电能计量装置运行误差状态评价方法、系统、设备及介质与流程

1.本发明涉及一种电能计量装置运行误差状态评价方法、系统、设备及介质，属于电力计量装置状态评价技术领域。


背景技术：

2.电能计量装置是测量电能量的重要设备，它们在电力系统的各环节的使用都相当广泛，为供电费核算、电量测量等方面能提供完善的依据。由于各种类型的因素及风险，譬如接线错误、通信较差、参数设置错误等都会影响电能计量装置的正常使用，上述或其他故障或缺陷会对电能计量装置的正常运行带来严重问题，最终影响到电能计量装置的精确性。对电能计量装置进行状态评价是研究电能计量装置一种重要的手段，准确的状态评价结果能够清晰地反映出电能计量装置运行时的状态，实现公司电能计量装置由传统周期管控到未来智慧管控的变革。
3.现有技术公开号为“cn114065605a”的发明专利公开了一种智能电能表运行状态检测评估系统和方法，该方法步骤包括：s1：获取智能电能表的多个误差状态数据，记为智能电能表历史数据；s2：分别对多个误差状态数据先后进行量化处理和归一化处理；s3：对归一化处理后的数据进行归一化评价加权，按照预设阈值进行状态评定，评定结果记为性能退化数据；s4：对性能退化数据和智能电能表历史数据进行数据预处理，获得训练数据；s5：建立检测评估模型，并以训练数据进行模型训练，获得最优检测评估模型；s6：将待检测智能电能表的误差状态数据代入最优检测评估模型，获取待检测智能电能表运行状态检测评估结果。该现有技术可以对智能电能表运行状态及性能退化失效预计的科学评价。
4.上述现有技术的评价指标也就是电能表的误差状态数据采用的是包括表型选择误差、基本误差、运行误差、运行时间误差、运行故障率误差、运行监测事件误差、运行监测异常误差、误差分散性误差、全检退货率误差、运行质量抽检误差、铅封状态误差、安装环境误差和用户信誉误差等大量人为干预数据，从而导致电能表的误差状态评价与人为干预强相关，不够客观可靠。


技术实现要素：

5.为了解决上述现有技术中存在的问题，本发明提出了一种电能计量装置运行误差状态评价方法、系统、设备及介质。
6.本发明的技术方案如下：一方面，本发明提供一种电能计量装置运行误差状态评价方法，包括以下步骤：采集若干电能计量装置的历史运行监测数据，每一历史运行监测数据包括电能计量装置运行过程中产生的多个不同种类的物理量；对采集的每一历史运行监测数据进行特征提取，包括构造特征和特征选择两个步骤；其中，所述构造特征步骤具体为：对于每一历史运行监测数据，通过各种类的物理
量计算得出对应各物理量的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征；所述特征选择步骤具体为：对于任一历史运行监测数据，对构造特征步骤中获得的特征的集合进行筛选，得到最终特征集；对每一历史运行监测数据的最终特征集添加误差状态标签，形成训练样本，构建神经网络模型，通过训练样本对所述神经网络模型进行迭代训练，得到训练好的电能计量装置运行误差状态评价模型；获取目标电能计量装置的当前运行监测数据，根据当前运行监测数据进行特征提取获得目标电能计量装置当前的最终特征集，输入至训练好的电能计量装置运行误差状态评价模型得到目标电能计量装置的误差状态评价结果。
7.作为优选实施方式，所述电能计量装置运行过程中产生的多个不同种类的物理量具体包括：电压数据、电流数据、有功功率数据、无功功率数据、功率因素数据、三相不平衡度数据以及负载率数据。
8.作为优选实施方式，在所述通过各种类的物理量计算得出对应各物理量的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征步骤中，所述各物理量的峭度排序能量特征的计算方法为：根据各种类的物理量绘制相应的物理量曲线，具体包括电流曲线、电压曲线、有功功率曲线、无功功率曲线、功率因素曲线、三相不平衡度曲线、负载率曲线；对于各物理量曲线，通过峭度反映各物理量曲线随机变量分布特性的数值统计量，所述峭度k的表达式如下：；其中，n代表物理量曲线的信号长度；代表物理量曲线中第i个信号值；μ代表物理量曲线的信号平均值；σ代表物理量曲线的信号标准差；对于各物理量曲线中的各个信号，进行emd经验模态分解，对分解后的信号计算峭度并根据计算出的峭度进行降序排序后，根据以下公式计算峭度排序能量e：；从而得到电流峭度排序能量特征、电压峭度排序能量特征、有功功率峭度排序能量特征、无功功率峭度排序能量特征、功率因素峭度排序能量特征、三相不平衡度峭度排序能量特征、负载率峭度排序能量特征。
