CN105158725B - 一种基于多维影响量的电能表计量准确性评估方法 - Google Patents
一种基于多维影响量的电能表计量准确性评估方法 Download PDFInfo
- Publication number
- CN105158725B CN105158725B CN201510524351.7A CN201510524351A CN105158725B CN 105158725 B CN105158725 B CN 105158725B CN 201510524351 A CN201510524351 A CN 201510524351A CN 105158725 B CN105158725 B CN 105158725B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- model
- input
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 19
- 210000002569 neuron Anatomy 0.000 claims abstract description 36
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000011156 evaluation Methods 0.000 claims abstract description 18
- 238000012360 testing method Methods 0.000 claims abstract description 13
- 238000013461 design Methods 0.000 claims abstract description 5
- 210000005036 nerve Anatomy 0.000 claims abstract description 4
- 238000012937 correction Methods 0.000 claims description 4
- 230000005284 excitation Effects 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000002474 experimental method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 1
- 206010010219 Compulsions Diseases 0.000 description 1
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 1
- 235000003140 Panax quinquefolius Nutrition 0.000 description 1
- 238000003556 assay Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 235000008434 ginseng Nutrition 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009533 lab test Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种基于多维影响量的电能表计量准确性评估方法,包括以下步骤,设计模型拓扑结构和初始化模型;获取电能表历史试验数据样本;计算模型输入层神经元输出;计算模型隐含层神经元输出;计算模型输出层神经元输出;计算模型网络对样本组评估偏差值得STDEV;调整模型内部神经元参数,直到满足精度要求,建立多维影响量下电能表计量性能模型;采集实际现场多维影响数据,对多维影响量下运行电能表计量准确性能进行评估。本发明无需对运行电能表新增试验测试,实现了对电能表历史试验数据的进一步挖掘利用和对多维影响量下电能表计量性能的准确评估。
Description
技术领域
本发明涉及电工仪器仪表行业用电服务领域的方法,具体讲涉及一种基于多维影响量的电能表计量准确性评估方法。
背景技术
电能是人类生活中重要的能源,电能供应和消耗的多少需要通过电能计量来实现,电能计量的结果是电能供用双方结算的依据,电能计量的精确性关系到电力供需双方的经济效益。
作为国家强制检定管理的计量器具之一,电能表在安装之前要通过严格的准确度要求试验、电气要求试验、电磁兼容试验等一系列试验测试,经检定合格方可投入使用,以确保电能表运行的准确、可靠。目前电能表的检定、测试都是在实验室设定的参比条件下进行的,所施加的干扰量通常是单一维度的。但是,由于我国幅员辽阔、气候地形复杂多样,各地电网运行环境迥异,电能表的现场运行工况极其复杂,经常出现多个干扰量同时偏离参比条件的情况,很难保证电能表的现场运行工况与实验室试验测试环境一致,导致电能表在实际电网运行环境中的计量性能与实验室检定结果存在偏差。
由于电能表的运行误差直接影响着电力贸易结算的准确性和公正性,因此,需要提供一种评估电能表在多维影响量运行环境中的计量准确度的方法。
发明内容
为克服上述现有技术的不足,本发明提供一种基于多维影响量的电能表计量准确性评估方法,综合考虑了电压、电流、温度等多维现场电能表运行影响量,基于电能表历史试验数据,建立了多维影响量下电能表计量性能模型,实现了对多维影响量下电能表计量性能的准确评估。同时,实现了对电能表历史检定数据和现场检测数据的进一步挖掘利用。
实现上述目的所采用的解决方案为:
一种基于多维影响量的电能表计量准确性评估方法,其特征在于,所述方法包括如下步骤:
(1)根据多维影响参量设计模型拓扑结构;
(2)建立多维影响量下电能表计量性能初始化模型;
(3)获取电能表历史试验数据样本;
(4)计算模型输入层神经元输出;
(5)计算模型隐含层神经元输出;
(6)计算模型输出层神经元输出;
(7)计算模型网络对样本组评估偏差值得STDEV;
若满足精度要求,建立多维影响量下电能表计量性能模型;
若不满足精度要求,调整模型内部神经元参数,重复(4)-(7),直到满足精度要求;
(8)采集实际现场多维影响数据;
(9)对多维影响量下运行电能表计量准确性能进行评估;
(10)得到现场运行电能表计量性能,结束评估。
优选的,所述步骤(1)中,所述模型拓扑结构即模型的输入层、隐含层和输出层神经元的数量,以及各层神经元之间的函数关系。神经元即为节点。
优选的,所述步骤(2)中,所述模型基于BP神经网络设计,电压、电流、温度等现场影响量作为输入,电能表计量误差作为输出。
优选的,所述步骤(3)中,选取电压、电流和温度电能表历史实验数据反复训练模型网络,直至计算模型对样本组评估偏差值的STDEV满足精度要求,确定模型网络各层神经元之间的权值和阈值,由此得到多维影响量下电能表计量性能模型。
优选的,所述步骤(4)中,所述输入层各神经元都为一维输入多维输出结构,输入元素为电压、电流、功率因数、温度、湿度和压力等参数,这些参数的数值和单位并不统一,为了对各输入量进行综合考虑,需将其转换为统一的评价标准。因此,模型在输入层将采用归一化函数对各参数进行归一化处理;
由此即可得到模型输入层的各元素的函数关系:
式中:
xi—各输入层神经元输入值,这里为各种干扰因素的实测值;
yi—输入层神经元输出值,即归一化后的干扰因素值;
xmax—输入的最大值,即干扰因素的最大值;
xmin—输入的最小值,即干扰因素的最小值;
M为输入元素数量最大值;
Ii为中间量。
优选的,所述步骤(5)中,所述隐含层各神经元为M维输入一维输出型结构,且电能表的误差是在正负区间变化,鉴于此我们将隐含层的激发函数选为对称型Sigmoid函数;
由此即可得到模型隐含层的各元素的函数关系;
yj为各隐含层神经元输入值,也是第j个输入层神经元的输出值;
yi'为隐含层神经元输出值;
wj为隐含层神经元的权系数;
Ii'为中间量;
θi'为隐含层神经元的修正阈值。
优选的,所述步骤(6)中,
模型输出层神经元为M维输入一维输出结构,其输出为电能表计量误差,因此,输出层激发函数采用线性函数,以保证输出的范围;
f3(x)=x (5)
由此即可得到模型输出层的各元素的函数关系;
yj'为各输出层神经元输入值,也是第j个隐含层神经元的输出值;
yi”为输出层神经元输出值,即模型的评估结果电能表的计量误差值;
wj'为输出层神经元的权系数;
I”为中间量;
θ”为输出层神经元的修正阈值。
优选的,所述步骤(7)中,计算模型网络对样本组评估偏差值得STDEV即标准偏差,选用贝塞尔公式进行计算:
Δε为模型网络对样本组评估偏差值;
εE为模型网络评估的误差值;
εM为电能表实测误差值;
s(Δε)为模型网络对样本组评估偏差值得标准偏差;
为模型网络对样本组评估偏差值的平均值;
n为样本总数;
Δεi为模型网络对第i个样本评估偏差值;
所述精度要求为STDEV小于0.00005。
优选的,所述步骤(9)中,所述评估为根据电能表的计量误差评估电能表的计量性能是否满足其准确度等级要求。
与现有技术相比,本发明具有以下有益效果:
本发明综合考虑了电压、电流、温度等多维现场电能表运行影响量,基于电能表历史试验数据,建立了多维影响量下电能表计量性能模型,无需对运行电能表新增试验测试,实现了对电能表历史试验数据的进一步挖掘利用和对多维影响量下电能表计量性能的准确评估。
附图说明
图1:本发明的模型网络拓扑结构图;
图2:本发明基于多维影响量的电能表计量准确性评估流程图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
本发明在中国电力科学研究院青年基金项目《多维干扰对电能表计量性能影响的研究》进行了试验应用。
选取不同环境条件下运行的2块电能表(准确度等级为2级,即计量误差在±2%以内即为合格),进行了测试评估,电能表运行工况如下表所示。
表1实际测试评估环境条件
根据现场实际测量得到的电压、电流、功率因数和环境温度,对2块电能表的实际计量性能进行拟合评估,并与实际测量误差进行对比,结果如下。
表2实测条件下电能表实测误差值和模型输出值
根据现场实际测量得到的电压、电流、功率因数和环境温度,对2块电能表的实际计量性能进行拟合评估,并与实际测量误差进行对比,评估结果与实测的误差数据基本吻合,最大的偏差点为0.035%,且都在其准确度要求内,表明电能表运行性能良好。
因此,本项目建立基于多维影响量的电能表计量准确性评估方法,可以利用现场工况电压、电流、温度等信息拟合得到运行电能表的误差值,实现对电能表计量性能的准确预估和对多维干扰下电能表运行可靠性的科学评估。
如图2所示,本发明首先根据评估所需多维参量设计模型的拓扑结构,建立多维影响量下电能表计量性能初始化模型,然后利用电能表历史实验数据训练模型网络,确定模型网络各层神经元之间的权值和阈值等参数,由此得到多维影响量下电能表计量性能模型,建立模型后输入电能表现场多维影响量数据即可对多维影响量下运行电能表的计量准确性进行评估,从而得到现场运行电能表的计量性能。
最后应当说明的是:以上实施例仅用于说明本申请的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (8)
1.一种基于多维影响量的电能表计量准确性评估方法,其特征在于,所述方法包括如下步骤:
(1)根据多维影响参量设计模型拓扑结构;
(2)建立多维影响量下电能表计量性能初始化模型;
(3)获取电能表历史试验数据样本;
(4)计算模型输入层神经元输出;
(5)计算模型隐含层神经元输出;
(6)计算模型输出层神经元输出;
(7)计算模型网络对样本组评估偏差值STDEV;
(8)根据所述样本组评估偏差值STDEV确定是否满足精度要求,建立多维影响量下电能表计量性能模型;
若不满足精度要求,调整模型内部神经元参数,重复(4)-(7),直到满足精度要求;
(9)采集实际现场多维影响数据;
(10)评估多维影响量下的运行电能表计量准确性,结束评估;
所述步骤(4)中,所述输入层各神经元为一维输入多维输出结构,输入元素为电压、电流、功率因数、温度、湿度和压力;
采用归一化函数(1)对每个输入元素进行归一化处理:
即可得到模型输入层的各元素的函数关系:
式中:
xi为各输入层神经元输入值,即各种干扰因素的实测值;
yi为输入层神经元输出值,即归一化后的干扰因素值;
xmax为输入的最大值;
xmin为输入的最小值;
M为输入元素数量最大值;
Ii为中间量。
2.如权利要求1所述评估方法,其特征在于,所述步骤(1)中,所述模型拓扑结构即模型的输入层、隐含层和输出层神经元的数量,以及各层神经元之间的函数关系。
3.如权利要求1所述评估方法,其特征在于,所述步骤(2)中,所述模型基于BP神经网络设计,将现场电能表运行工况中的电压、电流、温度作为输入,电能表计量误差作为输出。
4.如权利要求1所述评估方法,其特征在于,所述步骤(3)中,选取电压、电流和温度电能表历史实验数据反复训练模型网络,直至计算模型对样本组评估偏差值的STDEV满足精度要求,确定模型网络各层神经元之间的权值和阈值,得到多维影响量下电能表计量性能模型。
5.如权利要求1所述评估方法,其特征在于,所述步骤(5)中,所述隐含层各神经元为M维输入一维输出型结构;
将隐含层的激发函数选为对称型Sigmoid函数:
即可得到模型隐含层的各元素的函数关系:
yj为各隐含层神经元输入值,也是第j个输入层神经元的输出值;
yi'为隐含层神经元输出值;
wj为隐含层神经元的权系数;
θi'为隐含层神经元的修正阈值;
M为输入元素数量最大值;
Ii'为中间量。
6.如权利要求1所述评估方法,其特征在于,所述步骤(6)中,所述
输出层各神经元为M维输入一维输出结构,输出为电能表计量误差;
输出层激发函数采用线性函数,以保证输出的范围;
f3(x)=x (5)
即可得到模型输出层的各元素的函数关系:
yj'为各输出层神经元元输入值,也是第j个隐含层神经元的输出值;
yi”为输出层神经元输出值,即模型的评估结果电能表的计量误差值;
w'j为输出层神经元的权系数;
I”为中间量;
θ”为输出层神经元的修正阈值。
7.如权利要求1所述评估方法,其特征在于,所述步骤(7)中,计算模型网络对样本组评估偏差值得STDEV即标准偏差,选用贝塞尔公式进行计算:
Δε为模型网络对样本组评估偏差值;
εE为模型网络评估的误差值;
εM为电能表实测误差值;
n为样本总数;
Δεi为模型网络对第i个样本评估偏差值;
s(Δε)为模型网络对样本组评估偏差值得标准偏差;
为模型网络对样本组评估偏差值的平均值;
所述精度要求为STDEV小于0.00005。
8.如权利要求1所述评估方法,其特征在于,所述步骤(10)中,所述评估为根据电能表的计量误差评估电能表的计量性能是否满足其准确度等级要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510524351.7A CN105158725B (zh) | 2015-08-24 | 2015-08-24 | 一种基于多维影响量的电能表计量准确性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510524351.7A CN105158725B (zh) | 2015-08-24 | 2015-08-24 | 一种基于多维影响量的电能表计量准确性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105158725A CN105158725A (zh) | 2015-12-16 |
CN105158725B true CN105158725B (zh) | 2018-10-26 |
Family
ID=54799643
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510524351.7A Active CN105158725B (zh) | 2015-08-24 | 2015-08-24 | 一种基于多维影响量的电能表计量准确性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105158725B (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107741577B (zh) * | 2017-08-04 | 2020-09-18 | 国网辽宁省电力有限公司电力科学研究院 | 一种关口表准确度在线监控和分析方法及系统 |
CN108732528A (zh) * | 2018-05-28 | 2018-11-02 | 国网福建省电力有限公司电力科学研究院 | 一种基于深度置信网络的数字化电能表故障诊断方法 |
CN109100676A (zh) * | 2018-08-31 | 2018-12-28 | 中国电力科学研究院有限公司 | 一种智能电能表的湿度步进强化试验方法及系统 |
CN109100677A (zh) * | 2018-08-31 | 2018-12-28 | 中国电力科学研究院有限公司 | 一种智能电能表的温湿度同步步进强化试验方法及系统 |
CN109307852A (zh) * | 2018-09-06 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种确定电动汽车充电桩电能计量装置的计量误差的方法和系统 |
CN109188341A (zh) * | 2018-09-18 | 2019-01-11 | 南方电网科学研究院有限责任公司 | 电能表的现场运行误差评估方法、装置、设备及存储介质 |
CN113447879A (zh) * | 2021-05-27 | 2021-09-28 | 国网山东省电力公司营销服务中心(计量中心) | 基于多应力影响的电能表计量误差预测方法、系统及装置 |
CN113762470A (zh) * | 2021-08-23 | 2021-12-07 | 迟源 | 预测模型构建方法、预测方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477185A (zh) * | 2009-02-13 | 2009-07-08 | 成都博高科技有限责任公司 | 一种电能表计量准确度的评估方法 |
CN102928810A (zh) * | 2012-11-12 | 2013-02-13 | 四川电力科学研究院 | 一种数字电能表准确度评估系统及其方法 |
CN203069774U (zh) * | 2012-11-12 | 2013-07-17 | 四川电力科学研究院 | 一种数字电能表准确度评估系统 |
CN203981868U (zh) * | 2014-05-14 | 2014-12-03 | 国家电网公司 | 数字式电能测试仪的误差检定系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7917333B2 (en) * | 2008-08-20 | 2011-03-29 | Caterpillar Inc. | Virtual sensor network (VSN) based control system and method |
-
2015
- 2015-08-24 CN CN201510524351.7A patent/CN105158725B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101477185A (zh) * | 2009-02-13 | 2009-07-08 | 成都博高科技有限责任公司 | 一种电能表计量准确度的评估方法 |
CN102928810A (zh) * | 2012-11-12 | 2013-02-13 | 四川电力科学研究院 | 一种数字电能表准确度评估系统及其方法 |
CN203069774U (zh) * | 2012-11-12 | 2013-07-17 | 四川电力科学研究院 | 一种数字电能表准确度评估系统 |
CN203981868U (zh) * | 2014-05-14 | 2014-12-03 | 国家电网公司 | 数字式电能测试仪的误差检定系统 |
Non-Patent Citations (1)
Title |
---|
电能表基本误差的神经网络建模研究;刘贵栋 等;《哈尔滨理工大学学报》;20010228;第6卷(第1期);第28-30页 * |
Also Published As
Publication number | Publication date |
---|---|
CN105158725A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105158725B (zh) | 一种基于多维影响量的电能表计量准确性评估方法 | |
CN111398885B (zh) | 一种结合线损分析的智能电表运行误差监控方法 | |
CN110471024B (zh) | 一种基于量测数据分析的智能电表在线远程校验方法 | |
CN108593990B (zh) | 一种基于电能用户用电行为模式的窃电检测方法和应用 | |
CN106443285B (zh) | 基于总体最小二乘法的多谐波源谐波责任量化分析方法 | |
CN107016236B (zh) | 基于非线性量测方程的电网假数据注入攻击检测方法 | |
CN105929340B (zh) | 一种基于arima估算电池soc的方法 | |
CN110070282A (zh) | 一种基于综合关联度的低压台区线损影响因素分析方法 | |
CN108680890A (zh) | 智能电能表寿命特征检测方法 | |
CN110031788A (zh) | 一种空心线圈电流互感器误差环境相关性分析方法 | |
CN112485747A (zh) | 一种电容式电压互感器误差状态评估方法 | |
CN110031680A (zh) | 一种系统侧谐波阻抗估计方法和系统 | |
CN106208050B (zh) | 一种基于pmu的电网支路静态参数检测辨识方法 | |
CN110288196A (zh) | 输电线路舞动分级预警方法及系统 | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
CN106874676A (zh) | 一种电能计量装置状态评估方法 | |
CN106228033B (zh) | 基于rbf神经网络的三芯电缆导体温度实时计算方法 | |
CN103335623A (zh) | 输电线路覆冰厚度观测方法 | |
CN108269197A (zh) | 风电机组功率特性评估方法及装置 | |
CN105510864A (zh) | 一种电能表误差计量的检测方法 | |
CN106372440B (zh) | 一种并行计算的配电网自适应抗差状态估计方法及装置 | |
CN103972889B (zh) | 一种配电线路阻抗在线辨识方法 | |
CN106124933B (zh) | 一种基于等价输入干扰法的电力系统故障诊断方法 | |
Bi et al. | Synchronized phasor based on-line parameter identification of overhead transmission line | |
CN105260521B (zh) | 一种基于层次分析法的负荷融合建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |