CN104218570B - 一种电能计量装置整体计量误差的在线评估方法和系统 - Google Patents

Abstract

本发明公开一种电能计量装置整体计量误差的在线评估方法和系统，该方法步骤为：1)在线获取多组电能量数据，计算对应的母线电量不平衡率并建立映射模型；2)取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路为0，根据映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的整体计量相对误差；3)将整体计量相对误差分别与预设的误差条件进行比较判定误差状态；该系统包括映射模型建立模块、相对误差计算模块以及误差状态评估模块。本发明不需现场试验，能够实时监控电能计量装置的整体计量误差状态，具有实现方法简单、使用便捷、高效且安全的优点。

Description

一种电能计量装置整体计量误差的在线评估方法和系统

技术领域

本发明涉及电力设备状态评估技术领域，尤其涉及一种电能计量装置整体计量误差的在线评估方法和系统。

背景技术

电能的准确计量是保证电量结算公平的基础，而目前每年由于计量故障造成的差错电量还相当可观。目前也存在多种检测计量装置故障的技术手段，譬如在二次回路中加装失压失流计时器，检测到失压失流后实施报警；或者利用负控终端实时采集电能表电量信息并进行人工分析，若出现不符合逻辑的电量信息则判定电能计量装置可能出现故障。上述方法虽然能够监测到电能计量装置的失压、失流等故障并在出现故障后做出判断，但对装置出现故障前的不断劣化过程无法进行监测及判断，而无法在设备故障发生前及时提供预警信息以避免装置的损害。

电能计量装置的状态劣化的过程通常也表现为装置的计量误差不断增大，而计量误差超差属于隐性故障，上述方法还无法检测隐性故障和缺陷。目前针对电能计量装置误差评价的主要方法均是对计量系统各个环节进行检定或检测，检测中电能表的误差检测和TV二次压降测试可在线进行，而对互感器的检定则必须停电进行，因此这类方法耗时耗力同时又需要特定的测试时机，无法在短时间内大规模施行。

大容量存储技术和计算机高速网络技术日趋成熟为电力系统内电能量信息的实时采集和大规模长期存储提供了技术支撑，由此所得到的海量电能数据不但反应了电力负荷大小，也蕴含着电能计量装置计量误差和运行状态的相关信息。电力设备在线评估方法就是通过在线监测等手段获取设备运行时的相关特征量，再经数学方法挖掘反映出设备的运行健康水平，进而指导运行管理决策。

发明内容

本发明要解决的技术问题就在于：针对现有技术存在的技术问题，本发明提供一种不需现场试验，同时能够实时监控电能计量装置的整体计量误差状态的电能计量装置整体计量误差的在线评估方法和系统，具有实现方法简单、高效、安全的优点。

为解决上述技术问题，本发明提出的技术方案为：

一种电能计量装置整体计量误差的在线评估方法，具体实施步骤为：

1)获取待评估变电站指定电压区域内各条线路的多组电能量数据，并根据每组电能量数据计算得到对应的母线电量不平衡率，由多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；

2)取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路的电能量值为0，根据所述映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的电能计量装置的整体计量相对误差；

3)将所有线路对的电能计量装置的整体计量相对误差分别与预设的误差条件进行比较，根据比较结果预评估各线路对中电能计量装置的整体计量误差状态，并根据各套电能计量装置对应的所有预评估结果综合得到各套电能计量装置的整体计量误差状态的最终评估结果；

所述步骤1)中建立电能量与母线电量不平衡率的映射模型的具体实施方法为：将多组电能量数据作为训练样本、多组电能量数据对应的母线电量不平衡率作为教师样本，将所述训练样本和教师样本输入至预设的BP神经网络中，训练所述BP神经网络各层的权值和阀值，得到基于BP神经网络的电能量与母线电量不平衡率的映射模型；

所述训练BP神经网络各层的权值和阀值的具体实施步骤为：

1.1)对BP神经网络各层的阀值和权值按随机原则进行初始化，将输入的电能量数据进行归一化作为训练样本，对应的归一化母线电量不平衡率作为教师样本；

1.2)将一组训练样本输入初始化后的BP神经网络中，计算隐含层和输出层中各层的节点输出；

1.3)将输出层节点的输出与对应的教师样本进行比较，并按式(1)计算各输出层的节点误差，其中δ_l为第l层输出层的节点误差，T_l为第l层输出层的教师样本数据，Y_l为第l层输出层的节点输出信号；

δ_l＝-(T_l-Y_l)Y_l(1-Y_l) (1)

1.4)按式(2)计算各隐含层的节点误差；

其中为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；

1.5)按式(3)分别修正连接隐含层与输出层的权值、连接输入层和隐含层的权值以及连接隐含层间的权值，按式(4)分别修正隐含层及输出层的阈值；

其中为连接第k层第n个神经元和第l层第m个神经元在t+1时刻的权值，为连接第k层第n个神经元和第l层第m个神经元在t时刻的权值，为第l层第m个神经元的节点误差，为第l层第m个神经元在t+1时刻的阀值，为第l层第m个神经元在t时刻的阀值，为第k层隐含层中第n个神经元的节点输出信号，α、β为修正系数；

1.6)返回执行步骤1.2)，直至所有训练样本完成训练且输出层的节点误差小于预设误差或训练次数达到预设值。

作为本发明方法的进一步改进，所述步骤2)的具体步骤为：

2.1)根据各线路的输送负荷值设定M个评估点；

2.2)取任意一条线路作为当前评估线路，当前评估线路与其余各条线路分别构成线路对，获取一个线路对作为当前线路对，选定一个评估点作为当前评估点；

2.2)将当前线路对的电能量值分别设为P_m和-P_m、其他线路的电能量值设为0，其中P_m为当前评估点的输送电能量值，m＝1,2,3…M，将各线路电能量值代入电能量与母线电量不平衡率的映射模型中进行计算，将计算得到的虚拟母线电量不平衡率作为当前线路对的电能计量装置的整体计量相对误差；

2.3)将当前线路对的电能量值分别设为P_m和-P_m、其他线路的电能量值设为0，其中P_m为当前评估点的输送电能量值，将各线路电能量值代入电能量与母线电量不平衡率的映射模型中进行计算，将计算得到的虚拟母线电量不平衡率作为当前线路对的电能计量装置的整体计量相对误差；

2.4)判断是否所有评估点完成计算，如果尚未完成，选定下一个评估点作为当前评估点，返回执行步骤2.3)；否则表示所有评估点均完成计算，得到各评估点时当前线路对的整体计量相对误差；

2.5)判断是否当前评估线路的所有线路对完成计算，如果尚未完成，获取下一个线路对作为当前线路对，选定一个评估点作为当前评估点，返回执行步骤2.3)；否则表示当前评估线路的所有线路对完成计算，得到一个M×(N-1)维的当前评估线路的整体计量相对误差矩阵，其中N为线路数；

2.6)判断是否所有线路均作为评估线路完成计算，如果尚未完成，取下一条线路作为当前评估线路，当前评估线路与其余各条线路分别构成线路对，获取一个线路对作为当前线路对，选定一个评估点作为当前评估点，返回执行步骤2.3)；否则表示所有线路均作为评估线路完成计算，得到N个M×(N-1)维的整体计量相对误差矩阵。

作为本发明方法的进一步改进，所述步骤2.1)的具体实施方法为：获取各条线路实际输送电能量值的区间，并取各区间的最大交集区间作为评估区间，在评估区间中取等间距的M个评估点。

作为本发明方法的进一步改进，所述步骤3)中各套电能计量装置中一套电能计量装置的整体计量误差状态评估的具体实施方法为：

3.1)获取待评估的电能计量装置对应的待评估线路的整体计量相对误差矩阵，在整体计量相对误差矩阵中获取待评估线路与另一条线路构成的当前线路对的整体计量相对误差e_n；

3.2)根据当前线路对中两套电能计量装置的允许误差参数计算当前线路对中的最大允许误差∑|ε(n)|，其中ε(n)，n＝1,2,3分别为电能表最大允许误差、互感器最大允许误差以及电压互感器二次压降最大允许量；分别比较获取的各整体计量相对误差e_n与最大允许误差∑|ε(n)|的大小，并根据比较结果对当前线路对中两套电能计量装置的整体计量相对误差状态进行预评估，当e_n>∑|ε(n)|时，预评估结果为超差状态；当e_n<∑|ε(n)|时，预评估结果为未超差状态；

3.3)取待评估线路各评估点时相对于下一个另一条线路构成的当前线路对的整体计量相对误差e_n，返回执行步骤3.2)，直至完成整体计量相对误差矩阵中所有数据的预评估，转入执行步骤3.4)；

3.4)判断预评估结果中是否存在至少一个为超差状态，若为是则将超差状态作为待评估电能计量装置的整体计量误差状态的最终评估结果，需要对待评估电能计量装置进行现场检测，若为否则对待评估电能计量装置进行进一步判定。

作为本发明方法的进一步改进，所述步骤3.4)中对待评估电能计量装置进行进一步判定的具体实施方法为：

3.4.1)将整体计量相对误差e_n的大小视为呈正态分布，按式分别计算待评估线路与其余线路构成的各线路对整体计量相对误差e_n的合成B类不确定度u_B；

3.4.2)按式u＝k×u_B计算各线路对的扩展不确定度u，其中k为预设置信概率对应的预设扩展因子，将各线路对中不同扩展不确定度u设定为不同等级的预设整体计量误差状态；

3.4.3)分别查找与各线路对的各整体计量相对误差e_n最为匹配的扩展不确定度u并将查找到的扩展不确定度u对应的预设整体计量误差状态作为对应线路对中两套电能计量装置的评估结果；取待评估电能计量装置得到的所有评估结果中等级最高的预设整体计量误差状态作为最终评估结果。

作为本发明方法的进一步改进，所述步骤1)中根据电能量数据计算得到对应的母线电量不平衡率的具体实施方法为：按下式计算母线电量不平衡率，其中ε为母线电量不平衡率，N为线路数，w_n为每条线路中电能计量装置在等时段内记录的电能量值，且w_n＞0时表示一次侧电能量送出母线，w_n＜0时表示一次侧电能量送入母线；

一种电能计量装置整体计量误差的在线评估系统，包括：

映射模型建立模块，用于获取待评估变电站指定电压区域内各条线路的多组电能量数据，并根据每组电能量数据计算得到对应的母线电量不平衡率，由多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；

相对误差评估模块，用于取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路的电能量值为0，根据所述映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的电能计量装置的整体计量相对误差；

误差状态判断模块，用于将所有线路对的电能计量装置的整体计量相对误差分别与预设的误差条件进行比较，根据比较结果预评估各线路对中电能计量装置的整体计量误差状态，并根据各套电能计量装置对应的所有预评估结果综合得到各套电能计量装置的整体计量误差状态的最终评估结果；

所述映射模型建立模块为BP神经网络映射模型建立模块，所述BP神经网络映射模型建立模块将多组电能量数据作为训练样本、多组电能量数据对应的母线电量不平衡率作为教师样本，将所述训练样本和教师样本输入至预设的BP神经网络中，训练所述BP神经网络各层的权值和阀值，得到基于BP神经网络的电能量与母线电量不平衡率的映射模型；

所述BP神经网络映射模型建立模块训练BP神经网络各层的权值和阀值的具体实施步骤为：

1.1)对BP神经网络各层的阀值和权值按随机原则进行初始化，将输入的电能量数据进行归一化作为训练样本，对应的归一化母线电量不平衡率作为教师样本；

1.2)将一组训练样本输入初始化后的BP神经网络中，计算隐含层和输出层中各层的节点输出；

1.3)将输出层节点的输出与对应的教师样本进行比较，并按式(1)计算各输出层的节点误差，其中δ_l为第l层输出层的节点误差，T_l为第l层输出层的教师样本数据，Y_l为第l层输出层的节点输出信号；

δ_l＝-(T_l-Y_l)Y_l(1-Y_l) (1)

1.4)按式(2)计算各隐含层的节点误差；

其中为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；

1.5)按式(3)分别修正连接隐含层与输出层的权值、连接输入层和隐含层的权值以及连接隐含层间的权值，按式(4)分别修正隐含层及输出层的阈值；

其中为连接第k层第n个神经元和第l层第m个神经元在t+1时刻的权值，为连接第k层第n个神经元和第l层第m个神经元在t时刻的权值，为第l层第m个神经元的节点误差，为第l层第m个神经元在t+1时刻的阀值，为第l层第m个神经元在t时刻的阀值，为第k层隐含层中第n个神经元的节点输出信号，α、β为修正系数；

1.6)返回执行步骤1.2)，直至所有训练样本完成训练且输出层的节点误差小于预设误差或训练次数达到预设值。

与现有技术相比，本发明电能计量装置整体计量误差的在线评估方法的优点在于：

1)本发明通过在线监测获得电能量信息，由电能量数据计算母线电量平衡率并由大量的电能量数据、母线电量不平衡率建立映射模型，从而评估电能计量装置的整体计量误差情况，不必对计量装置进行现场检定或检测，也不需要对设备停电检测，使用便捷、高效且安全；随着采集的电能量数据不同，误差判断结果也将相应的改变，从而实时反映电能计量装置整体计量误差的变化，以及时发现计量装置隐性故障或劣化的发展趋势，能够有效保障计量装置的健康运行。

2)本发明采用BP神经网络建立电能量与母线电量不平衡率的映射模型，将大量的电能量数据、母线电量不平衡率作为训练样本训练BP神经网络，得到基于BP神经网络的电能量与母线电量不平衡率映射模型，能够进行大规模数据的并行处理同时具有自学习和自适应能力，可以根据输入样本数据的信息要素的变化对映射模型进行微调，实时反应电能计量装置整体计量误差的变化。

3)本发明通过对两两线路对之间电能计量装置的整体相对误差大小判断评估整体计量误差状态，从而指导检测或检修决策，当大于线路的最大允许误差时判定为超差状态，需要对当前两路线路中的电能计量装置进行现场检测，若小于线路的最大允许误差时还可进一步通过合成B类扩展不确定度进一步进行评估，在电能计量装置出现隐性故障或具有劣化的发展趋势时能够及时提供预警信息。

本发明电能计量装置整体计量误差的在线评估系统为本发明电能计量装置整体计量误差的在线评估方法完全对应的装置，因此也具有本发明电能计量装置整体计量误差的在线评估方法前述的技术效果，故在此不再赘述。

附图说明

图1是本实施例电能计量装置整体计量误差的在线评估方法的实现流程示意图。

图2是本实施例采用的BP神经网络的拓扑结构示意图。

图3是本实施例BP神经网络训练流程示意图。

图4是本实施例中步骤2)的实现流程示意图。

图5是本发明具体实施例中电能计量装置整体计量误差的在线评估方法的流程示意图。

具体实施方式

以下结合说明书附图和具体优选的实施例对本发明作进一步描述，但并不因此而限制本发明的保护范围。

如图1所示，本实施例电能计量装置整体计量误差的在线评估方法，具体实施步骤为：

1)获取待评估变电站指定电压区域内各条线路的多组电能量数据，并根据每组电能量数据计算得到对应的母线电量不平衡率，由多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；

2)取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路的电能量值为0，根据映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的电能计量装置的整体计量相对误差；

3)将所有线路对的电能计量装置的整体计量相对误差分别与预设的误差条件进行比较，根据比较结果预评估各线路对中电能计量装置的整体计量误差状态，并根据各套电能计量装置对应的所有预评估结果综合得到各套电能计量装置的整体计量误差状态的最终评估结果。

母线电量不平衡率可以表示为：

其中ε为母线电量不平衡率，电能量值w_n为每条线路电能计量装置等时段内记录的电能量值，且w_n＞0表示一次侧电能量送出母线，w_n＜0表示一次侧电能量送入母线，N为线路数。电能量信息可以通过电能量信息采集平台获得，进而可按式(5)计算出对应的母线电量不平衡率ε。

母线电量不平衡率能一定程度上反映电能计量装置的整体计量误差，母线电量不平衡率ε还可以表示为：

其中W_n为一次侧每条线路等时段内输送的电能量值，且W_n＞0时表示电能量送出母线，W_n＜0时表示电能量送入母线，e_n为每条线路电能计量装置的整体计量误差。式(6)进一步采用矩阵形式表达为：ε＝f(W_n,e_n)，其中母线电量不平衡率ε能通过电能量信息采集平台采集到的电能量数据计算得到，W_n的近似值可通过w_n和互感器倍率相乘求得，因此在已知母线电量不平衡率ε和电能量值W_n情况下，可求解出电能计量装置的整体计量误差e_n的特征。本实施例以海量数据为基础，对其进行深入挖掘和分析，获取母线电量不平衡率ε和电能量值w_n有关信息，以进一步分析电能计量装置的整体计量误差e_n状况，进而对装置的整体计量误差状态进行评估。

