CN111693931A - 智能电能表误差远程计算方法、装置和计算机设备 - Google Patents
智能电能表误差远程计算方法、装置和计算机设备 Download PDFInfo
- Publication number
- CN111693931A CN111693931A CN202010579712.9A CN202010579712A CN111693931A CN 111693931 A CN111693931 A CN 111693931A CN 202010579712 A CN202010579712 A CN 202010579712A CN 111693931 A CN111693931 A CN 111693931A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- error
- value
- meter
- 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.)
- Pending
Links
Images
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)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种智能电能表误差远程计算方法、装置和计算机设备,其中方法包括获取台区参数,台区参数包括总电能表电能值和各分电能表电能值;根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值。上述的智能电能表误差远程计算方法在构建电能表误差计算的损失函数时考虑了电网中不同类型的电能损耗,且采用自适应梯度下降算法进行误差计算,具有计算简单、计算量小、利于处理大规模测量数据的特点,能够有效提高算法的收敛速度,同时降低算法收敛性对测量数据质量的敏感性。
Description
技术领域
本发明涉及智能表误差计算技术领域,具体涉及一种智能电能表误差远程计算方法、装置、计算机设备和存储介质。
背景技术
智能电能表,是由测量单元、数据处理单元、通信单元等组成,具有电能量计量、信息存储及处理、实时监测、自动控制、信息交互等功能的电能表。智能电能表作为智能电网中高级量测系统(AMI,Advanced MeteringInfrastructure)的重要组成部分,是电网运行控制和供用电双方贸易结算的依据。与传统电能表相比,依托于AMI的智能电能表大大减少了抄表工作和人工巡检等工作量。同时,除了完成基本的电能计费功能外,基于智能电能表的量测数据还可以实现用户用电行为分析、需求响应策略设计和电力市场定价等高级应用。因此,智能电能表的精确计量不仅关乎电网的稳定运行,而且关系到用户的切实利益。在这个背景下,判定智能电能表运行时的计量误差尤为关键。通过判断每一块运行电能表的状态,及时发现出现故障或误差超限的个体并加以更换,是保证电网计量准确性的基础。为了降低电网的经济成本,目前智能电能表检定的主要方式是周期抽检。然而,随着电网规模的扩大和智能电能表的大量投入运行,现有的电能表校验模式效率越来越低,且工作强度越来越大。另一方面,AMI强大的通信基础设施使得电网参数的采集成本极低,利用AMI中海量数据进行电能表运行误差的分析成为了可能。通过数据挖掘技术,基于运行数据的电能表误差计算不仅能大大降低校验成本,同时有利于实现电能表的在线校验与实时误差跟踪。
目前常用的智能表误差检测方法主要包括两大类。一类是人工检测方法,一类是采用AMI数据分析方法。其中人工检测方法主要是由专业人员定期携带仪器设备到现场进行周期抽检是电力公司检定智能电能表是否精确。而AMI数据分析方法研究结果较少,主要包括芬兰阿尔托大学的Korhonen等人利用低压台区抄表数据,采用基于树形拓扑的递归计算方法实现电能表计量误差的计算;国内郭景涛等人提出了基于AMI系统量测数据的电能表运行误差远程计算,通过集群内部已有的仪表相互比对来计算每个电能表的误差;孔祥玉等人提出了一种具有动态遗忘因子的双参数实时跟踪方法和一种基于限定记忆递推最小二乘算法的误差估计方法。
然而,目前人工检测方法通常需要将电能表拆下并连接到测试设备进行实验,因此不仅耗费了大量的时间,还给用户带来极大的不便甚至损失,导致电能表运行的维护成本高;而AMI数据分析方法中对Korhonen等人的方法:该方法的适应性受到用户用电水平、表计分辨率等因素的限制,在总计量表与用户计量表之间存在较大损耗时无法准确估计误差,因此在电能表误差估计的准确性上有待提高;对郭景涛等人的方法:该方法中将读数矩阵分解为上下三角矩阵的步骤较为繁琐,且要求任意时段内的数据满足独立性和正交性要求,因此实时性较差;(4)孔祥玉等的基于最小二乘算法的估计方法,对用户用电水平、用户表数量、数据质量等因素非常敏感。特别地,基于最小二乘算法的电能表误差估计通常涉及到矩阵的求逆运算。随着电网规模和智能电表的增加,单次采样的运行数据规模增大。为了保证线性回归方程解的存在性,电能表误差估计算法所需的样本量增加,从而极大地增加了矩阵求逆运算的难度。同时,矩阵求逆也会存在数值不稳定的情况,因此造成误差估计结果的准确性下降。
发明内容
有鉴于此,本发明提供了一种智能电能表误差远程计算方法、装置、计算机设备和存储介质用于解决现有的电能表误差检测方法存在成本高、实时性差以及准确性差的技术问题。
一种智能电能表误差远程计算方法,包括以下步骤:
获取台区参数,所述台区参数包括总电能表电能值和各分电能表电能值;
根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值。
进一步地,
所述总电能表电能值和各所述分电能表电能值为多组;根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤之前,还包括:
对多组所述总电能表电能值和多组各所述分电能表电能值进行预处理,去除不良数值并进行划分,获得在相近负载电流或功率因数运行状态下的总电能表电能值和各所述分电能表电能值。
进一步地,
在对多组所述总电能表电能值和多组各所述分电能表电能值进行预处理,去除不良数值并进行划分的步骤中,包括:
采用模糊C均值聚类算法多组所述总电能表电能值和多组各所述分电能表电能值进行预处理。
进一步地,
根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤中,包括:
将预处理后的总电能表电能值和各所述分电能表电能值按照时间顺序进行排列,得到样本数据;
将所述样本数据代入所述能量守恒方程构建电能表误差计算的损失函数,其中所述能量守恒方程为:
进一步地,
所述电能表误差计算的损失函数通过以下公式计算:
其中N表示样本数据的数量,y表示除电能损耗之外的台区总用电量,xj表示第j个分电能表值,θj表示第j个分电能表的误差系数估计值。
进一步地,
采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值的步骤中,包括:
进一步地,
所述台区的电能损耗通过以下公式计算:
其中ωloss表示台区的电能损耗,Il(τ)表示τ时段内台区第l条支路的实时电流,rl为台区第l条支路的线路电阻,n表示n条线路。
一种智能电能表误差远程计算装置,包括:
参数获取模块,用于获取台区参数,所述台区参数包括总电能表电能值和各分电能表电能值;
损失函数构建模块,用于根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
误差值计算模块,用于采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值。
一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现以下步骤:
获取台区参数,所述台区参数包括总电能表电能值和各分电能表电能值;
根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值。
一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现以下步骤:
获取台区参数,所述台区参数包括总电能表电能值和各分电能表电能值;
根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值。
本发明的智能电能表误差远程计算方法、装置、计算机设备和存储介质,首先获取台区参数包括总电能表电能值和各分电能表电能值;然后根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;最后采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值。上述的智能电能表误差远程计算方法在构建电能表误差计算的损失函数时考虑了电网中不同类型的电能损耗,且采用自适应梯度下降算法进行误差计算,具有计算简单、计算量小、利于处理大规模测量数据的特点,能够有效提高算法的收敛速度,同时降低算法收敛性对测量数据质量的敏感性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例中智能电能表误差远程计算方法应用环境的示意图;
图2为本发明实施例中基于AMI的智能电表数据采集物理架构图;
图3为本发明实施例中智能电能表误差远程计算方法流程示意图;
图4为本发明实施例中(配电)台区的电能表集群拓扑图;
图5为本发明实施例中智能电能表误差远程计算方法计算的误差值的曲线图;
图6为本发明实施例中智能电能表误差远程计算方法计算的误差值概率分布示意图;
图7为本发明实施例中不同的电能表误差计算方法计算的误差值分布示意图;
图8为本发明实施例本发明实施例中智能电能表误差远程计算方法的性能评估示意图;
图9为本发明实施例中未采用模糊C均值聚类算法进行数据预处理时采用智能电能表误差远程计算方法计算的误差值示意图;
图10为本发明实施例中存在线路损耗计算误差时采用智能电能表误差远程计算方法计算的误差值示意图;
图11为本发明实施例中智能电能表误差远程计算装置的结构示意图;
图12为本发明实施例中的计算机设备的机构示意图。
具体实施方式
下面将对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
为了更详细说明本发明,下面结合附图对本发明提供的一种智能电能表误差远程计算方法、装置、计算机设备和存储介质,进行具体地描述。
本方法运用于图1的终端102中,终端可以是个人计算机、笔记本电脑等,终端102与数据采集设备104进行通讯连接,数据采集设备104为AMI的智能电表数据采集系统等。
其中,终端102与数据采集设备104采用本地接口连接时,数据采集设备104可以将采集的台区参数发送至终端102中。另外,终端102也可以通过指令获取数据采集设备104中采集的台区参数。
图2为AMI的智能电表数据采集系统的基本物理架构示意图。该基本物理架构主要包括系统主站层、通讯网络层和用户终端设备(智能电表)层。系统主站层为监督层,负责自动收集用户的用电信息。通信层在主站层和用户终端设备之间建立信息传输通道,实现用户用电过程中的实时数据传输。通过通信层,主站中的计算机设备从终端设备层接收各种类型的用电信息数据(电力配额,电功率,损耗等)。相反,终端设备层的执行机构对来自主站的命令进行处理。每个电能表可以在不同时间进行多次测量,然后主站会记录整个网络中所有电能表的读数(即电能值)。
图3为本发明的智能电能表误差远程计算方法在一个实施例中的流程示意图,如图3所示,本发明实施例公开的智能电能表误差远程计算方法主要包括以下步骤:
步骤S302,获取台区参数,台区参数包括总电能表电能值和各分电能表电能值;
其中,台区是指在电力系统中一台变压器的供电范围或区域。一个台区中包括多个电能表,分别记为各分电能表。在本实施例中在计算电能表误差值时以台区为单位,计算台区中每个电能表的计量误差值。电能表误差:一般指相对误差,即其中为某一时段电能表的实际增量,x为电能表读数增量。
远程计算是指通过电能表运行数据的采集、传输与分析实现电能表误差的估算。
台区参数主要包括两个部分,台区及用户档案信息和智能电表电量采集数据,台区及用户档案信息主要包括用户基本档案信息包括计量点信息、采集对象信息、电能表信息、计量点关系、用户编号、用户名称、台区信息、线损计算模型中的供入计量点与供出计量点等。而智能电表电量采集数据指台区总电能计量表和用户各分电能表的正有功电能示值,即总电能表电能值和各分电能表电能值。由于数据采样可以是多次进行的,因此总电能表电能值和各分电能表电能值可以是多组,即每一次采样都可以得到一组总电能表电能值和各分电能表电能值。
步骤S304,根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
步骤S306,采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值。
具体的,根据台区电能损耗的计算方法,基于广义能量守恒定律建立电能表误差计算的损失函数;并将预处理后的测量数据作为输入变量,利用自适应梯度下降算法计算台区内各电能表的误差值。其中能量守恒方程是指基于能量守恒定律台区实际流入的电能等于台区实际流出电能加上台区的电能损耗。
自适应梯度下降算法:学习速率自适应调整的梯度下降算法,梯度下降算法是指沿梯度方向迭代求解极值点的最优化算法。
本发明的智能电能表误差远程计算方法,首先获取台区参数包括总电能表电能值和各分电能表电能值;然后根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;最后采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值。上述的智能电能表误差远程计算方法在构建电能表误差计算的损失函数时考虑了电网中不同类型的电能损耗,且采用自适应梯度下降算法进行误差计算,具有计算简单、计算量小、利于处理大规模测量数据的特点,能够有效提高算法的收敛速度,同时降低算法收敛性对测量数据质量的敏感性。
在一个实施例中,总电能表电能值和各分电能表电能值为多组;根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤之前,还包括:
对多组总电能表电能值和多组各分电能表电能值进行预处理,去除不良数值并进行划分,获得在相近负载电流或功率因数运行状态下的总电能表电能值和各分电能表电能值。
在一个实施例中,在对多组总电能表电能值和多组各分电能表电能值进行预处理,去除不良数值并进行划分的步骤中,包括:
采用模糊C均值聚类算法多组总电能表电能值和多组各分电能表电能值进行预处理。
具体的,多组总电能表电能值和多组各分电能表电能值中通常包括不良数据,不良数据主要是反映出某用户处于轻载工况和极端运行状态下的测量数据,通俗来说就是用电量在测量周期内以较大比例为零或几乎为零的用户数据。
对不良测量数据的剔除和对测量数据按运行状态划分主要通过数据聚类算法实现,数据聚类的结果将作为选择误差估计模型输入变量的基础。本实用新型采用模糊C均值聚类算法。所述基于模糊C均值聚类算法的数据预处理过程如下:
(1)输入原始测量数据X=[x1,x2,…,xH];
(2)初始化模糊C均值聚类算法的基本参数(加权系数m和终止阈值ò),利用爬山法确定初始聚类数目K与聚类中心C0,并计算对应的隶属度矩阵U0。
(4)判断收敛条件ΔJ(C,U)<ò是否满足:若满足,则输出最终的聚类中心C和隶属度矩阵U;否则返回(3)。
其中,H表示样品数量(即总电能表电能值和各分电能表电能值的组数),计算出了K个聚类中心隶属度矩阵U=(μij);U=(μij)表示每个样品与所有聚类之间的关系,μij表示第i(i∈1,2,...,N)个样品关于第j(j∈1,2,...,K)个聚类中心的隶属度,μij∈[0,1];m表示加权指数,取值范围为[1,+∞),m的取值会决定最终聚类效果的模糊程度,当m=1时FCM聚类算法变为硬聚类算法,当m趋向于无穷大时,FCM聚类算法获得的各个聚类中心则会退化成数据的中心。
经过上述基于模糊C均值聚类算法的数据预处理过程(1)-(4),可以剔除原始测量数据中处于轻载工况和极端运行状态下的测量数据。同时,根据输出的聚类中心和隶属度矩阵,可以将电能表测量数据按照不同运行状态进行分组。
在一个实施例中,根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤中,包括:
将预处理后的总电能表电能值和各分电能表电能值按照时间顺序进行排列,得到样本数据;
将样本数据代入能量守恒方程构建电能表误差计算的损失函数,其中能量守恒方程为:
具体的,将经过模糊C均值聚类算法预处理后的多组总电能表电能值和多组各分电能表电能值按照时间顺序(即数据检测或生成的时间)进行排序,分别构成台区总电能表和分电能表的矩阵,作为智能电表误差估计模型的输入样本数据;
(配电)台区的电能表集群拓扑如图4所示。从图4可以看出,一个台区内的电能表集群具有显著的树形拓扑特征。根据能量守恒定律,在任意测量时段内,台区总电能表的读数(即电能值)均等于各用户电能表(即各分电能表)真实值(即电能值)总和与该时段内的电能损耗之和,从而有:
在一个实施例中,电能表误差计算的损失函数通过以下公式计算:
其中N表示样本数据的数量,y表示除电能损耗之外的台区总用电量,xj表示第j个分电能表值,θj表示第j个分电能表的误差系数估计值。
在一个实施例中,采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值的步骤中,包括:
具体而言,分析电能表计量误差与台区内电能损耗的计算方法。台区的总电表用于校核,由于其精确度等级比用户处的分电表高得多,因此我们假设其读数没有误差,即已知台区总电表的绝对误差为0。用户电能表i的相对误差δi表示为:
在考虑电能表计量误差与台区电能损耗的基础上,进一步修正上述中的能量守恒方程:
假设经过基于模糊C均值聚类算法的数据预处理得到的N组总电能表电能值和各分电能表电能值,将N组总电能表电能值和各分电能表电能值按照时间顺序进行排列,生成N个样本数据,建立电能表误差估计模型的损失函数:
其中θ=[θ0,θ1,...,θM]是对误差参数ε=[ε0,ε1,...,εM]的估计值。
然后利用梯度下降算法求解误差估计值θ,该步骤具体为:
1)输入样本数据(x,y);
3)计算在当前θ(k)处,损失函数J(θ)关于θj(k)的梯度值:
步骤1)至4)为经典的梯度下降算法,该算法的一个关键参数是学习速率(即迭代步长),取一个合适的学习速率非常重要。若学习速率过小,则算法的收敛速度慢;而若学习速率过大,梯度下降算法的迭代过程可能出现振荡,从而可能使算法发散。理想的梯度下降算法需要满足两点:收敛速度要快,而且能全局收敛。为了实现这一理想目标,已有多种针对经典梯度下降算法的改进算法。其中,自适应梯度下降算法通过自适应地改变学习速率,能够有效提高算法的收敛速度与收敛精度。采用自适应梯度下降算法,θ的更新法则变为:
其中η为学习速率的初始值,σ为一常数,G(k)∈R(M+1)×(M+1)为一个对角矩阵,且对角线上的值为θ的梯度到当前时刻的平方和,即
在一个实施例中,台区的电能损耗通过以下公式计算:
其中ωloss表示台区的电能损耗,Il(τ)表示τ时段内台区第l条支路的实时电流,rl为台区第l条支路的线路电阻,n表示n条线路。
具体而言,台区的电能损耗包括线损、漏电等方式的损耗。线路损耗是由流过线路的电流造成的热损耗,与线路电阻有关,因而可以认为线路损耗是与电网拓扑相关的可变损耗。其计算公式为:
其中Il(τ)表示τ时段内第l条支路的实时电流,rl为第l条支路的线路电阻,可根据导线特性参数计算得到。与可变损耗对应的如漏电损耗、其他公用用电器损耗等则与电网拓扑无关,属于固定损耗。我们假设台区内的固定损耗为一独立常数值ε0。
在一种可选地实施例方式中,采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值的步骤之后,还包括:通过对台区内智能电表抽样检测,获得相应智能电表误差参数的实际值,并与步骤S306中的误差值对比,分析步骤S306中基于自适应梯度下降算法的电能表误差远程计算算法的性能。
其中对智能电能表误差计算结果进行分析,具体包括:
(1)对台区内智能电表的实际误差值进行检测:对于规模较大的台区,采用分层抽样的方式,按照各用户用电量水平进行分层,并确定各层抽取的样本数量;对于规模很小的台区,可以采用全部检测的方式。
(2)对抽取的智能电表进行检测,获取该电能表的实际误差值。
(3)采用平均绝对百分误差(Mean Absolute Percent Error,MAPE)和均方根误差(Root Mean Square Error,RMSE)作为评价指标,对步骤S306中基于自适应梯度下降算法的电能表误差远程估计算法的性能进行分析。MAPE和RMSE的表达式为:
效果实施例
下面结合具体的算例、计算公式、图5-图10对智能电能表误差远程计算方法实施例中所提的基于自适应梯度下降算法的智能电表误差远程估计方法进行可行性验证,具体包括:
为了验证所提方法的有效性,本发明实例以一个包含68个用户的台区为对象进行分析。该台区共包含一块台区总电能表和68块用户电能表。我们收集了300组智能电表在不同运行时刻的计量数据,对收集的原始测量数据采用智能电能表误差远程计算方法实施例中的模糊C均值聚类算法进行数据预处理,剔除了300组数据中的不良测量数据,并将剩余的测量数据作为电能表误差估计模型的输入变量(即样本数据)。利用步骤S306中的自适应梯度下降算法求解基于测量数据的电能表误差估计模型,得到的电能表误差值曲线如图5所示。从图5可以看出,所研究台区的68块用户电能表中存在一些运行不正常的电能表(对应于图5中误差率超过2%的电能表)。
将本发明实施例的智能电能表误差远程计算方法计算得到的误差值结果作为分析该台区电能表运行状态的依据,我们可以得到该台区电能表误差的概率分布曲线如图6所示。从图6可以看出,所研究台区的电能表误差指的概率分布基本服从正态分布,且绝大多数电能表处于误差等级较低的正常工作状态(对应于图6中小于1%的误差率)。
为了评估本发明实施例的智能电能表误差远程计算方法的性能,我们将电能表误差的实际值作为参考值,并引入不同的误差计算算法作为对照组。考虑引入基于传统的最小二乘算法(LS,Least Square)和批量梯度下降算法(BGD,Batch Gradient Descent)的电能表误差评估方法,加上所提的基于自适应梯度下降算法(AdaGD,Adaptive GradientDescent)的电能表误差计算方法(即本发明实施例中的智能电能表误差远程计算方法),三种方法对应的误差计算曲线如图7所示。从图7可以看出,基于批量梯度下降算法的电能表误差估计方法的精准度最低。
进一步,采用智能电能表误差远程计算方法实施例中的MAPE和RMSE作为电能表误差估计方法的评价指标,对图8中三种误差估计方法的性能进行定量分析,得到三种方法对应的MAPE值和RMSE值如图8所示。从图8可以看出,所提方法的RMSE值略高于基于传统最小二乘算法的误差估计方法的RMSE值。然而,基于传统最小二乘算法的误差估计方法具有较大的MAPE值。因此综合考虑MAPE和RMSE两个评价指标,可以得出所提方法在电能表误差估计上的精准度最高。
为了研究测量数据中的不良数据对所提方法性能的影响,我们仿真模拟在不剔除轻载数据的情况下,利用所提方法进行电能表误差计算,对应的误差计算曲线如图9所示。从图9可以看出,在电能表误差估计模型输入变量包含轻载数据时,所提方法的误差估计精准度大大降低。因此,利用模糊C均值聚类方法对原始测量数据进行预处理是非常重要的。
此外,为了研究台区的电能损耗数据误差对所提方法性能的影响,我们仿真模拟在台区的线路损耗计算存在误差的情况下,利用所提方法进行电能表误差估计,对应的误差估计曲线如图10所示。从图10可以看出,在1%和5%的线路损耗计算误差等级下,所提方法的误差估计精准度降低,且该精准度随着线路损耗计算误差的增大而迅速增大。因此,台区线路损耗的计算对所提方法的性能有很大影响,准确的线路损耗数据是保障电能表误差估计精准度的基础。
上述本发明公开的实施例中详细描述了一种智能电能表误差远程计算方法,对于本发明公开的上述方法可采用多种形式的设备实现,因此本发明还公开了对应上述方法的智能电能表误差远程计算装置,下面给出具体的实施例进行详细说明。
请参阅附图11,为本发明实施例公开的一种智能电能表误差远程计算装置,主要包括:
参数获取模块110,用于获取台区参数,所述台区参数包括总电能表电能值和各分电能表电能值;
损失函数构建模块112,用于根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
误差值计算模块114,用于采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值。
在一个实施例中,总电能表电能值和各分电能表电能值为多组;还包括:
预处理模块,用于对多组总电能表电能值和多组各分电能表电能值进行预处理,去除不良数值并进行划分,获得在相近负载电流或功率因数运行状态下的总电能表电能值和各分电能表电能值。
在一个实施例中,预处理模块,还用于采用模糊C均值聚类算法多组总电能表电能值和多组各分电能表电能值进行预处理。
在一个实施例中,损失函数构建模块包括:样本数据获得模块;
样本数据获得模块,用于将预处理后的总电能表电能值和各分电能表电能值按照时间顺序进行排列,得到样本数据;
损失函数构建模块,还用于将样本数据代入能量守恒方程构建电能表误差计算的损失函数,其中能量守恒方程为:
在一个实施例中,电能表误差计算的损失函数通过以下公式计算:
其中N表示样本数据的数量,y表示除电能损耗之外的台区总用电量,xj表示第j个分电能表值,θj表示第j个分电能表的误差系数估计值。
在一个实施例中,误差值计算模块包括收敛值更新模块:
在一个实施例中,台区的电能损耗通过以下公式计算:
其中ωloss表示台区的电能损耗,Il(τ)表示τ时段内台区第l条支路的实时电流,rl为台区第l条支路的线路电阻,n表示n条线路。
关于智能电能表误差远程计算装置的具体限定可以参见上文中对于智能电能表误差远程计算方法的限定,在此不再赘述。上述智能电能表误差远程计算装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
本发明实施例还提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图12所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储电阻等效模型、等效子模型的数据,以及存储执行计算时得到的等效电阻、工作电阻以及接触电阻。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种智能电能表误差远程计算方法。
本领域技术人员可以理解,图12中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:获取台区参数,台区参数包括总电能表电能值和各分电能表电能值;根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:总电能表电能值和各分电能表电能值为多组;根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤之前,还包括:对多组总电能表电能值和多组各分电能表电能值进行预处理,去除不良数值并进行划分,获得在相近负载电流或功率因数运行状态下的总电能表电能值和各分电能表电能值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:在对多组总电能表电能值和多组各分电能表电能值进行预处理,去除不良数值并进行划分的步骤中,包括:采用模糊C均值聚类算法多组总电能表电能值和多组各分电能表电能值进行预处理。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤中,包括:将预处理后的总电能表电能值和各分电能表电能值按照时间顺序进行排列,得到样本数据;将样本数据代入能量守恒方程构建电能表误差计算的损失函数,其中能量守恒方程为:
在一个实施例中,处理器执行计算机程序时还实现以下步骤:电能表误差计算的损失函数通过以下公式计算:
其中N表示样本数据的数量,y表示除电能损耗之外的台区总用电量,xj表示第j个分电能表值,θj表示第j个分电能表的误差系数估计值。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值的步骤中,包括:利用自适应梯度下降算法更新θj的取值,直至收敛,根据θj的收敛值根据计算各分电表的误差值
在一个实施例中,处理器执行计算机程序时还实现以下步骤:台区的电能损耗通过以下公式计算:
其中ωloss表示台区的电能损耗,Il(τ)表示τ时段内台区第l条支路的实时电流,rl为台区第l条支路的线路电阻,n表示n条线路。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:获取台区参数,台区参数包括总电能表电能值和各分电能表电能值;根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:总电能表电能值和各分电能表电能值为多组;根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤之前,还包括:对多组总电能表电能值和多组各分电能表电能值进行预处理,去除不良数值并进行划分,获得在相近负载电流或功率因数运行状态下的总电能表电能值和各分电能表电能值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:在对多组总电能表电能值和多组各分电能表电能值进行预处理,去除不良数值并进行划分的步骤中,包括:采用模糊C均值聚类算法多组总电能表电能值和多组各分电能表电能值进行预处理。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据总电能表电能值、各分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤中,包括:将预处理后的总电能表电能值和各分电能表电能值按照时间顺序进行排列,得到样本数据;将样本数据代入能量守恒方程构建电能表误差计算的损失函数,其中能量守恒方程为:
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:电能表误差计算的损失函数通过以下公式计算:
其中N表示样本数据的数量,y表示除电能损耗之外的台区总用电量,xj表示第j个分电能表值,θj表示第j个分电能表的误差系数估计值。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:采用自适应梯度下降算法对损失函数进行分析计算,得到各分电能表的误差值的步骤中,包括:利用自适应梯度下降算法更新θj的取值,直至收敛,根据θj的收敛值根据计算各分电表的误差值
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:台区的电能损耗通过以下公式计算:
其中ωloss表示台区的电能损耗,Il(τ)表示τ时段内台区第l条支路的实时电流,rl为台区第l条支路的线路电阻,n表示n条线路。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种智能电能表误差远程计算方法,其特征在于,包括以下步骤:
获取台区参数,所述台区参数包括总电能表电能值和各分电能表电能值;
根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值。
2.根据权利要求1所述的智能电能表误差远程计算方法,其特征在于,所述总电能表电能值和各所述分电能表电能值为多组;根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数的步骤之前,还包括:
对多组所述总电能表电能值和多组各所述分电能表电能值进行预处理,去除不良数值并进行划分,获得在相近负载电流或功率因数运行状态下的总电能表电能值和各所述分电能表电能值。
3.根据权利要求2所述的智能电能表误差远程计算方法,其特征在于,在对多组所述总电能表电能值和多组各所述分电能表电能值进行预处理,去除不良数值并进行划分的步骤中,包括:
采用模糊C均值聚类算法多组所述总电能表电能值和多组各所述分电能表电能值进行预处理。
8.一种智能电能表误差远程计算装置,其特征在于,包括:
参数获取模块,用于获取台区参数,所述台区参数包括总电能表电能值和各分电能表电能值;
损失函数构建模块,用于根据所述总电能表电能值、各所述分电能表电能值和能量守恒方程构建电能表误差计算的损失函数;
误差值计算模块,用于采用自适应梯度下降算法对所述损失函数进行分析计算,得到各分电能表的误差值。
9.一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现权利要求1-7所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现权利要求1-7所述方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010579712.9A CN111693931A (zh) | 2020-06-23 | 2020-06-23 | 智能电能表误差远程计算方法、装置和计算机设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010579712.9A CN111693931A (zh) | 2020-06-23 | 2020-06-23 | 智能电能表误差远程计算方法、装置和计算机设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111693931A true CN111693931A (zh) | 2020-09-22 |
Family
ID=72483391
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010579712.9A Pending CN111693931A (zh) | 2020-06-23 | 2020-06-23 | 智能电能表误差远程计算方法、装置和计算机设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111693931A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130109A (zh) * | 2020-11-06 | 2020-12-25 | 中国计量科学研究院 | 一种智能电能表计量性能异常的检测方法 |
CN112596020A (zh) * | 2020-12-30 | 2021-04-02 | 广东电网有限责任公司电力科学研究院 | 一种台区内智能电表运行误差的修正方法及相关装置 |
CN112684400A (zh) * | 2020-11-25 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 小电量台区的电能表运行误差数据监测方法及系统 |
CN113126019A (zh) * | 2021-04-19 | 2021-07-16 | 广东电网有限责任公司计量中心 | 一种智能电表误差远程估计方法、系统、终端和存储介质 |
CN113625217A (zh) * | 2021-07-16 | 2021-11-09 | 国网浙江省电力有限公司营销服务中心 | 低压台区电能表运行误差计算方法及系统 |
CN113945881A (zh) * | 2021-07-27 | 2022-01-18 | 国网浙江省电力有限公司营销服务中心 | 计量表箱内电能表运行误差监测装置 |
CN113985339A (zh) * | 2021-09-22 | 2022-01-28 | 北京市腾河科技有限公司 | 智能电表的误差诊断方法及系统、设备、存储介质 |
CN114896829A (zh) * | 2022-07-14 | 2022-08-12 | 山西虚拟现实产业技术研究院有限公司 | 一种超差电表定位方法 |
CN115542236A (zh) * | 2022-11-24 | 2022-12-30 | 北京志翔科技股份有限公司 | 电能表运行误差估计方法及装置 |
CN115656914A (zh) * | 2022-12-12 | 2023-01-31 | 湖南省计量检测研究院 | 一种基于大数据的智能电表计量准确性检测方法及装置 |
CN116106816A (zh) * | 2023-01-13 | 2023-05-12 | 北京市腾河智慧能源科技有限公司 | 基于5g模块的电能表误差校准方法及系统、设备、介质 |
CN116613893A (zh) * | 2023-07-20 | 2023-08-18 | 南方电网调峰调频发电有限公司信息通信分公司 | 发电企业的区域电能智慧管理方法及装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170227576A1 (en) * | 2016-02-09 | 2017-08-10 | Dialog Semiconductor B.V. | Calibration of Vectors in a Measurement System |
CN107621298A (zh) * | 2017-09-05 | 2018-01-23 | 天津市电力科技发展有限公司 | 一种智能燃气表运行误差远程校准方法 |
CN107666149A (zh) * | 2017-10-23 | 2018-02-06 | 珠海许继芝电网自动化有限公司 | 一种中压配电网线损计算方法 |
CN107817395A (zh) * | 2017-09-05 | 2018-03-20 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的窃电排查方法 |
CN208224474U (zh) * | 2017-11-16 | 2018-12-11 | 国网冀北电力有限公司电力科学研究院 | 用电计量设备故障监控装置 |
CN110045317A (zh) * | 2019-05-29 | 2019-07-23 | 中国电力科学研究院有限公司 | 一种互感器计量误差在线检测方法及系统 |
CN110335168A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 基于gru优化用电信息采集终端故障预测模型的方法及系统 |
CN110471024A (zh) * | 2019-08-08 | 2019-11-19 | 天津大学 | 一种基于量测数据分析的智能电表在线远程校验方法 |
CN110532505A (zh) * | 2019-08-07 | 2019-12-03 | 深圳供电局有限公司 | 一种电表失准率的计算方法 |
CN110658487A (zh) * | 2019-10-18 | 2020-01-07 | 国网福建省电力有限公司 | 一种可以实现智能电表误差在线估计的表箱及系统 |
-
2020
- 2020-06-23 CN CN202010579712.9A patent/CN111693931A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20170227576A1 (en) * | 2016-02-09 | 2017-08-10 | Dialog Semiconductor B.V. | Calibration of Vectors in a Measurement System |
CN107621298A (zh) * | 2017-09-05 | 2018-01-23 | 天津市电力科技发展有限公司 | 一种智能燃气表运行误差远程校准方法 |
CN107817395A (zh) * | 2017-09-05 | 2018-03-20 | 天津市电力科技发展有限公司 | 一种基于电网线路运行误差远程校准的窃电排查方法 |
CN107666149A (zh) * | 2017-10-23 | 2018-02-06 | 珠海许继芝电网自动化有限公司 | 一种中压配电网线损计算方法 |
CN208224474U (zh) * | 2017-11-16 | 2018-12-11 | 国网冀北电力有限公司电力科学研究院 | 用电计量设备故障监控装置 |
CN110335168A (zh) * | 2019-04-22 | 2019-10-15 | 山东大学 | 基于gru优化用电信息采集终端故障预测模型的方法及系统 |
CN110045317A (zh) * | 2019-05-29 | 2019-07-23 | 中国电力科学研究院有限公司 | 一种互感器计量误差在线检测方法及系统 |
CN110532505A (zh) * | 2019-08-07 | 2019-12-03 | 深圳供电局有限公司 | 一种电表失准率的计算方法 |
CN110471024A (zh) * | 2019-08-08 | 2019-11-19 | 天津大学 | 一种基于量测数据分析的智能电表在线远程校验方法 |
CN110658487A (zh) * | 2019-10-18 | 2020-01-07 | 国网福建省电力有限公司 | 一种可以实现智能电表误差在线估计的表箱及系统 |
Non-Patent Citations (2)
Title |
---|
ZHENGQING ZHANG等: "Connectivity of Magnetic Induction-Based Ad Hoc Networks", 《IEEE TRANSACTIONS ON WIRELESS COMMUNICATIONS》 * |
曾争等: "基于正态分布优化的计量准确性方案研究", 《电测与仪表》 * |
Cited By (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112130109A (zh) * | 2020-11-06 | 2020-12-25 | 中国计量科学研究院 | 一种智能电能表计量性能异常的检测方法 |
CN112684400A (zh) * | 2020-11-25 | 2021-04-20 | 国网江苏省电力有限公司营销服务中心 | 小电量台区的电能表运行误差数据监测方法及系统 |
CN112684400B (zh) * | 2020-11-25 | 2024-03-01 | 国网江苏省电力有限公司营销服务中心 | 小电量台区的电能表运行误差数据监测方法及系统 |
CN112596020A (zh) * | 2020-12-30 | 2021-04-02 | 广东电网有限责任公司电力科学研究院 | 一种台区内智能电表运行误差的修正方法及相关装置 |
CN113126019A (zh) * | 2021-04-19 | 2021-07-16 | 广东电网有限责任公司计量中心 | 一种智能电表误差远程估计方法、系统、终端和存储介质 |
CN113625217A (zh) * | 2021-07-16 | 2021-11-09 | 国网浙江省电力有限公司营销服务中心 | 低压台区电能表运行误差计算方法及系统 |
CN113625217B (zh) * | 2021-07-16 | 2023-09-26 | 国网浙江省电力有限公司营销服务中心 | 低压台区电能表运行误差计算方法及系统 |
CN113945881A (zh) * | 2021-07-27 | 2022-01-18 | 国网浙江省电力有限公司营销服务中心 | 计量表箱内电能表运行误差监测装置 |
CN113945881B (zh) * | 2021-07-27 | 2023-09-22 | 国网浙江省电力有限公司营销服务中心 | 计量表箱内电能表运行误差监测装置 |
CN113985339A (zh) * | 2021-09-22 | 2022-01-28 | 北京市腾河科技有限公司 | 智能电表的误差诊断方法及系统、设备、存储介质 |
CN113985339B (zh) * | 2021-09-22 | 2023-11-24 | 北京市腾河科技有限公司 | 智能电表的误差诊断方法及系统、设备、存储介质 |
CN114896829B (zh) * | 2022-07-14 | 2022-09-30 | 山西虚拟现实产业技术研究院有限公司 | 一种超差电表定位方法 |
CN114896829A (zh) * | 2022-07-14 | 2022-08-12 | 山西虚拟现实产业技术研究院有限公司 | 一种超差电表定位方法 |
CN115542236A (zh) * | 2022-11-24 | 2022-12-30 | 北京志翔科技股份有限公司 | 电能表运行误差估计方法及装置 |
CN115656914A (zh) * | 2022-12-12 | 2023-01-31 | 湖南省计量检测研究院 | 一种基于大数据的智能电表计量准确性检测方法及装置 |
CN115656914B (zh) * | 2022-12-12 | 2023-10-10 | 湖南省计量检测研究院 | 一种基于大数据的智能电表计量准确性检测方法及装置 |
CN116106816A (zh) * | 2023-01-13 | 2023-05-12 | 北京市腾河智慧能源科技有限公司 | 基于5g模块的电能表误差校准方法及系统、设备、介质 |
CN116106816B (zh) * | 2023-01-13 | 2024-04-26 | 北京市腾河智慧能源科技有限公司 | 基于5g模块的电能表误差校准方法及系统、设备、介质 |
CN116613893A (zh) * | 2023-07-20 | 2023-08-18 | 南方电网调峰调频发电有限公司信息通信分公司 | 发电企业的区域电能智慧管理方法及装置 |
CN116613893B (zh) * | 2023-07-20 | 2024-01-16 | 南方电网调峰调频发电有限公司信息通信分公司 | 发电企业的区域电能智慧管理方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693931A (zh) | 智能电能表误差远程计算方法、装置和计算机设备 | |
Sun et al. | Using Bayesian deep learning to capture uncertainty for residential net load forecasting | |
CN112149873B (zh) | 一种基于深度学习的低压台区线损合理区间预测方法 | |
CN112182720B (zh) | 一种基于建筑能源管理应用场景的建筑能耗模型评价方法 | |
CN109409628A (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 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN110701796B (zh) | 一种基于云预测算法的热水系统节能控制系统 | |
CN113126019A (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN113010998A (zh) | 基于随动线损及遗忘因子最小二乘法的电表误差估计方法 | |
CN113406558A (zh) | 基于线性回归的电表失准检测方法、装置及电子设备 | |
CN112365056A (zh) | 一种电气负荷联合预测方法、装置、终端及存储介质 | |
CN112101736A (zh) | 微电网运营模式的评估方法、装置、存储介质和电子设备 | |
CN113805138A (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
CN115905904A (zh) | 一种配电网馈线的线损异常评估方法及装置 | |
CN106295877B (zh) | 一种智能电网电能使用量预测方法 | |
CN115759708A (zh) | 一种考虑电力时空分布特性的线损分析方法及系统 | |
Mohammad et al. | Short term load forecasting using deep neural networks | |
CN117937497A (zh) | 算力负载均衡方法及装置 | |
CN113406555A (zh) | 一种交流充电站的电量计量误差监测方法及充电站 | |
CN116826728A (zh) | 一种少测量样本条件下的配电网状态结构估计方法及系统 | |
CN115907228A (zh) | 一种基于pso-lssvm的短期电力负荷预测分析方法 | |
CN115796341A (zh) | 一种基于碳效码的企业低碳经济表现的协同测度方法 | |
CN110322063B (zh) | 一种耗电功率仿真预测方法及存储介质 | |
CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
CN114896829B (zh) | 一种超差电表定位方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200922 |
|
RJ01 | Rejection of invention patent application after publication |