CN113556629B - 一种智能电表误差远程估计方法及装置 - Google Patents

一种智能电表误差远程估计方法及装置 Download PDF

Info

Publication number
CN113556629B
CN113556629B CN202110615308.7A CN202110615308A CN113556629B CN 113556629 B CN113556629 B CN 113556629B CN 202110615308 A CN202110615308 A CN 202110615308A CN 113556629 B CN113556629 B CN 113556629B
Authority
CN
China
Prior art keywords
neural network
error
module
meter
training
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.)
Active
Application number
CN202110615308.7A
Other languages
English (en)
Other versions
CN113556629A (zh
Inventor
孔祥玉
张晓鹏
王晟晨
孔令桐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tianjin University
Original Assignee
Tianjin University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tianjin University filed Critical Tianjin University
Priority to CN202110615308.7A priority Critical patent/CN113556629B/zh
Publication of CN113556629A publication Critical patent/CN113556629A/zh
Application granted granted Critical
Publication of CN113556629B publication Critical patent/CN113556629B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q9/00—Arrangements in telecontrol or telemetry systems for selectively calling a substation from a main station, in which substation desired apparatus is selected for applying a control signal thereto or for obtaining measured values therefrom
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G08—SIGNALLING
    • G08C—TRANSMISSION SYSTEMS FOR MEASURED VALUES, CONTROL OR SIMILAR SIGNALS
    • G08C25/00—Arrangements for preventing or correcting errors; Monitoring arrangements
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04Q—SELECTING
    • H04Q2209/00—Arrangements in telecontrol or telemetry systems
    • H04Q2209/60—Arrangements in telecontrol or telemetry systems for transmitting utility meters data, i.e. transmission of data from the reader of the utility meter
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种智能电表误差远程估计方法及装置，方法包括：采用相关性分析，计算分相有功电量与分表有功电量之和的相关系数，若相关性系数大于阈值则进入智能电表误差远程估计初始化；否则重新获取新的动态数据；智能电表误差远程估计初始化包括：对阻尼因子、遗忘因子、聚类数目和超差阈值进行设置，对广义系统参数列向量、协方差矩阵进行初始化，并构建一神经网络，对神经网络进行训练；通过广义阻尼最小二乘法求解模型，计算网络损耗估计值、智能电表误差估计值，判断电表误差估计值是否大于所设定的超差阈值，若大于，则第n个智能电表为超差电表，派遣人员现场检测。装置包括：数据获取模块、初始化模块、神经网络滤波器设计模块、广义阻尼递推最小二乘求解模块及结果分析模块。

Description

一种智能电表误差远程估计方法及装置
技术领域
本发明涉及智能电表领域，尤其涉及一种智能电表误差远程估计方法及装置。
背景技术
随着用电信息采集系统的全面建设，传统的人工抄表方式已经被自动采集所取代，在大大减少人工现场抄表工作量的同时，也同样大大削减了用电客户尤其是低压台区居民用电客户计量装置运行工况现场巡查的工作。智能电表作为用户消费电能的计量工具，其运行可靠性不仅影响到电网公司的运营收益，更直接关系到千家万户的实际利益。为加强对台区的动态管理，提升电网的服务水平，探寻一种高效精准的智能电能表运行误差远程诊断方法势在必行。传统的智能电能表的状态监测，最早是通过添加在线监测设备的手段，在线检测计量装置、二次回路的电压、电流、功率、负荷、电量等数据，实现对监测目标的在线误差监测和告警。此方法虽然提高了管理工作效率，但带来的是设备采购和运行维护成本的增加。
在上述背景下，可以利用大数据分析技术，基于用电信息采集系统中的台区用户用电量、台区总表电量、网络损耗、用户档案、户表关系等数据，从台区采集情况、户变关系、用电量、网络损耗等多个维度，研究同一台区下总表电量及各分表电量的统计规律，建立智能表运行误差计算模型与分析模型，计算台区下各智能表运行误差，得出台区下所有智能表运行健康状况，实现智能表运行误差远程诊断评估，为用电巡检工作提供有效的技术手段，克服目前人工排查工作量大、缺乏针对性的瓶颈，及时发现运行异常的疑似计量点，实现现场排查高效精准，针对性的开展智能电表现场巡查和异常排查工作。
目前电力工作者对智能电表进行远程误差估计的研究已经取得了一些成果。这些方法大多是基于广义流量守恒模型，采用三角分解、最小二乘法等求解高维的线性方程组，类似方法如已有专利“一种可以实现智能电表误差在线估计的表箱及系统”(专利号：CN201910992342.9)。但该类方法存在以下问题：
(1)目前低压配电台区的数据采集质量不高，存在时标错位，误报，坏值等现象，使得智能电表误差远程估计无法进行；(2)台区网络损耗严重影响电表误差远程估计精度，而实时网络损耗的精确值却很难获得；(3)若要减小网络损耗的影响，往往需要安装额外的监测设备来进行处理；(4)即使能够计算网络损耗，较大的网络损耗计算误差会淹没较小的智能电表误差，导致无法进行智能电表误差估计。
针对上述问题，有必要在现有计量条件下即可实现的技术，对数据质量进行判别，选取适用于智能电表误差的数据集，且在避免繁琐的网络损耗解析式，避免网络损耗计算误差淹没智能电表误差的前提下，实时估计网络损耗与用户分表误差，并且采用滤波器消除变化频繁剧烈的网络损耗对智能电表误差估计的影响，具有较好的估计稳定性，鲁棒性以及工程适用性。有助于实现智能电能表由定期更换向状态更换的方式转变，并能及时发现疑似异常计量点，克服目前人工排查工作量大、缺乏针对性的瓶颈，为高效的用电巡检提供支撑。
发明内容
本发明提供了一种智能电表误差远程估计方法及装置，在避免繁琐的网络损耗解析式，避免网络损耗计算误差淹没智能电表误差的前提下，该发明能实现台区网络损耗和用户分表误差的实时估计，并且采用滤波器消除变化频繁剧烈的网络损耗对智能电表误差估计的影响，具有较好的估计稳定性，鲁棒性以及工程适用性，详见下文描述：
第一方面，一种智能电表误差远程估计方法，所述方法包括：
采用相关性分析，计算分相有功电量与分表有功电量之和的相关系数，若相关性系数大于阈值则进入智能电表误差远程估计初始化；否则重新获取新的动态数据；
所述智能电表误差远程估计初始化包括：对阻尼因子、遗忘因子、聚类数目和超差阈值进行设置，对广义系统参数列向量、协方差矩阵进行初始化，并构建一神经网络，对神经网络进行训练；
通过广义阻尼最小二乘法求解模型，计算网络损耗估计值、智能电表误差估计值，判断电表误差估计值是否大于所设定的超差阈值ξhold，若大于，则第n个智能电表为超差电表，派遣人员现场检测。
在一种实施方式中，所述神经网络包括：一个隐藏层和一个输出层，神经网络输入矩阵被输入到隐藏层，经过加权，偏置，以及S型生长函数激活后，被输入到输出层；再经过输出层的加权，偏置，以及归一化指数函数神经元处理，最终得到神经网络输出矩阵。
其中，所述对神经网络进行训练具体为：
计算网络损耗观测值，对其列向量进行k-means聚类，获得训练隶属度矩阵和聚类中心；
将训练隶属度矩阵设置为神经网络滤波器训练的目标集；将总表电量列向量和总表电流列向量设置为神经网络滤波器训练的输入集；
用输入集和目标集构建样本矩阵，矩阵中的每行代表一个样本，每个样本中的元素是同一时刻的量测数据或计算数据；
采用随机划分法对训练样本进行划分，用划分好的训练样本对神经网络进行训练，采用误差反向传播训练模式，训练算法为共轭梯度，性能指标为交叉熵；
将量测数据矩阵输入到神经网络中，得到神经网络输出隶属度序列，获得广义系统输入的行向量aG(t)，并以此依次更新阻尼因子、协方差矩阵；
基于协方差矩阵更新广义系统参数列向量，最终获得本次智能电表误差估计修正量和滤波器系数估计值；
等待新的数据输入或等待新的一次动态数据输入，当没有新数据输入时，计算网络损耗估计值F(t)、智能电表误差估计值ξn_etm(t)，判断电表误差估计值是否大于所设定的超差阈值ξhold。
第二方面，一种智能电表误差远程估计装置，所述装置包括：
数据获取模块，有静态数据库和动态数据库支撑，用于将质量符合要求的数据发送给初始化模块以及神经网络滤波器设计模块；
初始化模块，用于外接交互界面，用户通过界面对神经网络和算法的参数进行设置并发送给神经网络滤波器模块和广义阻尼递推最小二乘法求解模块；
神经网络滤波器设计模块，用于通过设计好的滤波器输出隶属度矩阵和聚类中心到广义阻尼递推最小二乘法求解模块；
广义阻尼递推最小二乘求解模块，用于对广义系统参数列向量进行求解，模块内置新量测数据触发程序，若有新的量测数据输入，则会返回神经网络训练模块进行下一次求解，否则将本次求解的数据发送给结果分析模块；
结果分析模块，用于提取电表误差估计结果和网络损耗估计结果，并判别超差电表，将判别结果和估计结果通过外接显示界面反馈给用户。
第三方面，一种智能电表误差远程估计装置，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行第一方面中的所述的方法步骤。
第四方面，一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行第一方面中的所述的方法步骤。
本发明提供的技术方案的有益效果是：
(1)本发明可以自动判别数据质量，并剔除不能用于智能电表误差远程估计的数据集合，为智能电表误差估计提供了良好的数据基础；目前已有的针对智能电表误差远程估计的研究中并未考虑数据质量的问题，但实际情况中数据的时标错位，空值，坏值等现象十分常见，即使主站部署了数据采集系统也很难完全获得适应智能电表误差远程估计的数据集，因此本发明基于关联性分析，提出了数据质量判别的依据，大幅度优化了算法的数据基础，提高了智能电表误差远程估计的成功率；
(2)本发明可以实现智能电表误差远程估计，可大幅降低智能电表的运维成本；目前已有的针对智能电表误差远程估计的研究有两方面：一种是安装额外的在线监测设备，另一种是采用大数据的方法直接进行分析；安装额外监测设备虽然能较为精确地实时监测智能电表的健康状况，但会导致投资和运行维护成本的增加；本发明所提出的技术方案是基于大数据的智能电表误差远程估计方法，该方法仅需从主站的量测数据管理系统和自动数据收集系统读取量测数据之后进行计算器建模和求解即可，基本不需要额外的投资和运维；在大规模智能电表定期校验中，该方法可预先定位可疑计量点，之后有针对性地派遣运检人员，由此可以大幅减少智能电表校验的成本；
(3)本发明采用神经网络滤波器，在无需知晓台区网络拓扑参数的情况下，可大幅度降低变化频繁且剧烈的网络损耗对智能电表误差远程估计的影响；目前已有的基于大数据的智能电表误差远程估计方法的缺点是在网络损耗变化的情况下估计不能稳定进行，常常导致算法的不稳定以及估计结果的不准确，因此大部分都要求预先获得高精度的台区网络损耗值，这种要求是十分苛刻的；目前的配电网，尤其是低压台区网络普遍存在拓扑不明，参数不清，数据回传率低的问题，因此精确的台区网络损耗难以获得，进而限制了大部分基于大数据的智能电表误差远程估计方法的使用范围；本发明所提出的方法采用神经网络滤波器，将网络损耗视为噪声并对其进行滤波，使得在无需知晓台区网络拓扑参数的情况下，即可降低变化频繁且剧烈的网络损耗对智能电表误差远程估计的影响，因此拥有更广的适用范围。
(4)本发明采用广义阻尼递推最小二乘算法求解估计模型，保证新数据利用率，缩小了估计量的变化范围的同时，将智能电表误差和网络损耗一同视为系统的广义参数，并在递推过程中对智能电表误差和网络损耗同时进行估计，使得智能电表和网络损耗的残差同时达到最小，从而避免了较大的网络损耗计算误差淹没较小的智能电表误差的情况；目前已有的智能电表误差远程估计求解方法都是先计算网络损耗，后进行电表误差估计，即使网络损耗能够计算，但计算精度仍然有限，目前的网络损耗计算误差普遍在5％左右，而普通居民用户电表误差极限为2％，因此有可能出现智能电表误差被网络损耗计算误差淹没的情况；本发明采用的广义阻尼递推最小二乘法，将智能电表误差和网络损耗一同视为系统的广义参数，且在递推过程中一并对两者进行估计，使得智能电表和网络损耗的残差同时达到最小，从而避免了误差淹没的现象，具有较强的实用性。
附图说明
图1为基于神经网络滤波器和广义阻尼递推最小二乘法的智能电表误差远程估计应用流程图；
图2为本发明适用台区的典型拓扑和量测量的示意图；
图3为本发明的神经网络结构图；
图4为本发明对实际台区112块智能电表误差和网络损耗的估计结果示意图；
图5为一种智能电表误差远程估计装置的结构图；
图6为一种智能电表误差远程估计装置的另一结构图。
表1为估计结果的混淆矩阵。其中，估计超差电表个数是指电表误差估计值大于判别阈值的电表个数；估计正常电表个数是指电表误差估计值小于或等于判别阈值的电表个数；实际超差电表个数是指实际电表误差大于判别阈值的电表个数；实际正常电表个数是指实际电表误差小于或等于判别阈值的电表个数；准确率的计算公式为：
Figure BDA0003097797960000051
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。
为了满足现有的量测条件和运营体系，本发明实施例提供了一种基于神经网络滤波器和广义阻尼最小二乘法的智能电表误差远程估计方法，在避免繁琐的网络损耗解析式，避免网络损耗计算误差淹没智能电表误差的前提下，该发明能实现台区网络损耗和用户分表误差的实时估计，并且采用滤波器消除变化频繁剧烈的网络损耗对智能电表误差估计的影响，具有较好的估计稳定性，鲁棒性以及工程适用性。
该方法包括以下步骤。参见图1-图3，详见下文描述：
步骤101：获取智能电表信息；
其中，包括：台区用户智能电表总量m，智能电表编号n∈[1,2,…,m]。
步骤102：获取与台区网络拓扑架构相关的主要电气特征参数，包括：供电半径、低压线路总长度，户变关系，相变关系等；
步骤103：获取与负载相关的主要电气特征参数，包括：负载率、用电性质及比例。
步骤104：获取台区总电能表在第t时刻的表的分相有功电量y(t)，分相有功电流，即在第t时刻的总表电流I(t)；
步骤105：获取台区第n个用户分表的在第t时刻的有功电量an(t)；
其中，t为最新一次量测，也是量测的总次数，由此可以构建从初始量测到最新量测的数据矩阵：总表电量列向量Y(t)＝[y(1),y(2),…,y(t)]，维度为t×1；总表电流列向量I(t)＝[I(1),I(2),…,I(t)]，维度为t×1；用户分表电量矩阵A(t)＝[a(1)T,a(2)T,…,a(t)T]T，维度为t×m，其中a(t)＝[a1(t),a2(t),…,an(t),…,am(t)]为第t时刻的所有用户分表电量行向量，维度为1×m。上述动态数据在台区中的体现如图2所示。
图2中，Ltrue(t)表示第t时刻的台区实际网络损耗，xn_true为第n个用户分表的误差实际修正系数，其与第n个用户分表的实际误差ξn_true的关系为：ξn_etm(t)＝(xn_true(t)-1)×100％。时标错位，人工填补的数据应被剔除；y(t)，I(t)和an(t)等数据冻结时间建议为15分钟一次冻结，也可以1小时一次冻结，不建议1天一次冻结；冻结时间长度过短会增加通信负担，过长会加长估计的时间，使实时性降低。
步骤106：数据质量判别，即采用相关性分析，计算分相有功电量y(t)与分表有功电量之和的相关系数r。具体的相关系数计算公式为：
Figure BDA0003097797960000061
其中，Cov(.,.)表示计算两者的协方差，[1,1,…,1]T是元素皆为1且维度为m×1的列向量，Var(.)表示计算变量的方差。
步骤107：若相关性系数r大于0.9，表明数据质量达到智能电表误差远程估计的要求，则进入下一步智能电表误差远程估计初始化；否则重新获取新的动态数据。
步骤108：参数设置；
包括：聚类数目S的设置，遗忘因子ρ的设置，阻尼因子μ0的设置，以及超差阈值的设置ξhold；最佳估计效果设置为：S＝80；ρ＝0.5；μ0＝0.01；ξhold＝2％。
聚类数目S反应的是台区网络损耗的近似程度，聚类数目越多，台区网络损耗的估计就越精确，但是误差估计参数的维数就越大，计算量就越大，估计的时间就会越长，经实验研究发现，本发明实施例中当S＝80时，估计效果相对较好；遗忘因子ρ反应的是旧数据对新数据的影响程度，遗忘因子越大，过去数据对现在的估计结果越大，遗忘因子越小，新的数据的利用率会提高。
由于关注的是电表目前的状况，因此应设置较小的遗忘因子，但较小的遗忘因子将会导致估计的抗干扰能力下降，因此需要折中设置，经过实验研究发现，本发明实施例中当设置ρ＝0.5时，估计结果最佳；阻尼因子μ0是广义阻尼最小二乘法的核心之一，其体现的是估计量的变化范围的大小，经研究发现，网络损耗变化幅度越大，电表误差估计值的变化就越大，而阻尼因子正是起到限制估计值变化范围的作用，阻尼因子越小，估计值的变化范围越大，估计值对扰动和变化就越敏感，阻尼因子越小，估计值的变化范围越小，估计的稳定性和鲁棒性就越高，但估计的敏感性下降，经实验研究发现，当μ0＝0.01时，估计效果最佳。
步骤109：对广义系统参数列向量XG_etm(t)＝[Xetm(t)T,XF_etm(t)T]T进行初始化；
其中，Xetm(t)＝[x1_etm(t),x2_etm(t),…,xn_etm(t),…,xm_etm(t)]T为用户智能电表误差修正量列向量在第t时刻的估计值，这是一个m×1维的列向量，xn_etm(t)表示第n个用户分表误差修正量在第t时刻的估计值；
Figure BDA0003097797960000071
为滤波器系数列向量在第t时刻的估计值，这是一个S×1维的列向量，
Figure BDA0003097797960000072
为聚类中心索引，
Figure BDA0003097797960000073
表示第
Figure BDA0003097797960000074
个聚类中心在第t时刻的估计值；初始化包括t＝1和t＝2的值XG_etm(1)和XG_etm(2)，具体设置为即xn_etm(1)＝xn_etm(2)＝1；
Figure BDA0003097797960000075
广义系统参数是广义阻尼递推最小二乘法的核心之一，从XG_etm(t)可以看出，其将电表误差和网络损耗一同视为系统参数，并同时进行估计，这样就避免了先计算的网络损耗产生的误差淹没后计算的智能电表误差的问题。
步骤110：对协方差矩阵PG(t)进行初始化，即PG(1)＝1000×I，其中正体加粗的I为维度为(m+S)×(m+S)的单位矩阵；
步骤111：构建神经网络；
本发明实施例采用的神经网络为前馈神经网络，它是很多其他神经网络的基础，结构简单且具有较强的普适性，并能够满足本方法的输出精度要求，能为其他更复杂的神经网络提供应用参考。
参见图3，本发明实施例设置的前馈神经网络包含：一个隐藏层和一个输出层，隐藏层的神经元个数为10。神经元个数太少，容易出现欠拟合的情况；神经元个数太多，会出现过拟合的情况；本发明实施例经过试验分析，发现在本方法中，当神经元个数达到10个时，智能电表的误差估计精度可以达到5％以内，但当神经元个数超过10个之后，估计精度将不再提高，因此本发明实施例设置隐藏层神经元个数为10。WNN是神经网络权重，b是神经网络偏置，神经网络输入矩阵被输入到隐藏层，经过加权，偏置，以及S型生长函数(sigmoid)激活后，被输入到输出层；再经过输出层的加权，偏置，以及归一化指数函数(softmax)神经元处理，最终得到神经网络输出矩阵。采用MATLAB实现时，可直接调用其自带的神经网络工具箱中的模式识别模块，并按照上述步骤进行设置。
步骤112：读取最新的动态数据，包括：台区总表电量列向量Y(t)，总表电流列向量I(t)，用户分表电量an(t)；
步骤113：计算网络损耗观测值Lob(t)，计算公式如下：
Figure BDA0003097797960000081
同时获得从初始量测到最新量测的网络损耗观测值列向量Lob(t)＝[Lob(1),Lob(2),…,Lob(t)]T；
步骤114：对网络损耗观测值列向量Lob(t)进行k-means聚类，即对一共t个Lob(t)进行聚类，获得训练隶属度矩阵Atrain(t)和聚类中心Ctrain，它们具有如下结构：
Atrain(t)＝[atrain(1)T,atrain(2)T,…,atrain(t)T]T (2)
这是一个维度为t×S的矩阵，其中
Figure BDA00030977979600000811
为Atrain(t)的第t行的行向量，维度为1×S，
Figure BDA0003097797960000082
为atrain(t)的第
Figure BDA0003097797960000083
列的元素，其计算公式为
Figure BDA0003097797960000084
Figure BDA0003097797960000085
else,
Figure BDA0003097797960000086
Figure BDA0003097797960000087
Figure BDA0003097797960000088
这是一个维度为S×1的列向量，其中
Figure BDA0003097797960000089
为第
Figure BDA00030977979600000810
簇类的聚类中心；采用MATLAB实现时，可以直接调用其中自带的kmeans(.)函数，将Lob(t)作为输入，kmeans(.)函数返回值即Atrain(t)和Ctrain。
步骤115：将训练隶属度矩阵Atrain(t)设置为神经网络滤波器训练的目标集；将总表电量列向量Y(t)和总表电流列向量I(t)设置为神经网络滤波器训练的输入集；由于目标集为Atrain(t)，而目标集Atrain(t)是由Lob(t)聚类获得的，因此训练后的神经网络滤波器输出反映的是网络损耗的情况；
步骤116：用输入集和目标集构建样本集[Y(t),I(t),Atrain(t)]，这是一个t×(S+2)的矩阵，矩阵中的每行代表一个样本，表示为[y(t),I(t),atrain(t)]，y(t),I(t)和atrain(t)拥有同一个时标，即每个样本中的元素必须是同一时刻的量测数据或计算数据；
步骤117：对训练样本[Y(t),I(t),Atrain(t)]进行划分，本方法采用随机划分法，即根据时标t随机抽取70％的样本设置为训练样本，再从剩下的30％的样本中随机选取15％的样本设置为校验样本，最后剩下的15％样本设置为测试样本；
步骤118：用划分好的训练样本[Y(t),I(t),Atrain(t)]对神经网络进行训练。本方法采用的是误差反向传播(error back－propagation)训练模式。训练算法为共轭梯度算法(scaled conjugate gradient algorithm)，性能指标为交叉熵(cross-entropy)，泛化能力检验次数为6次，表明当训练误差经过6次计算后仍不减小，训练将被终止。
采用MATLAB(R2019B)实现时，步骤115至步骤118可直接在神经网络工具箱(本领域技术人员所公知)中的模式识别模块完成。
步骤119：读取最新的量测数据矩阵，包括：台区总表电量y(t)，总表电流列向量I(t)，用户分表电量an(t)；
步骤120：将量测数据矩阵输入到神经网络中，得到神经网络输出隶属度序列；
即将行向量[y(t),I(t)]输入到训练好的神经网络中，训练好的神经网络会自动输出隶属度序列
Figure BDA0003097797960000091
aNN(t)是一个维度为1×S的行向量，
Figure BDA0003097797960000092
为行向量aNN(t)中的第
Figure BDA0003097797960000093
列的元素，
Figure BDA0003097797960000094
是一个介于0到1之间的元素，反映的是该次量测数据对于第
Figure BDA0003097797960000095
个聚类中心估计值
Figure BDA0003097797960000096
的隶属情况，越接近于1表示该次量测数据属于第
Figure BDA0003097797960000097
簇类的程度就越高，越接近于0表示该次量测数据属于第
Figure BDA0003097797960000098
簇类的程度就越低。
步骤121：获得广义系统输入的行向量aG(t)，构建方式为aG(t)＝[a(t),aNN(t)]；
步骤122：根据下式更新阻尼因子：μ(t)＝μ0×mean(aG(t)T aG(t))；
其中，mean是指矩阵所有元素的平均值。
步骤123：更新协方差矩阵；
即读取上一次的协方差矩阵PG(t-1)，根据下式更新协方差矩阵：
PG(t)＝[μ(t)I-ρμ(t)I+ρPG(t-1)-1+aG(t)TaG(t)]-1 (3)
步骤124：更新广义系统参数列向量；
读取前两次的广义系统参数列向量估计值，根据下式更新广义系统参数列向量：
XG_etm(t)＝XG_etm(t-1)+ρμ(t)PG(t)[XG_etm(t-1)-XG_etm(t-2)]+PG(t)aG(t)T[y(t)-aG(t)XG_etm(t-1)] (4)
其中，XG_etm(t-1)，XG_etm(t-2)分别为倒数第一次和倒数第二次估计得到的系统广义参数列向量。
步骤125：获得本次智能电表误差估计修正量和滤波器系数估计值；
其中，智能电表误差估计修正量的估计值Xetm(t)为广义系统参数列向量估计值XG_etm(t)的第1行到第m行所组成的列向量；滤波器系数估计值XF_etm(t)为广义系统参数列向量估计值XG_etm(t)的第m+1行到第S行所组成的列向量。
步骤126：返回步骤112等待新的数据输入或等待新的一次动态数据输入。当没有新数据输入时，跳转到步骤127，进行结果分析；
步骤127：计算网络损耗估计值F(t)；
其中，第t时刻的网络损耗估计值F(t)的具体计算公式为：
F(t)＝aNN(t)XF_etm(t) (5)
步骤128：计算智能电表误差估计值ξn_etm(t)，其中，第n个用户分表的误差在第t时刻的估计值的具体计算公式为：
ξn_etm(t)＝(xn_etm(t)-1)×100％ (6)
步骤129：判断电表误差估计值是否大于所设定的超差阈值ξhold。|ξn_etm(t)|>ξhold，认为第n个智能电表为超差电表，需要立即派遣人员现场检测；若|ξn_etm(t)|≤ξhold，则认为第n个智能电表为正常电表，无需立即派遣人员现场检测。
说明：以上所有步骤均可以采用C语言编程，在Visual Studio上面实现。为了实现更为方便，计算更为高效，建议采用MATLAB实现。
算例以天津市某台区的112块智能电表为例进行了应用分析。数据冻结时间为15分钟一次，一共2000次测量，测量类型为台区总表的分相有功电量之和y(t)，总表分相电流之和I(t)，112块智能电表的有功电量an(t)(n∈[1,2,…,112])，参数设定如下：S＝80；ρ＝0.5；μ0＝0.01；ξhold＝2％。实验结果分别如图4所示。可以看出，若认为电表估计值的绝对值超过5％的电表为超差电表，则超差电表编号为6，31和64，取各块电表所有估计结果的平均值为最终估计结果，则各自误差分别约为-7.62％，+13.33％和+33.81％。经现场基于标准表的校验，得知第14，6，31和64块电表分别存在-7.04％,+12.81％,+34.22％的误差，估计值和实际值的偏差均在5％以内。由于第72块表误差较小，无法区分出来，因此，为了避免漏检，建议将误差估计值的绝对值超过2％的电表判别为超差电表，即设置ξhold＝2％由此得到的混淆矩阵如表1所示。可以看出，由于判别超差的阈值较低，会出现将实际正常的电表错误估计成超差电表，但估计的准确率仍然高达92.86％，因此，本发明所提的方法仍然适用于现有的量测条件与营销系统。
表1估计结果混淆矩阵
Figure BDA0003097797960000111
基于上述步骤和方法，形成基于量测数据的智能电表误差远程估计装置，包括五个模块，分别为：数据获取模块1，初始化模块2，神经网络滤波器设计模块3，广义阻尼递推最小二乘法求解模块4，以及结果分析模块5，装置的具体框图如图5所示。
其中，数据获取模块1有静态数据库和动态数据库支撑，模块内置数据质量判别程序，并将质量符合要求的数据发送给初始化模块2以及神经网络滤波器设计模块3。
初始化模块2接收数据模块1发送的数据，并外接交互界面，用户可以通过界面对神经网络和算法的参数进行设置并发送给神经网络滤波器模块3和广义阻尼递推最小二乘法求解模块4。
其中，神经网络滤波器设计模块3接收初始化模块1发送的参数设置数据以及新的量测数据之后，对内置算法进行设置，即可进行滤波器设计，设计好的滤波器将输出隶属度矩阵和聚类中心到广义阻尼递推最小二乘法求解模块4。
广义阻尼递推最小二乘求解模块4接收新的量测数据和神经网络滤波器设计模块3输出的隶属度矩阵和聚类中心，即可对广义系统参数列向量进行求解，该模块内置新量测数据触发程序，若有新的量测数据输入，则会返回神经网络训练模块进行下一次求解，否则将本次求解的数据发送给结果分析模块5。
结果分析模块5接收求解模块4发送的求解数据，内置程序可以从求解数据在提取电表误差估计结果和网络损耗估计结果，并判别超差电表，将判别结果和估计结果通过外接显示界面反馈给用户。
这里需要指出的是，以上实施例中的装置描述是与上述方法实施例描述相对应的，本发明实施例在此不做赘述。
上述各个模块、单元的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
基于同一发明构思，本发明实施例还提供了一种智能电表误差远程估计装置，参见图6，该装置包括：处理器6和存储器7，存储器7中存储有程序指令，处理器6调用存储器7中存储的程序指令以使装置执行实施例中的以下方法步骤：
采用相关性分析，计算分相有功电量与分表有功电量之和的相关系数，若相关性系数大于阈值则进入智能电表误差远程估计初始化；否则重新获取新的动态数据；
智能电表误差远程估计初始化包括：对广义系统参数列向量、协方差矩阵进行初始化，并构建一神经网络，对神经网络进行训练；
通过广义阻尼最小二乘法求解模型，计算网络损耗估计值、智能电表误差估计值，判断电表误差估计值是否大于所设定的超差阈值ξhold，若大于，则第n个智能电表为超差电表，派遣人员现场检测。
在一种实施方式中，神经网络包括：一个隐藏层和一个输出层，神经网络输入矩阵被输入到隐藏层，经过加权，偏置，以及S型生长函数激活后，被输入到输出层；再经过输出层的加权，偏置，以及归一化指数函数神经元处理，最终得到神经网络输出矩阵。
其中，对神经网络进行训练具体为：
计算网络损耗观测值，对其列向量进行k-means聚类，获得训练隶属度矩阵和聚类中心；
将训练隶属度矩阵设置为神经网络滤波器训练的目标集；将总表电量列向量和总表电流列向量设置为神经网络滤波器训练的输入集；
用输入集和目标集构建样本矩阵，矩阵中的每行代表一个样本，每个样本中的元素是同一时刻的量测数据或计算数据；
采用随机划分法对训练样本进行划分，用划分好的训练样本对神经网络进行训练，采用误差反向传播训练模式，训练算法为共轭梯度，性能指标为交叉熵；
将量测数据矩阵输入到神经网络中，得到神经网络输出隶属度序列，获得广义系统输入的行向量aG(t)，并以此依次更新阻尼因子、协方差矩阵；
基于协方差矩阵更新广义系统参数列向量，最终获得本次智能电表误差估计修正量和滤波器系数估计值；
等待新的数据输入或等待新的一次动态数据输入，当没有新数据输入时，计算网络损耗估计值F(t)、智能电表误差估计值ξn_etm(t)，判断电表误差估计值是否大于所设定的超差阈值ξhold。
这里需要指出的是，以上实施例中的装置描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
上述的处理器6和存储器7的执行主体可以是计算机、单片机、微控制器等具有计算功能的器件，具体实现时，本发明实施例对执行主体不做限制，根据实际应用中的需要进行选择。
存储器7和处理器6之间通过总线8传输数据信号，本发明实施例对此不做赘述。
基于同一发明构思，本发明实施例还提供了一种计算机可读存储介质，存储介质包括存储的程序，在程序运行时控制存储介质所在的设备执行上述实施例中的方法步骤。
该计算机可读存储介质包括但不限于快闪存储器、硬盘、固态硬盘等。
这里需要指出的是，以上实施例中的可读存储介质描述是与实施例中的方法描述相对应的，本发明实施例在此不做赘述。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例的流程或功能。
计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。计算机指令可以存储在计算机可读存储介质中，或者通过计算机可读存储介质进行传输。计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。可用介质可以是磁性介质或者半导体介质等。
参考文献
[1]卢进，基于递推阻尼最小二乘法的频率跟踪及FPGA实现[D].长沙：长沙理工大学，2015.
[2]郭景涛.面向智能电网AMI的网络计量关键技术与用户用电数据挖掘研究[D].天津:天津大学,2012.
[3]Xiangyu Kong,Yuying Ma,Xin Zhao,Ye Li,Yongxing Teng.A RecursiveLeast Squares Method with Double-Parameter for Online Estimation of ElectricMeter Errors.[J].ENERGIES,2019,12(805).
[4]Korhonen,A.Verification of Energy Meters Using Automatic MeterReading Data.Master’s Thesis,AALTO University,Espoo,Finland,2012.
[5]汤弘鑫.低压台区线损分析及降损措施研究[D].东南大学,2017.
[6]申莉，DLT 1507-2016数字化电能表校准规范[S]，国家能源局，2016.
[7]DL/T 686-2018电力网电能损耗计算导则[S]，国家能源局，2018.
本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。
本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.一种智能电表误差远程估计方法，其特征在于，所述方法包括：
采用相关性分析，计算分相有功电量与分表有功电量之和的相关系数，若相关性系数大于阈值则进入智能电表误差远程估计初始化；否则重新获取新的动态数据；
所述智能电表误差远程估计初始化包括：对阻尼因子、遗忘因子、聚类数目和超差阈值进行设置，对广义系统参数列向量、协方差矩阵进行初始化，并构建一神经网络，对神经网络进行训练；
通过广义阻尼最小二乘法求解模型，计算网络损耗估计值、智能电表误差估计值，判断电表误差估计值是否大于所设定的超差阈值ξhold，若大于，则第n个智能电表为超差电表，派遣人员现场检测；
其中，所述对神经网络进行训练具体为：
计算网络损耗观测值，对其列向量进行k-means聚类，获得训练隶属度矩阵和聚类中心；
将训练隶属度矩阵设置为神经网络滤波器训练的目标集；将总表电量列向量和总表电流列向量设置为神经网络滤波器训练的输入集；
用输入集和目标集构建样本矩阵，矩阵中的每行代表一个样本，每个样本中的元素是同一时刻的量测数据或计算数据；
采用随机划分法对训练样本进行划分，用划分好的训练样本对神经网络进行训练，采用误差反向传播训练模式，训练算法为共轭梯度，性能指标为交叉熵；
将量测数据矩阵输入到神经网络中，得到神经网络输出隶属度序列，即将行向量[y(t),I(t)]输入到训练好的神经网络中，训练好的神经网络会自动输出隶属度序列
Figure FDA0003922190870000011
Figure FDA0003922190870000012
aNN(t)是一个维度为1×S的行向量，
Figure FDA0003922190870000013
为行向量aNN(t)中的第
Figure FDA0003922190870000017
列的元素，
Figure FDA0003922190870000015
是一个介于0到1之间的元素，反映的是该次量测数据对于第
Figure FDA0003922190870000014
个聚类中心估计值
Figure FDA0003922190870000016
的隶属情况，获得广义系统输入的行向量，并以此依次更新阻尼因子、协方差矩阵；
基于协方差矩阵更新广义系统参数列向量，最终获得本次智能电表误差估计修正量和滤波器系数估计值；
等待新的数据输入或等待新的一次动态数据输入，当没有新数据输入时，计算网络损耗估计值、智能电表误差估计值，判断电表误差估计值是否大于所设定的超差阈值；
所述神经网络包括：一个隐藏层和一个输出层，神经网络输入矩阵被输入到隐藏层，经过加权，偏置，以及S型生长函数激活后，被输入到输出层；再经过输出层的加权，偏置，以及归一化指数函数神经元处理，最终得到神经网络输出矩阵；
所述相关系数为：
Figure FDA0003922190870000021
其中，Cov(.,.)表示计算两者的协方差，[1,1,…,1]T是元素皆为1且维度为m×1的列向量，Var(.)表示计算变量的方差，总表电量列向量Y(t)，用户分表电量矩阵A(t)；
所述对阻尼因子、遗忘因子、聚类数目和超差阈值进行设置，对广义系统参数列向量、协方差矩阵进行初始化，具体为：
聚类数目S＝80；遗忘因子ρ＝0.5；阻尼因子μ0＝0.01；超差阈值ξhold＝2％；
广义系统参数列向量为XG_etm(t)＝[Xetm(t)T,XF_etm(t)T]T，其中，Xetm(t)＝[x1_etm(t),x2_etm(t),…,xn_etm(t),…,xm_etm(t)]T为用户智能电表误差修正量列向量在第t时刻的估计值；
Figure FDA0003922190870000027
为滤波器系数列向量在第t时刻的估计值，xn_etm(1)＝xn_etm(2)＝1；
Figure FDA0003922190870000028
对协方差矩阵PG(t)进行初始化，即PG(1)＝1000×I，其中正体加粗的I为维度为(m+S)×(m+S)的单位矩阵；
所述获得训练隶属度矩阵和聚类中心为：
Atrain(t)＝[atrain(1)T,atrain(2)T,…,atrain(t)T]T
其中，
Figure FDA0003922190870000022
为Atrain(t)的第t行的行向量，维度为1×S；
Figure FDA0003922190870000023
Figure FDA0003922190870000024
其中，
Figure FDA0003922190870000025
为第
Figure FDA0003922190870000026
簇类的聚类中心。
2.一种智能电表误差远程估计装置，其特征在于，所述装置用于执行权利要求1所述的智能电表误差远程估计方法，所述装置包括：
数据获取模块，有静态数据库和动态数据库支撑，用于将质量符合要求的数据发送给初始化模块以及神经网络滤波器设计模块；
初始化模块，用于外接交互界面，用户通过界面对神经网络和算法的参数进行设置并发送给神经网络滤波器模块和广义阻尼递推最小二乘法求解模块；
神经网络滤波器设计模块，用于通过设计好的滤波器输出隶属度矩阵和聚类中心到广义阻尼递推最小二乘法求解模块；
广义阻尼递推最小二乘求解模块，用于对广义系统参数列向量进行求解，模块内置新量测数据触发程序，若有新的量测数据输入，则会返回神经网络训练模块进行下一次求解，否则将本次求解的数据发送给结果分析模块；
结果分析模块，用于提取电表误差估计结果和网络损耗估计结果，并判别超差电表，将判别结果和估计结果通过外接显示界面反馈给用户。
3.一种智能电表误差远程估计装置，其特征在于，所述装置包括：处理器和存储器，所述存储器中存储有程序指令，所述处理器调用存储器中存储的程序指令以使装置执行权利要求1所述的方法步骤。
4.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质存储有计算机程序，所述计算机程序包括程序指令，所述程序指令被处理器执行时使所述处理器执行权利要求1所述的方法步骤。
CN202110615308.7A 2021-06-02 2021-06-02 一种智能电表误差远程估计方法及装置 Active CN113556629B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110615308.7A CN113556629B (zh) 2021-06-02 2021-06-02 一种智能电表误差远程估计方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110615308.7A CN113556629B (zh) 2021-06-02 2021-06-02 一种智能电表误差远程估计方法及装置

Publications (2)

Publication Number Publication Date
CN113556629A CN113556629A (zh) 2021-10-26
CN113556629B true CN113556629B (zh) 2023-02-17

Family

ID=78130283

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110615308.7A Active CN113556629B (zh) 2021-06-02 2021-06-02 一种智能电表误差远程估计方法及装置

Country Status (1)

Country Link
CN (1) CN113556629B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114384787B (zh) * 2021-11-29 2024-01-23 国网北京市电力公司 一种电能表时钟的校准方法及装置
CN114184996B (zh) * 2021-12-10 2023-09-29 广东电网有限责任公司 低压台区智能电表的计量异常行为辨识方法及装置
CN114265001B (zh) * 2022-03-02 2022-06-07 华中科技大学 一种智能电表计量误差评估方法
CN114779154B (zh) * 2022-03-17 2024-09-17 天津大学 一种基于时态分析的智能电表数据时标校准方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464550A (zh) * 2020-08-31 2021-03-09 天津大学 基于降维估计和阻尼最小二乘法的智能电表误差估计方法
CN112558000A (zh) * 2020-12-05 2021-03-26 青岛鼎信通讯股份有限公司 一种基于相关性筛选的电能表计量误差分析方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108491404B (zh) * 2018-01-22 2022-07-01 国电南瑞科技股份有限公司 一种基于bp神经网络的状态估计不良数据辨识方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112464550A (zh) * 2020-08-31 2021-03-09 天津大学 基于降维估计和阻尼最小二乘法的智能电表误差估计方法
CN112558000A (zh) * 2020-12-05 2021-03-26 青岛鼎信通讯股份有限公司 一种基于相关性筛选的电能表计量误差分析方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
《A Remote Estimation Method of Smart Meter Errors Based on Neural Network Filter and Generalized Damping Recursive Least Square》;xiangyukong等;《IEEE》;20210420;第219-227页 *
《基于CK-GPR 的多应力环境智能电表剩余寿命预测》;段俊峰;《仪器仪表学报》;20210430;第102-110页 *
《基于限定记忆递推最小二乘算法的》;孔祥玉等;《中国电机工程学报》;20200405;全文 *

Also Published As

Publication number Publication date
CN113556629A (zh) 2021-10-26

Similar Documents

Publication Publication Date Title
CN113556629B (zh) 一种智能电表误差远程估计方法及装置
CN110471024B (zh) 一种基于量测数据分析的智能电表在线远程校验方法
CN108593990B (zh) 一种基于电能用户用电行为模式的窃电检测方法和应用
CN110223196B (zh) 基于典型行业特征库和反窃电样本库的反窃电分析方法
CN105117602B (zh) 一种计量装置运行状态预警方法
CN110222991B (zh) 基于rf-gbdt的计量装置故障诊断方法
CN111507611A (zh) 一种确定窃电嫌疑用户的方法及系统
CN106055918A (zh) 一种电力系统负荷数据辨识及修复方法
CN103996077A (zh) 一种基于多维时间序列的电气设备故障预测方法
Kong et al. A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square
CN111598165A (zh) 一种基于极限学习机的密度聚类离群点检测方法
CN116148753A (zh) 一种智能电能表运行误差监测系统
CN112464550A (zh) 基于降维估计和阻尼最小二乘法的智能电表误差估计方法
CN117972537B (zh) 基于广域量测的电压互感器计量状态评估方法及系统
CN105406461A (zh) 一种配电网停电事件的负荷自适应动态监测方法
CN116992385A (zh) 一种物联网水表用量异常检测方法及系统
CN112213687A (zh) 基于伪异常点辨识的关口电能表数据异常检测方法及系统
CN117851908B (zh) 一种改进的在线低压台区电能表失准监测方法及装置
CN109886314B (zh) 一种基于pnn神经网络的餐厨废弃油检测方法及其装置
CN114266457A (zh) 一种配电线路异损诱因检测的方法
CN110852906B (zh) 一种基于高维随机矩阵进行窃电嫌疑识别的方法和系统
Fagiani et al. Computational Intelligence in Smart water and gas grids: An up-to-date overview
CN116662840A (zh) 一种基于机器学习的低压台区用户相位识别方法
CN114046816B (zh) 基于轻量级梯度提升决策树的传感器信号故障诊断方法
CN112241812A (zh) 基于单边优化与遗传算法协作的低压配电网拓扑识别方法

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
GR01 Patent grant
GR01 Patent grant