δt_i = t_i - t_{i-1}，其中t_i和t_{i-1}分别表示第i个数据和前一个数据的时间戳；根据时间戳将采集的数据划分为训练集、验证集和测试集。

6.根据权利要求4所述的一种基于数据存储的电能计量误差分析方法，其特征在于，S3中，服务器读取Data[tn]m中的数据y_i，进行数据归一化处理得到y_n，y_n=(y_i - min) /(max - min)，min和max是Data[tn]m中的最小值和最大值。

7.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法，其特征在于，CNN模型包括3个卷积层、2个池化层、2个全连接层、1个输出层。

8.根据权利要求1所述的一种基于数据存储的电能计量误差分析方法，其特征在于，S4中所述优化算法为随机梯度下降算法，参数更新公式：

θ_new = θ_old - α * ΔJ(θ_old)，

其中：

θ_old 是当前参数的值，

θ_new 是更新后的参数值，

α 是学习率，用于控制每次参数更新的步长，

ΔJ(θ_old) 是损失函数 J 对参数θ_old 的梯度。

9. 根据权利要求4所述的一种基于数据存储的电能计量误差分析方法，其特征在于，S5中，对CNN模型得到的误差参数进行评估，采用均方误差模型MSE进行评估，MSE的计算公式如下：

MSE = (1/n) * Σ(y_pred - y_true)^2

其中：MSE：均方误差；n：样本数量，用于计算MSE的样本数量；y_pred：模型的预测值，y_true：真实值。