一种电能表计量误差预测方法及系统技术方案

本发明专利技术提供一种电能表计量误差预测方法及系统，方法包括：获取电能表待预测时刻的环境参量数据和历史误差序列；将历史误差序列分解得到历史误差分量序列；将历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN

【技术实现步骤摘要】
一种电能表计量误差预测方法及系统


[0001]本专利技术涉及电力计量在线监测领域，更具体地，涉及一种电能表计量误差预测方法及系统。

技术介绍

[0002]电能表作为法定计量器具，其计量准确性关系到经济效益和社会效益，对保证电网健康稳定运行具有重要作用。然而电能表在挂网运行的过程中，其计量性能因受环境温度、湿度等多种因素的联合影响，会逐渐发生性能退化、误差超差等现场，可能影响电能计量的准确性和电力交易的公平性，因此，电能表计量误差的状态分析及预测具有重要意义。
[0003]目前对电能表计量误差的研究主要集中在事后维修，而由于数据和分析技术的限制，对电能表计量误差的预测方面工作还较少。如何预测电能表的误差变化趋势，以提前预警电能表可能出现的计量风险，是本研究的重点。

技术实现思路

[0004]本专利技术针对现有技术中存在的技术问题，提供一种电能表计量误差预测方法及系统，实现电能表计量误差的准确预测。
[0005]根据本专利技术的第一方面，提供了一种电能表计量误差预测方法，包括：获取电能表待预测时刻的环境参量数据和历史本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电能表计量误差预测方法，其特征在于，包括：获取电能表待预测时刻的环境参量数据和历史误差序列；基于所述历史误差序列，分解得到对应的历史误差分量序列；将所述历史误差序列、历史误差分量序列和环境参量数据输入训练后的TCN
‑
RBF模型中，获取电能表待预测时刻的计量误差预测结果；其中，所述TCN
‑
RBF模型包括TCN神经网络和RBF神经网络；通过如下方式对TCN神经网络进行训练：采集电能表历史误差序列和历史环境参量数据序列；基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列；基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络；以及，通过如下方式对RBF神经网络进行训练：基于训练后的TCN神经网络获取电能表的第一计量误差预测结果；将所述第一计量误差预测结果与待预测时刻的环境参量数据融合，对RBF神经网络进行训练，基于训练后的RBF神经网络获取电能表的第二计量误差预测结果，所述第二计量误差预测结果为电能表的最终计量误差预测结果。2.根据权利要求1所述的电能表计量误差预测方法，其特征在于，所述基于集合经验模态分解EEMD对所述历史误差序列进行分解，得到多组历史误差分量序列，包括：第一步：对经验模态分解EMD的执行总次数MaxIter和白噪声幅值系数k进行初始化，并给当前的执行次数m赋值为1；第二步：执行第m次EMD：a1、在原历史误差序列中加入白噪声，得到待处理的历史误差序列：；式中，为加噪后的历史误差序列，为原历史误差序列，k为幅值系数，为随机加的白噪声；b1、通过EMD分解，得到D个IMF分量，表示第m次分解出来的第j个IMF；c1、当分解的次数m＜MaxIter时，m=m+1，返回第二步；第三步：对MaxIter次分解的每个IMF计算平均值，所述平均值为EEMD分解后得到的IMF：；原计量误差序列Error表示为：；
其中，Error（t）为原误差序列，表示原误差序列的第j个分量，R(t)表示残余分量。3.根据权利要求2所述的计量误差预测方法，其特征在于，所述基于历史误差序列和对应的历史误差分量序列对TCN神经网络进行训练，得到训练后的TCN神经网络，包括：基于历史误差序列和对应的历史误差分量序列，构成具有时序特点的输入特征量序列x，其中，所述输入特征量序列x包括T个样本数据，且每个样本数据包含D+2个特征量，所述的历史误差分量序列含分量和残余分量R(t)；将所述输入特征量序列x输入TCN神经网络中，通过TCN神经网络训练输出电能表的第一计量误差预测结果；基于TCN神经网络输出的误差预测结果与真实计量误差之间的损失函数，调整TCN神经网络的超参数，迭代训练，直到损失函数达到条件或者迭代次数达到最大迭代次数，得到最优的超参数，获取训练后的TCN神经网络。4.根据权利要求3所述的计量误差预测方法，其特征在于，所述输入特征量序列x为：；其中，输入特征量序列x的样本数据量为T，、、分别为归一化后的历史误差、第D个误差分量及残余分量；相应的，将所述输入特征量序列x，输入TCN神经网络中，通过TCN神经网络训练输出电能表的第一计量误差预测结果y，包括：将所述输入特征量序列x切分为L个输入特征量子序列，一次选取其中的Z个输入特征量子序列进行TCN神经网络训练；基于多次迭代训练后，TCN神经网络输出所述输入特征量序列x对应的电能表的第一计量误差预测结果y：；其中，U为输出的预测步长。5.根据权利要求4所述的计量误差预测方法，其特征在于，所述TCN神经网络的超参数包括批处理大小Z和滤波器数量k；将果蝇的初始位置映射为TCN神经网络的批处理大小Z和滤波器数量k，对TCN神经网络的超参数进行了最佳寻优，获取TCN神经网络的最优超参数。6.根据权利要求5所述的计量误差预测方法，其特征在于，所述将果蝇的初始位置映射为TCN神经网络的批处理大小Z和滤波器数量k，对TCN神经网络的超参数进行了最佳寻优，获取TCN神经...

【专利技术属性】
技术研发人员：张荣霞，代洁，何质质，秦昊，黄娟，方攀，陈超，
申请(专利权)人：武汉格蓝若智能技术有限公司，
类型：发明
国别省市：