一种智能电表测量误差预测方法及系统与流程

本发明涉及一种智能电表测量误差预测方法及系统，属于电表监测自动化。

背景技术：

1、智能电表作为现代智能电网高级计量基础设施的核心组件，其测量精度直接关系到能源计费的公平性、电网调度的可靠性以及设备维护决策的科学性。然而，与实验室受控环境截然不同，现场部署的智能电表长期处于复杂多变的恶劣工况下，温度波动、湿度变化及各类环境应力会持续加速电子元件老化，进而引发测量误差的显著非线性漂移。

2、传统运维模式下，主要依靠定期人工巡检与批量更换电表来保障计量精度，该方式不仅人力成本高昂、运维周期长，还极易造成功能完好的电表被过早替换，产生大量不必要的资源浪费。尽管基于支持向量回归、各类神经网络等的数据驱动方法已被广泛研究，但现有技术普遍难以同时精准建模测量误差中的瞬态干扰与长期缓慢漂移等多尺度动态特性。

技术实现思路

1、为了解决上述现有技术中存在的问题，本发明提出了一种智能电表测量误差预测方法及系统，提出一种基于双路径注意力机制transformer的预测模型，能够捕获输入数据在短期的局部特征和长期时间窗的整体特征，融合为多尺度特征进行测量误差预测，提高预测精度。

2、本发明的技术方案如下：

3、一方面，本发明提出一种智能电表测量误差预测方法，包括以下步骤：

4、采集样本智能电表在不同环境状态下的计量误差数据和环境特征数据，构成测量误差序列，并对测量误差序列进行预处理；

5、基于预处理后的测量误差序列，从环境特征数据中筛选出与计量误差相关性强的若干环境特征构成环境变量子集；通过环境变量子集构建训练样本集；

6、构建基于transformer的误差预测模型，包括输入层、双路径注意力模块、特征融合层以及输出层，所述双路径注意力模块通过两个注意力层分别提取自输入层输入的数据在短期时间窗内的局部特征，以及在整个时间窗内的全局特征；所述特征融合层用于对局部特征和全局特征进行特征融合，输出层根据融合后的特征输出最后一个时间步的预测测量误差；

7、利用训练样本集对误差预测模型进行训练，通过训练好的误差预测模型进行目标智能电表的测量误差预测。

8、作为优选实施方式，所述对测量误差序列进行预处理的步骤具体为：

9、采用趋势约束的动态残差异常值细化方法对原始测量误差序列进行清洗，使用移动中位数来估计局部趋势，并计算动态残差；

10、引入中位数绝对偏差计算稳健的归一化得分，通过设定的检测阈值识别出异常候选点；结合局部趋势一致性条件，判定并利用相邻趋势信息对孤立的脉冲异常点或异常片段进行重建和插值校正。

11、作为优选实施方式，所述从环境特征数据中筛选出与计量误差相关性强的若干环境特征的步骤具体为：

12、基于预处理后的测量误差序列，计算各环境特征与测量误差之间的互信息并进行归一化；

13、基于归一化后的互信息值对各环境特征进行排序处理，筛选出排序高的前n各环境特征构建环境变量子集。

14、作为优选实施方式，所述误差预测模型的输入层还用于对输入数据添加可学习的位置嵌入，并进行层归一化。

15、作为优选实施方式，所述双路径注意力模块中，采用因果注意力层提取输入数据的局部特征，采用无因果掩码的自注意力层提取输入数据的全局特征。

16、作为优选实施方式，所述特征融合层引入门控机制自适应调整局部特征的贡献度，并根据贡献度对局部特征和全局特征进行特征融合计算，得到融合特征。

17、作为优选实施方式，所述误差预测模型采用均方差函数作为损失函数，并采用adam优化器进行模型训练。

18、另一方面，本发明还提出一种智能电表测量误差预测系统，包括：

19、数据采集模块，用于采集样本智能电表在不同环境状态下的计量误差数据和环境特征数据，构成测量误差序列，并对测量误差序列进行预处理；

20、样本构建模块，基于预处理后的测量误差序列，从环境特征数据中筛选出与计量误差相关性强的若干环境特征构成环境变量子集；通过环境变量子集构建训练样本集；

21、模型构建模块，用于构建基于transformer的误差预测模型，包括输入层、双路径注意力模块、特征融合层以及输出层，所述双路径注意力模块通过两个注意力层分别提取自输入层输入的数据在短期时间窗内的局部特征，以及在整个时间窗内的全局特征；所述特征融合层用于对局部特征和全局特征进行特征融合，输出层根据融合后的特征输出最后一个时间步的预测测量误差；

22、误差预测模块，利用训练样本集对误差预测模型进行训练，通过训练好的误差预测模型进行目标智能电表的测量误差预测。

23、再一方面，本发明还提出一种电子设备，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智能电表测量误差预测方法。

24、再一方面，本发明还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智能电表测量误差预测方法。

25、本发明的有益效果在于：

26、本发明设计了新颖的双路径门控注意力transformer模型，该模型的双路径结构能够将短期的局部动态波动与长期的全局时间依赖性解耦。局部注意力分支负责短期变化，全局注意力分支保留输入窗口内更广泛的时间上下文，最后通过门控机制自适应融合学习到的表示，完美契合了智能电表误差序列同时包含瞬态干扰和缓慢漂移行为的复杂时间特性。基于该模型能够大大提高智能电表计量误差的预测精度。

27、本发明的额外方面和优点将在以下描述中阐明，并且其中部分将从该描述中显而易见，或者可以通过实践本发明来了解。此外，本发明的各个方面和优点可以通过所附权利要求书中特别指出的方法步骤和组合来实现和获得。

1.一种智能电表测量误差预测方法，其特征在于，包括以下步骤：

2.根据权利要求1所述的一种智能电表测量误差预测方法，其特征在于，所述对测量误差序列进行预处理的步骤具体为：

3.根据权利要求1所述的一种智能电表测量误差预测方法，其特征在于，所述从环境特征数据中筛选出与计量误差相关性强的若干环境特征的步骤具体为：

4.根据权利要求1所述的一种智能电表测量误差预测方法，其特征在于，所述误差预测模型的输入层还用于对输入数据添加可学习的位置嵌入，并进行层归一化。

5.根据权利要求4所述的一种智能电表测量误差预测方法，其特征在于，所述双路径注意力模块中，采用因果注意力层提取输入数据的局部特征，采用无因果掩码的自注意力层提取输入数据的全局特征。

6.根据权利要求5所述的一种智能电表测量误差预测方法，其特征在于，所述特征融合层引入门控机制自适应调整局部特征的贡献度，并根据贡献度对局部特征和全局特征进行特征融合计算，得到融合特征。

7.根据权利要求1所述的一种智能电表测量误差预测方法，其特征在于，所述误差预测模型采用均方差函数作为损失函数，并采用adam优化器进行模型训练。

8.一种智能电表测量误差预测系统，其特征在于，包括：

9.一种电子设备，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程序时实现如权利要求1至7任一项所述的智能电表测量误差预测方法。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1至7任一项所述的智能电表测量误差预测方法。