关口电能表的现场电能计量误差预测方法、系统及介质技术方案

本发明专利技术公开了一种关口电能表的现场电能计量误差预测方法、系统及介质，本发明专利技术包括针对多台关口电能表对应的测量误差数据集D

【技术实现步骤摘要】
关口电能表的现场电能计量误差预测方法、系统及介质


[0001]本专利技术涉及关口电能表的计量误差预测技术，具体涉及一种关口电能表的现场电能计量误差预测方法、系统及介质。

技术介绍

[0002]电能计量作为电力企业运营的核心，电能的量值通过计量装置体现出来。关口电能表是指安装运行在发电企业上网、跨区联络线、省网联络线及省内下网等关口电能计量装置中的电能表，用于贸易结算和内部经济指标的考核，在整个电网的电能计量中起着重要作用，一般精确度为0.2S级、0.5S级或0.5级，均具备双向计量，计量有功、无功电能、峰、平、谷、尖峰电能、最大需量、数据传输等功能。关口电能表计量的准确性，直接影响到发电企业上网、跨区联络线、省网联络线及省内下网等位置的供、用电双方的经济利益。
[0003]由于电能表误差产生原因诸多，如：电能表轻载运行、二次压降过大、电能表倾斜、接线错误等，而相对误差值只能说明电能表计量准确与否，现有的现场校验系统并没有记录电能表运行的原始数据，对指导电能表运行检修缺少实际指导意义。因此，具体如何实现关口电能表的现场电能计量误差预测，已成为一项亟待解决的关键技术问题。

技术实现思路

[0004]本专利技术要解决的技术问题：针对现有技术的上述问题，提供一种关口电能表的现场电能计量误差预测方法、系统及介质，本专利技术能够融合测量误差和多个极端环境应力，具有更高的评估性能，在小样本条件下具有深刻的异常值识别和错误预测性能。
[0005]为了解决上述技术问题，本专利技术采用的技术方案为：/>[0006]一种关口电能表的现场电能计量误差预测方法，包括：
[0007]S101，针对多台关口电能表对应的测量误差数据集D
P
分别计算其中数据点的估计密度；
[0008]S102，基于估计密度计算用于表征数据点及其k个最近邻数据点密度差异的异常值因子；
[0009]S103，采用箱线图方法确定异常值因子的异常阈值，并根据异常阈值确定并删除测量误差数据集D
P
中异常的数据点，得到过滤后的测量误差数据集S
′
P
；
[0010]S104，针对过滤后的测量误差数据集S
′
P
采用核支持向量回归模型进行误差预测，得到关口电能表的误差结果。
[0011]可选地，步骤S101中计算其中数据点的估计密度的函数表达式为：
[0012][0013]上式中，ρ(p)为数据点p的估计密度，|N
k
(p)|为数据点p的k个最近邻数据点N
k
(p)的大小，q
j
为数据点p的k个最近邻数据点N
k
(p)中的第j个数据点，μ为多元高斯核的维度，w为多元高斯核的宽度，d(q
j
,p)为数据点q
j
和数据点p之间的平方欧几里得距离。
[0014]可选地，步骤S102中异常值因子的计算函数表达式为：
[0015][0016]上式中，KDOF(p)为数据点p及其k个最近邻的密度差异的异常值因子，数据点p及其k个最近邻均为测量误差数据集D
P
中的数据点，q
j
为数据点p的k个最近邻数据点N
k
(p)中的第j个数据点，DF(q
j
)为数据点q
j
的密度波动，DF(p)为数据点p的密度波动，|N
k
(p)|为数据点p的k个最近邻数据点N
k
(p)的大小，且任意数据点p的密度波动的计算函数表达式为：
[0017][0018]上式中，ρ(p)为数据点p的估计密度，ρ(q
j
)为数据点q
j
的估计密度。
[0019]可选地，步骤S103中采用箱线图方法确定异常值因子的异常阈值的函数表达式为：
[0020][0021]上式中，T
h
为异常值因子的异常阈值，α为影响因子，IQR为四分位距，Q1为异常值分数的下四分位数；且异常的数据点的异常值因子大于异常阈值T
h
。
[0022]可选地，步骤S101中测量误差数据集D
P
的函数表达式为：
[0023]D
P
＝{(t,N
a,b,c
,ε
a,b,c
)},
[0024]上式中，t为关口电能表的测量误差的统计时间，N
a,b,c
为第b个关口电能表第c个月的第a个测量得到的在温度和湿度共同作用下的应力，ε
a,b,c
为第b个关口电能表第c个月的第a个测量得到的误差；步骤S103得到过滤后的测量误差数据集S
′
P
的函数表达式为：
[0025]S
′
P
＝{(t,N
a,b,c
,ε
′
a,b,c
)},
[0026]上式中，ε
′
a,b,c
为过滤后的第b个关口电能表第c个月的第a个测量得到的误差，其中a＝1,2,3
…
,n，c＝1,2,3,
…
,12，n为测量次数。
[0027]可选地，步骤S104中针对过滤后的测量误差数据集S
′
P
采用核支持向量回归模型进行误差预测包括：
[0028]S201，为核支持向量回归模型选择核函数；
[0029]S202，将过滤后的测量误差数据集S
′
P
中的统计时间t、应力N
a,b,c
作为核支持向量回归模型的输入特征，并基于选择的核函数为输入特征建立基于温度T、湿度H和统计时间t的加权线性组合核；为核支持向量回归模型的优化问题引入松弛因子和约束问题以建立核支持向量回归模型来学习测量误差预测的决策平面，引入对偶拉格朗日函数将约束问题转化为对偶问题，通过求解对偶问题的最优解，得到核支持向量回归模型的参数；
[0030]S203，为核支持向量回归模型建立决策函数，以针对过滤后的测量误差数据集S
′
P
采用核支持向量回归模型进行误差预测，且决策函数的函数表达式为：
[0031][0032]上式中，f(v)为数据点v的误差预测值，为第i次测量的最优解，α
i
为第i次测量的解，K
c
(v
i
,v)为加权线性组合核对数据点对(v
i
,v)的计算结果，其中数据点v
i
为任意第i
个数据点，u为偏差常数。
[0033]可选地，步骤S201中为核支持向量回归模型选择的核函数为径向基函数。
[0034]可选地，步骤S202中建立的基于温度T、湿度H和统计时间t的加权线性组合核的函数表达式为：
[0035]K
c<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种关口电能表的现场电能计量误差预测方法，其特征在于，包括：S101，针对多台关口电能表对应的测量误差数据集D
P
分别计算其中数据点的估计密度；S102，基于估计密度计算用于表征数据点及其k个最近邻数据点密度差异的异常值因子；S103，采用箱线图方法确定异常值因子的异常阈值，并根据异常阈值确定并删除测量误差数据集D
P
中异常的数据点，得到过滤后的测量误差数据集S
′
P
；S104，针对过滤后的测量误差数据集S
′
P
采用核支持向量回归模型进行误差预测，得到关口电能表的误差结果。2.根据权利要求1所述的关口电能表的现场电能计量误差预测方法，其特征在于，步骤S101中计算其中数据点的估计密度的函数表达式为：上式中，ρ(p)为数据点p的估计密度，|N
k
(p)|为数据点p的k个最近邻数据点N
k
(p)的大小，q
j
为数据点p的k个最近邻数据点N
k
(p)中的第j个数据点，μ为多元高斯核的维度，w为多元高斯核的宽度，d(q
j
,p)为数据点q
j
和数据点p之间的平方欧几里得距离。3.根据权利要求2所述的关口电能表的现场电能计量误差预测方法，其特征在于，步骤S102中异常值因子的计算函数表达式为：上式中，KDOF(p)为数据点p及其k个最近邻的密度差异的异常值因子，数据点p及其k个最近邻均为测量误差数据集D
P
中的数据点，q
j
为数据点p的k个最近邻数据点N
k
(p)中的第j个数据点，DF(q
j
)为数据点q
j
的密度波动，DF(p)为数据点p的密度波动，|N
k
(p)|为数据点p的k个最近邻数据点N
k
(p)的大小，且任意数据点p的密度波动的计算函数表达式为：上式中，ρ(p)为数据点p的估计密度，ρ(q
j
)为数据点q
j
的估计密度。4.根据权利要求3所述的关口电能表的现场电能计量误差预测方法，其特征在于，步骤S103中采用箱线图方法确定异常值因子的异常阈值的函数表达式为：上式中，T
h
为异常值因子的异常阈值，α为影响因子，IQR为四分位距，Q1为异常值分数的下四分位数；且异常的数据点的异常值因子大于异常阈值T
h
。5.根据权利要求1所述的关口电能表的现场电能计量误差预测方法，其特征在于，步骤S101中测量误差数据集D
P
的函数表达式为：D
P
＝{(t,N
a,b,c
,ε
a,b,c
)},上式中，t为关口电能表的测量误差的统计时间，N
a,b,c
为第b个关口电能表第c个月的第a个测量得到的在温度和湿度共同作用下的应力，ε
a,b,c
为第b个关口电能表第c个月的第a个
测量得到的误差；步骤S103得到过滤后的测量误差数据集S
′
P
的函数表达式为：S
′
P
＝{(t,N
a,b,c
,ε
′
a,b,c
)},上式中，ε
′
a,b,c
为过滤后的第b个关口电能表第c个月的第a个测量得到的误差，其中a＝1,2,3
…
,n，c＝1,2,3,
…
,12，n为测量次数。6.根据权利要求5所述的关口电能表的现场电能计量误差预测方法，其特征在于，步骤S104中针对过滤后的测量误差数据集S
′
P
采用核支持向量回归模型进行误差预测包括：S201，为核支持向量回归模型选择核函数；S202，将过滤后的测量误差数据集S
′
P
中的统计时间t、应力N
a,b,c
作为核支持向量回归模型的输入特征，并基于选择的核函数为输入特征建立基于温度T、湿度H和统计时间t的加权线性组合核；为核支持向量回归模型的优化问题引入松弛因子和约束问题以建立核支持向量回归模型来学习测量误差预测的决策平面，引入对偶拉格朗日函数将约束问题转化为对偶问题，通过求解对偶问题的最优解，得到核支持向量回归模型的参数；S203，为核支持向量回归模型建立决策函数，以针对过滤后的测量误差数据集S
′
P
采用核支持向量回...

【专利技术属性】
技术研发人员：王海元，郭光，彭潇，王智，尹晓博，卜文彬，陈石东，解玉满，李恺，黄红桥，杨茂涛，谭海波，谈丛，孙飞，
申请(专利权)人：国网湖南省电力有限公司供电服务中心计量中心国家电网有限公司，
类型：发明
国别省市：