CN107609783B - 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 - Google Patents
一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 Download PDFInfo
- Publication number
- CN107609783B CN107609783B CN201710867009.6A CN201710867009A CN107609783B CN 107609783 B CN107609783 B CN 107609783B CN 201710867009 A CN201710867009 A CN 201710867009A CN 107609783 B CN107609783 B CN 107609783B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- intelligent electric
- performance
- data
- 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 74
- 238000007418 data mining Methods 0.000 title claims abstract description 47
- 238000012360 testing method Methods 0.000 claims abstract description 118
- 238000001514 detection method Methods 0.000 claims abstract description 93
- 238000011156 evaluation Methods 0.000 claims abstract description 38
- 238000012545 processing Methods 0.000 claims abstract description 27
- 238000010606 normalization Methods 0.000 claims description 11
- 238000003064 k means clustering Methods 0.000 claims description 10
- 238000011157 data evaluation Methods 0.000 claims description 9
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000012847 principal component analysis method Methods 0.000 claims description 5
- 238000011056 performance test Methods 0.000 abstract description 5
- 239000011159 matrix material Substances 0.000 description 11
- 238000010586 diagram Methods 0.000 description 9
- 238000000513 principal component analysis Methods 0.000 description 5
- 239000013598 vector Substances 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000007621 cluster analysis Methods 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010224 classification analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012797 qualification Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- 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
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Abstract
本发明公开了一种基于数据挖掘的智能电能表综合性能进行评估的方法:确定智能电能表的评级指标,获取进行评级指标试验的智能电能表的检测数据;对评级指标所对应的多个检测数据进行加权处理,获取多个检测数据的权重值;根据获取的多个检测数据的权重值,对检测数据进行加权处理,获取性能评级指标的最终数据值;利用数据挖掘方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级。本申请基于数据挖掘的智能电能表综合性能评级方法选取全性能试验项目数据作为性能评级指标,确定某一评级指标在不同试验点的权重值,对处理得到的评级指标检测数据采用数据挖掘法构建智能电能表综合性能评级模型,实现对电能表的评估。
Description
技术领域
本发明涉及智能电能表技术领域,更具体地,涉及一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统。
背景技术
智能电能表作为智能电网最为基础的计量设备,既要确保其在使用轮换周期内计量准确,又要为用电信息采集系统提供完整的数据信息,为用户提供及时有效的服务。由于智能电能表具有安装量大、分布区域广、用于贸易结算等特点,其质量的优劣将直接影响到供用电双方交易的公平公正,同时还影响电力用户感知智能电网的先进化成果。随着国内智能电能表陆续大批量安装使用,在这几年里,电能表的可靠性问题逐渐显现出来,虽然国家电网公司颁布了一系列智能电能表技术规范,但按照这些规范、标准进行层层测试合格的电能表在实际运行中还会出现明显的性能差异,需要利用一些方法对试验数据进行挖掘处理来获取更多信息,为电能表的性能提供可靠的判断依据。目前国内外对于智能电表综合性能评价的方法很少,大多是将智能电能表全寿命周期中不同阶段的故障率、合格率、专家评分等相关数据来构建评价体系。
因此,需要一种技术,以实现对智能电能表综合性能进行评估。
发明内容
本发明提供了一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统,以解决如何对智能电能表综合性能进行评估的问题。
为了解决上述问题,本发明提供了一种基于数据挖掘对智能电能表综合性能进行评估的方法,所述方法包括:
确定所述智能电能表的评级指标,获取进行所述评级指标试验的智能电能表的检测数据;
对所述评级指标所对应的多个检测数据进行加权处理,获取所述多个检测数据的权重值;
根据获取的所述多个检测数据的权重值,对所述检测数据进行加权处理,获取所述性能评级指标的最终数据值;
利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级。
优选地,所述对所述评级指标所对应的多个检测数据进行加权处理,获取所述多个检测数据的权重值,包括:
所述评级指标为多个,所述多个评级指标中的每一个评级指标对应多个检测数据;
对所述每一个评级指标对应的多个检测数据设置权重,获取所述每一个评级指标对应的多个检测数据的权重值。
优选地,所述根据获取的所述多个检测数据的权重值,对所述检测数据进行加权处理,获取所述性能评级指标的最终数据值,包括:
获取所述每一个评级指标对应的多个检测数据的权重值,对所述每一个评级指标对应的检测数据进行加权处理,获取所述每一个评级指标的最终数据值。
优选地,所述利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类之前,还包括:
将所述每一个评级指标的最终数据值取绝对值;
并对所述取绝对值后的最终数据值进行归一化处理。
优选地,所述利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级,还包括:
通过数据挖掘算法对所述智能电能表的性能评级指标最终数据值进行分类;
对所述分类后的所述智能电能表的性能评级指标最终数据值进行评价,获取所述智能电能表的性能评级指标的评价结果;
根据所述评价结果,确定所述所述智能电能表性能指标的级别。
优选地,所述评级指标包括:基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验。
基于本发明的另一方面,提供一种基于数据挖掘对智能电能表综合性能进行评估的系统,所述系统包括:
初始单元,用于确定所述智能电能表的评级指标,获取进行所述评级指标试验的智能电能表的检测数据;
权重确定单元,用于对所述评级指标所对应的多个检测数据进行加权处理,获取所述多个检测数据的权重值;
数据获取单元,用于根据获取的所述多个检测数据的权重值,对所述检测数据进行加权处理,获取所述性能评级指标的最终数据值;
数据评价单元,用于利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级。
优选地,所述权重确定单元还用于:
所述评级指标为多个,所述多个评级指标中的每一个评级指标对应多个检测数据;
对所述每一个评级指标对应的多个检测数据设置权重,获取所述每一个评级指标对应的多个检测数据的权重值。
优选地,所述数据获取单元还用于:
获取所述每一个评级指标对应的多个检测数据的权重值,对所述每一个评级指标对应的检测数据进行加权处理,获取所述每一个评级指标的最终数据值。
优选地,所述数据评价单元还用于:
将所述每一个评级指标的最终数据值取绝对值;
并对所述取绝对值后的最终数据值进行归一化处理。
优选地,所述数据评价单元还用于:
通过数据挖掘算法对所述智能电能表的性能评级指标最终数据值进行分类;
对所述分类后的所述智能电能表的性能评级指标最终数据值进行评价,获取所述智能电能表的性能评级指标的评价结果;
根据所述评价结果,确定所述所述智能电能表性能指标的级别。
优选地,所述评级指标包括:基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验。
本发明技术方案提供一种基于数据挖掘对智能电能表综合性能进行评估的方法,通过确定智能电能表的评级指标,获取进行评级指标试验的智能电能表的检测数据。并且确定评级指标的权重。本申请技术方案根据评级指标的权重,对检测数据进行评价,获取性能评级指标的最终数据值。本申请技术方案利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级。本申请技术方案提出的一种基于数据挖掘的智能电能表综合性能评级方法旨在通过对智能电能表的综合性能评级理论、模型及相关技术方法进行深入研究,建立科学和有效的性能评级指标体系,通过大量的性能检测试验数据为基础数据支撑,结合主成分分析确定权重的方法对数据进行预处理,最终给定性能评级指标检测数据矩阵,基于性能评级指标检测数据、采用数据挖掘的分类分析方法,给出电表性能等级的划分,即对智能电能表性能给出定量与定性相结合的综合评级结果。本发明技术方案针对目前国内智能电能表综合性能评价缺失的情况,提出了一种基于数据挖掘方法的智能电能表综合性能评级方法。本发明的技术方案对智能电能表综合性能优劣给出理论上更为合理、客观而且细化的评价,为开展智能电能表质量评估、质量监督提供客观和科学评价的依据,对于智能电网的建设具有非常重要的现实意义。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明实施方式的一种基于数据挖掘对智能电能表综合性能进行评估的方法流程图;
图2为根据本发明实施方式的k=3时各类的聚类中心(标准化数据)示意图;
图3为根据本发明实施方式的k=4时各类的聚类中心(标准化数据)示意图;
图4为根据本发明实施方式的k=3时各类的聚类中心(原始数据)示意图;
图5为根据本发明实施方式的k=4时各类的聚类中心(原始数据)示意图;以及
图6为根据本发明实施方式的一种基于数据挖掘对智能电能表综合性能进行评估的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明实施方式的一种基于数据挖掘对智能电能表综合性能进行评估的方法流程图。本发明实施方式提供一种基于数据挖掘对智能电能表综合性能进行评估的方法,通过确定智能电能表的评级指标,获取进行评级指标试验的智能电能表的检测数据。本申请对评级指标所对应的多个检测数据进行加权处理,获取多个检测数据的权重值。本申请根据获取的多个检测数据的权重值,对检测数据进行评价,获取性能评级指标的最终数据值。本申请技术方案利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级。本申请实施方式基于数据挖掘的智能电能表综合性能评级方法选取具有代表性的全性能试验项目数据作为性能评级指标,通过给出某一评级指标在不同试验点的权重值,对处理得到的评级指标检测数据采用数据挖掘的方法构建智能电能表综合性能评级模型,实现对智能电能表的评级。
如图1所示,方法100从步骤101开始:
优选地,在步骤101:确定智能电能表的评级指标,获取进行评级指标试验的智能电能表的检测数据。本申请中,评级指标包括:基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验。
为了实现对智能电能表性能的评级,本文采用国家电网公司对智能电能表的全性能检测试验的试验数据作为数据来源。由于全性能试验项目众多,不利于数据处理分析,故本文中参考国际法制计量组织OIML R4-1/R46-2:2012标准中涉及的影响智能电能表组合误差的因素,并结合专家对全性能试验项目重要程度的考虑,选取基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验这六项试验的数据作为性能评级的指标。此外,由于单相、三相智能电能表在试验项目以及各试验的误差限值等方面有明显差异,本文只针对2级单相电能表进行分析,随机选取2013年到2016年四年内1554块2级单相电能表的样表的上述六项试验数据,构成六维数组,作为下一步聚类分析的评级指标。
优选地,在步骤102:对评级指标所对应的多个检测数据进行加权处理,获取多个检测数据的权重值。优选地,对评级指标所对应的多个检测数据进行加权处理,获取多个检测数据的权重值。由于每项试验都有多个不同试验条件下的试验点,需要选取一组数据来代表该试验项目下的误差特性。为了实现这一目的,本申请实施方式选取主成分分析法定量给出不同检测点在该试验项目整体评级中的权重,得到一个综合表示该试验项目数据特征的一维数组。对于其中一试验项目,对智能电能表的p个检测点进行n个评级指标的检测,得到一个n×p检测数据矩阵Xi,通过计算p个检测点检测数据向量间的相关系数矩阵R,求出矩阵R的特征值及矩阵R的特征向量,根据特征值确定主成分个数,最后根据方差贡献率确定每个检测点的n个评级指标的权重。本申请实施方式仅以主成分分析法对评级指标的权重确认进行举例说明,但本申请对评级指标的权重确认不限于主成分分析法。
具体步骤如下:
(1)原始数据的标准化,采集p维随机向量,构造样本矩阵,Xi=(X1,Xi2,…,Xip)T,i=1,2,…,n,n>p,对样本矩阵各元素进行如下标准化变换:
(2)对标准化阵Z求相关系数矩阵R,
(3)解样本相关性矩阵R的特征方程|R-Ip|=0,得p个特征根,特征值从大到小排列为又λ1,λ2,…,λp,特征向量分别为ζ1=(a11,a12,…,ap1)T,ζ2=(a12,a22,…,ap2)T,…,ζp=(a1p,a2p,…,app)T。确定主成分,按特征值大于1来确定m值,使信息的利用率达85%以上。
优选地,在步骤103:根据获取的多个检测数据的权重值,对检测数据进行加权处理,获取性能评级指标的最终数据值。优选地,获取每一个评级指标对应的多个检测数据的权重值,对每一个评级指标对应的检测数据进行加权处理,获取每一个评级指标的最终数据值。
优选地,在步骤104:利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级。本申请通过数据挖掘算法对智能电能表的性能评级指标最终数据值进行分类。对分类后的智能电能表的性能评级指标最终数据值进行评价,获取智能电能表的性能评级指标的评价结果。根据评价结果,确定智能电能表性能指标的级别。
本申请中,利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类之前,还包括:将性能评级指标的最终数据值取绝对值,并对所述取绝对值后的性能评级指标的最终数据值进行归一化处理。
优选地,本申请实施方式还包括评级数据标准化处理。在进行聚类分类过程中,由于试验数据为误差数据,存在正负,而实际只关注其数值的绝对值大小,故首先对其进行绝对值处理。此外,采用最典型的数据归一化处理方法,即将数据统一映射到[0,1]区间,解决数据指标之间的可比性问题,实现对原始数据的等比例缩放,以适应综合对比评级。对各变量数据进行绝对值处理,再进行标准化处理,其中xnorm为归一化后的数据,x为原始数据,xmax、xmin分别为原始数据集的最大值和最小值。
本申请中,利用K均值聚类法对智能电能表的加权评价检测数据进行评价,获取智能电能表的评价等级,包括:K值为3。本申请实施方式仅以K均值聚类法对聚类法进行举例说明,但本申请的聚类法不限于K均值聚类法。
本申请中,采用K均值聚类算法进行智能电能表性能的评级。结合系统聚类法分类结果和实际评级需要来确定评级分类类别数k,系统聚类法分类得到k类之后,从每个类中选择一个该类的中心点,作为K均值聚类的初始聚类中心点,以此进行K均值聚类的迭代分类。根据每类误差试验数据分布情况及聚类中心点误差由小到大,分别把待评级样表综合性能等级由优到差分为k级。
针对目前国内智能电能表综合性能评价缺失的情况,提出一种基于数据挖掘方法的智能电能表综合性能评级方法。基于表征智能电能表性能的典型误差试验数据,用K均值聚类分析法建立了智能电能表综合性能评级体系。对智能电能表综合性能优劣给出理论上更为合理、客观而且细化的评价,因此对电能表生产厂家的产品质量要求更加严格也更为公平,同时也能为开展智能电能表质量评估、质量监督提供客观和科学评价的依据,对于智能电网的建设具有非常重要的现实意义。
此外,所提出的评级方法具有普适性,适用于单相智能电能表以及各类三相智能电能表,对于各类不同电能表的性能特性、使用途径、全性能试验检测具体项目等方面的差异,对相应的性能评级指标进行调整达到评级工作的准确合理性。
以下具体举例说明本申请的实施方式:
本发明提出一种基于数据挖掘的智能电能表综合性能评估的方法,随机选取2013年到2016年四年内1554块二级单相智能电能表,选取其基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验这六项试验的数据作为性能评级指标,作为下一步聚类分析的评级指标。
由于每项试验都有多个不同试验条件下的试验点,需要选取一组数据来代表该试验项目下的误差特性,采用主成分分析法定量给出不同检测点在该试验项目整体评级指标的权重,得到一个综合表示该试验项目数据特征的一维数组。以基本误差试验为例,进行基于主成分的权重计算。
表1所示为检验统计量KMO(Kaiser-Meyer-Olkin)检验标准,KMO检验统计量常用作比较变量间简单相关系数和偏相关系数的指标,判断数据适合于主成分分析的程度。基本误差试验算例进行主成分分析可以得到KMO为0.949,表明该组数据十分适合主成分分析,可以进行下一步研究。
表2所示为主成分分析结果,元件表示不同试验点,特征值对应特征根,可以看出前2个主成分对应的特征根大于1,提取前2个主成分的累计方差贡献率达到88.919%,超过85%。因此前2个主成分基本可以反映全部指标的信息。
表3所示为按照上述的步骤方法可以得出基本误差试验归一化后的各指标权重。
同理可得出其他试验项目的各指标权重分布情况如表4至表7所列。
表8为k=3的系统聚类中心。
表9为k=4的系统聚类中心。
表10为k=3时聚类评级各等级样本数。
表1 KMO检验标准
表2 总方差统计说明
表3 基本误差试验各试验点指标权重
表4 频率改变试验各试验点指标权重
表5 电压改变试验各试验点指标权重
表6 气候试验各试验点指标权重
表7 电压电流线路中的谐波试验各试验点指标权重
表8 k=3的系统聚类中心
表9 k=4的系统聚类中心
表10 k=3时聚类评级各等级样本数
对各变量数据进行绝对值处理,再利用进行标准化处理,其中xnorm为归一化后的数据,x为原始数据,xmax、xmin分别为原始数据集的最大值和最小值。对xnorm构成的矩阵进行系统聚类,综合考虑系统聚类得到的系谱图以及对电能表的实际评级需求,所有样本可分为3类或4类,即k值可以取3或4。分别考虑k=3,k=4,可得系统聚类相应聚类中心如表8、表9所示。以系统聚类的聚类中心为K均值的初始聚类中心进行K均值迭代计算。K均值最终聚类中心(标准化数据)结果如图1、图2所示。
图2所示为采用K均值聚类法将所有样本分k值为3类时各类的中心点,可以明显看出第一类的各试验项目的分类中心普遍比其它两类大些,六个试验点的均方根为0.25,第二类的各项分类中心值都处于三类的中间位置,六个试验点的均方根为0.17,第三类的各项分类中心值均小于其他两类,六个试验点的均方根值为0.09。由于该六项试验数据均表示一定条件下电能表的误差值,故作为性能评级的指标,可以很明显的把第一类、二类、三类分别对应“差”、“中”、“优”三类;当把所有样本分为4类时,第一类到第四类,六个试验项目的均方根值分别为0.25,0.19,0.16,0.09。
图3为根据本发明实施方式的k=4时各类的聚类中心(标准化数据)示意图。如图3所示,第四类的各项分类中心值都明显小于其他类,第一类各项数值普遍偏大,同理由于试验数据表示电能表的误差值,按照图所示可以把四类依据表的性能依次分为“差”、“中”、“良”、“优”四个等级。此外,由图可以看出第二、第三类在指标误差整体上比较相近,第二类的基本误差试验数据远远高于其他类,而第三类的工频试验误差数据也明显偏大,两类聚类中心均方根值只相差0.03,故对该两类的性能评级相对较难区分。
图4为根据本发明实施方式的k=3时各类的聚类中心(原始数据)示意图。如图4所示,上述聚类中心所对应的标准化前的原始数据点,可以看出k=3时,分类结果中第三类的各项目数据数值最小,故该类表的性能具有明显的优越性;第二类中虽然工频试验项目的误差数据值远大于其他类,但由于工频试验数据值在各类中都普遍偏大,且第一类的其它各试验项目相比于第二类来讲,误差值都相对偏高,说明该类表各性能普遍较差,故当k=3时的聚类结果从一类到三类依次对应“差”、“中”、“优”三级的分级结果具有合理性。
图5为根据本发明实施方式的k=3时各类的聚类中心(原始数据)示意图。如图5所示,k=4时,明显看出第四类各项目误差数值普遍偏小,第一类每项项目误差值都大,说明该类电表性能较差,各分类误差性能表现与之前对标准化数据的分析一致,故评级结果也是合理的。由于分为四类时存在有两类性能相近、较难给出明确的评级的情况,故最终采用k=3的分类结果,将所有样表按照综合性能分为“优”、“中”、“差”共三级,每级的样本数如表10所列。
为了验证样表评级的合理性,随机选抽取三个电能表厂家,统计其样表分布在“优”、“中”、“差”各级的比例,使用发明所提出的评级方法,A厂家样表综合性能评级为“优”的比例相对较大,可以达到85%以上,达到了89.29%,评级为“中”、“差”的样本数依次减小,分别为7.14%、3.57%;对于A、B、C三个厂家来说,被评级为“优”的样表数量比例随着性能评级由优到差而逐渐减小,比例分别为89.29%、73.97%、48.15%。进一步对A、B、C三个电能表厂家考察发现,A厂家生产的电能表在现场故障率统计中一直表现良好,现场运行中电能表很少出现故障情况,同时该厂家在业内也具有良好的口碑,在国网招标中标情况良好;B厂家生产的电表的故障率及口碑情况相对一般,C厂家生产的电表的故障率等各情况更差一些。使用该评级方法得到的结果既符合电能表整体性能评级分布的一般规律,又与基于经验和现场实际故障率、招标中标情况数据等吻合,验证了本发明提出的基于K均值聚类的样表综合性能评级方法的合理性及可靠性。
图6为根据本发明实施方式的一种基于数据挖掘对智能电能表综合性能进行评估的系统结构图。本申请实施方式提供了一种基于数据挖掘对智能电能表综合性能进行评估的系统,系600包括:
初始单元601,用于确定智能电能表的评级指标,获取进行评级指标试验的智能电能表的检测数据。优选地,评级指标包括:基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验。
权重确定单元602,用于对评级指标所对应的多个检测数据进行加权处理,获取多个检测数据的权重值。
优选地,权重确定单元602还用于:评级指标为多个,多个评级指标中的每一个评级指标对应多个检测数据;对每一个评级指标对应的多个检测数据设置权重,获取每一个评级指标对应的多个检测数据的权重值。
数据获取单元603,用于根据获取的多个检测数据的权重值,对检测数据进行加权处理,获取性能评级指标的最终数据值。
优选地,数据获取单元603还用于:
获取每一个评级指标对应的多个检测数据的权重值,对每一个评级指标对应的检测数据进行加权处理,获取每一个评级指标的最终数据值。
数据评价单元604,用于利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级。
优选地,数据评价单元604还用于:
将每一个评级指标的最终数据值取绝对值;
并对取绝对值后的最终数据值进行归一化处理。
优选地,数据评价单元604还用于:
通过数据挖掘算法对智能电能表的性能评级指标最终数据值进行分类;
对分类后的智能电能表的性能评级指标最终数据值进行评价,获取智能电能表的性能评级指标的评价结果;
根据评价结果,确定智能电能表性能指标的级别。
本发明发明实施方式的一种基于数据挖掘对智能电能表综合性能进行评估的系统600与本发明实施方式的一种基于数据挖掘对智能电能表综合性能进行评估的方法100相对应,在此不再进行赘述。
已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (10)
1.一种基于数据挖掘的智能电能表综合性能进行评估的方法,所述方法包括:
确定所述智能电能表的评级指标,获取进行所述评级指标试验的智能电能表的检测数据;
对所述评级指标所对应的多个检测数据进行加权处理,获取所述多个检测数据的权重值,包括:
所述评级指标为多个,所述多个评级指标中的每一个评级指标对应多个检测数据;
通过主成分分析法对所述每一个评级指标对应的多个检测数据设置权重,获取所述每一个评级指标对应的多个检测数据的权重值;
根据获取的所述多个检测数据的权重值,对所述检测数据进行加权处理,获取所述性能评级指标的最终数据值;
利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级,包括:利用K均值聚类法对智能电能表的加权评价检测数据进行评价,获取智能电能表的评价等级。
2.根据权利要求1所述的方法,所述根据获取的所述多个检测数据的权重值,对所述检测数据进行加权处理,获取所述性能评级指标的最终数据值,包括:
获取所述每一个评级指标对应的多个检测数据的权重值,对所述每一个评级指标对应的检测数据进行加权处理,获取所述每一个评级指标的最终数据值。
3.根据权利要求1所述的方法,所述利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类之前,还包括:
将所述每一个评级指标的最终数据值取绝对值;
并对所述取绝对值后的最终数据值进行归一化处理。
4.根据权利要求1所述的方法,所述利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级,还包括:
通过数据挖掘算法对所述智能电能表的性能评级指标最终数据值进行分类;
对所述分类后的所述智能电能表的性能评级指标最终数据值进行评价,获取所述智能电能表的性能评级指标的评价结果;
根据所述评价结果,确定所述智能电能表性能指标的级别。
5.根据权利要求1所述的方法,所述评级指标包括:基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验。
6.一种基于数据挖掘对智能电能表综合性能进行评估的系统,所述系统包括:
初始单元,用于确定所述智能电能表的评级指标,获取进行所述评级指标试验的智能电能表的检测数据;
权重确定单元,用于对所述评级指标所对应的多个检测数据进行加权处理,获取所述多个检测数据的权重值;所述权重确定单元还用于:
所述评级指标为多个,所述多个评级指标中的每一个评级指标对应多个检测数据;
对所述每一个评级指标对应的多个检测数据设置权重,获取所述每一个评级指标对应的多个检测数据的权重值;
数据获取单元,用于根据获取的所述多个检测数据的权重值,对所述检测数据进行加权处理,获取所述性能评级指标的最终数据值;
数据评价单元,用于利用数据挖掘的方法对智能电能表的性能评级指标最终数据值进行分类,获取智能电能表性能的评价等级,包括:利用K均值聚类法对智能电能表的加权评价检测数据进行评价,获取智能电能表的评价等级。
7.根据权利要求6所述的系统,所述数据获取单元还用于:
获取所述每一个评级指标对应的多个检测数据的权重值,对所述每一个评级指标对应的检测数据进行加权处理,获取所述每一个评级指标的最终数据值。
8.根据权利要求6所述的系统,所述数据评价单元还用于:
将所述每一个评级指标的最终数据值取绝对值;
并对所述取绝对值后的最终数据值进行归一化处理。
9.根据权利要求6所述的系统,所述数据评价单元还用于:
通过数据挖掘算法对所述智能电能表的性能评级指标最终数据值进行分类;
对所述分类后的所述智能电能表的性能评级指标最终数据值进行评价,获取所述智能电能表的性能评级指标的评价结果;
根据所述评价结果,确定所述智能电能表性能指标的级别。
10.根据权利要求6所述的系统,所述评级指标包括:基本误差试验、气候影响试验、电压改变试验、频率改变试验、工频磁场强度试验、电压电流线路中的谐波试验。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710867009.6A CN107609783B (zh) | 2017-09-22 | 2017-09-22 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710867009.6A CN107609783B (zh) | 2017-09-22 | 2017-09-22 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107609783A CN107609783A (zh) | 2018-01-19 |
CN107609783B true CN107609783B (zh) | 2021-11-26 |
Family
ID=61061880
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710867009.6A Active CN107609783B (zh) | 2017-09-22 | 2017-09-22 | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107609783B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110873857B (zh) * | 2018-09-04 | 2023-01-17 | 中国计量科学研究院 | 基于多源数据融合的智能电能表运行状态评价方法及系统 |
CN109307854A (zh) * | 2018-10-29 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种电能计量装置综合评估方法及系统 |
CN109298376B (zh) * | 2018-10-31 | 2022-09-09 | 中国电力科学研究院有限公司 | 一种基于标准电能表组的电能量值传递的方法及系统 |
CN109635950B (zh) * | 2018-11-30 | 2023-09-15 | 国网上海市电力公司 | 基于遗传算法和社团聚类的电能表运行状态监测方法 |
CN109977174A (zh) * | 2019-03-12 | 2019-07-05 | 黑龙江省电工仪器仪表工程技术研究中心有限公司 | 一种基于自然环境特征的智能电能表归类方法 |
CN110008273A (zh) * | 2019-04-11 | 2019-07-12 | 宁夏隆基宁光仪表股份有限公司 | 一种智能电能表大数据模型处理系统及处理方法 |
CN110082699B (zh) * | 2019-05-10 | 2021-03-19 | 国网天津市电力公司电力科学研究院 | 一种低压台区智能电能表运行误差计算方法及其系统 |
CN111766557A (zh) * | 2020-05-31 | 2020-10-13 | 宁夏隆基宁光仪表股份有限公司 | 一种基于K-Means算法分析影响电能表检测精度的方法 |
CN111950165B (zh) * | 2020-08-25 | 2024-04-12 | 北京合众伟奇科技股份有限公司 | 典型环境下的电能表可靠性分析方法 |
CN115236006B (zh) * | 2022-08-04 | 2023-05-23 | 浙江嘉园智能科技有限公司 | 一种电子河长光谱检测数据的处理方法及系统 |
CN116823363B (zh) * | 2023-08-23 | 2023-11-21 | 中国标准化研究院 | 一种洗碗机性能评级系统及评价方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8370285B2 (en) * | 2008-06-26 | 2013-02-05 | The Texas A&M University System | Identification of power system events using fuzzy logic |
CN103942738A (zh) * | 2014-05-16 | 2014-07-23 | 国家电网公司 | 一种电能表综合评价方法及系统 |
CN105158722A (zh) * | 2015-04-23 | 2015-12-16 | 国网上海市电力公司 | 一种电能表性能指标评价方法 |
CN106447202A (zh) * | 2016-09-29 | 2017-02-22 | 国网山东省电力公司 | 基于数据挖掘和主成分分析的电力设备状态评估方法 |
CN106842104A (zh) * | 2017-01-09 | 2017-06-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种改进型qspm矩阵的智能电表型式试验综合评价分析的方法 |
-
2017
- 2017-09-22 CN CN201710867009.6A patent/CN107609783B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107609783A (zh) | 2018-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609783B (zh) | 一种基于数据挖掘的智能电能表综合性能进行评估的方法及系统 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN106154209B (zh) | 基于决策树算法的电能表故障预测方法 | |
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN109409628B (zh) | 基于计量大数据聚类模型的采集终端生产厂商评价方法 | |
CN107563680A (zh) | 一种基于ahp和熵权法的配电网可靠性评估方法 | |
CN110555596B (zh) | 一种基于配电物资质量评价的抽检策略制定方法及系统 | |
CN109389145B (zh) | 基于计量大数据聚类模型的电能表生产厂商评价方法 | |
CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
CN110264107B (zh) | 一种基于大数据技术的台区线损率异常诊断方法 | |
CN111949939B (zh) | 基于改进topsis和聚类分析的智能电表运行状态评价方法 | |
CN104331773A (zh) | 一种电网规划方案综合评估方法 | |
CN111008193A (zh) | 一种数据清洗与质量评价方法及系统 | |
CN110866691A (zh) | 一种孤立批智能电能表的分阶段与分层抽样方法 | |
CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
CN109409629B (zh) | 基于多属性决策模型的采集终端生产厂商评价方法 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
Vasudevarao et al. | Methodology for creating composite standard load profiles based on real load profile analysis | |
CN109784777B (zh) | 基于时序信息片段云相似度度量的电网设备状态评估方法 | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的系统和方法 | |
Zhao et al. | Performance evaluation of smart meters based on grey relational analysis | |
CN110070256B (zh) | 基于critic方法的零电量用户排查优先度权重计算方法 | |
CN106842104A (zh) | 一种改进型qspm矩阵的智能电表型式试验综合评价分析的方法 | |
CN116307844A (zh) | 一种低压台区线损评估分析方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |