一种基于伊藤过程乘性漂移分解的电能表误差预测方法

摘要: 本发明属于电力计量,更具体地,涉及一种基于伊藤过程乘性漂移分解的电能表误差预测方法。背景技术:1、随着新型电力系统建设与电力市场化改革推进,智能电能表作为电网核...
一种基于伊藤过程乘性漂移分解的电能表误差预测方法

本发明属于电力计量,更具体地,涉及一种基于伊藤过程乘性漂移分解的电能表误差预测方法。

背景技术:

1、随着新型电力系统建设与电力市场化改革推进,智能电能表作为电网核心感知与数据采集终端,在电力交易结算、需求响应、用电行为分析等环节发挥关键作用。我国在运智能电能表已超过六亿只,其计量准确性直接关系电力交易的公平性与可信度,国家已将电能计量器具的状态评价与精准管理纳入计量发展规划。

2、电能表在长期运行中,计量误差因元器件老化、环境变化等因素随时间持续漂移,一旦超出允许限值将导致结算失准。目前轮换普遍采用统一的固定周期,而服役满周期后合格率仍较高,造成资源浪费,亟需从“定期轮换”向基于误差演化规律的“状态评价”转型,为不同条件下的电能表制定差异化轮换周期。

3、误差演化受生产(厂商工艺、元器件选型)与运行(温湿度、停复电频率、负荷特性等)两层面因素影响,且因素间存在依赖关系,如厂商影响元器件选型、配送区域决定运行环境,因此需考虑多因素的协同影响及其内在关联。

4、现有技术主要包括:定期检定与统计抽检按固定周期采样,以合格率评估整体状态,但无法刻画个体误差的连续演化轨迹;层次分析法、模糊综合评价法、熵权法等专家评分方法通过构建指标体系综合打分,但主观性强且为静态评价,不涉及误差随时间演化的动态建模;基于维纳过程的参数化退化方法需预先指定基线函数形式,当实际退化趋势不符合预设形式时会导致模型误设;基于xgboost、随机森林等的机器学习方法可实现状态分类与故障预测,但为黑箱结构,难以定量解释各因素对误差演化速率的影响,且不直接建模误差随时间的连续变化。

5、综上,现有技术缺乏对个体误差连续演化的动态建模能力,未能有效分离基线退化趋势与协变量效应,且忽略了协变量之间的依赖结构,制约了电能表从“定期轮换”向“状态评价”的工程转型。

技术实现思路

1、针对相关技术的缺陷,本发明的目的在于提供了一种基于伊藤过程乘性漂移分解的电能表误差预测方法,旨在解决现有技术中对电能表个体误差演化过程构建模型精度较低,无法有效分离基线退化趋势与协变量效应,导致无法准确预测的问题。

2、为实现上述目的,第一方面,本发明提供了一种基于伊藤过程乘性漂移分解的电能表误差预测方法,包括:

3、s1、采集台电能表的协变量数据和其在各检定时刻下的计量误差观测值;对电能表按照所述协变量数据中的生产批次和配送区域进行分组;以首次检定的计量误差观测值作为误差序列的起始值,将计量误差观测值按时间顺序排列,形成误差时间序列;其中,为第台电能表在时刻的计量误差观测值,为首次检定时刻;

4、s2、通过贝叶斯网络确定所述协变量数据之间的依赖关系,将各协变量作为网络节点,并计算各节点的条件概率,构建协变量效应函数;采用伊藤扩散方程构建每组电能表的误差演化过程模型;其中,第g组电能表的误差演化过程模型为:

5、;

6、其中,在构建误差演化过程模型时将伊藤扩散方程中的漂移项分解为非参数基线漂移函数与协变量效应函数的乘积;为第g个分组中第台电能表在检定时刻的计量误差值,为第g个分组所对应的非参数基线漂移函数,为第g个分组所对应的常数扩散系数,表征误差随机波动的强度,为协变量效应函数,为效应系数,为第台电能表的协变量向量,为标准布朗运动,表示均值为零的连续随机噪声;

7、s3、构造每组的误差演化过程模型对应的对数似然函数,基于所述对数似然函数将所述误差演化过程模型中的非参数基线漂移函数消去,构建各组对应的损失函数:

8、;

9、其中,为第g个分组的损失函数,为观测时段总数,最小化该函数即可在不预设基线退化形式的前提下估计协变量效应系数;为第台电能表在时刻的计量误差观测值,,,分别为相邻检定时刻的误差增量和时间间隔;为观测时段索引;

10、对所有分组对损失函数进行聚合,以误差时间序列的长度进行加权,得到全局加权损失函数:

11、;

12、其中,为组数,为第组的观测时段数;

13、通过最小化全局加权损失函数,计算全局协变量效应参数的估计值,将回代至各分组的非参数基线漂移函数;其中,第g组对应的非参数基线漂移函数为:

14、;

15、其中,为组在时刻处基线漂移的估计值,为第台电能表在第个时段的误差增量,为第个时段的时间间隔;

16、s4、根据全局协变量效应参数的估计值、每组对应的非参数基线漂移函数和误差增量,得到扩散系数的估计值;其中,第g组对应的扩散系数的估计值为:

17、,;

18、其中,为第组对应的扩散系数的估计值,为第组的电能表数量,为第台电能表在第个时段的组内残差,为效应系数的估计值;

19、s5、将非参数基线漂移函数、协变量效应函数、扩散系数带入每组的所述误差演化过程模型中,对电能表在预设时刻的误差演化进行误差轨迹预测,得到误差预测值;其中,第g组的误差预测值为:

20、;

21、其中,为分组第台电能表在时刻的误差预测值,为首次检定误差值,为预测时刻索引,m>k。

22、可选的,所述协变量数据包括组间协变量和组内协变量;

23、所述组间协变量包括电能表的生产批次、配送区域、安装地市、电池选型、mcu选型、晶振选型和制造厂商中的一种或多种;

24、所述组内协变量包括电能表的库存时间和库存时间比中的一种或多种;

25、其中,同一组内的电能表共享相同的组间协变量值,组内协变量在组内各电能表间取值不同。

26、可选的,在构建电能表的误差演化过程模型之前对协变量数据进行预处理,包括:

27、对组内型协变量进行标准化处理;

28、对组间协变量进行独热编码,将每个类别转换为一个二进制分量。

29、可选的,所述通过贝叶斯网络确定所述协变量数据之间的依赖关系,包括:

30、通过学习贝叶斯网络结构,采用bic评分准则的爬山搜索算法,从所述协变量数据中确定各协变量之间的依赖关系;

31、所述条件概率由贝叶斯网络的参数学习得到,对于分类型协变量采用最大似然估计,对于连续型协变量采用高斯条件分布估计。

32、可选的,所述协变量效应函数的表达式:

33、;

34、式中,为第个协变量的效应系数,为第台电能表的第个协变量取值,为贝叶斯网络给出的条件概率,为协变量在贝叶斯网络中的父节点集合,直接影响取值的上游协变量,为协变量维数,为效应系数向量。

35、可选的,在进行误差轨迹预测的过程中,还包括构造预测区间:

36、;

37、其中,为预设的置信水平,为标准正态分布的分位数;预测区间用于在预测的误差轨迹两侧给出对应的置信范围。

38、可选的,根据所有电能表的误差轨迹预测值确定各组的电能表的超差时间:

39、;

40、其中,为第台电能表的预测超差时间,为计量允许误差限值。

41、可选的,还包括:

42、根据确定的各生产批次电能表的超差时间制定差异化检定周期;

43、通过比较不同生产批次的个体调节因子识别误差演化速率异常的生产批次,并按个体调节因子降序排列。

44、第二方面,本发明还提供一种电子设备,包括存储器和处理器,所述存储器中存储有计算机程序,所述处理器执行所述计算机程序时实现如第一方面中任意一项所述的方法。

45、第三方面,本发明还一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面中任意一项任一项所述的方法。

46、通过本发明所构思的以上技术方案,与现有技术相比,能够取得以下有益效果:

47、1、本发明实施例提供的一种基于伊藤过程乘性漂移分解的电能表误差预测方法,以各电能表首次检定的计量误差为序列起点,结合后续采集的误差序列和时间间隔用于参数估计,得到各组基线漂移和协变量效应系数后,以首检误差为初始值、以各时段漂移预测值逐段累加,得到个体级的连续误差轨迹预测。充分利用了个体初始状态的差异信息,以及首检至各次检定之间的连续时序信息,而非仅依赖单一时间点的状态评分或批次合格率。实现个体级的连续误差演化轨迹预测和超差时间估计,为不同批次电能表制定差异化检定周期提供定量依据。在构建伊藤扩散方程表示电能表的误差演化过程时,通过将漂移项乘性分解为非参数基线漂移函数与协变量效应函数的乘积,利用贝叶斯网络编码协变量间的依赖结构,对基线在每个时间点逐点优化求解并代入消去,同时通过协变量效应函数将生产批次、元器件选型、库存时间等多因素嵌入漂移模型,以贝叶斯网络学习得到的条件概率作为各协变量的权重。非参数基线漂移函数从数据中自适应估计,无需预先假设其为常数、线性或任何参数化形式,避免了模型误设风险。同时,逐点优化将无穷维的基线函数转化为有限个效应系数的估计问题,降低了计算复杂度。条件概率反映协变量间的依赖结构,使同一协变量在不同上游条件下具有不同的有效贡献,相比直接线性加权更准确地反映真实的因素关联。实现基线退化趋势与协变量效应的有效分离,同时避免忽略协变量依赖导致的效应估计偏差,实现多因素对误差演化速率的定量解析,对电能表的超差时间进行预测。

48、2、本发明实施例提供的一种基于伊藤过程乘性漂移分解的电能表误差预测方法,采用结合贝叶斯网络条件概率的协变量效应函数,利用贝叶斯网络自动学习协变量之间的依赖关系,以条件概率作为取决于父节点取值的权重,使协变量效应估计更准确地反映真实的因果结构,避免了忽略协变量依赖导致的效应估计偏差。基于预测的误差轨迹和超差时间,可为不同批次电能表制定差异化的检定周期方案,在保障计量准确性的前提下减少不必要的检定资源投入。进一步的由残差估计扩散系数,结合预测轨迹构造置信区间。扩散系数量化误差随机波动的强度,预测区间宽度随累积时间增大而自动变宽,反映预测不确定性随时间推移的自然增长;不等间隔观测时,较大的时间间隔使区间自动变宽,无需额外的缺失数据处理。为误差预测提供不确定性量化,支持基于风险的轮换决策。