[发明专利]一种电能计量误差预测方法及设备

权利要求书

1.一种电能计量误差预测方法，其特征在于，包括：

对目标时间段内电能计量装置的电能计量误差信号进行分解，得到误差趋势分量时间序列和误差旋转分量时间序列，其中，所述误差趋势分量时间序列包括一个误差趋势分量，所述误差旋转分量时间序列包括至少两个旋转分量；

分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型，相应地得到趋势分量预测模型和旋转分量预测模型；

分别利用所述趋势分量预测模型和所述旋转分量预测模型对电能计量误差进行预测，相应地得到趋势分量预测值和旋转分量预测值；

对所述趋势分量预测值和所述旋转分量预测值进行叠加，得到所述电能计量装置的整体计量误差预测结果。

2.根据权利要求1所述的电能计量误差预测方法，其特征在于，所述对目标时间段内电能计量装置的电能计量误差信号进行分解，得到误差趋势分量时间序列和误差旋转分量时间序列的过程包括：

利用改进本征时间尺度分解法，对所述目标时间段内电能计量装置的电能计量误差信号进行分解，得到所述误差趋势分量时间序列和所述误差旋转分量时间序列。

3.根据权利要求2所述的电能计量误差预测方法，其特征在于，所述利用改进本征时间尺度分解法，对所述目标时间段内电能计量装置的电能计量误差信号进行分解，得到所述误差趋势分量时间序列和所述误差旋转分量时间序列的过程包括：

确定所述目标时间段内电能计量装置的电能计量误差信号中的M个极值点坐标，M为正整数；

利用镜像对称延拓法，对所述M个极值点的两端进行极值点延拓，得到延拓后的两个极值端点坐标，并将所述两个极值端点坐标添入所述M个极值点坐标中，得到M+2个极值点坐标；

提取所述M+2个极值点坐标中每相邻两个极值点坐标之间的基线信号，得到多个基线信号；

利用三次样条插值对所述多个基线信号进行拟合，得到拟合基线信号；

从所述目标时间段内电能计量装置的电能计量误差信号中分离出所述拟合基线信号，得到分离后误差信号；

对所述分离后误差信号进行分解，得到所述误差趋势分量时间序列和所述误差旋转分量时间序列。

4.根据权利要求3所述的电能计量误差预测方法，其特征在于，

所述分别构建所述误差趋势分量时间序列和所述误差旋转分量时间序列的预测模型，相应地得到趋势分量预测模型和旋转分量预测模型的过程包括：

构建所述误差趋势分量时间序列的ARMA模型，得到所述趋势分量预测模型，构建所述误差旋转分量时间序列的ARIMA模型，得到所述旋转分量预测模型。

5.根据权利要求4所述的电能计量误差预测方法，其特征在于，所述构建所述误差趋势分量时间序列的ARMA模型，得到所述趋势分量预测模型，构建所述误差旋转分量时间序列的ARIMA模型，得到所述旋转分量预测模型的过程包括：

基于赤池信息量准则，采用从低阶往高阶逐次增加的试探方法，计算得到不同阶数所对应的赤池信息量，并将所有得到的赤池信息量中数值最小的赤池信息量所对应的阶数确定为目标预测模型的模型阶数，所述目标预测模型包括所述趋势分量预测模型和所述旋转分量预测模型；

利用非线性最小二乘估计算法和BFGS算法，确定所述目标预测模型的模型参数；

根据所述模型阶数和所述模型参数，构建所述误差趋势分量时间序列的ARMA模型和所述误差旋转分量时间序列的ARIMA模型，相应地得到所述趋势分量预测模型和所述旋转分量预测模型。

6.根据权利要求5所述的电能计量误差预测方法，其特征在于，所述基于赤池信息量准则，采用从低阶往高阶逐次增加的试探方法，计算得到不同阶数所对应的赤池信息量的过程之前，还包括：

利用ADF法，对所述误差旋转分量时间序列中每一个旋转分量的稳定性进行检测；

当检测出任一旋转分量的稳定性不满足预设稳定性时，利用差分运算对该旋转分量进行平稳化处理。