一种智能电表应力误差分析方法、设备、终端及可读介质技术

本发明专利技术公开了一种智能电表应力误差分析方法，并公开了具有该方法的设备、存储介质。其中误差分析方法使用经过LM优化的BP神经网络算法分析各种应力和误差的关联性。误差建模时引入一个附加误差，从而实现智能电能表的误差模型修正。本发明专利技术所述方法无需以往误差分析时的过多项的误差计算和误差拟合。采用PCA思想，不易出现过拟合以及欠拟合的现象，即提升误差分析效率，也能保证较高的可靠性。因此，本发明专利技术的方法可在一定条件下使智能电能表的误差预测值具有较高的置信区间，并为之后智能电能表的误差校正工作打下基础。的误差校正工作打下基础。的误差校正工作打下基础。

A stress error analysis method, equipment, terminal and readable medium of intelligent ammeter

【技术实现步骤摘要】
一种智能电表应力误差分析方法、设备、终端及可读介质


[0001]本专利技术涉及电网智能输电领域，特别涉及一种智能电表应力误差分析方法、设备及可读介质。

技术介绍

[0002]在智能电网中，智能电表承担着电能数据采集、计量和传输的任务，开拓出双向多种费率计量功能、用户端控制功能、多种数据传输模式的双向数据通信功能、防窃电功能等智能化服务，极大地促进着信息分析、集成与优化和信息展现。智能电能表功能的完善符合智能电网和新能源发展的趋势，同时它的发展也促进着现代电力系统物理层与信息层的融合化发展。
[0003]智能电能表结构模块的差异性、各功能模块内部的复杂性已及模块间拓扑关系的多样性使智能电能表在工作时误差情况更加复杂，使现有的误差分析方法如多项式回归、神经网络法、最小二乘法等难以较为客观精确地描述智能电能表的误差情况。现有的误差检验方法存在以下两方面问题：一方面检定时只是验证其在参比条件下的误差是否达到其准确度等级的要求，然后估计其测得值的置信区间，从而评价电能表合格与否，造成了有用信息的浪费；另一方面，实验在实验室的环境条件下进行，未能充分考虑实际工况下使用环境多样，存在多种应力的情况。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种智能电表应力误差分析方法，能够利用经过LM(Levenberg
‑
Marquardt)优化的BP(Back
‑
propagation误差反向传播)神经网络从数据的层面上揭示了多种应力因素与电能表误差的内在联系。
[0005]本专利技术还提出一种具有上述智能电表应力误差分析方法的设备及存储介质。
[0006]根据本专利技术的第一方面实施例的智能电表应力误差分析方法，其特征在于，包括以下步骤：
[0007]获取智能电表的应力数据及其误差数据；
[0008]确定所述智能电表的应力数据中的典型应力数据；
[0009]将所述典型应力数据及其误差数据送入神经网络进行训练，得到经过训练的神经网络；
[0010]利用经过训练的神经网络，建立不同应力条件下的误差数据关系。
[0011]根据本专利技术实施例的智能电表应力误差分析方法，至少具有如下有益效果：利用智能电表采集的数据，然后送入经过LM优化的BP神经网路中进行训练，从而得到经过训练的神经网络，用于预测不同应力条件下误差的变化关系。
[0012]根据本专利技术的一些实施例，所述确定所述智能电表的应力数据中的典型应力的步骤，包括：
[0013]对数据进行标准化处理；
[0014]利用所述经过标准化处理的数据，计算每种应力的贡献率；
[0015]选出贡献率占比较大的若干个应力，作为典型应力。
[0016]根据本专利技术的一些实施例，所述典型应力，包括：温度、湿度、气压、地区电压情况。
[0017]根据本专利技术的一些实施例，所述典型应力的贡献率和超过95％。
[0018]根据本专利技术的一些实施例，所述确定所述智能电表的应力数据中的典型应力步骤后，还包括步骤：
[0019]对所述典型应力数据及其误差数据进行处理，去掉异常数据，得到经过处理的数据。
[0020]根据本专利技术的一些实施例，所述对所述典型应力数据及其误差数据进行处理，去掉异常数据，得到经过处理的数据的步骤，包括：
[0021]将智能电表中误差数据按照采集时序排列得到x(t)，求平均值μ和标准差σ；
[0022]剔除所述误差数据中的异常数据；
[0023]利用平均值插值进行顺序异常修正；
[0024]使用正规化方法对应力的样本序列进行变换，得到经过处理的数据。
[0025]根据本专利技术的一些实施例，所述智能电表应力误差分析方法使用的神经网络，是基于LM优化的BP神经网络。
[0026]根据本专利技术的一些实施例，所述将所述经过处理的数据送入神经网络进行训练，得到经过训练的神经网络的步骤，包括：
[0027]将应力参数设置为输入向量；
[0028]将智能电表误差设置为输出向量；
[0029]将实际误差设置为预期输出向量。
[0030]根据本专利技术的一些实施例，所述方法还包括：
[0031]利用训练过的神经网络预测出估计误差；
[0032]将估计误差加上所述智能电表的基准误差，作为所述智能电表的误差偏移量。
[0033]根据本专利技术的第二方面实施例的智能电表应力误差分析装置，其特征在于，包括：
[0034]数据收集模块，能够获取智能电表的应力数据及其误差数据；
[0035]典型应力分析模块，能够确定所述智能电表的应力数据中的典型应力数据；
[0036]模型训练模块，能够将所述典型应力数据及其误差数据送入神经网络进行训练，得到经过训练的神经网络；
[0037]关系分析模块，能够利用经过训练的神经网络，建立不同应力条件下的误差数据关系。
[0038]根据本专利技术第三方面实施例的终端，包括：存储器、处理器及存储在该存储器上并可在该处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序以实现上述智能电表应力误差分析方法。
[0039]根据本专利技术第四方面实施例的计算机可读介质，其特征在于，所述计算机介质内存储有计算机软件，所述软件在运行时，能实现上述智能电表应力误差分析方法。
[0040]本专利技术的智能电表应力误差分析方法，使用经过LM优化的BP神经网络算法分析各种应力和误差的关联性。误差建模时引入一个附加误差，从而实现智能电能表的误差模型
修正。本专利技术所述方法无需以往误差分析时的过多项的误差计算和误差拟合。采用PCA思想，不易出现过拟合以及欠拟合的现象，即提升误差分析效率，也能保证较高的可靠性。因此，本专利技术的方法可在一定条件下使智能电能表的误差预测值具有较高的置信区间，并为之后智能电能表的误差校正工作打下基础。
[0041]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0042]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0043]图1为本专利技术实施例所用的智能电表的计量原理图；
[0044]图2为本专利技术实施例一的智能电表应力误差分析方法的步骤示意图；
[0045]图3为本专利技术实施例二中温度对电表误差影响曲线图；
[0046]图4为本专利技术实施例二中湿度对电表误差影响曲线图；
[0047]图5为本专利技术实施例二中气压对电表误差影响曲线图；
[0048]图6为本专利技术实施例二中不同地区电压对电表误差的影响；其中，图6
‑
a代表福建地区电压对电表误差的影响，图6
‑
b代表黑龙江地区电压对电表误差的影响，图6
‑
c代表西藏地区电压对电表误差的影响，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种智能电表应力误差分析方法，其特征在于，包括以下步骤：获取智能电表的应力数据及其误差数据；确定所述智能电表的应力数据中的典型应力数据；将所述典型应力数据及其误差数据送入神经网络进行训练，得到经过训练的神经网络；利用经过训练的神经网络，建立不同应力条件下的误差数据关系。2.根据权利要求1所述的智能电表应力误差分析方法，其特征在于，所述确定所述智能电表的应力数据中的典型应力数据的步骤，包括：对数据进行标准化处理；利用所述经过标准化处理的数据，计算每种应力的贡献率；选出贡献率占比较大的若干个应力，作为典型应力。3.根据权利要求2所述的智能电表应力误差分析方法，其特征在于，所述典型应力的贡献率和超过95％。4.根据权利要求1所述的智能电表应力误差分析方法，其特征在于，所述确定所述智能电表的应力数据中的典型应力数据步骤后，还包括步骤：对所述典型应力数据及其误差数据进行处理，去掉异常数据，得到经过处理的数据。5.根据权利要求4所述的智能电表应力误差分析方法，其特征在于，所述对所述典型应力数据及其误差数据进行处理，去掉异常数据，得到经过处理的数据的步骤，包括：将智能电表中误差数据按照采集时序排列得到x(t)，求平均值μ和标准差σ；剔除所述误差数据中的异常数据；利用平均值插值进行顺序异常修正；使用正规化方法对应力的样本序列进行变换，得到经过处理的数据。6.根据权利要求1所述的...

【专利技术属性】
技术研发人员：熊素琴，成达，彭楚宁，赵兵，李宁，葛德辉，邹和平，李求洋，张保亮，陈昊，张伟，王晓东，李扬，杨巍，段晓萌，赵越，郭建宁，李龙涛，王雅涛，秦程林，
申请(专利权)人：国家电网有限公司国网新疆电力有限公司电力科学研究院，
类型：发明
国别省市：