关口电能表的现场电能计量误差预测方法、系统及介质与流程

1.本发明涉及关口电能表的计量误差预测技术，具体涉及一种关口电能表的现场电能计量误差预测方法、系统及介质。


背景技术：

2.电能计量作为电力企业运营的核心，电能的量值通过计量装置体现出来。关口电能表是指安装运行在发电企业上网、跨区联络线、省网联络线及省内下网等关口电能计量装置中的电能表，用于贸易结算和内部经济指标的考核，在整个电网的电能计量中起着重要作用，一般精确度为0.2s级、0.5s级或0.5级，均具备双向计量，计量有功、无功电能、峰、平、谷、尖峰电能、最大需量、数据传输等功能。关口电能表计量的准确性，直接影响到发电企业上网、跨区联络线、省网联络线及省内下网等位置的供、用电双方的经济利益。
3.由于电能表误差产生原因诸多，如：电能表轻载运行、二次压降过大、电能表倾斜、接线错误等，而相对误差值只能说明电能表计量准确与否，现有的现场校验系统并没有记录电能表运行的原始数据，对指导电能表运行检修缺少实际指导意义。因此，具体如何实现关口电能表的现场电能计量误差预测，已成为一项亟待解决的关键技术问题。


技术实现要素：

4.本发明要解决的技术问题：针对现有技术的上述问题，提供一种关口电能表的现场电能计量误差预测方法、系统及介质，本发明能够融合测量误差和多个极端环境应力，具有更高的评估性能，在小样本条件下具有深刻的异常值识别和错误预测性能。
5.为了解决上述技术问题，本发明采用的技术方案为：
6.一种关口电能表的现场电能计量误差预测方法，包括：
7.s101，针对多台关口电能表对应的测量误差数据集d
p
分别计算其中数据点的估计密度；
8.s102，基于估计密度计算用于表征数据点及其k个最近邻数据点密度差异的异常值因子；
9.s103，采用箱线图方法确定异常值因子的异常阈值，并根据异常阈值确定并删除测量误差数据集d
p
中异常的数据点，得到过滤后的测量误差数据集s
′
p
；
10.s104，针对过滤后的测量误差数据集s
′
p
采用核支持向量回归模型进行误差预测，得到关口电能表的误差结果。
11.可选地，步骤s101中计算其中数据点的估计密度的函数表达式为：
[0012][0013]
上式中，ρ(p)为数据点p的估计密度，|nk(p)|为数据点p的k个最近邻数据点nk(p)的大小，qj为数据点p的k个最近邻数据点nk(p)中的第j个数据点，μ为多元高斯核的维度，w为多元高斯核的宽度，d(qj,p)为数据点qj和数据点p之间的平方欧几里得距离。
[0014]
可选地，步骤s102中异常值因子的计算函数表达式为：
[0015][0016]
上式中，kdof(p)为数据点p及其k个最近邻的密度差异的异常值因子，数据点p及其k个最近邻均为测量误差数据集d
p
中的数据点，qj为数据点p的k个最近邻数据点nk(p)中的第j个数据点，df(qj)为数据点qj的密度波动，df(p)为数据点p的密度波动，|nk(p)|为数据点p的k个最近邻数据点nk(p)的大小，且任意数据点p的密度波动的计算函数表达式为：
[0017][0018]
上式中，ρ(p)为数据点p的估计密度，ρ(qj)为数据点qj的估计密度。
[0019]
可选地，步骤s103中采用箱线图方法确定异常值因子的异常阈值的函数表达式为：
[0020][0021]
上式中，th为异常值因子的异常阈值，α为影响因子，iqr为四分位距，q1为异常值分数的下四分位数；且异常的数据点的异常值因子大于异常阈值th。
[0022]
可选地，步骤s101中测量误差数据集d
p
的函数表达式为：
[0023]dp
＝{(t,n
a,b,c
,ε
a,b,c
)},
[0024]
上式中，t为关口电能表的测量误差的统计时间，n
a,b,c
为第b个关口电能表第c个月的第a个测量得到的在温度和湿度共同作用下的应力，ε
