(19)国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110604454.X (22)申请日 2021.05.31 (65)同一申请的已公布的文献号 申请公布号 CN 113408192 A (43)申请公布日 2021.09.17 (73)专利权人 国网山东省电力公司营销服 务中 心 （计量中心） 地址 250001 山东省济南市 市中区大观园 经二路15 0号 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 (72)发明人 陈祉如　郭亮　代燕杰　杜艳　 董贤光　荆臻　张志　赵曦　(74)专利代理 机构 广州嘉权专利商标事务所有 限公司 4 4205 专利代理师 张志辉 (51)Int.Cl. G06F 30/27(2020.01) G06K 9/62(2022.01) G06N 3/12(2006.01) G06Q 10/04(2012.01) G06Q 50/06(2012.01) G01R 35/04(2006.01) 审查员 彭巧君 (54)发明名称 基于GA-FSVR的智能电表误差预测方法 (57)摘要 本发明公开了基于GA ‑FSVR的智能电表误差 预测方法， 包括： 结合RBF核函数及Sigmoid核函 数提出一种新的融合核函数模型， 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。 本发明能够准确追踪不同温 度下的智能电表的误差 变化情况。 权利要求书1页 说明书7页 附图3页 CN 113408192 B 2022.11.11 CN 113408192 B 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Si gmoid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， Kf表示融合核函数， Kr表示RBF核函数， Ks表示Sigmoid核函数， s.t.表示约束条 件， xi,xj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， 其特征在于， 所述基 于FSVR的智能电表误差预测模型的表达式为 其中， αi和 表示拉格朗日乘子， Kf表示融合核函数， xi表示训练样本向量， x表示测试 数据向量， b为偏置项。 4.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Sigmo id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。 5.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。权　利　要　求　书 1/1 页 2 CN 113408192 B 2基于GA‑FSVR的智能电表误差预测方 法 技术领域 [0001]本发明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。 背景技术 [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。 发明内容 [0004]本发明旨在至少解决现有技术中存在的技术问题之一。 为此， 本发明提出一种基 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]根据本发明实施例的基于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]根据本发明实施例的基于GA ‑FSVR的智能电表误差预测 方法， 至少具有如下有益 效果： 本发明实施例的基于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， 使得本发明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]根据本发明的一些实施例， 所述融合核函数模型为：说　明　书 1/7 页 3 CN 113408192 B 3