CN111766557A - 一种基于K-Means算法分析影响电能表检测精度的方法 - Google Patents
一种基于K-Means算法分析影响电能表检测精度的方法 Download PDFInfo
- Publication number
- CN111766557A CN111766557A CN202010481340.6A CN202010481340A CN111766557A CN 111766557 A CN111766557 A CN 111766557A CN 202010481340 A CN202010481340 A CN 202010481340A CN 111766557 A CN111766557 A CN 111766557A
- Authority
- CN
- China
- Prior art keywords
- data
- electric energy
- sensor
- energy meter
- information
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明公开了一种基于K‑Means算法分析影响电能表检测精度的方法,通过采用多个传感器感知电能表检测数据的底层信息,通过多种数据融合算法获取光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器等感测到的电能表检测环境的不同信息情况,进而获取影响电能表精度的外部信息,采用融合数据模型实现数据的融合,通过改进的K‑Means算法,能够有效地实现环境干扰数据的类别分类,并通过随机矩阵算法计算出环境干扰数据对电能表精度的影响,实现电能表工作环境的评估。
Description
技术领域
本发明涉及电能计量检测技术领域,且更具体地涉及一种基于K-Means算法分析影响电能表检测精度的方法。
背景技术
电能表是供电企业与用电客户进行电量结算的重要计量器具,对电能表计量的准确性直接关系到供电企业和用电客户的经济效益。要确保电能计量仪器的正确运行,就需要对电能表进行有效地检定,进而保障电能计量的精确度。随着电能计量规模的扩大,由于电能表在运行过程中会受到很多复杂因素的影响,进而影响其运行精度,比如工作电源的电压、电流、谐波、振动、磁场、电磁干扰等,电能表工作的环境温度、负载功率等,这些因素对于电能表如何选择额定电流、额定电压、电压等级、使用范围、准确度、最大负荷电流、最小负荷电路等因素具有重要的意义。
常规技术中往往能够获取外界对电能表测量影响的因素有哪些,但是影响量有多少,尚无具体技术对该领域进行研究,如果能够有效地分析影响电能表参数的因素,并且找出这些因素对电能表测量的影响量对电能表测量精度的评估将具有重要意义。随着基于网络的区域电能计量准确性和质量保证体系建设,各地市计量中心已实现上传不同批次、不同厂家、不同型号电能表的检定误差数据,外界环境对各种表的影响因素就更加复杂,因此,如何全面反映电能表检定质量的影响因素分析就显得尤为重要。
发明内容
针对现有技术的不足,本发明公开了一种基于K-Means算法分析影响电能表检测精度的方法,本发明采用改进型计算方法,在于K-Means算法中融入随机矩阵理论算法,能够计算出影响电能表精度的因素,并能够计算出这些因素对电能表精度的影响量,从而提高了电能表质量的评估效率。
为了解决上述技术问题,本发明采用以下技术方案:
一种基于K-Means算法分析影响电能表检测精度的系统,其中所述系统包括:
信息感知层,其内设置有电能表检定装置、电能表检定流水线和检定环境感测传感器,通过所述传感器感知各个电能表检测时所处的工作状态,并传递感知到的电能表检测所处环境的各种数据信息;其中:所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端;
信息传递层,其内布置有通讯单元,所述通讯单元包含有线通讯模块或无线通讯模块,用于接收并传递所述信息感知层感知到的电能表所处的数据信息;其中所述有线通讯模块至少包括RS485通讯模块或RS232通讯模块,所述无线通讯模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通讯模块、CDMA无线通讯、云通讯模块或蓝牙通讯模块;所述通讯单元还包含物理层、数据链路层、网络层、传输层、会话层、表示层和应用层,所述物理层至少包含有网卡、网线、集线器、中继器或调制解调器;所述数据链路层至少包括网桥或交换机;所述网络层至少包括路由器;
数据分析层,其内设置有计算机管理系统或云端服务器,用于接收并处理所述信息感知层传递的电能表检测所处环境的数据信息;其中所述计算机管理系统或云端服务器设置有信息数据库、与所述信息数据库连接的信息融合模型、算法模型和显示模块,所述算法模型包括随机矩阵算法模型和K-Means算法模型;其中所述信息融合模型的输出端与信息数据库的输入端连接,所述信息数据库的输出端与所述算法模型的输入端连接,所述算法模型的输出端与所述显示模块的输入端连接,所述显示模块设置有USB数据接口、RS232或RS485接口;
数据应用层,其内设置有计算机组件和集成于所述计算机内的数据库,用于存储、使用或传递所述信息传递层处理后的数据;并且所述数据应用层通过分析用户的特点,划分不同类别的应用属性,其中:
所述信息感知层的输出端与所述信息传递层的输入端连接,所述信息传递层的输出端与所述数据分析层的输入端连接,所述数据分析层的输出端与所述数据应用层的输入端连接。
为了解决上述技术问题,本发明还采用以下技术方案:
一种基于K-Means算法分析影响电能表检测精度的方法,其中所述方法包括以下步骤:
(1)数据采集:获取影响电能表精度的各种数据信息,其中所述各种数据信息至少包括电能表工作场合的外界电压、电流、谐波、振动、磁场、电磁干扰、温度、湿度、电压不平衡、电流不平衡、闪变、功率、功率因数、电网杂波干扰或负载功率,利用信息融合模型对获取的数据信息进行融合计算;
(2)数据处理与分析:利用算法模型对影响电能表的各种数据信息进行分析和处理,其中所述算法模型为改进型K-Means算法模型,所述改进型K-Means算法模型包括K-Means算法模型和随机矩阵算法模型,通过所述K-Means算法模型能够计算影响电能表的各种数据信息的类别,通过所述随机矩阵算法模型能够计算出影响电能表的各种数据信息对电能表的影响程度;
(3)数据显示,所述改进型K-Means算法模型输出信号通过显示模块显示;
(4)数据应用,对计算后数据通过所述USB数据接口、RS232或RS485接口输出并应用。
进一步地,所述数据融合算法通过以下数学模型实现:
进一步地,所述数据融合算法还包括自适应加权融合算法模型。
进一步地,所述自适应加权融合算法模型的构建方法为:
假设第i个传感器传感的数据方差记作为σi,对其数据进行融合后的输出数据记作为Xi,加权算子记作为Wi,其中i的值为1-n,设置好数据后,则融合后的X数值与加权算子之间的计算关系,能够满足:
则在计算总方差时,则有:
E[(X-Xp)(X-Xq)]=0 (6)
其中(p≠q,p=1,2,3,......n;q=1,2,3,......n);
每种不同的传感器的加权算子可以表示为:
利用公式(7)能够计算输出各个传感器的最优加权算子,通过公式(3)可以计算出数据融合后的最优值。
进一步地,所述K-Means算法的计算过程为:
(1)从多个传感器感测出的电能表检测所处环境的数据集合中选择k个对象作为初始聚类中心,将电能表检测所处环境的数据称为环境干扰数据,则假设环境干扰数据集合为 X={xm|m=1,2,...,M},假设环境干扰数据中存在d个不同分类属性,则有
xj
A1,A2,...,Ad个不同的维度,然后环境干扰数据样本xi=(xi1,xi2,...,xid)、
xj=(xj1,xj2,...,xjd)为样本xi、对应d个不同分类属性A1,A2,...,Ad的具体取值;
(2)计算每个聚类对象到聚类中心的距离来划分分类属性,则xi和xj之间的相似度通过距离公式来计算,xi和xj之间的距离越小,样本xi和xj越相似,xi和xj之间的距离越大,样本xi和xj相差越远;所述距离公式为:
(3)再次计算每个聚类中心,通过反复计算,将每个聚类中的样本均值作为新的聚类中心,重复步骤(2);
(4)当聚类中心不再变化或者达到了最大迭代次数,则停止计算,否则,重复步骤(2)和 (3)。
进一步地,所述K-Means算法的聚类性能评价公式为误差平方和准则函数,所述函数为:
其中p为环境干扰数据集合Xi中的任意数值,mi为不同的聚类中心,E为误差平方和准则函数。
进一步地,mi≥5。
进一步地,所述随机矩阵算法模型的构建方法为:
(1)计算出初始矩阵和相关性评估矩阵模型:
