CN101258513B - 自动确定电力监控系统内监控设备的分级结构的方法 - Google Patents

自动确定电力监控系统内监控设备的分级结构的方法 Download PDF

Info

Publication number
CN101258513B
CN101258513B CN200680032248XA CN200680032248A CN101258513B CN 101258513 B CN101258513 B CN 101258513B CN 200680032248X A CN200680032248X A CN 200680032248XA CN 200680032248 A CN200680032248 A CN 200680032248A CN 101258513 B CN101258513 B CN 101258513B
Authority
CN
China
Prior art keywords
watch
dog
data
hierarchy
algorithm
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN200680032248XA
Other languages
English (en)
Other versions
CN101258513A (zh
Inventor
J·A·比克尔
R·W·卡特
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Schneider Electric USA Inc
Original Assignee
Schneider Electric USA Inc
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Schneider Electric USA Inc filed Critical Schneider Electric USA Inc
Publication of CN101258513A publication Critical patent/CN101258513A/zh
Application granted granted Critical
Publication of CN101258513B publication Critical patent/CN101258513B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D4/00—Tariff metering apparatus
    • G01D4/002—Remote reading of utility meters
    • G01D4/004—Remote reading of utility meters to a fixed location
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D2204/00—Indexing scheme relating to details of tariff-metering apparatus
    • G01D2204/20—Monitoring; Controlling
    • G01D2204/24—Identification of individual loads, e.g. by analysing current/voltage waveforms
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D2204/00—Indexing scheme relating to details of tariff-metering apparatus
    • G01D2204/40—Networks; Topology
    • G01D2204/47—Methods for determining the topology or arrangement of meters in a network
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02B—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO BUILDINGS, e.g. HOUSING, HOUSE APPLIANCES OR RELATED END-USER APPLICATIONS
    • Y02B90/00—Enabling technologies or technologies with a potential or indirect contribution to GHG emissions mitigation
    • Y02B90/20—Smart grids as enabling technology in buildings sector
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S20/00—Management or operation of end-user stationary applications or the last stages of power distribution; Controlling, monitoring or operating thereof
    • Y04S20/30—Smart metering, e.g. specially adapted for remote reading

Abstract

本发明涉及一种学习电力监控系统的分级布局的自动学习的分级结构算法。接收来自每个计量表的历史电力数据，并且将其放置到数据表中。假设干线处在所述分级结构的顶部，并且将干线指定为参考。产生校验矩阵，其表明在每个计量表对组合之间是否存在可能的连接。基于所述数据表计算相关系数矩阵(CCM)，并且把不可能有连接的条目归零。把参考计量表的列从所述CCM中拷贝到相关参考阵列(CRA)，并且将该CRA中的与该参考计量表具有最高相关性的计量表在连接表中标记为连接到该参考计量表。从所述数据表中减去该计量表的功率，并且重复所述程序，直到所有计量表都已被分析。

Description

自动确定电力监控系统内监控设备的分级结构的方法
技术领域
本发明总体上涉及公用设施(utility)监控系统，更具体来说，涉及公用设施监控系统中的自动数据精度对准、电力监控系统分级结构的自动确定以及自动数据整合。 
背景技术
自从在19世纪后期引入了配电气系统之后，就需要监控所述配电气系统的操作特性和电特性。收集、分析关于电力系统的信息并且对所述信息做出响应的能力可以提高安全性、最小化设备损耗、减少废料并且最终节省时间和金钱。为此，开发了监控设备以测量并报告这种信息。随着电子时代的来临，来自监控设备的数据的质量和数量都大大提高，并且开发了通信网络和软件来收集、显示以及存储信息。不幸的是，负责评估来自监控设备的数据的那些通信网络和软件现在无法应对来自其监控系统的信息。在使监控系统的有用性最大化的努力中，监控设备制造商正在寻求以最为有用的格式呈现信息的方法。 
有效地监控当今的配电气系统较为麻烦、昂贵并且低效。电力监控系统通常被设置成分级结构，其中诸如电表之类的监控设备被安装在该分级结构的各级处(参见图2)。监控设备测量通过导线的电信号的各种特性(例如电压、电流、波形失真、功率等等)，并且由用户分析来自每个监控设备的数据，以便评估潜在性能或质量相关的问题。然而，当今的电气监控系统的组件(监控设备、软件等等)彼此独立地起作用，从而需要用户是在配置硬件、收集并分析数据以及确定什么数据重要或有用方面的专家。这里存在两个问题：待分析的数据量和数据的上下文(context)。这些是单独的但是相关的问题。可以使对数据的分析自动化，从而解决数据量的问题。但是，为了可靠地实现这一点，必须把数据置于上下文中。在评估所述电气系统的每个监控设备之间的数据独立性基本上使每个监控设备忽略来自与所分析的系统相连的其他监控设备的数据。因此，从每个监控设备传送到系统计算机的数据常常是失准的，这是因为来自该系统上的每个监控设备 的数据不是同时到达该监控系统的计算机。监控设备之间的数据时间失准有两个基本原因：通信时间延迟以及监控设备计时&给事件加时间戳。于是将取决于用户来分析及解译该独立数据，以便优化性能或评估所述电力系统上的潜在的质量相关的问题。 
数字监控设备中的复杂处理能力允许从看起来简单的电信号中导出并累积大量复杂电数据。由于所述数据的复杂度、数量以及从一个监控设备到下一个监控设备的相对脱节的关系，对所有所述数据的人工分析是一项庞大的工作，其通常需要雇用专家来完成这项任务。该过程是冗长的、复杂的、易于出错及出现疏忽并且费时的。一种部分解决方案是使用全球定位卫星(GPS)系统来给事件加时间戳，但是这一方法要求用户购买并且安装附加的硬件和数据线，以便把各监控设备链接在一起。并且该解决方案仍然需要评估大量数据，这是因为所述系统只是在时间上有上下文，而不是在空间上有上下文。由于与所述系统中的其他硬件相关联的时间延迟，利用GPS系统来同步数据也是不利的。此外，通过基于GPS的系统所获得的任何数据对准只能与GPS信号的传播延迟一样精确，这意味着在使用GPS系统时，所述数据仍然可能没有最优地被对准。 
在所述电气系统中添加补充监控设备仅仅在该计量表被添加到该电气系统中的那一点处生成关于该电气系统的更多信息，从而毫无益处地增大了复杂度。虽然积聚了更多数据，但是所述数据的任何有用性通常都受限于被添加的监控设备的位置。 
许多电气系统的复杂度通常使监控系统的有关的配置过程成为必要，这是因为所述电气系统中的每个被计量的点都具有不同的特性，这也是首先安装多个监控设备的原因。作为至此为止从电气监控系统累积的大量复杂数据的结果，由于有限的资源、时间和/或经验，对所述数据进行详尽的分析通常是不可行的。 
所述数据的时间对准是用以理解及表征所述电力系统的一个重要方面。另一个重要方面是对所述电力监控系统的布局(或分级结构)具有透彻的认识。电力监控设备测量所述电力系统的操作参数，但是不提供关于该电力监控系统上的不同点处的参数如何彼此相关的信息。在知道该电力监控系统的分级结构的情况下，可以把多个监控设备的操作参数置于彼此的上下文当中。 
为了确定电力监控系统的布局，用户必须检查电单线图(one-linedrawing)，或者如果单线图不可用的话则必须物理地执行对所述电气系统的编目。用户把空间信息人工输入到监控系统软件中以便进行分析。当在所述电力监控系统内添加或去除新设备或所监控的负载时，用户必须人工更新所述监控系统软件，以便反映新的添加或改变。 
数据对准和布局信息对于理解及表征所述电力系统来说是；绝对必要的。利用这两项信息，可以整合来自每个计量表的数据，并且将其置入与该电力系统内的每个其他计量表的上下文中。迄今为止，用于尚可地整合数据的唯一技术对于用户来说是非常复杂的、昂贵的、人工密集的并且费时的。此外，这些技术也仅仅允许受限制的数据整合，并且需要附加的硬件(比如GPS硬件)、数据线和补充监控设备附件。 
因此，需要一种自动数据整合技术，包括自动数据精度对准以及对系统布局的自动分级结构分类。本发明旨在满足上述需求以及其他需求。 
发明内容
简而言之，根据本发明的一个实施例，一种自动确定多级分级结构中的设备如何彼此链接的方法包括：从该分级结构中的某些或所有设备接收数据。所述数据表示由某些或所有所述设备测量的公用设施(比如水、空气、汽油、电或蒸汽)的单向流动。该方法还包括：利用相关算法确定第一设备与第二设备是否直接互连，所述相关算法基于来自第一和第二设备的相应数据产生相关系数。 
根据本发明的另一个实施例，所述确定包括：当所述第一设备与第二设备之间的所述相关系数超出阈值时，把第一设备与第二设备识别为直接互连。 
根据本发明的另一个实施例，自动学习的分级结构算法把与辐射状馈送的配电监控系统内的多个计量表相关联的电数据存储到数据表中。计算校验矩阵，其表明在所述系统内的任何给定计量表对之间是否存在可能的连接。在所述数据表中具有最大电力读数的计量表被放置在级别列表中，并且被指定为参考计量表。基于该数据表中的电力数据计算相关系数矩阵(CCM)。对于在所述校验矩阵中具有零的计量 表以及已经被发现被连接的计量表(在第一次迭代中还没有发现被连接的计量表)，该CCM内的每个相关系数被归零。所述参考计量表的列从所述CCM中被拷贝到CRA，并且识别出该CRA中的与该参考计量表具有最高相关性的计量表。如果所述相关性超出阈值，则所述算法确定当前迭代是否是所讨论的计量表的第一次迭代。如果是的话，则与该计量表相关联的馈电线(feeder)被添加到当前级别上的计量表列表中。否则，所述算法确定馈电线相关性是否趋向于更高。 
如果没有确定更高的趋势，则所述算法检查是否已经分析了前一级别上的所有计量表。如果没有，则获得前一级别上的下一个计量表，并且更新所述CCM。否则，所述算法检查是否已经找到了所有计量表的连接。如果是的话，则所述算法退出，否则，该算法确定所述CCM中的最大相关系数是否超出阈值。如果是的话，则该算法确定对于当前级别来说是否存在更多计量表。如果不是的话，则确定在所述数据表中具有最高电力读数的下一个计量表。否则，当前级别上的计量表被移动到前一级别，针对下一级别清除所述CRA，并且所述算法针对下一级别(其在下一次循环中变成当前级别)重复，从而定位直接连接到所述参考计量表的计量表。 
简而言之，根据本发明的一个实施例，一种自动确定多级分级结构中的设备如何彼此链接的方法包括：从该分级结构中的某些或所有所述设备接收数据。所述数据表示由某些或所有所述设备测量的公用设施(比如水、空气、汽油、电或蒸汽)的单向流动。该方法还包括：利用相关算法确定第一设备与第二设备是否直接互连，所述相关算法基于来自第一和第二设备的相应数据产生相关系数。 
根据本发明的另一个实施例，所述确定包括：当所述第一设备与第二设备之间的所述相关系数超出阈值时，把第一设备与第二设备识别为直接互连。 
根据本发明的另一个实施例，自动学习的分级结构算法把与辐射状馈送的配电监控系统内的多个计量表相关联的电数据存储到数据表中。计算校验矩阵，其表明在所述系统内的任何给定计量表对之间是否存在可能的连接。在所述数据表中具有最大电力读数的计量表被放置在级别列表中，并且被指定为参考计量表。基于该数据表中的电力数据计算相关系数矩阵(CCM)。对于在所述校验矩阵中具有零的计量 表以及已经被发现被连接的计量表(在第一次迭代中还没有被发现被连接的计量表)，该CCM内的每个相关系数被归零。所述参考计量表的列从所述CCM中被拷贝到所述CRA，并且识别出该CRA中的与该参考计量表具有最高相关性的计量表。如果所述相关性超出阈值，则所述算法确定当前迭代是否是所讨论的计量表的第一次迭代。如果是的话，则与该计量表相关联的馈电线被添加到当前级别上的计量表列表中。否则，所述算法确定馈电线相关性是否趋向于更高。 
如果没有确定更高的趋势，则所述算法检查是否已经分析了前一级别上的所有计量表。如果没有，则获得前一级别上的下一个计量表，并且更新所述CCM。否则，所述算法检查是否已经找到了所有计量表的连接。如果是的话，则所述算法退出，否则，该算法确定所述CCM中的最大相关系数是否超出阈值。如果是的话，则该算法确定对于当前级别来说是否存在更多计量表。如果不是的话，则确定在所述数据表中具有最高电力读数的下一个计量表。否则，当前级别上的计量表被移动到前一级别，针对下一级别清除所述CRA，并且所述算法针对下一级别(其在下一次循环中变成当前级别)重复，从而定位直接连接到所述参考计量表的计量表。 
根据下面参照附图对各实施例进行的详细描述，本发明的前述和附加方面对本领域普通技术人员来说将变得显而易见，下面将提供对附图的简要描述。 
附图说明
在参照附图阅读下面的详细描述时，本发明的前述和其他优点将变得显而易见。 
图1是根据本发明的自动数据整合监控系统的功能方框图； 
图2是简化的电力监控系统的功能方框图； 
图3是根据本发明的一个实施例的监控设备的功能方框图； 
图4是根据本发明对准的来自两个监控设备的示例性频率数据样本； 
图5A是根据本发明的一个实施例的数据对准算法的流程图； 
图5B是根据本发明的另一个实施例的数据对准算法的流程图； 
图6是具有单一干线(main)和两条馈电线的简化分级结构的功 能方框图； 
图7是单辐射状馈送系统的示例图； 
图8是多辐射状馈送系统的示例图； 
图9-11A是根据本发明的一个实施例的自动学习的分级结构算法的流程图； 
图11B是根据本发明的另一个实施例的自动学习的分级结构算法的流程图； 
图11C是根据本发明的另一个实施例的自动学习的分级结构算法的流程图；以及 
图12是根据本发明的一个实施例的自动整合监控算法的流程图。 
