CN117312806B - 复杂环境下电能表计量误差预测方法及系统 - Google Patents

Abstract

本申请涉及电能表校验技术领域，提供了一种复杂环境下电能表计量误差预测方法及系统，包括：获取第一电能表；根据预定测验环境方案得到第一测验环境；在第一测验环境下启动第一电能表得到第一计量误差，组建第一数据组；学习、检验得到集成误差预测模型，并存储至环境误差预测模块；获取第二电能表的目标应用环境；通过环境误差预测模块分析得到目标环境误差预测结果，通过内部误差预测模块对第二电能表进行表特征分析，得到目标内部误差预测结果；加权得到综合计量误差预测结果。通过对复杂应用环境下的电能表进行计量误差的智能预测，进而基于高准确性的电能表计量误差预测结果进行电能表计量效能提升，以保证计量数据的准确性和有效性。

Description

复杂环境下电能表计量误差预测方法及系统

技术领域

本申请涉及设备智能监测技术领域，具体涉及一种复杂环境下电能表计量误差预测方法及系统。

背景技术

电能表是用来测量电能的仪表，其使用环境多种多样，当电能表在复杂环境下使用时，例如：高温、高压等特殊工作环境，电能表的计量结果通常会受到外界环境因素的干扰，同时电能表随着工作时间的增加，其内部零件可能会存在老化、损坏的现象，也在一定程度上影响了电能表的计量结果，从而造成复杂环境下电能表计量误差预测准确率较低。

综上所述，现有技术中存在电能表在复杂环境下计量误差预测准确率较低的技术问题。

发明内容

基于此，有必要针对上述技术问题，提供一种复杂环境下电能表计量误差预测方法及系统。

复杂环境下电能表计量误差预测方法，所述方法应用于一复杂环境下电能表计量误差预测系统，所述系统包括环境误差预测模块和内部误差预测模块，所述方法包括：获取第一电能表，其中，所述第一电能表是指未曾投入实际应用的合格出厂的电能表产品；读取预定测验环境方案，并根据所述预定测验环境方案对环境误差测验室进行调控，得到第一测验环境；在所述第一测验环境下启动所述第一电能表得到第一计量误差，并结合所述第一测验环境组建第一数据组；对所述第一数据组进行学习、检验，得到集成误差预测模型，并将所述集成误差预测模型存储至所述环境误差预测模块；获取第二电能表的目标应用环境，其中，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品；通过所述环境误差预测模块对所述目标应用环境进行分析，得到目标环境误差预测结果，通过所述内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果；加权所述目标环境误差预测结果与所述目标内部误差预测结果得到所述第二电能表的综合计量误差预测结果。

复杂环境下电能表计量误差预测系统，所述系统包括环境误差预测模块和内部误差预测模块，包括：

第一电能表获取模块，所述第一电能表获取模块用于获取第一电能表，其中，所述第一电能表是指未曾投入实际应用的合格出厂的电能表产品；

第一测验环境获得模块，所述第一测验环境获得模块用于读取预定测验环境方案，并根据所述预定测验环境方案对环境误差测验室进行调控，得到第一测验环境；

第一数据组组建模块，所述第一数据组组件模块用于在所述第一测验环境下启动所述第一电能表得到第一计量误差，并结合所述第一测验环境组建第一数据组；

集成误差预测模型得到模块，所述集成误差预测模型得到模块用于对所述第一数据组进行学习、检验，得到集成误差预测模型，并将所述集成误差预测模型存储至所述环境误差预测模块；

目标应用环境获取模块，所述目标应用环境获取模块用于获取第二电能表的目标应用环境，其中，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品；

误差预测结果得到模块，所述误差预测结果得到模块用于通过所述环境误差预测模块对所述目标应用环境进行分析，得到目标环境误差预测结果，通过所述内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果；

综合计量误差预测结果得到模块，所述综合计量误差预测结果得到模块用于加权所述目标环境误差预测结果与所述目标内部误差预测结果得到所述第二电能表的综合计量误差预测结果。

