电能计量器具的误差预测方法、装置、设备及存储介质与流程

本发明涉及电能计量器具应用领域，特别涉及一种电能计量器具的误差预测方法、装置、设备及存储介质。

背景技术：

目前，对电能计量器具的各级鉴定均是在实验室环境中进行，也就是在标准环境条件下对电能计量器具进行鉴定，对电能表在各种条件下运行准确性的考察，也是在保持其余各因素稳定使得某一单一条件发生改变的情境下进行的。但是由于现场工况条件复杂，往往是多因素多元作用，而针对多维条件下电能计量器具的准确度研究还不够完善。目前，主要通过归一模型对电能计量器具的误差进行预测，但是由于归一模型本身的特点，在多维条件下，误差预测精度比较低，并且无法对海量数据进行处理。

由此可见，如何克服在多维因素条件下，电能器具的误差预测准确性低的问题是本领域技术人员亟待解决的问题。

技术实现要素：

本申请实施例提供了一种电能计量器具的误差预测方法、装置、设备及存储介质，以解决现有技术中在多维因素条件下，电能器具的误差预测准确性低的问题。

为解决上述技术问题，本发明提供了一种电能计量器具的误差预测方法，包括：

获取预先测得的与电能计量器具对应的样本数据；

依据所述样本数据构建机器学习模型，并对所述机器学习模型进行训练；

根据训练后的所述机器学习模型对所述电能计量器具的误差进行预测；

其中，所述样本数据包括对所述机器学习模型进行训练时的输入样本数据和以与所述输入样本数据对应的误差作为输出的输出样本数据。

优选地，所述输入样本数据包括电流，电压，功率因数，频率以及所述电能计量器具所处的环境温湿度。

优选地，所述机器学习模型具体为自动编码器模型。

优选地，所述依据所述样本数据构建机器学习模型，并对所述机器学习模型进行训练具体包括：

将所述样本数据分成两部分，一部分作为训练数据集，一部分作为测试数据集；

利用所述训练数据集构建所述自动编码器模型，并对所述自动编码器模型进行训练；

利用所述测试数据集对训练后的所述自动编码器模型进行测试以判断所述自动编码器模型是否达到要求。

优选地，在所述获取与电能计量器具对应的样本数据之后，还包括：

对所述输入样本数据进行pearson、spearman和kendall相关性分析。

优选地，在对所述机器学习模型进行训练时，采用relu激活函数。

为解决上述技术问题，本发明还提供了一种与电能计量器具的误差预测方法对应的电能计量器具的误差预测装置，包括：

获取模块，用于获取与电能计量器具对应的样本数据；

构建模块，用于依据所述样本数据构建机器学习模型，并对所述机器学习模型进行训练；

预测模块，用于根据训练后的所述机器学习模型对所述电能计量器具的误差进行预测；

其中，所述样本数据包括对所述机器学习模型进行训练时的输入样本数据和以与所述输入样本数据对应的误差作为输出的输出样本数据。

优选地，所述输入样本数据包括电流，电压，功率因数，频率以及所述电能计量器具所处的环境温湿度。

为解决上述技术问题，本发明还提供了一种与电能计量器具的误差预测方法对应的电能计量器具的误差预测设备，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序以实现上述任意一种电能计量器具的误差预测方法的步骤。

为解决上述技术问题，本发明还提供了一种与电能计量器具的误差预测方法对应计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行以实现上述任意一种电能计量器具的误差预测方法的步骤。

相比于现有技术，本发明所提供的一种电能计量器具的误差预测方法，在获取到预先测得的与电能计量器具对应的样本数据之后，就依据该样本数据构建机器学习模型，并对构建的机器学习模型进行训练，也就是说利用预先测得的样本数据对构建好的机器学习模型进行训练，样本数据包括对机器学习模型进行训练时的输入样本数据和以与输入样本数据对应的误差作为输出的输出样本数据；最后利用训练后的机器学习模型对电能计量器具的误差进行预测。因为机器学习模型相比于现有技术中的归一模型，收敛速度较快，进而提高了电能计量器具的误差检测精度，并且由于机器学习模型自身的特性，所以可以对海量数据进行处理。另外，本发明还提供了一种电能计量器具的误差预测装置、设备及可读存储介质，效果如上。

