1.一种基于人工智能的电能计量误差预测与优化系统,包括数据获取模块、预测模块和优化模块;
所述数据获取模块用于获取电能计量数据和误差影响参数,所述电能计量数据包括实时电能计量数据和历史电能计量误差数据,所述误差影响参数包括实时误差影响参数和历史误差影响参数;所述预测模块用于根据历史电能计量误差数据和历史误差影响参数建立并训练误差预测模型,并将实时误差影响参数输入到训练好的误差预测模型中对实时电能计量数据误差进行预测;所述优化模块用于根据预测的实时电能计量误差对实时电能计量数据进行优化修正;
所述获取模块包括数据采集模块和历史数据获取模块,所述数据采集模块用于获取实时电能计量数据和实时误差影响参数,所述历史数据获取模块用于获取历史电能计量误差数据和历史误差影响参数。
2.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统,其特征在于,所述预测模块包括特征提取单元、模型训练单元和误差预测单元,所述特征提取单元用于提取误差影响参数的特征,所述模型训练单元用于建立误差预测模型,并基于历史误差影响参数的特征和历史电能计量误差数据对误差预测模型进行训练;所述误差预测单元用于将实时误差影响参数输入训练好的误差预测模型中获取预测的实时电能计量数据误差。
3.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统,其特征在于,所述误差影响参数包括环境温度、环境湿度、运行电压、负荷电流和运行时间。
4.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统,其特征在于,所述预测模块包括特征提取单元,所述特征提取单元提取历史误差影响参数的特征作为误差预测模型在训练时的输入,所述特征提取单元提取实时误差影响参数的特征作为误差预测模型在误差预测时的输入;
所述特征提取单元对于不同种类的误差影响参数采取不同的特征处理方式,对于环境温度,生成环境温度特征为关于低温、正常温度和高温的隶属度值,如下式所示:;
;
;
其中,为实时环境温度, 为低温的隶属度值, 为正常温度的隶属度值, 为高温的隶属度值;
对于环境湿度,生成环境湿度特征为关于高湿度、正常湿度和低湿度的隶属度值,如下式所示:;
;
;
其中, 为实时环境湿度, 为低湿度的隶属度值, 为正常湿度的隶属度值,为高湿度的隶属度值;
对于运行电压,生成运行电压特征为关于高电压、正常电压和低电压的隶属度值,如下式所示:;
;
;
其中,为实时运行电压, 为额定电压, 为低电压的隶属度值, 为正常电压的隶属度值, 为高电压的隶属度值;
对于负荷电流,生成负荷电流特征为关于高电流、正常电流和低电流的隶属度值,如下式所示:;
;
;
其中,为实时负荷电流, 为额定电流, 为低电流的隶属度值, 为正常电流的隶属度值, 为高电流的隶属度值;
对于运行时间,生成运行时间特征为关于破损程度的隶属度值,如下式所示:;
其中,为运行时间, 为额定寿命, 为破损程度的隶属度值。
5.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统,其特征在于,所述预测模块还包括模型训练单元,所述模型训练单元建立的误差预测模型为BP神经网络模型,并将历史电能计量误差数据和历史误差影响参数作为训练集对误差预测模型进行训练从而对模型参数进行优化,优化的具体方式满足:建立一个由 个粒子组成的粒子群,q为随机数,其中每个粒子表示为一个多维向量,向量中各元素代表需要进行优化的各模型参数,把每个粒子代入本误差预测模型中,计算每个粒子的适应度值 :;
其中, 为训练集中训练样本总数, 为第 个训练样本的期望输出,为第 个训练样本的实际输出;
根据适应度值对粒子进行不断的迭代更新,直至迭代步数达到最大迭代步数,满足:;
;
其中,为当前迭代步数, 为第 个粒子的当前速度,为惯性因子,和 为学习因子,和 为分布在 内的随机数, 为第 个粒子在截止到当前迭代步数内搜索到的最佳位置, 为第 个粒子当前所在位置, 为粒子群在截止到当前迭代步数内搜索到的最佳位置, 为第 个粒子的下一步速度, 为第 个粒子的下一步位置;当迭代步数达到最大迭代步数时,输出此时全局中的最佳位置作为最优解,最优解即为优化后的各模型参数。
6.根据权利要求1所述的一种基于人工智能的电能计量误差预测与优化系统,其特征在于,对于惯性因子 满足下式:;
其中, 为最小惯性权重, 为最大惯性权重, 为最大迭代步数。