上述一种复杂环境下电能表计量误差预测方法及系统，能够解决电能表在复杂环境下计量误差预测准确率较低的技术问题，首先，将未曾投入实际应用的合格出厂的电能表产品作为第一电能表；读取预定测验环境方案，并根据所述预定测验环境方案对环境误差测验室进行调控，得到第一测验环境；在所述第一测验环境下启动所述第一电能表，获得第一计量误差，并将所述第一计量误差结合所述第一测验环境组建第一数据组；然后对所述第一数据组进行学习、检验，获得集成误差预测模型，并将所述集成误差预测模型存储至环境误差预测模块；获取第二电能表的目标应用环境，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品；通过所述环境误差预测模块对所述目标应用环境进行分析，得到目标环境误差预测结果，通过内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果；最后加权所述目标环境误差预测结果与所述目标内部误差预测结果得到所述第二电能表的综合计量误差预测结果。可以提高复杂环境下电能表计量误差预测的准确率，从而提高电能表的运行稳定性和可靠性。

上述说明仅是本申请技术方案的概述，为了能够更清楚了解本申请的技术手段，而可依照说明书的内容予以实施，并且为了让本申请的上述和其他目的、特征和优点能够更明显易懂，以下特举本申请的具体实施方式。

附图说明

图1为本申请提供了一种复杂环境下电能表计量误差预测方法的流程示意图。

图2为本申请提供了一种复杂环境下电能表计量误差预测方法中读取预定测验环境方案的流程示意图。

图3为本申请提供了一种复杂环境下电能表计量误差预测方法中得到集成误差预测模型的流程示意图。

图4为本申请提供了一种复杂环境下电能表计量误差预测系统的结构示意图。

附图标记说明：第一电能表获取模块1、第一测验环境获得模块2、第一数据组组建模块3、集成误差预测模型得到模块4、目标应用环境获取模块5、误差预测结果得到模块6、综合计量误差预测结果得到模块7。

具体实施方式

为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。

如图1所示，本申请提供了一种复杂环境下电能表计量误差预测方法，所述方法应用于一复杂环境下电能表计量误差预测系统，所述系统包括环境误差预测模块和内部误差预测模块，包括：

步骤S100：获取第一电能表，其中，所述第一电能表是指未曾投入实际应用的合格出厂的电能表产品；

具体而言，本申请提供的方法适用于在复杂环境下对电能表的计量误差进行预测，其中包括高温、高压、潮湿等多种环境，所述方法具体实施于一复杂环境下电能表计量误差预测系统，所述系统包括环境误差预测模块和内部误差预测模块，所述环境误差预测模块用于根据电能表的应用环境对电能表计量误差进行预测；所述内部误差预测模块用于根据电能表的当前使用情况对电能表计量误差进行预测。

首先，从未曾投入实际应用的合格出厂的电能表产品中随机选择一个电能表产品作为第一电能表，挑选未曾投入实际应用的合格电能表的目的是排除电能表使用状态对电能表计量结果造成的影响。通过获得所述第一电能表，为计算应用环境对电能表造成的计量误差提供了支持。

步骤S200：读取预定测验环境方案，并根据所述预定测验环境方案对环境误差测验室进行调控，得到第一测验环境；

如图2所示，在一个实施例中，本申请步骤S200还包括：

步骤S210：组建环境应力集；

步骤S220：对所述环境应力集进行筛选，得到目标环境应力集，其中，所述目标环境应力集包括温度应力、相对湿度应力、风速应力、光照应力和气压应力；

步骤S230：依次分析确定所述温度应力的温度阈、所述相对湿度应力的相对湿度阈、所述风速应力的风速阈、所述光照应力的光照阈和所述气压应力的气压阈；

步骤S240：分别从所述温度阈、所述相对湿度阈、所述风速阈、所述光照阈和所述气压阈中随机提取第一温度、第一相对湿度、第一风速、第一光照和第一气压，并组成第一测验环境；

步骤S250：基于所述第一测验环境生成所述预定测验环境方案。

具体而言，进行环境应力数据采集，获得环境应力集，所述环境应力环境因素，例如：温度、湿度、温差、风速、风向、风力、气压等多个环境因素。基于电能表对所述环境应力集进行筛选，获得目标环境应力集，所述目标环境应力集是指对电能表计量结果产生影响的环境应力，其中所述目标环境应力集包括温度应力、相对湿度应力、风速应力、光照应力和气压应力。

根据所述温度应力对电能表的适用温度进行分析，确定温度阈，所述温度阈是指电能表正常工作的适用温度范围，所述温度阈本领域技术人员可基于电能表类型和规格自定义设置，例如：家用电能表适用温度为-30摄氏度～45摄氏度；根据所述相对湿度应力对电能表的适用相对湿度进行分析，确定相对湿度阈，所述相对湿度阈是指电能表正常工作的适用相对湿度范围；根据所述风速应力对电能表的适用风速进行分析，确定风速阈，所述风速阈是指电能表正常工作的适用风速范围；根据所述光照应力对电能表的适用光照信息进行分析，确定光照阈，所述光照阈是指电能表正常工作的适用光照参数范围；根据所述气压应力对电能表的适用气压进行分析，确定气压阈，所述气压阈是指电能表正常工作的适用气压范围。

分别从所述温度阈、所述相对湿度阈、所述风速阈、所述光照阈和所述气压阈中随机提取第一温度、第一相对湿度、第一风速、第一光照和第一气压，并组成第一测验环境，所述第一温度为所述温度阈中的任意一个温度值；所述第一湿度是指所述相对湿度阈中任意一个相对湿度值；所述第一风速为所述风速阈中任意一个风速值；所述第一光照是指所述光照阈中任意一个光照值；所述第一气压为所述气压阈中任意一个气压值。并根据所述第一温度、所述第一相对湿度、所述第一风速、所述第一光照和所述第一气压组成第一测验环境。

然后再次从所述温度阈、所述相对湿度阈、所述风速阈、所述光照阈和所述气压阈中随机提取第二温度、第二相对湿度、第二风速、第二光照和第二气压，并组成第二测验环境，不断进行迭代提取，获得多个测验环境，并基于多个测验环境生成预定测验环境方案。根据所述预定测验环境方案依次对环境误差测验室进行调控，获得多个测验环境，所述多个测验环境包括第一测验环境。通过获得第一测验环境，为下一步获得所述第一电能表的第一计量误差提供了支持。

步骤S300：在所述第一测验环境下启动所述第一电能表得到第一计量误差，并结合所述第一测验环境组建第一数据组；

具体而言，将所述第一电能表放置在所述第一测验环境下启动，并设置标准电能值，所述标准电能值可基于实际情况自定义设置，通过所述第一电能表对所述标准电能值进行计量，获得所述第一电能表计量结果，将所述第一电能表计量结果减去所述标准电能值获得的差值作为第一计量误差，根据所述第一计量误差和所述第一测验环境获得第一数据集合。然后根据预定测验环境方案依次将所述第一电能表放置在不同测验环境下启动，获得多个计量误差，并结合多个测验环境获得多个数据集合。基于多个数据集合组建第一数据组。通过获得第一数据组，为下一步获得集成误差预测模型提供了训练数据。

步骤S400：对所述第一数据组进行学习、检验，得到集成误差预测模型，并将所述集成误差预测模型存储至所述环境误差预测模块；

如图3所示，在一个实施例中，本申请步骤S400还包括：

步骤S410：对所述第一数据组进行划分，得到第一划分结果；

步骤S420：基于神经网络原理对所述第一划分结果中的第一分组数据进行训练，得到第一误差预测模型；

步骤S430：基于支持向量机原理对所述第一划分结果中的第二分组数据进行训练，得到第二误差预测模型；

步骤S440：基于梯度提升决策树原理对所述第一划分结果中的第三分组数据进行训练，得到第三误差预测模型；

具体而言，获取预设数据划分比例，所述数据划分比例本领域技术人员可基于实际情况自定义设置，例如：20%、25%、30%、25%。根据所述预设数据划分比例对所述第一数据组进行划分，获得第一划分结果，其中所述第一划分结果包括第一分组数据、第二分组数据、第三分组数据和第四分组数据。

基于神经网络原理构建第一误差预测模型，所述第一误差预测模型为可以不断进行迭代优化的神经网络模型，所述第一误差预测模型的输入数据为测验环境，输出数据为计量误差。根据所述第一分组数据对所述第一误差预测模型进行监督训练，当模型输出结果趋于收敛状态时，获得训练完成的第一误差预测模型。