虽然本发明可以有多种修改和替代形式，但是在附图中以举例的方式示出了特定实施例并且将在本文中详细描述。然而，应当理解，本发明并不旨在限于所公开的特殊形式。相反，本发明应当覆盖落在由所附权利要求所限定的本发明的精神和范围内的所有修改、等效方案和替代方案。 
具体实施方式
现在转向图1，总体上示出了自动数据整合监控系统100。具有多个监控设备M的公用设施系统102提供来自每个监控设备M的数据，所述数据被传送到自动数据对准系统104和自动分级结构分类系统106。所述数据在根据本发明的自动数据对准系统104中被自动对准并且产生对准的数据，使得该数据表示当由电力监控系统102中的监控设备M实际上同时看见时的数据。分级结构分类系统106自动学习存在于公用设施系统102中的监控设备的分级结构及其相对于彼此的关系。 
一旦来自每个监控设备M的数据被对准并且每个监控设备的位置是已知的，就可以说所述数据处在上下文108中。上下文数据108可以被软件应用110使用，以便在所述数据不在上下文中的情况下在通常可以获得的范围之外提供并且诊断关于所述公用设施系统102的有用信息。在公用设施系统102中被监控的公用设施可以是由首字母缩写词WAGES或者水、空气、汽油、电或蒸汽表示的五种公用设施中的任何一种。每个监控设备测量所述公用设施的特性，并且把这些特性 量化成可以由计算机分析的数据。 
用户通过传统的用户接口112与软件应用110交互。软件应用110可以被链接到其他系统114(比如记账系统)，并且使用上下文数据108来在所述其他系统114与用户接口112之间传送消息。 
数据对准系统104对准来自公用设施系统中的多个监控设备M的数据(比如电压、电流、时间、事件等等)，并且对用户来说是有价值的工具。当来自所有监控设备M的数据被对准到所述数据所发生的相同时间点时，所述数据可以被置入时间上下文中，可以从所述时间上下文自动做出或推荐关于硬件和软件配置的附加决定。如这里使用的，监控设备指的是具有采样、收集或测量公用设施系统102的一个或多个操作特性或参数的能力的任何系统元件或设备。当公用设施系统102是电力监控系统时，所述监控设备M可以是测量该电力监控系统的电特性或参数的计量表。 
根据本发明的各方面的数据对准技术(下面将详细描述)至少实现以下操作： 
1)监控设备中的自动数据对准； 
2)监控设备中的自动时间同步； 
3)位于公用电力网上的不同点处的监控设备中的数据和时间对准(其中监控系统软件可以从因特网或其他服务器获得时间数据)；以及 
4)在整个电力系统上诊断各相的错误识别或错误标记。 
电力系统中的所有现实世界电信号在其频率和幅度方面都会随着时间经历微小变化。所述信号的频率和幅度的这种变化就时间而言是不确定的而且唯一的。位于相同公用电网上的每个监控设备将同时经历相同的频率变化。对来自在分级结构中彼此直接链接的监控设备的数据的分析将揭示其幅度变化的相关性。随后在数据对准系统104中利用对所述信号的频率和幅度变化的分析来使一个监控设备的数据相对于另一个设备精确地被对准(或者使所有监控设备相对于彼此对准)。下面讨论数据对准系统104的细节。 
本发明的数据对准技术允许在不使用附加硬件的情况下把公用电力系统分级结构中的所有监控设备对准到所有三相电压的过零。本发明还预期到各监控设备之间的潜在的相移、例如由确定的变压器配置导致的那些相移。一旦把监控设备的数据彼此对准，系统数据就基本 上关于其所发生的时间对准，从而使更加复杂的数据分析可行。 
在图2中示出了电力监控系统120的简化配置。电力监控系统120包括干线122，其通过第一馈电线连接到第一负载124并且通过第二馈电线连接到第二负载126。监控设备128、130分别测量与第一和第二馈电线相关联的电特性或参数。每个监控设备128、130通信耦合到计算机132。 
如图3中所示，第一监控设备128可以是功率表(或电表)。监控设备128包括控制器134、固件136、存储器138、通信接口140和三相电压导线连接器142a、b、c(其分别连接到VA、VB和VC相电压导线并且耦合到控制器134)。分别连接到IA、IB和IC相电流导线的三相电流导线连接器143a、b、c可选地耦合到控制器134。固件136包括用于指示该控制器实施所述监控设备所需的操作的机器指令。存储器138被控制器134用来存储由监控设备128测量的电参数数据。 
由监控设备128通过通信接口140接收来自计算机132的指令。根据本发明的一个实施例，这些指令包括指示控制器134执行以下操作的指令：标记循环计数，开始存储电参数数据，或者把存储在存储器138中的电参数数据传送到监控系统软件132。所述电参数数据可以包括由监控设备采集的任何数据，包括频率变化、幅度变化和相位变化的任何组合。 
本发明提供一种把来自多个监控设备的数据自动地、精确地在时间上对准到相同电压过零的算法。下面讨论的其他数据对准方面都是基于这一能力。本发明的数据对准方面通过监控设备128和运行在计算机132上的监控系统软件来促进，并且将单独讨论每一个的要求。在监控设备128中执行对数据的收集和部分分析。 
从监控设备128被通电的时候开始，就对所测量的电压信号执行循环计数。在每次正电压过零的情况下(或者替代地在每次负电压过零的情况下)顺序地迭代所述循环计数。随着监控设备128循环地测量电压和电流的频率和幅度变化，执行与其相应的标称值的比较。由设备固件136跟踪所述频率和幅度变化以及相关联的循环计数。在任意指定的循环计数下的相关联的监控设备时间可以被存储在存储器138中。 
由计算机132执行的监控系统软件通过向电力监控系统120上的 所有监控设备128、130发送全局命令以标记其循环计数、时间以及缓冲预定量的逐循环的数据来启动与多个监控设备相关联的数据对准。 
所述预定量的数据是基于所述电力监控系统内的监控设备的数目、该电力监控系统内的通信时间延迟以及所述频率和幅度变化的大小来确定的。当所述缓冲完成时，监控设备128、130把它们的缓冲数据传送到计算机132。 
一旦由监控设备128、130收集了所述数据，所述监控系统软件就上载缓冲数据以进行分析。由于所述电力监控系统内的通信时间延迟以及监控设备内的内部时间延迟，该系统上的监控设备将不可能同时开始缓冲所述数据，因此将可能存在每个监控设备的缓冲数据的时间偏移量。由计算机132上的监控系统软件来分析缓冲数据，以便定位所有监控设备128、130之间的最高频率相关性。一般来说，通过相对于一个监控设备滑动另一个监控设备中的缓冲频率数据直到频率变化彼此对齐(如图4所示)来定位最高相关性。 
相对于监控设备130的频率数据362“滑动”监控设备128的频率数据360，直到每个设备的频率数据对齐。因此，与监控设备128的Δt1相关联的过零和与监控设备130的Δt1相关联的过零对准，与监控设备128的Δt2相关联的过零和与监控设备130的Δt2相关联的过零对准，以此类推。下面将结合图5A和5B更加详细地讨论用于相对于彼此“滑动”两个数据集直到它们被对准的互相关算法。 
一旦所述缓冲数据被对准，就在计算机132上的软件中使第一监控设备128的循环计数与第二监控设备130的循环计数相关联。板上监控设备时间也可以可选地相对于彼此被对准或相关联。针对电力监控系统120内的每个监控设备重复这一过程，直到所有设备的循环计数都与彼此相关联。在所述数据对准过程期间，计算机132上的监控系统软件构建每个设备的循环计数和时间相对于彼此以及计算机132上的时间的矩阵。 
虽然图2示出了仅具有两个监控设备128、130的简化的电力监控系统120，但是本发明的数据对准实施例可以适用于具有多个分级级别的任何复杂度的任何电力监控系统120，比如图7中示出的单线图。为了易于说明及讨论，仅仅讨论了两个监控设备128、130。 
一旦两个监控设备128、130的数据相对于彼此被对准，通常就不 需要再次重新对准所述数据，除非监控设备失去其电压信号或者重置其自身。在那些情况下，根据本发明，仅仅需要重新对准失去其电压信号或重置的监控设备。可以通过一个事件来启动本发明的数据对准技术，该事件比如是欠电压或过电压条件，把负载连接到所述电力监控系统或者把负载从该电力监控系统断开，电压、电流或负载的特性的改变，监控设备重置，或者电力损失。本发明的数据对准技术还可以由所述监控软件自动启动或者由用户人工启动。 
现在转向图5A，示出了用于执行本发明的一个实施例的流程图，该流程图可以被实施为由计算机132执行的数据对准算法180。数据对准算法180开始于向监控设备(比如监控设备128、130)发送消息，以便开始缓冲数据(200)，直到缓冲完成(202)。计算机132从每个设备读取所述数据(204)。在一个实施例中，所述数据表示电参数数据、比如(基本)频率变化、幅度变化以及相位变化。优选地，所述数据表示基频变化。基频是一个优选标准，这是因为其在整个电力监控系统中保持不变，即使在所述系统中存在变压器也是如此。当在所述系统中存在变压器时，幅度和相位可能偏移；但是本发明设想到使用幅度和相位信息作为标准。 
计算机132选择诸如监控设备128的参考监控设备(206)，并且随后选择诸如监控设备130的待分析的监控设备(208)。随后根据本发明对来自监控设备128、130的数据进行互相关(210)，并且把每个设备的循环计数和时间关系输入到矩阵中(212)。通过传统的互相关算法来实施所述互相关，优选地例如是在下面在等式1中提供的算法。 
r ( d ) = Σ i [ ( x ( i ) - mx ) * ( y ( i - d ) - my ) ] Σ i ( x ( i ) - mx ) 2 Σ i ( y ( i - d ) - my ) 2 (等式1) 
相关系数由r(d)表示，延迟(偏移量或偏移)由d表示，其中对于表示来自监控设备128、130的相应数据的两个数列x(i)和y(i)有-1＜＝r(d)＜＝1；并且mx和my是相应的数列x(i)和y(i)的均值。根据一个实施例，所述相关算法是循环相关算法，其中范围外的索引被“卷(wrapped)”回到范围内。在另一个实施例中，所述相关算法是线性相关算法，其中每个数列被重复。在其他实施例中，所述相关算法是 图案匹配算法或文本搜索算法。 
在互相关之后，计算机132检查是否已经分析了所有监控设备(214)，如果是的话，该计算机继续检查相导线的布线。在许多实例中，在电气系统内相导线可能被安装它们的承包商错误识别。例如，在干线开关装置处被识别为“A相”的相可能在负载处被识别为“B相”。对相导线的这种命名错误识别可能导致混淆，甚至可能造成安全危害。 
为了减轻这种危害，计算机132通过在每个监控设备上的参考通道的电压(或电流)过零处采样数据来分析电压(或电流)数据(216)。计算机132通过确定所采样的数据的值是零、负的还是正的并且基于这些值分配每个参考通道的相符号(比如A、B或C)来确定布线是否正确(218)。如果所有监控设备都被正确识别，则相A的数据值应当接近零。如果所述数据值是负的，则对于ABC相旋转来说所考虑的相是“B相”。如果所述数据值是正的，则对于ABC相旋转来说所考虑的相是“C相”。向用户通知布线是否正确(220)。一旦针对每个监控设备确定了正确的相符号(222)，计算机132随后就可以允许用户校正任何或所有监控设备中的错误识别的相符号。根据本发明的相诊断实施例适用于电压输入以及电流输入。 
图5示出了用于实施本发明的另一个实施例的流程图。与图5A一样，为了易于讨论，将参照图2中示出的电力监控系统120，但是如上所述，本发明的数据对准技术适用于任何公用设施监控系统。 
计算机132指示电力监控系统120内的每个监控设备在预定数目的循环内(优选地是在大约1000到大约10000个循环之间)在逐循环的基础上存储数据(250)。当已经由监控设备存储了足够数量的数据时，计算机132接收来自监控设备的数据(252)，并且选择参考监控设备(254)。利用诸如上面的等式1的传统互相关算法，计算机132计算所述参考监控设备的至少一部分数据(比如大约400个循环)与第二监控设备的数据之间的相关系数r(d)(256)。所计算的相关系数被存储，并且第二监控设备的数据相对于该参考设备被偏移一个循环(258)。 
如上所述，范围外的索引可以根据循环相关算法被卷回范围内，或者所述索引可以根据线性相关算法被重复。利用经过偏移的数据计算相关系数(260)，并且如果不需要进一步的偏移(262)，则在计 算最大相关系数的点处或者在所述相关系数超出阈值(比如0.5)的点处将第二监控设备的数据与所述参考设备的数据对准(264)。应当注意到，当所述相关系数r(d)接近于1.0时，则所述算法可以在不进行任何进一步的偏移的情况下退出。 
计算机132在对准点处使所述第二监控设备与所述参考设备的时钟同步(266)。计算机132读取每个监控设备中的循环计数以及相关联的监控设备的板上时钟时间。由于板上时钟的限制，监控设备的板上时钟时间与循环计数可能相对于彼此漂移。一旦对准了所述数据，所述循环计数就被视为监控设备的绝对参考。由于时钟漂移，可能必须周期性地重新读取与设备的循环计数相关联的时间，以便重新确定该设备的时间。计算机132上的软件随后将更新包含监控设备时间信息的矩阵。 
上述特征的另一种能力是允许周期性地将所有板上监控设备时钟重置到相同的值，以便提供用于整个电力监控系统的的标准时间。优选地，根据某一绝对时间参考来设置(运行在计算机132上的)所述监控系统软件内的时间。一旦设置了计算机时间，该监控系统软件就相应地在所有监控设备上重置时间。在该实施例中，每个监控设备和所述软件的数据和时间将与所述绝对时间参考更精确地对准。 
当没有其他的监控设备要对准时(268)，程序结束。在一个替代实施例中，在所述时钟被同步之前对准所有监控设备的数据(266)。 
本发明的数据对准技术的另一个优点是在所述公用电网的不同点处对准数据和时间的能力。如果监控设备位于相同公用电网的两个不同点处，可以将所述监控设备一起对准。在该实施例中，首先根据本发明将位于每个地理位置处的监控设备彼此对准。随后把管理所有系统的软件用作所有系统的绝对时间参考，从而为所有系统给出共同的参考点。 
回到图1，集成监控系统100包括分级结构分类系统106。具有对电力系统的布局的透彻认识对于理解及表征所述系统来说是绝对必要的。电表通常仅提供所述电气系统的操作参数，而不给出关于该电气系统上的不同监控点处的参数如何彼此相关的信息。具有电气系统的分级结构，将多个监控设备的操作参数置于彼此的空间上下文中。该空间上下文为用户给出用来解决系统问题、提高系统效率、预测故障 和降级、定位干扰源或者对系统响应进行建模的更为强大的工具。 
本发明的分级结构分类系统106允许所述监控系统软件从公用设施系统102上的监控设备收集数据并且在很少或者没有用户输入的情况下自动确定该公用设施系统102的分级结构。由该分级结构分类系统106给出的细节等级与该公用设施系统102内的监控设备的数目和范围直接相关。在添加补充监控设备时，根据本发明的自动学习的分级结构算法使所述补充监控设备能够被自动合并到所确定的分级结构中。 
在对节点进行相关时，节点的分级结构基于确定一个节点总是大于另一个节点的关系。分级结构的关系可以按照以下三种方式之一来链接元件或者使元件相互关联：直接关联，间接关联，或者根据不关联。在图6中示出了负载2 310与馈电线2 306之间的直接链接或相互关联的图示。与此相对，在负载2 310与干线1 302之间存在间接链接。最后，在负载1 308与负载2 310之间以及在馈电线1 304与馈电线2 306之间实际上没有链接。 
在电力系统分级结构的情况下，一个目标是对该电力系统内的元件进行排序，以便表示该电力系统的真实的连接布局。通过确定电力系统的分级结构提供可以被用来解决问题、提高设备和系统性能、改进安全性以及省钱的重要信息。包含在电力系统分级结构内的细节等级将取决于所监控的元件或节点的数目以及所述节点向运行在计算机132上的所述监控系统软件中的自动学习的分级结构算法提供反馈的能力。 
一般来说，根据本发明的分级结构分类系统106利用基于规则和统计方法的所述监控系统软件内的自动学习的分级结构算法。所述监控系统软件周期性地轮询公用设施系统102内的每个监控设备，以便在该节点(由监控设备M表示)处确定该公用设施系统102的某些特性或参数。在相同的给定时间点处从所述系统内的每个计量表取得所指定的参数的多个样本。一旦从公用设施系统102内的每个节点M收集了参数数据，所述自动学习的分级结构算法分析所述数据并且关于取得所述数据样本的时间以及该数据样本的相关联的值来追踪监控设备之间的关系或链接。可以周期性地执行上述分析，以便提高所述分级结构是准确的概率或者确定该分级结构的任何改变。一旦迭代过程 达到所确定的公用设施系统102的布局是正确的某一预定统计置信水平，所述自动学习的分级结构算法结束。随后把公用设施系统102的最终布局呈现给用户以求得一致。在利用所述自动学习的分级结构算法相对于所有其他监控设备随着时间(学习周期)评估每个监控设备的数据时，基于可用的监控点确定公用设施系统102的分级结构的基本布局。在这方面，根据本发明的算法使用来自每个监控设备的数据的历史趋势，并且将这些趋势进行比较以确定在监控设备之间是否存在任何相互关联(链接)。利用更多可用于分析的监控点可以确定更为详细的分级结构。 
本发明的自动学习的分级结构算法的益处是在最少用户输入或没有用户输入的情况下自动提供所监控的公用设施系统的基本分级结构。随后可以把所述分级结构用作由其他系统114进行评估的工具。另一个益处在于，本发明提高了所述监控设备与所述监控系统软件之间的时间同步的精度。 
在公用设施系统102是电力监控系统的实施例中，从该电力监控系统中的每个监控设备同时取得特定电参数(比如功率、电压、电流等等)的样本。参数数据被存储，并且在取得所述样本的时间、数据点的相关联的值以及提供所述数据的监控设备方面被分析。 
对从所述电力监控系统内的每个监控设备取得的数据进行相互比较，以便确定在监控设备之间是否存在任何相关性。根据本发明，在预定时间段内分析所述数据的统计趋势和相关性以及相似性和差异。 
根据一个实施例，使用一个或多个规则或假设来确定所述电力系统的分级结构次序。为了自动学习所述公用设施系统的分级结构，可能必须关于该公用设施系统做出某些假设。所述假设是基于欧姆定律、能量守恒以及关于典型的配电和电力监控系统的工作经验。 
可以由所述自动学习的分级结构算法结合电力系统和电力监控系统制定的一般规则包括： 
1、所分析的电力系统处在单辐射状馈送配置320(图7)或多辐射状馈送配置330(图8)中。 
2、假设测量最高能量使用的计量表处在所述分级结构的顶部(例如图7中示出的干线322)。 
3、所述计量表的采样数据速率至少高于任何负载的最短占空比。 
4、在电力系统上在参数数据收集过程期间消耗(不生成)能量。 
5、由于所述电力监控系统上的所有计量表中的时间偏移量所导致的误差是最小的，其中数据从所述监控设备被推到运行在计算机132上的监控系统软件。 
对于所述自动学习的分级结构算法来说可能存在下面的附加参数： 
1、为了分级目的，不从安装在电力系统的相同点处的两个监控设备收集数据。 
2、忽略没有负载的计量表，或者仅仅使用电压信息来确定其在所述分级结构中的位置。 
3、在所述电力系统中可以存在多个干线(干线1、干线2、干线3等等)。 
4、由所述系统内的每个监控设备把数据提供给所述监控系统软件。 
5、开始或停止的负载影响与该负载有直接或间接的链接的任何相应的上游的被计量的数据的负载简档。 
6、电压特性(基频、谐波、对称分量)对于相同总线上的所有监控设备来说是相对一致的。 
7、电气系统上的变压器损耗相对于变压器下游的负载是最小的。 
8、监控设备之间的负载的(随时间的)广义相关表明直接链接或间接链接。 
9、在所述电力系统中的某一点处的多个未被计量的负载被总计为单个未知负载。 
可以针对辐射状馈送电力系统组合上述假设和参数中的任一个。例如，在一个特定实施例中，可以利用下面的基于规则的假设和参数： 
1、监控设备的位置越上游(更靠近所述分级结构的顶部)，电压和电流就越高。 
2、监控设备的位置越上游，谐波值通常就越低。 
3、变压器可能改变所述电压和电流。 
4、总功率通量在上游高于下游。 
5、所述电力系统是辐射状馈送系统。 
6、两个监控设备将不会被安装在相同点处。 
7、具有相同电压失真的监控设备被邻近地连接。 
8、在特定分级级别上测量的总负载等于(除去损耗)直接链接到该分级级别的所有已测量和未测量的负载的总和。 
如果监控设备都直接链接到相同的参考设备，则所述监控设备被视为处在相同的分级级别上。例如参照图7，示出了公用设施监控系统320的简化的单线图，其具有用323a、b、c、d、e表示的五个不同级别。在电力监控系统的特定情况下，每个级别表示一条馈电线，多个监控设备可以直接链接到该馈电线。直接链接到一条馈电线的所有监控设备被视为处在相同的馈电线级别上。因此，干线322直接链接到馈电线323a，从而存在于其自身在所述分级结构中的级别上。馈电线323b直接链接到三个监控设备，并且因此构成另一个不同级别。由于直接链接到馈电线323c的监控设备没有直接链接到馈电线323a或323b，因此馈电线323c构成不同于馈电线323a和323b的另一个级别。在水、空气、汽油和蒸汽系统的情况下，每个级别可以用集管(header)而不是馈电线来表示。 
在图9-11A中用流程图示出了根据本发明的一个实施例的自动学习的分级结构算法400的一个具体方面。该算法400首先检查在系统中是否存在多于一个监控设备(402)，如果不是的话，则所述算法结束。如果存在多于一个监控设备，则从每个监控设备(M1，M2，...，Mk)取得电数据并且将该电数据编辑到数据表中(404)。该数据表对在给定时间段内以规则间隔(T1，T2，...，Tn)取得的未经处理的数据(比如功率、电压大小、电压失真、电流大小、电流失真或对称分量数据)进行制表。样本之间的时间段取决于所述电力监控系统内的任何负载的最短占空比。基于该电力监控系统内的每个监控设备的负载的变化程度确定最大时间段(Tn)。假设在所述数据表中具有最大功率的监控设备是干线(即电分级结构中的最高级别)(408)。然而，本发明还设想了多个分级结构(即多个干线)。在下面的表1中示出了所述数据表的一个实例。 
表1：数据表实例 
  时间  计量表1  计量表2  计量表3  计量表4 ....  计量表k
  T1  D11  D21  D31  D41 ....  Dk1
  T2  D21  D22  D32  D42 ....  Dk2
  T3  D13  D23  D33  D43 ....  Dk3
  T4  D14  D24  D34  D44 ....  Dk4
  ：  ：  ：  ：  ： ：    ：
  Tn  D1n  D2n  D3n  D4n ....  Dkn
一旦累积了所述数据表的数据，就产生校验矩阵。该校验矩阵是基于所述数据表的逻辑连接的矩阵。零(0)表示在任何两个监控设备之间不存在直接链接，一(1)表示在两个监控设备之间存在可能的关系。在下面的表2中示出了一个示例性校验矩阵。在表2中，假设在计量表1与计量表2之间不存在链接。这是因为在所述数据表的一个条目中，由计量表1测量的功率超出计量表2，而在该数据表的另一个条目中，由计量表2测量的功率超出计量表1。计量表1总是与其自身相关，从而把NA放置在所述校验矩阵的该单元内。由于信息冗余，只需要该校验矩阵的一半。 
表2：校验矩阵例子 
   计量表1  计量表2  计量表3  计量表4 .... 计量表k
 计量表1  NA  0  1  1 .... 0
 计量表2  0  NA  1  0 .... 1
 计量表3  1  1  NA  0 .... 1
 计量表4  1  0  0  NA .... 0
 ：  ：  ：  ：  ： .... ：
 计量表k  0    1  0 .... NA
一旦确定了所述校验矩阵，就使用来自所述数据表中的每个监控设备的数据来产生在下面的表3中示出的相关系数矩阵(CCM)。在所述CCM中，实施统计评估以确定所述电气系统内的每个监控设备相对于所述矩阵内的其他监控设备的线性关系。确定任何两个监控设备之间的相关系数，并且将该相关系数放置在所述CCM中的适当单元内。在下面的示例性表3中，C12是计量表1相对于计量表2的相关系数。相关系数值越高，这两个监控设备直接或间接链接的概率就越高。相反，该数值越低，这两个监控设备直接或间接链接的概率就越低。下面的等式2被用来确定任何两个给定的监控设备之间的相关系数： 
ρ x , y = Cov ( x , y ) σ x σ y (等式2) 
其中ρx，y是相关系数并且处在-1≤ρx，y≤1的范围内；Cov(x，y)是x和y的协方差；σx和σy分别是x和y的标准偏差。 
Cov ( x , y ) = 1 n Σ j = 1 n ( x j - μ y ) ( y j - μ y ) (等式3) 
其中：n是x和y中的数据元素的数目，μx和μy分别是x和y的均值。 
所述相关矩阵的对角单元都总是为1，这是因为每个计量表与其自身具有100％的相关性。再次，由于数据冗余，只需要所述相关矩阵的一半(例如C12＝C21)。 
表3：相关系数矩阵(CCM)实例 
   计量表1  计量表2  计量表3  计量表4   ....  计量表k
 计量表1 计量表2 计量表3 计量表4 ：  计量表k  1 C21  C31  C41  ：  Ck1  C12  1 C32  C42  ：  Ck2  C13  C23  1 C43  ：  Ck3  C14  C24  C34  1 ：  Ck4   ....  ....  ....  ....  1   ....  C1k  C2k  C3k  C4k  ：  1
返回图9，针对所考虑的分级结构的每个级别产生一个计量表列表。假设最高级别是具有最大功率读数的计量表，假设该计量表是干线。一旦在所述数据表中找到该计量表(408)，所述算法400就把所述干线放置在所述分级结构的馈电线级别列表中，并且清除该分级结构中的当前馈电线级别上的监控设备列表(410)。在通过干线循环的随后迭代中，所述算法400把参考计量表放置在所述分级结构的前一馈电线级别列表中。应当理解，在第一次迭代中没有前一级别列表。该算法400清除相关参考阵列(CRA)(412)，并且把所述干线指定为参考监控设备(414)。下面针对给定馈电线级别的n次迭代在表4中示出了一个示例性CRA。C51对应于计量表5(参考计量表)与计量表1之间的相关系数，C52对应于计量表5与计量表2之间的相关系数，以此类推。最初，针对每一个馈电线级别清除所述CRA，并且所述算法400通过针对当前馈电线级别上的所有计量表用相关系数填充每一迭代列来针对每一个馈电线级别产生新的CRA。下面结合表5解释一个具体实例。 
基于功率数据计算所述相关系数矩阵(CCM)(416)。根据上面列出的假设或参数中的某些或全部，在第一次迭代中，所述体系结构 中的唯一已知的元件是所述干线，并且从最高馈电线级别向下自动学习所述分级结构。 
表4：相关参考阵列(CRA)实例 
  迭代1   迭代2   迭代3   迭代4   迭代5 ....   迭代n
  C51   C52   C53   C54   ...  C5m   C51   C52   C53   C54   ...  C5m   C51   C52   C53   C54   ...  C5m   C51   C52   C53   C54   ...  C5m   C51   C52   C53   C54   ...  C5m ........................   C51   C52   C53   C54   ....  C5m
以图10继续，针对在所述校验矩阵中具有零的计量表以及已经被发现被连接的计量表，所述算法400把所述CCM内的相关系数归零(418)。所述参考监控设备的列从所述CCM被拷贝到所述CRA(420)。下面将结合表5解释一个具体例子。假设所述CCM内的计量表5被指定为参考计量表(414)。所述算法400基于所述数据表计算所述CCM(416)，并且针对在所述校验矩阵中具有零的计量表以及已经被发现被连接的计量表把该CCM中的(多个)相关系数归零(418)。所述CCM中的对应于计量表5的列被拷贝到所述CRA的列“迭代1”中。参照表5，计量表11具有与计量表5的最高相关性0.649，并且计量表11被标记为对于当前馈电线级别与计量表5连接。 
在迭代2中，从所述数据表中的计量表5的功率中减去计量表11的功率，并且计量表5-11的相关系数在迭代2中下降到-0.048，该相关系数提供计量表11与计量表5相互关联的高置信度。此外还应当注意，随着迭代继续，某些计量表的相关系数趋向更高。例如，计量表18相对于计量表5的相关系数从迭代1中的0.296逐渐增大到迭代2中的0.417到迭代3中的0.436到迭代4中的0.525最终到迭代5中的0.671，这是所有计量表之间的最高相关系数(计量表5与其自身的相关系数总是1.0，因此忽略其相关系数)。这一增大趋势还提供计量表18也与计量表5直接链接的高置信度，并且在迭代5中最终证实了该链接。例如可以针对计量表12和15观察到相同的增大趋势。在迭代7中，没有相关系数超出阈值，所述算法400继续分析下一个馈电线级别。通过迭代7，该算法400已确定计量表11、12、14、15、18和20与计量表5直接链接。 
表5：具有示例性相关系数的CRA实例 
    迭代1   迭代2   迭代3   迭代4   迭代5   迭代6   迭代7
  5-1  5-2  5-3  5-4  5-5  5-6  5-7  5-8  5-9  5-10  5-11  5-12  5-13  5-14  5-15  5-16  5-17  5-18  5-19  5-20  5-21   0.020  0.043  0.067  0.018  1.000  0.058  -0.042  -0.034  0.418  0.022  0.649  0.344  -0.038  0.483  0.043  0.024  -0.057  0.296  -0.046  0.398  -0.060   -0.029  -0.020  0.079  -0.024  1.000  0.022  -0.005  -0.016  0.386  0.077  -0.048  0.506  -0.036  0.591  0.161  0.045  -0.063  0.417  -0.053  0.549  -0.017   0.010  -0.037  0.017  -0.038  1.000  -0.016  0.001  -0.057  0.308  0.016  -0.090  0.628  0.038  0.072  0.210  0.055  -0.101  0.436  -0.057  0.633  0.028   0.016  -0.009  0.024  -0.018  1.000  -0.015  0.054  -0.058  0.292  0.014  -0.095  0.725  0.017  0.044  0.263  0.044  -0.090  0.525  -0.047  0.128  0.080   -0.037  -0.095  -0.052  0.037  1.000  -0.035  0.033  0.005  0.189  -0.016  -0.076  0.047  -0.046  0.066  0.417  -0.017  -0.061  0.671  -0.046  0.069  -0.013   -0.004  -0.091  -0.046  0.015  1.000  -0.010  0.026  -0.034  0.099  -0.018  -0.077  -0.007  -0.023  -0.006  0.587  -0.010  -0.048  0.113  -0.050  0.054  0.010   0.007  -0.099  -0.009  0.037  1.000  0.029  0.031  -0.049  0.136  0.022  -0.014  0.016  -0.010  0.004  0.031  0.022  -0.049  0.165  -0.034  0.061  0.005
