基于GA-FSVR的智能电表误差预测方法技术

本发明专利技术公开了基于GA

【技术实现步骤摘要】
基于GA
‑
FSVR的智能电表误差预测方法


[0001]本专利技术涉及智能电表误差预测方法，特别涉及一种基于GA
‑
FSVR的智能电表误差预测方法。

技术介绍

[0002]智能电表在不同工作环境下是否运行可靠、稳定，历来是电力企业、消费者以及领域专家所关注的问题。智能电表通常由大量电子元器件所组成，其计量误差与运行时间以及环境信息具有较大相关性，尤其受温度影响较为明显。因此，对不同温度应力尤其是极端温度下(如新疆地区的高温、黑龙江地区的低温)的智能电表计量误差预估，在智能电表的科学轮换、标准更新以及产品升级等方面具有重要指导意义。
[0003]国内外学者对于计量设备的误差预测问题进行了大量研究，包括：利用XGBoost对不同工况下的校验仪误差进行预估，取得了较好的效果，但在利用贝叶斯进行参数优化时，不合适的先验分布容易造成过拟合问题；利用OOK动态负荷测试激励信号模型，提出了关口电能表动态误差测试实验系统，并分析了关口表动态误差所存在的问题；利用人工神经网络对电力设备进行误差分析与寿命预测的方案，但人工神经网络需要大量数据训练网络模型；以及提出一种基于LS
‑
SVM的机械式温度仪表的误差预测模型，具有较高的预测精度，但采用单个核函数限制了模型的整体性能。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一。为此，本专利技术提出一种基于GA
‑
FSVR的智能电表误差预测方法，能够准确追踪不同温度下的智能电表的误差变化情况。
[0005]根据本专利技术实施例的基于GA
‑
FSVR的智能电表误差预测方法，所述方法包括以下步骤：结合RBF核函数及Sigmoid核函数提出一种融合核函数模型，利用所述融合核函数的映射功能建立基于FSVR的智能电表误差预测模型；通过遗传算法对所述基于FSVR的智能电表误差预测模型中的核函数参数进行优化；采集不同温度应力下智能电表计量误差数据，分为训练集和测试集；利用所述训练集的数据对所述基于FSVR的智能电表误差预测模型进行训练；将所述测试集的数据输入所述基于FSVR的智能电表误差预测模型中，得到不同温度应力下智能电表误差预测结果。
[0006]根据本专利技术实施例的基于GA
‑
FSVR的智能电表误差预测方法，至少具有如下有益效果：本专利技术实施例的基于GA
‑
FSVR的智能电表误差预测方法通过融合核函数模型有效结合了RBF核函数的学习能力与Sigmoid核函数的全局泛化能力，以及通过遗传算法对FSVR的参数进行优化，使得本专利技术实施例的预测模型具有更小的均方根误差与更高的拟合优度，模型整体预测性能更高。
[0007]根据本专利技术的一些实施例，所述融合核函数模型为：
[0008][0009]其中，K
f
表示融合核函数，K
r
表示RBF核函数，K
s
表示Sigmoid核函数，s.t.表示约束条件，x
i
，x
j
表示计量误差数据集中的两个点，a1，a2表示核权值，用于调节局部核函数与全局核函数在融合核中的比重。
[0010]根据本专利技术的一些实施例，所述基于FSVR的智能电表误差预测模型的表达式为
[0011][0012]其中，α
i
和表示拉格朗日乘子，K
f
表示融合核函数，x
i
表示训练样本向量，x表示测试数据向量，b为偏置项。
[0013]根据本专利技术的一些实施例，所述通过遗传算法对所述基于FSVR的智能电表误差预测模型中的核函数参数进行优化包括：S1、设置σ和θ的范围，设置初始化种群规模、迭代次数、交叉概率及变异概率；其中，σ为RBF核函数的宽度参数，θ为Sigmoid核函数的核参数；S2、以计量误差的均方根误差为适应度函数，计算初始种群中最小适应度值及其对应的核参数值；S3、采用比例选择算子进行新个体选择，并随机选择交叉与变异个体产生新的染色体，将优化后的染色体传到下一代形成新的种群；S4、返回步骤S2，直到最小适应度值收敛或循环达到所述迭代次数，将最小适应度值作为最优解，输出最优解及其对应的核参数值。
[0014]根据本专利技术的一些实施例，所述方法还包括：采用五折交叉验证和遗传算法确定所述RBF核函数参数和所述Sigmoid核函数参数的最优值。
[0015]本专利技术的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本专利技术的实践了解到。
附图说明
[0016]本专利技术的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：
[0017]图1为本专利技术实施例的方法的流程示意图。
[0018]图2为高温应力下智能电表误差变化曲线图。
[0019]图3为低温应力下智能电表误差变化曲线图。
[0020]图4为本专利技术实施例的基于FSVR的智能电表误差预测模型结构图。
[0021]图5为本专利技术实施例的基于GA的FSVR核参数寻优图。
[0022]图6为本专利技术实施例的基于GA核参数寻优的收敛过程曲线图。
[0023]图7为高温应力下不同模型预测结果比较示意图。
[0024]图8为低温应力下不同模型预测结果比较示意图。
具体实施方式
[0025]下面详细描述本专利技术的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本专利技术，而不能理解为对本专利技术的限制。
[0026]在本专利技术的描述中，步骤标号仅是为了描述的方便或者引述的方便所作出的标识，而不能理解为对步骤的操作顺序的限定。
[0027]参照图1，本专利技术实施例针对不同温度条件下智能电表计量误差变化情况难以准确预测的问题，提出了一种融合核支持向量回归(FSVR)与遗传算法(GA)的误差预测与优化方法。支持向量回归(Support Vector Regression,SVR)基于VC纬理论与结构风险最小化原则，在解决小样本以及非线性问题上具有独特优势。本专利技术在标准的SVR上提出了融合RBF核函数与Sigmoid核函数的融合核支持向量回归机(FSVR)，并利用遗传算法(Genetic Algorithm,GA)对核参数进行优化选择。
[0028]首先，为了充分考虑温度应力对智能电表误差的影响，利用支持向量机中组合核函数的映射功能建立基于支持向量回归的智能电表误差预测状态空间模型来模拟不同温度作用下电表的老化过程。然后，在核参数设置阶段，通过遗传算法对支持向量回归的核参数进行优化，进而提高模型预测精度。最后，本实施例在测试集数据上，对不同温度应力下对所提模型以及传统的预测模型进行了对比试验，验证了所提模型的性能，最后分析了不同温度应力对智能电表计量误差的影响。
[本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA
‑
FSVR的智能电表误差预测方法，其特征在于，所述方法包括以下步骤：结合RBF核函数及Sigmoid核函数提出一种融合核函数模型，利用所述融合核函数的映射功能建立基于FSVR的智能电表误差预测模型；通过遗传算法对所述基于FSVR的智能电表误差预测模型中的核函数参数进行优化；采集不同温度应力下智能电表计量误差数据，分为训练集和测试集；利用所述训练集的数据对所述基于FSVR的智能电表误差预测模型进行训练；将所述测试集的数据输入所述基于FSVR的智能电表误差预测模型中，得到不同温度应力下智能电表误差预测结果。2.根据权利要求1所述的基于GA
‑
FSVR的智能电表误差预测方法，其特征在于，所述融合核函数模型为：其中，K
f
表示融合核函数，K
r
表示RBF核函数，K
s
表示Sigmoid核函数，s.t.表示约束条件，x
i
,x
j
表示计量误差数据集中的两个点，a1，a2表示核权值，用于调节局部核函数与全局核函数在融合核中的比重。3.根据权利要求2所述的基于GA
‑
FSVR的智能电表误差预测方法，其特...

【专利技术属性】
技术研发人员：陈祉如，郭亮，代燕杰，杜艳，董贤光，荆臻，张志，赵曦，
申请(专利权)人：国网山东省电力公司电力科学研究院国网山东省电力公司，
类型：发明
国别省市：