附图说明

图1为本发明实施例所提供的一种电能计量器具的误差预测方法流程图；

图2为本发明实施例所提供的一种自动编码器模型结构示意图；

图3为本发明实施例所提供的一种电能计量器具的误差预测装置组成示意图；

图4为本发明实施例所提供的一种电能计量器具的误差预测设备组成示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请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的前提下所获得的所有其它实施例，都属于本发明保护的范围。

本发明的核心是提供一种电能计量器具的误差预测方法、装置、设备及存储介质，可以解决现有技术中在多维因素条件下，电能器具的误差预测准确性低的问题。

为了使本技术领域的人员更好地理解本发明的方案，下面结合附图和具体实施方式对本发明作进一步的详细说明。

图1为本发明实施例所提供的一种电能计量器具的误差预测方法流程图，如图1所示，该方法包括：

s101：获取预先测得的与电能计量器具对应的样本数据。

具体就是获取预先测得的与预测电能计量器具的误差相关的样本数据，该样本数据包括对机器学习模型进行训练时的输入样本数据和以与输入样本数据对应的误差作为输出的输出样本数据，具体就是将实验测得的误差值作为机器学习模型的输出样本数据。考虑到电能计量器具的误差预测准确性，优选地，输入样本数据包括电流、电压、功率因数、频率以及电能计量器具所处的环境温湿度，除此之外，还可以包括谐波等相关数据，在此不再赘述。

由于影响电能计量器具计量的因素多样，并且具有较大的非线性和不确定性，所以为了提高电能器具的误差预测精确度，作为优选地实施方式，在获取预先测得的与电能计量器具对应的样本数据之后，还包括：

对输入样本数据进行pearson、spearman和kendall相关性分析。

本申请实施例采用控制变量法对精度为0.05级的标准电能计量器具进行了影响量试验。实验中用到3种分别来自不同厂家生产的标准电能计量器具，试验采用的溯源标准电能计量器具的精度为0.01级。试验选取的输入样本数据包括电流、电压、功率因数、频率、环境温湿度及谐波等。表1为输入样本数据(影响因素)的相关性分析，对输入样本数据分别进行了pearson、spearman和kendall相关性分析之后的结果见表1。从表1可以看出，电压、电流和温度对附加误差的影响均较大；其中温度对附加误差的影响呈现分段特性，在20℃以下，温度和误差呈非线性负相关，spearman相关系数为-0.338，通过显著性检验，在20℃以上，温度和误差呈非线性正相关，而湿度对附加误差的影响则较小。对输入样本数据进行pearson、spearman和kendall相关性分析其实就是确定哪些因素对电能计量器具的误差预测影响大，哪些因素对电能计量器具的影响小。表1中湿度的单位为百分比，谐波幅值的单位为基波百分比。

表1

s102：依据样本数据构建机器学习模型，并对机器学习模型进行训练。

具体地，在获取到样本数据之后，就依据样本数据构建机器学习模型，并对机器学习模型进行训练。在实际应用中，以电流、电压、功率因数、频率以及电能计量器具所处的环境温湿度组成的样本数据作为构建出的机器学习模型的输入，以电能计量器具的误差作为机器学习模型的输出样本数据，对机器学习模型进行训练。电能计量器具的误差是指当前待测试的电能计量器具测得的电能与标准电能计量器具测得的电能之间的差值。机器学习模型拥有强大的非线性拟合性能，其一方面在人工智能与机器学习领域获得了充分的研究，另一方面与电力系统相关问题的结合逐渐受到学界的重视。尤其是在负荷预测、光伏及风能历史数据分析等领域有着广泛的应用。

s103：根据训练后的机器学习模型对电能计量器具的误差进行预测。

当训练好机器学习模型之后，后期就可以直接根据训练好的机器学习模型对电能计量器具的误差进行预测，无需在现场测量电能计量器具的电能，然后与标准电能计量器测得的电能进行比较得出电能计量器具的误差值，也就是说，后期只需获取与电能计量器具运行环境相关的数据，利用训练好的机器学习模型就可直接得出该电能计量器具的误差。

本发明所提供的一种电能计量器具的误差预测方法，在获取到预先测得的与电能计量器具对应的样本数据之后，就依据该样本数据构建机器学习模型，并对构建的机器学习模型进行训练，也就是说利用预先测得的样本数据对构建好的机器学习模型进行训练，样本数据包括对机器学习模型进行训练时的输入样本数据和以与输入样本数据对应的误差作为输出的输出样本数据；最后利用训练后的机器学习模型对电能计量器具的误差进行预测。因为机器学习模型相比于现有技术中的归一模型，收敛速度较快，进而提高了电能计量器具的误差检测精度，并且由于机器学习模型自身的特性，所以可以对海量数据进行处理。

为了进一步提高电能计量器具的误差预测精度，在上述实施例的基础上，作为优选地实施方式，机器学习模型具体为自动编码器模型。

自动编码器模型是一种采用无监督预训练将数据降维的神经网络模型，也是机器学习模型的一种。本实施例采用自动编码器模型作为深度学习的基本模块，采用无监督预训练优化网络初始权值，并提出一种稀疏化的训练方法，并将其成功应用在多维条件下电能计量器具的误差准确度预测，采用预测结果辅助进行电能计量器具的检定工作，最后进行了电能计量器具的误差预测准确度试验并提取试验数据实行仿真训练，验证了该模型的准确性和有效性。

自动编码器模型的机制是试图在无监督过程下使其输出与输入近似。自动编码器模型是一个三层网络，其隐含层神经元个数往往少于输入特征数，因此输入层到隐含层相当于一个编码过程，而隐含层到输出层则视为解码。在编码过程中，自动编码器试图将输入向量x按一定的映射编码为xen。

图2为本发明实施例所提供的一种自动编码器模型结构示意图，如图2所示。输入层到隐含层的映射即编码过程，从隐含层到输入层的过程，自动编码器对该向量的对应低维向量y进行“解码”，得到与x同维度向量x′。通过反向传播算法训练网络，并调整f(x)与g(x)的参数以最小化重构误差，使存在一个足够小的正数ζ，且|x′-x|<ζ。其中，x为输入样本数据，y为输出样本数据。在实际应用中，自动编码器模型共含有4个隐含层，每个隐含层含有5个感知机单元，层与层之间的感知机单元采用全连接方式。自动编码器模型共含有四个自动编码器，编码器所含单元数分别为6、5、4、3，每两层采用无监督预训练编码器输入与输出，并将上一层编码器的中间层作为下一层编码器的输入，输出层为全连接层。

在本申请实施例中，将电能计量器具的运行条件矩阵x作为自动编码器模型的输入矩阵，xi∈r^n×1是矩阵x中的第i条测试数据对应的条件向量，将xi作为自动编码器模型的第i个输入向量，编码层的神经元数量为d，通过式(1)得到编码yi∈r^d×1。

yi＝sf(wxi+b)(1)

其中，sf是编码器的激活函数，如sigmoid函数或者relu函数。w∈r^d×n是权值矩阵，b∈r^d×1是偏置向量。将yi输入解码层，通过式(2)重构输入向量，获得xi′∈r^n×1：

其中，sg是解码器的激活函数。权值矩阵一般被限制为b′则是解码层的偏置向量。

训练过程中，自动编码器通过不断调整解码层和编码层的权值矩阵和偏置向量这四个参数，即调整试图最小化重构误差：

此外，为自动编码器模型加入基于kullback-leibler(kl)散度的稀疏性限制，以在训模型练过程中尽量避免过拟合，其限制如式(4)所示：:

其中，ρj表示隐含层的平均活跃度：kl(ρ||ρj)表示分别以ρ和ρj为均值的两个变量之间的相对熵。则本申请实施例构建的自动编码器模型重构误差的损失函数归纳为如下公式：

其中，α是控制稀疏限制的权重因子。

在实际应用中，考虑到机器学习模型的收敛速度，可以将隐含层的个数选为3个，在实际应用中，根据实验可知，当迭代次数为3000次，隐含层数量为3层时，模型的收敛速度非常快，几乎在一开始迭代就达到了非常好的效果，最终误差也最小，并且预测数据的整体方差也比较小。

为了使训练出的机器学习模型更加准确，在上述实施例的基础上，作为优选地实施方式，依据样本数据构建机器学习模型，并对机器学习模型进行训练具体包括：

将样本数据分成两部分，一部分作为训练数据集，一部分作为测试数据集；

利用训练数据集构建自动编码器模型，并对自动编码器模型进行训练；

利用测试数据集对训练后的自动编码器模型进行测试以判断自动编码器模型是否达到要求。

具体地，在实际应用中，在对自动编码器模型训练时将样本数据的1/3作为训练数据集，剩余的2/3作为测试数据集，利用2/3的测试数据集对训练后的自动编码器模型进行测试，判断训练后的自动编码器模型是否达到要求(是否准确)。训练学习率η＝0.001，采用随机梯度下降法进行训练。损失函数采用均方误差：

对于给定样例集合d＝{(x1,y1),(x2,y2),…,(xm,ym)},xi∈r^d,yi∈r^l，其中yi是示例xi的真实标记，m是样本数据量，学习器预测结果为f(x)。

在本申请实施例中选用电流、电压、功率因数、频率、环境温度、湿度和谐波作为自动编码器模型的输入样本数据，选用电能计量器具的实际误差作为自动编码器模型的输出样本数据进行实验，并记录了相关数据。因此自动编码器模型包括7个输入变量和一个输出量，分别对应7个条件因素和电能计量器具误差。

在上述实施例的基础上，作为优选地实施方式，在对机器学习模型进行训练时，采用relu激活函数。采用不同的激活函数，会产生不同的训练结果。在实际测试时，选取了三种激活函数，分别为sigmoid，tanh，relu激活函数，根据实验可得出当迭代次数为20000，采用relu激活函数时，机器学习模型的训练和测试误差下降最快，收敛效果好，最终误差也最小。因此在对机器学习模型进行训练时，优选地选用relu激活函数，该函数在多层感知机训练试验中的收敛速度和误差反馈效果都有良好的表现。

为了使本领域技术人员更清楚的知道，采用机器学习模型中的自编码器模型对电能计量器具的误差预测所带来的有益效果，在实际应用中，采用传统的模型和采用本申请的模型的预测结果进行比较，传统模型选用最小二乘支持向量机(ls-svm)和全连接多层感知机(fcp)，本申请的模型选用自编码器模型(ssa)。在实际实验时，选用相同的样本数据，分别采用ls-svm、fcp和ssa三种模型对电能计量器具的误差进行预测，由实验结果可知ls-svm在最初几次迭代当中效果优于fcp和ssa模型，这是由于ls-svm在针对小样本空间的学习能力上比机器学习模型要有效。但随着训练样本和迭代次数的增加，机器学习模型的学习潜力开始展现，最终fcp和ssa的模型误差都要小于ls-svm，证明在样本数量足够的情况下，机器学习模型对大数据的适应能力更强。此外，ssa模型学习的收敛速度更快，最终误差更小，说明ssa模型在针对多维条件下电能计量器具的误差预测这一特定的问题求解上拥有更好的性能。

上文中对于一种电能计量器具的误差预测方法的实施例进行了详细描述，基于上述实施例描述的电能计量器具的误差预测方法，本发明实施例还提供了一种与该方法对应的电能计量器具的误差预测装置。由于装置部分的实施例与方法部分的实施例相互对应，因此装置部分的实施例请参照方法部分的实施例描述，这里不再赘述。

图3为本发明实施例所提供的一种电能计量器具的误差预测装置组成示意图，如图3所示，该装置包括获取模块301，构建模块302以及预测模块303。

获取模块301，用于获取预先测得的与电能计量器具对应的样本数据；

构建模块302，用于依据样本数据构建机器学习模型，并对机器学习模型进行训练；

预测模块303，用于根据训练后的机器学习模型对电能计量器具的误差进行预测；

其中，样本数据包括对机器学习模型进行训练时的输入样本数据和输出样本数据。

本发明所提供的一种电能计量器具的误差预测装置，在获取到预先测得的与电能计量器具对应的样本数据之后，就依据该样本数据构建机器学习模型，并对构建的机器学习模型进行训练，也就是说利用预先测得的样本数据对构建好的机器学习模型进行训练，样本数据包括对机器学习模型进行训练时的输入样本数据和以与输入样本数据对应的误差作为输出的输出样本数据；最后利用训练后的机器学习模型对电能计量器具的误差进行预测。因为机器学习模型相比于现有技术中的归一模型，收敛速度较快，进而提高了电能计量器具的误差检测精度，并且由于机器学习模型自身的特性，所以可以对海量数据进行处理。

在上述实施例的基础上，作为优选地实施方式，输入样本数据包括电流，电压，功率因数，频率以及电能计量器具所处的环境温湿度。

上文中对于一种电能计量器具的误差预测方法的实施例进行了详细描述，基于上述实施例描述的电能计量器具的误差预测方法，本发明实施例还提供了一种与该方法对应的电能计量器具的误差预测设备。由于设备部分的实施例与方法部分的实施例相互对应，因此设备部分的实施例请参照方法部分的实施例描述，这里不再赘述。

图4为本发明实施例所提供的一种电能计量器具的误差预测设备组成示意图，如图4所示，该设备包括存储器401和处理器402。

存储器401，用于存储计算机程序；

处理器402，用于执行计算机程序以实现上述任意一个实施例所提供的电能计量器具的误差预测方法的步骤。

本发明所提供的一种电能计量器具的误差预测设备，因为机器学习模型相比于现有技术中的归一模型，收敛速度较快，进而提高了电能计量器具的误差检测精度，并且由于机器学习模型自身的特性，所以可以对海量数据进行处理。

上文中对于一种电能计量器具的误差预测方法的实施例进行了详细描述，基于上述实施例描述的电能计量器具的误差预测方法，本发明实施例还提供了一种与该方法对应的计算机可读存储介质。由于计算机可读存储介质部分的实施例与方法部分的实施例相互对应，因此计算机可读存储介质部分的实施例请参照方法部分的实施例描述，这里不再赘述。

一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，计算机程序被处理器执行以实现上述任意一个实施例提供的电能计量器具的误差预测方法的步骤。

本发明所提供的一种计算机可读存储介质，处理器可以读取可读存储介质中存储的程序，即可以实现上述任意一个实施例提供的电能计量器具的误差预测方法，因为机器学习模型相比于现有技术中的归一模型，收敛速度较快，进而提高了电能计量器具的误差检测精度，并且由于机器学习模型自身的特性，所以可以对海量数据进行处理。

上对本发明所提供的一种电能计量器具的误差预测方法、装置、设备及存储介质进行了详细介绍。本文中运用几个实例对本发明的原理及实施方式进行了阐述，以上实施例的说明，只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制，本领域技术人员，在没有创造性劳动的前提下，对本发明所做出的修改、等同替换、改进等，均应包含在本申请中。

还需要说明的是，在本说明书中，诸如第一和第二等之类的关系术语仅仅用来将一个操作与另一个操作区分开来，而不一定要求或者暗示这些实体或者操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”等类似词，使得包括一系列要素的单元、设备或系统不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种单元、设备或系统所固有的要素。