a,b,c
为第b个关口电能表第c个月的第a个测量得到的误差；步骤s103得到过滤后的测量误差数据集s
′
p
的函数表达式为：
[0025]s′
p
＝{(t,n
a,b,c
,ε
′
a,b,c
)},
[0026]
上式中，ε
′
a,b,c
为过滤后的第b个关口电能表第c个月的第a个测量得到的误差，其中a＝1,2,3
…
,n，c＝1,2,3,
…
,12，n为测量次数。
[0027]
可选地，步骤s104中针对过滤后的测量误差数据集s
′
p
采用核支持向量回归模型进行误差预测包括：
[0028]
s201，为核支持向量回归模型选择核函数；
[0029]
s202，将过滤后的测量误差数据集s
′
p
中的统计时间t、应力n
a,b,c
作为核支持向量回归模型的输入特征，并基于选择的核函数为输入特征建立基于温度t、湿度h和统计时间t的加权线性组合核；为核支持向量回归模型的优化问题引入松弛因子和约束问题以建立核支持向量回归模型来学习测量误差预测的决策平面，引入对偶拉格朗日函数将约束问题转化为对偶问题，通过求解对偶问题的最优解，得到核支持向量回归模型的参数；
[0030]
s203，为核支持向量回归模型建立决策函数，以针对过滤后的测量误差数据集s
′
p
采用核支持向量回归模型进行误差预测，且决策函数的函数表达式为：
[0031][0032]
上式中，f(v)为数据点v的误差预测值，为第i次测量的最优解，αi为第i次测量的解，kc(vi,v)为加权线性组合核对数据点对(vi,v)的计算结果，其中数据点vi为任意第i
个数据点，u为偏差常数。
[0033]
可选地，步骤s201中为核支持向量回归模型选择的核函数为径向基函数。
[0034]
可选地，步骤s202中建立的基于温度t、湿度h和统计时间t的加权线性组合核的函数表达式为：
[0035]
kc(xa,xb)＝m1k
t
(ta,tb)+m2kh(ha,hb)+m3k
t
(ta,tb)
[0036]
上式中，kc(xa,xb)为加权线性组合核，m1～m3为核函数的权重因子，k
t
(ta,tb)为温度t对应的核函数，kh(ha,hb)为湿度h对应的核函数，k
t
(ta,tb)为统计时间t对应的核函数，(xa,xb)为两个数据点，(ta,tb)为两个数据点(xa,xb)的温度，(ha,hb)为两个数据点(xa,xb)的湿度，(ta,tb)为两个数据点(xa,xb)的统计时间；步骤s202中为核支持向量回归模型的优化问题引入松弛因子时，引入松弛因子的函数表达式为：
[0037]
ξ
*
＝[ξ1,ξ
1*
,...ξn,ξ
n*
]∈r
2n
[0038]
上式中，ξ
*
为松弛因子，ξ1和ξ
1*
分别为第1次测量的松弛变量，第1次进行约束的松弛变量，ξn和ξ
n*
分别为第n次测量的松弛变量，第n次进行约束的松弛变量，r
2n
表示维度为2n，n为测量次数，且得到的引入松弛因子的核支持向量回归模型的优化问题的函数表达式为：
[0039][0040]
上式中，ω为权向量，u为偏差常数，h为惩罚系数，ξi和ξ
i*
分别为第i次测量的松弛因子和第i次进行约束的松弛变量，n为测量次数；步骤s202中引入的约束问题的函数表达式为：
[0041][0042]
上式中，ω为权向量，u为偏差常数，h为惩罚系数，为核特征空间，xi和yi分别为第i个数据点的坐标；步骤s202中引入对偶拉格朗日函数将约束问题转化得到的对偶问题的函数表达式为：
[0043][0044]
上式中，α
(*)
为求解得到的最优解，为第i次测量的最优解，αi为第i次测量的解，为第j次测量的最优解，αj为第j次测量的解，kc(xi,xj)为加权线性组合核对数据点对(xi,xj)的计算结果，ε为不敏感参数，h为惩罚系数，n为测量次数。
[0045]
此外，本发明还提供一种关口电能表的现场电能计量误差预测系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行所述关口电能表的现场电能计
量误差预测方法。
[0046]
此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行所述关口电能表的现场电能计量误差预测方法。
[0047]
和现有技术相比，本发明主要具有下述优点：本发明包括针对多台关口电能表对应的测量误差数据集d
p
分别计算其中数据点的估计密度；基于估计密度计算用于表征数据点及其k个最近邻数据点密度差异的异常值因子；采用箱线图方法确定异常值因子的异常阈值，并根据异常阈值确定并删除测量误差数据集d
p
中异常的数据点，得到过滤后的测量误差数据集s
′
p
；针对过滤后的测量误差数据集s
′
p
采用核支持向量回归模型进行误差预测，得到关口电能表的误差结果。本发明能够融合测量误差和多个极端环境应力，具有更高的评估性能，在小样本条件下具有深刻的异常值识别和错误预测性能。
附图说明
[0048]
图1为本发明实施例方法的基本流程示意图。
具体实施方式
[0049]
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图二，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，都属于本发明保护的范围。
[0050]
如图1所示，本实施例关口电能表的现场电能计量误差预测方法包括：
[0051]
s101，针对多台关口电能表对应的测量误差数据集d
p
分别计算其中数据点的估计密度；
[0052]
s102，基于估计密度计算用于表征数据点及其k个最近邻数据点密度差异的异常值因子；
[0053]
s103，采用箱线图方法确定异常值因子的异常阈值，并根据异常阈值确定并删除测量误差数据集d
p
中异常的数据点，得到过滤后的测量误差数据集s
′
p
；
[0054]
s104，针对过滤后的测量误差数据集s
′
p
采用核支持向量回归模型进行误差预测，得到关口电能表的误差结果。
[0055]
本实施例中，多台关口电能表(pme)对应的测量误差数据集d
p
的获取包括：利用数据采集平台来收集和整合数据。由于电子仪器的质量属性，在极端环境应力的影响下，pme的测量误差更容易增加。极端气候条件包括温度、湿度和干热等。pme的计量功能是由计量模块执行的，计量模块使用分流器将被测信号传输到计量芯片。由于分流器为金属材料，在高温下工作时其电阻值不稳定，通常会导致测量误差增大。此外，湿度对pme也有影响。湿气通过其封装的间隙进入集成芯片(ic)，可能会导致故障。为探究特殊环境应力对测量误差的影响，从中国典型的自然环境试验场新疆(xj)高干热典型环境试验基地采集了3家pme公司的测量误差数据。与实验环境相比，多应力同时叠加在自然环境试验场的pme上，更加真实复杂。这三个被分析的公司分别用a、b和c表示。pme的高级计量基础设施(ami)系统包括通用分组无线服务(gprs)和互联网两种数据传输方式，pme检测装置包含标准表和标准源，
其中标准源用于产生实际功耗，标准表用于根据方程计算测试pme的测量误差。此外，包括温度和湿度在内的环境信息由相应的传感器测量，这些信息是使用ami系统收集的。
[0056]
本实施例方法的第一步是估计密度。由于不对密度的类型做出任何假设，因此使用非参数核估计来估计对象的密度。将原始测量误差数据集表示为d
p
＝{(t,n
a,b,c
,ε
a,b,c
,a＝1,2,3,...n,b＝1,2,3,c＝1,2,3,
…
12)}，其中t是pme测量误差的统计时间，其中n表示属性μ的欧几里得空间内的对象数，ε
a,b,c