仍然参照图10，所述算法400找到所述CRA中的与所述参考监控设备具有最高相关性的监控设备(馈电线)(422)。如果所述相关性没有超出阈值(在一个优选实施例中是0.5)，则该算法400继续到图11A(OP3)，比如在上面示出的表5中的迭代7的情况下。 
否则，所述算法400确定当前迭代是否是所述参考监控设备的第一次迭代(426)，如果不是的话，则确定所述馈电线相关性是否趋向更高(428)。如果所述馈电线相关性没有趋向更高，则所述算法400继续到图11A(OP3)。趋向更高表明所述监控设备有可能处在所考虑的分级结构的当前级别上。 
如果当前迭代是所述参考监控设备的第一次迭代，则把所述馈电线添加到所述分级结构的当前级别上的监控设备列表中(430)，并且所述算法400继续到图11A(OP2)。所述参考监控设备和馈电线在连接表中被指定为直接链接(或相互关联)(446)，并且在所述数据表中从该参考监控设备中减去与该馈电线相关联的功率(448)。所述连接表保持设备及其相互关联(比如其是否直接链接)的列表。通过减去与相对于所述参考监控设备的最高相关系数相关联的馈电线的功率，连接到该参考监控设备的其他馈电线(监控设备)将看到它们的相关系数增大。所述算法400返回到图9的馈电线循环，并且下一次迭代以剩余的监控设备继续。 
现在转到OP3函数，所述算法400确定是否已经分析了前一级别上的所有监控设备(432)，如果不是的话，则在所述前一级别上获得下一个监控设备(馈电线)，并且该算法400返回到图9的馈电线循环。如果已经分析了前一级别上的所有监控设备，则所述算法400检查是否针对所述分级结构中的所有监控设备都找到了连接(434)。如果是的话，则所述算法400退出。如果不是的话，则该算法400检查所述CCM中的最高相关系数是否超出阈值(436)。如果不是的话，则该算法400退出。如果是的话，则该算法400确定针对当前级别是否找到了任何更多监控设备(438)。如果不是的话，该算法400返回到图9中的干线循环。如果是的话，所述算法把当前级别上的监控设备移动到前一级别(440)，并且清除所述CRA(442)。所述算法返回到图9的馈电线循环，以便确定当前级别上的剩余监控设备之间的关系。 
在图11B中示出了根据本发明的另一个实施例的自动学习的分级结构算法500。该算法500开始于从每个监控设备接收与每个监控设备相关联的标准(502)。所述标准可以是电参数、比如功率、电压、电流、电流失真、电压失真或能量，或者可以是与任何WAGES公用设施相关联的参数，比如每单位时间的体积(BTU、MBTU、加仑、立方英尺)。所述监控设备可以是电力监控设备。例如，当所述标准是电压失真时，所述分级结构的同一级别上的监控设备将大致具有相同的电压失真。附加地或替代地，所述算法可以使用谐波失真值来基于功率标准检验通过所述相关性所确定的分级结构。所述算法还可以使用谐波失真来以更高精度更好地预测未知候选。例如，一个监控设备可能处于与参考设备相关的边缘，以致所述算法无法确定是否存在直接链接。根据与所讨论的监控设备处在相同级别上的相邻设备的谐波失真值，所述谐波失真可以确证或排除潜在的相互关联。例如，针对所讨论的监控设备所返回的不同谐波失真可以将其排除为与前一级别上的某一设备直接链接。 
所述算法500计算参考监控设备与将在所述分级结构中被相互关联的每个其他监控设备之间的相关系数(504)。该算法500确定最高相关系数(506)，并且使与最高相关系数相关联的监控设备与该参考监控设备相互关联(508)。该算法500检查是否更多的监控设备要被相互关联(510)，如果不是的话，该算法500结束。如果是的话，该 算法500检查是否要使用相同的参考监控设备(512)，如果是的话，则重新计算所述相关系数(504)。否则，该算法500选择一个新的参考监控设备(514)，并且重新计算所述相关系数(504)。 
在图11C中示出了根据本发明的另一个实施例的自动学习的分级结构算法550。该算法550开始于以周期性的时间间隔从每个监控设备接收电参数数据(552)。该算法550把所述电参数数据设置到数据表中，该数据表对每个时间间隔处的所述参数数据进行制表(554)。形成一个相关矩阵，该相关矩阵包括监控设备的组合对之间的相关系数(556)。所述算法550识别一个组合对之间的相互关联(558)，并且从所述数据表中去除与监控设备相关联的功率，针对该监控设备识别出相互关联(560)。如果没有更多的相互关联要被识别(562)，该算法550结束。否则，该算法重新计算剩余的组合对之间的相关系数(564)，并且识别剩余的组合对之间的另一相互关联(558)。重复这一过程，直到识别出监控设备之间的所有相互关联。 
根据本发明的各实施例的所述自动学习的分级结构算法可工作于辐射状馈送和多辐射状馈送系统中。在多辐射状馈送系统中，所述算法首先确定具有最高功率的干线计量表，随后在继续到具有较低额定功率的下一个(多个)系统之前首先确定该系统的分级结构。 
已经在从最高级别向最低级别产生所述分级结构的各实施例中讨论了所述自动学习的分级结构算法。在一个替代实施例中，一种自动学习的分级结构算法基于每个级别的局部事件从最低级别产生分级结构。例如，邻近某一事件(比如负载接通或关断)的监控设备将在远离该事件的监控设备“看到”该事件之前看到该事件。所述算法基于事件的发生以及关于每个监控设备何时知道某一事件的与每个监控设备相关联的时间戳来识别监控设备之间的相互关联。通过制订所述系统内的每个监控设备何时察觉某一事件的时序，可以基于监控设备察觉该事件的时间顺序自动得出关于哪些计量表相互关联(直接链接)的结论。 
回到图1，自动数据整合监控系统100从数据对准系统104和分级结构分类系统106产生上下文数据108。上下文数据108包含来自与每个其他监控设备处于上下文中的每个监控设备的数据，因此对于用户来说更具价值。可以对所测量的数据执行上下文分析，该分析涉及到 对所述数据的评定，以致对准或者获知来自每个监控设备的特定外部参数。所涉及到的主要外部参数包括： 
公用设施系统102中的每个监控设备的数据相对于该公用设施系统102中的每个其他监控设备的数据的时间位置；以及 
公用设施系统102中的每个监控设备M相对于该公用设施系统102中的每个其他监控设备M的空间位置。 
对从处于上下文中的公用设施系统102累积的所有监控数据进行评估将提供关于该公用设施系统102的一定程度的认识，所述认识在这之前是不可用的。由于来自整个系统(软件和各监控设备)的信息通过统一的上下文被整合在一起，因此这种监控公用设施系统的方法被称作整合监控(IM)。 
对根据本发明的IM方法的一种有用的类比是人体的中央神经系统。大脑(软件)知道整个身体(监控设备)就时间和位置而言正在发生什么。如果碰伤了脚趾，则大脑发送针对身体的信号，以便以某种方式做出反应。类似地，如果发生某一电事件，则由所述监控系统软件执行的IM算法向用户提供有用信息，所述信息是关于整个被监控的系统内的症状、潜在的问题来源以及可能的解决方案或建议。 
本发明涉及到基于利用所述监控系统软件中的专门算法(比如数据对准算法和自动学习的分级结构算法)分析来自每个监控点的数据来整合数据。在数据对准系统104中，从所有的数据源分析所述数据的频率和幅度的微小但是可测量的改变。这些改变被用来确定所有数据源的公共数据对准点以及某一数据源在所述电气系统中相对于其他数据源的位置。由于整合系统数据的过程是在所述监控系统软件内的算法上自动执行的，因此消除了用户所需的许多工作和开销。通过分析所述参数的更为任意及显著的变化，提供对系统数据的更快整合。 
存在超过当前可获得的益处的几个与IM相关联的益处： 
所述自动IM方法大大降低对用户人工地提供关于电力系统布局的详细信息以把系统数据置于上下文中的现有要求。所述IM算法分析来自电气系统内的每个监控点的数据，以便在很少或者没有用户干预的情况下自动确定系统布局，从而节省用户时间和资源。 
所述自动IM方法消除对专门的硬件、附加的数据线并且在某些情况下对监视器附件的需要。所述IM算法分析来自电气系统中的每个监 控点的数据，以便自动确定系统数据的时间对准，从而节省用户设备和劳动力成本。 
所述自动IM方法允许更容易地配置监控硬件和软件。这是因为所述IM算法在整个系统内把所述监控信息自动置于上下文中。一旦监控设备处于上下文中，就可以由所述IM算法自动做出关于硬件和软件配置的附加决定。一个例子将是根据监控设备在电气系统内的位置来设置该监控设备的欠电压阈值。再次，所述自动IM方法节省用户时间和资源。 
在图12中示出了根据本发明的一个实施例的自动IM算法600。该算法600开始于向监控设备发送命令以收集频率数据(602)。来自所述监控设备的数据被上载到主机(604)，并且根据本发明对准来自所有监控设备的数据(606)。当所有数据都被对准时，所述算法600确定电力系统布局是否完成(610)。如果是的话，该算法600结束，并且可以在其他软件应用中使用上下文数据。 
如果所述电力系统布局没有完成，则所述算法600向监控设备发送命令以收集电力数据(612)。运行该算法600的主机从监控设备上载电力数据(614)，并且根据本发明确定所述电力系统布局(616)。重复该过程，直到完成该电力系统布局(618)，此时，所述算法结束。 
虽然说明并且描述了本发明的特定实施例和应用，但是应当理解，本发明并不限于这里公开的精确结构和组成，并且在不背离如所附权利要求中所限定的本发明的精神和范围的情况下，从前面的描述中各种修改、改变和变化可以是显而易见的。 

Claims (13)

1.一种自动确定设置在电力监控系统内的监控设备的分级结构的方法，其中处在该分级结构的顶部的监控设备测量比该分级结构的低于该顶部的级别上的监控设备更高的功率，该方法包括：
在预定时间段内，以周期性的时间间隔从所述电力监控系统内的每个监控设备接收电参数数据；
在所述周期性的时间间隔中的每一个处把所述电参数数据设置到数据表中，该数据表对每个监控设备的所述电参数数据进行制表；
形成相关矩阵的至少一部分，该相关矩阵包括设置在该电力监控系统中的所述监控设备的至少一些组合对之间的相关系数，所述相关系数是根据相关算法计算的；以及
分析所述相关矩阵，以便识别设置在该电力监控系统中的所述监控设备的组合对之间的相互关联；
形成具有多个级别的分级结构，在所述多个级别中，设置在该电力监控系统中的所述监控设备中的至少一些在所述分级结构内被直接链接在一起，当第一级别上的监控设备与第二级别上的另一个监控设备被直接链接在一起时，这两个监控设备相互关联，所述形成具有多个级别的分级结构包括利用相关算法确定设置在该电力监控系统中的所述监控设备中的所述至少一些中的哪几个在所述分级结构内被直接链接在一起，以及设置在该电力监控系统中的所述监控设备中的所述至少一些中的每一个在所述分级结构内位于所述多个级别中的哪一个级别上。
2.权利要求1的方法，还包括：
从所述数据表中去除针对其识别出相互关联的监控设备；
重新计算所述相关系数；以及
分析所述重新计算的相关系数，以便识别剩余组合对之间的另一相互关联。
3.权利要求1的方法，还包括：形成矩阵的至少一部分，该矩阵针对所述数据表内的所述监控设备的每一对组合表明在给定监控设备对之间是否存在相互关联。
4.权利要求1的方法，其中，所述电参数数据包括功率、电压、电流、电压失真或电流失真。
5.权利要求1的方法，其中，所述相互关联是直接链接。
6.权利要求1的方法，其中，所述电力监控系统是辐射状分布的。
7.权利要求1的方法，还包括：
识别具有最高电参数值的监控设备；以及
响应于对具有最高电参数值的监控设备的识别，将该具有最高电参数值的监控设备识别为参考监控设备，
其中所述组合对包括所述参考监控设备和另一个监控设备。
8.权利要求1的方法，其中，所述分析包括：针对监控设备的任一给定组合对确定相关系数是否超出相关阈值，将相关系数超出相关阈值的组合对识别为相互关联。
9.权利要求1的方法，其中，所述分析包括：确定所述相关矩阵中的最大相关系数，并且将与所述最大相关系数相关联的组合对识别为相互关联。
10.权利要求1的方法，其中，在新的监控设备被添加到所述电力监控系统中之后实施所述接收。
11.权利要求1的方法，还包括：
响应于所述形成具有多个级别的分级结构，向操作员显示所述分级结构。
12.权利要求1的方法，其中，被设置在所述电力监控系统内的所述监控设备包括电表。
13.权利要求1的方法，其中，所述电力监控系统包括耦合到所述监控设备的负载，所述周期性的时间间隔中的每一个都长于所述电力监控系统内的任何负载的最短占空比。
CN200680032248XA 2005-07-01 2006-06-28 自动确定电力监控系统内监控设备的分级结构的方法 Active CN101258513B (zh)

Applications Claiming Priority (3)

Application Number Priority Date Filing Date Title
US11/174,100 US7272518B2 (en) 2005-07-01 2005-07-01 Automated hierarchy classification in utility monitoring systems
US11/174,100 2005-07-01
PCT/US2006/025444 WO2007005547A1 (en) 2005-07-01 2006-06-28 Automated hierarchy classification in utility monitoring systems

Publications (2)

Publication Number Publication Date
CN101258513A CN101258513A (zh) 2008-09-03
CN101258513B true CN101258513B (zh) 2012-08-29

Family

ID=36975595

Family Applications (1)

Application Number Title Priority Date Filing Date
CN200680032248XA Active CN101258513B (zh) 2005-07-01 2006-06-28 自动确定电力监控系统内监控设备的分级结构的方法

Country Status (5)

Country Link
US (1) US7272518B2 (zh)
EP (1) EP1913523B1 (zh)
CN (1) CN101258513B (zh)
CA (1) CA2612583A1 (zh)
WO (1) WO2007005547A1 (zh)

Families Citing this family (59)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7469190B2 (en) * 2005-07-01 2008-12-23 Square D Company Automated system approach to analyzing harmonic distortion in an electric power system
US7526391B2 (en) * 2006-12-14 2009-04-28 Bickel Jon A Method and apparatus to evaluate transient characteristics in an electrical power system
US7684940B2 (en) * 2007-03-28 2010-03-23 Bickel Jon A Method and system to identify grounding concerns in an electric power system
US7639129B2 (en) * 2007-09-11 2009-12-29 Jon Andrew Bickel Automated configuration of a power monitoring system using hierarchical context
EP2217886B1 (en) * 2007-11-05 2019-01-16 Schneider Electric USA, Inc. Improvements in hierarchy determination for power monitoring systems
US9338083B2 (en) 2007-12-28 2016-05-10 At&T Intellectual Property I, Lp ECMP path tracing in an MPLS enabled network
US7716012B2 (en) * 2008-02-13 2010-05-11 Bickel Jon A Method for process monitoring in a utility system
US8000910B2 (en) * 2008-04-30 2011-08-16 Schneider Electric USA , Inc. Automated voltage analysis in an electrical system using contextual data
US8000911B2 (en) * 2008-05-06 2011-08-16 Schneider Electric USA, Inc. Automated hierarchical classification for utility systems with multiple sources
US8150950B2 (en) * 2008-05-13 2012-04-03 Schneider Electric USA, Inc. Automated discovery of devices in large utility monitoring systems
US20090292485A1 (en) * 2008-05-23 2009-11-26 Van Gorp John C System and Method for Synchronized Measurements
US8184016B2 (en) 2008-05-23 2012-05-22 Schneider Electric USA, Inc. Graphical representation of utility monitoring system having multiple monitoring points
US8326892B2 (en) * 2008-05-30 2012-12-04 Schneider Electric USA, Inc. Methods and systems for automatic conversion of a utility monitoring system layout into a storage format
US8076910B2 (en) * 2008-08-11 2011-12-13 Schneider Electric USA, Inc. Power factor correction using hierarchical context of a power monitoring system
US7937247B2 (en) 2008-08-12 2011-05-03 Square D Company Virtual metering
US8024492B2 (en) * 2008-12-23 2011-09-20 Schneider Electric USA, Inc. System for managing a power monitoring system containing a multiplicity of intelligent electronic devices
US9020769B2 (en) 2009-01-26 2015-04-28 Geneva Cleantech Inc. Automatic detection of appliances
US8450878B2 (en) * 2009-01-26 2013-05-28 Geneva Cleantech, Inc. Methods and apparatus for power factor correction and reduction of distortion in and noise in a power supply delivery network
US8693353B2 (en) * 2009-12-28 2014-04-08 Schneider Electric USA, Inc. Intelligent ethernet gateway system and method for optimizing serial communication networks
US20110161468A1 (en) * 2009-12-31 2011-06-30 Schneider Electric USA, Inc. Method and system for cascading peer-to-peer configuration of large systems of ieds
US8583582B2 (en) 2010-01-28 2013-11-12 Schneider Electric USA, Inc. Robust automated hierarchical determination for power monitoring systems
WO2012031613A1 (en) * 2010-09-08 2012-03-15 Siemens Aktiengesellschaft Apparatus, method, and computer software for detection of topology changes in electrical networks
US8396963B2 (en) 2010-09-29 2013-03-12 Schneider Electric USA, Inc. Networked devices for monitoring utility usage and methods of using the same
US9176171B2 (en) * 2010-11-19 2015-11-03 Schneider Electric USA, Inc. Data alignment in large scale electrical system applications
FR2968145B1 (fr) * 2010-11-25 2012-11-23 Schneider Electric Ind Sas Procede et dispositif de determination de la structure d'un reseau de distribution d'electricite
WO2012107778A2 (en) 2011-02-11 2012-08-16 Oxford Nanopore Technologies Limited Mutant pores
WO2012113936A1 (en) * 2011-02-24 2012-08-30 Eandis Method for detecting low voltage connectivity in part of an electricity grid
WO2012130509A1 (en) * 2011-03-31 2012-10-04 Nec Europe Ltd. A method for detecting an association between an electrical device and a power meter, a power supply system and a monitoring system
WO2012139658A2 (de) * 2011-04-15 2012-10-18 Siemens Aktiengesellschaft Niederspannungsverteilnetz und verfahren zu dessen betrieb
JP5984348B2 (ja) * 2011-08-23 2016-09-06 ソニー株式会社 情報処理装置、情報処理方法、およびプログラム
US9077208B2 (en) 2011-12-30 2015-07-07 Schneider Electric USA, Inc. Method of detecting instability in islanded electrical systems
US9778295B2 (en) 2011-12-31 2017-10-03 Schneider Electric USA, Inc. System and method to measure neutral-to-ground voltage
BR112014025157B1 (pt) 2012-04-10 2022-02-08 Oxford Nanopore Technologies Limited Monômero de lisenina mutante, construto, poro, método para caracterizar um analito alvo, uso de um poro, e, kit
US9924242B2 (en) 2012-04-20 2018-03-20 Itron Global Sarl Automatic network topology detection and fraud detection
TWI490503B (zh) * 2013-03-04 2015-07-01 Univ Ishou Intelligent power management systems, devices and modules
US9677907B2 (en) * 2013-03-14 2017-06-13 Itron Inc Intelligent receptacle
GB201313477D0 (en) 2013-07-29 2013-09-11 Univ Leuven Kath Nanopore biosensors for detection of proteins and nucleic acids
CN103559370B (zh) * 2013-11-19 2016-06-22 山东电力工程咨询院有限公司 电力系统n-2仿真分析过程自动化实现的系统及方法
US9178770B2 (en) * 2013-12-23 2015-11-03 International Business Machines Corporation Auto incorporation of new components into a hierarchical network
US9379951B2 (en) * 2014-01-10 2016-06-28 Instep Software, Llc Method and apparatus for detection of anomalies in integrated parameter systems
US10571493B2 (en) 2014-02-25 2020-02-25 Itron, Inc. Smart grid topology estimator
US11079417B2 (en) 2014-02-25 2021-08-03 Itron, Inc. Detection of electric power diversion
US10443097B2 (en) 2014-05-02 2019-10-15 Oxford Nanopore Technologies Ltd. Method of improving the movement of a target polynucleotide with respect to a transmembrane pore
CN106537443B (zh) * 2014-07-17 2020-10-16 3M创新有限公司 用于对表示网格异常状态严重性的原位传感器响应数据模式分类的系统及方法
CN117164682A (zh) 2014-09-01 2023-12-05 弗拉芒区生物技术研究所 突变csgg孔
EP3204511B1 (en) 2014-10-07 2021-07-28 Oxford Nanopore Technologies Limited Mutant pores
JP6369279B2 (ja) * 2014-10-15 2018-08-08 ソニー株式会社 電力経路情報生成装置、電力経路検出方法及びコンピュータプログラム
US9568522B2 (en) 2014-10-20 2017-02-14 Itron, Inc. Electrical phase identification
US9781231B2 (en) 2014-11-19 2017-10-03 Itron, Inc. Application platform operable on network node
US9835662B2 (en) 2014-12-02 2017-12-05 Itron, Inc. Electrical network topology determination
DE102015105090A1 (de) * 2015-04-01 2016-10-06 Krohne Messtechnik Gmbh Verfahren zum Betreiben eines Feldgerätes und entsprechendes Feldgerät
FR3035496B1 (fr) 2015-04-23 2017-05-26 Schneider Electric Ind Sas Procede et systeme de determination de la structure d'un reseau de distribution d'electricite et programme d'ordinateur associe
FR3035514B1 (fr) * 2015-04-23 2017-05-26 Schneider Electric Ind Sas Procede de detection d'une mesure defectueuse d'une grandeur electrique extensive
US10312681B2 (en) 2015-05-28 2019-06-04 Itron, Inc. Automatic network device electrical phase identification
US10337885B2 (en) 2015-10-14 2019-07-02 Inventus Holdings, Llc Voltage pattern analysis system and method
DE102016212208A1 (de) * 2016-07-05 2018-01-11 Rheinisch-Westfälische Technische Hochschule Aachen (RWTH) System zur automatisierten Analyse und Optimierung von Gebäudeautomationssystemen
CN111164845B (zh) 2017-09-12 2023-09-01 克拉肯富莱克斯有限公司 使用计量数据估计电力网络的拓扑的方法
US11480596B2 (en) 2020-11-12 2022-10-25 Schneider Electric USA, Inc. Systems and methods for verifying and maintaining accuracy of metering devices
US11899516B1 (en) 2023-07-13 2024-02-13 T-Mobile Usa, Inc. Creation of a digital twin for auto-discovery of hierarchy in power monitoring

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088659A (en) * 1997-09-11 2000-07-11 Abb Power T&D Company Inc. Automated meter reading system
US6094650A (en) * 1997-12-15 2000-07-25 Manning & Napier Information Services Database analysis using a probabilistic ontology

Family Cites Families (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB9514008D0 (en) * 1995-07-10 1995-09-06 Secr Defence Sensor fault detection system
US5920852A (en) * 1996-04-30 1999-07-06 Grannet Corporation Large memory storage and retrieval (LAMSTAR) network
EP1212698A2 (en) 1999-04-23 2002-06-12 Oracle Corporation System and method for generating decision trees
US6909942B2 (en) * 2002-02-25 2005-06-21 General Electric Company Method for power distribution system components identification, characterization and rating
CA2515159A1 (en) 2003-02-07 2004-08-19 Power Measurement Ltd. A method and system for calculating and distributing utility costs
US7302445B2 (en) 2003-08-29 2007-11-27 International Business Machines Corporation Method, system, and storage medium for providing a dynamic, multi-dimensional commodity modeling process
NZ530254A (en) 2003-12-16 2006-10-27 Pulse Utilities Ltd A power line communication system and an intelligent meter therefor
US7676287B2 (en) * 2004-03-03 2010-03-09 Fisher-Rosemount Systems, Inc. Configuration system and method for abnormal situation prevention in a process plant
US7079984B2 (en) * 2004-03-03 2006-07-18 Fisher-Rosemount Systems, Inc. Abnormal situation prevention in a process plant

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6088659A (en) * 1997-09-11 2000-07-11 Abb Power T&D Company Inc. Automated meter reading system
US6094650A (en) * 1997-12-15 2000-07-25 Manning & Napier Information Services Database analysis using a probabilistic ontology

Also Published As

Publication number Publication date
US20070005277A1 (en) 2007-01-04
EP1913523A1 (en) 2008-04-23
CA2612583A1 (en) 2007-01-11
EP1913523B1 (en) 2018-03-14
CN101258513A (zh) 2008-09-03
US7272518B2 (en) 2007-09-18
WO2007005547A1 (en) 2007-01-11

Similar Documents

Publication Publication Date Title
CN101258513B (zh) 自动确定电力监控系统内监控设备的分级结构的方法
CN101213421B (zh) 公用事业监视系统中数据的自动化集成
CN101213718A (zh) 公用事业监视系统中数据的自动化精确对准
CN107643507B (zh) 一种基于电网线路运行误差远程校准的精益线损分析与管控方法
US8401985B2 (en) Hierarchy determination for power monitoring systems
EP2212650B1 (en) Automated data alignment based upon indirect device relationships
CN113791374B (zh) 一种分元件比对的电能表运行状态远程评估方法
CN114089262A (zh) 一种小电量智能电能表智能误差分析模型构建方法
CN110266513A (zh) 低压集抄系统物理拓扑的解析方法
US8326892B2 (en) Methods and systems for automatic conversion of a utility monitoring system layout into a storage format
CN102426671A (zh) 一种基于综合成本最优的排故方法
CN115936680B (zh) 一种设备运维的智能派单方法及系统
CN112345972A (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及系统
CN115496358A (zh) 电能表在线误差远程估计测试数据生成方法、装置和设备
CN110942256B (zh) 新能源厂站涉网端实时交互过程异常检测方法及系统
CN115809819A (zh) 一种基于大数据的光伏运行分析及异常诊断方法
CN116933134A (zh) 一种电表日自动抄表失败故障分析方法及系统
KR20220144665A (ko) 발전기 간 상호검증을 통한 태양광 발전효율 관리 시스템 및 발전효율 관리 방법
CN117874663A (zh) 一种风力发电机异常诊断装置及其诊断方法
CN117093946A (zh) 一种关口电能计量装置异常分析方法与装置
CN116710793A (zh) 一个或多个测量装置的参数化的检查
CN117216648A (zh) 台区异常诊断方法、台区诊断系统及存储介质
CN110572446A (zh) 电力用户信息采集终端智能调试方法及系统
CN117974364A (zh) 基于电力系统的排放和能耗数据采集、计量方法及系统
CN114445119A (zh) 营销专业各类异常数据核查及治理系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant