CN111046519A - 一种人工智能技术在电能表误差诊断中的应用分析方法 - Google Patents

Abstract

本发明涉及一种人工智能技术在电能表误差诊断中的应用分析方法，其特征在于：包括如下步骤：(1)构建用电信息采集系统中各数据的关联模型；(2)基于人工智能技术建立单、三相智能表的误差分析模型；(3)电能表远程误差分析结果的分析与精确性验证。本发明具有省人省力、提高评价效率、故障发现及时、降低用户损失、易于实现的优点，是一种具有较高创新性的人工智能技术在电能表误差诊断中的应用分析方法。

Description

一种人工智能技术在电能表误差诊断中的应用分析方法

技术领域

本发明属于电网运营管理领域，涉及一种电能表的误差诊断方法，特别是一种人工智能技术在电能表误差诊断中的应用分析方法。

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。

发明内容

本发明的目的在于提供一种省人省力、提高评价效率、故障发现及时、降低用户损失、易于实现的人工智能技术在电能表误差诊断中的应用分析方法。

本发明解决其技术问题是通过以下技术方案实现的：

一种人工智能技术在电能表误差诊断中的应用分析方法，其特征在于：包括如下步骤：

(1)构建用电信息采集系统中各数据的关联模型：台区总表电量为台区下所有 用户表电量的累计，再加上线损及计量误差；

(2)基于人工智能技术建立单、三相智能表的误差分析模型：

首先将台区总表电量、用户表电量、户表关系、线损、用户档案数据作为数据源，并确保时间同步；然后对该数据源进行样本集优化，以确保降低线损变量的影响；优 化后的样本集再基于户变关系建立电能表误差分析模型，建立的电能表误差分析模型 如下：

式中，Φ(t)为t时段台区用电量，φi(t)为第i块表t时段用电量，εi为第i块 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；

(3)电能表远程误差分析结果的分析与精确性验证：利用神经网络及支持向量 机技术深度挖掘电能表误差产生原因并对结果进行分析与精确性验证，

对于电能表误差分析结果，首先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；

误差产生原因的诊断采用LM神经网络算法，以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，根据诊断结论提出有效的解决方案，并采用多途径 优选派工算法开展智能派工，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。

而且，所述的ARIMA(b,d,q)模型为

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。

本发明的优点和有益效果为：

1.本人工智能技术在电能表误差诊断中的应用分析方法，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，有效提升公司 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。

附图说明

图1为本发明的方法流程图；

图2为本发明用电信息采集系统中各数据关联关系的示意图；

图3为本发明误差分析模型构建过程的示意图；

图4为本发明误差原因分析及精确性验证的原理示意图；

图5为本发明误差诊断工具的研发与应用的示意图。

具体实施方式

通过对用电信息采集系统中台区用户用电量、台区总表电量、台区户表关系、线损、用户档案等数据的关联关系研究对电能表误差诊断的相关需求，进行细化、量化， 为数据分析做准备根据需求分析结果，选型并设计电能表误差诊断所用的算法模型， 以及实现分析所需的相关技术，准备开始相应的工具研发工作。

基于人工智能技术的单、三相智能表误差分析模型研究，研发电能表误差诊断模型，并固化为工具，输入真实数据，开展功能和性能测试并完善。完成误差诊断结果 及原因分析与精确性验证。

电能表远程误差分析结果的分析与精确性验证在现场开展模型试应用，验证其有效性，并根据测试结果进行调整，不断优化，提升其在实际业务场景中的适用性，电 能表误差诊断工具的研发与示范应用：完成误差诊断结果及原因分析与精确性验证， 总结实验验证情况。

一种人工智能技术在电能表误差诊断中的应用分析方法，其创新之处在于：包括如下步骤：

(1)构建用电信息采集系统中各数据的关联模型：

台区总表电量为台区下所有用户电量的累计，再加上线损及计量误差，通过人工智能技术实现电能表误差分析及诊断，须基于用电信息采集系统、MDS和营销系统 的数据，研究关联关系，包括用户用电量、台区总表电量、台区户表关系、线损、用 户档案等，其关联关系如图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。