基于支持向量机原理构建第二误差预测模型，所述第二误差预测模型为二分类模型，通过所述第二分组数据对所述第二误差预测模型进行训练，预设误差预测指标，当所述第二误差预测模型的输出结果准确率大于所述预设误差预测指标时，获得训练完成的第二误差预测模型。基于梯度提升决策树原理构建第三误差预测模型，通过所述第三分组数据对所述第三误差预测模型进行训练，获得第三误差预测模型。

步骤S450：基于集成学习原理对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行融合，得到所述集成误差预测模型。

在一个实施例中，本申请步骤S450还包括：

步骤S451：对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行搭建，得到多个集成预测模型；

步骤S452：将所述第一划分结果中的第四分组数据作为测试数据组；

具体而言，在所述第一误差预测模型、所述第二误差预测模型、所述第三误差预测模型中随机选择一个模型作为元学习器，将除元学习器之外的两个模型作为初级学习器进行模型搭建，获得多个集成预测模型，其中所述集成预测模型的数量为3。并将所述第一划分结果中的第四分组数据作为测试数据组。

步骤S453：依次通过所述多个集成预测模型对所述测试数据组进行预测检验，分别得到多个预测结果；

在一个实施例中，本申请步骤S453还包括：

步骤S4531：提取所述多个集成预测模型中任意一个集成预测模型；

步骤S4532：获得所述任意一个集成预测模型的初级学习器、元学习器；

步骤S4533：对所述测试数据组进行划分，得到第二划分结果，其中，所述第二划分结果包括模型训练数据集、模型测试数据集；

步骤S4534：通过所述初级学习器对所述模型训练数据集进行预测，得到初级预测结果；

步骤S4535：通过所述初级学习器对所述模型测试数据集进行测试，得到初级测试结果；

步骤S4536：将所述初级预测结果作为所述元学习器的训练数据，将所述初级测试结果作为所述元学习器的测试数据进行预测，得到所述任意一个集成预测模型的预测结果。

具体而言，在所述多个集成预测模型中提取任意一个集成预测模型，并获得所述任意一个集成预测模型的初级学习器、元学习器。获取测试数据划分比例，所述测试数据划分比例本领域技术人员可基于实际情况自定义设置，例如：模型训练数据集占比80%、模型测试数据集占比20%。根据所述测试数据划分比例对所述测试数据组进行划分，获得第二划分结果，所述第二划分结果包括模型训练数据集和模型测试数据集。

将所述模型训练数据集中的模型训练数据输入所述初级学习器进行预测，获得初级预测结果。将所述模型测试数据中的模型测试数据输入所述初级学习器进行测试，获得初级测试结果。然后通过所述初级预测结果对所述元学习器进行监督训练，当模型训练结果符合预设训练指标时，通过所述初级测试结果对所述元学习器进行测试，预设元学习器测试准确率指标，所述元学习器测试准确率指标本领域技术人员可自定义设置，例如：95%。当所述元学习器的输出结果准确率大于所述元学习器测试准确率指标时，获得训练完成的集成预测模型。然后将所述测试数据组中任意一组测试数据输入所述集成预测模型，获得预测结果。利用上述同样的方法对其他两个集成预测模型进行训练，获得多个预测结果。

步骤S454：筛选所述多个预测结果中的最佳预测结果，并反向匹配得到所述最佳预测结果的集成预测模型，作为所述集成误差预测模型。

具体而言，对多个所述预测结果进行筛选，将多个所述预测结果中误差预测精度最高的预测结果作为最佳预测结果。根据所述最佳预测结果获得输出所述最佳预测结果的集成预测模型，并将所述集成预测模型作为集成误差预测模型。

通过结合多个训练方式构建第一误差预测模型、第二误差预测模型和第三误差预测模型，并通过模型搭建的方法对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行集成融合，并通过筛选之后获得最优集成误差预测模型，可以集成多个模型中的优点，从而使得集成误差预测模型输出的误差预测精度更加准确。

步骤S500：获取第二电能表的目标应用环境，其中，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品；

具体而言，对所述第二电能表的当前的应用环境信息进行采集，获取目标应用环境，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品，所述目标应用环境是指所述第二电能表所处的工作环境，其中包括温度、相对湿度、风速、光照和气压。通过获得所述目标应用环境，为下一步获得目标环境误差预测结果提供了数据支持。

步骤S600：通过所述环境误差预测模块对所述目标应用环境进行分析，得到目标环境误差预测结果，通过所述内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果；

在一个实施例中，本申请步骤S600还包括：

步骤S610：所述内部误差预测模块包括电能表对比模型；

在一个实施例中，本申请步骤S610还包括：

步骤S610：所述电能表对比模型中内嵌有预定表特征指标，其中，所述预定表特征指标包括应用时长、内部结构老化程度。

具体而言，所述内部误差预测模块用于对电能表进行内部误差预测，所述内部误差预测是指根据电能表的使用时长对电能表当前的内部结构部件进行分析，获得内部误差预测结果。其中所述内部误差预测模块包括电能表对比模型，所述电能表对比模型中内嵌有预定表特征指标，所述预定表特征指标包括应用时长和内部结构老化程度。所述应用时长是指电能表已使用的时间段，所述内部结构老化程度用于表征电能表内部各部件的老化情况，其中包括铝制圆盘、串联线圈电磁铁、制动永久磁铁、并联线圈电磁铁等多个部件。

步骤S620：所述电能表对比模型分别采集得到所述第一电能表的第一表特征信息和所述第二电能表的第二表特征信息；

步骤S630：基于Tanimoto相似系数原理对比所述第一表特征信息和所述第二表特征信息，得到表相似度指数；

步骤S640：将所述表相似度指数作为所述目标内部误差预测结果。

具体而言，通过所述电能表对比模型根据所述预定表特征指标对所述第一电能表和所述第二电能表进行表特征信息采集，获得第一电能表的第一表特征信息和第二电能表的第二表特征信息。基于Tanimoto相似系数原理将所述第一表特征信息和所述第二表特征信息进行比对，其中默认所述第一表特征信息导致的计量误差为1，根据Tanimoto相似系数计算出所述第二表特征信息中公共特征占所述第一表特征信息的比例，并将所述比例作为表相似度指数，其中所述表相似度指数越高，则表明所述第二电能表中内部原因导致的计量误差越小。并将所述表相似度指数作为目标内部误差预测结果。

将所述目标应用环境输入所述环境误差预测模块的集成误差预测模型进行计量误差分析，输出目标环境误差预测结果。通过获得所述目标环境误差预测结果和所述目标内部误差预测结果，为下一步获得综合计量误差预测结果提供了数据支持。

步骤S700：加权所述目标环境误差预测结果与所述目标内部误差预测结果得到所述第二电能表的综合计量误差预测结果。

具体而言，获取预设权重系数，所述预设权重系数本领域技术人员可基于第二电能表的实际应用情况自定义设置，例如：设置目标环境误差预测结果权重系数为6，目标内部误差预测结果权重值权重系数为10。根据所述预设权重系数对所述目标环境误差预测结果与所述目标内部误差预测结果进行加权计算，并将加权计算结果作为所述第二电能表的综合计量误差预测结果。通过基于实际情况设置不同权重对目标环境误差预测结果与目标内部误差预测结果进行加权计算，可以提高综合计量误差预测结果获得的准确率。

通过上述方法解决了电能表在复杂环境下计量误差预测准确率较低的问题，可以提高复杂环境下电能表计量误差预测的准确率，从而提高电能表的运行稳定性和可靠性。

在一个实施例中，如图4所示提供了一种复杂环境下电能表计量误差预测系统，所述系统包括环境误差预测模块和内部误差预测模块，包括：第一电能表获取模块1、第一测验环境获得模块2、第一数据组组建模块3、集成误差预测模型得到模块4、目标应用环境获取模块5、误差预测结果得到模块6、综合计量误差预测结果得到模块7、其中：

第一电能表获取模块1，所述第一电能表获取模块1用于获取第一电能表，其中，所述第一电能表是指未曾投入实际应用的合格出厂的电能表产品；

第一测验环境获得模块2，所述第一测验环境获得模块2用于读取预定测验环境方案，并根据所述预定测验环境方案对环境误差测验室进行调控，得到第一测验环境；

第一数据组组建模块3，所述第一数据组组件模块3用于在所述第一测验环境下启动所述第一电能表得到第一计量误差，并结合所述第一测验环境组建第一数据组；

集成误差预测模型得到模块4，所述集成误差预测模型得到模块4用于对所述第一数据组进行学习、检验，得到集成误差预测模型，并将所述集成误差预测模型存储至所述环境误差预测模块；

目标应用环境获取模块5，所述目标应用环境获取模块5用于获取第二电能表的目标应用环境，其中，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品；

误差预测结果得到模块6，所述误差预测结果得到模块6用于通过所述环境误差预测模块对所述目标应用环境进行分析，得到目标环境误差预测结果，通过所述内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果；

综合计量误差预测结果得到模块7，所述综合计量误差预测结果得到模块7用于加权所述目标环境误差预测结果与所述目标内部误差预测结果得到所述第二电能表的综合计量误差预测结果。

在一个实施例中，所述系统还包括：

环境应力集组建模块，所述环境应力集组建模块用于组建环境应力集；

目标环境应力集获得模块，所述目标环境应力集获得模块用于对所述环境应力集进行筛选，得到目标环境应力集，其中，所述目标环境应力集包括温度应力、相对湿度应力、风速应力、光照应力和气压应力；

阈值确定模块，所述阈值确定模块用于依次分析确定所述温度应力的温度阈、所述相对湿度应力的相对湿度阈、所述风速应力的风速阈、所述光照应力的光照阈和所述气压应力的气压阈；

第一测验环境组成模块，所述第一测验环境组成模块用于分别从所述温度阈、所述相对湿度阈、所述风速阈、所述光照阈和所述气压阈中随机提取第一温度、第一相对湿度、第一风速、第一光照和第一气压，并组成第一测验环境；

预定测验环境方案生成模块，所述预定测验环境方案生成模块用于基于所述第一测验环境生成所述预定测验环境方案。

在一个实施例中，所述系统还包括：

第一划分结果获得模块，所述第一划分结果获得模块用于对所述第一数据组进行划分，得到第一划分结果；

第一误差预测模型得到模块，所述第一误差预测模型得到模块用于基于神经网络原理对所述第一划分结果中的第一分组数据进行训练，得到第一误差预测模型；

第二误差预测模型得到模块，所述第二误差预测模型得到模块用于基于支持向量机原理对所述第一划分结果中的第二分组数据进行训练，得到第二误差预测模型；

第三误差预测模型得到模块，所述第三误差预测模型得到模块用于基于梯度提升决策树原理对所述第一划分结果中的第三分组数据进行训练，得到第三误差预测模型；

集成误差预测模型得到模块，所述集成误差预测模型得到模块用于基于集成学习原理对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行融合，得到所述集成误差预测模型。

在一个实施例中，所述系统还包括：

多个集成预测模型得到模块，所述多个集成预测模型得到模块用于对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行搭建，得到多个集成预测模型；

测试数据组设置模块，所述测试数据组设置模块用于将所述第一划分结果中的第四分组数据作为测试数据组；

多个预测结果得到模块，所述多个预测结果得到模块用于依次通过所述多个集成预测模型对所述测试数据组进行预测检验，分别得到多个预测结果；

集成误差预测模型获得模块，所述集成误差预测模型获得模块用于筛选所述多个预测结果中的最佳预测结果，并反向匹配得到所述最佳预测结果的集成预测模型，作为所述集成误差预测模型。

在一个实施例中，所述系统还包括：

集成预测模型提取模块，所述集成预测模型提取模块用于提取所述多个集成预测模型中任意一个集成预测模型；

学习器获得模块，所述学习器获得模块用于获得所述任意一个集成预测模型的初级学习器、元学习器；

第二划分结果得到模块，所述第二划分结果得到模块用于对所述测试数据组进行划分，得到第二划分结果，其中，所述第二划分结果包括模型训练数据集、模型测试数据集；

初级预测结果得到模块，所述初级预测结果得到模块用于通过所述初级学习器对所述模型训练数据集进行预测，得到初级预测结果；

初级测试结果得到模块，所述初级测试结果得到模块用于通过所述初级学习器对所述模型测试数据集进行测试，得到初级测试结果；

预测结果得到模块，所述预测结果得到模块用于将所述初级预测结果作为所述元学习器的训练数据，将所述初级测试结果作为所述元学习器的测试数据进行预测，得到所述任意一个集成预测模型的预测结果。

在一个实施例中，所述系统还包括：

内部误差预测模块，所述内部误差预测模块是指所述内部误差预测模块包括电能表对比模型；

特征信息得到模块，所述特征信息得到模块用于所述电能表对比模型分别采集得到所述第一电能表的第一表特征信息和所述第二电能表的第二表特征信息；

表相似度指数得到模块，所述表相似度指数得到模块用于基于Tanimoto相似系数原理对比所述第一表特征信息和所述第二表特征信息，得到表相似度指数；

目标内部误差预测结果获得模块，所述目标内部误差预测结果获得模块用于将所述表相似度指数作为所述目标内部误差预测结果。

在一个实施例中，所述系统还包括：

预定表特征指标模块，所述预定表特征指标模块是指所述电能表对比模型中内嵌有预定表特征指标，其中，所述预定表特征指标包括应用时长、内部结构老化程度。

综上所述，本申请提供了一种复杂环境下电能表计量误差预测方法及系统具有以下技术效果：

1.解决了电能表在复杂环境下计量误差预测准确率较低的问题，通过从环境因素和电能表内部结构两方面对电能表计量误差进行预测，并通过加权计算获得综合计量误差预测结果，可以提高复杂环境下电能表计量误差预测的准确率，从而提高电能表的运行稳定性和可靠性。

2.通过对第一误差模型、第二误差模型、第三误差模型进行集成融合，可以集成神经网络、支持向量机、梯度提升决策树中的多个优点，从而可以进一步提高第一电能表误差预测精度。

3.通过基于电能表的实际应用情况设置不同权重对目标环境误差预测结果与目标内部误差预测结果进行加权计算，获得综合计量误差预测结果，可以提高综合计量误差预测结果获得的准确率。

以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。

Claims (5)

1.复杂环境下电能表计量误差预测方法，其特征在于，所述方法应用于一复杂环境下电能表计量误差预测系统，所述系统包括环境误差预测模块和内部误差预测模块，所述方法包括：

获取第一电能表，其中，所述第一电能表是指未曾投入实际应用的合格出厂的电能表产品；

读取预定测验环境方案，并根据所述预定测验环境方案对环境误差测验室进行调控，得到第一测验环境；

在所述第一测验环境下启动所述第一电能表得到第一计量误差，并结合所述第一测验环境组建第一数据组；

对所述第一数据组进行学习、检验，得到集成误差预测模型，并将所述集成误差预测模型存储至所述环境误差预测模块；

获取第二电能表的目标应用环境，其中，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品；

通过所述环境误差预测模块对所述目标应用环境进行分析，得到目标环境误差预测结果，通过所述内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果；

加权所述目标环境误差预测结果与所述目标内部误差预测结果得到所述第二电能表的综合计量误差预测结果；

其中，所述读取预定测验环境方案，包括：

组建环境应力集；

对所述环境应力集进行筛选，得到目标环境应力集，其中，所述目标环境应力集包括温度应力、相对湿度应力、风速应力、光照应力和气压应力；

依次分析确定所述温度应力的温度阈、所述相对湿度应力的相对湿度阈、所述风速应力的风速阈、所述光照应力的光照阈和所述气压应力的气压阈；

分别从所述温度阈、所述相对湿度阈、所述风速阈、所述光照阈和所述气压阈中随机提取第一温度、第一相对湿度、第一风速、第一光照和第一气压，并组成第一测验环境；

基于所述第一测验环境生成所述预定测验环境方案；

所述通过所述内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果，包括：

所述内部误差预测模块包括电能表对比模型；

所述电能表对比模型分别采集得到所述第一电能表的第一表特征信息和所述第二电能表的第二表特征信息；

基于Tanimoto相似系数原理对比所述第一表特征信息和所述第二表特征信息，得到表相似度指数；其中默认所述第一表特征信息导致的计量误差为1，根据 Tanimoto 相似系数计算出所述第二表特征信息中公共特征占所述第一表特征信息的比例，并将所述比例作为表相似度指数，其中所述表相似度指数越高，则表明所述第二电能表中内部原因导致的计量误差越小；

将所述表相似度指数作为所述目标内部误差预测结果；所述电能表对比模型中内嵌有预定表特征指标，其中，所述预定表特征指标包括应用时长、内部结构老化程度。

2.如权利要求1所述的方法，其特征在于，所述对所述第一数据组进行学习、检验，得到集成误差预测模型，包括：

对所述第一数据组进行划分，得到第一划分结果；

基于神经网络原理对所述第一划分结果中的第一分组数据进行训练，得到第一误差预测模型；

基于支持向量机原理对所述第一划分结果中的第二分组数据进行训练，得到第二误差预测模型；

基于梯度提升决策树原理对所述第一划分结果中的第三分组数据进行训练，得到第三误差预测模型；

基于集成学习原理对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行融合，得到所述集成误差预测模型。

3.如权利要求2所述的方法，其特征在于，所述基于集成学习原理对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行融合，得到所述集成误差预测模型，包括：

对所述第一误差预测模型、所述第二误差预测模型和所述第三误差预测模型进行搭建，得到多个集成预测模型；

将所述第一划分结果中的第四分组数据作为测试数据组；

依次通过所述多个集成预测模型对所述测试数据组进行预测检验，分别得到多个预测结果；

筛选所述多个预测结果中的最佳预测结果，并反向匹配得到所述最佳预测结果的集成预测模型，作为所述集成误差预测模型。

4.如权利要求3所述的方法，其特征在于，所述依次通过所述多个集成预测模型对所述测试数据组进行预测检验，分别得到多个预测结果，包括：

提取所述多个集成预测模型中任意一个集成预测模型；

获得所述任意一个集成预测模型的初级学习器、元学习器；

对所述测试数据组进行划分，得到第二划分结果，其中，所述第二划分结果包括模型训练数据集、模型测试数据集；

通过所述初级学习器对所述模型训练数据集进行预测，得到初级预测结果；

通过所述初级学习器对所述模型测试数据集进行测试，得到初级测试结果；

将所述初级预测结果作为所述元学习器的训练数据，将所述初级测试结果作为所述元学习器的测试数据进行预测，得到所述任意一个集成预测模型的预测结果。

5.复杂环境下电能表计量误差预测系统，其特征在于，用于实施权利要求1-4所述的复杂环境下电能表计量误差预测方法中的任意一项，所述系统包括环境误差预测模块和内部误差预测模块，包括：

第一电能表获取模块，所述第一电能表获取模块用于获取第一电能表，其中，所述第一电能表是指未曾投入实际应用的合格出厂的电能表产品；

第一测验环境获得模块，所述第一测验环境获得模块用于读取预定测验环境方案，并根据所述预定测验环境方案对环境误差测验室进行调控，得到第一测验环境；

第一数据组组建模块，所述第一数据组组件模块用于在所述第一测验环境下启动所述第一电能表得到第一计量误差，并结合所述第一测验环境组建第一数据组；

集成误差预测模型得到模块，所述集成误差预测模型得到模块用于对所述第一数据组进行学习、检验，得到集成误差预测模型，并将所述集成误差预测模型存储至所述环境误差预测模块；

目标应用环境获取模块，所述目标应用环境获取模块用于获取第二电能表的目标应用环境，其中，所述第二电能表是指待进行计量误差预测的处于应用状态的电能表产品；

误差预测结果得到模块，所述误差预测结果得到模块用于通过所述环境误差预测模块对所述目标应用环境进行分析，得到目标环境误差预测结果，通过所述内部误差预测模块对所述第二电能表进行表特征分析，得到目标内部误差预测结果；

综合计量误差预测结果得到模块，所述综合计量误差预测结果得到模块用于加权所述目标环境误差预测结果与所述目标内部误差预测结果得到所述第二电能表的综合计量误差预测结果。