本实施例中，首先确认待评估变电站指定电压等级区域的线路组成部分，即此电压区域内母线所连接的N条线路，通过电能量传输拓扑结构数据库获取待评区域线路信息，包括各相关线路的名称、编号、对应的互感器以及电能表参数信息，然后通过电能量信息采集平台在电能量信息数据库内获取N条线路等时间段内记录的电能量值w_n，由每组电能量数据以及对应的母线电量不平衡率ε建立电能量与母线电量不平衡率的映射模型。本实施例取最近30天的电能量数据并取时段为1小时，即获取得到720组数据，每组数据均包括所有N条线路的电能量数据，720组电能量数据对应计算得到720个母线电量不平衡率ε。

本实施例中，建立电能量与母线电量不平衡率的映射模型具体是通过BP神经网络实现的，具体实施方法为：将多组电能量信息作为训练样本、多组电能量信息对应的的母线电量不平衡率ε作为教师样本，将训练样本和教师样本输入至预设的BP神经网络中，训练BP神经网络各层的权值和阀值，得到基于BP神经网络的电能量与母线电量不平衡率映射模型，以获得的BP神经网络映射模型作为后续电能计量装置误差状态的分析工具。采用BP神经网络建立电能量与母线电量不平衡率的映射模型，能够进行大规模数据的并行处理同时具有自学习和自适应能力，可以根据输入样本数据的信息要素的变化对映射模型进行微调，实时反应电能计量装置整体计量误差的变化。

BP神经网络的结构拓扑如图2所示，由一个输入层、若干隐含层、一个输出层组成，输入层和隐含层均包含相同数量的神经元，输出层只有一个神经元。如图3所示，本实施例中训练BP神经网络各层的权值和阀值的具体实施步骤为：

1.1)对BP神经网络各层的阀值和权值按随机原则进行初始化，将输入的电能量数据进行归一化作为训练样本，对应的归一化母线电量不平衡率作为教师样本；

1.2)将一组训练样本输入初始化后的BP神经网络中，计算隐含层和输出层中各层的节点输出；

1.3)将输出层节点的输出与对应的教师样本进行比较，并按式(1)计算各输出层的节点误差，其中δ_l为第l层输出层的节点误差，T_l为第l层输出层的教师样本数据，Y_l为第l层输出层的节点输出信号；

δ_l＝-(T_l-Y_l)Y_l(1-Y_l) (1)

1.4)按式(2)计算各隐含层的节点误差；

其中为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；

1.5)按式(3)分别修正连接隐含层与输出层的权值、连接输入层和隐含层的权值以及连接隐含层间的权值，按式(4)分别修正隐含层及输出层的阈值；

其中为连接第k层第n个神经元和第l层第m个神经元在t+1时刻的权值，为连接第k层第n个神经元和第l层第m个神经元在t时刻的权值，为第l层第m个神经元的节点误差，为第l层第m个神经元在t+1时刻的阀值，为第l层第m个神经元在t时刻的阀值，为第k层隐含层中第n个神经元的节点输出信号，α、β为修正系数；

1.6)返回执行步骤1.2)，直至所有训练样本完成训练且输出层的节点误差小于预设误差或训练次数达到预设值。

本实施例进行BP神经网络训练前需要对获取的各组数据进行预处理，将所有组电能量值数据按相同基准进行归一化处理，按式(5)计算每组对应的母线电量不平衡率ε，并对母线电量不平衡率ε进行归一化处理ε＝ε/ε_max，其中ε_max为母线电量不平衡率ε的最大值，得到720个归一化后的母线电量不平衡率ε，归一化后的电能量值数据、母线电量不平衡率ε分别输入至预设的BP神经网络中按上述方法进行训练，得到720组数据对应的BP神经网络映射模型进行后续的分析。

本实施例中，步骤2)的具体步骤为：

2.1)根据各线路的输送负荷值设定M个评估点；

2.2)取任意一条线路作为当前评估线路，当前评估线路与其余各条线路分别构成线路对，获取一个线路对作为当前线路对，选定一个评估点作为当前评估点；

2.3)将当前线路对的电能量值分别设为P_m和-P_m、其他线路的电能量值设为0，其中P_m为当前评估点的输送电能量值，m＝1,2,3…M，将各线路电能量值代入电能量与母线电量不平衡率的映射模型中进行计算，将计算得到的虚拟母线电量不平衡率作为当前线路对的电能计量装置的整体计量相对误差e_n；

2.4)判断是否所有评估点完成计算，如果尚未完成，选定下一个评估点作为当前评估点，返回执行步骤2.3)；否则表示所有评估点均完成计算，得到各评估点时当前线路对的整体计量相对误差；

2.5)判断是否当前评估线路的所有线路对完成计算，如果尚未完成，获取下一个线路对作为当前线路对，选定一个评估点作为当前评估点，返回执行步骤2.3)；否则表示当前评估线路的所有线路对完成计算，得到一个M×(N-1)维的当前评估线路的整体计量相对误差矩阵，其中N为线路数；

2.6)判断是否所有线路均作为评估线路完成计算，如果尚未完成，取下一条线路作为当前评估线路，当前评估线路与其余各条线路分别构成线路对，获取一个线路对作为当前线路对，选定一个评估点作为当前评估点，返回执行步骤2.3)；否则表示所有线路均作为评估线路完成计算，得到N个M×(N-1)维的整体计量相对误差矩阵。

本实施例中，每套电能计量装置为一个计量点，通过上述方法每个计量点对应得到一个整体计量相对误差矩阵，每个整体计量相对误差矩阵即为某一个计量点相对其余N-1个计量点在M对电能量值下的整体计量相对误差，其中整体计量相对误差矩阵的每一列对应为该计量点与另一个计量点在各个评估点时的整体计量相对误差，每一行对应为该计量点相对其余N-1个计量点在某一评估点时的整体计量相对误差。

每条线路统计的电能量数据有多个，电能量最大值和最小值形成一个的闭区间，所有线路电能量值闭区间存在一个最大交集区间，即各闭区间的最大共同包含区间，在此区间中选择多个评估点评估两条线路之间的电能计量装置的整体计量相对误差e_n。本实施例步骤2.1)根据各线路的输送负荷值设定M个评估点的具体实施方法为：获取各条线路实际输送电能量值的区间，并取各区间的最大交集区间作为评估区间，在评估区间中取等间距的M个评估点，本实施例即为统计每条线路对应720条归一化电能量数据包含的闭区间，求出它们的最大共同包含区间，在此区间中按等间距原则确定M个数据点作为评估点P_m，以保证待分析的电能量数据在BP神经网络的有效分析范围内。

本实施例结合各评估点P_m和训练后的BP神经网络映射模型计算两两线路构成的线路对的母线电量相对不平衡率，通过设定线路对两条线路对应于各评估点P_m的虚拟电能量值，并送入训练后的BP神经网络输出虚拟母线电量不平衡率，即两两线路之间的母线电量相对不平衡率，并作为当前线路对的电能计量装置的整体计量相对误差e_n，依此类推直到计算得到所有评估点时所有线路对的电能计量装置的整体计量相对误差e_n。如图4所示，首先设定若干个评估点P_m，设定任意另一条线路与待评估线路作为当前线路对并分别设定当前两条线路的平均负荷值为P_m和-P_m、其他线路负荷为零，P_m为评估点的电能量值，m＝1,2,3…M，将各评估点对应的设定条件代入训练后的BP神经网络进行计算，输出各评估点时当前两条线路之间的虚拟母线电量不平衡率ε’，将虚拟母线电量不平衡率ε’作为当前两条线路对应的电能计量装置的整体计量相对误差e_n，得到待评估线路的整体计量相对误差矩阵的一列数据，取另一条线路与待评估线路作为当前线路对，重复上述操作直到完成待评估线路与其余所有线路整体计量相对误差的计算，得到待评估线路的整体计量相对误差矩阵；重复上述操作直到所有线路均有与其余所有线路的整体计量相对误差矩阵。

本实施例通过判断整体计量相对误差e_n来评估电能计量装置的整体计量误差状态，指导检测或检修决策，由于整体计量相对误差e_n即为虚拟母线电量不平衡率ε’的值e_n＝ε’，实际也即通过虚拟母线电量不平衡率ε’的值判断整体计量误差状态，步骤3)的具体实施方法为：

3.1)获取待评估的电能计量装置对应的待评估线路的整体计量相对误差矩阵，在整体计量相对误差矩阵中获取待评估线路与另一条线路构成的当前线路对的整体计量相对误差e_n；

3.2)根据当前线路对中两套电能计量装置的允许误差参数计算当前线路对的最大允许误差∑|ε(n)|，其中ε(n)，n＝1,2,3分别为电能表最大允许误差、互感器最大允许误差以及电压互感器二次压降最大允许量；分别比较获取的各整体计量相对误差e_n与当前线路对的最大允许误差∑|ε(n)|的大小，并根据比较结果对待评估电能计量装置的整体计量相对误差状态进行预评估，当e_n>∑|ε(n)|时，预评估结果为超差状态；当e_n<∑|ε(n)|时，预评估结果为未超差状态；

3.3)取待评估线路各评估点时相对于下一个另一条线路构成的当前线路对的整体计量相对误差e_n，返回执行步骤3.2)，直至完成整体计量相对误差矩阵中所有数据的预评估，转入执行步骤3.4)；

3.4)判断预评估结果中是否存在至少一个为超差状态，若为是则将超差状态作为待评估电能计量装置的整体计量误差状态的最终评估结果，需要对待评估电能计量装置进行现场检测，若为否则对待评估电能计量装置进行进一步评估。

本实施例步骤3.4)中对待评估电能计量装置进行进一步判定的具体实施方法为：

步骤3.4)中对待评估电能计量装置进行进一步评估的具体实施方法为：

3.4.1)将整体计量相对误差e_n的大小视为呈正态分布，按式分别计算待评估线路与其余线路构成的各线路对中整体计量相对误差e_n的合成B类不确定度u_B；

3.4.2)按式u＝k×u_B计算各线路对的扩展不确定度u，其中k为预设置信概率对应的预设扩展因子，将各线路对不同的扩展不确定度u设定为不同等级的预设整体计量误差状态；

3.4.3)分别查找各线路对中与各整体计量相对误差e_n最为匹配的扩展不确定度u并将查找到的扩展不确定度u对应的预设整体计量误差状态作为待评估电能计量装置的评估结果；取待评估电能计量装置得到的所有评估结果中等级最高的预设整体计量误差状态作为最终评估结果。

