CN113687292B - 大数据、云环境下电能表错误接线的检测系统及方法 - Google Patents
大数据、云环境下电能表错误接线的检测系统及方法 Download PDFInfo
- Publication number
- CN113687292B CN113687292B CN202010416905.2A CN202010416905A CN113687292B CN 113687292 B CN113687292 B CN 113687292B CN 202010416905 A CN202010416905 A CN 202010416905A CN 113687292 B CN113687292 B CN 113687292B
- Authority
- CN
- China
- Prior art keywords
- data
- electric energy
- energy meter
- layer
- wiring
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 87
- 238000001514 detection method Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 24
- 238000012544 monitoring process Methods 0.000 claims abstract description 24
- 230000006854 communication Effects 0.000 claims abstract description 20
- 238000004891 communication Methods 0.000 claims abstract description 20
- 238000013523 data management Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 18
- 238000007405 data analysis Methods 0.000 claims abstract description 11
- 238000003860 storage Methods 0.000 claims abstract description 11
- 230000005540 biological transmission Effects 0.000 claims abstract description 5
- 238000010586 diagram Methods 0.000 claims description 35
- 239000011159 matrix material Substances 0.000 claims description 24
- 238000000819 phase cycle Methods 0.000 claims description 20
- 239000013598 vector Substances 0.000 claims description 14
- 238000013500 data storage Methods 0.000 claims description 12
- 238000013499 data model Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 238000003066 decision tree Methods 0.000 claims description 7
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 6
- 230000010354 integration Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 238000004138 cluster model Methods 0.000 claims description 3
- 238000007726 management method Methods 0.000 claims description 3
- 239000013307 optical fiber Substances 0.000 claims description 3
- 238000005192 partition Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 5
- 238000005516 engineering process Methods 0.000 description 12
- 238000012795 verification Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000007789 sealing Methods 0.000 description 2
- RNFJDJUURJAICM-UHFFFAOYSA-N 2,2,4,4,6,6-hexaphenoxy-1,3,5-triaza-2$l^{5},4$l^{5},6$l^{5}-triphosphacyclohexa-1,3,5-triene Chemical compound N=1P(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP(OC=2C=CC=CC=2)(OC=2C=CC=CC=2)=NP=1(OC=1C=CC=CC=1)OC1=CC=CC=C1 RNFJDJUURJAICM-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007175 bidirectional communication Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000003063 flame retardant Substances 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 239000004922 lacquer Substances 0.000 description 1