上述数据之间的关联关系需考虑如下问题：

a、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。

b、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。

(2)基于人工智能技术建立单、三相智能表的误差分析模型：

首先将台区总表电量、用户表电量、户表关系、线损、用户档案数据作为数据源，并确保时间同步；然后对该数据源进行样本集优化，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再基于 户变关系建立电能表误差分析模型，误差分析模型构建过程如图3所示，建立的电能 表误差分析模型如下：

式中，Φ(t)为t时段台区用电量，φi(t)为第i块表t时段用电量，εi为第i块 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；

(3)电能表远程误差分析结果的分析与精确性验证：结合人工智能技术，分析 电能表在各种情况下的计量缺陷，深度挖掘电能表误差产生的原因，并给出诊断结论， 提出有效的解决方案，提高电能表运行的准确、可靠性；利用神经网络及支持向量机 技术深度挖掘电能表误差产生原因并对结果进行分析与精确性验证，误差原因分析及 精确性验证见图4，

对于电能表误差分析结果，首先采用时间序列模型对误差变化趋势进行分析，通过对大数据、人工智能、机器学习等技术进行融合，提升电能表数据质量以及用采数 据的审核等工作的效能和准确性和电能表状态评价的精准性和轮换管理的智能化水 平；开展人工智能技术在电能表误差诊断中的应用研究；建立通用型负荷模型分析库， 为各类业务应用场景提供数据驱动的决策支持；所述的ARIMA(b,d,q)模型为 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。

p--代表预测模型中采用的时序数据本身的滞后数(lags),也叫做AR/Auto-Regressive 项

q--代表预测模型中采用的预测误差的滞后数(lags)，也叫做MA/Moving Average项

误差产生原因的诊断采用LM神经网络算法，以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，根据诊断结论提出有效的解决方案，并采用多途径 优选派工算法开展智能派工，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。

(4)电能表误差诊断工具的研发与示范应用

电能表误差诊断工具包含数据准备及预处理、模型研发和固化、试点运行与完善等4个阶段。

数据准备及预处理阶段，选择典型台区，通过用电信息采集系统主站端与电能表时钟，最大限度确保时间同步，并按照15分钟的频次，采集用电负荷、电量、电压、 电流等数据，通过数据清洗、校核等手段，建立起合格的数据样本。

模型研发与固化阶段，通过数据输入接口，通过线性回归方法，基于Spark MLLib机器学习框架建立算法模型，通过模块化服务程序运行，拟合出每只电能表的误差变 量。在前端界面，提供数据输入配置、输出结果查询，并研发误差分析结果的时间序 列分析，提供展现及即时交互。

试点运行及完善阶段，部署电能表误差诊断工具，选择符合条件的台区，要求通讯条件好、网络延时低，将一定时间周期内采集的数据，提交至工具运行，并结合 人工核查、分析检验等手段不断完善模型。

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 (1)

1.一种人工智能技术在电能表误差诊断中的应用分析方法，其特征在于：包括如下步骤：

(1)构建用电信息采集系统中各数据的关联模型：台区总表电量为台区下所有用户表电量的累计，再加上线损及计量误差；

(2)基于人工智能技术建立单、三相智能表的误差分析模型：

首先将台区总表电量、用户表电量、户表关系、线损、用户档案数据作为数据源，并确保时间同步；然后对该数据源进行样本集优化，以确保降低线损变量的影响；优化后的样本集再基于户变关系建立电能表误差分析模型，建立的电能表误差分析模型如下：

式中，Φ(t)为t时段台区用电量，φi(t)为第i块表t时段用电量，εi为第i块表计量误差，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；

(3)电能表远程误差分析结果的分析与精确性验证：利用神经网络及支持向量机技术深度挖掘电能表误差产生原因并对结果进行分析与精确性验证；

对于电能表误差分析结果，首先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；

误差产生原因的诊断采用LM神经网络算法，以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，根据诊断结论提出有效的解决方案，并采用多途径优选派工算法开展智能派工，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。

而且，所述的ARIMA(b,d,q)模型为

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。

Images