CN106443557B - 一种基于大数据的计量设备误差分析方法 - Google Patents

一种基于大数据的计量设备误差分析方法 Download PDF

Info

Publication number
CN106443557B
CN106443557B CN201610804136.7A CN201610804136A CN106443557B CN 106443557 B CN106443557 B CN 106443557B CN 201610804136 A CN201610804136 A CN 201610804136A CN 106443557 B CN106443557 B CN 106443557B
Authority
CN
China
Prior art keywords
error
metering equipment
environment
analysis
server
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
CN201610804136.7A
Other languages
English (en)
Other versions
CN106443557A (zh
Inventor
成达
张蓬鹤
杜蜀薇
杜新刚
彭楚宁
徐英辉
薛阳
张保亮
赵越
王雅涛
秦程林
石二微
谭琛
杨威
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.)
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
Original Assignee
State Grid Corp of China SGCC
China Electric Power Research Institute Co Ltd CEPRI
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 State Grid Corp of China SGCC, China Electric Power Research Institute Co Ltd CEPRI filed Critical State Grid Corp of China SGCC
Priority to CN201610804136.7A priority Critical patent/CN106443557B/zh
Publication of CN106443557A publication Critical patent/CN106443557A/zh
Application granted granted Critical
Publication of CN106443557B publication Critical patent/CN106443557B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R35/00—Testing or calibrating of apparatus covered by the other groups of this subclass
    • G01R35/04—Testing or calibrating of apparatus covered by the other groups of this subclass of instruments for measuring time integral of power or current

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Testing Or Calibration Of Command Recording Devices (AREA)

Abstract

本发明公开了一种基于大数据的计量设备误差分析方法,在计量设备检测系统的基础上，由主监测平台服务器根据各子站服务器的计算负荷情况选择计算负荷最低的服务器作为当前分析任务的分析服务器，并将当前分析任务所需的原始数据传递至分析服务器，分析服务器根据计量设备误差构建计量设备误差矩阵，根据检测时的环境参数情况构建环境影响矩阵，求解计量设备误差矩阵与环境影响矩阵之间的相关性函数，根据求解结果分析计量设备的误差与各种环境变量之间的关系。本发明分析计量设备误差与环境因素之间的关系，有利于计量设备失效机理的研究，能够实现对大量检测数据的分析，分析速度快、效率高、处理能力强、设备利用率高。

Description

一种基于大数据的计量设备误差分析方法
技术领域
本发明涉及电力检测技术领域，具体涉及一种基于大数据的计量设备误差分析方法。
背景技术
电力计量设备的计量是否准确，直接关系着电力生产和消费全过程的安全以及发、供、用电三方的经济利益和社会公正，为此准确分析计量设备误差是十分必要的。但随着电力计量设备的安装覆盖面越来越广、其安装所在位置的地理环境越来越复杂，环境因素对电力计量设备的影响越来越不容忽视。为明确智能电能表、用电信息采集设备、低压计量箱以及互感器等计量设备的误差与现场运行环境之间的关系，研究计量设备的失效机理，研究人员需要对计量设备在不同环境下的现场运行情况进行检测，并根据检测结果进行分析。
然而现有技术中很少涉及有关方法用于研究环境因素对计量设备误差的影响。为研究计量设备在各种极端自然环境下的适应性，可选取典型环境(如高严寒、高干热、高海拔、高盐雾及高湿热极端环境等)条件进行测试，然而这种测试需要测试的数据量很大，包括计量设备的各类检测数据、环境参数信息等。面对如此大量的检测数据，现有误差处理方法无法在处理数据时做出快速分析，运算效率低，甚至会出现存储不足的问题，这会直接影响误差分析的效率。
发明内容
本发明的目的要解决的技术问题在于克服现有技术的不足，提供一种基于大数据的计量设备误差分析方法，分析计量设备误差与环境因素之间的关系，研究计量设备失效机理，能够实现对大量检测数据的分析，分析速度快、分析效率高、设备利用率高、分析处理能力强。
为实现上述目的，本发明采用的技术方案如下：
一种基于大数据的计量设备误差分析方法，包括以下步骤：
A)设立计量设备检测系统，所述计量设备检测系统包括主监测平台和地区检测基地，所述地区检测基地与主监测平台通讯连接，所述主监测平台设置主监测平台服务器，地区检测基地设置至少一个子站服务器；
B)主监测平台服务器根据子站服务器的计算负荷情况选择计算负荷最低的服务器作为当前分析任务的分析服务器，并将当前分析任务所需的原始数据传递至分析服务器，所述原始数据包括所检测到的计量设备误差和检测环境参数；
C)分析服务器根据计量设备误差构建计量设备误差矩阵Φ,并且根据检测时的环境参数情况构建环境影响矩阵Ve；
D)在t时刻求解计量设备误差矩阵Φ(t)与环境影响矩阵Ve(t)之间的相关性函数f(Ve(t),Φ(t))，根据求解结果分析计量设备的误差与各种环境变量之间的关系。
所述步骤C)中，构建计量设备误差矩阵Φ的方法包括：
设该次分析涉及M台计量设备、每台计量设备在一个环境变量下进行N0次误差检测、每次检测具有N1个测试点,且N＝N0×N1,则该种环境变量下可得到一个M×N的计量设备误差矩阵Φ；
所述构建环境影响矩阵Ve的方法包括：
分析服务器根据检测时的环境参数情况构建环境影响矩阵Ve：设环境变量的种类的数量为m,每种环境变量包含n个测试点，环境温度为T,则每种环境变量所对应的环境变量向量
Figure BDA0001109592230000021
环境影响矩阵
Figure BDA0001109592230000022
所述步骤D)中求解相关性函数f(Ve(t),Φ(t))时，先将计量设备误差矩阵Φ进行直方图统计降维，设定误差区间并统计计量设备误差矩阵Φ落到各误差区间的误差点数，得到直方图向量
Figure BDA0001109592230000023
然后对环境影响矩阵Ve中的每一组环境变量向量
Figure BDA0001109592230000024
分别与直方图向量
Figure BDA0001109592230000025
进行协方差计算：
Figure BDA0001109592230000026
其中，
Figure BDA0001109592230000031
为
Figure BDA0001109592230000032
的期望,
Figure BDA0001109592230000033
为
Figure BDA0001109592230000034
的期望,
Figure BDA0001109592230000035
为
Figure BDA0001109592230000036
的期望,根据计算得到
Figure BDA0001109592230000037
与
Figure BDA0001109592230000038
的协方差
Figure BDA0001109592230000039
计算相关系数ρxy：
Figure BDA00011095922300000310
其中，
Figure BDA00011095922300000311
表示对
Figure BDA00011095922300000312
与
Figure BDA00011095922300000313
进行协方差计算，
Figure BDA00011095922300000314
表示对
Figure BDA00011095922300000315
与
Figure BDA00011095922300000316
进行协方差计算；
根据求得的相关系数的大小对误差出现与环境变量之间的关系进行判断分析：相关系数越小说明该直方图向量所代表的误差出现与该种环境变量之间的线性相关程度越低，反之则线性相关程度越高。
本发明具有以下有益效果：
(1)分析计量设备误差与环境因素之间的关系，有利于计量设备失效机理的研究；
(2)基于Hadoop并行集群架构对计量设备的误差检测结果进行存储和分析，选择负荷最低的服务器进行基于大数据的分析计算，具有分析速度快、设备利用率高和分析处理能力强的优点；
(3)利用求解计量设备误差矩阵与环境影响矩阵之间的相关性函数的方式判断计量设备误差与环境变量之间的关系，能够实现对大量的检测数据的快速分析，进一步提高了分析效率；
(4)求解相关性函数时先将计量设备误差矩阵进行直方图统计降维，在利用降维后的直方图向量进行协方差计算，进一步减小了运算量，提高了运算效率。
具体实施方式
下面结合具体实施例对本发明作进一步说明，以使本领域的技术人员可以更好地理解本发明并能予以实施，但所举实施例不作为对本发明的限定。
本发明实施例公开了一种基于大数据的计量设备误差分析方法，主要应用于国网计量中心典型环境监测平台的误差分析，该方法基于计量设备检测系统运行，该系统由主监测平台和四个分别与主监测平台相通讯连接的地区检测基地所组成，主监测平台设置若干主监测平台服务器，地区检测基地设置有若干子站服务器，该系统基于Hadoop并行集群架构搭建，以便于实现大数据的存储和分析；
具体实施过程如下：
主监测平台服务器根据各子站服务器的计算负荷情况选择计算负荷最低的服务器作为当前分析任务的分析服务器，并将当前分析任务所需的原始数据传递至分析服务器；所述原始数据包括所检测到的计量设备误差和检测环境参数；
分析服务器根据计量设备误差构建计量设备误差矩阵Φ：设该次分析涉及M台计量设备、每台计量设备在一个环境变量下进行N0次误差检测、每次检测具有N1个测试点、且N＝N0×N1,则该种环境变量下可得到一个M×N的计量设备误差矩阵Φ；
并且分析服务器根据检测时的环境参数情况构建环境影响矩阵Ve：设环境变量的种类的数量为m、每种环境变量包含n个测试点，环境温度为T,则每种环境变量所对应的环境变量向量
Figure BDA0001109592230000041
环境影响矩阵
Figure BDA0001109592230000042
考虑时间t的影响求解计量设备误差矩阵Φ(t)与环境影响矩阵Ve(t)之间的相关性函数f(Ve(t),Φ(t))，根据求解结果分析计量设备的误差与各种环境变量之间的关系。
作为本实施例的进一步改进：在求解相关性函数f(Ve(t),Φ(t))时，先将计量设备误差矩阵Φ进行直方图统计降维，设定误差区间并统计计量设备误差矩阵Φ落到各误差区间的误差点数，得到直方图向量
Figure BDA0001109592230000043
然后对环境影响矩阵Ve中的每一组环境变量向量
Figure BDA0001109592230000044
分别与直方图向量
Figure BDA0001109592230000045
进行协方差计算：
Figure BDA0001109592230000046
其中，E为期望值，
Figure BDA0001109592230000047
为
Figure BDA0001109592230000048
的期望,
Figure BDA0001109592230000049
为
Figure BDA00011095922300000410
的期望,
Figure BDA00011095922300000411
为
Figure BDA00011095922300000412
的 期望,根据计算得到
Figure BDA0001109592230000051
与
Figure BDA0001109592230000052
的协方差
Figure BDA0001109592230000053
计算Pearson相关系数ρxy：
Figure BDA0001109592230000054
其中，
Figure BDA0001109592230000055
表示对
Figure BDA0001109592230000056
与
Figure BDA0001109592230000057
进行协方差计算，
Figure BDA0001109592230000058
表示对
Figure BDA0001109592230000059
与
Figure BDA00011095922300000510
进行协方差计算；
根据求得的相关系数的大小对误差出现与环境变量之间的关系进行判断分析：相关系数越小说明该直方图向量所代表的误差出现与该种环境变量之间的线性相关程度越低，反之则线性相关程度越高。
本实施例中在求解相关性函数时先将计量设备误差矩阵进行直方图统计降维，利用降维后的直方图向量进行协方差计算，可以进一步减小了运算量，提高了运算效率。
本实施例中基于Hadoop并行集群架构对计量设备的误差检测结果进行存储和分析，选择负荷最低的服务器进行基于大数据的分析计算，能够加快数据分析速度、提高设备利用率，加强数据分析处理能力。
本实施例利用求解计量设备误差矩阵与环境影响矩阵之间的相关性函数的方式判断计量设备误差与环境变量之间的关系，能够实现对大量的检测数据的快速分析，进一步提高了分析效率。
以上所述实施例仅是为充分说明本发明而所举的较佳的实施例，本发明的保护范围不限于此。本技术领域的技术人员在本发明基础上所作的等同替代或变换，均在本发明的保护范围之内。本发明的保护范围以权利要求书为准。

Claims (1)

1.一种基于大数据的计量设备误差分析方法，其特征在于，包括以下步骤：
A)设立计量设备检测系统，所述计量设备检测系统包括主监测平台和地区检测基地，所述地区检测基地与主监测平台通讯连接，所述主监测平台设置主监测平台服务器，地区检测基地设置至少一个子站服务器；
B)主监测平台服务器根据子站服务器的计算负荷情况选择计算负荷最低的服务器作为当前分析任务的分析服务器，并将当前分析任务所需的原始数据传递至分析服务器，所述原始数据包括所检测到的计量设备误差和检测环境参数；
C)分析服务器根据计量设备误差构建计量设备误差矩阵Φ,并且根据检测时的环境参数情况构建环境影响矩阵Ve；
D)在t时刻求解计量设备误差矩阵Φ(t)与环境影响矩阵
Figure FDA0002371920250000011
之间的相关性函数
Figure FDA0002371920250000012
根据求解结果分析计量设备的误差与各种环境变量之间的关系；
所述步骤C)中，构建计量设备误差矩阵Φ的方法包括：
设该次分析涉及M台计量设备、每台计量设备在一个环境变量下进行N0次误差检测、每次检测具有N1个测试点,且N＝N0×N1,则该种环境变量下可得到一个M×N的计量设备误差矩阵Φ；
所述构建环境影响矩阵Ve的方法包括：
分析服务器根据检测时的环境参数情况构建环境影响矩阵Ve：设环境变量的种类的数量为m,每种环境变量包含n个测试点，环境温度为T,则每种环境变量所对应的环境变量向量
Figure FDA0002371920250000013
环境影响矩阵
Figure FDA0002371920250000014
所述步骤D)中求解相关性函数
Figure FDA0002371920250000015
时，先将计量设备误差矩阵Φ进行直方图统计降维，设定误差区间并统计计量设备误差矩阵Φ落到各误差区间的误差点数，得到直方图向量
Figure FDA0002371920250000021
然后对环境影响矩阵Ve中的每一组环境变量向量
Figure FDA0002371920250000022
分别与直方图向量
Figure FDA0002371920250000023
进行协方差计算：
Figure FDA0002371920250000024
其中，
Figure FDA0002371920250000025
为
Figure FDA0002371920250000026
的期望,
Figure FDA0002371920250000027
为
Figure FDA0002371920250000028
的期望,
Figure FDA0002371920250000029
为
Figure FDA00023719202500000210
的期望,根据计算得到
Figure FDA00023719202500000211
与
Figure FDA00023719202500000212
的协方差
Figure FDA00023719202500000213
计算相关系数ρxy：
Figure FDA00023719202500000214
其中，
Figure FDA00023719202500000215
Figure FDA00023719202500000216
表示对
Figure FDA00023719202500000217
与
Figure FDA00023719202500000218
进行协方差计算，
Figure FDA00023719202500000219
表示对
Figure FDA00023719202500000220
与
Figure FDA00023719202500000221
进行协方差计算；
根据求得的相关系数的大小对误差出现与环境变量之间的关系进行判断分析：相关系数越小说明该直方图向量所代表的误差出现与该种环境变量之间的线性相关程度越低，反之则线性相关程度越高。
CN201610804136.7A 2016-09-05 2016-09-05 一种基于大数据的计量设备误差分析方法 Active CN106443557B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610804136.7A CN106443557B (zh) 2016-09-05 2016-09-05 一种基于大数据的计量设备误差分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610804136.7A CN106443557B (zh) 2016-09-05 2016-09-05 一种基于大数据的计量设备误差分析方法

Publications (2)

Publication Number Publication Date
CN106443557A CN106443557A (zh) 2017-02-22
CN106443557B true CN106443557B (zh) 2020-09-01

Family

ID=58165315

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610804136.7A Active CN106443557B (zh) 2016-09-05 2016-09-05 一种基于大数据的计量设备误差分析方法

Country Status (1)

Country Link
CN (1) CN106443557B (zh)

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
TWI459677B (zh) * 2012-10-05 2014-11-01 Iner Aec Executive Yuan Analysis Method of High Performance Micro - grid Isolated Operation Fault
CN104076319B (zh) * 2014-05-04 2015-07-08 贵州电力试验研究院 一种数字化电能计量装置的在线误差分析系统
CN105322519B (zh) * 2015-11-02 2018-02-13 湖南大学 一种智能配电网大数据融合分析与运行状态监测方法
CN205304877U (zh) * 2016-01-13 2016-06-08 国家电网公司 基于喷泉码的智能电能表误差大数据安全存储装置
CN105516355B (zh) * 2016-01-13 2018-07-17 国家电网公司 基于喷泉码的智能电能表误差大数据安全存储装置及方法
CN105915512A (zh) * 2016-04-13 2016-08-31 乐视控股（北京）有限公司 一种智能互联的方法和装置
CN106295858A (zh) * 2016-07-29 2017-01-04 国电南瑞科技股份有限公司 一种电能表非健康度预测方法

Also Published As

Publication number Publication date
CN106443557A (zh) 2017-02-22

Similar Documents

Publication Publication Date Title
CN105512474B (zh) 一种变压器状态监测数据的异常检测方法
CN106199276B (zh) 一种用电信息采集系统中异常信息的智能诊断系统及方法
Nagulapati et al. Capacity estimation of batteries: Influence of training dataset size and diversity on data driven prognostic models
CN104483575A (zh) 用于非侵入式电力监测的自适应负荷事件检测方法
CN109165242B (zh) 一种基于熵排序与时空分析的故障诊断及预警方法
Gilanifar et al. Multi-task logistic low-ranked dirty model for fault detection in power distribution system
CN106384186A (zh) 一种分布式新能源并网电能质量监控方法及系统
CN107807860B (zh) 一种基于矩阵分解的电力故障分析方法及系统
CN107219453B (zh) 一种基于多维混合量的变电站继电保护隐性故障诊断方法
CN109818349A (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
Yip et al. Energy theft and defective meters detection in AMI using linear regression
Noureen et al. Anomaly detection in cyber-physical system using logistic regression analysis
Evans et al. Multivariate data analytics in PV manufacturing—Four case studies using manufacturing datasets
CN110261748A (zh) Gis设备绝缘性能识别方法及系统
CN106443557B (zh) 一种基于大数据的计量设备误差分析方法
CN107274025B (zh) 一种实现用电模式智能识别与管理的系统和方法
CN107577896A (zh) 基于混合Copula理论的风电场多机聚合等值方法
CN109193639B (zh) 一种电力系统抗差估计方法
CN110413622A (zh) 一种基于电力大数据平台的数据处理方法
CN116247668A (zh) 一种基于量测大数据分析的配电网运行方式识别方法
CN116308883A (zh) 一种基于大数据的区域电网数据统筹管理系统
CN110926651A (zh) 一种配电柜检测方法与装置
CN107817784B (zh) 一种基于并发偏最小二乘的过程故障检测方法
CN111143835A (zh) 基于机器学习的电力计量系统业务逻辑非侵入式防护方法
CN110807014A (zh) 一种基于交叉验证的台区数据异常甄别方法和装置

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant