一种数字化电能计量系统运行误差长期预测方法及设备与流程

1.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：

2.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。


技术实现要素：

3.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。
4.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中的误差影响因素集及历史误差数据集；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进行特征提取，得到新特征集；s3、利用所述新特征集和数字化电能计量系统的历史误差数据集进行模型训练，得到短期、中期、长期不同时间尺度的误差预测模型，即短期预测模型、中期预测模型、长期预测模型；s4、先利用所述短期预测模型修正所述中期预测模型，再利用修正后的中期预测模型对所述长期预测模型进行修正，得到修正后的长期预测模型；s5、利用所述修正后的长期预测模型对数字化电能计量系统进行长期误差预测。
5.进一步，所述短期预测模型修正所述中期预测模型为：
先将从到时刻的误差影响因素特征集带入短期预测模型，得到时间段的预测误差数据集，再和时间段的历史误差数据集进行比对，利用比对出的误差偏差来修正中期预测模型，得到修正后的中期预测模型，所述短期、中期、长期的误差影响因素特征集、、作为输入，短期历史误差数据集、中期历史误差数据集、长期历史误差数据集作为输出，训练出短期预测模型、中期预测模型、长期预测模型，具体如下：
ꢀꢀꢀꢀꢀ
（1）其中，为第一时刻；为第二时刻；为第三时刻；为第四时刻。
6.进一步，所述中期预测模型修正长期预测模型：先将从到时刻的误差影响因素特征集带入修正后的中期预测模型，得到时间段的预测误差数据集，再和时间段的历史误差数据集 进行比对，利用比对出的误差偏差来修正长期预测模型，得到修正后的长期预测模型。
7.进一步，所述s1中的误差影响因素集为：
ꢀꢀꢀ
（4）其中，环境温度、环境湿度、运行电压、频率、负荷电流、功率因素、谐波、开关切换负荷瞬变、负荷性质；所述s2中的新特征集为：
（5）其中，为采用稀疏自动编码特征提取后的环境温度；为采用稀疏自动编码特征提取后的环境湿度；为采用稀疏自动编码特征提取后的运行电压；为采用稀疏自动编码特征提取后的频率；为采用稀疏自动编码特征提取后的负荷电流；为采用稀疏自动编码特征提取后的功率因素；为采用稀疏自动编码特征提取后的谐波；为采用稀疏自动编码特征提取后的开关切换负荷瞬变；为采用稀疏自动编码特征提取后的负荷性质。
8.进一步，所述s1中的历史误差数据集通过停电检定获得。
9.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。
10.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。
11.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
12.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
13.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。
14.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中的误差影响因素集及历史误差数据集；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进行特征提取，得到新特征集；s3、利用所述新特征集和数字化电能计量系统的历史误差数据集进行模型训练，得到短期、中期、长期不同时间尺度的误差预测模型，即短期预测模型、中期预测模型、长期预测模型；具体为：所述短期、中期、长期的误差影响因素特征集、、作为输入，短期历史误差数据集、中期历史误差数据集、长期历史误差数据集作为输出，训练出短期预测模型、中期预测模型、长期预测模型，具体如下：
ꢀꢀꢀꢀꢀ
（1）其中，为第一时刻；为第二时刻；为第三时刻；为第四时刻；s4、先利用所述短期预测模型修正所述中期预测模型，再利用修正后的中期预测模型对所述长期预测模型进行修正，得到修正后的长期预测模型；s5、利用所述修正后的长期预测模型对数字化电能计量系统进行长期误差预测。
15.所述短期预测模型修正所述中期预测模型为：先将从到时刻的误差影响因素特征集带入短期预测模型，得到时间段的预测误差数据集，再和时间段的历史误差数据集进行比对，利用比对出的误差偏差来修正中期预测模型，得到修正后的中期预测模型，
（2）；所述中期预测模型修正长期预测模型：先将从到时刻的误差影响因素特征集带入修正后的中期预测模型，得到时间段的预测误差数据集，再和时间段的历史误差数据集 进行比对，利用比对出的误差偏差来修正长期预测模型，得到修正后的长期预测模型，
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）；所述s1中的误差影响因素集为：
ꢀꢀꢀ
（4）其中，环境温度、环境湿度、运行电压、频率、负荷电流、功率因素、谐波、开关切换负荷瞬变、负荷性质。
16.所述s1中的历史误差数据集通过停电检定获得。
17.所述s2中的新特征集为：（5）其中，为采用稀疏自动编码特征提取后的环境温度；为采用稀疏自动编码特征提取后的环境湿度；为采用稀疏自动编码特征提取后的运行电压；为采用稀疏自动编码特征提取后的频率；为采用稀疏自动编码特征提取后的负荷电流；为采用稀疏自动编码特征提取后的功率因素；为采用稀疏自动编码特征提取后的谐波；为采用稀疏自动编码特征提取后的开关切换负荷瞬变；为采用稀疏自动编码特征提取后的负荷性质。
18.所述s1中的历史误差数据集通过停电检定获得。
19.一种电子设备，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。
20.一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。
[0021] 在本发明中，对预测时间进行了不同时间尺度的划分，如图2所示, 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。
[0022]
先利用所述短期预测模型修正所述中期预测模型，再利用修正后的中期预测模型对所述长期预测模型进行修正，得到修正后的长期预测模型；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, autoregressive integrated moving average model)。也记作arima(p,d,q)，是统计模型(statistic model)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。
[0023]
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。
[0024]
在本发明中，对中期预测模型的修正方式如下，如图3所示：利用预测得到的预测误差数据集与时间段的历史误差数据集进行比对得到误差偏差：将误差偏差和误差影响因素特征集作为 的输入，时间段的历史误差数据集作为 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
所述中期预测模型修正长期预测模型：在本发明中，对长期预测模型的修正方式如下，如图4所示：利用预测得到的预测误差数据集与历史误差数据集进行比对得到误差偏差：将误差偏差和误差影响因素特征作为 的输入，时间段的历史误差数据集作为 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。
[0025]
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。
[0026]
在本发明中，定义sae的损失函数表示为：其中，为训练样本的个数；为第个训练样本的预测值；为第个训练样本的真实值；为超参数；为范数；为编码器的连接权重矩阵；为解码器的连接权
重矩阵；为超参数；为散度；为期望的稀疏度；为实际的稀疏度。
[0027]
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。
[0028]
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。
[0029]
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。