其中假设影响电能表检测精度的数据集合为磁场、谐波、负载或杂波干涉,数量为M种,数据集合记作为P={P1,P2,P3……PM},电能表运行过程中输出的数据参数为N种,比如如电流、电压或功率,数据集合为Q={Q1,Q2,Q3……QN},在评估时间为T的范围内,环境干扰数据集合构建为矩阵D1,其中集合数据元素Pij为在j时间下进行测量的测量值;
(2)根据构建的随机矩阵模型计算出相关数据;
(3)利用随机矩阵模型对电网杂波干扰、振动、温湿度、谐波干扰等数据信息进行分析,当标准化矩阵积Dstd的特征值被计算出时,便可评估外界干扰对电能表检测精度的影响量, Dstd越大,影响量越大。
进一步地,所述标准化矩阵积Dstd的计算方法为:
Dstd=[w1,w2,...,wM+N]T (10)
其中w1,w2,...,wM+N分别为环境干扰数据和电能表输出数据为M+N个时,矩阵为D的特征值的集合。
积极有益效果:
本发明采用多个传感器感知电能表检测数据的底层信息,比如利用光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器等感测电能表检测环境的不同信息情况,进而获取影响电能表精度的外部信息;
本发明通过多种数据融合算法将信息表现形式多样化、信息数量巨大化、信息关系复杂化的电能表各种数据及时性、准确、可靠地反映出来,实现了数据识别能力,能够全面地表示出多种传感器的融合信息,从而全面地反应影响电能表精度的外部信息数据;
本发明通过采用改进的K-Means算法,能够有效地实现环境干扰数据的类别分类,并通过随机矩阵算法计算出环境干扰数据对电能表精度的影响,实现电能表工作环境的评估。
附图说明
图1为本发明一种基于K-Means算法分析影响电能表检测精度的系统的架构示意图;
图2为本发明一种基于K-Means算法分析影响电能表检测精度的方法的架构示意图;
图3为本发明一种基于K-Means算法分析影响电能表检测精度的方法中改进K-Means算法算法的模型示意图;
图4为本发明一种基于K-Means算法分析影响电能表检测精度的方法中自适应加权融合算法模型的结构示意图;
图5为本发明一种基于K-Means算法分析影响电能表检测精度的方法中K-Means算法流程示意图;
图6为本发明一种基于K-Means算法分析影响电能表检测精度的方法中随机矩阵算法模型的构建方法示意图。
具体实施方式
下面将结合本发明实施例中的附图,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。
实施例1系统
如图1所示,一种基于K-Means算法分析影响电能表检测精度的系统,其中所述系统包括:
信息感知层,其内设置有电能表检定装置、电能表检定流水线和检定环境感测传感器,通过所述传感器感知各个电能表检测时所处的工作状态,并传递感知到的电能表检测所处环境的各种数据信息;其中:所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端;
信息传递层,其内布置有通讯单元,所述通讯单元包含有线通讯模块或无线通讯模块,用于接收并传递所述信息感知层感知到的电能表所处的数据信息;其中所述有线通讯模块至少包括RS485通讯模块或RS232通讯模块,所述无线通讯模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通讯模块、CDMA无线通讯、云通讯模块或蓝牙通讯模块;所述通讯单元还包含物理层、数据链路层、网络层、传输层、会话层、表示层和应用层,所述物理层至少包含有网卡、网线、集线器、中继器或调制解调器;所述数据链路层至少包括网桥或交换机;所述网络层至少包括路由器;
数据分析层,其内设置有计算机管理系统或云端服务器,用于接收并处理所述信息感知层传递的电能表检测所处环境的数据信息;如图2所示,其中所述计算机管理系统或云端服务器设置有信息数据库、与所述信息数据库连接的信息融合模型、算法模型和显示模块,所述算法模型包括随机矩阵算法模型和K-Means算法模型;其中所述信息融合模型的输出端与信息数据库的输入端连接,所述信息数据库的输出端与所述算法模型的输入端连接,所述算法模型的输出端与所述显示模块的输入端连接,
所述显示模块设置有USB数据接口、RS232或RS485接口;
数据应用层,其内设置有计算机组件和集成于所述计算机内的数据库,用于存储、使用或传递所述信息传递层处理后的数据;并且所述数据应用层通过分析用户的特点,划分不同类别的应用属性,其中:
所述信息感知层的输出端与所述信息传递层的输入端连接,所述信息传递层的输出端与所述数据分析层的输入端连接,所述数据分析层的输出端与所述数据应用层的输入端连接。
实施例2方法
如图3所示,一种基于K-Means算法分析影响电能表检测精度的方法,其中所述方法包括以下步骤:
(1)数据采集:获取影响电能表精度的各种数据信息,其中所述各种数据信息至少包括电能表工作场合的外界电压、电流、谐波、振动、磁场、电磁干扰、温度、湿度、电压不平衡、电流不平衡、闪变、功率、功率因数、电网杂波干扰或负载功率,利用信息融合模型对获取的数据信息进行融合计算;
(2)数据处理与分析:利用算法模型对影响电能表的各种数据信息进行分析和处理,其中所述算法模型为改进型K-Means算法模型,所述改进型K-Means算法模型包括K-Means算法模型和随机矩阵算法模型,通过所述K-Means算法模型能够计算影响电能表的各种数据信息的类别,通过所述随机矩阵算法模型能够计算出影响电能表的各种数据信息对电能表的影响程度;
(3)数据显示,所述改进型K-Means算法模型输出信号通过显示模块显示;
(4)数据应用,对计算后数据通过所述USB数据接口、RS232或RS485接口输出并应用。
在本发明中,所述数据融合算法通过以下数学模型实现:
在本发明中,所述数据融合算法还包括自适应加权融合算法模型,其模型示意图如图4所示。
在本发明中,所述自适应加权融合算法模型的构建方法为:
假设第i个传感器传感的数据方差记作为σi,对其数据进行融合后的输出数据记作为Xi,加权算子记作为Wi,其中i的值为1-n,设置好数据后,则融合后的X数值与加权算子之间的计算关系,能够满足:
则在计算总方差时,则有:
E[(X-Xp)(X-Xq)]=0 (6)
其中(p≠q,p=1,2,3,......n;q=1,2,3,......n);
每种不同的传感器的加权算子可以表示为:
利用公式(7)能够计算输出各个传感器的最优加权算子,通过公式(3)可以计算出数据融合后的最优值。
在本发明中,如图5所示,所述K-Means算法的计算过程为:
(1)从多个传感器感测出的电能表检测所处环境的数据集合中选择k个对象作为初始聚类中心,将电能表检测所处环境的数据称为环境干扰数据,则假设环境干扰数据集合为 X={xm|m=1,2,...,M},假设环境干扰数据中存在d个不同分类属性,则有
xj
A1,A2,...,Ad个不同的维度,然后环境干扰数据样本xi=(xi1,xi2,...,xid)、
xj=(xj1,xj2,...,xjd)为样本xi、对应d个不同分类属性A1,A2,...,Ad的具体取值;
(2)计算每个聚类对象到聚类中心的距离来划分分类属性,则xi和xj之间的相似度通过距离公式来计算,xi和xj之间的距离越小,样本xi和xj越相似,xi和xj之间的距离越大,样本xi和xj相差越远;所述距离公式为:
(3)再次计算每个聚类中心,通过反复计算,将每个聚类中的样本均值作为新的聚类中心,重复步骤(2);
(4)当聚类中心不再变化或者达到了最大迭代次数,则停止计算,否则,重复步骤(2)和 (3)。
在本发明中,所述K-Means算法的聚类性能评价公式为误差平方和准则函数,所述函数为:
其中p为环境干扰数据集合Xi中的任意数值,mi为不同的聚类中心,E为误差平方和准则函数。
在本发明中,mi≥5,在具体实施例中,发现mi取6具有较好的试验效果。
在本发明中,如图6所示,所述随机矩阵算法模型的构建方法为:
(1)计算出初始矩阵和相关性评估矩阵模型;
其中假设影响电能表检测精度的数据集合为磁场、谐波、负载或杂波干涉,数量为M种,数据集合记作为P={P1,P2,P3……PM},电能表运行过程中输出的数据参数为N种,比如如电流、电压或功率,数据集合为Q={Q1,Q2,Q3……QN},在评估时间为T的范围内,环境干扰数据集合构建为矩阵D1,其中集合数据元素Pij为在j时间下进行测量的测量值;
(2)根据构建的随机矩阵模型计算出相关数据;
(3)利用随机矩阵模型对电网杂波干扰、振动、温湿度、谐波干扰等数据信息进行分析,当标准化矩阵积Dstd的特征值被计算出时,便可评估外界干扰对电能表检测精度的影响量, Dstd越大,影响量越大。
在本发明中,所述标准化矩阵积Dstd的计算方法为:
Dstd=[w1,w2,...,wM+N]T (10)
其中w1,w2,...,wM+N分别为环境干扰数据和电能表输出数据为M+N个时,矩阵为
D的特征值的集合。
虽然以上描述了本发明的具体实施方式,但是本领域的技术人员应当理解,这些具体实施方式仅是举例说明,本领域的技术人员在不脱离本发明的原理和实质的情况下,可以对上述方法和系统的细节进行各种省略、替换和改变。例如,合并上述方法步骤,从而按照实质相同的方法执行实质相同的功能以实现实质相同的结果则属于本发明的范围。因此,本发明的范围仅由所附权利要求书限定。
Claims (10)
1.一种基于K-Means算法分析影响电能表检测精度的系统,其特征在于:所述系统包括
信息感知层,其内设置有电能表检定装置、电能表检定流水线和检定环境感测传感器,通过所述传感器感知各个电能表检测时所处的工作状态,并传递感知到的电能表检测所处环境的各种数据信息;其中:所述传感器至少包括光电传感器、红外传感器、速度传感器、加速传感器、GIS传感器、振动传感器、纹波传感器、温湿度传感器、角度传感器、磁场传感器、转速传感器、RFID标签、GPS设备、射线辐射传感器、热敏传感器、能耗传感器或M2M终端;
信息传递层,其内布置有通讯单元,所述通讯单元包含有线通讯模块或无线通讯模块,用于接收并传递所述信息感知层感知到的电能表所处的数据信息;其中所述有线通讯模块至少包括RS485通讯模块或RS232通讯模块,所述无线通讯模块至少包括TCP/IP网络系统、ZigBee无线网络、GPRS通讯模块、CDMA无线通讯、云通讯模块或蓝牙通讯模块;所述通讯单元还包含物理层、数据链路层、网络层、传输层、会话层、表示层和应用层,所述物理层至少包含有网卡、网线、集线器、中继器或调制解调器;所述数据链路层至少包括网桥或交换机;所述网络层至少包括路由器;
数据分析层,其内设置有计算机管理系统或云端服务器,用于接收并处理所述信息感知层传递的电能表检测所处环境的数据信息;其中所述计算机管理系统或云端服务器设置有信息数据库、与所述信息数据库连接的信息融合模型、算法模型和显示模块,所述算法模型包括随机矩阵算法模型和K-Means算法模型;其中所述信息融合模型的输出端与信息数据库的输入端连接,所述信息数据库的输出端与所述算法模型的输入端连接,所述算法模型的输出端与所述显示模块的输入端连接,所述显示模块设置有USB数据接口、RS232或RS485接口;
数据应用层,其内设置有计算机组件和集成于所述计算机内的数据库,用于存储、使用或传递所述信息传递层处理后的数据;并且所述数据应用层通过分析用户的特点,划分不同类别的应用属性,其中:
所述信息感知层的输出端与所述信息传递层的输入端连接,所述信息传递层的输出端与所述数据分析层的输入端连接,所述数据分析层的输出端与所述数据应用层的输入端连接。
2.一种基于K-Means算法分析影响电能表检测精度的方法,其特征在于:所述方法包括以下步骤:
(1)数据采集:获取影响电能表精度的各种数据信息,其中所述各种数据信息至少包括电能表工作场合的外界电压、电流、谐波、振动、磁场、电磁干扰、温度、湿度、电压不平衡、电流不平衡、闪变、功率、功率因数、电网杂波干扰或负载功率,利用信息融合模型对获取的数据信息进行融合计算;
(2)数据处理与分析:利用算法模型对影响电能表的各种数据信息进行分析和处理,其中所述算法模型为改进型K-Means算法模型,所述改进型K-Means算法模型包括K-Means算法模型和随机矩阵算法模型,通过所述K-Means算法模型能够计算影响电能表的各种数据信息的类别,通过所述随机矩阵算法模型能够计算出影响电能表的各种数据信息对电能表的影响程度;
(3)数据显示,所述改进型K-Means算法模型输出信号通过显示模块显示;
(4)数据应用,对计算后数据通过所述USB数据接口、RS232或RS485接口输出并应用。
4.根据权利要求2所述的一种基于K-Means算法分析影响电能表检测精度的方法,其特征在于:所述数据融合算法还包括自适应加权融合算法模型。
5.根据权利要求4所述的一种基于K-Means算法分析影响电能表检测精度的方法,其特征在于:所述自适应加权融合算法模型的构建方法为:
假设第i个传感器传感的数据方差记作为σi,对其数据进行融合后的输出数据记作为Xi,加权算子记作为Wi,其中i的值为1-n,设置好数据后,则融合后的X数值与加权算子之间的计算关系,能够满足:
则在计算总方差时,则有:
E[(X-Xp)(X-Xq)]=0 (6)
其中(p≠q,p=1,2,3,......n;q=1,2,3,......n);
每种不同的传感器的加权算子可以表示为:
利用公式(7)能够计算输出各个传感器的最优加权算子,通过公式(3)可以计算出数据融合后的最优值。
6.根据权利要求2所述的一种电能表检测数据管理方法,其特征在于:所述K-Means算法的计算过程为:
(1)从多个传感器感测出的电能表检测所处环境的数据集合中选择k个对象作为初始聚类中心,将电能表检测所处环境的数据称为环境干扰数据,则假设环境干扰数据集合为X={xm|m=1,2,...,M},假设环境干扰数据中存在d个不同分类属性,则有A1,A2,...,Ad个不同的维度,然后环境干扰数据样本xi=(xi1,xi2,...,xid)、xj=(xj1,xj2,...,xjd)为样本xi、xj对应d个不同分类属性A1,A2,...,Ad的具体取值;
(2)计算每个聚类对象到聚类中心的距离来划分分类属性,则xi和xj之间的相似度通过距离公式来计算,xi和xj之间的距离越小,样本xi和xj越相似,xi和xj之间的距离越大,样本xi和xj相差越远;所述距离公式为:
(3)再次计算每个聚类中心,通过反复计算,将每个聚类中的样本均值作为新的聚类中心,重复步骤(2);
(4)当聚类中心不再变化或者达到了最大迭代次数,则停止计算,否则,重复步骤(2)和(3)。
8.根据权利要求7所述的一种电能表检测数据管理方法,其特征在于:mi≥5。
9.根据权利要求2所述的一种电能表检测数据管理方法,其特征在于:所述随机矩阵算法模型的构建方法为:
(1)计算出初始矩阵和相关性评估矩阵模型;
假设影响电能表检测精度的数据集合为磁场、谐波、负载或杂波干涉,数量为M种,数据集合记作为P={P1,P2,P3……PM},电能表运行过程中输出的数据参数为N种,比如如电流、电压或功率,数据集合为Q={Q1,Q2,Q3……QN},在评估时间为T的范围内,环境干扰数据集合构建为矩阵D1,其中集合数据元素Pij为在j时间下进行测量的测量值;
(2)根据构建的随机矩阵模型计算出相关数据;
(3)利用随机矩阵模型对电网杂波干扰、振动、温湿度、谐波干扰等数据信息进行分析,当标准化矩阵积Dstd的特征值被计算出时,便可评估外界干扰对电能表检测精度的影响量,Dstd越大,影响量越大。
10.根据权利要求9所述的一种电能表检测数据管理方法,其特征在于:所述标准化矩阵积Dstd的计算方法为:
Dstd=[w1,w2,...,wM+N]T (10)
其中w1,w2,...,wM+N分别为环境干扰数据和电能表输出数据为M+N个时,矩阵为D的特征值的集合。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010481340.6A CN111766557A (zh) | 2020-05-31 | 2020-05-31 | 一种基于K-Means算法分析影响电能表检测精度的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010481340.6A CN111766557A (zh) | 2020-05-31 | 2020-05-31 | 一种基于K-Means算法分析影响电能表检测精度的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111766557A true CN111766557A (zh) | 2020-10-13 |
Family
ID=72719943
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010481340.6A Pending CN111766557A (zh) | 2020-05-31 | 2020-05-31 | 一种基于K-Means算法分析影响电能表检测精度的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111766557A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218444A (zh) * | 2021-03-31 | 2021-08-06 | 中国电力科学研究院有限公司 | 一种电能计量设备运行环境智能传感方法及设备 |