表示b公司第c个月的第a个测量误差值。n
a,b,c
是两个极端环境应力，其中两个极端环境包括高温环境和低湿度环境，应力主要指的是统计时间、温度和湿度，是反应试验台干热特性的派生词。
[0057]
属于不同版本组件的对象也可以具有不同的密度而不是异常值。因此，在某些模型组件中，正常点的密度也可能低于来自不同模型组件的点周围的异常值。为了评估给定数据集中对象位置的密度，使用非参数核密度估计(kde)。在kde技术中，给定n个维度为μ的样本，分布密度可以计算为：
[0058][0059]
上式中，ρ(p)为分布密度，p为数据点，μ为维度，k为k最近邻的参数，pi为欧几里德空间内的第i个对象，w为核宽度，d
p
为原始测量误差数据集，其中：
[0060][0061]
为核宽度为w的核函数，满足以下条件：
[0062]
∫k(p)dp＝1，
[0063]
∫pk(p)dp＝0，
[0064]
∫p2k(p)dp》0，
[0065]
在本实施例方法中，使用具有零均值和单位标准差的维度μ的多元高斯核特征：
[0066][0067]
其中||p-pi||是点p和pi之间的欧几里得距离。为了计算数据点p区域上的密度，使用它的k最近邻作为核，而不是使用数据集d
p
中的所有数据点。原因是：(i)大部分真实数据集合通常有多个簇，这可能是数据集的内在形式。使用整个数据集的密度估计也会丢失局部密度差异，无法识别局部异常值。(ii)异常点检测会计算每个数据点的分数，使用整个数据集可能会导致更高的计算成本，即o(n2)，其中n是数据集的大小。因此，p位置处的预期密度计算如下：
[0068][0069]
上式中，nk(p)为数据点p的k个最近邻，|nk(p)|为nk(p)集合中元素的数量，为核宽度为w的核函数。本实施例中使用多元高斯核函数，步骤s101中计算其中数据点的估计密度(局部密度)的函数表达式为：
[0070][0071]
上式中，ρ(p)为数据点p的估计密度，|nk(p)|为数据点p的k个最近邻数据点nk(p)的大小(包含最近邻数据点nk(p)的数量)，qj为数据点p的k个最近邻数据点n
l
(p)中的第j个数据点，μ为多元高斯核的维度，w为多元高斯核的宽度，d(qj,p)为数据点qj和数据点p之间的平方欧几里得距离，且有：
[0072]
d(qj,p)＝||q
j-p||2。
[0073]
其中，任意数据点p的k个最近邻数据点nk(p)的生成步骤包括：查找从p到q∈d
p
的排序距离。对于所有的p∈d
p
，n(p)和nk(p)均为空集。对于所有的q∈d
p
，如果p和q不相等，那么就将q看作q的相邻点，并添加到数据集n(p)中。并按dist(p,q)升序对n(p)进行排序；qk是p的第k个相邻点，表示为dk(p)＝dist(p,qk)。对于q∈n(p)，如果dist(p,q)≤dk(p)那么就将q看作p的k邻点添加到nk(p)中。k值是影响异常点检测的重要kdof参数，设定三个公司的k范围为2到11，通过一系列实验得出a、b、c的异常值在分别k＝3、5、6时达到最大值。异常值越高，异常程度越明显。根据测量误差数据分布模式设置kdof阈值。异常值得分高于阈值th的数据点被判断为异常值，然后排除。这样，a、b、c三公司的异常阈值可以分别设置为1.44、2.56和3.48。
[0074]
本实施例中，步骤s102中异常值因子的计算函数表达式为：
[0075][0076]
上式中，kdof(p)为数据点p及其k个最近邻的密度差异的异常值因子，数据点p及其k个最近邻均为测量误差数据集d
p
中的数据点，qj为数据点p的k个最近邻数据点nk(p)中的第j个数据点，df(qj)为数据点qj的密度波动，df(p)为数据点p的密度波动，|nk(p)|为数据点p的k个最近邻数据点nk(p)的大小，且任意数据点p的密度波动的计算函数表达式为：
