CN117131353B - 一种超差电能表确定方法、装置、电子设备及存储介质 - Google Patents
一种超差电能表确定方法、装置、电子设备及存储介质 Download PDFInfo
- Publication number
- CN117131353B CN117131353B CN202311403267.0A CN202311403267A CN117131353B CN 117131353 B CN117131353 B CN 117131353B CN 202311403267 A CN202311403267 A CN 202311403267A CN 117131353 B CN117131353 B CN 117131353B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- meter
- tolerance
- intelligent electric
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 61
- 230000005611 electricity Effects 0.000 claims description 32
- 239000011159 matrix material Substances 0.000 claims description 29
- 230000008014 freezing Effects 0.000 claims description 21
- 238000007710 freezing Methods 0.000 claims description 21
- DSSYKIVIOFKYAU-XCBNKYQSSA-N (R)-camphor Chemical compound C1C[C@@]2(C)C(=O)C[C@@H]1C2(C)C DSSYKIVIOFKYAU-XCBNKYQSSA-N 0.000 claims description 20
- 229960000846 camphor Drugs 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 13
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000005457 optimization Methods 0.000 claims description 8
- 238000003491 array Methods 0.000 claims description 5
- 238000012821 model calculation Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 6
- 238000004891 communication Methods 0.000 description 8
- 230000002159 abnormal effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 230000003287 optical effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000003993 interaction Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 230000001953 sensory effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种超差电能表确定方法、装置、电子设备及存储介质。通过周期性地获取目标电能箱对应的联合智能电能表;将智能电能总表和各待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各待检测的智能电能分表分别对应的电能表识别结果;判断电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。解决了对多个异常超差电能表检测的计算量大而造成的检测困难的问题,通过构建超差电能表识别模型,可以更加快速有效地进行超差电能表识别,提高了超差电能表识别的速率,降低了超差电能表识别的计算量。
Description
技术领域
本发明涉及数据处理技术领域,尤其涉及一种超差电能表确定方法、装置、电子设备及存储介质。
背景技术
随着用电信息采集***的自动采集功能的完善,智能电能表被广泛应用。但是智能电能表性能的好坏直接影响着电量计量的准确性,而超差电能表监测***就是将运行中的电能表性能不符合要求即超差的检测出来,然后由电网公司进行更换。目前的超差表监测***主要是通过搜集电能表的长期历史电量以及电压等数据构建线损模型,然后对模型求解得到每个电能表的误差系数,将误差系数大于超差值的判定为超差电能表。
发明人在实现本发明的过程中,发现现有技术存在如下缺陷:目前,一般通过fit超差电能表检测模型来进行单个异常超差电能表检出,但是对于多个超差电能表的场景需要计算量极大的循环搜索计算,计算量比较大并且超差电能表的确定比较慢。
发明内容
本发明提供了一种超差电能表确定方法、装置、电子设备及存储介质,以实现提高超差电能表识别的速率,降低了超差电能表识别的计算量。
根据本发明的一方面,提供了一种超差电能表确定方法,其中,包括:
周期性地获取目标电能箱对应的联合智能电能表;其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表;
将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果;
判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。
根据本发明的另一方面,提供了一种超差电能表确定装置,其中,包括:
联合智能电能表获取模块,用于周期性地获取目标电能箱对应的联合智能电能表;其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表;
电能表识别结果确定模块,用于将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果;
电能表识别结果判断模块,用于判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。
根据本发明的另一方面,提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其中,所述处理器执行所述计算机程序时实现本发明任一实施例所述的超差电能表确定方法。
根据本发明的另一方面,提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现本发明任一实施例所述的超差电能表确定方法。
本发明实施例的技术方案,通过获取周期性地获取目标电能箱对应的联合智能电能表;将智能电能总表和各待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各待检测的智能电能分表分别对应的电能表识别结果;判断电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。解决了对多个异常超差电能表检测的计算量大而造成的检测困难的问题,通过构建超差电能表识别模型,可以更加快速有效地进行超差电能表识别,提高了超差电能表识别的速率,降低了超差电能表识别的计算量。
应当理解,本部分所描述的内容并非旨在标识本发明的实施例的关键或重要特征,也不用于限制本发明的范围。本发明的其它特征将通过以下的说明书而变得容易理解。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例一提供的一种超差电能表确定方法的流程图;
图2是根据本发明实施例二提供的一种超差电能表确定装置的结构示意图;
图3是根据本发明实施例三提供的一种电子设备的结构示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
需要说明的是,本发明的说明书和权利要求书及上述附图中的术语“目标”、“当前”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、***、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
实施例一
图1为本发明实施例一提供了一种超差电能表确定方法的流程图,本实施例可适用于对多个超差电能表进行识别的情况,该方法可以由超差电能表确定装置来执行,该超差电能表确定装置可以采用硬件和/或软件的形式实现。
相应的,如图1所示,该方法包括:
S110、周期性地获取目标电能箱对应的联合智能电能表。
其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表。
其中,联合智能电能表可以是获取到包括智能电能总表、以及与智能电能总表对应的多个智能电能分表的电能表。
示例性的,假设获取某小区某栋楼的联合智能电能表,其中,在联合智能电能表包括1个智能电能总表和50个智能电能分表。一般来说,50个智能电能分表的电能加和值等于智能电能总表的电能值。
S120、将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果。
其中,超差电能表识别模型可以是能够进行超差电能表识别的模型。
在本实施例中,需要将多个待检测的智能电能分表和智能电能总表一起输入至超差电能表识别模型中。比如说,将上述1个智能电能总表和50个智能电能分表一起输入至超差电能表识别模型中,来识别出50个智能电能分表分别对应的电能表识别结果,也即这50个智能电能分表分别属于超差电能表或者非超差电能表的情况。
在本实施例中,通过预先训练的超差电能表识别模型,能同时进行多个智能电能分表的异常情况的识别,从而得到电能表识别结果。
S130、判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。
其中,电能表识别结果包括超差电能表和非超差电能表。
续前例的,获取50个智能电能分表分别对应的电能表识别结果,假设其中5个超差电能表,剩余的45个为非超差电能表。也即,该45个非超差电能表是正常的电能表;5个超差电能表是异常的电能表。
可选的,在所述确定待检测的智能电能分表为超差电能表之后,还包括:获取所述待检测的智能电能分表对应的至少一个超差电能项数据;根据各所述超差电能项数据,通过预先设置的最小二乘回归算法拟合模型,来确定出电表超差值。
其中,超差电能项数据可以是与标准电能项数据存在偏差的数据。
可以理解的是,不同的标准电能项数据都具有一定的误差范围值,如果电能项数据在误差范围之内,则该电能项数据为非超差电能项数据;反之,则该电能项数据为超差电能项数据。示例性的,假设标准电能项数据为45度,误差范围值为度。假设电能项数据为45.2度,则该电能项数据为非超差电能项数据。假设电能项数据为45.6度,则该电能项数据为超差电能项数据。
进一步的,当确定存在5个超差电能表之后,需要分别获取每个超差电能表分别对应的多个超差电能项数据。假设5个超差电能表分别为:超差电能表1、超差电能表2、超差电能表3、超差电能表4和超差电能表5。假设超差电能表1中包括6个超差电能项数据。需要将该6个超差电能项数据和通过超差电能表识别模型得到的电表残差数据通过预先设置的最小二乘回归算法拟合模型,来确定出电表超差值。可以用电表超差值来反馈联合智能电能表的异常情况。
可以理解的是,如果电表超差值越大,表明联合智能电能表的异常情况越严重;反之,如果电表超差值越小,表明联合智能电能表的异常情况越不严重。
可选的,在所述周期性地获取目标电能箱对应的联合智能电能表之前,还包括:获取历史联合智能电能表;将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值;获取各目标日冻结用电量,并根据各所述目标供电量计量值来分别计算出各电表统计线损和各电表失准模型计算线损;根据各所述电表失准模型计算线损和各所述电表统计线损,来分别计算出各电表残差数据;根据各所述目标日冻结用电量和各所述电表残差数据,通过预先构建的基于lasso算法的目标优化函数来进行优化搜索处理,得到各alpha系数队列; 根据各所述alpha系数队列,来得到各alpha系数阵列,并对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列;根据所述alpha平均系数阵列来确定出lasso模型系数阵列和历史超差电能表索引,并根据lasso模型系数阵列和历史超差电能表索引来训练得到超差电能表识别模型。
其中,历史联合智能电能表可以是历史一段周期时间内的分表,具体的,可以是一个月之内的历史联合智能电能表,也可以是半年之内的历史联合智能电能表。
其中,电表失准模型可以是能够对每个智能电能分表来进行目标供电量计量值计算的模型。目标供电量计量值可以是在一段时间内每个智能电能分表供电量的统计值的大小。目标日冻结用电量可以是一段时间内每个智能电能分表每天冻结用电量的统计电量的大小。电表统计线损可以是根据智能电能总表和各智能电能分表统计出的电量在电线传输过程中的电量损耗的大小。电表失准模型计算线损可以是通过电表失准模型来对智能电能总表和各智能电能分表,进行电量在电线传输过程中的电量损耗的大小的统计。
其中,电表残差数据可以是不同方式来统计历史联合智能电能表的线损之间的残差的大小。alpha系数队列可以是由输出系数矩阵、特征系数矩阵和alpha系数矩阵来构成的队列。具体的,输出系数矩阵可以是的矩阵;特征系数矩阵可以是/>的矩阵;alpha系数矩阵可以是/>的矩阵,P表示历史联合智能电能表的数量;M表示alpha系数的输出个数。
其中,alpha系数阵列可以是通过输出系数矩阵和特征系数矩阵来确定出的系数的阵列。alpha平均系数阵列可以是根据多个alpha系数阵列计算出的平均阵列。历史超差电能表索引可以是alpha平均系数阵列中的各非零系数对应的历史联合智能电能表的索引。
在本实施例中,可以通过历史联合智能电能表来进行超差电能表识别模型的训练,以实现根据训练好的超差电能表识别模型来进行超差电能表的识别处理操作。
可选的,将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值,包括:将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值;其中,所述电表失准模型的公式为:,其中,/>表示历史智能电能总表第/>天的目标供电量计量值;/>表示计量点/>在第/>天的目标日冻结用电量,计量点/>的数量和历史智能电能分表的数量相同;/>表示计量点/>的相对误差;/>表示历史智能电能总表的相对误差;/>为计量点/>的总数量;/>表示初始相对误差;/>表示第/>天的线路损耗。
在本实施例中,电表失准模型是根据目标供电量计量值、目标日冻结用电量、计量点的相对误差、历史智能电能总表的相对误差、计量点/>的总数量、初始相对误差和第/>天的线路损耗来进行构建的。
可选的,获取各目标日冻结用电量,并根据各所述目标供电量计量值来分别计算出各电表统计线损和各电表失准模型计算线损,包括:根据各所述目标供电量计量值和各所述目标日冻结用电量,通过公式,来计算得到各电表统计线损/>;根据各所述目标供电量计量值和各所述目标日冻结用电量,通过公式,来计算得到各电表失准模型计算线损。
在本实施例中,根据目标供电量计量值和目标日冻结用电量,来电表统计线损。进一步的,根据历史智能电能总表的相对误差、目标供电量计量值、目标日冻结用电量、计量点的相对误差、初始相对误差和第/>天的线路损耗,来计算出电表失准模型计算线损。
示例性的,上述各历史联合智能电能表均可以计算出对应的电表统计线损和电表失准模型计算线损。
可选的,所述根据各所述电表失准模型计算线损和各所述电表统计线损,来分别计算出各电表残差数据,包括:通过公式,来分别计算出各电表残差数据/>。
示例性的,假设电表统计线损为1.2度,电表失准模型计算线损为0.9度,可以进一步地计算出电表残差数据的值为0.3度。
可选的,所述alpha系数队列包括:输出系数矩阵、特征系数矩阵和alpha系数矩阵;所述根据各所述alpha系数队列,来得到各alpha系数阵列,并对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列,包括:根据所述特征系数矩阵,来确定出alpha非零系数和,并确定出与各所述alpha非零系数对应的alpha非零系数索引;根据各所述alpha非零系数索引、以及所述输出系数矩阵,来确定出各alpha系数阵列;根据公式,对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列/>;其中,/>表示alpha系数阵列,n表示alpha系数阵列的数量,k为/>之间的正整数。
在本实施例中,首先需要对特征系数矩阵按列进行不为零的系数个数求和,得到alpha非零系数和,并取出alpha非零系数和对应的索引值,也即alpha非零系数索引。
进一步的,根据alpha非零系数索引,在输出系数矩阵进行索引查找,查找对应的数值作为alpha系数阵列。
具体的,对特征系数矩阵(将特征系数矩阵命名为,将输出系数矩阵命名为/>)中的alpha进行非零标记处理,可以具体为:,来计算alpha不为0的个数,也即,来计算得到alpha非零系数和(也即/>)。
进一步的,确定出与各所述alpha非零系数对应的alpha非零系数索引,具体的,取出alpha非零系数和中值为超差电能表个数N(预先设置超差电能表)的索引,也即,。
相应的,将上述索引对应的alpha值作为alpha系数阵列,也即为。
接着,根据公式,对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列/>。将/>作为lasso模型alpha系数,对电表残差数据和历史智能电能分表数据进行lasso建模,得到lasso模型系数lasso模型系数阵列和历史超差电能表索引,并根据lasso模型系数阵列和历史超差电能表索引来训练得到超差电能表识别模型。
具体的,取出中非零系数所对应的分表索引/>即为超差电能表索引/>。
进一步的,还可以根据电表残差数据和历史智能电能分表数据进行最小二乘回归算法拟合模型的数据拟合处理,得到拟合系数即可为超差分表对应的历史超差值。当该最小二乘回归算法拟合模型满足准确率要求时,将其加入至超差电能表识别模型中,能够实现实时计算电表超差值的大小。
本发明实施例的技术方案,获取周期性地获取目标电能箱对应的联合智能电能表;将智能电能总表和各待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各待检测的智能电能分表分别对应的电能表识别结果;判断电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。解决了对多个异常超差电能表检测的计算量大而造成的检测困难的问题,通过构建超差电能表识别模型,可以更加快速有效地进行超差电能表识别,提高了超差电能表识别的速率,降低了超差电能表识别的计算量。
实施例二
图2为本发明实施例二提供的一种超差电能表确定装置的结构示意图。本实施例所提供的一种超差电能表确定装置可以通过软件和/或硬件来实现,可配置于终端设备或者服务器中,来实现本发明实施例中的一种超差电能表确定方法。如图2所示,该装置包括:联合智能电能表获取模块210、电能表识别结果确定模块220和电能表识别结果判断模块230。
其中,联合智能电能表获取模块210,用于周期性地获取目标电能箱对应的联合智能电能表;其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表;
电能表识别结果确定模块220,用于将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果;
电能表识别结果判断模块230,用于判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。
本发明实施例的技术方案,获取周期性地获取目标电能箱对应的联合智能电能表;将智能电能总表和各待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各待检测的智能电能分表分别对应的电能表识别结果;判断电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。解决了对多个异常超差电能表检测的计算量大而造成的检测困难的问题,通过构建超差电能表识别模型,可以更加快速有效地进行超差电能表识别,提高了超差电能表识别的速率,降低了超差电能表识别的计算量。
可选的,还包括,电表超差值确定模块,可以具体用于:在所述确定待检测的智能电能分表为超差电能表之后,获取所述待检测的智能电能分表对应的至少一个超差电能项数据;根据各所述超差电能项数据,通过预先设置的最小二乘回归算法拟合模型,来确定出电表超差值。
可选的,还包括,超差电能表识别模型训练模块,可以具体用于:在所述周期性地获取目标电能箱对应的联合智能电能表之前,获取历史联合智能电能表;将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值;获取各目标日冻结用电量,并根据各所述目标供电量计量值来分别计算出各电表统计线损和各电表失准模型计算线损;根据各所述电表失准模型计算线损和各所述电表统计线损,来分别计算出各电表残差数据;根据各所述目标日冻结用电量和各所述电表残差数据,通过预先构建的基于lasso算法的目标优化函数来进行优化搜索处理,得到各alpha系数队列;根据各所述alpha系数队列,来得到各alpha系数阵列,并对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列;根据所述alpha平均系数阵列来确定出lasso模型系数阵列和历史超差电能表索引,并根据lasso模型系数阵列和历史超差电能表索引来训练得到超差电能表识别模型。
可选的,所述超差电能表识别模型训练模块,还可以具体用于:将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值;其中,所述电表失准模型的公式为:,其中,/>表示历史智能电能总表第/>天的目标供电量计量值;/>表示计量点/>在第/>天的目标日冻结用电量,计量点/>的数量和历史智能电能分表的数量相同;/>表示计量点/>的相对误差;/>表示历史智能电能总表的相对误差;/>为计量点/>的总数量;/>表示初始相对误差;/>表示第/>天的线路损耗。
可选的,所述超差电能表识别模型训练模块,还可以具体用于:根据各所述目标供电量计量值和各所述目标日冻结用电量,通过公式,来计算得到各电表统计线损/>;根据各所述目标供电量计量值和各所述目标日冻结用电量,通过公式/>,来计算得到各电表失准模型计算线损/>。
可选的,所述超差电能表识别模型训练模块,还可以具体用于:通过公式,来分别计算出各电表残差数据/>。
可选的,所述alpha系数队列包括:输出系数矩阵、特征系数矩阵和alpha系数矩阵。
可选的,所述超差电能表识别模型训练模块,还可以具体用于:根据所述特征系数矩阵,来确定出alpha非零系数和,并确定出与各所述alpha非零系数对应的alpha非零系数索引;根据各所述alpha非零系数索引、以及所述输出系数矩阵,来确定出各alpha系数阵列;根据公式,对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列/>;其中,/>表示alpha系数阵列,n表示alpha系数阵列的数量,k为/>之间的正整数。
本发明实施例所提供的超差电能表确定装置可执行本发明任意实施例所提供的超差电能表确定方法,具备执行方法相应的功能模块和有益效果。
实施例三
图3示出了可以用来实施本发明的实施例三的电子设备10的结构示意图。电子设备旨在表示各种形式的数字计算机,诸如,膝上型计算机、台式计算机、工作台、个人数字助理、服务器、刀片式服务器、大型计算机、和其它适合的计算机。电子设备还可以表示各种形式的移动装置,诸如,个人数字处理、蜂窝电话、智能电话、可穿戴设备(如头盔、眼镜、手表等)和其它类似的计算装置。本文所示的部件、它们的连接和关系、以及它们的功能仅仅作为示例,并且不意在限制本文中描述的和/或者要求的本发明的实现。
如图3所示,电子设备10包括至少一个处理器11,以及与至少一个处理器11通信连接的存储器,如只读存储器(ROM)12、随机访问存储器(RAM)13等,其中,存储器存储有可被至少一个处理器执行的计算机程序,处理器11可以根据存储在只读存储器(ROM)12中的计算机程序或者从存储单元18加载到随机访问存储器(RAM)13中的计算机程序,来执行各种适当的动作和处理。在RAM 13中,还可存储电子设备10操作所需的各种程序和数据。处理器11、ROM 12以及RAM 13通过总线14彼此相连。输入/输出(I/O)接口15也连接至总线14。
电子设备10中的多个部件连接至I/O接口15,包括:输入单元16,例如键盘、鼠标等;输出单元17,例如各种类型的显示器、扬声器等;存储单元18,例如磁盘、光盘等;以及通信单元19,例如网卡、调制解调器、无线通信收发机等。通信单元19允许电子设备10通过诸如因特网的计算机网络和/或各种电信网络与其他设备交换信息/数据。
处理器11可以是各种具有处理和计算能力的通用和/或专用处理组件。处理器11的一些示例包括但不限于中央处理单元(CPU)、图形处理单元(GPU)、各种专用的人工智能(AI)计算芯片、各种运行机器学习模型算法的处理器、数字信号处理器(DSP)、以及任何适当的处理器、控制器、微控制器等。处理器11执行上文所描述的各个方法和处理,例如超差电能表确定方法。
在一些实施例中,超差电能表确定方法可被实现为计算机程序,其被有形地包含于计算机可读存储介质,例如存储单元18。在一些实施例中,计算机程序的部分或者全部可以经由ROM 12和/或通信单元19而被载入和/或安装到电子设备10上。当计算机程序加载到RAM 13并由处理器11执行时,可以执行上文描述的超差电能表确定方法的一个或多个步骤。备选地,在其他实施例中,处理器11可以通过其他任何适当的方式(例如,借助于固件)而被配置为执行超差电能表确定方法。
该方法包括:周期性地获取目标电能箱对应的联合智能电能表;其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表;将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果;判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。
本文中以上描述的***和技术的各种实施方式可以在数字电子电路***、集成电路***、场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、芯片上***的***(SOC)、负载可编程逻辑设备(CPLD)、计算机硬件、固件、软件、和/或它们的组合中实现。这些各种实施方式可以包括:实施在一个或者多个计算机程序中,该一个或者多个计算机程序可在包括至少一个可编程处理器的可编程***上执行和/或解释,该可编程处理器可以是专用或者通用可编程处理器,可以从存储***、至少一个输入装置、和至少一个输出装置接收数据和指令,并且将数据和指令传输至该存储***、该至少一个输入装置、和该至少一个输出装置。
用于实施本发明的方法的计算机程序可以采用一个或多个编程语言的任何组合来编写。这些计算机程序可以提供给通用计算机、专用计算机或其他可编程数据处理装置的处理器,使得计算机程序当由处理器执行时使流程图和/或框图中所规定的功能/操作被实施。计算机程序可以完全在机器上执行、部分地在机器上执行,作为独立软件包部分地在机器上执行且部分地在远程机器上执行或完全在远程机器或服务器上执行。
在本发明的上下文中,计算机可读存储介质可以是有形的介质,其可以包含或存储以供指令执行***、装置或设备使用或与指令执行***、装置或设备结合地使用的计算机程序。计算机可读存储介质可以包括但不限于电子的、磁性的、光学的、电磁的、红外的、或半导体***、装置或设备,或者上述内容的任何合适组合。备选地,计算机可读存储介质可以是机器可读信号介质。机器可读存储介质的更具体示例会包括基于一个或多个线的电气连接、便携式计算机盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦除可编程只读存储器(EPROM或快闪存储器)、光纤、便捷式紧凑盘只读存储器(CD-ROM)、光学储存设备、磁储存设备、或上述内容的任何合适组合。
为了提供与用户的交互,可以在电子设备上实施此处描述的***和技术,该电子设备具有:用于向用户显示信息的显示装置(例如,CRT(阴极射线管)或者LCD(液晶显示器)监视器);以及键盘和指向装置(例如,鼠标或者轨迹球),用户可以通过该键盘和该指向装置来将输入提供给电子设备。其它种类的装置还可以用于提供与用户的交互;例如,提供给用户的反馈可以是任何形式的传感反馈(例如,视觉反馈、听觉反馈、或者触觉反馈);并且可以用任何形式(包括声输入、语音输入或者、触觉输入)来接收来自用户的输入。
可以将此处描述的***和技术实施在包括后台部件的计算***(例如,作为数据服务器)、或者包括中间件部件的计算***(例如,应用服务器)、或者包括前端部件的计算***(例如,具有图形用户界面或者网络浏览器的用户计算机,用户可以通过该图形用户界面或者该网络浏览器来与此处描述的***和技术的实施方式交互)、或者包括这种后台部件、中间件部件、或者前端部件的任何组合的计算***中。可以通过任何形式或者介质的数字数据通信(例如,通信网络)来将***的部件相互连接。通信网络的示例包括:局域网(LAN)、广域网(WAN)、区块链网络和互联网。
计算***可以包括客户端和服务器。客户端和服务器一般远离彼此并且通常通过通信网络进行交互。通过在相应的计算机上运行并且彼此具有客户端-服务器关系的计算机程序来产生客户端和服务器的关系。服务器可以是云服务器,又称为云计算服务器或云主机,是云计算服务体系中的一项主机产品,以解决了传统物理主机与VPS服务中,存在的管理难度大,业务扩展性弱的缺陷。
应该理解,可以使用上面所示的各种形式的流程,重新排序、增加或删除步骤。例如,本发明中记载的各步骤可以并行地执行也可以顺序地执行也可以不同的次序执行,只要能够实现本发明的技术方案所期望的结果,本文在此不进行限制。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
实施例四
本发明实施例四还提供一种包含计算机可读存储介质,所述计算机可读指令在由计算机处理器执行时用于执行一种超差电能表确定方法,该方法包括:周期性地获取目标电能箱对应的联合智能电能表;其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表;将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果;判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表。
当然,本发明实施例所提供的一种包含计算机可读存储介质,其计算机可执行指令不限于如上所述的方法操作,还可以执行本发明任意实施例所提供的超差电能表确定方法中的相关操作。
通过以上关于实施方式的描述,所属领域的技术人员可以清楚地了解到,本发明可借助软件及必需的通用硬件来实现,当然也可以通过硬件实现,但很多情况下前者是更佳的实施方式。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如计算机的软盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(RandomAccess Memory,RAM)、闪存(FLASH)、硬盘或光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
值得注意的是,上述超差电能表确定装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
上述具体实施方式,并不构成对本发明保护范围的限制。本领域技术人员应该明白的是,根据设计要求和其他因素,可以进行各种修改、组合、子组合和替代。任何在本发明的精神和原则之内所作的修改、等同替换和改进等,均应包含在本发明保护范围之内。
Claims (9)
1.一种超差电能表确定方法,其特征在于,包括:
周期性地获取目标电能箱对应的联合智能电能表;其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表;
将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果;
判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表;
其中,在所述周期性地获取目标电能箱对应的联合智能电能表之前,还包括:
获取历史联合智能电能表;
将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值;
获取各目标日冻结用电量,并根据各所述目标供电量计量值来分别计算出各电表统计线损和各电表失准模型计算线损;
根据各所述电表失准模型计算线损和各所述电表统计线损,来分别计算出各电表残差数据;
根据各所述目标日冻结用电量和各所述电表残差数据,通过预先构建的基于lasso算法的目标优化函数来进行优化搜索处理,得到各alpha系数队列;
根据各所述alpha系数队列,来得到各alpha系数阵列,并对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列;
根据所述alpha平均系数阵列来确定出lasso模型系数阵列和历史超差电能表索引,并根据lasso模型系数阵列和历史超差电能表索引来训练得到超差电能表识别模型。
2.根据权利要求1所述的方法,其特征在于,在所述确定待检测的智能电能分表为超差电能表之后,还包括:
获取所述待检测的智能电能分表对应的至少一个超差电能项数据;
根据各所述超差电能项数据,通过预先设置的最小二乘回归算法拟合模型,来确定出电表超差值。
3.根据权利要求1所述的方法,其特征在于,将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值,包括:
将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值;
其中,所述电表失准模型的公式为:,其中,/>表示历史智能电能总表第/>天的目标供电量计量值;/>表示计量点/>在第/>天的目标日冻结用电量,计量点/>的数量和历史智能电能分表的数量相同;/>表示计量点/>的相对误差;/>表示历史智能电能总表的相对误差;/>为计量点/>的总数量;/>表示初始相对误差;/>表示第/>天的线路损耗。
4.根据权利要求3所述的方法,其特征在于,获取各目标日冻结用电量,并根据各所述目标供电量计量值来分别计算出各电表统计线损和各电表失准模型计算线损,包括:
根据各所述目标供电量计量值和各所述目标日冻结用电量,通过公式,来计算得到各电表统计线损/>;
根据各所述目标供电量计量值和各所述目标日冻结用电量,通过公式,来计算得到各电表失准模型计算线损/>。
5.根据权利要求4所述的方法,其特征在于,所述根据各所述电表失准模型计算线损和各所述电表统计线损,来分别计算出各电表残差数据,包括:
通过公式,来分别计算出各电表残差数据/>。
6.根据权利要求5所述的方法,其特征在于,所述alpha系数队列包括:输出系数矩阵、特征系数矩阵和alpha系数矩阵;
所述根据各所述alpha系数队列,来得到各alpha系数阵列,并对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列,包括:
根据所述特征系数矩阵,来确定出alpha非零系数和,并确定出与各所述alpha非零系数对应的alpha非零系数索引;
根据各所述alpha非零系数索引、以及所述输出系数矩阵,来确定出各alpha系数阵列;
根据公式,对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列/>;
其中,表示alpha系数阵列,n表示alpha系数阵列的数量,k为/>之间的正整数。
7.一种超差电能表确定装置,其特征在于,包括:
联合智能电能表获取模块,用于周期性地获取目标电能箱对应的联合智能电能表;其中,所述联合智能电能表包括一个智能电能总表和至少一个待检测的智能电能分表;
电能表识别结果确定模块,用于将所述智能电能总表和各所述待检测的智能电能分表输入至预先训练的超差电能表识别模型中,得到各所述待检测的智能电能分表分别对应的电能表识别结果;
电能表识别结果判断模块,用于判断所述电能表识别结果是否为超差电能表,若是,则确定待检测的智能电能分表为超差电能表;
其中,还包括,超差电能表识别模型训练模块,用于:
在所述周期性地获取目标电能箱对应的联合智能电能表之前,获取历史联合智能电能表;
将所述历史联合智能电能表输入至预先构建的电表失准模型中,计算出各目标供电量计量值;
获取各目标日冻结用电量,并根据各所述目标供电量计量值来分别计算出各电表统计线损和各电表失准模型计算线损;
根据各所述电表失准模型计算线损和各所述电表统计线损,来分别计算出各电表残差数据;
根据各所述目标日冻结用电量和各所述电表残差数据,通过预先构建的基于lasso算法的目标优化函数来进行优化搜索处理,得到各alpha系数队列;
根据各所述alpha系数队列,来得到各alpha系数阵列,并对各所述alpha系数阵列进行均值计算,得到alpha平均系数阵列;
根据所述alpha平均系数阵列来确定出lasso模型系数阵列和历史超差电能表索引,并根据lasso模型系数阵列和历史超差电能表索引来训练得到超差电能表识别模型。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在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时实现如权利要求1-6中任一项所述的一种超差电能表确定方法。
9.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使处理器执行时实现如权利要求1-6中任一项所述的一种超差电能表确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403267.0A CN117131353B (zh) | 2023-10-27 | 2023-10-27 | 一种超差电能表确定方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311403267.0A CN117131353B (zh) | 2023-10-27 | 2023-10-27 | 一种超差电能表确定方法、装置、电子设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117131353A CN117131353A (zh) | 2023-11-28 |
CN117131353B true CN117131353B (zh) | 2024-01-30 |
Family
ID=88856827
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311403267.0A Active CN117131353B (zh) | 2023-10-27 | 2023-10-27 | 一种超差电能表确定方法、装置、电子设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117131353B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658487A (zh) * | 2019-10-18 | 2020-01-07 | 国网福建省电力有限公司 | 一种可以实现智能电表误差在线估计的表箱及*** |
CN112698261A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN114692947A (zh) * | 2022-02-28 | 2022-07-01 | 江苏大学 | 一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法 |
CN115079082A (zh) * | 2022-07-27 | 2022-09-20 | 云南电网有限责任公司 | 一种台区电表监测方法、***及终端 |
CN115618654A (zh) * | 2022-12-14 | 2023-01-17 | 北京志翔科技股份有限公司 | 超差电能表的识别方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230136329A (ko) * | 2022-03-18 | 2023-09-26 | 주식회사 인코어드 테크놀로지스 | 전력사용량 분해 시스템 |
-
2023
- 2023-10-27 CN CN202311403267.0A patent/CN117131353B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110658487A (zh) * | 2019-10-18 | 2020-01-07 | 国网福建省电力有限公司 | 一种可以实现智能电表误差在线估计的表箱及*** |
CN112698261A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN114692947A (zh) * | 2022-02-28 | 2022-07-01 | 江苏大学 | 一种基于VMD-Lasso-CNN-LSTM的用户用电能耗预测方法 |
CN115079082A (zh) * | 2022-07-27 | 2022-09-20 | 云南电网有限责任公司 | 一种台区电表监测方法、***及终端 |
CN115618654A (zh) * | 2022-12-14 | 2023-01-17 | 北京志翔科技股份有限公司 | 超差电能表的识别方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于Source-Lasso-CNN方法的高频脑电动作模式识别研究;陶怡 等;西安交通大学学报;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117131353A (zh) | 2023-11-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116523140A (zh) | 窃电检测方法、装置、电子设备和存储介质 | |
CN117473384A (zh) | 一种电网线路安全约束辨识方法、装置、设备及存储介质 | |
CN117131353B (zh) | 一种超差电能表确定方法、装置、电子设备及存储介质 | |
CN116957539A (zh) | 电缆状态评价方法、装置、电子设备及存储介质 | |
CN114779109A (zh) | 电池健康状态的确定方法、装置、电子设备及存储介质 | |
CN115017732A (zh) | 一种防雷分析仿真步长计算方法、装置、设备和介质 | |
CN117131315B (zh) | 基于求解多元二次函数极值的超差电能表确定方法及介质 | |
CN114511225A (zh) | 一种断面识别方法、装置、设备以及存储介质 | |
CN117856231A (zh) | 一种配变台区线损率阈值的制定方法 | |
CN115373449B (zh) | 一种数据处理方法、装置、设备及存储介质 | |
CN115864384A (zh) | 基于日发电量数据的扩容检测方法、装置、设备及介质 | |
CN116087797A (zh) | 一种蓄电池组状态确定方法、装置、设备及存储介质 | |
CN116069815A (zh) | 一种异常用电用户的确定方法、装置、设备及存储介质 | |
CN115564329A (zh) | 一种典型产能场景确定方法、装置、设备及存储介质 | |
CN117786568A (zh) | 一种基本电费异常检测方法、装置、设备以及存储介质 | |
CN116305800A (zh) | 配电网仿真输入数据的处理方法、装置、设备及介质 | |
CN115409381A (zh) | 线损原因的确定方法、装置、电子设备及存储介质 | |
CN115204511A (zh) | 一种供电线路确定方法、装置、电子设备及存储介质 | |
CN116777674A (zh) | 配电网数据处理方法、装置、电子设备及存储介质 | |
CN115456455A (zh) | 一种储能配置方法、装置、设备及存储介质 | |
CN116467825A (zh) | 一种配电网仿真数据的融合方法、装置、设备及存储介质 | |
CN116990744A (zh) | 一种电能表检测方法、装置、设备及介质 | |
CN115392733A (zh) | 配网规划项目工程量投资估算方法、装置、设备及存储介质 | |
CN116482565A (zh) | 一种电源异常检测方法、装置、设备和存储介质 | |
CN115392859A (zh) | 功率因数核查方法、装置、电子设备及存储介质 |
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 |