- WABPQHHGFIMREM-UHFFFAOYSA-N lead(0) Chemical compound [Pb] WABPQHHGFIMREM-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
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
-
- 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
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Software Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开一种大数据、云环境下电能表错误接线的检测系统及方法,涉及电能计量检测技术领域,构建出设备层、通信层、数据处理层和监测层的系统体系,利用云大数据管理平台实现对电能表错误接线情况下输出的各种数据的分类、计算、存储和数据传递,实现了电能表远程、在线、实时监控。本发明通过构建标准数据库,实现电能表故障接线数据类型、档案错误数据类型、过压检测数据类型、表计损坏运行数据或者无功补偿数据等多种数据的分析,有效地实现CT二次短路、CT二次开路、正负极性反接、PT一、二次断相、电压错相、电流错相或表尾电流进出反接情况下的数据输出分析,通过利用多种算法模型,实现不同的计算需求,满足数据分析的多种需要。
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大数据、云环境下电能表错误接线的检测系统及方法。
背景技术
在电能表检测技术领域中,为了保证电力工业生产、电能计量能可靠、准确地进行,就必须依靠可靠的仪器仪表装置来进行电能计量,而电能计量是否准确,除了与电能计量装置的准确度有关之外,还与计量回路接线是否正确有密切关系,一旦电能表计量回路中出现了错误接线,就有可能会给用户或供电企业带来极大的经济损失,严重时,会造成电能表短路,严重影响电能表计量的准确性。在对电能表进行检定时,通常采用电能表计量装置衡量电能表的各项指标,智能电能表与传统的电能表最大的不同是具有双向计量、双向通信及多种费控等功能。电能表错接线的主要表现为:电能表反转、不转、转速变慢等情况,在电能表反转、不转、转速变慢等情况下产生的数据不同。常规技术通过人工检测方法,这种方法不仅效率低下,还容易出错。
发明内容
针对现有技术的不足,本发明公开了一种大数据、云环境下电能表错误接线的检测系统及方法,应用大数据处理技术和云计算技术实现电能表异常接线信息的处理,能够实现电能表远程、在线、实时监控,本发明智能化、自动化程度高。
为了解决上述技术问题,本发明采用以下技术方案:
一种大数据、云环境下电能表错误接线的检测系统,其中所述检测系统包括:
设备层,其内至少设置有电能表检定装置、电能表检定流水线、终端或电能表检定设备,用于检测电能表的运行状态,以获取诸如电能表参数数据或者性能指标数据的电能表数据信息,其中所述电能表数据信息至少包括电流、电压、功率、谐波或纹波和相序;
通信层,其内至少设置有GPRS模块、CDMA模块、光纤传输模块、RS485模块、RS232模块、红外通讯模块或载波通讯模块,用于传输所述设备层获取的电能表数据信息;
数据处理层,其内设置有云端服务器,所述云端服务器的主机硬件配置为IntelXeon E3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel Xeon E53.0GHZ,内存为160GB,硬盘容量为128TB;所述云端服务器内还设置有基于Hadoop体系架构的云大数据管理平台,其中所述云大数据管理平台设置有数据集成层、文件存储层、数据存储层、数据模型层、数据分析层和应用层;所述数据集成层的输出端与所述文件存储层的输入端连接,所述文件存储层的输出端与数据存储层的输入端连接,所述数据存储层的输出端与所述数据模型层的输入端连接,所述数据模型层的输出端与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应用层的输入端连接;
监测层,其内至少设置有主站、客户端或者计算机管理系统,用于对电能表错误接线数据进行远程、在线和实时监控,进而实现电能表状态的智能监控;其中:
所述设备层的输出端与所述通信层的输入端连接,所述通信层的输出端与所述数据处理层的输入端连接,所述数据处理层的输出端与所述监测层的输入端连接。
在本发明进一步的技术方案中,所述电能表为三相电能表。
在本发明进一步的技术方案中,电能表数据信息还至少包括故障接线数据类型、档案错误数据类型、过压检测数据类型、表计损坏运行数据或者无功补偿数据。
在本发明进一步的技术方案中,所述故障接线数据类型至少包括在以下任意一种情况下的电能表输出数据信息:CT二次短路、CT二次开路、正负极性反接、PT一、二次断相、电压错相、电流错相或表尾电流进出反接。
本发明还采用以下技术方案:
一种大数据、云环境下电能表错误接线的检测方法,包括以下步骤:
(S1)通过设备层获取三相电能表输出的不同数据信息;
(S2)通过通信层传递获取的电能表数据信息;
(S3)在数据处理层,采用云计算方法对获取的电能表数据信息进行计算、分析或存储;其中所述云大数据管理平台中的数据存储层中存储有电能表正常接线状态下的各种参数标准数据库;云计算应用的数据算法模型至少包括聚类算法模型、蚁群算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型;
(S4)通过监测层,对处理的电能表数据信息进行分析,以远程监控电能表接线情况。
一种大数据、云环境下电能表错误接线的检测方法,采用云计算方法对获取的电能表数据信息进行计算、分析的步骤为:
(S31)构建标准数据库,即在电能表正常接线时,电能表输出的数据参数、性能指标、正常电压检测数据类型、表计正常运行数据或者无功补偿数据;
(S32)从所述聚类算法模型、蚁群算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型中选择任意算法模型,构建出相应的数据算法模型;
(S33)将从设备层实时、在线采集到的电能表接线数据信息输入到所述步骤(S32)中构建出的数据算法模型,输出数据结果;
(S34)参照所述步骤(S31)中的标准数据库,对所述步骤(S33)中的数据结果进行分析。
在本发明进一步的技术方案中,其中所述关联算法模型构建方法包括以下步骤:
假设待划分属性的电能表错误接线大数据集为d,假设将电能表错误接线数据类型的属性类别划分为集合C,其中C={c1,c2,...,cm},其中第i分类属性满足这样的条件:1≤i≤m,对于待分类的电能表错误接线数据类型集合d,其输出的最大类别为P(ci/d),则有:
其中C、D表示为随机变量,则电能表错误接线数据类型d的贝叶斯分类公式为:
在本发明进一步的技术方案中,其中所述聚类算法模型为FCM聚类算法模型,所述FCM聚类算法模型用于将不同的电能表错误接线数据类型对象集合分类成多种不同的错误接线属性,在分类过程中,通过将不同类的电能表错误接线数据类型具有比较高的相似度或者具有较近的距离归为一类,所述FCM聚类算法模型的构建方法为:
(1)确定聚类个数,在不同的电能表错误接线数据类型中,抽取待分析的故障类型样本,对聚类中心、聚类模型进行数据初始化,以获取更高的数据训练精度,假设在电能表接线错误情况下输出的数据集定义为:X={x1,x2,x3,...,xn},模型设定将这些数据样本聚集成c个数据类别,U表示为构建模型的模糊矩阵,Uij表示第i个样本属于第j类的隶属度;
(2)更新隶属度矩阵,通过更新的隶属度衡量出聚类目标函数最小化的划分矩阵U和聚类中心V,应用数学表达式为:
在公式(3)中,n表示为电能表故障接线输出不同数据集需要的数量,m表示为加权指数,dij为欧式距离公式,表示为接线故障情况下电能表输出数据类型xk与聚类中心pi之间的距离,用公式表示为:
(dik)2=||xk-pi||2; (4)
uik为矩阵U中第k个数据样本对第i类的隶属程度;
其中聚类中心用公式表示为:
其中1≤i≤c;
(3)更新聚类中心矩阵,电能表输出数据类型中各个样本中心点来表示样本簇的中心点,故障类型不同,不同聚类信息样本数据的中心点也就不同,因此,每选择一种电能表输出数据类型,则更新样本数据中心点与这些故障接线聚类信息数据中心之间的距离,在多次计算情况下,可将每次计算出的最小数据组成矩阵D,则:
其中,x为求出的最小值的集合;
(4)反复计算目标函数,进行迭代计算,如果迭代计算的值小于最小误差,则按照隶属度矩阵对变电站样本点进行分类,如果没有小于最小误差值,则重新更新隶属度矩阵,进行步骤(2)的计算;
(5)然后输出分类结果。
在本发明进一步的技术方案中,所述标准数据库中至少包括相电压和线电压的相量图、两相电流向量图、顺相序时的相位关系图、逆相序时/>的相位关系图、四线向量图、旋转120°的电压六角向量图、旋转240°的电压六角向量图、电能表不存在错误接线情况下电流、电压、功率、谐波或纹波和相序的标准数值。
在本发明进一步的技术方案中,当dij=0时,将电能表输出数据类型与聚类中心数据类型视为完全相同,当0≤dij≤1时,将电能表输出数据类型与聚类中心数据类型视为同类数据,当dij>1时,将电能表输出数据类型与聚类中心数据类型视为不同类数据。
积极有益效果:
本发明通过构建出设备层、通信层、数据处理层和监测层的系统体系,利用云大数据管理平台实现对电能表错误接线情况下输出的各种数据的分类、计算、存储和数据传递,实现了电能表远程、在线、实时监控。本发明通过构建标准数据库,实现电能表故障接线数据类型、档案错误数据类型、过压检测数据类型、表计损坏运行数据或者无功补偿数据等多种数据的分析,有效地实现CT二次短路、CT二次开路、正负极性反接、PT一、二次断相、电压错相、电流错相或表尾电流进出反接情况下的数据输出分析,通过利用聚类算法模型、蚁群算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型等多种算法模型,实现不同的计算需求,满足数据分析的多种需要。本发明将云技术、大数据处理技术、计算机技术有机地结合在一起,在电能表检测领域中,实现电能表检测的智能化、自动化监控,提高了电能表检测现场的监控力度。
附图说明
图1为本发明一种大数据、云环境下电能表错误接线的检测系统的架构示意图;
图2为本发明一种大数据、云环境下电能表错误接线的检测系统的云计算结构示意图;
图3为本发明一种大数据、云环境下电能表错误接线的检测系统的云大数据管理平台的架构示意图;
图4为本发明一种大数据、云环境下电能表错误接线的检测方法的流程示意图;
图5为本发明一种大数据、云环境下电能表错误接线的检测方法的聚类算法模型的架构示意图;
图6为发明一种大数据、云环境下电能表错误接线的检测方法的相电压和线电压的相量图;
图7为发明一种大数据、云环境下电能表错误接线的检测方法的A、C相电流的相量图;