[0077][0078]
上式中，ρ(p)为数据点p的估计密度，ρ(qj)为数据点qj的估计密度。
[0079]
通常，可以定义一个恒定的阈值来识别异常值。然而，由于不同的数据分布模式，它可能无法区分正常数据和具有恒定阈值的异常值。因此，kdof的另一个改进是通过使用箱线图方法自适应地设置适当的异常值阈值。箱线图是一种基于四分位距(iqr)和四分位数的统计方法，可以反映测量误差数据分布的差异。请注意，箱线图也是一种异常值识别方法。但是，它不能反映测量误差与其他应力之间的相关性。因此，不是直接检测测量误差，而是使用箱线图来处理异常值数据集以自适应设置阈值。求解异常值后，iqr可以表示为：
[0080]
iqr＝q
3-q1[0081]
其中q3和q1分别是异常值分数的上四分位数和下四分位数。因此本实施例中，步骤s103中采用箱线图方法确定异常值因子的异常阈值的函数表达式为：
[0082][0083]
上式中，th为异常值因子的异常阈值，α为影响因子，iqr为四分位距，q1为异常值分
数的下四分位数；且异常的数据点的异常值因子大于异常阈值th。通过实验发现，当α＝1时，识别出的异常值可能会因为高容忍度而将一些正常的测量误差数据视为异常值。当α＝2时，一些次要的异常值可能会被判断为正常数据。为了减少小样本数据集中的数据丢失，本发明将α设置为2。
[0084]
本实施例中，s103中根据异常阈值确定并删除测量误差数据集d
p
中异常的数据点的函数表达式为：
[0085]
outlier(p(x
p
,y
p
))＝kdof(p)》th，
[0086]
上式中，outlier(p(x
p
,y
p
))表示异常的数据点。本实施例中，步骤s101中测量误差数据集d
p
的函数表达式为：
[0087]dp
＝{(t,n
a,b,c
,ε
a,b,c
)},
[0088]
上式中，t为关口电能表的测量误差的统计时间，n
a,b,c
为第b个关口电能表第c个月的第a个测量得到的在温度和湿度共同作用下的应力，ε
a,b,c
为第b个关口电能表第c个月的第a个测量得到的误差；步骤s103得到过滤后的测量误差数据集s
′
p
的函数表达式为：
[0089]s′
p
＝{(t,n
a,b,c
,ε
′
a,b,c
)},
[0090]
上式中，ε
′
a,b,c
为过滤后的第b个关口电能表第c个月的第a个测量得到的误差，其中a＝1,2,3
…
,n，c＝1,2,3,
…
,12，n为测量次数。
[0091]
本实施例中，步骤s104中针对过滤后的测量误差数据集s
′
p
采用核支持向量回归模型进行误差预测包括：
[0092]
s201，为核支持向量回归模型选择核函数；
[0093]
s202，将过滤后的测量误差数据集s
′
p
中的统计时间t、应力n
a,b,c
作为核支持向量回归模型的输入特征，并基于选择的核函数为输入特征建立基于温度t、湿度h和统计时间t的加权线性组合核；为核支持向量回归模型的优化问题引入松弛因子和约束问题以建立核支持向量回归模型来学习测量误差预测的决策平面，引入对偶拉格朗日函数将约束问题转化为对偶问题，通过求解对偶问题的最优解，得到核支持向量回归模型的参数；
[0094]
s203，为核支持向量回归模型建立决策函数，以针对过滤后的测量误差数据集s
′
p
采用核支持向量回归模型进行误差预测，且决策函数的函数表达式为：
[0095][0096]
上式中，f(v)为数据点v的误差预测值，为第i次测量的最优解，αi为第i次测量的解，kc(vi,v)为加权线性组合核对数据点对(vi,v)的计算结果，其中数据点vi为任意第i个数据点，u为偏差常数。
[0097]
本实施例中，步骤s201中为核支持向量回归模型选择的核函数为径向基函数。选取适当的核函数至关重要，径向基函数(rbf)核是最常用的核函数之一，用于在svr中转换数据。通过实验可知，rbf核优于多项式核和线性核。因此，本发明均采用rbf核函数。采用网格搜索寻找最优组合，从而确定核函数的权重因子。最后进一步确定rbf核的参数。对于两个数据点a(xa,ya),b(xb,yb)∈s
′
p
，rbf核函数k
rbf
(xa,xb)可描述为：
[0098]krbf
(xa,xb)＝exp(-γ||x
a-xb||2)，
[0099]
其中γ》0是rbf核函数的半径，γ用于控制映射结果。
[0100]
选取适当的核函数，这对ksvr的性能至关重要。以c公司的样品为例。为了选择合
适的核函数，选择了三种常用的核函数来验证模型性能，包括多项式核、线性核和rbf核。为了公平比较，惩罚系数c设置为相同。不同核函数的比较结果如表1所示。
[0101]
表1：不同内核函数组合下的性能。
[0102][0103]
从表1可以看出，rbf和多项式核优于线性核。此外，多项式内核的性能不如rbf内核。例如，当所有核函数分别设置为多项式核和rbf核时，均方根误差(rmse)分别为0.0901和0.0548。此外，温度特征m1的权重因子应该比m2和m3具有更高的值。为简单起见，本实施例其余部分的所有核函数均设置为rbf核函数。从表一可以看出，不同的权重因子具有不同的均方根误差。例如，当m1＝0.60、m2＝0.30和m3＝0.10时，rmse为0.0526。另一种情况，当m1＝0.70、m2＝0.25和m3＝0.05时，rmse为0.0419。这意味着权重因子直接影响所提出的ksvr的预测精度。考虑权重因子之和为1，为确定核函数的权重因子，采用网格搜索寻找最优组合。例如，当m1＝0.60时，可以将m2设置为0到0.40，步长为0.01，则m3＝1-m1-m2。通过网格搜索，可以找到当m1＝0.6时具有最低rmse的最优m2和m3。然后以相同的步长0.01将m1从0变为1，并且每个m1都有最优的m2和m3。最后，最佳权重因子分别设置为m1＝0.80、m2＝0.15和m3＝0.05，最低rmse为0.0416。权重因子确定后，需要进一步确定rbf核的参数。根据实验结果，rbf核k
t
的半径γ设置为常数5.1。惩罚系数c设置为1000。当γ
t
在2到7的范围内时，rmse随着参数γ
t
的增加而减小。相反，参数γh与预测负相关表现。在γ
t
＝7和γh＝2.5时获得最低的rmse。进一步微调参数，然后为核函数选择γ
t
＝7.2和γh＝2.3。
[0104]
本实施例中，步骤s202中建立的基于温度t、湿度h和统计时间t的加权线性组合核的函数表达式为：
[0105]
kc(xa,xb)＝m1k
t
(ta,tb)+m2kh(ha,hb)+m3k
t
(ta,tb)
[0106]
上式中，kc(xa,xb)为加权线性组合核，m1～m3为核函数的权重因子(且有m1+m2+m3＝1)，k
t
(ta,tb)为温度t对应的核函数，kh(ha,hb)为湿度h对应的核函数，k
t
(ta,tb)为统计时间t对应的核函数，(xa,xb)为两个数据点，(ta,tb)为两个数据点(xa,xb)的温度，(ha,hb)为两个数据点(xa,xb)的湿度，(ta,tb)为两个数据点(xa,xb)的统计时间；步骤s202中为核支持向量回归模型的优化问题引入松弛因子时，引入松弛因子的函数表达式为：
[0107]
ξ
*
＝[ξ1,ξ
1*
,...ξn,ξ
n*
]∈r
2n
[0108]
上式中，ξ
*
为松弛因子，ξ1和ξ
1*
分别为第1次测量的松弛变量，第1次进行约束的松
弛变量，ξn和ξ
n*
分别为第n次测量的松弛变量，第n次进行约束的松弛变量，r
2n
表示维度为2n，n为测量次数，且得到的引入松弛因子的核支持向量回归模型的优化问题的函数表达式为：
[0109][0110]
上式中，ω为权向量，u为偏差常数，h为惩罚系数(大于0，反映了模型误差的容忍度)，ξi和ξ
i*
分别为第i次测量的松弛因子和第i次进行约束的松弛变量，n为测量次数；步骤s202中引入的约束问题的函数表达式为：
[0111][0112]
上式中，ω为权向量，u为偏差常数，h为惩罚系数，为核特征空间，xi和yi分别为第i个数据点的坐标；步骤s202中引入对偶拉格朗日函数将约束问题转化得到的对偶问题的函数表达式为：
[0113][0114]
上式中，α
(*)
为求解得到的最优解，为第i次测量的最优解，αi为第i次测量的解，为第j次测量的最优解，αj为第j次测量的解，kc(xi,xj)为加权线性组合核对数据点对(xi,xj)的计算结果，ε为不敏感参数(大于0)，h为惩罚系数，n为测量次数。在求解对偶问题的最优解α(*)后，可以得到所提出的ksvr模型的参数。本实施例中，将数据集的80％用于训练，20％用于测试。训练的实现基于libsvm框架，对应的cpu硬件平台为intel(r)core(tm)i5-11400h。采用测试集数据对经过最佳训练的本实施例方法的误差预测模型(kdof-ksvr)进行测试。通过实验发现，本实施例方法的误差预测模型(kdof-ksvr)的执行时间为68.7ms，这意味着ksvr可以在提高预测精度的同时增加执行时间。此外，本实施例方法的误差预测模型(kdof-ksvr)的执行时间低于其他预测模型，表明本实施例方法的误差预测模型(kdof-ksvr)具有深厚的计算性能。总体而言，本实施例方法的误差预测模型(kdof-ksvr)更适合小样本条件下的测量误差预测。
[0115]
综上所述，为了减轻异常值对测量误差预测的影响，引入了基于相对核密度的异常值因子(kdof)来衡量给定数据集中每个数据点的异常值分数的程度，使用非参数核密度估计(kde)评估给定数据集中对象位置的密度，使用箱线图方法自适应地设置阈值。然后根据异常值和阈值排除异常数据。为了建立多重应力特征与测量误差之间的关系，提出了复合核函数，形成新的核支持向量回归(ksvr)用于测量误差预测。特别是，可以将不同的应力
特征映射到不同的核空间中以实现多特征融合。进一步基于kdof和ksvr的pme测量误差评估分析，同时考虑样本中不可避免的异常值和多个应力信息，定量提供了不同应力的影响程度。基于来自极端环境地区的例子表明，本实施例所提出的预测方法具有更高的评估性能。与几种现有的最先进的预测方法相比，本实施例所提出的预测方法在小样本条件下具有深刻的异常值识别和错误预测性能，可以同时考虑样本中不可避免的异常值和多个应力信息。
[0116]
此外，本发明还提供一种关口电能表的现场电能计量误差预测系统，包括相互连接的微处理器和存储器，所述微处理器被编程或配置以执行前述关口电能表的现场电能计量误差预测方法。此外，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机程序，所述计算机程序用于被微处理器编程或配置以执行前述关口电能表的现场电能计量误差预测方法。
[0117]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可读存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0118]
以上所述仅是本发明的优选实施方式，本发明的保护范围并不仅局限于上述实施例，凡属于本发明思路下的技术方案均属于本发明的保护范围。应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理前提下的若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。