CN107655593A - 一种智能热量表在线综合误差校准方法 - Google Patents

Abstract

本发明涉及一种智能热量表在线综合误差校准方法，⑴智能热量表集群安装形成树形拓扑结构，获得该智能热量表集群的流量守恒基础模型；⑵获得流量守恒算法模型；⑶多次记录运行中智能热量表集群的流量数据，同时记录智能热量表集群的运行条件；⑷将流量数量进行等效换算；⑸计算当前期间误差；⑹对上一步骤的计算结果进行修正及不确定度评价；⑺计算获得综合误差。本发明的目的在于在实际运行中，超出实验室条件的影响量的运行条件下，将不同条件下在线运行的计量表数据作为可采用值进行计算，实现在非实验条件下的准确校准，运用全数据样本思维方式，挖掘电力用户用电信息采集系统海量电脑数据，无需借助外部标准仪器，降低成本，提高效率。

Description

一种智能热量表在线综合误差校准方法

技术领域

本发明属于热量计量领域，尤其是一种智能热量表在线综合误差校准方法。

背景技术

我国北方冬季需要供暖，为了节约能源，减少烟尘，已有很多地区通过热网集中供热，将热能作为一种商品来出售。热量表即为计算热量的仪表，热量表的工作原理：将一对温度 1传感器分别安装在通过载热流体的上行管和下行管上，流量计安装在流体入口或回流管上 (流量计安装的位置不同，最终的测量结果也不同)，流量计发出与流量成正比的脉冲信号，一对温度传感器给出表示温度高低的模拟信号，而积算仪采集来自流量和温度传感器的信号，利用计算公式算出热交换系统获得的热量。

要计算用户使用的热能数，必须测量进入用户和流出用户的水的温度差，这一部分的温度降低是由于用户的消费导致的。但这并不足够，我们还必须知道在此过程有多少水在放热，因此必须测得此时刻的热水的瞬时流量，然后把它和温度差相乘，就可以得到这一时刻热水释放热量的千卡数(也就是用户消费的热量)。

所谓计量表的综合误差是指在规定的试验条件下(包括影响量的范围、环境条件、试验接线等)计量表的相对误差值，它反映了水表测量的基本准确度。但是，它并非水表在使用时的真实误差。因为水表规定的使用条件要比测定基本误差的条件宽。

运行中的计量装置准确性始终是居民用户和供应商最关注的热点问题。目前，通常采用采用统计分析方法或者添加在线检测设备等手段，可用来实现智能水表运行误差的监督与评价。虽然统计分析法改变了过去居民用智能水表由定期轮换为抽检，但仍是对整体批次的控制；通过添加在线监测设备必将为企业带来采购、维护成本的增加，该方法维护成本高且有局限性。

计量装置准确性始终是居民用户和供应商最关注的热点问题。目前，通常采用采用统计分析方法或者添加在线检测设备等手段，可用来实现智能热量表运行误差的监督与评价。虽然统计分析法改变了过去居民用单相智能热量表由定期轮换为抽检，但仍是对整体批次的控制；通过添加在线监测设备必将为企业带来采购、维护成本的增加，该方法维护成本高且有局限性。

经过检索，未发现相近技术的已公开专利文献。

发明内容

本发明的目的在于克服现有技术的不足之处，提供一种智能热量表在线综合误差校准方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种智能热量表在线综合误差校准方法，本方法的具体步骤为：

⑴智能热量表集群安装形成树形拓扑结构，获得该智能热量表集群的流量守恒基础模型；能够远程获取该智能热量表集群中的总表及各分表流量数据，并且同时获得集群中的总表及各分表运行条件；

⑵根据智能热量表集群形成的树形拓扑结构，引入虚拟支路动态修正智能热量表集群拓扑模型，获得流量守恒算法模型；

虚拟支路代替线路耗损的耗损值之和，该虚拟支路包括虚拟智能热量表和虚拟负载；

⑶多次记录运行中智能热量表集群的流量数据，同时记录智能热量表集群的运行条件；

⑷根据集群中的总表及各分表的运行条件，将流量数量进行等效换算；

⑸将换算后的等效数据代入流量守恒算法模型，计算当前期间误差；

⑹对上一步骤的计算结果进行修正及不确定度评价；

⑺计算获得综合误差。

而且，所述运行条件包括外界温度以及水压。

而且，所述第一流量守恒基础模型为：Yε＝-η。

而且，所述流量守恒算法模型为α为修正经验。

而且，所述流量守恒算法模型的求解方法为：

获取m＝n-1次的智能热量表集群的热量流量增量数据，代入流量守恒算法模型，其中，y_i为第i次测量结果向量；ε＝(ε₁ ε₂ … ε_n-1)^T；η＝(y_1，0ε₀-α(y_1,0x_1,n) y_2，0ε₀-α(y_2,0x_2,n) … y_n-1，0ε₀-α(y_1,0x_n-1,n))^T；

为求解方程组，将矩阵Y做LU分解Y＝LU，令z＝Uε，得到方程组Lz＝-η，由于L为下三角阵，易解出z；又因为U为上三角阵，易解出ε，进而得到相对误差δ_j。

而且，所述步骤⑶多次记录运行中智能热量表集群的流量数据，需要对计量数据库进行数据预处理，筛选出独立性较强的数据；所述数据预处理的方法的步骤依次为：实时性检验，数据完整性检查，数据集成，缺项处理，数据分析发现异常数据以及正交性检验。

而且，所述不确定度评价的计算方法：在给定的初始经验值α＝0的情况下，计算智能热量表集群误差情况，若该计算结果满足可信度要求，即计算的超差的智能热量表数量小于规定范围内，则该算法结束；否则向上调整α的值区间，返回算法求解。

本发明的优点和积极效果是：

1、本方法利用流量守恒原理和大数据分析技术，在不添加标准设备、不改变表计结构、不改变智能热量表集群拓扑的情况下，实现海量在线运行智能热量表误差的远程检测。

2、本方法建立基于虚拟支路的修正拓扑模型，实现在线运行智能热量表误差测量可靠性 100％，更精益化地指导智能热量表更换工作。

3、本方法结合智能热量表误差变化趋势的大数据预测技术，在超差问题出现之前即可完成用户无感知换装作业，消除隐患，避免出现不必要的计量准确性纠纷。

4、本发明可有效降低营销运营成本，可大幅减少校验过程中人员、车辆、设备等资源的消耗，节约营销检修运维成本；并且，通过实现远程校验可以实现对故障智能热量表的精准更换，将减少无故障智能热量表的拆回数量，绿色环保；节约采购资金，大幅降低企业运维成本，实现提质增效，具有显著的经济效益和社会效益。

5、本发明的目的在于在实际运行中，超出实验室条件的影响量的运行条件下，进行初步量化后，再将不同条件下在线运行的计量表数据作为可采用值进行计算，实现在非实验条件下的准确校准，运用全数据样本思维方式，挖掘电力用户用电信息采集系统海量电脑数据，无需借助外部标准仪器，降低成本，提高效率。

附图说明

图1为本发明远程校验流程图；

图2为树形拓扑下智能热量表集群示意图；

图3为引入虚拟支路的智能热量表集群示意图；

图4为测量可靠性R(t)变化示意图。

具体实施方式

下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。

一种智能热量表在线综合误差校准方法，⑴智能热量表集群安装形成树形拓扑结构，获得该智能热量表集群的流量守恒基础模型；

能够远程获取该智能热量表集群中的总表及各分表流量数据，并且同时获得集群中的总表及各分表运行条件；运行条件包括外界温度以及水压；

⑵根据智能热量表集群形成的树形拓扑结构，引入虚拟支路动态修正智能热量表集群拓扑模型，获得流量守恒算法模型；

虚拟支路代替线路耗损的耗损值之和，该虚拟支路包括虚拟智能热量表和虚拟负载；

⑶多次记录运行中智能热量表集群的流量数据，同时记录智能热量表集群的运行条件；

⑷根据集群中的总表及各分表运行的运行条件，将流量数量进行等效换算；

⑸将换算后的等效数据代入流量守恒算法模型，计算当前期间误差；

⑹对上一步骤的计算结果进行修正及不确定度评价；

⑺计算获得综合误差。

智能热量表安装后形成的集群具有树形拓扑。因此在流量守恒约定下，同一时段内总表的实际流量增量等于各分表的实际流量增量之和。由于实际流量增量可以读数增量与相对误差表示，因此可以得到一个包含所有仪表读数增量与相对误差的方程。如果已知集群中任意一个仪表的相对误差(可通过单表检测获得)而将其他仪表的相对误差作为未知量，并且注意到通过增加测量时段可以使方程达到或超过未知数的数量，那么可以通过求解方程组确定其他个仪表的相对误差。该自主式算法通过集群内部仪表相互比对计算误差，无需借助外部标准仪器。