图8为发明一种大数据、云环境下电能表错误接线的检测方法的顺相序时线电压与/>的相量图;
图9为发明一种大数据、云环境下电能表错误接线的检测方法的逆相序时线电压与/>的相量图;
图10为发明一种大数据、云环境下电能表错误接线的检测方法的组合相量和其顺时针旋转120°后的相量图;
图11为发明一种大数据、云环境下电能表错误接线的检测方法的组合相量和其顺时针旋转240°后的相量图。
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检测系统
如图1所示,一种大数据、云环境下电能表错误接线的检测系统,其中所述检测系统包括:
设备层,其内至少设置有电能表检定装置、电能表检定流水线、终端或电能表检定设备,用于检测电能表的运行状态,以获取诸如电能表参数数据或者性能指标数据的电能表数据信息,其中所述电能表数据信息至少包括电流、电压、功率、谐波或纹波和相序;
通信层,其内至少设置有GPRS模块、CDMA模块、光纤传输模块、RS485模块、RS232模块、红外通讯模块或载波通讯模块,用于传输所述设备层获取的电能表数据信息;
数据处理层,其内设置有云端服务器,所述云端服务器的主机硬件配置为IntelXeon E3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel Xeon E53.0GHZ,内存为160GB,硬盘容量为128TB;如图2和图3所示,所述云端服务器内还设置有基于Hadoop体系架构的云大数据管理平台,其中所述云大数据管理平台设置有数据集成层、文件存储层、数据存储层、数据模型层、数据分析层和应用层;所述数据集成层的输出端与所述文件存储层的输入端连接,所述文件存储层的输出端与数据存储层的输入端连接,所述数据存储层的输出端与所述数据模型层的输入端连接,所述数据模型层的输出端与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应用层的输入端连接;
监测层,其内至少设置有主站、客户端或者计算机管理系统,用于对电能表错误接线数据进行远程、在线和实时监控,进而实现电能表状态的智能监控;其中:
所述设备层的输出端与所述通信层的输入端连接,所述通信层的输出端与所述数据处理层的输入端连接,所述数据处理层的输出端与所述监测层的输入端连接。
在本发明中,所述电能表为三相电能表。由于单相电能表比较简单,本发明的方案针对三相电能表。
在本发明中,电能表数据信息还至少包括故障接线数据类型、档案错误数据类型、过压检测数据类型、表计损坏运行数据或者无功补偿数据。
在本发明中,所述故障接线数据类型至少包括在以下任意一种情况下的电能表输出数据信息:CT二次短路、CT二次开路、正负极性反接、PT一、二次断相、电压错相、电流错相或表尾电流进出反接。
本发明将云技术、大数据处理技术、计算机技术有机地结合在一起,在电能表检测领域中,实现电能表检测的智能化、自动化监控,提高了电能表检测现场的监控力度。本发明采用云计算能够自助服务,并进行广泛的网络访问,用户可以随时随地使用任何云终端设备接入网络并使用云端的计算资源。常见的云终端设备包括手机、平板、笔记本电脑、PDA掌上电脑和台式机等。云端还能够将资源形成资源池化,并计算资源的确切位置,方便、快捷地按需获取和释放计算资源,也就是说,需要时能快速获取资源从而扩展计算能力,不需要时能迅速释放资源以便降低计算能力,从而减少资源的使用费用。对于消费者来说,云端的计算资源是无限的,可以随时申请并获取任何数量的计算资源。
在进行云应用时,其包括私有云、社区云、公共云和混合云,其中私有云只给一个单位组织内的用户使用,社区云专门给固定的几个单位内的用户使用,公共云开放给社会公众,混合云由两个或两个以上不同类型的云(私有云、社区云、公共云)组成,它们各自独立,但用标准的或专有的技术将它们组合起来,而这些技术能实现云之间的数据和应用程序的平滑流转。通过利用云技术检测电能表错误接线方法,大大提供了电能表监管能力。
实施例2检测方法
如图4所示,一种大数据、云环境下电能表错误接线的检测方法,包括以下步骤:
(S1)通过设备层获取三相电能表输出的不同数据信息;
(S2)通过通信层传递获取的电能表数据信息;
(S3)在数据处理层,采用云计算方法对获取的电能表数据信息进行计算、分析或存储;其中所述云大数据管理平台中的数据存储层中存储有电能表正常接线状态下的各种参数标准数据库;云计算应用的数据算法模型至少包括聚类算法模型、蚁群算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型;
(S4)通过监测层,对处理的电能表数据信息进行分析,以远程监控电能表接线情况。
在上述步骤(S3)中,采用云计算方法对获取的电能表数据信息进行计算、分析的步骤为:
(S31)构建标准数据库,即在电能表正常接线时,电能表输出的数据参数、性能指标、正常电压检测数据类型、表计正常运行数据或者无功补偿数据;
(S32)从所述聚类算法模型、蚁群算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型中选择任意算法模型,构建出相应的数据算法模型;
(S33)将从设备层实时、在线采集到的电能表接线数据信息输入到所述步骤(S32)中构建出的数据算法模型,输出数据结果;
(S34)参照所述步骤(S31)中的标准数据库,对所述步骤(S33)中的数据结果进行分析。
在本发明进一步的技术方案中,其中所述关联算法模型构建方法包括以下步骤:
假设待划分属性的电能表错误接线大数据集为d,假设将电能表错误接线数据类型的属性类别划分为集合C,其中C={c1,c2,...,cm},其中第i分类属性满足这样的条件:1≤i≤m,对于待分类的电能表错误接线数据类型集合d,其输出的最大类别为P(ci/d),则有:
