CN109061544B - 一种电能计量误差估计方法 - Google Patents

Abstract

本发明涉及一种电能计量误差估计方法，包括以下步骤：将电能计量装置测得的计量数据进行预处理，得到计量误差序列；对计量误差序列进行小波变换分解，得到多组误差序列分量；构建鲁棒极限学习机模型，将每组误差序列分量和测得的计量数据作为输入量加入鲁棒极限学习机模型中作为输入量，得到每组误差序列分量的误差预测值；将得到的误差预测值相加，预测得到新一代误差值；将误差值进行预处理，得到新的计量误差序列，更新测得的计量数据，进行迭代更新，循环预测。本发明提供的一种电能计量误差估计方法，通过小波变换分解及鲁棒极限学习机模型的应用，提取了原有信号中的规律，大大降低预测难度，提升了在存在噪声情况下的预测精度和运算速度。

Description

一种电能计量误差估计方法

技术领域

本发明涉及电能计量误差分析技术领域，更具体的，涉及一种电能计量误差估计方法。

背景技术

在电力市场中，电能计量装置的读数作为交易清算时的根据，其重要性对于交易双方都在逐渐提高。供电公司在使用电能计量装置过程中，功能也从自身清算改变成为交易清算，对电能计量的准确性提出了更加严格的要求。

传统的电能计量装置现场校验是在实际运行条件下对其计量芯片的校准，通过误差算法计算出各个寄存器的值，完成误差的校验，该方法实际上是将计量误差视为一个固定不变的静态值，但实际上电能计量误差值是动态变化的。目前，对于电能计量装置的运行管理手段主要包括现场检验及周期轮换，没有办法实现实时在线的校验和监测，无法满足对计量数据进行的精细化管理。

发明内容

本发明为克服现有的电能计量误差估计方法存在无法实现实时在线的校验和监测，无法满足精细化管理需求的技术缺陷，提供一种电能计量误差估计方法。

为解决上述技术问题，本发明的技术方案如下：

一种电能计量误差估计方法，包括以下步骤：

S1：将电能计量装置测得的计量数据进行预处理，得到计量误差序列；

S2：对计量误差序列进行小波变换分解，得到多组误差序列分量；

S3：构建鲁棒极限学习机模型，将每组误差序列分量和测得的计量数据作为输入量同时加入鲁棒极限学习机模型中作为输入量，得到每组误差序列分量的误差预测值；

S4：将得到的误差预测值相加，预测得到新一代误差值，导出误差值；

S5：将误差值进行预处理，得到新的计量误差序列，更新测得的计量数据，执行步骤S2，进行迭代更新。

与现有技术相比，本发明技术方案的有益效果是：

本发明提供的一种电能计量误差估计方法，通过小波变换分解及鲁棒极限学习机模型的应用，提取了原有信号中的规律，大大降低预测难度，提升了在存在噪声情况下的预测精度和运算速度。

附图说明

图1本发明方法步骤流程图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；

对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。

下面结合附图和实施例对本发明的技术方案做进一步的说明。

一种电能计量误差估计方法，包括以下步骤：

S1：将电能计量装置测得的计量数据进行预处理，得到计量误差序列；

S2：对计量误差序列进行小波变换分解，得到多组误差序列分量；

S3：构建鲁棒极限学习机模型，将每组误差序列分量和测得的计量数据作为输入量同时加入鲁棒极限学习机模型中作为输入量，得到每组误差序列分量的误差预测值；

S4：将得到的误差预测值相加，预测得到新一代误差值，导出误差值；

S5：将误差值进行预处理，得到新的计量误差序列，更新测得的计量数据，执行步骤S2，进行迭代更新。

更具体的，在所述步骤S2中，通过小波变换分解后，原计量误差序列s可表示为：

s＝a₁+d₁+d₂···+d_n-1；

其中，a₁为误差序列低频分量，d₁、d₂...d_n为误差序列高频分量；

更具体的，在所述步骤S3中，鲁棒极限学习机模型构建过程包括以下步骤：

S31：根据误差序列分量数据集D，令激活函数为g(x)以及隐含层节点个数为L(L≤T),则该隐含层神经网络的数学表达式为：

其中：w_i＝[w_i1,w_i2,...,w_ir]^T为节点r和节点i的输入权值向量；i＝1,2,...,L，b_i为第i个隐含层节点的偏差；β_i为节点i与节点j的权值；o_t为预测值；

其中：

误差序列分量数据集D含有T个样本的数据集；

S32：假设鲁棒极限学习机对D中的T个样本进行近似拟合后的误差为0，则有：

简洁表示为：

Hβ＝y；

其中：

β＝[β₁,…,β_L]^T；

y＝[y₁,…,y_T]^T；

上式中：β和y均为向量，分别表示输出权重和输出值；H为矩阵，表示隐含层的输出值；

S33：引入训练误差e，防止鲁棒极限学习机因使训练误差最小而导致过度拟合，使得预测精度下降；相比0-范数和2-范数，1-范数能够更好的反映出稀疏特性，并且能够将问题转化为求解凸函数的全局最小值，则问题转化为求解凸函数的全局最小值，有：

利用增广拉格朗日算子求解，如下式所示：

式中：λ∈Rⁿ为拉格朗日算子组成的矩阵；μ为惩罚因子，取μ＝2T/||y||₁；增广拉格朗日算法通过逐渐迭代减少函数值来求解最优的(e,β,λ)，给定第k次迭代时有(λ_k,μ)，则增广拉格朗日算计算如下式所示：

采用方向交叉法计算(e,β)：

β_k+1＝(H^TH+2/CμI)^-1H^T(y-e_k+λ_k/μ)；

其中，U＝y-Hβ_k+1+π_k/μ为辅助参数；

S34：通过引入训练误差e，利用误差反馈来自适应更新输出层权重β，完成鲁棒极限学习机模型的构建。

实施例1

选用电能计量装置10个小时的电压数据及其测量误差作为研究对象。记录同一时间同一接入点测得的电压数据与更高精度计量装置所测得的电压数据，采集频率为每3秒钟采集1次，共7200个观测点。该装置的电压测量误差如下式所示：

e＝y′_i-y_i；

y_i为电压真实值；y′_i为该电能计量装置测得的电压值；电能计量装置计量所用的芯片选用ADE7880。

将测得的误差数据进行预处理，得到计量误差序列，利用利用小波变换处理计量误差序列，得到一组误差序列分量，考虑预测过程中将新的误差预测结果作为输入量时可能出现的累计误差问题，将电能计量装置测得的计量数据作为输入量同时加入到估计模型中，通过测得的准确值来纠正累计误差。对各个分量信号分别进行预测，将即将到来的第t个观测点之前n个误差值和m个测得的电气量数据作为(m+n)维输入量，运用鲁棒极限学习机模型进行该观测点误差值的预测。

将得到的误差预测值相加，预测得到新一代误差值，

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (2)

1.一种电能计量误差估计方法，其特征在于，包括以下步骤：

S1：将电能计量装置测得的计量数据进行预处理，得到计量误差序列；

S2：对计量误差序列进行小波变换分解，得到多组误差序列分量，通过小波变换分解后，原计量误差序列s可表示为：

s＝a₁+d₁+d₂…+d_n-1；

其中，a₁为误差序列低频分量，d₁、d₂...d_n为误差序列高频分量；

S3：构建鲁棒极限学习机模型，将每组误差序列分量和测得的计量数据作为输入量同时加入鲁棒极限学习机模型中作为输入量，得到每组误差序列分量的误差预测值；

S4：将得到的误差预测值相加，预测得到新一代误差值，导出误差值；

S5：将误差值进行预处理，得到新的计量误差序列，更新测得的计量数据，执行步骤S2，进行迭代更新。

2.根据权利要求1所述的一种电能计量误差估计方法，其特征在于，在所述步骤S3中，鲁棒极限学习机模型构建过程包括以下步骤：

S31：根据误差序列分量数据集D，令激活函数为g(x)以及隐含层节点个数为L(L≤T),则该隐含层神经网络的数学表达式为：

其中：w_i＝[w_i1,w_i2,...,w_ir]^T为节点r和节点i的输入权值向量；i＝1,2,...,L，b_i为第i个隐含层节点的偏差；β_i为节点i与节点j的权值；o_t为预测值；

其中：

误差序列分量数据集D含有T个样本的数据集；

S32：假设鲁棒极限学习机对D中的T个样本进行近似拟合后的误差为0，则有：

简洁表示为：

Hβ＝y；

其中：

β＝[β₁,…,β_L]^T；

y＝[y₁,…,y_T]^T；

上式中：β和y均为向量，分别表示输出权重和输出值；H为矩阵，表示隐含层的输出值；

S33：引入训练误差e，防止鲁棒极限学习机因使训练误差最小而导致过度拟合，使得预测精度下降；相比0-范数和2-范数，1-范数能够更好的反映出稀疏特性，并且能够将问题转化为求解凸函数的全局最小值，则问题转化为求解凸函数的全局最小值，有：

利用增广拉格朗日算子求解，如下式所示：

式中：λ∈Rⁿ为拉格朗日算子组成的矩阵；μ为惩罚因子，取μ＝2T/||y||₁；增广拉格朗日算法通过逐渐迭代减少函数值来求解最优的(e,β,λ)，给定第k次迭代时有(λ_k,μ)，则增广拉格朗日算计算如下式所示：

采用方向交叉法计算(e,β)：

β_k+1＝(H^TH+2/CμI)^-1H^T(y-e_k+λ_k/μ)；

其中，U＝y-Hβ_k+1+π_k/μ为辅助参数；

S34：通过引入训练误差e，利用误差反馈来自适应更新输出层权重β，完成鲁棒极限学习机模型的构建。

Images