(19)中华 人民共和国 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 202111530000.9 (22)申请日 2021.12.02 (71)申请人 国网山西省电力公司晋中供电公司 地址 030600 山西省晋中市榆次区迎宾路 85号 申请人 西南大学 (72)发明人 刘玲　豆林林　王春　周渠　 赵仲勇　张泉　青云　侯运瑶　 (74)专利代理 机构 北京同恒源知识产权代理有 限公司 1 1275 代理人 赵荣之 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06N 3/08(2006.01) G06N 3/04(2006.01) (54)发明名称 一种基于广义回归神经网络的电能表状态 分析评价方法 (57)摘要 本发明涉及一种基于广义回归神经网络的 电能表状态分析评价方法， 属于电力技术领域。 该方法包括以下步骤： S1： 采集数据； S2： 数据预 处理； S3： 建立神经网络模型， 并通过数据训练模 型； S4： 模型优 化， 确定模型的平滑因子； S5： 模型 分析及评价效果判定。 可以对智能电能表运行实 时信息数据进行， 通过控制中心对电能表的运行 状态进行判断， 及时查出电能表的缺陷和不足， 避免造成计量问题并带来损失。 此外， 还可使得 检修活动更具有针对性， 可提高智能电能表维护 效率、 避免人力资源浪费。 权利要求书3页 说明书7页 附图2页 CN 114282714 A 2022.04.05 CN 114282714 A 1.一种基于广义回归神经网络的电能表状态分析评价方法， 其特征在于： 该方法包括 以下步骤： S1： 采集数据； S2： 数据预处 理； S3： 建立神经网络模型， 并通过 数据训练模型； S4： 模型优化， 确定模型的平 滑因子； S5： 模型分析及评价效果判定 。 2.根据权利要求1所述的一种基于广义回归神经网络的电能表状态分析评价方法， 其 特征在于： 所述S1中： 数据类型分为运行数据、 设备参数及外界环境数据， 划分为以下几种： 环境颗粒物浓 度、 环境温度、 湿度、 电压、 电流和功耗； 数据的获取方式通过电信息采集运行数据、 设备参数数据， 营销业务系统作为数据补 充， 选取表征用户用电特征 的相关时间序列数据项； 并通过环境监测传感器采集电能表设 备的外界环境数据。 3.根据权利要求2所述的一种基于广义回归神经网络的电能表状态分析评价方法， 其 特征在于： 所述S2中： 对平台数据进行初筛， 预选电能表状态评价的原始关联数据项； 对原始数据进行分析 加工， 修改或删除误差明显较大的数据； 对数据进行离散化处理， 将数据中的有功准确度等级， 额定负载点和检定误差数据看 作属性值， 属性值是连续的， 先用离 散化的方法对其进行 预处理。 4.根据权利要求3所述的一种基于广义回归神经网络的电能表状态分析评价方法， 其 特征在于： 所述S3中： 神经网络模型， 选择广义回归神经网络模型， 广义回归神经网络GRNN属于非线性回归 的前馈式人工神经网络， 无需事先列出方程， 通过激活神经元利用径向基概率密度函数逼 近目标函数从而 预测输出； GRNN网络求得的因变量预测值的准确性由随机变量中的唯一设 定参数即平滑因子σ 决定， 在非最佳平滑因子下， 如果训练样本中未包含测试样本中的预测 点， 网络泛化能力的 限制将降低模型的预测能力， 当平滑因子的设定值适中时， 训练样 本将 得到最大程度的利用， 同时预测点与样本点更近的训练样本 权值将加大。 5.根据权利要求4所述的一种基于广义回归神经网络的电能表状态分析评价方法， 其 特征在于： 所述GRNN的网络结构包括输入层、 模式层、 求和层和 输出层； 训练过程中进行非 线性回归时， 各层的处 理单元都含有特定的传递 函数； 输入层中神经元的个数与训练样本中输入向量的维数相等， 即与各传感器的对各气体 的灵敏度数据的维数相等； 输入层中各神经元分布简单同时直接将输入的训练样本变量传 递至下一层； 模式层中神经元的数量与训练样本容量相等， 各神经元均有其对应样本， 模式层中各 神经元对应的传递 函数为： Di2＝(X‑Xi)T(X‑Xi)权　利　要　求　书 1/3 页 2 CN 114282714 A 2式中X为GRNN的输入变量， Xi为第i个神经元对应的训练样本， σ 为GRNN唯一需要确定的 网络参数， 即平滑因子； 第i个神经元的输出即为输入变量X与其对应训练样本Xi之间 Euclid距离平方的指数 形式； 求和层中包含两种可供选择的神经元； 其中一种神经元对所有模式层神经元直接进行 算术求合， 它与各神经 元的连接 权值为1， 传递 函数表示 为： 另一种神经元对所有模式层神经元进行加权求合， 第 i个输出样本的第j个元素表示为 yij， j是求和层神经 元输出的元 素数， 传递函数表示 为： 输出层神经元的个数由训练样本 中输出向量的维数确定， 各神经元的输出值由求和层 中两类神经 元的输出商决定， 输出层的传递 函数表示 为： 6.根据权利要求5所述的一种基于广义回归神经网络的电能表状态分析评价方法， 其 特征在于： 所述S4具体为： 平滑因子σ 的优化方法选择 试验法， 具体步骤 包括： ①令平滑因子的初始值为0.1， 使其在[0.1,2]的区间内以step为0.1逐步递增并依次 建立预测模型； ②利用设定的训练样本和测试样本， 统计每个预测模型预测值与实 际值之间的误差， 以此计算每 个预测模型对三种气体的均方误差 MSE和平均相对误差 ε， 计算公式为： 其中n表示样本量， yi表示浓度实际值， 表示预测值， 均方误差MSE和平均相对误差 ε越 小表明模型的预测精度越高； ③将模型对三种气体的均方误差MSE设定为评价GRNN模型预测能力和精度的标准， 当 该均值最小时即可确定网络最佳的平 滑因子， 从而实现网络最佳输出和模型最佳性能； 随着平滑因子σ 的增大， 预测模型对三种气体的均方误差MSE也不断增加， 表面更大的 平滑因子将使模型 的预测能力和精度下降； 选定均值最小时的平滑因子为最优值， 最终确 定最优平 滑因子为0.1； 在训练过程中， 人为设定输入如环境颗粒物浓度、 环境温度以及湿度、 电压、 电流和功 耗参数， 每个参数对电能表状态评价结果占有一定的权重， 所谓权重， 是指将各类参数按一 定比例合理分配， 以因素对运行状态产生的影响程度为分配依据； 每个参数内部根据其劣 化水平所起到的决定性程度会有不同； 根据劣化水平以及状态量权重为评价依据， 与正常、 注意、 异常以及严重四种状态对应作为 监督， 来进行模型训练。 7.根据权利要求6所述的一种基于广义回归神经网络的电能表状态分析评价方法， 其权　利　要　求　书 2/3 页 3 CN 114282714 A 3