[發(fā)明專利]一種電力物聯(lián)表計的數(shù)據(jù)修正方法、系統(tǒng)和存儲介質(zhì)

有效

• 申請?zhí)枺?/td>: 202011410515.0
• 申請日: 2020-12-04
• 公開（公告）號: CN112580700B
• 公開（公告）日: 2021-07-30
• 發(fā)明（設(shè)計）人: 姜淏予;宋晉;陳凱;楊文龍;張暉
• 申請（專利權(quán)）人: 杭州佳速度產(chǎn)業(yè)互聯(lián)網(wǎng)有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06Q50/06;G16Y10/35
• 代理公司: 杭州合譜慧知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 33290
• 代理人: 張剛

1.一種電力物聯(lián)表計的數(shù)據(jù)修正方法，其特征在于，包括如下步驟：

S1，獲取一范圍內(nèi)歷史表計數(shù)據(jù)中的時間點、各時間點對應(yīng)的第一有功功率數(shù)據(jù)和第二有功功率數(shù)據(jù)作為第一訓(xùn)練集，所述第一有功功率數(shù)據(jù)為變壓器低壓側(cè)有功功率，所述第二有功功率數(shù)據(jù)為變壓器高壓側(cè)有功功率；

S2，分別計算第一訓(xùn)練集中相應(yīng)的第一有功功率數(shù)據(jù)偏差程度和第二有功功率數(shù)據(jù)偏差程度，并賦予偏差程度標簽；

S3，建立第二訓(xùn)練集和第三訓(xùn)練集，其中第二訓(xùn)練集特征包括時間點、對應(yīng)各時間點的第一有功功率數(shù)據(jù)和第一有功功率數(shù)據(jù)偏差程度，所述第三訓(xùn)練集特征包括時間點、對應(yīng)各時間點的第二有功功率數(shù)據(jù)以及第二有功功率數(shù)據(jù)偏差程度；

S4，設(shè)定PNN平滑因子參數(shù)，使用第二訓(xùn)練集特征對PNN算法進行改進，獲取待修正的實時表計數(shù)據(jù)集中的時間點以及對應(yīng)第一有功功率數(shù)據(jù)構(gòu)建作為改進PNN的測試輸入特征的第一測試集，計算模式層的概率輸出后與第一測試集中對應(yīng)的修正后的第一、二有功功率數(shù)據(jù)偏差程度；

所述步驟S4中的PNN概率神經(jīng)網(wǎng)絡(luò)至少包括四層結(jié)構(gòu)，分別是輸入層、模式層、求和層以及輸出層；

其中輸入層為輸入向量X＝[x₁ x₂ ... x_n]，用于將輸入向量導(dǎo)入模式層；模式層由高斯徑向基函數(shù)Φ(x)構(gòu)成，其神經(jīng)元個數(shù)與訓(xùn)練集中樣本個數(shù)相等，每個神經(jīng)元個數(shù)都有一個中心，并通過與每個測試集樣本計算出概率值，其概率值輸出為：

其中，d為樣本維度，L_i為訓(xùn)練集中第i類樣本個數(shù)，M為類別數(shù)，σ為平滑因子，||x-x_ij||為輸入樣本到樣本中心距離；

在求和層取到與類別數(shù)相同的神經(jīng)元個數(shù)，把模式層中屬于同一類的隱含神經(jīng)元的輸出做加權(quán)平均，由核函數(shù)估計法得到的第i類類別的概率密度函數(shù)f_i如下：

在輸出層中得到最大概率的類別輸出，如下式所示：y＝argmax(f_j)；

在隱含層和求和層之間加入權(quán)值，所述權(quán)值通過運用計算訓(xùn)練樣本的時間點以及樣本類別相關(guān)的后驗概率P(t|class)作為PNN的模式層與求和層之間的權(quán)值，如下所示：

其中，t_k為第k個時間點；class_i為第i類別；

引入后驗概率作為各個概率輸出的權(quán)值，計算改進后的求和層輸出如下所示：其中為Φ_ij(x)的權(quán)值系數(shù)，得到改進PNN算法后用于對第一測試集進行檢測并獲得對應(yīng)的修正后的第一、二有功功率數(shù)據(jù)偏差程度；

S5，將所述第三訓(xùn)練集作為ELM訓(xùn)練集，在所述第一測試集中加入修正的第一、二有功功率數(shù)據(jù)偏差程度和實時表計數(shù)據(jù)集中的第二有功功率數(shù)據(jù)構(gòu)建第二測試集作為ELM測試集，得到修正后的第二有功功率數(shù)據(jù)值；

S6，將所述修正后的第二有功功率數(shù)據(jù)值減去銘牌損耗，得到最終各個時間序列下的第一有功功率數(shù)據(jù)修正值。

2.根據(jù)權(quán)利要求1所述的電力物聯(lián)表計的數(shù)據(jù)修正方法，其特征在于，所述步驟S5包括：

步驟S51，將所述第三訓(xùn)練集作為ELM訓(xùn)練集，在所述第一測試集中加入修正的第一、二有功功率數(shù)據(jù)偏差程度和實時表計數(shù)據(jù)集內(nèi)的第二有功功率數(shù)據(jù)構(gòu)建第二測試集作為ELM測試集；

步驟S52，構(gòu)建ELM模型，設(shè)定ELM參數(shù)，隱含層個數(shù)為3以及隱含層激活函數(shù)為sigmoid；

步驟S53，隨機生成ELM權(quán)重ω_i以及閾值b_i；

步驟S54，根據(jù)H＝WI+B計算H；其中，H為隱含層響應(yīng)矩陣，I為歸一化后的訓(xùn)練數(shù)據(jù)構(gòu)成的矩陣，W為ω_i構(gòu)成的權(quán)重矩陣，B為元素為b_i閾值向量；

步驟S55，根據(jù)計算β；其中β為輸出權(quán)值，為隱含層響應(yīng)偽逆矩陣，T為訓(xùn)練集的目標向量；

步驟S56，變更I為待測數(shù)據(jù)I₂，計算H＝WI₂+B，根據(jù)T'＝Hβ計算得到修正后的高計輸出值T'，所述高計輸出值為修正后的第二有功功率數(shù)據(jù)值。