[go: up one dir, main page]

CN115018209B - 一种数字化电能计量系统运行误差长期预测方法及设备 - Google Patents

一种数字化电能计量系统运行误差长期预测方法及设备 Download PDF

Info

Publication number
CN115018209B
CN115018209B CN202210942617.XA CN202210942617A CN115018209B CN 115018209 B CN115018209 B CN 115018209B CN 202210942617 A CN202210942617 A CN 202210942617A CN 115018209 B CN115018209 B CN 115018209B
Authority
CN
China
Prior art keywords
term
error
long
model
medium
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202210942617.XA
Other languages
English (en)
Other versions
CN115018209A (zh
Inventor
郑欣
禹文静
彭涛
方毅
雷鸣
石洪
马奔
庹璟
魏伟
丁黎
李玲华
余鹤
夏天
汪应春
谢东日
汪司珂
王信
庞博
荣先金
王兹玥
李志浩
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Metering Center of State Grid Hubei Electric Power Co Ltd
Original Assignee
Metering Center of State Grid Hubei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Metering Center of State Grid Hubei Electric Power Co Ltd filed Critical Metering Center of State Grid Hubei Electric Power Co Ltd
Priority to CN202210942617.XA priority Critical patent/CN115018209B/zh
Publication of CN115018209A publication Critical patent/CN115018209A/zh
Application granted granted Critical
Publication of CN115018209B publication Critical patent/CN115018209B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Development Economics (AREA)
  • Biophysics (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Primary Health Care (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明提供一种数字化电能计量系统运行误差长期预测方法及设备，获得数字化电能计量系统在时间段
Figure DEST_PATH_IMAGE001
中的误差影响因素集
Figure 303201DEST_PATH_IMAGE002
及历史误差数据集
Figure DEST_PATH_IMAGE003
，采用蜉蝣算法对稀疏自动编码的超参数进行寻优，实现了误差影响因素特征的精准提取，进而提高了预测模型的准确度；采用不同时间尺度的预测模型进行迭代优化长期预测模型，提高了长期预测模型的准确度。

Description

一种数字化电能计量系统运行误差长期预测方法及设备
技术领域
本发明涉及智能电网设备在线状态监测领域，尤其涉及一种数字化电能计量系统运行误差长期预测方法及设备。
背景技术
智能变电站的数字化电能计量系统由电子式互感器、合并单元以及数字化电能表组成，完成信号采集、电能计算和事件记录功能。数字化电能计量系统作为发电、变电、输电、配电、用电各环节贸易结算和经济技术指标考核枢纽，其准确、稳定运行直接关系到贸易双方的经济利益。因此，有必要对电能计量系统的运行误差状态进行预测，达到预判止损的目的。
发明内容
本发明的目的在于针对上述现有技术的不足，提供了一种数字化电能计量系统运行误差长期预测方法及设备，能够对运行中的数字化电能计量系统的误差进行长期预测，以提前预警数字化电能计量系统出现的风险，并指导运维。
为实现上述目的，本发明采用了如下技术方案：
本发明提供了一种数字化电能计量系统运行误差长期预测方法，其特征在于，包括以下步骤：
S1、获得数字化电能计量系统在时间段
Figure 688060DEST_PATH_IMAGE001
中的误差影响因素集
Figure 415844DEST_PATH_IMAGE002
及历史误差数据集
Figure 639015DEST_PATH_IMAGE003
；
S2、利用蜉蝣算法对稀疏自动编码的超参数进行寻优，再利用寻优后的所述稀疏自动编码对所述误差影响因素集
Figure 110448DEST_PATH_IMAGE004
进行特征提取，得到新特征集
Figure 89292DEST_PATH_IMAGE005
；
S3、利用所述新特征集
Figure 253558DEST_PATH_IMAGE006
和数字化电能计量系统的历史误差数据集
Figure 698445DEST_PATH_IMAGE007
进行模型训练，得到短期
Figure 707990DEST_PATH_IMAGE008
、中期
Figure 69570DEST_PATH_IMAGE009
、长期
Figure 873578DEST_PATH_IMAGE010
不同时间尺度的误差预测模型，即短期预测模型
Figure 71341DEST_PATH_IMAGE011
、中期预测模型
Figure 618997DEST_PATH_IMAGE012
、长期预测模型
Figure 835083DEST_PATH_IMAGE013
；
S4、先利用所述短期预测模型
Figure 809993DEST_PATH_IMAGE014
修正所述中期预测模型
Figure 495052DEST_PATH_IMAGE015
，再利用修正后的中期预测模型
Figure 846399DEST_PATH_IMAGE016
对所述长期预测模型
Figure 651413DEST_PATH_IMAGE017
进行修正，得到修正后的长期预测模型
Figure 62802DEST_PATH_IMAGE018
；
S5、利用所述修正后的长期预测模型
Figure 969579DEST_PATH_IMAGE018
对数字化电能计量系统进行长期误差预测。
进一步，所述短期预测模型
Figure 845655DEST_PATH_IMAGE019
修正所述中期预测模型
Figure 787066DEST_PATH_IMAGE020
为：
先将从
Figure 103778DEST_PATH_IMAGE021
到
Figure 497850DEST_PATH_IMAGE022
时刻的误差影响因素特征集
Figure 440268DEST_PATH_IMAGE023
带入短期预测模型
Figure 970606DEST_PATH_IMAGE024
，得到
Figure 723798DEST_PATH_IMAGE025
时间段的预测误差数据集
Figure 605167DEST_PATH_IMAGE026
，再和
Figure 85696DEST_PATH_IMAGE027
时间段的历史误差数据集
Figure 1699DEST_PATH_IMAGE028
进行比对，利用比对出的误差偏差来修正中期预测模型
Figure 925793DEST_PATH_IMAGE029
，得到修正后的中期预测模型
Figure 28878DEST_PATH_IMAGE030
，
所述短期
Figure 313097DEST_PATH_IMAGE031
、中期
Figure 818028DEST_PATH_IMAGE032
、长期
Figure 913023DEST_PATH_IMAGE033
的误差影响因素特征集
Figure 768984DEST_PATH_IMAGE034
、
Figure 605963DEST_PATH_IMAGE035
、
Figure 230980DEST_PATH_IMAGE036
作为输入，短期历史误差数据集
Figure 762455DEST_PATH_IMAGE037
、中期历史误差数据集
Figure 574554DEST_PATH_IMAGE038
、长期历史误差数据集
Figure 466155DEST_PATH_IMAGE039
作为输出，训练出短期预测模型
Figure 945678DEST_PATH_IMAGE040
、中期预测模型
Figure 382475DEST_PATH_IMAGE041
、长期预测模型
Figure 947449DEST_PATH_IMAGE042
，具体如下：
Figure 111583DEST_PATH_IMAGE043
（1）
其中，
Figure 711192DEST_PATH_IMAGE044
为第一时刻；
Figure 318890DEST_PATH_IMAGE045
为第二时刻；
Figure 371160DEST_PATH_IMAGE046
为第三时刻；
Figure 338985DEST_PATH_IMAGE047
为第四时刻。
进一步，所述中期预测模型
Figure 58679DEST_PATH_IMAGE048
修正长期预测模型
Figure 837279DEST_PATH_IMAGE049
：
先将从
Figure 376845DEST_PATH_IMAGE050
到
Figure 151291DEST_PATH_IMAGE051
时刻的误差影响因素特征集
Figure 459912DEST_PATH_IMAGE052
带入修正后的中期预测模型
Figure 409414DEST_PATH_IMAGE053
，得到
Figure 170696DEST_PATH_IMAGE054
时间段的预测误差数据集
Figure 745903DEST_PATH_IMAGE055
，再和
Figure 909031DEST_PATH_IMAGE056
时间段的历史误差数据集
Figure 29434DEST_PATH_IMAGE057
进行比对，利用比对出的误差偏差来修正长期预测模型
Figure 543592DEST_PATH_IMAGE058
，得到修正后的长期预测模型
Figure 656910DEST_PATH_IMAGE059
。
进一步，所述S1中的误差影响因素集
Figure 940124DEST_PATH_IMAGE060
为：
Figure 497007DEST_PATH_IMAGE061
（4）
其中，环境温度
Figure 232882DEST_PATH_IMAGE062
、环境湿度
Figure 635045DEST_PATH_IMAGE063
、运行电压
Figure 22032DEST_PATH_IMAGE064
、频率
Figure 749817DEST_PATH_IMAGE065
、负荷电流
Figure 707409DEST_PATH_IMAGE066
、功率因素
Figure 178841DEST_PATH_IMAGE067
、谐波
Figure 423265DEST_PATH_IMAGE068
、开关切换负荷瞬变
Figure 56372DEST_PATH_IMAGE069
、负荷性质
Figure 766839DEST_PATH_IMAGE070
；
所述S2中的新特征集
Figure 776383DEST_PATH_IMAGE071
为：
Figure 872384DEST_PATH_IMAGE072
（5）
其中，
Figure 207551DEST_PATH_IMAGE073
为采用稀疏自动编码特征提取后的环境温度；
Figure 874155DEST_PATH_IMAGE074
为采用稀疏自动编码特征提取后的环境湿度；
Figure 952970DEST_PATH_IMAGE075
为采用稀疏自动编码特征提取后的运行电压；
Figure 903477DEST_PATH_IMAGE076
为采用稀疏自动编码特征提取后的频率；
Figure 878386DEST_PATH_IMAGE077
为采用稀疏自动编码特征提取后的负荷电流；
Figure 563446DEST_PATH_IMAGE078
为采用稀疏自动编码特征提取后的功率因素；
Figure 914793DEST_PATH_IMAGE079
为采用稀疏自动编码特征提取后的谐波；
Figure 985386DEST_PATH_IMAGE080
为采用稀疏自动编码特征提取后的开关切换负荷瞬变；
Figure 131196DEST_PATH_IMAGE081
为采用稀疏自动编码特征提取后的负荷性质。
进一步，所述S1中的历史误差数据集
Figure 37972DEST_PATH_IMAGE082
通过停电检定获得。
进一步，一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现数字化电能计量系统运行误差长期预测方法。
进一步，一种计算机可读存储介质，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现数字化电能计量系统运行误差长期预测方法。
本发明的有益效果为：采用蜉蝣算法对稀疏自动编码的超参数进行寻优，实现了误差影响因素特征的精准提取，进而提高了预测模型的准确度；采用不同时间尺度的预测模型进行迭代优化长期预测模型，提高了预测模型的准确度。
附图说明
图1 为本发明的一种数字化电能计量系统运行误差长期预测方法方框图；
图2为不同时间尺度的划分；
图3 为本发明中期模型的修正原理；
图4 为本发明长期模型的修正原理；
图5为本发明稀疏自动编码的原理图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，下面结合附图，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
请参阅图1，一种数字化电能计量系统运行误差长期预测方法，包括以下步骤：
S1、获得数字化电能计量系统在时间段
Figure 193010DEST_PATH_IMAGE083
中的误差影响因素集
Figure 121039DEST_PATH_IMAGE084
及历史误差数据集
Figure 703330DEST_PATH_IMAGE085
；
S2、利用蜉蝣算法对稀疏自动编码的超参数进行寻优，再利用寻优后的所述稀疏自动编码对所述误差影响因素集
Figure 97403DEST_PATH_IMAGE086
进行特征提取，得到新特征集
Figure 790552DEST_PATH_IMAGE087
；
S3、利用所述新特征集
Figure 835737DEST_PATH_IMAGE087
和数字化电能计量系统的历史误差数据集
Figure 854509DEST_PATH_IMAGE088
进行模型训练，得到短期
Figure 204719DEST_PATH_IMAGE089
、中期
Figure 701559DEST_PATH_IMAGE090
、长期
Figure 601251DEST_PATH_IMAGE091
不同时间尺度的误差预测模型，即短期预测模型
Figure 525345DEST_PATH_IMAGE092
、中期预测模型
Figure 80960DEST_PATH_IMAGE093
、长期预测模型
Figure 381491DEST_PATH_IMAGE094
；具体为：
所述短期
Figure 886422DEST_PATH_IMAGE095
、中期
Figure 981417DEST_PATH_IMAGE096
、长期
Figure 812277DEST_PATH_IMAGE097
的误差影响因素特征集
Figure 650920DEST_PATH_IMAGE098
、
Figure 275936DEST_PATH_IMAGE099
、
Figure 541832DEST_PATH_IMAGE100
作为输入，短期历史误差数据集
Figure 868777DEST_PATH_IMAGE101
、中期历史误差数据集
Figure 511111DEST_PATH_IMAGE102
、长期历史误差数据集
Figure 990634DEST_PATH_IMAGE103
作为输出，训练出短期预测模型
Figure 427432DEST_PATH_IMAGE104
、中期预测模型
Figure 992405DEST_PATH_IMAGE093
、长期预测模型
Figure 422118DEST_PATH_IMAGE105
，具体如下：
Figure 21727DEST_PATH_IMAGE106
（1）
其中，
Figure 363847DEST_PATH_IMAGE107
为第一时刻；
Figure 416116DEST_PATH_IMAGE108
为第二时刻；
Figure 649520DEST_PATH_IMAGE109
为第三时刻；
Figure 103635DEST_PATH_IMAGE110
为第四时刻；
S4、先利用所述短期预测模型
Figure 882236DEST_PATH_IMAGE111
修正所述中期预测模型
Figure 156222DEST_PATH_IMAGE112
，再利用修正后的中期预测模型
Figure 930668DEST_PATH_IMAGE113
对所述长期预测模型
Figure 239289DEST_PATH_IMAGE114
进行修正，得到修正后的长期预测模型
Figure 188791DEST_PATH_IMAGE115
；
S5、利用所述修正后的长期预测模型
Figure 215653DEST_PATH_IMAGE115
对数字化电能计量系统进行长期误差预测。
所述短期预测模型
Figure 525280DEST_PATH_IMAGE116
修正所述中期预测模型
Figure 219567DEST_PATH_IMAGE117
为：
先将从
Figure 74390DEST_PATH_IMAGE118
到
Figure 322969DEST_PATH_IMAGE119
时刻的误差影响因素特征集
Figure 436287DEST_PATH_IMAGE120
带入短期预测模型
Figure 985080DEST_PATH_IMAGE121
，得到
Figure 276384DEST_PATH_IMAGE122
时间段的预测误差数据集
Figure 12259DEST_PATH_IMAGE123
，再和
Figure 929268DEST_PATH_IMAGE122
时间段的历史误差数据集
Figure 66989DEST_PATH_IMAGE124
进行比对，利用比对出的误差偏差来修正中期预测模型
Figure 529194DEST_PATH_IMAGE125
，得到修正后的中期预测模型
Figure 752365DEST_PATH_IMAGE126
，
Figure 475995DEST_PATH_IMAGE127
（2）；
所述中期预测模型
Figure 468222DEST_PATH_IMAGE128
修正长期预测模型
Figure 101328DEST_PATH_IMAGE129
：
先将从
Figure 811795DEST_PATH_IMAGE130
到
Figure 70607DEST_PATH_IMAGE131
时刻的误差影响因素特征集
Figure 917340DEST_PATH_IMAGE132
带入修正后的中期预测模型
Figure 986928DEST_PATH_IMAGE133
，得到
Figure 919112DEST_PATH_IMAGE134
时间段的预测误差数据集
Figure 981614DEST_PATH_IMAGE135
，再和
Figure 948433DEST_PATH_IMAGE136
时间段的历史误差数据集
Figure 188922DEST_PATH_IMAGE137
进行比对，利用比对出的误差偏差来修正长期预测模型
Figure 608402DEST_PATH_IMAGE138
，得到修正后的长期预测模型
Figure 959749DEST_PATH_IMAGE139
，
Figure 30342DEST_PATH_IMAGE140
（3）；
所述S1中的误差影响因素集
Figure 441732DEST_PATH_IMAGE141
为：
Figure 348508DEST_PATH_IMAGE142
（4）
其中，环境温度
Figure 769125DEST_PATH_IMAGE143
、环境湿度
Figure 697154DEST_PATH_IMAGE144
、运行电压
Figure 279445DEST_PATH_IMAGE145
、频率
Figure 673517DEST_PATH_IMAGE146
、负荷电流
Figure 366667DEST_PATH_IMAGE147
、功率因素
Figure 411852DEST_PATH_IMAGE148
、谐波
Figure 899465DEST_PATH_IMAGE149
、开关切换负荷瞬变
Figure 780834DEST_PATH_IMAGE150
、负荷性质
Figure 277674DEST_PATH_IMAGE151
。
所述S1中的历史误差数据集
Figure 177366DEST_PATH_IMAGE152
通过停电检定获得。
所述S2中的新特征集
Figure 101459DEST_PATH_IMAGE153
为：
Figure 204545DEST_PATH_IMAGE154
（5）
其中，
Figure 239497DEST_PATH_IMAGE155
为采用稀疏自动编码特征提取后的环境温度；
Figure 259274DEST_PATH_IMAGE156
为采用稀疏自动编码特征提取后的环境湿度；
Figure 354269DEST_PATH_IMAGE157
为采用稀疏自动编码特征提取后的运行电压；
Figure 944650DEST_PATH_IMAGE158
为采用稀疏自动编码特征提取后的频率；
Figure 783293DEST_PATH_IMAGE159
为采用稀疏自动编码特征提取后的负荷电流；
Figure 484726DEST_PATH_IMAGE160
为采用稀疏自动编码特征提取后的功率因素；
Figure 750622DEST_PATH_IMAGE161
为采用稀疏自动编码特征提取后的谐波；
Figure 828300DEST_PATH_IMAGE162
为采用稀疏自动编码特征提取后的开关切换负荷瞬变；
Figure 205054DEST_PATH_IMAGE163
为采用稀疏自动编码特征提取后的负荷性质。
所述S1中的历史误差数据集
Figure 933845DEST_PATH_IMAGE164
通过停电检定获得。
一种电子设备，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现数字化电能计量系统运行误差长期预测方法。
一种计算机可读存储介质，所述计算机程序被处理器执行时实现如数字化电能计量系统运行误差长期预测方法。
在本发明中，对预测时间
Figure 370642DEST_PATH_IMAGE165
进行了不同时间尺度的划分，如图2所示,
Figure 670037DEST_PATH_IMAGE166
在现有技术中，一般是选择一定数量的样本，针对不同的预测需求，训练不同时间尺度的预测模型，由于预测时间长短不一样，预测模型的精度也不一样，通常对一个样本进行短期预测的结果往往相对于长期更为精准；而在本发明中，为了得到一个比较准确的长期预测模型，选择对在
Figure 850482DEST_PATH_IMAGE167
时间段的样本做了不同时间尺度的切分，并进行不同模型的训练，提供了样本数据的利用率，提高了长期预测模型的精度。
先利用所述短期预测模型
Figure 433779DEST_PATH_IMAGE168
修正所述中期预测模型
Figure 41478DEST_PATH_IMAGE169
，再利用修正后的中期预测模型
Figure 93748DEST_PATH_IMAGE170
对所述长期预测模型
Figure 77884DEST_PATH_IMAGE171
进行修正，得到修正后的长期预测模型
Figure 515688DEST_PATH_IMAGE172
；
用于做预测的算法模型有很多，在本发明的具体实施例中，可以考虑ARIMA模型做短期和中期预测，LSTM做长期预测：
ARIMA模型的全称叫做自回归移动平均模型，全称是(ARIMA, AutoregressiveIntegrated Moving Average Model)。也记作ARIMA(p,d,q)，是统计模型(statisticmodel)中最常见的一种用来进行时间序列预测的模型，该模型对中短期的预测效果较好。
LSTM可以看作是一种特殊的RNN，相较于传统RNN，LSTM天生就对长期依赖有着很好的支持。LSTM模型的核心思想主要有两个，分别为记忆元组（memory cell）和非线性的门单元（nonlinear gating unit），其中记忆元组用于保持系统的状态，非线性的门单元用于在每一个时间点调节流入和流出记忆元组的信息。
在本发明中，对中期预测模型的修正方式如下，如图3所示：
利用
Figure 294288DEST_PATH_IMAGE173
预测得到的预测误差数据集
Figure 833854DEST_PATH_IMAGE174
与
Figure 356102DEST_PATH_IMAGE175
时间段的历史误差数据集
Figure 916921DEST_PATH_IMAGE176
进行比对得到误差偏差：
Figure 600843DEST_PATH_IMAGE177
将误差偏差
Figure 893284DEST_PATH_IMAGE178
和误差影响因素特征集
Figure 953644DEST_PATH_IMAGE179
作为
Figure 366039DEST_PATH_IMAGE180
的输入，
Figure 752021DEST_PATH_IMAGE181
时间段的历史误差数据集
Figure 266179DEST_PATH_IMAGE182
作为
Figure 130230DEST_PATH_IMAGE183
的输输出，对中期模型进行修正，得到修正后的中期预测模型
Figure 662712DEST_PATH_IMAGE184
所述中期预测模型
Figure 219595DEST_PATH_IMAGE184
修正长期预测模型
Figure 955470DEST_PATH_IMAGE185
：
在本发明中，对长期预测模型的修正方式如下，如图4所示：
利用
Figure 623211DEST_PATH_IMAGE186
预测得到的预测误差数据集
Figure 26511DEST_PATH_IMAGE187
与历史误差数据集
Figure 737984DEST_PATH_IMAGE188
进行比对得到误差偏差：
Figure 961155DEST_PATH_IMAGE189
将误差偏差
Figure 167008DEST_PATH_IMAGE190
和误差影响因素特征
Figure 424814DEST_PATH_IMAGE191
作为
Figure 323500DEST_PATH_IMAGE192
的输入，
Figure 286164DEST_PATH_IMAGE193
时间段的历史误差数据集
Figure 295709DEST_PATH_IMAGE194
作为
Figure 408021DEST_PATH_IMAGE195
的输输出，对中期模型进行修正，得到修正后的中期预测模型
Figure 212029DEST_PATH_IMAGE196
电能计量系统主要包括电压互感器、电能互感器、电能表、二次回路等。而这些设备的工况环境指标如表1下：
表1 电能计量系统主要设备的工况环境指标
Figure 675371DEST_PATH_IMAGE197
为了实现对电能计量运行误差的精准预测，在本发明中选择了电能计量系统中主要设备的共性工况环境指标作为其影响因素集。
S2中的稀疏自动编码的原理图如图5所示：SAE由多层系数自编码器构成，通过组成非监督式预训练，最终得到更为抽象和具有代表性的数据编码。
在本发明中，定义SAE的损失函数表示为：
Figure 472295DEST_PATH_IMAGE198
其中，
Figure 173535DEST_PATH_IMAGE199
为训练样本的个数；
Figure 148444DEST_PATH_IMAGE200
为第
Figure 817192DEST_PATH_IMAGE202
个训练样本的预测值；
Figure 168539DEST_PATH_IMAGE203
为第
Figure 255443DEST_PATH_IMAGE204
个训练样本的真实值；
Figure 666833DEST_PATH_IMAGE205
为超参数；
Figure 822877DEST_PATH_IMAGE206
为范数；
Figure 712335DEST_PATH_IMAGE207
为编码器的连接权重矩阵；
Figure 919326DEST_PATH_IMAGE208
为解码器的连接权重矩阵；
Figure 501617DEST_PATH_IMAGE209
为超参数；
Figure 895689DEST_PATH_IMAGE210
为散度；
Figure 575457DEST_PATH_IMAGE211
为期望的稀疏度；
Figure 105795DEST_PATH_IMAGE212
为实际的稀疏度。
作为一种典型深度学习模型，SAE性能的优劣依赖于超参数的选择。
S2中蜉蝣算法对超参数寻优步骤为：
S21、初始化雌性蜉蝣，雄性蜉蝣，设定稀疏自动编码的超参数；
S22、计算适应度值，并且排序，获取码蜉蝣历史最有位置和最佳蜉蝣位置；
S23、依次更新雄性蜉蝣，雌性蜉蝣位置，并且交配；
S24、计算适应度，并更新蜉蝣历史最有位置和最佳蜉蝣位置；
S25、是否满足停止条件，如果满足则退出，输出最优超参数，否则重复执行所述S23至所述S25。
以上所述实施例仅表达了本发明的实施方式，其描述较为具体和详细，但并不能因此而理解为对本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，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求。

Claims (5)

1.一种数字化电能计量系统运行误差长期预测方法，其特征在于，包括以下步骤：
S1、获得数字化电能计量系统在时间段
Figure 880456DEST_PATH_IMAGE001
中的误差影响因素集
Figure 690018DEST_PATH_IMAGE002
及历史误差数据集
Figure 196086DEST_PATH_IMAGE003
；
S2、利用蜉蝣算法对稀疏自动编码的超参数进行寻优，再利用寻优后的所述稀疏自动编码对所述误差影响因素集
Figure 412304DEST_PATH_IMAGE004
进行特征提取，得到新特征集
Figure 357126DEST_PATH_IMAGE005
；
S3、利用所述新特征集
Figure 709610DEST_PATH_IMAGE006
和数字化电能计量系统的历史误差数据集
Figure 652158DEST_PATH_IMAGE007
进行模型训练，得到短期
Figure 903142DEST_PATH_IMAGE008
、中期
Figure 323759DEST_PATH_IMAGE009
、长期
Figure 796328DEST_PATH_IMAGE010
不同时间尺度的误差预测模型，即短期预测模型
Figure 644199DEST_PATH_IMAGE011
、中期预测模型
Figure 631746DEST_PATH_IMAGE012
、长期预测模型
Figure 856054DEST_PATH_IMAGE013
；
S4、先利用所述短期预测模型
Figure 183130DEST_PATH_IMAGE014
修正所述中期预测模型
Figure 776136DEST_PATH_IMAGE015
，再利用修正后的中期预测模型
Figure 188663DEST_PATH_IMAGE016
对所述长期预测模型
Figure 951082DEST_PATH_IMAGE017
进行修正，得到修正后的长期预测模型
Figure 194982DEST_PATH_IMAGE018
；
S5、利用所述修正后的长期预测模型
Figure 650234DEST_PATH_IMAGE018
对数字化电能计量系统进行长期误差预测；
所述短期预测模型
Figure 550057DEST_PATH_IMAGE019
修正所述中期预测模型
Figure 929217DEST_PATH_IMAGE020
为：
先将从
Figure 965306DEST_PATH_IMAGE021
到
Figure 591459DEST_PATH_IMAGE022
时刻的误差影响因素特征集
Figure 978578DEST_PATH_IMAGE023
带入短期预测模型
Figure 145118DEST_PATH_IMAGE024
，得到
Figure 301292DEST_PATH_IMAGE025
时间段的预测误差数据集
Figure 409932DEST_PATH_IMAGE026
，再和
Figure 18767DEST_PATH_IMAGE027
时间段的历史误差数据集
Figure 192260DEST_PATH_IMAGE028
进行比对，利用比对出的误差偏差来修正中期预测模型
Figure 202941DEST_PATH_IMAGE029
，得到修正后的中期预测模型
Figure 233214DEST_PATH_IMAGE030
，
所述短期
Figure 329346DEST_PATH_IMAGE031
、中期
Figure 775371DEST_PATH_IMAGE032
、长期
Figure 719187DEST_PATH_IMAGE033
的误差影响因素特征集
Figure 858045DEST_PATH_IMAGE034
、
Figure 441473DEST_PATH_IMAGE035
、
Figure 691188DEST_PATH_IMAGE036
作为输入，短期历史误差数据集
Figure 738779DEST_PATH_IMAGE037
、中期历史误差数据集
Figure 48537DEST_PATH_IMAGE038
、长期历史误差数据集
Figure 119262DEST_PATH_IMAGE039
作为输出，训练出短期预测模型
Figure 969406DEST_PATH_IMAGE040
、中期预测模型
Figure 809186DEST_PATH_IMAGE041
、长期预测模型
Figure 289846DEST_PATH_IMAGE042
，具体如下：
Figure 162380DEST_PATH_IMAGE043
（1）
其中，
Figure 19478DEST_PATH_IMAGE044
为第一时刻；
Figure 713764DEST_PATH_IMAGE045
为第二时刻；
Figure 178375DEST_PATH_IMAGE046
为第三时刻；
Figure 223691DEST_PATH_IMAGE047
为第四时刻；
所述中期预测模型
Figure 618901DEST_PATH_IMAGE048
修正长期预测模型
Figure 167694DEST_PATH_IMAGE049
：
先将从
Figure 318052DEST_PATH_IMAGE050
到
Figure 585085DEST_PATH_IMAGE051
时刻的误差影响因素特征集
Figure 518406DEST_PATH_IMAGE052
带入修正后的中期预测模型
Figure 498870DEST_PATH_IMAGE053
，得到
Figure 757813DEST_PATH_IMAGE054
时间段的预测误差数据集
Figure 246563DEST_PATH_IMAGE055
，再和
Figure 45892DEST_PATH_IMAGE056
时间段的历史误差数据集
Figure 569277DEST_PATH_IMAGE057
进行比对，利用比对出的误差偏差来修正长期预测模型
Figure 733542DEST_PATH_IMAGE058
，得到修正后的长期预测模型
Figure 975167DEST_PATH_IMAGE059
。
2.根据权利要求1所述的一种数字化电能计量系统运行误差长期预测方法，其特征在于，所述S1中的误差影响因素集
Figure 594499DEST_PATH_IMAGE060
为：
Figure 972390DEST_PATH_IMAGE061
（4）
其中，环境温度
Figure 573136DEST_PATH_IMAGE062
、环境湿度
Figure 98795DEST_PATH_IMAGE063
、运行电压
Figure 443189DEST_PATH_IMAGE064
、频率
Figure 941166DEST_PATH_IMAGE065
、负荷电流
Figure 243972DEST_PATH_IMAGE066
、功率因素
Figure 460189DEST_PATH_IMAGE067
、谐波
Figure 342695DEST_PATH_IMAGE068
、开关切换负荷瞬变
Figure 269413DEST_PATH_IMAGE069
、负荷性质
Figure 946382DEST_PATH_IMAGE070
；
所述S2中的新特征集
Figure 384316DEST_PATH_IMAGE071
为：
Figure 867250DEST_PATH_IMAGE072
（5）
其中，
Figure 74241DEST_PATH_IMAGE073
为采用稀疏自动编码特征提取后的环境温度；
Figure 187690DEST_PATH_IMAGE074
为采用稀疏自动编码特征提取后的环境湿度；
Figure 191549DEST_PATH_IMAGE075
为采用稀疏自动编码特征提取后的运行电压；
Figure 415857DEST_PATH_IMAGE076
为采用稀疏自动编码特征提取后的频率；
Figure 742933DEST_PATH_IMAGE077
为采用稀疏自动编码特征提取后的负荷电流；
Figure 338869DEST_PATH_IMAGE078
为采用稀疏自动编码特征提取后的功率因素；
Figure 485816DEST_PATH_IMAGE079
为采用稀疏自动编码特征提取后的谐波；
Figure 513815DEST_PATH_IMAGE080
为采用稀疏自动编码特征提取后的开关切换负荷瞬变；
Figure 492135DEST_PATH_IMAGE081
为采用稀疏自动编码特征提取后的负荷性质。
3.根据权利要求1所述的一种数字化电能计量系统运行误差长期预测方法，其特征在于：所述S1中的历史误差数据集
Figure 947388DEST_PATH_IMAGE082
通过停电检定获得。
4.一种电子设备，其特征在于，包括：一个或多个处理器；存储装置，用于存储一个或多个程序，当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至3任一项所述的数字化电能计量系统运行误差长期预测方法。
5.一种计算机可读存储介质，其特征在于，其上存储有计算机程序，其中，所述计算机程序被处理器执行时实现如权利要求1至3任一项所述的数字化电能计量系统运行误差长期预测方法。
CN202210942617.XA 2022-08-08 2022-08-08 一种数字化电能计量系统运行误差长期预测方法及设备 Active CN115018209B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210942617.XA CN115018209B (zh) 2022-08-08 2022-08-08 一种数字化电能计量系统运行误差长期预测方法及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210942617.XA CN115018209B (zh) 2022-08-08 2022-08-08 一种数字化电能计量系统运行误差长期预测方法及设备

Publications (2)

Publication Number Publication Date
CN115018209A CN115018209A (zh) 2022-09-06
CN115018209B true CN115018209B (zh) 2022-11-08

Family

ID=83065871

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210942617.XA Active CN115018209B (zh) 2022-08-08 2022-08-08 一种数字化电能计量系统运行误差长期预测方法及设备

Country Status (1)

Country Link
CN (1) CN115018209B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP7283645B1 (ja) 2023-01-20 2023-05-30 富士電機株式会社 予測値補正装置、予測値補正方法及びプログラム
CN116485049B (zh) * 2023-06-25 2024-04-19 陕西银河电力仪表股份有限公司 一种基于人工智能的电能计量误差预测与优化系统
CN117406161B (zh) * 2023-12-11 2024-04-02 普华讯光（北京）科技有限公司 一种计量装置量值偏离度预警方法、系统、设备及介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867221A (zh) * 2012-07-17 2013-01-09 中国电力科学研究院 一种中长期电量预测动态横向修正方法
JP2013200586A (ja) * 2012-03-23 2013-10-03 Hitachi Ltd 特性モデル更新処理装置及び特性モデル更新方法
WO2014114150A1 (zh) * 2013-01-22 2014-07-31 国家电网公司 电能表动态计量周期电能序列比例分配校验法
CN110222882A (zh) * 2019-05-21 2019-09-10 国家电网公司西南分部 一种电力系统中长期负荷的预测方法和装置
CN112906995A (zh) * 2021-04-23 2021-06-04 河北工业大学 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法
CN113762470A (zh) * 2021-08-23 2021-12-07 迟源 预测模型构建方法、预测方法、装置、设备及介质
CN113777552A (zh) * 2021-11-09 2021-12-10 武汉格蓝若智能技术有限公司 一种电容式电压互感器计量误差的预测方法及系统
CN113887846A (zh) * 2021-12-07 2022-01-04 武汉格蓝若智能技术有限公司 一种电容式电压互感器的超差风险预警方法
CN114329347A (zh) * 2022-03-07 2022-04-12 广东电网有限责任公司 一种电能表计量误差预测方法、装置及存储介质
CN114648178A (zh) * 2022-05-12 2022-06-21 武汉格蓝若智能技术有限公司 一种基于ddpg算法的电能计量装置运维策略优化方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013200586A (ja) * 2012-03-23 2013-10-03 Hitachi Ltd 特性モデル更新処理装置及び特性モデル更新方法
CN102867221A (zh) * 2012-07-17 2013-01-09 中国电力科学研究院 一种中长期电量预测动态横向修正方法
WO2014114150A1 (zh) * 2013-01-22 2014-07-31 国家电网公司 电能表动态计量周期电能序列比例分配校验法
CN110222882A (zh) * 2019-05-21 2019-09-10 国家电网公司西南分部 一种电力系统中长期负荷的预测方法和装置
CN112906995A (zh) * 2021-04-23 2021-06-04 河北工业大学 基于emd-fe-lstm及迭代误差修正的光伏功率短期预测方法
CN113762470A (zh) * 2021-08-23 2021-12-07 迟源 预测模型构建方法、预测方法、装置、设备及介质
CN113777552A (zh) * 2021-11-09 2021-12-10 武汉格蓝若智能技术有限公司 一种电容式电压互感器计量误差的预测方法及系统
CN113887846A (zh) * 2021-12-07 2022-01-04 武汉格蓝若智能技术有限公司 一种电容式电压互感器的超差风险预警方法
CN114329347A (zh) * 2022-03-07 2022-04-12 广东电网有限责任公司 一种电能表计量误差预测方法、装置及存储介质
CN114648178A (zh) * 2022-05-12 2022-06-21 武汉格蓝若智能技术有限公司 一种基于ddpg算法的电能计量装置运维策略优化方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
LSTM-RF的中长期风电功率组合预测方法;何健伟等;《上海电力大学学报》;20200815(第04期);第341-350页 *
中期电力负荷预测及负荷模型的研究;张炜;《电力学报》;20011230(第04期);第257-259页 *
中期电力负荷预测及负荷模型的研究;陈国建等;《现代制造技术与装备》;20171115(第11期);第59-60页 *
具有误差预测修正的DMC算法;张爱新等;《石油化工高等学校学报》;19980325(第01期);第84-87页 *
基于EUNITE竞赛数据的中期电力负荷预测;李炎等;《华北电力大学学报》;20070730(第04期);第22-26页 *
基于动态组合残差修正的预测方法;冯增喜等;《系统工程理论与实践》;20170725(第07期);第1884-1891页 *
基于滚动误差规律的时间序列预测模型的修正方法;唐家琳等;《统计与决策》;20120830(第16期);第14-16页 *

Also Published As

Publication number Publication date
CN115018209A (zh) 2022-09-06

Similar Documents

Publication Publication Date Title
CN115018209B (zh) 一种数字化电能计量系统运行误差长期预测方法及设备
CN112215442B (zh) 电力系统短期负荷预测方法、系统、设备及介质
CN112001556B (zh) 一种基于深度学习模型的水库下游水位预测方法
CN112734128B (zh) 一种基于优化rbf的7日电力负荷峰值预测方法
CN109978222A (zh) 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统
CN115564126A (zh) 一种光伏发电预测方法、系统、装置及存储介质
CN116523148B (zh) 一种配电网配变重过载预警方法、装置和设备
CN113991711B (zh) 一种光伏电站储能系统容量配置方法
CN116599050A (zh) 基于自注意力机制的光伏预测方法及相关装置
Yang et al. Wind power probability density prediction based on quantile regression model of dilated causal convolutional neural network
CN115577856A (zh) 一种变电工程造价预测与结余控制方法及系统
CN117350174B (zh) 预测智能电表剩余寿命的方法、系统、电子设备及介质
CN117332898A (zh) 基于机器学习的新能源小时间尺度功率时序滚动预测方法
CN117134315A (zh) 一种基于bert算法的配电变压器负荷预测方法及装置
CN115983481A (zh) 基于多保真气象数据的光伏发电功率预测方法及相关设备
CN116187562A (zh) 电动汽车充电容量需求预测方法及相关装置
Liu et al. Forecasting China’s per capita living energy consumption by employing a novel DGM (1, 1, tα) model with fractional order accumulation
CN112734096A (zh) 一种城市饱和负荷预测方法及系统
CN119695899B (zh) 结合气象与经济数据的全省电力负荷预测方法
CN119886761B (zh) 一种多元用户侧资源协同调节潜力评估方法、系统及产品
CN118469635B (zh) 计及区域产业和误差修正的电能替代潜力预测方法及系统
Zheng et al. Long Term Electricity Consumption Forecast Based on STL-IDBO-LSSVM
CN111582751B (zh) 一种时间加权的购电风险预警方法
LU507962B1 (en) Method, device, kind of equipment, and storage medium for calculating carbon emission factors of power grid
CN117788213A (zh) 一种光伏并网配电网的线损预测方法、装置及终端

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant