一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法

摘要

本发明公开了一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法包括：采集智能电能表样例数据；检验真实数据分布构成；使用蒙特卡洛模拟生成虚拟线路数据，并校验模拟数据构成情况；生成模拟数据求解效果；模型有效性判断以及模拟数据与真实数据关联性，从而实现仿真模拟。本发明提供的基于蒙特卡洛模拟方法的智能电能表示数仿真方法使用蒙特卡洛仿真方法，将实地测量示数转换为模拟示数，从而能够预先模拟出电能表的示数和状态，针对性的进行检查。本发明在采执行成本和完成时间方面都取得良好的效果。

权利要求

1.一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法，其特征在于，包括：采集智能电能表样例数据；

检验真实数据分布构成；

所述检验真实数据分布构成包括分析样例数据的实时监测数据，确定数据分布方式；

使用蒙特卡洛模拟生成虚拟线路数据，并校验模拟数据构成情况；

所述使用蒙特卡洛模拟生成虚拟线路数据包括蒙特卡洛模拟通过所述样例数据分布检验生成虚拟数据；

所述校验模拟数据构成情况包括对照真实数据情况，构建模拟数据集并确定分布模型；

生成模拟数据求解效果；

若模拟数据集的分布形式与真实数据的分布形式超过或等于80％，进行模型误差率求解；

若模拟数据集的分布形式与真实数据的分布形式低于80％，则重新生成模拟数据；

模型有效性判断以及模拟数据与真实数据关联性；

所述模型有效性判断包括，若准确率≥80％，为高精度模拟数据，可以生成有参考价值的智能电能表示数；

若80％＞准确率≥60％，为可用数据，可以生成有参考价值的智能电能表示数，同一个智能电能表应以准确率更高的数据集生成示数；

若准确率＜60％，则视为错误数据，重新生成数据集。

2.如权利要求1所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法，其特征在于：所述智能电能表样例数据包括智能电能表的运行历史数据和实时监测数据并进行预处理。

3.如权利要求2所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法，其特征在于：所述预处理包括删除错误数据和人为修改数据。

4.如权利要求1所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法，其特征在于：所述模拟数据集包括正态分布、离散分布、半个周期正态分布、对数正态分布和无明显分布五种分布形态；

其中：

正态分布函数模型：

半个周期正太分布模型：

对数正态分布模型：

其中，x为模拟智能电能表的示数，σ为标准差，μ为平均值，μ'为服从均值,e为自然常数。

5.如权利要求1所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法，其特征在于：所述生成模拟数据求解效果包括：根据所述模拟数据集计算误差率数值、命中数、准确率、召回率。

说明书

一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法

技术领域

[0001] 本发明涉及智能电表示数模拟技术领域，具体为一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法。

背景技术

[0002] 现如今，电网建设情况突飞猛进，我国电网运行建设情况也已进入新阶段，以“安全可靠，智慧高效”作为方向，为经济高效、可持续发展、灵活运营的智能电网建设正应运而生。而这一步，离不开计量设备智能运营与误差精准识别。根据国家电网数据显示，目前国网系统接入的终端设备超过5亿只，国家电网规划预计到2025年接入终端设备将超过10亿只，2030年接入的终端设备数量将达到20亿只，但电能表内部功能单元多、结构复杂，不同厂家生产工艺难以控制等问题，智能电能表的检测，增加人力和时间成本。

[0003] 同时，电力行业数智化转型不断深入，对精细化运营管理要求越来越高，通过大数据技术，结合分析智能电能表的设备相关数据、运行历史数据、实时监测数据等，有效判断出相应区域的失准设备，探索出一套智能电能表示数仿真，以及状态评价与更换解决方案是非常重要的。

发明内容

[0004] 本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

[0005] 鉴于上述存在的问题，提出了本发明。

[0006] 因此，本发明解决的技术问题是：智能电能表结构复杂且数量多分布广，对其进行检测和状态评估需要消耗大量资源的问题。

[0007] 为解决上述技术问题，本发明提供如下技术方案：一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法，包括：

[0008] 采集智能电能表样例数据；

[0009] 检验真实数据分布构成；

[0010] 使用蒙特卡洛模拟生成虚拟线路数据，并校验模拟数据构成情况；

[0011] 生成模拟数据求解效果；

[0012] 模型有效性判断以及模拟数据与真实数据关联性。

[0013] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述智能电能表样例数据包括,智能电能表运行历史数据和实时监测数据。

[0014] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：对采集到的智能电能表运行历史数据和实时监测数据进行预处理；

[0015] 所述预处理包括删除错误数据以及删除人为修改数据。

[0016] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述检验真实数据分布构成包括分析样例数据的实时监测数据，确定数据分布方式。

[0017] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述使用蒙特卡洛模拟生成虚拟线路数据包括蒙特卡洛模拟通过所述样例数据分布检验生成虚拟数据。

[0018] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述校验模拟数据构成情况包括对照真实数据情况，构建模拟数据集并确定分布模型。

[0019] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述模拟数据集包括正态分布、离散分布、半个周期正态分布、对数正态分布和无明显分布(随机数)五种分布形态；

[0020] 正态分布函数模型表示为，

[0021]

[0022] 半个周期正太分布模型表示为，

[0023]

[0024] 对数正态分布模型表示为，

[0025]

[0026] 其中，x为模拟智能电能表的示数，σ为标准差，μ为平均值，为服从均值,e为自然常数。

[0027] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述校验模拟数据构成情况还包括：

[0028] 若模拟数据集的分布形式与真实数据的分布形式超过或等于80%，进行模型误差率求解；

[0029] 若模拟数据集的分布形式与真实数据的分布形式低于80%，则重新生成模拟数据。

[0030] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述生成模拟数据求解效果包括：根据所述模拟数据集计算误差率数值、命中数、准确率、召回率。

[0031] 作为本发明所述的基于蒙特卡洛模拟方法的智能电能表示数仿真方法的一种优选方案，其中：所述模型有效性判断为：

[0032] 若准确率≥80%，为高精度模拟数据，可以生成有参考价值的智能电能表示数；

[0033] 若80%＞准确率≥60%，为可用数据，可以生成有参考价值的智能电能表示数，同一个智能电能表应以准确率更高的数据集生成示数；

[0034] 若准确率＜60%，则视为错误数据，重新生成数据集。

[0035] 本发明的有益效果：本发明提供的基于蒙特卡洛模拟方法的智能电能表示数仿真方法降低了人力和时间成本的消耗，使用蒙特卡洛模拟方法仿真实验，模拟示数并判断可能存在损坏的智能电能表的区域，从而能够实现人力资源和费用的节省。使用蒙特卡洛模拟方法模拟智能电能表示数，本发明在执行成本和完成时间方面都取得良好的效果。

附图说明

[0036] 为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

[0037] 图1为本发明一个实施例提供的一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法的整体流程图。

具体实施方式

[0038] 为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

[0039] 在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

[0040] 其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

[0041] 本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

[0042] 同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

[0043] 本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

[0044] 实施例1

[0045] 参照图1，为本发明的一个实施例，提供了一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法，包括：

[0046] S1：采集智能电能表样例数据；

[0047] 更进一步的，所述智能电能表样例数据包括智能电能表的运行历史数据和实时监测数据。

[0048] 应说明的是，需要对采集的智能电能表样例数据进行预处理，去除人为修改数据以及错误数据。

[0049] 模拟数据根据样例数据生成，样例数据中的数据如不真实，会导致模拟数据无法准确模拟出智能电能表示数。

[0050] S2：检验真实数据分布构成；

[0051] 更进一步的，检验真实数据分布构成包括：

[0052] 所述检验真实数据分布构成包括分析样例数据的实时监测数据，确定数据分布方式。

[0053] 应说明的是，对于电表数据，日电量数据基本服从几类分布形式：正态分布，0值概率较高的离散分布，对数正态分布等。

[0054] S3：使用蒙特卡洛模拟生成虚拟线路数据，并校验模拟数据构成情况。

[0055] 应说明的是，使用蒙特卡洛模拟生成虚拟线路数据包括蒙特卡洛模拟通过所述样例数据分布检验生成虚拟数据。

[0056] 还应说明的是，模拟数据集包括正态分布、离散分布、半个周期正态分布、对数正态分布和无明显分布(随机数)五种分布形态。

[0057] 还应说明的是，

[0058] 正态分布函数模型表示为，

[0059]

[0060] 半个周期正太分布模型表示为，

[0061]

[0062] 对数正态分布模型表示为，

[0063]

[0064] 其中，x为模拟智能电能表的示数，σ为标准差，μ为平均值，为服从均值,e为自然常数。

[0065] 更进一步的，若模拟数据集的分布形式与真实数据的分布形式超过或等于80%，进行模型误差率求解；

[0066] 若模拟数据集的分布形式与真实数据的分布形式低于80%，则重新生成模拟数据。

[0067] S4：生成模拟数据求解效果；

[0068] 更进一步的，校验模拟数据构成情况包括对照真实数据情况，构建模拟数据集并确定分布模型。

[0069] S5：模型有效性判断以及模拟数据与真实数据关联性；

[0070] 应说明的是，有效性的判别是根据对模型误差率求解后，得出的准确率进行判别。

[0071] 应说明的是，关联性根据真实数据分布情况和虚拟数据分布情况判断。

[0072] 更进一步的，模型有效性判断为：

[0073] 若准确率≥80%，为高精度模拟数据，可以生成有参考价值的智能电能表示数；

[0074] 若80%＞准确率≥60%，为可用数据，可以生成有参考价值的智能电能表示数，同一个智能电能表应以准确率更高的数据集生成示数；

[0075] 若准确率＜60%，则视为错误数据，重新生成数据集。

[0076] 应说明的是，准确率为命中的生成数据与真实数据的比值，经过大量计算判断准确率大于等于80%，为高精度模拟数据，可以完全替代真实数据的作用；准确率大于等于60%但未达到高精度模拟数据要求的模拟数据有参考价值但是无法完全替代真实数据使用；准确率低于60%则无参考价值；模拟生成的数据准确率大于等于60%为有效数据，否则为无效数据。

[0077] 还应说明的是，模拟数据与真实数据的关联性是根据对真实数据的分布检验，先判断出真实数据的分布规律，根据真实数据的分布规律生成蒙特卡洛模拟数据，与真实世界数据规律相仿，即可实现与真实数据的关联；通过仿真数据的生成，在仿真数据上，进行模型函数求解，即可得到模型在大多数情况下的真实求解效果。

[0078] 更进一步的，真实情况中，线损电量的准确性有变动，可能对模型效果产生干扰，可以通过模拟数据中生成噪声数据进行修正。

[0079] 更进一步的，真实情况中，误差电表的数量和数值可能较小，可以通过调整构造数据进行计算。

[0080] 实施例2

[0081] 本发明的一个实施例，提供了一种基于蒙特卡洛模拟方法的智能电能表示数仿真方法，为了验证本发明的有益效果，通过经济效益计算和仿真实验进行科学论证。

[0082] 过程中的模拟过程和数字过程进行仿真使用 Saber和 Matlab‑Simulink来评估算法。模拟已在具有Intel处理器和6 GB RAM的环境中运行。 使用的操作系统是64位Windows 7 Ultimate。用MATLAB编程语言对点对点系统进行仿真，连接记录，构建数据分布。

[0083] 如表1样例数据分布表所示，为真实数据分布构成。

[0084] 表1

[0085]

[0086] 通过对真实数据的分布检验，可以发现，80%以上的真实数据基本服从这几类分布，正态分布，0值概率较高的离散分布，对数正态分布等。

[0087] 因此，在通过蒙特卡洛模拟进行虚拟数据生成时，我们可以确保80%以上的模拟数据生成，与真实世界数据规律相仿。从而实现模拟数据与真实数据的关联性。

[0088] 通过仿真数据的生成，在仿真数据上，进行模型函数求解，即可得到模型在大多数情况下的真实求解效果。

[0089] 对照真实数据情况，构建如下所示模拟数据集，并进行模型误差率求解。

[0090] 模拟数据中，包含如下分布：

[0091] 正态分布：以均值60，标准差20进行构建

[0092]

[0093] 离散分布中：75%以上情况为0值，25%的情况为0.01到0.20之间的随机数；

[0094] 半个周期正态分布：一半周期正态分布以均值60，方差20进行构建，另外半个周期以0到100间随机数生成

[0095]

[0096] 对数正态分布：以自然常数e作为基，取对数后的数值，服从均值2.19，标准差为0.73进行构建

[0097]

[0098] 无明显分布数据：0到100之间随机数生成。

[0099] 构造数据集甲，数据集甲的构造数据分布类别为：30%正态分布数据，20%离散分布数据，20%对数正态分布，15%半个周期正态分布，15%随机数。

[0100] 如表2为数据集甲的构造表所示对照数据类别，进行验证集构造,单个日期量统一为200。

[0101] 表2

[0102]

[0103] 如表3甲集求解效果表所示，当前模型在模拟数据下可达到60%以上的准确率效果，可靠性为60%，平均准确率为76.9%。

[0104] 表3

[0105]

[0106] 综上所述，通过蒙特卡洛模拟，以及数据调整的方式，充分模拟真实数据下的情况，即可在模拟数据中得到模型性的真实效果，所以，在真实数据与当前部分模拟数据近似时，模型效果为60%左右。

[0107] 应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。