CN113884975B - 一种基于改进动态线损估计的超差电表检测方法 - Google Patents
一种基于改进动态线损估计的超差电表检测方法 Download PDFInfo
- Publication number
- CN113884975B CN113884975B CN202111366146.4A CN202111366146A CN113884975B CN 113884975 B CN113884975 B CN 113884975B CN 202111366146 A CN202111366146 A CN 202111366146A CN 113884975 B CN113884975 B CN 113884975B
- Authority
- CN
- China
- Prior art keywords
- ammeter
- tolerance
- line loss
- error
- data
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000000034 method Methods 0.000 claims abstract description 40
- 230000035772 mutation Effects 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 23
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 238000012545 processing Methods 0.000 claims abstract description 4
- 230000005611 electricity Effects 0.000 claims description 33
- 238000003745 diagnosis Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 4
- 230000008030 elimination Effects 0.000 claims description 3
- 238000003379 elimination reaction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000012216 screening Methods 0.000 claims description 3
- 230000001932 seasonal effect Effects 0.000 claims description 3
- 230000007547 defect Effects 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 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
Abstract
本发明提出一种基于改进动态线损估计的超差电表检测方法,包括以下步骤:步骤S1:信息获取;步骤S2:数据处理:剔除无效数据后,根据日均用电量将电表分为大负载、一般负载以及轻空负载;步骤S3:台区突变超差电表检测:估计台区线损,根据线损电量估计值异常情况来判断该台区是否存在突变超差电表;步骤S4:固定损耗计算:利用最小二乘法计算固定损耗,在计算电表误差时剔除固定损耗以提高电表误差求解的准确性;步骤S5:电表误差估计及超差电表定位:采用迭代算法循环计算电表误差,逐步剔除正常电表以减小可疑电表数量,直至定位出突变超差和缓变超差电表。本发明是可针对低压用户实施的超差电表检测方法,能实现对智能电能表误差的监测。
Description
技术领域
本发明涉及电能计量技术领域,尤其是一种基于改进动态线损估计的超差电表检测方法。
背景技术
智能电能表是智能电网的重要组成部分,具有运行数量大、分布区域广、工作环境恶劣的特点,在贸易结算与管理、用电信息采集、智能用电等方面发挥着重要作用,且它是与用户侧直接关联的终端设备,其计量准确性将直接影响到用户与供电公司的利益,所以对智能电能表的误差检定变得尤为重要。目前,国网公司对智能电能表误差的检定,主要是以运行抽检的形式,以一定的周期对在运智能电能表进行误差检定,但其检修周期长,且维修期间用户不能用电,如此对正常的生产生活造成较大的影响,且该方式需要安排大量人力,物力,财力,因此经济性也很差。针对运行抽检,不能及时发现超差表计、经济性差、可靠性差的缺点,现在,国网公司提出了智能电能表误差在线检测的构想,已有许多相关领域的专家学者对此作出了一些研究。
发明内容
本发明提出一种基于改进动态线损估计的超差电表检测方法,是可针对低压用户实施的超差电表检测方法,通过智能电能表采集回来的终端数据,基于递推最小二乘法和线性回归算法计算智能电能表的误差,实现对智能电能表误差的监测。
本发明采用以下技术方案。
一种基于改进动态线损估计的超差电表检测方法,包括以下步骤:
步骤S1:信息获取:获取台区类别、用户编号、电表编号、采集日期、综合倍率、电表日电量计量值数据;
步骤S2:数据处理:剔除数据缺失、重复或异常的无效数据后,根据日均用电量将电表分为大负载、一般负载以及轻空负载;
步骤S3:台区突变超差电表检测:利用改进的动态线损估计算法估计台区线损,根据线损电量估计值异常情况来判断该台区是否存在突变超差电表;
步骤S4:固定损耗计算:利用最小二乘法计算固定损耗,在计算电表误差时剔除固定损耗以提高电表误差求解的准确性;
步骤S5:电表误差估计及超差电表定位:采用迭代算法循环计算电表误差,逐步剔除正常电表以减小可疑电表数量,直至定位出突变超差和缓变超差电表。
所述步骤S2包括以下步骤;
步骤S21:数据剔除:剔除数据样本中日电量为0的样本以及日电量异常样本;
步骤S22:数据标记,通过计算部分电表日电量均值将电表分成大负载、一般负载和轻负载;
分类为大负载的电表,其日平均用电量大于30度,数据标记为1;
分类为轻负载的电表,其日平均用电量小于1度,数据标记为3;
分类为一般负载的电表,其日平均用电量介于大负载电表和轻负载电表之间,数据标记为2。
所述步骤S3包括以下步骤:
步骤S31:导入台区电表正常状态时期的历史电量数据和线损预测窗口期的电量数据;
步骤S32:按当地实际四季气候将上述数据划分为春、夏、秋和冬四个部分;
步骤S33:依次以正常状态时期下各季节每天线损率为基准进行线损电量估计,并选取最优估计结果下的线损率为该季节的线损率的基准值;
步骤S34:使用季节线损率基准值计算待预测窗口下对应季节内每天的线损电量Wloss,并与统计线损W′loss()进行比较,当差值较大,即可判断当天台区是否存在突变超差电表。判定规则为:
|Wloss-W′loss|>P 公式一;
所述统计线损为台区总表与各个分电表电量和的差值;当连续M天检测结果超出阈值,则认定台区存在突变超差电表;M的取值越大,检测正确率越高;P为异常阈值。
所述步骤S34中,M的取值范围为5~30。
异常阈值P的选取方法为
定义ΔW为真实线损与预测线损的差值电量,其为均值为0、随机波动的数值;根据公式一,在忽略固定损耗的情况下,统计线损与预测线损Wloss的关系为:
W′loss-Wloss=ΔW+Werror 公式二;
式中,Werror为超差电表引起的总误差电量;
从公式二可知,当知道待测时间窗口内的波动范围时,异常阈值即可取为:
max{|ΔWmax|,|ΔWmin|} 公式三;
设台区正常时可近似认为统计线损即为真实线损,则以台区正常运行情况下的历史数据为参照,以公式三获取正常情况下的取值范围来作为异常阈值,当连续M天检测数据都满足公式一,则可判定台区存在异常电表。
以统计线损作为真实线损数据后,通过步骤S4进行固定损耗求解,其具体步骤如下:
步骤S41:采集待测台区正常阶段的运行数据;在未明确台区是否存在超差电表的情况下,将台区电表投入使用前的近期若干年的电量数据认定为正常数据;
步骤S42:筛选出线损率相近的数据;
步骤S43:设置窗口大小L,利用最小二乘法对筛选出的数据依次进行曲线拟合,选取拟合效果好的加权平均值作为固定损耗值。
具体的曲线拟合公式如下:
W′loss=Wg+βWz 公式四。
当检测出台区存在突变电表或连续N天未检测出台区存在突变电表时,通过步骤S5进行台区电表误差估计及超差电表定位;步骤S5的具体步骤如下:
步骤S51:迭代估计电表误差,剔除判定为正常电表的电量数据,缩小可疑电表范围。具体为每次循环时,从总电量中扣除这些被标记为轻负载电表的用电量、固定损耗电量、线损电量估计值Wloss以及判定为正常电表的电量数据,形成新的总电量向量W′z和分表电量矩阵W如下:
其中,W′Zn为第n天扣除上述各值后的总电量,m为电表数量,Wnm是第m台电表第n天电量,εi为第i个待测电表的近似误差;
采用递推最小二乘法计算公式五,并逐步将计算结果为正常电表的电量数据剔除,直至最终判定结果皆为超差电表时迭代结束;
步骤S52、计算可疑电表相关性系数。当台区电表i超差时,台区误差电量近似值等于:
其中,Wi为电表i的计量值;
公式六中,台区总误差电量等于超差电表误差电量和,两者之间存在线性相关;
可疑电表与总误差电量的相关性系数为:
式中,为可疑超差电表i的日均误差电量,ri为其与总误差电量的相关性系数;
步骤S53:超差电表定位,具体为:
突变超差电表诊断:设定数据窗口为M天,当检测出台区存在突变超差电表时,以日均误差电量为对象,采用聚类算法将可疑电表分为两类。当相关性系数大于0.4表明二者之间存在相关性,基于此,在日均误差电量大的类别中,将相关性系数大于0.4的可疑电表认定为超差电表;
缓变超差电表诊断:每个月一次,设定数据窗口为1年,重新执行步骤S41-S42,将日均误差电量大于阈值Z均认定为超差电表;
Z值的取值范围为[0.3-1.5]。
与现有技术相比,本发明有以下有益效果:
采用改进动态线损估计算估计线损电量。与传统的固定线损率的方法相比,实现了实时、动态的线损估计,大大降低了线损电量估计的误差值,使得电表误差估计结果更加精确。此外,与动态线损估计算法相比,它具备较强的自适应性,可以跟随台区用电量随着季节的变化规律,弥补了动态线损估计算法仅能估计用电规律不变得商业、工业台区,大大提高了算法得适用范围,实现全类型台区线损预测。
采用迭代算法进行超差电表定位。传统的电表误差估计算法存在误检率高、误差率小的电表难以检测等诸多限制。本算法以超差电量的大小为判定标准,能够更加精确的查找出超差电表,大大降低误检率,从而维护计量公正、公平。此外,本算法能够实现突变超差电表的检测,弥补了传统方法无法识别突变超差电表的缺陷。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是本发明的流程示意图;
附图2是本发明步骤S3的流程示意图;
附图3是本发明步骤S4的流程示意图;
附图4是台区电表的分类结果示意图;
附图5是实施例中,不同负载电表的三种不同情形的超差的示意图。
具体实施方式
如图所示,一种基于改进动态线损估计的超差电表检测方法,包括以下步骤:
步骤S1:信息获取:获取台区类别、用户编号、电表编号、采集日期、综合倍率、电表日电量计量值数据;
步骤S2:数据处理:剔除数据缺失、重复或异常的无效数据后,根据日均用电量将电表分为大负载、一般负载以及轻空负载;
步骤S3:台区突变超差电表检测:利用改进的动态线损估计算法估计台区线损,根据线损电量估计值异常情况来判断该台区是否存在突变超差电表;
步骤S4:固定损耗计算:利用最小二乘法计算固定损耗,在计算电表误差时剔除固定损耗以提高电表误差求解的准确性;
步骤S5:电表误差估计及超差电表定位:采用迭代算法循环计算电表误差,逐步剔除正常电表以减小可疑电表数量,直至定位出突变超差和缓变超差电表。
所述步骤S2包括以下步骤;
步骤S21:数据剔除:剔除数据样本中日电量为0的样本以及日电量异常样本;
步骤S22:数据标记,通过计算部分电表日电量均值将电表分成大负载、一般负载和轻负载;
分类为大负载的电表,其日平均用电量大于30度,数据标记为1;
分类为轻负载的电表,其日平均用电量小于1度,数据标记为3;
分类为一般负载的电表,其日平均用电量介于大负载电表和轻负载电表之间,数据标记为2。
所述步骤S3包括以下步骤:
步骤S31:导入台区电表正常状态时期的历史电量数据和线损预测窗口期的电量数据;
步骤S32:按当地实际四季气候将上述数据划分为春、夏、秋和冬四个部分;
步骤S33:依次以正常状态时期下各季节每天线损率为基准进行线损电量估计,并选取最优估计结果下的线损率为该季节的线损率的基准值;
步骤S34:使用季节线损率基准值计算待预测窗口下对应季节内每天的线损电量Wloss,并与统计线损W′loss()进行比较,当差值较大,即可判断当天台区是否存在突变超差电表。判定规则为:
|Wloss-W′loss|>P 公式一;
所述统计线损为台区总表与各个分电表电量和的差值;当连续M天检测结果超出阈值,则认定台区存在突变超差电表;M的取值越大,检测正确率越高;P为异常阈值。
所述步骤S34中,M的取值范围为5~30。
异常阈值P的选取方法为
定义ΔW为真实线损与预测线损的差值电量,其为均值为0、随机波动的数值;根据公式一,在忽略固定损耗的情况下,统计线损与预测线损Wloss的关系为:W′loss-Wloss=ΔW+Werror 公式二;
式中,Werror为超差电表引起的总误差电量;
从公式二可知,当知道待测时间窗口内的波动范围时,异常阈值即可取为:
max{|ΔWmax|,|ΔWmin|} 公式三;
设台区正常时可近似认为统计线损即为真实线损,则以台区正常运行情况下的历史数据为参照,以公式三获取正常情况下的取值范围来作为异常阈值,当连续M天检测数据都满足公式一,则可判定台区存在异常电表。
以统计线损作为真实线损数据后,通过步骤S4进行固定损耗求解,其具体步骤如下:
步骤S41:采集待测台区正常阶段的运行数据;在未明确台区是否存在超差电表的情况下,将台区电表投入使用前的近期若干年的电量数据认定为正常数据;
步骤S42:筛选出线损率相近的数据;
步骤S43:设置窗口大小L,利用最小二乘法对筛选出的数据依次进行曲线拟合,选取拟合效果好的加权平均值作为固定损耗值。
具体的曲线拟合公式如下:
W′loss=Wg+βWz 公式四。
当检测出台区存在突变电表或连续Ⅳ天未检测出台区存在突变电表时,通过步骤S5进行台区电表误差估计及超差电表定位;步骤S5的具体步骤如下:
步骤S51:迭代估计电表误差,剔除判定为正常电表的电量数据,缩小可疑电表范围。具体为每次循环时,从总电量中扣除这些被标记为轻负载电表的用电量、固定损耗电量、线损电量估计值Wloss以及判定为正常电表的电量数据,形成新的总电量向量W′z和分表电量矩阵W如下:
其中,W′Zn为第n天扣除上述各值后的总电量,m为电表数量,Wnm是第m台电表第n天电量,εi为第i个待测电表的近似误差;
采用递推最小二乘法计算公式五,并逐步将计算结果为正常电表的电量数据剔除,直至最终判定结果皆为超差电表时迭代结束;
步骤S52、计算可疑电表相关性系数。当台区电表i超差时,台区误差电量近似值等于:
其中,Wi为电表i的计量值;
公式六中,台区总误差电量等于超差电表误差电量和,两者之间存在线性相关;
可疑电表与总误差电量的相关性系数为:
式中,为可疑超差电表i的日均误差电量,ri为其与总误差电量的相关性系数;
步骤S53:超差电表定位,具体为:
突变超差电表诊断:设定数据窗口为M天,当检测出台区存在突变超差电表时,以日均误差电量为对象,采用聚类算法将可疑电表分为两类。当相关性系数大于0.4表明二者之间存在相关性,基于此,在日均误差电量大的类别中,将相关性系数大于0.4的可疑电表认定为超差电表;
缓变超差电表诊断:每个月一次,设定数据窗口为1年,重新执行步骤S41-S42,将日均误差电量大于阈值Z均认定为超差电表;
Z值的取值范围为[0.3-1.5]。
实施例:
在本实施例中,用1个居民配电台区来验证所提方法的估计效果。台区有88台分电表,均为无超差表的正常台区。
图4展示了台区各电表负载情况的分类结果。按照法规规定,电表正常运行时允许的误差范围为±2%,超出范围即被认定为超差表。不同负载类型的电表对误差估计结果存在影响,为方便讨论,将负载与超差类型相结合,电表可分为以下类型:A-大负载缓变超差表(因器件老化而超差,误差率较小,且一段时间内误差较为平稳);B-大负载突变超差表(因故障或窃电等导致异常超差,误差率较大,且具有突发性);C-一般负载缓变超差表;D-一般负载突变超差表。通过人为调整某些电表误差率使之超差进行算法验证。为方便分析,定义相对误差率=误差×100%。
由图4可知,台区一的2号和3号电表分别为大负载和一般负载电表,将它们设置为缓变超差电表,即在计算周期内2号电表的误差在6%附近波动,3号电表的误差在-10%附近波动。数据窗口选取为一年。分别模拟了2号电表单独超差、3号电表单独超差以及两台电表同时超差的情况,最终判定结果如下表所示。
类型 | 电表编号 | 估计值 | 实际值 |
A | 2 | 6.37% | 6.01% |
C | 3 | -8.35% | -9.98% |
AC | 2/3 | 6.69%/-11.96% | 6.01%/-9.98% |
如图5所示,为了验证算法对突变超差电表的识别能力,对不同负载电表设计了三种不同情形的超差:2号表当月第9天发生突变超差;3号表当月第1天发生突变超差;2号表为缓变超差,3号表当月第9天发生突变超差。
图5显示当月30天内的台区线损预测结果。对于第一种情形(如图5(a)所示),从第11天起,台区的统计线损突然上升,与预测值偏差超过阈值,表明有突变超差电表出现;对于第二种情形(如图5(b)所示),在整个检测期间,预测值与均存在较大差异,说明台区存在突变超差电表;对于第三种情形(如图5(c)所示),一开始,由于台区存在缓变电表,所以预测值和存在一定的偏差,从第9天开始,偏差进一步增大并超过阈值,表明此时台区出现突变超差电表。值得说明的是,在台区存在缓变超差表时,预测值尽管和存在差异,但这个差异容易受到负荷因素的影响,难以获得一个固定的判断阈值,所以这个环节不进行缓变超差的判断。图5(a)统计线损的突变(第12、19天),是由于台区用电量调整引起的,而预测值一般也会做出相似的变化,在无超差电表的情况下,二者的偏差变化量不会超过阈值。
检测出台区存在突变超差电表后,接着进行电表误差估计以及超差电表定位。下表中分别记录了图5所述三种情形下突变超差电表的估计误差率与实际误差率,其中表中最后一行分别估计了2块电表的误差情况。对于不同负载类型、不同突变方向的超差电表,所提方法均可以准确检测出来。
突变电表 | 缓变电表 | 估计误差率 | 实际误差率 |
2号 | - | 17.82% | 20% |
3号 | - | -33.21% | -45% |
3号 | 2号 | 45.19%/-8.79% | 60%/-3% |
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于改进动态线损估计的超差电表检测方法,其特征在于:包括以下步骤:
步骤S1:信息获取:获取台区类别、用户编号、电表编号、采集日期、综合倍率、电表日电量计量值数据;
步骤S2:数据处理:剔除数据缺失、重复或异常的无效数据后,根据日均用电量将电表分为大负载、一般负载以及轻空负载;
步骤S3:台区突变超差电表检测:利用改进的动态线损估计算法估计台区线损,根据线损电量估计值异常情况来判断该台区是否存在突变超差电表;
步骤S4:固定损耗计算:利用最小二乘法计算固定损耗,在计算电表误差时剔除固定损耗以提高电表误差求解的准确性;
步骤S5:电表误差估计及超差电表定位:采用迭代算法循环计算电表误差,逐步剔除正常电表以减小可疑电表数量,直至定位出突变超差和缓变超差电表;所述步骤S3包括以下步骤:
步骤S31:导入台区电表正常状态时期的历史电量数据和线损预测窗口期的电量数据;
步骤S32:按当地实际四季气候将上述数据划分为春、夏、秋和冬四个部分;
步骤S33:依次以正常状态时期下各季节每天线损率为基准进行线损电量估计,并选取最优估计结果下的线损率为该季节的线损率的基准值;
步骤S34:使用季节线损率基准值计算待预测窗口下对应季节内每天的线损电量Wloss,并与统计线损W′loss()进行比较,当差值较大,即可判断当天台区是否存在突变超差电表;判定规则为:
|Wloss-W′loss|>P 公式一;
所述统计线损为台区总表与各个分电表电量和的差值;当连续M天检测结果超出阈值,则认定台区存在突变超差电表;M的取值越大,检测正确率越高;
P为异常阈值。
2.根据权利要求1所述的一种基于改进动态线损估计的超差电表检测方法,其特征在于:所述步骤S2包括以下步骤;
步骤S21:数据剔除:剔除数据样本中日电量为0的样本以及日电量异常样本;
步骤S22:数据标记,通过计算部分电表日电量均值将电表分成大负载、一般负载和轻负载;
分类为大负载的电表,其日平均用电量大于30度,数据标记为1;
分类为轻负载的电表,其日平均用电量小于1度,数据标记为3;
分类为一般负载的电表,其日平均用电量介于大负载电表和轻负载电表之间,数据标记为2。
3.根据权利要求1所述的一种基于改进动态线损估计的超差电表检测方法,其特征在于:所述步骤S34中,M的取值范围为5~30。
4.根据权利要求1所述的一种基于改进动态线损估计的超差电表检测方法,其特征在于:异常阈值P的选取方法为定义ΔW为真实线损与预测线损的差值电量,其为均值为0、随机波动的数值;根据公式一,在忽略固定损耗的情况下,统计线损与预测线损Wloss的关系为:
W′loss-Wloss=ΔW+Werror 公式二;
式中,Werror为超差电表引起的总误差电量;
从公式二可知,当知道待测时间窗口内的波动范围时,异常阈值即可取为:
max{|ΔWmax|,|ΔWmin|} 公式三;
设台区正常时可近似认为统计线损即为真实线损,则以台区正常运行情况下的历史数据为参照,以公式三获取正常情况下的取值范围来作为异常阈值,当连续M天检测数据都满足公式一,则可判定台区存在异常电表。
5.根据权利要求4所述的一种基于改进动态线损估计的超差电表检测方法,其特征在于:以统计线损作为真实线损数据后,通过步骤S4进行固定损耗求解,其具体步骤如下:
步骤S41:采集待测台区正常阶段的运行数据;在未明确台区是否存在超差电表的情况下,将台区电表投入使用前的近期若干年的电量数据认定为正常数据;
步骤S42:筛选出线损率相近的数据;
步骤S43:设置窗口大小L,利用最小二乘法对筛选出的数据依次进行曲线拟合,选取拟合效果好的加权平均值作为固定损耗值;
具体的曲线拟合公式如下:
W′loss=Wg+βWz 公式四。
6.根据权利要求4所述的一种基于改进动态线损估计的超差电表检测方法,其特征在于:当检测出台区存在突变电表或连续N天未检测出台区存在突变电表时,通过步骤S5进行台区电表误差估计及超差电表定位;步骤S5的具体步骤如下:
步骤S51:迭代估计电表误差,剔除判定为正常电表的电量数据,缩小可疑电表范围;具体为每次循环时,从总电量中扣除这些被标记为轻负载电表的用电量、固定损耗电量、线损电量估计值Wloss以及判定为正常电表的电量数据,形成新的总电量向量W′Z和分表电量矩阵W如下:
其中,W′Zn为第n天扣除上述各值后的总电量,m为电表数量,Wnm是第m台电表第n天电量,εi为第i个待测电表的近似误差;
采用递推最小二乘法计算公式五,并逐步将计算结果为正常电表的电量数据剔除,直至最终判定结果皆为超差电表时迭代结束;
步骤S52、计算可疑电表相关性系数;当台区电表i超差时,台区误差电量近似值等于:
其中,Wi为电表i的计量值;
公式六中,台区总误差电量等于超差电表误差电量和,两者之间存在线性相关;可疑电表与总误差电量的相关性系数为:
式中,为可疑超差电表i的日均误差电量,ri为其与总误差电量的相关性系数;
步骤S53:超差电表定位,具体为:
突变超差电表诊断:设定数据窗口为M天,当检测出台区存在突变超差电表时,以日均误差电量为对象,采用聚类算法将可疑电表分为两类;当相关性系数大于0.4表明二者之间存在相关性,基于此,在日均误差电量大的类别中,将相关性系数大于0.4的可疑电表认定为超差电表;
缓变超差电表诊断:每个月一次,设定数据窗口为1年,重新执行步骤S41-S42,将日均误差电量大于阈值Z均认定为超差电表;
Z值的取值范围为[0.3-1.5]。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366146.4A CN113884975B (zh) | 2021-11-18 | 2021-11-18 | 一种基于改进动态线损估计的超差电表检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111366146.4A CN113884975B (zh) | 2021-11-18 | 2021-11-18 | 一种基于改进动态线损估计的超差电表检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113884975A CN113884975A (zh) | 2022-01-04 |
CN113884975B true CN113884975B (zh) | 2024-04-30 |
Family
ID=79018268
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111366146.4A Active CN113884975B (zh) | 2021-11-18 | 2021-11-18 | 一种基于改进动态线损估计的超差电表检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884975B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115542236B (zh) * | 2022-11-24 | 2023-06-06 | 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 |
CN115542238B (zh) * | 2022-11-30 | 2023-07-21 | 北京志翔科技股份有限公司 | 超差表检测方法及装置 |
CN115639517B (zh) * | 2022-12-12 | 2023-04-07 | 北京志翔科技股份有限公司 | 基于用电量调整幅度的超差电能表识别方法、装置和设备 |
CN117851908A (zh) * | 2024-01-23 | 2024-04-09 | 广州伟宏智能科技有限公司 | 一种改进的在线低压台区电能表失准监测方法及装置 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化系统线损异常检测方法 |
CN110082699A (zh) * | 2019-05-10 | 2019-08-02 | 国网天津市电力公司电力科学研究院 | 一种低压台区智能电能表运行误差计算方法及其系统 |
CN111123039A (zh) * | 2019-12-31 | 2020-05-08 | 国网北京市电力公司 | 基于同期特征与改进K-means聚类的配电网异常线损诊断方法 |
CN111398885A (zh) * | 2020-03-27 | 2020-07-10 | 天津大学 | 一种结合线损分析的智能电表运行误差监控方法 |
CN112698261A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN113010998A (zh) * | 2021-02-08 | 2021-06-22 | 武汉数澎科技有限公司 | 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 |
CN113050018A (zh) * | 2021-03-04 | 2021-06-29 | 国网湖南省电力有限公司 | 基于数据驱动评估结果变化趋势的电压互感器状态评估方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102967842B (zh) * | 2012-10-24 | 2014-11-05 | 重庆大学 | 一种电子式电流互感器的渐变性故障在线诊断方法 |
-
2021
- 2021-11-18 CN CN202111366146.4A patent/CN113884975B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105588995A (zh) * | 2015-12-11 | 2016-05-18 | 深圳供电局有限公司 | 一种电力计量自动化系统线损异常检测方法 |
CN110082699A (zh) * | 2019-05-10 | 2019-08-02 | 国网天津市电力公司电力科学研究院 | 一种低压台区智能电能表运行误差计算方法及其系统 |
CN111123039A (zh) * | 2019-12-31 | 2020-05-08 | 国网北京市电力公司 | 基于同期特征与改进K-means聚类的配电网异常线损诊断方法 |
CN111398885A (zh) * | 2020-03-27 | 2020-07-10 | 天津大学 | 一种结合线损分析的智能电表运行误差监控方法 |
CN112698261A (zh) * | 2020-11-25 | 2021-04-23 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN113010998A (zh) * | 2021-02-08 | 2021-06-22 | 武汉数澎科技有限公司 | 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 |
CN113050018A (zh) * | 2021-03-04 | 2021-06-29 | 国网湖南省电力有限公司 | 基于数据驱动评估结果变化趋势的电压互感器状态评估方法及系统 |
Non-Patent Citations (1)
Title |
---|
基于限定记忆递推最小二乘算法的智能电表运行误差远程估计;孔祥玉;中国电机工程学报;第2143-2151页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113884975A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113884975B (zh) | 一种基于改进动态线损估计的超差电表检测方法 | |
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
US7920997B2 (en) | Electric power distribution interruption risk assessment calculator | |
CN103678766B (zh) | 一种基于pso算法的异常用电客户检测方法 | |
CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
CN112381476B (zh) | 用于确定状态异常的电能表的方法及装置 | |
CN110634080A (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN110222991B (zh) | 基于rf-gbdt的计量装置故障诊断方法 | |
CN113592134B (zh) | 一种基于能源数据的电力碳排放评估系统及方法 | |
CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
CN108649892B (zh) | 光伏电站的缺陷诊断方法及装置 | |
CN112418687B (zh) | 基于用电特征的用户用电异常识别方法、装置和存储介质 | |
CN113887972A (zh) | 一种基于水文过程的综合旱情监测与评估方法 | |
CN116502160A (zh) | 一种电量数据自动采集系统 | |
CN113556629A (zh) | 一种智能电表误差远程估计方法及装置 | |
CN114280527A (zh) | 一种基于低压物联感知终端的电能表失准分析方法 | |
CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
Chicco et al. | A review of concepts and techniques for emergent customer categorisation | |
CN117094516B (zh) | 一种基于固定效应模型的城市群月生活需水量预测方法 | |
CN112016260B (zh) | 基于光伏组件i-v曲线的热斑电池片温度估算方法、装置及存储介质 | |
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 | |
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 | |
Guwaeder et al. | Statistical analysis of PV insolation data | |
CN115905319B (zh) | 一种海量用户电费异常的自动识别方法及系统 | |
CN113468811B (zh) | 含新能源机组的电网备用容量概率化动态评估方法及系统 |
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 |