CN117559673A (zh) * | 2024-01-11 | 2024-02-13 | 希格玛电气(珠海)有限公司 | 一种基于磁共振供能的无线传感系统及环网柜 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
CN105587463A (zh) * | 2014-10-18 | 2016-05-18 | 西安扩力机电科技有限公司 | 一种风力发电的远程监控方法 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 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 |
CN110188830A (zh) * | 2019-06-01 | 2019-08-30 | 合肥工业大学 | 基于多核图割的sar图像变化检测方法 |
CN110488218A (zh) * | 2019-08-26 | 2019-11-22 | 国网重庆市电力公司电力科学研究院 | 一种电能表运行状态评估方法和评估装置 |
CN110532329A (zh) * | 2019-09-02 | 2019-12-03 | 智慧谷(厦门)物联科技有限公司 | 一种基于区块链技术的智能手环数据处理与共享方法 |
CN110719316A (zh) * | 2019-09-05 | 2020-01-21 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于NB-IoT的分布式测控系统 |
CN110781949A (zh) * | 2019-10-23 | 2020-02-11 | 福建汉特云智能科技有限公司 | 基于异步式串行多传感器的航迹数据融合方法及存储介质 |
CN110800273A (zh) * | 2017-04-24 | 2020-02-14 | 卡内基梅隆大学 | 虚拟传感器系统 |
CN111601270A (zh) * | 2020-05-18 | 2020-08-28 | 黄春梅 | 一种无线传感器网络拓扑结构的物联网电力监测系统及方法 |
-
2020
- 2020-05-31 CN CN202010481340.6A patent/CN111766557A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103630869A (zh) * | 2013-11-29 | 2014-03-12 | 国网安徽省电力公司 | 基于聚类算法对异常事件分析评价电能表整体状态的方法 |
CN105587463A (zh) * | 2014-10-18 | 2016-05-18 | 西安扩力机电科技有限公司 | 一种风力发电的远程监控方法 |
CN110800273A (zh) * | 2017-04-24 | 2020-02-14 | 卡内基梅隆大学 | 虚拟传感器系统 |
CN107609783A (zh) * | 2017-09-22 | 2018-01-19 | 中国电力科学研究院 | 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 |
CN110188830A (zh) * | 2019-06-01 | 2019-08-30 | 合肥工业大学 | 基于多核图割的sar图像变化检测方法 |
CN110488218A (zh) * | 2019-08-26 | 2019-11-22 | 国网重庆市电力公司电力科学研究院 | 一种电能表运行状态评估方法和评估装置 |
CN110532329A (zh) * | 2019-09-02 | 2019-12-03 | 智慧谷(厦门)物联科技有限公司 | 一种基于区块链技术的智能手环数据处理与共享方法 |
CN110719316A (zh) * | 2019-09-05 | 2020-01-21 | 上海上实龙创智慧能源科技股份有限公司 | 一种基于NB-IoT的分布式测控系统 |
CN110781949A (zh) * | 2019-10-23 | 2020-02-11 | 福建汉特云智能科技有限公司 | 基于异步式串行多传感器的航迹数据融合方法及存储介质 |
CN111601270A (zh) * | 2020-05-18 | 2020-08-28 | 黄春梅 | 一种无线传感器网络拓扑结构的物联网电力监测系统及方法 |
Non-Patent Citations (2)
Title |
---|
何傲,等: "基于K-means算法的电能表检定误差分析与研究", 《软件》 * |
高昇宇,等: "一二次融合配电开关物联网测试系统", 《自动化与仪表》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113218444A (zh) * | 2021-03-31 | 2021-08-06 | 中国电力科学研究院有限公司 | 一种电能计量设备运行环境智能传感方法及设备 |
CN117559673A (zh) * | 2024-01-11 | 2024-02-13 | 希格玛电气(珠海)有限公司 | 一种基于磁共振供能的无线传感系统及环网柜 |
CN117559673B (zh) * | 2024-01-11 | 2024-03-26 | 希格玛电气(珠海)有限公司 | 一种基于磁共振供能的无线传感系统及环网柜 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20220099480A1 (en) | Status detection method and apparatus for load cell | |
CN110146215B (zh) | 一种带有温度补偿与参数整定措施的气压传感器 | |
CN111766557A (zh) | 一种基于K-Means算法分析影响电能表检测精度的方法 | |
CN111601270A (zh) | 一种无线传感器网络拓扑结构的物联网电力监测系统及方法 | |
CN116431975A (zh) | 一种数据中心的环境监测方法及系统 | |
CN102072747A (zh) | 基于热工参数场监测的建筑群能耗监测系统及其方法 | |
CN116879297A (zh) | 土壤水分协同反演的方法、装置、设备和介质 | |
CN107645493B (zh) | 一种ip组相似度计算方法 | |
CN109581383A (zh) | 各向异性海面雷达后向散射模拟方法及系统 | |
Lian et al. | Improved Indoor positioning algorithm using KPCA and ELM | |
CN116665001A (zh) | 一种智慧园区多源数据动态监控和实时分析系统及方法 | |
CN116522096B (zh) | 基于动作捕捉的三维数字孪生内容智能制作方法 | |
CN116702005A (zh) | 一种基于神经网络的数据异常诊断方法和电子设备 | |
CN115685048A (zh) | 一种智能电表通信模块的在线校准方法及系统 | |
CN115183884A (zh) | 电热协同系统的红外测温补偿方法及装置 | |
CN113869403A (zh) | 基于便携式测温装置的温度检测方法及装置 | |
Guo et al. | Development of IoT module with AI function using STM32 chip | |
CN112733906A (zh) | 一种全球高分辨率每日地表动量粗糙度长度估算方法 | |
CN107506824B (zh) | 一种配电网的不良观测数据检测方法及装置 | |
CN111859802A (zh) | 一种架空导线稳态温度计算方法、系统以及设备 | |
CN202041228U (zh) | 一种基于热工参数场监测的建筑群能耗监测装置 | |
CN109030996A (zh) | 一种应用在插座上的涓流充电检测方法及系统 | |
Liu et al. | Intelligent Identification Technology of Attributes of Users' Transformers Based on Gray Correlation Analysis. | |
CN116087622B (zh) | 检测准确度预测方法、装置、处理设备及存储介质 | |
CN115805593B (zh) | 力传感器安装信息确定方法、装置、设备和介质 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20201013 |