其中C、D表示为随机变量,则电能表错误接线数据类型d的贝叶斯分类公式为:
在本发明进一步的实施例中,其中所述聚类算法模型为FCM聚类算法模型,所述FCM聚类算法模型用于将不同的电能表错误接线数据类型对象集合分类成多种不同的错误接线属性,在分类过程中,通过将不同类的电能表错误接线数据类型具有比较高的相似度或者具有较近的距离归为一类,如图5所示,所述FCM聚类算法模型的构建方法为:
(1)确定聚类个数,在不同的电能表错误接线数据类型中,抽取待分析的故障类型样本,对聚类中心、聚类模型进行数据初始化,以获取更高的数据训练精度,假设在电能表接线错误情况下输出的数据集定义为:X={x1,x2,x3,...,xn},模型设定将这些数据样本聚集成c个数据类别,U表示为构建模型的模糊矩阵,Uij表示第i个样本属于第j类的隶属度;
(2)更新隶属度矩阵,通过更新的隶属度衡量出聚类目标函数最小化的划分矩阵U和聚类中心V,应用数学表达式为:
在公式(3)中,n表示为电能表故障接线输出不同数据集需要的数量,m表示为加权指数,dij为欧式距离公式,表示为接线故障情况下电能表输出数据类型xk与聚类中心pi之间的距离,用公式表示为:
(dik)2=||xk-pi||2; (4)
uik为矩阵U中第k个数据样本对第i类的隶属程度;
其中聚类中心用公式表示为:
其中1≤i≤c;
(3)更新聚类中心矩阵,电能表输出数据类型中各个样本中心点来表示样本簇的中心点,故障类型不同,不同聚类信息样本数据的中心点也就不同,因此,每选择一种电能表输出数据类型,则更新样本数据中心点与这些故障接线聚类信息数据中心之间的距离,在多次计算情况下,可将每次计算出的最小数据组成矩阵D,则:
其中,x为求出的最小值的集合;
(4)反复计算目标函数,进行迭代计算,如果迭代计算的值小于最小误差,则按照隶属度矩阵对变电站样本点进行分类,如果没有小于最小误差值,则重新更新隶属度矩阵,进行步骤(2)的计算;
(5)然后输出分类结果。
在本发明进一步的实施例中,所述标准数据库中至少包括相电压和线电压的相量图、两相电流向量图、顺相序时的相位关系图、逆相序时/>的相位关系图、四线向量图、旋转120°的电压六角向量图、旋转240°的电压六角向量图、电能表不存在错误接线情况下电流、电压、功率、谐波或纹波和相序的标准数值。
在本发明进一步的实施例中,当dij=0时,将电能表输出数据类型与聚类中心数据类型视为完全相同,当0≤dij≤1时,将电能表输出数据类型与聚类中心数据类型视为同类数据,当dij>1时,将电能表输出数据类型与聚类中心数据类型视为不同类数据。
实施例3实施例
如图6-图11所示,电能表输出的数据参数、性能指标、正常电压检测数据类型、表计正常运行数据或者无功补偿数据等,其中产生故障接线数据时,通常是将电压缺相断相、电压幅值不合法、电流小于误差范围的一些无法使用的异常数据。档案错误数据通常是指单相三相表类型、接线方式与采集的数据信息不能对应的情况下的数据。混线检测是指多相电压接在了同一相上或多相电流接在了同一相上的情况的数据。
高压三相三线计量装置A、B、C三相相电压接入三相三线电能表,顺相序连接,线电压组合有与/>与/>与/>三种,逆相序连接也有/>与/>与与/>三种,总共六种组合。在空间位置上只有三种状态(作为未知量,第一元件的电压称为/>第二元件的电压称为/>).这三种是:
形态图形:顺相序时/>是/>在上边,/>是/>在下边;逆相序时/>是/>在下边,/>是/>在上边;
形态图形:顺相序时/>是/>在下边,/>是/>在上边;逆相序时/>是/>在上边,/>是/>在下边;
形态图形:顺相序时/>是/>在左边,/>是/>在右边;逆相序时/>是/>在右边,/>是/>在左边。
图6为六角相量图作为接线判断的母板,在测量电压时,通过FCM聚类算法模型计算出电压属性的数据,然后对照图6上六角图上定出电压、电流矢量,参考正常接线情况下的标准数据模板,判断电压相序及PT极性是否反接,同类方法,参考标准电流数据模板,判断CT极性是否反接,参考正常接线情况下的相角或功率,确定电压与电流之间的夹角。根据值,定出电压、电流矢量相别。
假定电能表所接电压是正确的,分别为Ua、Ub、Uc。若采用相位表测角度确定I1、I3;当为逆相序时,相位角逆时针转动,在六角图中定出I1、I3;若采用功率表测功率确定I1、I3时,根据对应电压所测功率值,在六角图中定出I1、I3。然后根据实测电能表电压端子上的电压相别,在六角图中假定的Ua、Ub、Uc旁标明正确的电压相别,再根据和所测电流大小,正确的电压Ua、Ub、Uc定出I1、I3电流相别,在六角图中I1、I3旁标注清楚。若是正相序,/>角顺时针转动为滞后;若为逆相序,/>角逆时针转动为滞后。
在假定确定电能表电压端子上电压相别,以正确的Ua、Ub、Uc为准测量数据,在六角图上定出I1、I3。在六角图正确的Ua、Ub、Uc旁标明实际所加的错误电压,再根据和所测电流大小,定出I1、I3电流相别,在六角图种标注清楚。无论正、逆相序,电压和电流夹角按顺时针转动为感性。判断第一元件所加电压是以实测表计电压端子电压相别为准,所加电流是以I1电流为准;判断第二元件所加电压是以实测表计电压端子电压相别为准,所加电流时以I3电流为准。以相同方法评断其他电能表错误接线下输出数据集,进而判断是哪种类型的接线故障。
通过上述实施例,对于电能表的规范安装接线提出了新的要求:
1、电能表的火线、零线应采用不同颜色的导线并对号入孔,不得对调。
2、电能表的零线要经电表接线孔穿越电表,不得在主线上单独引接一条零线进入电表。
3、导线穿过金属盘时,要用套护圈或塑料管,塑料表箱要用阻燃材料。
4、电能表间距不小于80mm,与屏边距离不小于40mm,电能表倾斜度(前后、左右)不得超过1°。
5、三相用户的三元件电表或三个单相电表中性点零线要在计量箱内引接,禁止从计量箱外接入,也不得与其他单相电能表零线共用。
6、三相用户电能表要有安装接线图,并严格按图施工,一律采用正相序接线,认真做好电表、电表箱的铅封、漆封工作,表尾接线完毕要及时封好接线盒盖,并尽量减少进出电能表导线的预留长度。
7、低压三相电能表的电压辅助线,要从电能表上侧可密封的地方压接,以免用户私自调整电压相序,造成计量差错。
8、在实施电能计量装置的规范安装和施工工艺的前提下,运行后进行六角图测试和相量分析,以确保检定电能表接线正确。
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 (7)
1.一种大数据、云环境下电能表错误接线的检测系统,其特征在于:所述检测系统包括:
设备层,其内至少设置有电能表检定装置、电能表检定流水线、终端或电能表检定设备,用于检测电能表的运行状态,以获取电能表参数数据或者性能指标数据的电能表数据信息,其中所述电能表数据信息至少包括电流、电压、功率、谐波或纹波和相序;
通信层,其内至少设置有GPRS模块、CDMA模块、光纤传输模块、RS485模块、RS232模块、红外通讯模块或载波通讯模块,用于传输所述设备层获取的电能表数据信息;
数据处理层,其内设置有云端服务器,所述云端服务器的主机硬件配置为Intel XeonE3-1220v53.0 GHz四核,内存为8GDDR4,硬盘为1*Intel企业级SSD,1*SATA 1T,网卡为2*千兆网口;工作机节点的硬件配置为CPU型号Intel Xeon E53.0GHZ,内存为160GB,硬盘容量为128TB;所述云端服务器内还设置有基于Hadoop体系架构的云大数据管理平台,其中所述云大数据管理平台设置有数据集成层、文件存储层、数据存储层、数据模型层、数据分析层和应用层;所述数据集成层的输出端与所述文件存储层的输入端连接,所述文件存储层的输出端与数据存储层的输入端连接,所述数据存储层的输出端与所述数据模型层的输入端连接,所述数据模型层的输出端与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应用层的输入端连接;
监测层,其内至少设置有主站、客户端或者计算机管理系统,用于对电能表错误接线数据进行远程、在线和实时监控,进而实现电能表状态的智能监控;其中:
所述设备层的输出端与所述通信层的输入端连接,所述通信层的输出端与所述数据处理层的输入端连接,所述数据处理层的输出端与所述监测层的输入端连接;
所述电能表为三相电能表;
所述电能表数据信息还至少包括故障接线数据类型、档案错误数据类型、过压检测数据类型、表计损坏运行数据或者无功补偿数据;
所述故障接线数据类型至少包括在以下任意一种情况下的电能表输出数据信息:CT二次短路、CT二次开路、正负极性反接、PT一、二次断相、电压错相、电流错相或表尾电流进出反接。
2.一种大数据、云环境下电能表错误接线的检测方法,其特征在于:应用权利要求1所述的一种大数据、云环境下电能表错误接线的检测系统,所述检测方法包括以下步骤:
(S1)通过设备层获取三相电能表输出的不同数据信息;
(S2)通过通信层传递获取的电能表数据信息;
(S3)在数据处理层,采用云计算方法对获取的电能表数据信息进行计算、分析或存储;其中所述云大数据管理平台中的数据存储层中存储有电能表正常接线状态下的各种参数标准数据库;云计算应用的数据算法模型至少包括聚类算法模型、蚁群算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型;
(S4)通过监测层,对处理的电能表数据信息进行分析,以远程监控电能表接线情况。
3.根据权利要求2所述的一种大数据、云环境下电能表错误接线的检测方法,其特征在于:采用云计算方法对获取的电能表数据信息进行计算、分析的步骤为:
(S31)构建标准数据库,即在电能表正常接线时,电能表输出的数据参数、性能指标、正常电压检测数据类型、表计正常运行数据或者无功补偿数据;
(S32)从所述聚类算法模型、蚁群算法模型、关联算法模型、决策树算法模型、BP神经网络算法模型、KNN算法模型、支持向量机算法模型、VSM法模型或k-近邻素算法模型中选择任意算法模型,构建出相应的数据算法模型;
(S33)将从设备层实时、在线采集到的电能表接线数据信息输入到所述步骤(S32)中构建出的数据算法模型,输出数据结果;
(S34)参照所述步骤(S31)中的标准数据库,对所述步骤(S33)中的数据结果进行分析。
4.根据权利要求3所述的一种大数据、云环境下电能表错误接线的检测方法,其特征在于:其中所述关联算法模型构建方法包括以下步骤:
假设待划分属性的电能表错误接线大数据集为d,假设将电能表错误接线数据类型的属性类别划分为集合C,其中C={c1,c2,...,cm},其中第i分类属性满足这样的条件:1≤i≤m,对于待分类的电能表错误接线数据类型集合d,其输出的最大类别为P(ci/d),则有:
其中C、D表示为随机变量,则电能表错误接线数据类型d的贝叶斯分类公式为:
5.根据权利要求3所述的一种大数据、云环境下电能表错误接线的检测方法,其特征在于:其中所述聚类算法模型为FCM聚类算法模型,所述FCM聚类算法模型用于将不同的电能表错误接线数据类型对象集合分类成多种不同的错误接线属性,在分类过程中,通过将不同类的电能表错误接线数据类型具有比较高的相似度或者具有较近的距离归为一类,所述FCM聚类算法模型的构建方法为:
(1)确定聚类个数,在不同的电能表错误接线数据类型中,抽取待分析的故障类型样本,对聚类中心、聚类模型进行数据初始化,以获取更高的数据训练精度,假设在电能表接线错误情况下输出的数据集定义为:X={x1,x2,x3,...,xn},模型设定将这些数据样本聚集成c个数据类别,U表示为构建模型的模糊矩阵,Uij表示第i个样本属于第j类的隶属度;
(2)更新隶属度矩阵,通过更新的隶属度衡量出聚类目标函数最小化的划分矩阵U和聚类中心V,应用数学表达式为:
在公式(3)中,n表示为电能表故障接线输出不同数据集需要的数量,m表示为加权指数,dik为欧式距离公式,表示为接线故障情况下电能表输出数据类型xk与聚类中心pi之间的距离,用公式表示为:
(dik)2=||xk-pi||2 (4)
uik为矩阵U中第k个数据样本对第i类的隶属程度;
其中聚类中心用公式表示为:
其中1≤i≤c;
(3)更新聚类中心矩阵,电能表输出数据类型中各个样本中心点来表示样本簇的中心点,故障类型不同,不同聚类信息样本数据的中心点也就不同,因此,每选择一种电能表输出数据类型,则更新样本数据中心点与这些故障接线聚类信息数据中心之间的距离,在多次计算情况下,可将每次计算出的最小数据组成矩阵D,则:
其中,x为求出的最小值的集合;
(4)反复计算目标函数,进行迭代计算,如果迭代计算的值小于最小误差,则按照隶属度矩阵对变电站样本点进行分类,如果没有小于最小误差值,则重新更新隶属度矩阵,进行步骤(2)的计算;
(5)然后输出分类结果。
6.根据权利要求3所述的一种大数据、云环境下电能表错误接线的检测方法,其特征在于:所述标准数据库中至少包括相电压和线电压的相量图、两相电流向量图、顺相序时的相位关系图、逆相序时/>的相位关系图、四线向量图、旋转120°的电压六角向量图、旋转240°的电压六角向量图、电能表不存在错误接线情况下电流、电压、功率、谐波或纹波和相序的标准数值。
7.根据权利要求5所述的一种大数据、云环境下电能表错误接线的检测方法,其特征在于:所述欧式距离公式包括以下情况:
(1)当dik=0时,将电能表输出数据类型与聚类中心数据类型视为完全相同;
(2)当0<dik≤1时,将电能表输出数据类型与聚类中心数据类型视为同类数据;
(3)当dik>1时,将电能表输出数据类型与聚类中心数据类型视为不同类数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416905.2A CN113687292B (zh) | 2020-05-18 | 2020-05-18 | 大数据、云环境下电能表错误接线的检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010416905.2A CN113687292B (zh) | 2020-05-18 | 2020-05-18 | 大数据、云环境下电能表错误接线的检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113687292A CN113687292A (zh) | 2021-11-23 |
CN113687292B true CN113687292B (zh) | 2024-02-02 |
Family
ID=78575320
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010416905.2A Active CN113687292B (zh) | 2020-05-18 | 2020-05-18 | 大数据、云环境下电能表错误接线的检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113687292B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115598566B (zh) * | 2022-12-13 | 2023-05-09 | 麦田能源有限公司 | 电表接线的检验方法和装置、处理器及电子设备 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014090018A1 (zh) * | 2012-12-12 | 2014-06-19 | 天津市电力公司 | 一种基于iec61850标准的智能配电终端 |
CN104991223A (zh) * | 2015-07-27 | 2015-10-21 | 国网重庆市电力公司电力科学研究院 | 电能表状态评估指标选取及量化方法 |
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN108445438A (zh) * | 2018-03-23 | 2018-08-24 | 国网河北省电力有限公司电力科学研究院 | 电能计量装置错误接线的检测方法和装置 |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
CN109782111A (zh) * | 2019-03-06 | 2019-05-21 | 国网湖北省电力有限公司黄石供电公司 | 一种三相三线制的电能计量系统错误接线分析方法 |
KR20190130297A (ko) * | 2018-05-14 | 2019-11-22 | (주)대신파워 | 실시간 관리가 가능한 와이 파이 전송 기능과 부정 사용 방지 기능을 갖는 스마트 전력량계 및 실시간 전력 관리 시스템 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160132913A1 (en) * | 2014-11-11 | 2016-05-12 | IGATE Global Solutions Ltd. | Multivariate Canonical Data Model for Tagging Customer Base of Energy Utility Enterprise |
-
2020
- 2020-05-18 CN CN202010416905.2A patent/CN113687292B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014090018A1 (zh) * | 2012-12-12 | 2014-06-19 | 天津市电力公司 | 一种基于iec61850标准的智能配电终端 |
CN104991223A (zh) * | 2015-07-27 | 2015-10-21 | 国网重庆市电力公司电力科学研究院 | 电能表状态评估指标选取及量化方法 |
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN108445438A (zh) * | 2018-03-23 | 2018-08-24 | 国网河北省电力有限公司电力科学研究院 | 电能计量装置错误接线的检测方法和装置 |
KR20190130297A (ko) * | 2018-05-14 | 2019-11-22 | (주)대신파워 | 실시간 관리가 가능한 와이 파이 전송 기능과 부정 사용 방지 기능을 갖는 스마트 전력량계 및 실시간 전력 관리 시스템 |
CN108734355A (zh) * | 2018-05-24 | 2018-11-02 | 国网福建省电力有限公司 | 一种应用于电能质量综合治理场景的短期电力负荷并行预测方法及系统 |
CN109782111A (zh) * | 2019-03-06 | 2019-05-21 | 国网湖北省电力有限公司黄石供电公司 | 一种三相三线制的电能计量系统错误接线分析方法 |
Non-Patent Citations (2)
Title |
---|
基于FCM聚类算法的电能表标准装置监测数据分析与研究;左黎斌 等;软件(第06期);全文 * |
基于大数据的三相电能表错接线识别软件的设计实现;张强;于宁;崔晖;邵丕彦;周圣杰;张栖国;;电测与仪表(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113687292A (zh) | 2021-11-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111505433B (zh) | 一种低压台区户变关系纠错及相位识别方法 | |
CN110095744A (zh) | 一种电子式互感器误差预测方法 | |
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
CN111625991A (zh) | 一种低压配电网拓扑校验方法 | |
CN108199891B (zh) | 一种基于人工神经网络多角度综合决策的cps网络攻击辨识方法 | |
CN112688431A (zh) | 一种基于大数据的配电网负荷过载可视化方法及系统 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型系统及方法 | |
CN113406438B (zh) | 一种适用于低压台区的故障智能诊断方法及其运维系统 | |
CN110609200A (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
Therrien et al. | Assessment of measurement-based phase identification methods | |
Chen et al. | Data-driven robust state estimation through off-line learning and on-line matching | |
Blakely et al. | Phase identification using co‐association matrix ensemble clustering | |
CN113033617A (zh) | 一种基于大数据台区线损数据深度挖掘分析方法 | |
CN109639736A (zh) | 一种基于optics的电力系统状态估计恶意攻击检测与定位方法 | |
CN113687292B (zh) | 大数据、云环境下电能表错误接线的检测系统及方法 | |
Zhang et al. | Fault location method based on SVM and similarity model matching | |
Hogan et al. | Towards effective clustering techniques for the analysis of electric power grids | |
CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
Asbery et al. | Electric transmission system fault identification using artificial neural networks | |
Medeiros et al. | Network oriented approaches using smart metering data for non-technical losses detection | |
Dong et al. | A deep learning-based approach for identifying bad data in power systems | |
CN111178617A (zh) | 基于感知决策引导的多传感器管理方法 |
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 |