本实施例中，将虚拟母线电量不平衡率ε’的大小视为呈正态分布，虚拟母线电量不平衡率ε’即为整体计量相对误差e_n，则整体计量相对误差e_n的大小也为正态分布。当ε′<∑|ε(n)|时，即e_n<∑|ε(n)|，判定为整体计量误差为未超差状态，即装置运行良好，但仍有可能存在隐性故障或具有劣化的发展趋势，因此还需要进行进一步判定。首先分析电能计量装置各组成环节的计量特性，包括电能表最大允许误差、互感器最大允许误差以及电压互感器二次压降最大允许量，得到合成B类不确定度u_B，以合成B类扩展不确定度为半宽，以期望为零确定了一个范围，对应一种预设整体计量误差状态，若两条线路的整体计量相对误差e_n落入一定范围内，则对应的两套电能计量装置就视为处在相应预设整体计量误差状态中。

本实施例中针对未超差状态具体预设三种整体计量误差状态：较小误差状态、较大误差状态以及良好状态，良好状态时视对应的电能计量装置的整体相对误差状态良好，只需定期巡视，较小误差状态与较大误差状态则需要对电能计量装置进行监测，以及时发现装置故障。较小误差状态与较大误差状态分别对应第一扩展不确定度u₁和第二扩展不确定度u₂，其中设定合成B类不确定度u_B的第一置信概率为f₁以及对应的扩展因子为k₁，计算得到第一扩展不确定度u₁为k₁u_B；设定合成B类不确定度u_B的第二置信概率为f₂且对应的扩展因子为k₂，计算得第二扩展不确定度u₂为k₂u_B，且f₂>f₁。根据置信概率f的高低来预设不同扩展不确定度u范围对应的整体计量误差状态等级，置信概率f越高对应预设状态越危急，即整体计量误差状态等级越高，置信概率f越低对应预设状态越健康，整体计量误差状态状态等级越低。本实施例由第一扩展不确定度u₁对应较小误差状态，第二扩展不确定度u₂对应较大误差状态，较大误差状态等级高于较小误差状态，较小误差状态等级则高于良好状态。

对一套待评估电能计量装置进行评估时，分别比较电能计量装置对应的待评估线路的整体计量误差矩阵中各整体计量相对误差e_n与对应的第一扩展不确定度u₁、第二扩展不确定度u₂的大小，查找与各整体计量相对误差e_n最为匹配的扩展不确定度，当u₁<e_n<u₂时，待评估电能计量装置的评估结果为较小误差状态，当e_n>u₂时，与待评估电能计量装置的评估结果为较大误差状态，当e_n<u₁时，待评估电能计量装置的评估结果为良好状态。待评估电能计量装置对应的待评估线路的整体计量误差矩阵中所有数据完成评估后，对所有评估结果进行综合判断，取评估结果中等级最高的评估结果作为最终评估结果，具体方法为：若评估结果中存在至少一个为较大误差状态，则待评估电能计量装置的整体计量误差状态最终评估结果为较大误差状态，需对待评估电能计量装置严密监测；若评估结果中不存在较大误差状态，则判断是否是否存在至少一个评估结果为较小误差状态，若是则最终评估结果为较小误差状态，需要对其电能计量装置运行状况进行加强监测；若评估结果中所有状态均为良好状态，则最终评估结果为良好状态，只需定期巡视。利用上述方法，只需参与评估的电能计量系统中某一个进行检测试验即可确定其余所有电能计量装置的整体计量误差状态。

本实施例中，具体当u_B的置信概率为90％时，设置扩展因子为k₁＝1.65，得当对应的扩展不确定度为u₁；当u_B的置信概率为95％时，设置扩展因子为k₂＝2，得到对应的扩展不确定度为u₂。

通过上述方法，在电能计量装置出现隐性故障或具有劣化的发展趋势时能够及时提供预警信息，使得设备管理者能够在设备故障发生前获取相关预警信息并作出检修或加强监测的决策，进而避免装置的损害。特别是当参与分析的计量系统数量的越多，发现隐性故障和劣化发展趋势也越及时、越准确。

如图5所示，本发明具体应用实施例中电能计量装置整体计量误差的在线评估方法，从电能量传输拓扑结构数据库中获取待评区域线路信息，从电能量信息数据库中获取相关各线路等时间段内电能量信息，对电能量信息进行归一化预处理，计算得到每条线路每小时平均负荷和对应的母线电量不平衡率；将上述得到的电能量值及线电量不平衡率送入预设的BP神经网络进行训练，得到训练后的BP神经网络；结合M个评估点P_m和训练后的BP神经网络计算虚拟母线电量不平衡率作为两条线路的整体计量相对误差，判断整体计量相对误差是否满足判别条件，如果是，则判定对应线路电能计量装置的整体计量误差可能超差，应检修或现场检测确认，如果不是则判断对应线路电能计量装置的整体计量误差未超差，装置运行良好。

本实施例还提供一种电能计量装置整体计量误差的在线评估系统，包括：

映射模型建立模块，用于获取待评估变电站指定电压区域内各条线路的多组电能量数据，并根据每组电能量数据计算得到对应的母线电量不平衡率，由多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；

相对误差计算评估模块，用于取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路的电能量值为0，根据映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的电能计量装置的整体计量相对误差；

误差状态评估模块，用于将所有线路对的电能计量装置的整体计量相对误差分别与预设的误差条件进行比较，根据比较结果预评估各线路对中电能计量装置的整体计量误差状态，并根据各套电能计量装置对应的所有预评估结果综合得到各套电能计量装置的整体计量误差状态的最终评估结果。

本实施例中，映射模型建立模块为BP神经网络映射模型建立模块，BP神经网络映射模型建立模块将多组电能量数据作为训练样本、多组电能量数据对应的母线电量不平衡率作为教师样本，将训练样本和教师样本输入至预设的BP神经网络中，训练BP神经网络各层的权值和阀值，得到基于BP神经网络的电能量与母线电量不平衡率的映射模型。

上述只是本发明的较佳实施例，并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上，然而并非用以限定本发明。任何熟悉本领域的技术人员，在不脱离本发明技术方案范围的情况下，都可利用上述揭示的技术内容对本发明技术方案做出许多可能的变动和修饰，或修改为等同变化的等效实施例。因此，凡是未脱离本发明技术方案的内容，依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰，均应落在本发明技术方案保护的范围内。

Claims (7)

1.一种电能计量装置整体计量误差的在线评估方法，其特征在于具体实施步骤为：

1)获取待评估变电站指定电压区域内各条线路的多组电能量数据，并根据每组电能量数据计算得到对应的母线电量不平衡率，由多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；

2)取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路的电能量值为0，根据所述映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的电能计量装置的整体计量相对误差；

3)将所有线路对的电能计量装置的整体计量相对误差分别与预设的误差条件进行比较，根据比较结果预评估各线路对中电能计量装置的整体计量误差状态，并根据各套电能计量装置对应的所有预评估结果综合得到各套电能计量装置的整体计量误差状态的最终评估结果；

所述步骤1)中建立电能量与母线电量不平衡率的映射模型的具体实施方法为：将多组电能量数据作为训练样本、多组电能量数据对应的母线电量不平衡率作为教师样本，将所述训练样本和教师样本输入至预设的BP神经网络中，训练所述BP神经网络各层的权值和阈值，得到基于BP神经网络的电能量与母线电量不平衡率的映射模型；

所述训练BP神经网络各层的权值和阈值的具体实施步骤为：

1.1)对BP神经网络各层的阈值和权值按随机原则进行初始化，将输入的电能量数据进行归一化作为训练样本，对应的归一化母线电量不平衡率作为教师样本；

1.2)将一组训练样本输入初始化后的BP神经网络中，计算隐含层和输出层中各层的节点输出；

1.3)将输出层节点的输出与对应的教师样本进行比较，并按式(1)计算各输出层的节点误差，其中δ_l为第l层输出层的节点误差，T_l为第l层输出层的教师样本数据，Y_l为第l层输出层的节点输出信号；

δ_l＝-(T_l-Y_l)Y_l(1-Y_l) (1)

1.4)按式(2)计算各隐含层的节点误差；

其中为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；

1.5)按式(3)分别修正连接隐含层与输出层的权值、连接输入层和隐含层的权值以及连接隐含层间的权值，按式(4)分别修正隐含层及输出层的阈值；

其中为连接第k层第n个神经元和第l层第m个神经元在t+1时刻的权值，为连接第k层第n个神经元和第l层第m个神经元在t时刻的权值，为第l层第m个神经元的节点误差，为第l层第m个神经元在t+1时刻的阈值，为第l层第m个神经元在t时刻的阈值，为第k层隐含层中第n个神经元的节点输出信号，α、β为修正系数；

1.6)返回执行步骤1.2)，直至所有训练样本完成训练且输出层的节点误差小于预设误差或训练次数达到预设值。

2.根据权利要求1所述的电能计量装置整体计量误差的在线评估方法，其特征在于，所述步骤2)的具体步骤为：

2.1)根据各线路的输送负荷值设定M个评估点；

2.2)取任意一条线路作为当前评估线路，当前评估线路与其余各条线路分别构成线路对，获取一个线路对作为当前线路对，选定一个评估点作为当前评估点；

2.3)将当前线路对的电能量值分别设为P_m和-P_m、其他线路的电能量值设为0，其中P_m为当前评估点的输送电能量值，m＝1,2,3…M，将各线路电能量值代入电能量与母线电量不平衡率的映射模型中进行计算，将计算得到的虚拟母线电量不平衡率作为当前线路对的电能计量装置的整体计量相对误差；

2.4)判断是否所有评估点完成计算，如果尚未完成，选定下一个评估点作为当前评估点，返回执行步骤2.3)；否则表示所有评估点均完成计算，得到各评估点时当前线路对的整体计量相对误差；

2.5)判断是否当前评估线路的所有线路对完成计算，如果尚未完成，获取下一个线路对作为当前线路对，选定一个评估点作为当前评估点，返回执行步骤2.3)；否则表示当前评估线路的所有线路对完成计算，得到一个M×(N-1)维的当前评估线路的整体计量相对误差矩阵，其中N为线路数；

2.6)判断是否所有线路均作为评估线路完成计算，如果尚未完成，取下一条线路作为当前评估线路，当前评估线路与其余各条线路分别构成线路对，获取一个线路对作为当前线路对，选定一个评估点作为当前评估点，返回执行步骤2.3)；否则表示所有线路均作为评估线路完成计算，得到N个M×(N-1)维的整体计量相对误差矩阵。

3.根据权利要求2所述的电能计量装置整体计量误差的在线评估方法，其特征在于，所述步骤2.1)的具体实施方法为：获取各条线路实际输送电能量值的区间，并取各区间的最大交集区间作为评估区间，在评估区间中取等间距的M个评估点。

4.根据权利要求2所述的电能计量装置整体计量误差的在线评估方法，其特征在于，所述步骤3)中各套电能计量装置中一套电能计量装置的整体计量误差状态评估的具体实施方法为：

3.1)获取待评估的电能计量装置对应的待评估线路的整体计量相对误差矩阵，在整体计量相对误差矩阵中获取待评估线路与另一条线路构成的当前线路对的整体计量相对误差e_n；

3.2)根据当前线路对中两套电能计量装置的允许误差参数计算当前线路对的最大允许误差∑|ε(n)|，其中ε(n)，n＝1,2,3分别为电能表最大允许误差、互感器最大允许误差以及电压互感器二次压降最大允许量；分别比较获取的各整体计量相对误差e_n与当前线路对的最大允许误差∑|ε(n)|的大小，并根据比较结果对待评估电能计量装置的整体计量相对误差状态进行预评估，当e_n>∑|ε(n)|时，预评估结果为超差状态；当e_n＜∑|ε(n)|时，预评估结果为未超差状态；

3.3)取待评估线路各评估点时相对于下一个另一条线路构成的当前线路对的整体计量相对误差e_n，返回执行步骤3.2)，直至完成整体计量相对误差矩阵中所有数据的预评估，转入执行步骤3.4)；

3.4)判断预评估结果中是否存在至少一个为超差状态，若为是则将超差状态作为待评估电能计量装置的整体计量误差状态的最终评估结果，需要对待评估电能计量装置进行现场检测，若为否则对待评估电能计量装置进行进一步评估。

5.根据权利要求4所述的电能计量装置整体计量误差的在线评估方法，其特征在于，所述步骤3.4)中对待评估电能计量装置进行进一步评估的具体实施方法为：

3.4.1)将整体计量相对误差e_n的大小视为呈正态分布，按式分别计算待评估线路与其余线路构成的各线路对中整体计量相对误差e_n的合成B类不确定度u_B；

3.4.2)按式u＝k×u_B计算各线路对的扩展不确定度u，其中k为预设置信概率对应的预设扩展因子，将各线路对不同的扩展不确定度u设定为不同等级的预设整体计量误差状态；

3.4.3)分别查找各线路对中与各整体计量相对误差e_n最为匹配的扩展不确定度u并将查找到的扩展不确定度u对应的预设整体计量误差状态作为待评估电能计量装置的评估结果；取待评估电能计量装置得到的所有评估结果中等级最高的预设整体计量误差状态作为最终评估结果。

6.根据权利要求1所述的电能计量装置整体计量误差的在线评估方法，其特征在于，所述步骤1)中根据电能量数据计算得到对应的母线电量不平衡率的具体实施方法为：按式(5) 计算母线电量不平衡率；

其中ε为母线电量不平衡率，N为线路数，w_n为每条线路中电能计量装置在等时段内记录的电能量值，且w_n＞0时表示一次侧电能量送出母线，w_n＜0时表示一次侧电能量送入母线。

7.一种电能计量装置整体计量误差的在线评估系统，其特征在于包括：

映射模型建立模块，用于获取待评估变电站指定电压区域内各条线路的多组电能量数据，并根据每组电能量数据计算得到对应的母线电量不平衡率，由多组电能量数据以及对应的母线电量不平衡率建立电能量与母线电量不平衡率的映射模型；

相对误差计算模块，用于取任意两条线路构成线路对，每次设定当前线路对的虚拟电能量值、其余线路的电能量值为0，根据所述映射模型计算得到虚拟母线电量不平衡率并作为当前线路对的电能计量装置的整体计量相对误差，最终得到所有线路对的电能计量装置的整体计量相对误差；

误差状态评估模块，用于将所有线路对的电能计量装置的整体计量相对误差分别与预设的误差条件进行比较，根据比较结果预评估各线路对中电能计量装置的整体计量误差状态，并根据各套电能计量装置对应的所有预评估结果综合得到各套电能计量装置的整体计量误差状态的最终评估结果；

所述映射模型建立模块为BP神经网络映射模型建立模块，所述BP神经网络映射模型建立模块将多组电能量数据作为训练样本、多组电能量数据对应的母线电量不平衡率作为教师样本，将所述训练样本和教师样本输入至预设的BP神经网络中，训练所述BP神经网络各层的权值和阈值，得到基于BP神经网络的电能量与母线电量不平衡率的映射模型；

所述BP神经网络映射模型建立模块训练BP神经网络各层的权值和阈值的具体实施步骤为：

1.1)对BP神经网络各层的阈值和权值按随机原则进行初始化，将输入的电能量数据进行归一化作为训练样本，对应的归一化母线电量不平衡率作为教师样本；

1.2)将一组训练样本输入初始化后的BP神经网络中，计算隐含层和输出层中各层的节点输出；

1.3)将输出层节点的输出与对应的教师样本进行比较，并按式(1)计算各输出层的节点误差，其中δ_l为第l层输出层的节点误差，T_l为第l层输出层的教师样本数据，Y_l为第l层输出层的节点输出信号；

δ_l＝-(T_l-Y_l)Y_l(1-Y_l) (1)

1.4)按式(2)计算各隐含层的节点误差；

其中为第k层隐含层中第n个神经元的节点误差，为第k层隐含层中第n个神经元的节点输出信号，为第l层中第a个神经元的节点误差，第l层为隐含层或输出层，p为第l层的神经元总数，为第k层隐含层中第a个连接第l层中各神经元的权值；

1.5)按式(3)分别修正连接隐含层与输出层的权值、连接输入层和隐含层的权值以及连接隐含层间的权值，按式(4)分别修正隐含层及输出层的阈值；

其中为连接第k层第n个神经元和第l层第m个神经元在t+1时刻的权值，为连接第k层第n个神经元和第l层第m个神经元在t时刻的权值，为第l层第m个神经元的节点误差，为第l层第m个神经元在t+1时刻的阈值，为第l层第m个神经元在t时刻的阈值，α、β为修正系数；

1.6)返回执行步骤1.2)，直至所有训练样本完成训练且输出层的节点误差小于预设误差或训练次数达到预设值。