当树形拓扑管路存在泄漏时，必须对方程组进行修正。在流量计量中，泄漏表现为管路漏水、温度传感耗损以及热量表功耗。在本方法中，所有损耗被视为虚拟支路的负载，并引入虚拟智能热量表。利用智能热量表的参数测量功能，确定损耗修正项。给出修正后的算法流程以及仿真结果。

以下为具体分解过程：

为了便于清楚描述本方法，首先给出如下定义：

流：流入或流出某一封闭曲面S的标量(图2箭头所示)。流入为正，流出为负。对流做如下约定：流不会堆积且任何时刻都遵守守恒定律。即穿过任意封闭曲面S的流代数和等于零。流以从0开始的整数标记。

广义流量：简称流量，流对时间的积分。由流守恒可以推出流量守恒。即任意时间段内，穿过封闭曲面S的流量增量代数和等于零。

智能热量表：简称流量仪表或流量计(图2中M₀～M₄)，记录对应流的瞬时流量。流量计以M_j标记，j为对应流的编号。

集群：穿过某一封闭曲面S的所有流所对应的流量仪表的集合。

抄表：获取某一时刻集群内所有仪表的读数。逻辑上，抄表动作应返回各仪表相同时刻的读数。但实际上，若各仪表读数返回的时间间隔足够短，则可认为是相同时刻。

测量：一次测量是对集群间隔一段时间的两次抄表，其结果是前后两次读数的增量。

一、理想情况下的流量守恒：

相对误差δ：

其中x为通过某仪表的流量在一个时间段内的实际增量，y为同一时间段内该仪表读数的增量。

某封闭曲面S定义流量仪表集群A_S＝{M_j|流j穿过封闭曲面S}，集群中流量仪表的个数 N_S＝n。设流量计M_j第i次测量结果为y_ij，与之对应的实际值为x_ij。其中i＝1,2,…,m，m为测量次数。根据流量守恒约定有

若δ_j表示流量计M_j的相对误差，则由定义节相对误差的定义可以得到将其代入(2)式，有成立。不失一般性，假定δ₀已知，则有

令

代入(3)式有

(5)式可写成矩阵形式

Yε＝-η (6)

其中

y_i为仪表M₁～M_n-1第i次测量的结果向量。

ε＝(ε₁ ε₂ … ε_n-1)^T，η＝(y_1，0ε₀ y_2，0ε₀ … y_m，0ε₀)^T。

(6)式表明，若已知集群内某一仪表的相对误差δ₀，则可以通过所有仪表的多组测量结果推算出其他各仪表的相对误差δ_j,j＝1,2,…,n-1。

二、添加虚拟支路计算损耗：

实际的智能热量表集群存在损耗(智能热量表损耗、漏电损耗、线路电阻损耗等)，我们引入虚拟支路的概念，代替问题中以线路损耗为主题的损耗值之和。该支路包括虚拟智能热量表和虚拟负载。集群总损耗可等效为虚拟负载的能耗。图3所示，假想的封闭曲面S定义了一个智能热量表集群，智能热量表以符号M_j(j＝0,1,…,n)表示。M_n为虚拟智能热量表。约定流入S的能量为正，流出为负。

设在第i个测量时段T_i内流过M_j的电能为x_i,j(i＝1,2,…,m，为标识每个测量时段的序号； m为测量次数)，则根据能量守恒定律有下式成立。

通常认为第i个测量时段内，M_j的读数增量y_i,j与x_i,j具有如下关系。

y_i，j＝(1+δ_j)x_i，j (10)

(10)式中，δ_j为M_j的(平均)相对误差。若令

则(11)式可化为

不失一般性，假定已知M₀的相对误差δ₀，从而可知ε₀。规定虚拟智能热量表M_n的相对误差δ_n＝0，从而有ε_n＝1及x_i,n＝y_i,n成立。因此(2-22)式化为

三、虚拟支路中损耗的表达

(13)式中左边第三项x_i,n表示测量时段T_i内虚拟负载的能耗(集群总的损耗)，(17) 式和(19)式方程组都为能量守恒方程组。它们表明在能量守恒的前提下，若已知集群内某一仪表的相对误差δ₀，则有可能通过多组测量结果y_i,j推算出其他所有智能热量表的ε_j，进而得到相对误差δ_j(j＝1,2,…,n-1)。在实际计算中，虚拟支路的流出为集群总表M₀的读数增量减去各个分表M_j(j＝1,…,n)的和，并将这个值乘以一个由经验值判定的损耗系数。该损耗系数作为智能热量表集群的能量损耗，依靠下文中所述循环迭代方法求得。对此，加入虚拟支路后，方程相应变化为α为修正经验，是一定范围内的随机值。

数据筛选：

本方法首先需要从用电信息采集系统中获取智能热量表相关抄表数据，通过填补遗漏数据、消除异常数据、平滑噪声数据，以及纠正不一致数据，去掉数据中的噪音、填充空值、丢失值和处理不一致数据，从而获得有效数据。

首先我们需要获取整个树形结构系统中所有表计的测量结果，在一起测量具有不确定性的情况下，我们可以尽量多的获取数据，以保证在合理的计算误差下结果的准确性和完备性要求。数据量最小应不小于电表数量加一。数据筛选有如下步骤：1.实时性检查。2.完整性检查和缺失值处理。3.可视化方法发现异常数据4.正交性检验

实时性检查：我们检查同一组表计抄表值是否在同一时间点抄读的。若不满足此要求，数据无法使用。

数据集成：数据集成是在原有抄表数据的基础上，将智能热量表抄表数据添加到该表计历史抄表数据中。

完整性检查和缺失值处理：首先我们需要对数据进行完整性检查。完整性检查的主要工作为缺失值处理。对于缺失值处理，传统的方法有直接删除，或利用平均值、中值、分位数、众数、随机值等替代。这样做效果一般，因为等于人对数据进行了修改。我们采用的方法通过历史误差和其他误差量做预测模型来算出缺失值，计算缺失值后添加到算法中进行二次验证，判断缺失值的情况是否可以满足缺失要求。具体的来说，若一组数据中缺失值较多，缺失量过大，我们会直接将该数据舍弃掉，因为如果引入会产生较大噪声，对结果造成不良影响。按照经验值判断，如果缺失值多于10％，我们更倾向于等待更多抄表数据。若能满足要求，我们首先将缺失采集数据智能热量表读数添加到虚拟支路的用电量中，使用原模型计算智能热量表误差情况。若数据添加至虚拟支路更新后计算结果保持在合理范围之内，我们再根据该台区平均线损经验占比，从虚拟支路的电量中扣除线损对数据进行填充。填充后，利用填充的表格重新计算误差情况，若满足两次其他表计变化不大且缺失表计与历史计算值偏差不大的条件，我们视为其结果填充正确。不失一般性，我们将缺失值智能热量表作为表1，在测量次数m不小于n-1的情况下，将(14)式写成矩阵形式

Yε＝-η' (15)

其中y_i为第i次测量结果向量；ε＝(ε₂ ε₃ …ε_n-1)^T；η'＝η-y_·1＝(y_1，0ε₀-α(y_1，0x_1，n)-y₁₁ y_2，0ε₀-α(y_2，0x_2，n)-y₁₂ … y_n-1，0ε₀-α(y_1，0x_n-1，n)-y_1n)^T。由上文所述，同理方程(15)可解。若ε＝(ε₂ ε₃ … ε_n-1)^T满足所述要求，那么方程合理，根据虚拟支路值恢复该结果。

数据分析(借助可视化工具)发现异常数据：将智能热量表每日抄表数据作为一个向量，那么多组抄读可以组成一个向量组。在多维数据分析技术中，通过将各个向量可视化表示，从中找出异常变动的特殊向量。使用CrystalAnalysis的可视化工具方法，可以发现特殊离群点值，对此点值做特殊分析，进一步增强数据监控，优化核心数据。另外，利用聚类算法将该向量聚类分析，作为在可视化表示发现异常数据基础上的一种特殊发现方法。

正交性检验：误差分析算法要求方程组各方程间具有弱相关性，否则方程组呈病态导致计算结果误差超出可接受范围。在满足足够的要求时方程才可计算。

计算方法：基于测量不确定度的智能热量表误差迭代计算方法

由于本方法测量的是智能热量表一段时间内的平均误差，测量的结果只是被测量的估计值，测量过程中的不确定因素会导致测量的不确定性。对于已知的系统效应进行修正后的测量结果仍然只是被测量的估计值，考虑不确定度评价方法，保证使在不完全理想的复现或样本代表性不够等的情况下，测量仍然能反映真实情况。

迭代法是一种不断用变量的旧值递推新值的过程，迭代算法是解决问题的一种基本方法。其基本思想是从变量的原值推出它的一个新值。在我们的方法中，迭代被应用于对虚拟电路修正经验α的估计。

在此首先给出假设：在一个台区内误差超差表的数量小于总表数量的5％，即为我们认为计量器具的可靠性在95％。

一般而言，计量器具的可靠性会随着时间的增加而降低，因此对于该比率在不同台区我们执行浮动的检定可靠性目标范围。图4为测量可靠性与时间的变化示意图。根据台区内表计平均使用时间长短情况，我们对该值进行修正。

我们的方法简述如下：在给定的初始经验值α＝0的情况下，计算智能热量表集群误差情况，若该计算结果满足可信度要求，即计算的超差的智能热量表数量小于规定范围内，则该算法结束。否则向上调整α的值区间，返回算法求解。

联合不确定度评价方法：

数学模型:δ＝1/(Y^-1η)-1

由于Y,η满足独立性，则有：

那么我们有联合扩展不确定度U＝ku_c取k＝2，有：

若求解的智能热量表误差符合实际预期，随后对被测量进行独立重复观测，通过所得到的一系列测得值，用统计分析方法获得实验标准偏差s(x)，当用算术平均值作为被测量估计值时，被测量估计值的不确定度按计算：

利用贝塞尔公式法，在重复性条件下对同一被测量独立重复观测n次，得到n个测得值 x_i＝(i＝1,2,...,n)，被测量X的最佳估计是n个独立测得值的算数平均值按如下公式计算：

单个测得值x_k的实验方差s²(x)：

单个测得值x_k的实验标准差s(x)：

被测量估计值的不确定度

尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。

Claims (7)

1.一种智能热量表在线综合误差校准方法，其特征在于：本方法的具体步骤为：

⑴智能热量表集群安装形成树形拓扑结构，获得该智能热量表集群的流量守恒基础模型；能够远程获取该智能热量表集群中的总表及各分表流量数据，并且同时获得集群中的总表及各分表运行条件；

⑵根据智能热量表集群形成的树形拓扑结构，引入虚拟支路动态修正智能热量表集群拓扑模型，获得流量守恒算法模型；

虚拟支路代替线路耗损的耗损值之和，该虚拟支路包括虚拟智能热量表和虚拟负载；

⑶多次记录运行中智能热量表集群的流量数据，同时记录智能热量表集群的运行条件；

⑷根据集群中的总表及各分表的运行条件，将流量数量进行等效换算；

⑸将换算后的等效数据代入流量守恒算法模型，计算当前期间误差；

⑹对上一步骤的计算结果进行修正及不确定度评价；

⑺计算获得综合误差。

2.根据权利要求1所述的智能热量表在线综合误差校准方法，其特征在于：所述运行条件包括外界温度以及水压。

3.根据权利要求1所述的智能热量表在线综合误差校准方法，其特征在于：所述流量守恒基础模型为：Yε＝-η。

4.根据权利要求1所述的智能热量表在线综合误差校准方法，其特征在于：所述流量守恒算法模型为α为修正经验。

5.根据权利要求1所述的智能热量表在线综合误差校准方法，其特征在于：所述流量守恒算法模型的求解方法为：

获取m＝n-1次的智能热量表集群的热量流量增量数据，代入流量守恒算法模型，其中，y_i为第i次测量结果向量；ε＝(ε₁ ε₂ … ε_n-1)^T；η＝(y_1,0ε₀-α(y_1,0x_1,n) y_2,0ε₀-α(y_2,0x_2,n) … y_n-1,0ε₀-α(y_1,0x_n-1,n))^T；

为求解方程组，将矩阵Y做LU分解Y＝LU，令z＝Uε，得到方程组Lz＝-η，由于L为下三角阵，易解出z；又因为U为上三角阵，易解出ε，进而得到相对误差δ_j。

6.根据权利要求1所述的智能热量表在线综合误差校准方法，其特征在于：所述步骤⑶多次记录运行中智能热量表集群的流量数据，需要对计量数据库进行数据预处理，筛选出独立性较强的数据；所述数据预处理的方法的步骤依次为：实时性检验，数据完整性检查，数据集成，缺项处理，数据分析发现异常数据以及正交性检验。

7.根据权利要求1所述的智能热量表在线综合误差校准方法，其特征在于：所述不确定度评价的计算方法：在给定的初始经验值α＝0的情况下，计算智能热量表集群误差情况，若该计算结果满足可信度要求，即计算的超差的智能热量表数量小于规定范围内，则该算法结束；否则向上调整α的值区间，返回算法求解。