(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211123088.7 (22)申请日 2022.09.15 (71)申请人 国网湖南省电力有限公司 地址 410004 湖南省长 沙市新韶东路398号 申请人 国网湖南省电力有限公司供电服 务 中心 （计量中心） 　 国家电网有限公司 (72)发明人 王海元　郭光　彭潇　王智　 尹晓博　卜文彬　陈石东　解玉满　 李恺　黄红桥　杨茂涛　谭海波　 谈丛　孙飞　 (74)专利代理 机构 湖南兆弘专利事务所(普通 合伙) 43008 专利代理师 谭武艺(51)Int.Cl. G06Q 50/06(2012.01) G06F 17/18(2006.01) G06F 17/11(2006.01) (54)发明名称 关口电能表的现场电能计量误差预测方法、 系统及介质 (57)摘要 本发明公开了一种关口电能表的现场电能 计量误差预测方法、 系统及介质， 本发明包括针 对多台关口电能表对应的测量误差数据集DP分 别计算其中数据点的估计密度； 基于估计密度计 算用于表征数据点及其k个最近邻数据点密度差 异的异常值因子； 采用箱线图方法确定异常值因 子的异常阈值， 并根据异常阈值确定并删除测量 误差数据集DP中异常的数据点， 得到过滤后的测 量误差数据集S ′P； 针对过滤后 的测量误差数据 集S′P采用核支持向量回归模型进行误差预测， 得到关口电能表的误差结果。 本发 明能够融合测 量误差和多个 极端环境应力， 具有更高的评估性 能， 在小样本条件下具有深刻的异常值识别和错 误预测性能。 权利要求书3页 说明书10页 附图1页 CN 115471361 A 2022.12.13 CN 115471361 A 1.一种关口电能表的现场电能计量 误差预测方法， 其特 征在于， 包括： S101， 针对多台关口电能表对应的测量 误差数据集DP分别计算 其中数据点的估计密度； S102， 基于估计密度计算用于表征数据点及其k个最近邻数据点密度差异的异常值因 子； S103， 采用箱线图方法确定异常值因子的异常阈值， 并根据异常阈值确定并删除测量 误差数据集DP中异常的数据点， 得到过 滤后的测量 误差数据集S ′P； S104， 针对过滤后的测量误差数据集S ′P采用核支持向量回归模型进行误差预测， 得到 关口电能表的误差结果。 2.根据权利要求1所述的关口电能表的现场电能计量误差预测方法， 其特征在于， 步骤 S101中计算 其中数据点的估计密度的函数表达式为： 上式中， ρ(p)为数据点p的估计密度， |Nk(p)|为数据点p的k个最近邻数据点Nk(p)的大 小， qj为数据点p的k个最近邻数据点Nk(p)中的第j个数据点， μ为多元高斯核的维度， w为多 元高斯核的宽度， d(qj,p)为数据点qj和数据点p之间的平方欧几里 得距离。 3.根据权利要求2所述的关口电能表的现场电能计量误差预测方法， 其特征在于， 步骤 S102中异常值因子的计算 函数表达式为： 上式中， KDOF(p)为数据 点p及其k个最近邻的密度差异的异常值因子， 数据 点p及其k个 最近邻均为测量误差数据集DP中的数据点， qj为数据点p的k个最近邻数据点Nk(p)中的第j 个数据点， DF(qj)为数据点qj的密度波动， DF(p)为数据点p的密度波动， |Nk(p)|为数据点p 的k个最近邻数据点 Nk(p)的大小， 且 任意数据点p的密度波动的计算 函数表达式为： 上式中， ρ(p)为数据点p的估计密度， ρ(qj)为数据点qj的估计密度。 4.根据权利要求3所述的关口电能表的现场电能计量误差预测方法， 其特征在于， 步骤 S103中采用箱线图方法确定异常值因子的异常阈值的函数表达式为： 上式中， Th为异常值 因子的异常阈值， α 为影响因子， IQR为四分位距， Q1为异常值分数的 下四分位数； 且异常的数据点的异常值因子大于异常阈值Th。 5.根据权利要求1所述的关口电能表的现场电能计量误差预测方法， 其特征在于， 步骤 S101中测量 误差数据集DP的函数表达式为： DP＝{(t,Na,b,c, εa,b,c)}, 上式中， t为关口电能表的测量误差的统计时间， Na,b,c为第b个关口电能表第c个月的第 a个测量得到的在温度和湿度共同作用下的应力， εa,b,c为第b个关口电能表第c个月的第a个权　利　要　求　书 1/3 页 2 CN 115471361 A 2测量得到的误差； 步骤S10 3得到过滤后的测量 误差数据集S ′P的函数表达式为： S′P＝{(t,Na,b,c, ε′a,b,c)}, 上式中， ε ′a,b,c为过滤后的第b个关口电能表第c个月的第a个测量得到的误差， 其中a＝ 1,2,3…,n， c＝1,2,3, …,12， n为测量次数。 6.根据权利要求5所述的关口电能表的现场电能计量误差预测方法， 其特征在于， 步骤 S104中针对过 滤后的测量 误差数据集S ′P采用核支持向量回归 模型进行误差预测包括： S201， 为核支持向量回归 模型选择核函数； S202， 将过滤后的测量误差数据集S ′P中的统计时间t、 应力Na,b,c作为核支持向量回归 模型的输入特征， 并基于选择的核函数为输入特征建立基于温度T、 湿度H和统计时间t的加 权线性组合核； 为核支持向量回归模型的优化问题引入松弛因子和约束问题以建立核支持 向量回归模型来学习测量误差预测的决策平面， 引入对偶拉格朗日函数将约束问题转化为 对偶问题， 通过求 解对偶问题的最优解， 得到核支持向量回归 模型的参数； S203， 为核支持向量回归模型建立决策函数， 以针对过滤后的测量误差数据集S ′P采用 核支持向量回归 模型进行误差预测， 且决策函数的函数表达式为： 上式中， f(v)为数据点v的误差预测值， 为第i次测量的最优解， αi为第i次测量的解， Kc(vi,v)为加权线性组合核对数据点对(vi,v)的计算结果， 其中数据点vi为任意第i个数据 点， u为偏差常数。 7.根据权利要求6所述的关口电能表的现场电能计量误差预测方法， 其特征在于， 步骤 S201中为核支持向量回归 模型选择的核函数为径向基函数。 8.根据权利要求6所述的关口电能表的现场电能计量误差预测方法， 其特征在于， 步骤 S202中建立的基于温度T、 湿度H和统计时间t的加权线性组合核的函数表达式为： Kc(xa,xb)＝m1KT(Ta,Tb)+m2KH(Ha,Hb)+m3Kt(ta,tb) 上式中， Kc(xa,xb)为加权线性组合核， m1～m3为核函数的权重因子， KT(Ta,Tb)为温度T对 应的核函数， KH(Ha,Hb)为湿度H对 应的核函数， Kt(ta,tb)为统计时间t对 应的核函数， (xa,xb) 为两个数据点， (Ta,Tb)为两个数据点(xa,xb)的温度， (Ha,Hb)为两个数据点(xa,xb)的湿度， (ta,tb)为两个数据点(xa,xb)的统计时间； 步骤S202中为核支持向量回归模型 的优化问题 引入松弛因子时， 引入松弛因子的函数表达式为： ξ*＝[ ξ1, ξ1*,... ξn, ξn*]∈R2n 上式中， ξ*为松弛因子， ξ1和 ξ1*分别为第1次测量的松 弛变量， 第1次进行约束的松 弛变 量， ξn和 ξn*分别为第n次测量的松弛变 量， 第n次进行约束的松弛变 量， R2n表示维度为2n， n为 测量次数， 且得到的引入松弛因子的核支持向量回归 模型的优化问题的函数表达式为： 上式中， ω为权向量， u为偏差常数， h为惩罚系数， ξi和 ξi*分别为第i次测量的松弛因子 和第i次进行约束的松弛变量， n 为测量次数； 步骤S202中引入的约束问题的函数表达式为：权　利　要　求　书 2/3 页 3 CN 115471361 A 3