9.作为优选实施方式，在所述通过各种类的物理量计算得出对应各物理量的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征步骤中，所述各物理量的曲线复杂度特征的计算方法为：定义模糊熵为：
；其中，m为相空间维数，r为相似容限度，n为时间序列的维度，为模糊隶属度函数；根据定义的模糊熵，分别计算曲线复杂度特征、第二电压曲线复杂度特征、第二有功功率曲线复杂度特征、第二无功功率曲线复杂度特征、第二功率因素曲线复杂度序特征、第二三相不平衡度曲线复杂度特征、第二负载率曲线复杂度特征分别为：；；；；；；其中，、、分别表示a相、b相、c相电流；、、分别为a相、b相、c相电压；、、、分别表示a相、b相、c相和总的有功功率；、、、分别表示a相、b相、c相和总的无功功率；、、、分别表示a相、b相、c相和总的当前功率因素；为三相不平衡度数据；r
负载率
表示负载率。
10.作为优选实施方式，在所述通过各种类的物理量计算得出对应各物理量的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征步骤中，所述各物理量的相间余弦相
似度特征的计算方法为：根据余弦相似度公式，分别计算a相和b相电流余弦相似度特征、b相和c相电流余弦相似度特征、a相和c相电流余弦相似度特征、a相和b相电压余弦相似度特征、b相和c相电压余弦相似度特征、a相和c相电压余弦相似度特征、a相和b相有功功率余弦相似度特征、b相和c相有功功率余弦相似度特征、a相和c相有功功率余弦相似度特征、a相和b相无功功率余弦相似度特征、b相和c相无功功率余弦相似度特征、a相和c相无功功率余弦相似度特征、a相和b相功率因素余弦相似度特征、b相和c相功率因素余弦相似度特征、a相和c相功率因素余弦相似度特征；其中，余弦相似度公式为：；其中，x，y表示x、y向量；、分别表示x、y向量的模。
11.作为优选实施方式，所述对构造特征步骤中获得的特征的集合进行筛选，得到最终特征集的方法具体为：以各物理量的峭度排序能量特征作为第一特征集，各物理量的曲线复杂度特征作为第二特征集，各物理量的相间余弦相似度特征作为第三特征集，将第一特征集、第二特征集和第三特征集合并为第四特征集；使用第一特征选择算法、第二特征选择算法、
……
第n特征选择算法分别对第四特征集进行特征选择，得到n个特征子集；将n个特征子集合并为第五特征集；使用第n+1特征选择算法对第五特征集进行特征选择，得到第六特征集，以第六特征集作为最终特征集；其中，所述第一特征选择算法、第二特征选择算法、
……
第n特征选择算法和第n+1特征选择算法具体从方差选择法、相关系数法、卡方检验法、relief算法、递归特征消除法、基于惩罚项的特征选择法以及基于树模型的特征选择法中选取。
12.作为优选实施方式，所述神经网络模型采用非线性时序预测narx神经网络模型，并采用金鹰算法对该神经网络模型进行优化，具体步骤为：初始化金鹰种群中金鹰个体的数量，每个金鹰包含不同的narx神经网络模型的的权重系数信息和阈值参数信息；计算金鹰个体的适应度值并根据适应度值初始化群体记忆；其中， 金鹰个体的适应度值计算公式为：；其中，value表示适应度值，n为金鹰个体的总数，为根据第i个金鹰包含的narx
神经网络模型的的权重系数信息和阈值参数信息得到的narx神经网络模型的预测值，为第i个金鹰所对应的样本真实值；初始化金鹰的攻击倾向和巡航倾向；根据以下公式更新攻击倾向和巡航倾向：；其中，和为的初始值和最终值，和为的初始值和最终值；t为第t次迭代，t为总的迭代次数。
13.从种群的记忆计算的攻击向量中随机选择猎物：；其中，为第i只金鹰的攻击向量，为当前金鹰所到达的最佳地点，是第i只金鹰目前的位置；计算巡航向量d：；其中，为法向量，为决策变量向量；设为超平面上的任一点，则：；把看做超平面的法线，则超平面表示为：；
其中，为攻击向量，为决策向量，为被选中的猎物位置；表示第t次迭代时的攻击向量；则：；其中，为目标点的第k个元素，k为固定变量的编号；巡航超平面上目的点表示为：金鹰迭代的步长向量定义为：；其中，和为[0,1]内的随机向量，通过将迭代中的步长向量加到迭代中的位置，计算出金鹰在迭代中的位置：其中，为金鹰的第次位置，为金鹰的第次的位置，为金鹰的异动的步长大小；根据更新的新的金鹰个体的位置计算适应度值，更新最优解及最优位置；判断是否达到最大迭代次数，达到最大迭代次数则输出当前最优位置上金鹰个体所包含的权重系数信息和阈值参数信息作为narx神经网络模型的权重系数和阈值参数；未达到最大迭代次数则继续迭代。
