CN109597014A - 一种基于人工智能技术的电能表误差诊断方法 - Google Patents

Abstract

本发明涉及一种基于人工智能技术的电能表误差诊断方法，包括以下步骤：1)获取基础数据，进行数据预处理；2)通过一误差分析模型计算电能表的误差；3)获取一段时间内的误差变化趋势；4)基于所述误差变化趋势和一神经网络模型获得误差产生原因。与现有技术相比，本发明具有电能表误差分析准确性、有效提高工作效率等优点。

Description

一种基于人工智能技术的电能表误差诊断方法

技术领域

本发明涉及一种电能表计量准确性判断方法，尤其是涉及一种基于人工智能技术的电能表误差诊断方法。

背景技术

电能表计量准确性是衡量电能表质量的关键指标，关系到计量公平、公正，深受公司和社会各界关注，在实际运行过程中，由于受电能表本身质量水平、运行环境等因素影响，其计量准确性会发生变化，当超过允许的变化范围时将导致计量不合格。目前对运行电能表计量性能的评价一般通过周期检定、运行抽检、用户审校等人工方式开展，缺乏智能化的实时监控手段，无法及时发现并处理故障，损害了公司和用户的利益，破坏了公司的形象。另外，电能表计量数据蕴含了大量的信息，可以为公司优化管理决策提供依据，但缺乏一种智能化手段进行快速、全面的分析。通过人工方式开展误差分析诊断工作效率较低，大量运行电能表都是合格的，既浪费了人力物力资源，又无法对故障表及时定位。

目前，在国外电力计量发达的国家在电网研究领域，着重电能表应用的“电子化、长寿命化、标准化、模块化、网络化、智能化”发展方向。在检修及测量等方面，研究方向由以前的周期性检修分析，转向状态检修分析，对计量校准提出更准确和低成本的需求。并通过加强电能表质量控制来保证计量误差的准确性，运行一定年限后开始抽样检测其误差，更换故障电能表；在误差控制方面，从2002年开始，国际法制计量组织(OIML)组织起草并修订了IR46技术文件，将计量部分与管理部分分开，进一步强化了电能表计量性能方面的要求。且在计量装置状态监测领域已经对该方面的监测技术开展研究并提出许多相关的方案。远程误差诊断方面，芬兰阿尔托大学的Akseli Korhonen利用自动抄表数据进行表计误差的标定研究，推导出了一种基于树形拓扑的仪表系统误差的递归计算方法并确定了其置信区间，但是该算法的适用性取决于能耗、表计数量、表计分辨率及预期精度等因素，特别是当总表与用户表计之间产生较大误差时，该算法将不能准确估计表计误差。

目前运行电能表的误差检定办法主要是通过相关专业人员通过专业设备到现场进行检验，根据现行规程对电能表进行检验。现有文献对于I、II、III类电能表实行首检及周期性检定，对于其它类电能表进行周期性抽查，该方法滞后性较强，工作量巨大，且存在较大盲目性。

为了减少检定工作的工作量，将综合运用了计算机技术、移动通信技术、自动控制技术等，采用软硬件结合的方式，远距离对电能表进行校准、监测、数据传输，实现对电能表的远程校验，解决人工周期检定的一系列弊端，省却人工去现场校验的过程，节省大量人力、车辆和校验成本，及时发现和处理异常电能表，如误差超差、窃电等情况，避免更大的电量损失。而国内外应用最多、效果最好的是采用智能网络化电能计量装置异常运行测录装置，其原理是在负载端加装了一个负荷采集系统采集电压、电流信号，并将数据通过负控设备的信道传回，在后台利用数据分析系统，将电能计量装置采集的计量值与后台分析系统计算所得的电量值进行比较，以此来判断该用户电能计量装置的准确性。但该方法需要在现场投入大量的现场监测设备，增大了设备投入和设备运维成本。

基于用电信息采集系统采集的海量数据，综合利用皮尔逊相关系数法、灰色GM(1,1)算法实现对异常电能表的智能判断。通过在用户用电量和线损量之间建立数学模型，利用皮尔逊相关系数法来分析用户电能表计量值与台区线损量之间的变化特征和规律性，并在此基础上来定位异常电能表，以此来提高异常电能计量装置排查的准确性和实时性。该方法利用数理统计的方法，对采集的数据进行集中处理，具有人力投入少、计算精度高、排查周期短等优点。但该方法无法对电能表的误差进行量化。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于人工智能技术的电能表误差诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于人工智能技术的电能表误差诊断方法，包括以下步骤：

1)获取基础数据，进行数据预处理；

2)通过一误差分析模型计算电能表的误差；

3)获取一段时间内的误差变化趋势；

4)基于所述误差变化趋势和一神经网络模型获得误差产生原因。

进一步地，所述基础数据包括台区用户用电量、台区总表电量、台区户表关系数据、线损和用户档案数据。

进一步地，所述数据预处理包括时间同步、数据清洗处理、校核处理、数据缺失处理和样本集优化处理。

进一步地，所述样本集优化处理具体为：

选择具有独立同分布特性的时刻负载，通过聚类方法将原始数据按照台区总负载在各用户间的分布特征聚类，选择数据量较大的集合作为最优的样本集。

进一步地，所述误差分析模型为考虑台区总表与用户表之间的时间同步关系、线损与用户表电量的关联关系以及负载变化和三相不平衡影响的误差线性回归模型。

进一步地，所述误差线性回归模型表示为：

式中，Φ(t)为t时段台区用电量，φ_i(t)为第i个电能表t时段用电量，ε_i为第i个电能表计量误差，η为台区线损与用电量的关系系数，σ为台区其他固定损耗，n为电能表总数。

进一步地，所述步骤3)中，通过时间序列模型获得误差变化趋势。

进一步地，该方法还包括：

5)根据所述误差产生原因，产生现场业务派单通知。

进一步地，该方法还包括：

6)对误差变化趋势和误差产生原因进行可视化。

进一步地，该方法还包括：

7)基于所述误差产生原因与基础数据的对应关系优化更新所述误差分析模型和神经网络模型。

与现有技术相比，本发明具有以如下有益效果：

1、本发明利用人工智能技术实现电能表误差的远程分析，实时掌握每块电能表误差的变化趋势，分析电能表在各种情况下的计量缺陷并做出诊断结论，能够及时发现并处理运行质量问题，有效提升在产品质量及管控方面的管理水平和客户优质服务水平，通过对诊断结果的分析，能够指导轮换、消缺等工作的开展，推动电能表智能化运维，优化公司资源配置，节约人力成本。

2、本发明采用独立同分布台区负载条件下的电能表误差分析优化方法，对参与分析的负荷样本集进行优化，极大降低线损变量的影响，提升电能表误差分析的准确性。

3、本发明采用基于神经网络的误差产生原因诊断，深度挖掘电能表误差产生的原因，能够在样本空间较少的情况下保证学习效果，提升模型的泛化能力与鲁棒性。

4、本发明可以根据误差产生原因产生现场业务派单通知，实现采集运维优选派工机制下智能电能表远程误差分析结果的现场验证工作，提高工作效率。

附图说明

图1为本发明的流程示意图；

图2为本发明的数据关联关系示意图；

图3为本发明误差分析过程示意图；

图4为本发明误差产生原因诊断示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，本发明提供一种基于人工智能技术的电能表误差诊断方法，包括以下步骤：

步骤S101，获取基础数据，进行数据预处理，包括时间同步、数据清洗处理、校核处理、数据缺失处理和样本集优化处理等；

步骤S102，通过一误差分析模型计算电能表的误差，获取一段时间内的误差变化趋势；

步骤S103，基于所述误差变化趋势和一神经网络模型获得误差产生原因。

1、基础数据及其关联性分析

本发明的基础数据包括台区用户用电量、台区总表电量、台区户表关系数据、线损和用户档案数据，从用电信息采集系统、MDS(计量中心生产调度平台)和营销系统中获取。其中，台区总表电量为台区下所有用户电量的累计。用户用电量、台区总表电量、台区户表关系、线损、用户档案等的关联关系如图2所示。

从理论角度出发，通过台区总表的电量与台区内的各个智能表、线损之间的统计关系，采用多元线性回归方法，可以得出各个电能表的运行误差，但上述数据之间的关联关系，仍需考虑如下问题：

(1)台区总表与用户表之间的时间同步关系。考虑到不同的电能表时钟的差异性，为提升误差分析准确性，需要将电能表时钟与对应台区的总表的时钟相统一，保证时间同步，以确保电能表运行误差及线损的一致性。本发明首先通过用电信息采集系统的载波精准对时技术，实现时钟偏差在一个可控的范围内；然后计算台区时钟偏差分布及负载稳定性，选择负载较为稳定的时间段进行计算，降低时钟偏差的影响。

(2)线损与用户表电量的关联关系。一般的线损统计方法，认为台区线损率与台区的总表电量相关，该方法可用于日常线损管理。但事实上，线损与电流流过的导线的路径相关，用户电能表的误差分析，要求高精度、高准确性，因此必须考虑到，台区的总线损与台区内各用户的负载分布相关，在电能表误差分析过程中，必须在一个相对稳定负载分布下进行，否则由于变量太多导致结果失真。因此，本发明通过寻找独立同分布的用电负载分布的负荷样本集，从而为更准确的分析误差提供数据基础。

样本集优化是为了确保降低线损变量的影响，选择具有独立同分布特性的时刻负载，通过k-means、DBScan等聚类方法，将原始样本按照台区总负载在各用户间的分布特征聚类，在聚类结果中，选择样本数量较大的集合，经过F-检验方法进行验证，最终成为优化后的样本集。

2、误差分析模型

误差分析模型为考虑台区总表与用户表之间的时间同步关系、线损与用户表电量的关联关系以及负载变化和三相不平衡影响的误差线性回归模型，表示为：

式中，Φ(t)为t时段台区用电量，φ_i(t)为第i个电能表t时段用电量，ε_i为第i个电能表计量误差，η为台区线损与用电量的关系系数，σ为台区其他固定损耗，n为电能表总数。

对电能表误差分析结果可以采用时间序列模型对误差变化趋势进行分析，通过对ARIMA(b,d,q)模型的分解，探究误差变化的周期性、季节性、趋势性及随机性。ARIMA(b,d,q)模型表示为：

y(＾)t＝μ+φ1*yt-1+...+φp*yt-p+θ1*et-1+...+θq*et-q

其中，φ表示AR的系数，θ表示MA的系数。

误差分析过程如图3所示。回归分析包括多元线性回归、最小二乘法、岭回归、惩罚项等。

3、误差产生原因诊断

本发明中，误差产生原因诊断的诊断可采用神经网络算法或支持向量机，如LM神经网络算法等，诊断过程如图4所示。神经网络算法是一种利用标准的数值优化技术的快速算法，可实现样本的快速分类，建立电能表误差与产生原因的关联关系。该方法可通过闭环消缺，将实际情况与诊断结果进行比对分析，验证分析结果的精确性。

在某些实施例中，本发明方法还包括根据所述误差产生原因，产生现场业务派单通知，根据诊断结论提出有效的解决方案，并在考虑有限资源约束条件下采用多途径优选派工算法开展智能派工，判断故障严重等级、误差等级，实现资源调度。

在某些实施例中，本发明方法还包括对误差变化趋势和误差产生原因进行可视化。

在某些实施例中，本发明方法还包括基于所述误差产生原因与基础数据的对应关系优化更新所述误差分析模型和神经网络模型。

以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。

Claims (10)

1.一种基于人工智能技术的电能表误差诊断方法，其特征在于，包括以下步骤：

1)获取基础数据，进行数据预处理；

2)通过一误差分析模型计算电能表的误差；

3)获取一段时间内的误差变化趋势；

4)基于所述误差变化趋势和一神经网络模型获得误差产生原因。

2.根据权利要求1所述的基于人工智能技术的电能表误差诊断方法，其特征在于，所述基础数据包括台区用户用电量、台区总表电量、台区户表关系数据、线损和用户档案数据。

3.根据权利要求1所述的基于人工智能技术的电能表误差诊断方法，其特征在于，所述数据预处理包括时间同步、数据清洗处理、校核处理、数据缺失处理和样本集优化处理。

4.根据权利要求3所述的基于人工智能技术的电能表误差诊断方法，其特征在于，所述样本集优化处理具体为：

选择具有独立同分布特性的时刻负载，通过聚类方法将原始数据按照台区总负载在各用户间的分布特征聚类，选择数据量较大的集合作为最优的样本集。

5.根据权利要求1所述的基于人工智能技术的电能表误差诊断方法，其特征在于，所述误差分析模型为考虑台区总表与用户表之间的时间同步关系、线损与用户表电量的关联关系以及负载变化和三相不平衡影响的误差线性回归模型。

6.根据权利要求5所述的基于人工智能技术的电能表误差诊断方法，其特征在于，所述误差线性回归模型表示为：

式中，Φ(t)为t时段台区用电量，φ_i(t)为第i个电能表t时段用电量，ε_i为第i个电能表计量误差，η为台区线损与用电量的关系系数，σ为台区其他固定损耗，n为电能表总数。

7.根据权利要求1所述的基于人工智能技术的电能表误差诊断方法，其特征在于，所述步骤3)中，通过时间序列模型获得误差变化趋势。

8.根据权利要求1所述的基于人工智能技术的电能表误差诊断方法，其特征在于，该方法还包括：

5)根据所述误差产生原因，产生现场业务派单通知。

9.根据权利要求1所述的基于人工智能技术的电能表误差诊断方法，其特征在于，该方法还包括：

6)对误差变化趋势和误差产生原因进行可视化。

10.根据权利要求1所述的基于人工智能技术的电能表误差诊断方法，其特征在于，该方法还包括：

7)基于所述误差产生原因与基础数据的对应关系优化更新所述误差分析模型和神经网络模型。