一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统制造方法及图纸

本发明专利技术提供一种确定电动汽车充电桩的电能计量装置的计量误差的方法和系统，所述方法和系统综合利用多种影响电能计量误差的因素，通过聚类分析的方法进行数据挖掘产生样本，利用模糊系统和人工神经网络相结合形成的模糊神经网络方法，充分利用了两种方法处理多耦合系统的优点，搭建出一个智能电能计量误差评估模型，大大提高了电动汽车充电桩电能计量装置的电能计量误差计算的准确度。

A Method and System for Determining the Measurement Error of Electric Energy Metering Device for Electric Vehicle Charging Pile

The invention provides a method and system for determining the measurement error of the electric energy metering device of the charging pile of electric vehicles. The method and system comprehensively utilize various factors affecting the measurement error of electric energy, generate samples through data mining by clustering analysis method, and make full use of the two methods by using the fuzzy neural network method formed by the combination of the fuzzy system and the artificial neural network. This method can deal with the advantages of multi-coupling system and build an intelligent error evaluation model of electric energy measurement, which greatly improves the accuracy of electric energy measurement error calculation of electric vehicle charging pile electric energy measurement device.

【技术实现步骤摘要】
一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统
本专利技术涉及电能计量误差分析领域,并且更具体地，涉及一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统。
技术介绍
现有技术中，电动汽车充电桩电能计量误差主要是利用实验室环境下的得到的标准误差通过比对法得出，但是实际上，电动汽车充电桩的安装以及工作环境是复杂多样的，不可能与实验室环境始终一致，所以通过比对法得到的误差数据并不能准确的反应其实际情况，因此需要综合考虑电网运行工况、环境因素等多种因素的影响，此外，由于电动汽车的动力电池会随着使用时间的增加使得电池老化，总容量减小，电动汽车的电池数据也会影响电能计量误差的准确性。
技术实现思路
为了解决现有技术中确定充电桩电能计量误差未考虑其实际工作环境以及电池本身而造成的计算结果不准确的技术问题，本专利技术提供一种确定电动汽车充电桩电能计量装置的计量误差的方法，所述方法包括：采集电动汽车充电桩电能计量装置的电能计量数据和影响电能计量误差的因素的数据并与理论电能计量数据共同建立数据库，在所述数据库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，其中，所述电能计量装置的电能计量数据包括首检数据和周检数据；采用聚类分析算法对所述电能计量初始误差数据和影响电能计量误差的因素的数据进行筛选，形成确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型的输入数据；利用确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型对所述输入数据进行训练，确定所述输入数据与最终电能计量误差的映射关系，并使用中心平均反模糊法确定电能计量装置的最终电能计量误差。进一步地，所述影响电能计量误差的因素的数据包括：电网运行数据、电动汽车电池数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度。进一步地，所述电能计量初始误差的计算公式为：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。进一步地，所述采用聚类分析的算法对所述电能计量初始误差数据和影响电能计量误差的因素的数据进行筛选，形成确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型的输入数据包括：设确定电动汽车充电桩电能计量装置的计量误差的指标集X＝{xi}，所述指标集中的指标xi的数据集xi＝{xik}，其中，所述指标集X包括电能计量初始误差数据和影响电能计量误差的因素，1≤i≤n，1≤k≤m，m，n均为自然数；对所述指标集X中的每个指标的数据进行标准化处理，并计算经标准化处理后的指标xi和指标xj的相似系数rij，其中，1≤i，j≤n，n为自然数；根据所述相似系数rij生成相似关系矩阵并通过传递闭包的方法，当R2k＝Rk时，确定所述相似关系矩阵R的等价矩阵R*＝Rk；基于所述等价矩阵R*采用不同的分割值λ对所述等价矩阵R*进行聚类，确定最优聚类结果，并根据所述最优聚类结果确定模糊神经网络模型的输入数据。进一步地，对所述指标集X中的每个指标的数据进行标准化处理，并计算指标xi和指标xj的相似系数rij包括：对指标集X中的指标xi的数据集{xik}中的数据xik进行无量纲化处理生成标准数据x'ik，其计算公式为：其中，将标准化数据x'ik进行归一化处理生成归一化后的指标数据x*ik，其计算公式为：其中，x'ikmin和x'ikmax分别是标准化数据中的最小值和最大值；对所述归一化后生成的指标xi和指标xj计算其相似系数，其计算公式为：其中，1≤i，j≤n。进一步地，当分割值λ取0.7时，对所述等价矩阵R*进行聚类获得最优聚类结果。进一步地，所述方法在采集电动汽车充电桩电能计量装置的电能计量数据和影响电能计量误差的因素的数据并建立数据库之前还包括建立确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型，所述模糊神经网络模型分为5层，令xi(t)表示输入，y表示输出，Ii(k)表示第k层的第i个输入，wi(k)表示第k层的第i个连接权值，Oi(k)表示第k层的第i个输出信号，O(5)表示第5层的输出，即电能测量的最终误差，F(·)表示激活函数，每个节点的净输入由函数f表示，其中：第一层作为输入层，其节点为输入节点，节点数为6，分别为电能计量初始误差数据、电网运行数据、电动汽车电池情况、环境信息、互感器数据、A/D转换器精度数据6项输入值，即f＝Ii(1)(i＝1，2，3，4，5，6)，F(·)＝f，wi(1)＝1，Oik(1)＝xik(i＝1,2,…,6；j＝1,2,…,mi)，其中mi为xi的模糊分割数；第二层为模糊化层，每个节点表示一个语言变量值,其节点数为第一层各节点模糊分割术的总和其用于计算各个输入分量属于各语言变量值模糊集合的隶属度函数，所述模糊化层神经元使用高斯函数作为激发函数，即模糊化层中隶属函数采用高斯函数，则：F(·)＝ef其中ζik和δik分别表示第i输入语言变量的第k项的高斯型函数的中心和宽度，当输入层输入信号时，所述模糊化层在高斯函数的作用下得出相对应的隶属度；第三层的节点为模糊规则节点，表示模糊逻辑规则，其节点数为所述第三层用于产生模糊逻辑规则和条件或前件匹配，即利用神经网络的自学习性得到出每条规则的适用度，规则节点执行模糊与操作：f＝min(I1(3),I2(3),I3(3),…,In(3))且F(·)＝f，wi(3)＝1；第四层则进行归一化运算，产生每条规则对应于输入产生的输出，节点数目和第三层相同，即F(·)＝min(1,f)，wi(4)＝1；第五层是输出层，产生控制规则的总输出，得到最终的电能计量误差，由第二层所叙述的ζik和δik分别为隶属函数的中心和宽度，根据中心平均反模糊器f＝∑(wik(5)·Ii(5))＝∑(ζikδik)·Ii(5)，求取，其中第五层的连接权值wik(5)＝ζikδik。根据本专利技术的另一方面，本专利技术提供一种确定电动汽车充电桩电能计量装置的计量误差的系统，所述系统包括：数据采集单元，其用于采集电动汽车充电桩电能计量装置的电能计量数据和影响电能计量误差的因素的数据并与理论电能计量数据共同建立数据库，在所述数据库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，其中，所述电能计量装置的电能计量数据包括首检数据和周检数据；数据聚类单元，其用于采用聚类分析的算法对所述电能计量初始误差数据和影响电能计量误差的因素的数据进行筛选，形成确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型的输入数据；数据训练单元，其用于利用确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型对所述输入数据进行训练，确定所述输入数据与最终电能计量误差的映射关系，并使用中心平均反模糊法确定电能计量装置的最终电能计量误差。进一步地，所述数据采集单元采集的影响电能计量误差的因素的数据包括：电网运行数据、电动汽车电池数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度。进一步地，所述数据采集单元计算电能计量初始误差的计算公式为：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。进一步地，所述数据聚类单元包括：指标集合单元，其用于建立确定电动汽车充电桩电能计量装置的计量误差的指标集X＝{xi}，所述指标集中的指标xi的本文档来自技高网...

【技术保护点】
1.一种确定电动汽车充电桩电能计量装置的计量误差的方法，其特征在于，所述方法包括：采集电动汽车充电桩电能计量装置的电能计量数据和影响电能计量误差的因素的数据并与理论电能计量数据共同建立数据库，在所述数据库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，其中，所述电能计量装置的电能计量数据包括首检数据和周检数据；采用聚类分析算法对所述电能计量初始误差数据和影响电能计量误差的因素的数据进行筛选，形成确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型的输入数据；利用确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型对所述输入数据进行训练，确定所述输入数据与最终电能计量误差的映射关系，并使用中心平均反模糊法确定电能计量装置的最终电能计量误差。

【技术特征摘要】
1.一种确定电动汽车充电桩电能计量装置的计量误差的方法，其特征在于，所述方法包括：采集电动汽车充电桩电能计量装置的电能计量数据和影响电能计量误差的因素的数据并与理论电能计量数据共同建立数据库，在所述数据库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，其中，所述电能计量装置的电能计量数据包括首检数据和周检数据；采用聚类分析算法对所述电能计量初始误差数据和影响电能计量误差的因素的数据进行筛选，形成确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型的输入数据；利用确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型对所述输入数据进行训练，确定所述输入数据与最终电能计量误差的映射关系，并使用中心平均反模糊法确定电能计量装置的最终电能计量误差。2.根据权利要求1所述的方法，其特征在于，所述影响电能计量误差的因素的数据包括：电网运行数据、电动汽车电池数据、环境信息数据、互感器数据和模拟/数字A/D转换器精度。3.根据权利要求2所述的方法，其特征在于，所述电能计量初始误差的计算公式为：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。4.根据权利要求2所述的方法，其特征在于，所述采用聚类分析的算法对所述电能计量初始误差数据和影响电能计量误差的因素的数据进行筛选，形成确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型的输入数据包括：设确定电动汽车充电桩电能计量装置的计量误差的指标集X＝{xi}，所述指标集中的指标xi的数据集xi＝{xik}，其中，所述指标集X包括电能计量初始误差数据和影响电能计量误差的因素，1≤i≤n，1≤k≤m，m，n均为自然数；对所述指标集X中的每个指标的数据进行标准化处理，并计算经标准化处理后的指标xi和指标xj的相似系数rij，其中，1≤i，j≤n，n为自然数；根据所述相似系数rij生成相似关系矩阵R＝(rij)n×n，并通过传递闭包的方法，当R2k＝Rk时，确定所述相似关系矩阵R的等价矩阵R*＝Rk；基于所述等价矩阵R*采用不同的分割值λ对所述等价矩阵R*进行聚类，确定最优聚类结果，并根据所述最优聚类结果确定模糊神经网络模型的输入数据。5.根据权利要求4所述的方法，其特征在于，对所述指标集X中的每个指标的数据进行标准化处理，并计算指标xi和指标xj的相似系数rij包括：对指标集X中的指标xi的数据集{xik}中的数据xik进行无量纲化处理生成标准数据x'ik，其计算公式为：其中，将标准化数据x'ik进行归一化处理生成归一化后的指标数据x*ik，其计算公式为：其中，x'ikmin和x'ikmax分别是标准化数据中的最小值和最大值；对所述归一化后生成的指标xi和指标xj计算其相似系数，其计算公式为：其中，6.根据权利要求4所述的方法，其特征在于，当分割值λ取0.7时，对所述等价矩阵R*进行聚类获得最优聚类结果。7.根据权利要求2或者4所述的方法，其特征在于，所述方法在采集电动汽车充电桩电能计量装置的电能计量数据和影响电能计量误差的因素的数据并建立数据库之前还包括建立确定电动汽车充电桩电能计量装置的计量误差的模糊神经网络模型，所述模糊神经网络模型分为5层，令xi(t)表示输入，y表示输出，Ii(k)表示第k层的第i个输入，wi(k)表示第k层的第i个连接权值，Oi(k)表示第k层的第i个输出信号，O(5)表示第5层的输出，即电能测量的最终误差，F(·)表示激活函数，每个节点的净输入由函数f表示，其中：第一层作为输入层，其节点为输入节点，节点数为6，分别为电能计量初始误差数据、电网运行数据、电动汽车电池情况、环境信息、互感器数据、A/D转换器精度数据6项输入值，即f＝Ii(1)(i＝1，2，3，4，5，6)，F(·)＝f，wi(1)＝1，Oik(1)＝xik(i＝1,2,…,6；j＝1,2,…,mi)，其中mi为xi的模糊分割数；第二层为模糊化层，每个节点表示一个语言变量值,其节点数为第一层各节点模糊分割术的总和其用于计算各个输入分量属于各语言变量值模糊集合的隶属度函数，所述模糊化层神经元使用高斯函数作为激发函数，即模糊化层中隶属函数采用高斯函数，则：F(·)＝ef其中ζik和δik分别表示第i输入语言变量的第k项的高斯型函数的中心和宽度，当输入层输入信号时，所述模糊化层在高斯函数的作用下得出相对应的隶属度；第三层的节点为模糊规则节点，表示模糊逻辑规则，其节点数为所述第三层用于产生模糊逻辑规则和条件或前件匹配，即利用神经网络的自学习性得到出每条规则的适用度，规则节点执行模糊与操作：f＝min(I1(3),I2(3),I3(3),…,In(3))且F(·)＝f，wi(3)＝1；第四层则进行归一化运算，产生每条规则对应于输入产生的输出，节点数目和第三层相同，即F(·)＝min(1,f)，wi(4)＝1；第五层是输出层，产生控制规则的总输出，得到最终的电能计量误差，由第二层所叙述的ζik和δik分别为隶属函数的中心和宽度，根据中心平均反模糊器f＝∑(wik(5)·Ii(5))＝∑(ζikδik)·Ii(5)，求取，其中第五层的连接权值wik(5)＝ζikδik。8....

【专利技术属性】
技术研发人员：于海波，李贺龙，王兴媛，林繁涛，徐英辉，刘佳，王春雨，
申请(专利权)人：中国电力科学研究院有限公司，国家电网有限公司，国网重庆市电力公司电力科学研究院，
类型：发明
国别省市：北京,11