[0014]
另一方面，本发明还提供一种电能计量装置运行误差状态评价系统，包括：采集模块，用于采集若干电能计量装置的历史运行监测数据，每一历史运行监测数据包括电能计量装置运行过程中产生的多个不同种类的物理量；特征提取模块，用于对采集的每一历史运行监测数据进行特征提取，包括构造特征和特征选择两个步骤；其中，所述构造特征步骤具体为：对于每一历史运行监测数据，通过各种类的物理量计算得出对应各物理量的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征；所述特征选择步骤具体为：对于任一历史运行监测数据，对构造特征步骤中获得的特征的集合进行筛选，得到最终特征集；模型训练模块，用于对每一历史运行监测数据的最终特征集添加误差状态标签，
形成训练样本，构建神经网络模型，通过训练样本对所述神经网络模型进行迭代训练，得到训练好的电能计量装置运行误差状态评价模型；评价模块，用于获取目标电能计量装置的当前运行监测数据，根据当前运行监测数据进行特征提取获得目标电能计量装置当前的最终特征集，输入至训练好的电能计量装置运行误差状态评价模型得到目标电能计量装置的误差状态评价结果。
[0015]
再一方面，本发明还提供一种电子设备，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，所述处理器执行所述程序时实现如本发明任一实施例所述的电能计量装置运行误差状态评价方法。
[0016]
再一方面，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的电能计量装置运行误差状态评价方法。
[0017]
本发明具有如下有益效果：1、本发明一种电能计量装置运行误差状态评价方法、系统、设备及介质，通过采集电能计量装置运行过程中产生的多个不同种类的物理量作为原始数据，保证监测数据的客观可靠，再对监测数据进行特征构造和选择，降低特征数据的维度，再利用选择出的特征数据训练得到电能计量装置运行误差状态评价模型，使得能够根据客观的监测数据进行电能计量装置运行误差状态的评价。
[0018]
2、本发明一种电能计量装置运行误差状态评价方法、系统、设备及介质，通过各个种类的物理量计算得出峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征作为特征数据，能够很好的反映采集的监测数据的分布特性。
[0019]
3、本发明一种电能计量装置运行误差状态评价方法、系统、设备及介质，提出通过金鹰算法对narx神经网络模型进行优化，能够限制网络的整体参数规模，最终提高narx神经网络的泛化性能，最终提高误差状态评价的准确性。
附图说明
[0020]
图1为本发明实例一的方法流程图；图2为本发明实施例进行特征选择的流程示例图；图3为本发明实施例中narx神经网络模型的网络结构示例图。
具体实施方式
[0021]
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作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。
[0022]
应当理解，文中所使用的步骤编号仅是为了方便描述，不对作为对步骤执行先后顺序的限定。
[0023]
应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
[0024]
术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，
但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
[0025]
术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
[0026]
实施例一：参见图1，本实施例提供一种电能计量装置运行误差状态评价方法，包括以下步骤：s100、采集若干电能计量装置的历史运行监测数据，每一历史运行监测数据包括电能计量装置运行过程中产生的多个不同种类的物理量。具体地，电能计量装置包括电压互感器、电流互感器及相应的二次回路、电能表，而典型的故障包括失压、失流和压降超差等电能表故障。电能计量装置的运行监测数据主要包括电压、电流和分相功率等十余个物理量。
[0027]
作为本实施例的优选实施方式，本实施例采集的电能计量装置运行过程中产生的多个不同种类的物理量具体包括：电压数据、电流数据、有功功率数据、无功功率数据、功率因素数据、三相不平衡度数据以及负载率数据，即历史运行监测数据为：其中，为三相电流数据，为三相电压数据，为有功功率数据，为无功功率数据，为功率因素数据，为三相不平衡度数据，为负载率数据，进一步地：；；；；；其中，、、分别表示a相、b相、c相电流；、、分别表示a相、b相、c相电压；、、、分别表示a相、b相、c相和总的有功功率；、、、分别表示a相、b相、c相和总的无功功率；、、、分别表示a相、b相、c相和总的功率因素。
[0028]
s200、对采集的每一历史运行监测数据进行特征提取，包括进行构造特征的步骤s210和进行特征选择的步骤s220两个步骤；其中，s210具体为：对于采集到的每一历史运行监测数据，通过各种类的物理量（即上述电压数据、电流数据、有功功率数据、无功功率数据、功率因素数据、三相不平衡度数据以及负载率数据）计算得出对应各物理量的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征。具体步骤如下：s211、构造第一特征集（峭度排序能量特征）：根据历史运行监测数据绘制电流曲线、电压曲线、有功功率曲线、无功功率曲线、功率因素曲线、三相不平衡度曲线、负载率曲线；对于各物理量曲线，通过峭度反映各物理量曲线随机变量分布特性的数值统计量，峭度是反映随机变量分布特性的数值统计量 ，是归一化4阶中心矩，所述峭度k的表达式如下：；其中，n代表物理量曲线的信号长度；代表物理量曲线中第i个信号值；μ代表物理量曲线的信号平均值；σ代表物理量曲线的信号标准差；当电能计量装置处于不同工况时，信号分解之后各imf（intrinsic mode functions，固有模态函数）信号的峭度值存在较大差异。对于各物理量曲线中的各个信号，进行emd经验模态分解，对分解后的信号计算峭度并根据计算出的峭度进行降序排序后，根据以下公式计算峭度排序能量e：；从而得到包括电流峭度排序能量特征、电压峭度排序能量特征、有功功率峭度排序能量特征、无功功率峭度排序能量特征、功率因素峭度排序能量特征、三相不平衡度峭度排序能量特征、负载率峭度排序能量特征的第一特征集。
[0029]
s212、构造第二特征集（曲线复杂度特征）：根据模糊熵的定义，分别计算电流曲线复杂度特征、电压曲线复杂度特征、有功功率曲线复杂度特征、无功功率曲线复杂度特征、功率因素曲线复杂度序特征、三相不平衡度曲线复杂度特征、负载率曲线复杂度特征；模糊熵（fuzzyen）衡量的也是新模式产生的概率大小，测度值越大，新模式产生的概率越大，即序列复杂度越大。模糊熵描述如下：；
其中，m为相空间维数，r为相似容限度，n为时间序列的维度，为模糊隶属度函数；根据定义的模糊熵，分别计算曲线复杂度特征、第二电压曲线复杂度特征、第二有功功率曲线复杂度特征、第二无功功率曲线复杂度特征、第二功率因素曲线复杂度序特征、第二三相不平衡度曲线复杂度特征、第二负载率曲线复杂度特征分别为：；；；；；；。
[0030]
s213、构造第三特征集（相间余弦相似度特征）：根据余弦相似度公式，分别计算a相和b相电流余弦相似度特征、b相和c相电流余弦相似度特征、a相和c相电流余弦相似度特征、a相和b相电压余弦相似度特征、b相和c相电压余弦相似度特征、a相和c相电压余弦相似度特征、a相和b相有功功率余弦相似度特征、b相和c相有功功率余弦相似度特征、a相和c相有功功率余弦相似度特征、a相和b相无功功率余弦相似度特征、b相和c相无功功率余弦相似度特征、a相和c相无功功率余弦相似度特征、a相和b相功率因素余弦相似度特征、b相和c相功率因素余弦相似度特征、a相和c相功率因素余弦相似度特征；其中，余弦相似度公式为：；
其中，x，y表示x、y向量；、分别表示x、y向量的模；故求得各特征为：故求得各特征为：。
[0031]
s220步骤具体为：对于任一历史运行监测数据，对步骤s201构造的电压数据、电流数据、有功功率数据、无功功率数据、功率因素数据、三相不平衡度数据以及负载率数据的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征集合进行选择/筛选，得到最终特征集；具体参见图2，步骤s220具体包括：s221、以各物理量的峭度排序能量特征作为第一特征集，各物理量的曲线复杂度特征作为第二特征集，各物理量的相间余弦相似度特征作为第三特征集，将第一特征集、第
二特征集和第三特征集合并为第四特征集；s222、使用第一特征选择算法、第二特征选择算法、
……
第n特征选择算法分别对第四特征集进行特征选择，得到n个特征子集；s223、将n个特征子集汇聚成一个交集，得到第五特征集；s224、使用第n+1特征选择算法对第五特征集进行特征选择，得到第六特征集，以第六特征集作为最终特征集；其中，所述第一特征选择算法、第二特征选择算法、
……
第n特征选择算法和第n+1特征选择算法具体从方差选择法、相关系数法、卡方检验法、relief算法、递归特征消除法、基于惩罚项的特征选择法以及基于树模型的特征选择法等特征选择方法中选取。
[0032]
s300、对每一历史运行监测数据的最终特征集添加误差状态标签，形成训练样本，构建非线性时序预测（nonlinear autoregressive models with exogenous inputs,narx）神经网络模型，通过训练样本对所述narx神经网络模型进行迭代训练，得到训练好的电能计量装置运行误差状态评价模型；具体参见图3，图3为 narx神经网络的参考结构示意图，narx神经网络是基于bp神经网络的一种结构清晰的动态神经网络，其在bp神经网络的基础上将输出向量的一部分数据进行保存之后，以外部反馈的方式引入到输入向量之中。
[0033]
参见图3，假设的当前时刻为t，nx为神经网络输入的阶数，ny为神经网络的输出阶数，表示神经网络的第 i 个输入向量到第 j 个隐藏层神经元之间的权值，表示神经网络的第i个隐藏层神经元到第j个输出层神经元之间的权值，为神经网络隐藏层第 n 个神经元的偏移值，为神经网络输出层神经元的偏移值，x（t） 为输入向量，y（t）为反馈输出的输入向量，表示神经网络隐藏层的传输函数，多使用tan-sigmoid函数，表示第 n 个隐藏层的神经元输出值，表示神经网络输出神经元的传输函数。
[0034]
采用单纯的均方误差性能函数调整narx神经网络模型的结构参数，其效用相当于使narx神经网络模型在训练集数据上获得最优的拟合效果，从而引入“过拟合”的问题。“过拟合”问题表现为训练完成的narx神经网络模型泛化能力不强，即只在训练集中表现出良好的性能，而应用于实际的测试集时预测效果较差。在训练集固定的情况下，神经网络的泛化能力与其网络参数规模联系紧密。为此，本实施例引入了金鹰算法旨在通过优化narx神经网络中的权重系数、阈值参数，限制网络的整体参数规模，最终提高narx神经网络的泛化性能。
[0035]
金鹰算法是金鹰在其螺旋轨迹的不同阶段调谐速度的智能，用于狩猎。它们在狩猎的初始阶段表现出更多的巡游和寻找猎物的倾向，在最后阶段表现出更多的攻击倾向。一只金鹰调整这两个组件，以在可行的区域以最短的时间捕获最好的猎物。具体步骤如下：s311、初始化金鹰种群中金鹰个体的数量，每个金鹰包含不同的narx神经网络模型的的权重系数信息和阈值参数信息；
s312、计算金鹰个体的适应度值并根据适应度值初始化群体记忆；其中， 金鹰个体的适应度值计算公式为：；其中，value表示适应度值，n为金鹰个体的总数，为根据第i个金鹰包含的narx神经网络模型的的权重系数信息和阈值参数信息得到的narx神经网络模型的预测值，为第i个金鹰所对应的样本真实值；s313、初始化金鹰的攻击倾向和巡航倾向；s314、根据以下公式更新攻击倾向和巡航倾向：；其中，和为的初始值和最终值，和为的初始值和最终值；t为第t次迭代，t为总的迭代次数；s315、从种群的记忆计算的攻击向量中随机选择猎物：；其中，为第i只金鹰的攻击向量，为当前金鹰所到达的最佳地点，是第i只金鹰目前的位置；s316、计算巡航向量d：；其中，为法向量，为决策变量向量；
设为超平面上的任一点，则：；把看做超平面的法线，则超平面表示为：；其中，为攻击向量，为决策向量，为被选中的猎物位置；表示第t次迭代时的攻击向量；则：；其中，为目标点的第k个元素，k为固定变量的编号；巡航超平面上目的点表示为：金鹰迭代的步长向量定义为：；其中，和为[0,1]内的随机向量，通过将迭代中的步长向量加到迭代中的位置，计算出金鹰在迭代中的位置：其中，为金鹰的第次位置，为金鹰的第次的位置，为金鹰的异动的步长大小；s317、根据更新的新的金鹰个体的位置计算适应度值，更新最优解及最优位置；s318、判断是否达到最大迭代次数，达到最大迭代次数则输出当前最优位置上金鹰个体所包含的权重系数信息和阈值参数信息作为narx神经网络模型的权重系数和阈值参数；未达到最大迭代次数则返回步骤s314并继续迭代。
[0036]
基于本实施例提供的神经网络优化方法，金鹰算法迭代寻优过程就是narx神经网络训练过程中权值参数、阈值参数的更新过程，其中适应度对应narx神经网络误差函数
（value），通过改变金鹰的位置使误差达到最小。每个金鹰包含narx神经网络中的权重系数信息、阈值参数信息，当金鹰到最优位置时，此时金鹰个体所含的权重系数信息、阈值参数信息为更新的最优参数。
[0037]
s400、获取目标电能计量装置的当前运行监测数据，根据当前运行监测数据进行特征提取获得目标电能计量装置当前的最终特征集，输入至训练好的电能计量装置运行误差状态评价模型得到目标电能计量装置的误差状态评价结果。
[0038]
实施例二：本实施例提供一种电能计量装置运行误差状态评价系统，包括：采集模块，用于采集若干电能计量装置的历史运行监测数据，每一历史运行监测数据包括电能计量装置运行过程中产生的多个不同种类的物理量；该模块用于实现实施例一中步骤s100的功能，在此不再赘述；特征提取模块，用于对采集的每一历史运行监测数据进行特征提取，包括构造特征和特征选择两个步骤；该模块用于实现实施例一中步骤s200的功能；其中，所述构造特征步骤具体为：对于每一历史运行监测数据，通过各种类的物理量计算得出对应各物理量的峭度排序能量特征、曲线复杂度特征和相间余弦相似度特征；所述特征选择步骤具体为：对于任一历史运行监测数据，对构造特征步骤中获得的特征的集合进行筛选，得到最终特征集；模型训练模块，用于对每一历史运行监测数据的最终特征集添加误差状态标签，形成训练样本，构建神经网络模型，通过训练样本对所述神经网络模型进行迭代训练，得到训练好的电能计量装置运行误差状态评价模型；该模块用于实现实施例一中步骤s300的功能；评价模块，用于获取目标电能计量装置的当前运行监测数据，根据当前运行监测数据进行特征提取获得目标电能计量装置当前的最终特征集，输入至训练好的电能计量装置运行误差状态评价模型得到目标电能计量装置的误差状态评价结果；该模块用于实现实施例一中步骤s400的功能。
[0039]
实施例三：本实施例提出一种电子设备，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，所述处理器执行所述程序时实现如本发明任一实施例所述的电能计量装置运行误差状态评价方法。
[0040]
实施例四：本实施例提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如本发明任一实施例所述的电能计量装置运行误差状态评价方法。
[0041]
本技术实施例中，“至少一个”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，a和/或b，可以表示单独存在a、同时存在a和b、单独存在b的情况。其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项”及其类似表达，是指的这些项中的任意组合，包括单项或复数项的任意组合。例如，a，b和c中的至少一项可以表示：a，b，c，a和b，a和c，b和c或a和b和c，其中a，b，c可以是单个，也可以是多个。
[0042]
本领域普通技术人员可以意识到，本文中公开的实施例中描述的各单元及算法步
骤，能够以电子硬件、计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本技术的范围。
[0043]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的系统、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0044]
在本技术所提供的几个实施例中，任一功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，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)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(read-only memory；以下简称：rom)、随机存取存储器(random access memory；以下简称：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
[0045]
以上所述仅为本发明的实施例，并非因此限制本发明的专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。