CN114065605A - 一种智能电能表运行状态检测评估系统和方法 - Google Patents
一种智能电能表运行状态检测评估系统和方法 Download PDFInfo
- Publication number
- CN114065605A CN114065605A CN202111160568.6A CN202111160568A CN114065605A CN 114065605 A CN114065605 A CN 114065605A CN 202111160568 A CN202111160568 A CN 202111160568A CN 114065605 A CN114065605 A CN 114065605A
- Authority
- CN
- China
- Prior art keywords
- data
- electric energy
- energy meter
- state
- intelligent electric
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Biophysics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Probability & Statistics with Applications (AREA)
- Educational Administration (AREA)
- Software Systems (AREA)
- Quality & Reliability (AREA)
- Mathematical Physics (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Genetics & Genomics (AREA)
- Physiology (AREA)
- Computational Linguistics (AREA)
- Water Supply & Treatment (AREA)
Abstract
本发明提供了一种智能电能表运行状态检测评估系统和方法,包括:S1:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;S2:分别对多个误差状态数据先后进行量化处理和归一化处理;S3:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;S4:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;S5:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;S6:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表运行状态检测评估结果。本发明可以对智能电能表运行状态及性能退化失效预计的科学评价。
Description
【技术领域】
本发明涉及智能电能表检测及评估技术领域,尤其涉及一种智能电能表运行状态检测评估系统和方法。
【背景技术】
随着电力市场化进程的不断推进,电能计量装置已成为电力市场技术支持系统中不可缺少的基础设备,尤其在电力市场商务过程中,受到各市场主体的普遍关注,对电能计量装置的准确性和可靠性提出了越来越高的要求。电能计量装置状态在线监测系统有力的保证了发电、供电、用电单位之间电量交易的准确性和可靠性。尤其是随着电力企业体制改革的逐步完善,对经济效益的考核日趋重要,为了保障关口/大用户电能计量的精确性和公正性,其中重要的一环就是要加强对关口/大用户电能计量装置的监督管理工作。我国目前执行的大多是定期维修制,一般都要求“到期必修”,没有充分考虑设备实际状态如何,以致超量维修,造成了人力及物力的大量浪费。为解决此问题,提出了从“定期校验”到“状态校验检修”的模式转变。状态校验检修的基础就是在线监测和故障诊断技术,既要通过各种监测手段来正确诊断被试设备的目前状况,又要根据其本身特点及变化趋势来确定能否继续运行或停电校验与检修。
针对电能计量装置管理由于受到经济条件、设备、技术的约束存在的问题:
1)周期检验效果不理想,不能及时发现检验时间之外的电能计量问题;
2)故障处理周期长;
3)对于电气设备检修策略主要采用以时间为标准的定期维修,存在“维修过剩”和“维修不足”的费用和导致装置的可靠性下降;
4)电能表周期检定中危险因素多,危险性大;
5)运行档案管理效率低下,用纸质文档或文本文件记录、整理工作量大;共享性差;查阅不方便。
国内外近年来开展了基于信息与网络技术的电能计量装置故障诊断与分析的在线状态监测技术研究,其基本思路是根据电能计量装置的工作特性和结构特点,利用在线监测技术中的相关理论和方法,通过借鉴创新的手段有针对性地对电能计量装置的运行特性进行分析判断,从而实现对电能计量装置的状态监测。
电能计量装置状态监测系统是由数据采集与处理、数据库管理、状态监测与报警、通讯、数据分析系统等部分构成的一体化远程监测系统,它的监测范围包括电能表、电流互感器、电压互感器及其整个二次回路,以及影响电能计量准确性的一切可能因素。
目前,电能计量装置自身技术的进步提升很快,一些设备已经实现智能化,但由于一些主客观的技术与管理原因,现场电能计量装置的运行状态评估几乎处于原始与空白。国外对电能计量的研究主要在计量数据处理分析和智能电网建设中,没有一套成熟的计量装置评估方法。国内的电能计量研究主要集中在计量数据的通信传输和处理,对计量装置的运行状态关注较少,计量装置的状态检验主要由人工现场周期性检验实现,没有针对电能计量装置运行状况的评估方法与系统。由于电能计量装置运行的正常与否直接影响着用户电量结算的准确性,对电能计量装置运行状态的评估显得及其重要。
状态评估以影响计量装置老化因素为核心,通过搭建相应的状态评价指标,对计量装置的健康状态、运行可靠性及其计量精度进行评估,实现电能计量装置状态参数的量化,为优化电能校验周期提供科学的依据,进而缓解电能计量装置校验及检测人员的压力,更加合理的分配检人力、物力资源。
因此,有必要研究一种智能电能表运行状态检测评估系统和方法来应对现有技术的不足,以解决或减轻上述一个或多个问题。
【发明内容】
有鉴于此,本发明提供了一种智能电能表运行状态检测评估系统和方法,以智能电能表方法、性能退化方法和运行状态评价方法为主要技术手段实现对智能电能表运行状态及性能退化失效预计的科学评价,并依据评价结果制定出智能电能表运行状态评价和检验策略,以智能表运行状态评价系统的评价结果为基础,综合考虑检验所需设备购置费、设备检验带来的经济效益等经济因素,检验的人员配置、检验效率等管理因素,和制定出的运行状态评价和检验的结果对系统稳定性的破坏等影响因素,确保所设计智能电能表运行状态评价和检验策略的科学性、实用性和可靠性。
一方面,本发明提供一种智能电能表运行状态检测评估方法,所述检测评估方法包括以下步骤:
S1:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;
S2:分别对多个误差状态数据先后进行量化处理和归一化处理;
S3:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;
S4:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;
S5:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;
S6:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表的运行状态检测评估结果。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S4中数据预处理过程包括对性能退化数据和智能电能表进行数据离散化处理和遗传特征选择,获得离散化数据和遗传特征。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S5具体包括:
通过贝叶斯网层和K-means选择集成层对离散化数据和遗传特征进行模型训练;
通过凸函数证据理论层对模型训练结果进行预测结果融合,获取最优检测评估模型。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述通过贝叶斯网层和K-means选择集成层对离散化数据和遗传特征进行模型训练具体包括:
使用机器学习方法训练多个智能电能表历史数据中的表示指标属性和性能退化数据中的电能表状态间关系的贝叶斯网集合;
基于聚类算法从贝叶斯网集合中选取若干最优贝叶斯网。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S6具体包括以下步骤:
S61:设计评分函数衡量贝叶斯网与待检测智能电能表的误差状态数据的拟合程度;
S62:基于启发式搜索算法搜索分值最高的贝叶斯网结构,同时基于极大似然法学习贝叶斯网参数;
S63:设计相似度函数估算任意两个贝叶斯网在状态评价上的相似度,基于聚类算法对生成的T个贝叶斯网进行聚类,将其划分为K个簇,其中K<T,使得同一簇中的贝叶斯网相似度高,不同簇中的贝叶斯网相异性高;
S64:从每个簇中选择精度最高的贝叶斯网,进而得到K个精度高、多样性强的贝叶斯网;
S65:使用上步选出的K个贝叶斯网作为融合模型,分别推理计算出电能表各状态的概率值,基于凸函数证据理论对各贝叶斯网的决策结果进行进一步融合,得到最终的状态评价结果。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述S1中归一化处理方法具体为:将误差状态数据的量化数值根据其取值范围按归一化公式转化为0~100之间的数值。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,通过凸函数证据理论层对模型训练结果进行预测结果融合具体为:采用凸函数证据理论方法,对若干最优贝叶斯网中的贝叶斯网进行集成,进而得到状态评价结果。
如上所述的方面和任一可能的实现方式,进一步提供一种实现方式,所述误差状态数据包括表型选择误差、基本误差、运行误差、运行时间误差、运行故障率误差、运行监测事件误差、运行监测异常误差、误差分散性误差、全检退货率误差、运行质量抽检误差、铅封状态误差、安装环境误差和用户信誉误差。
如上所述的方面和任一可能的实现方式,进一步提供一种智能电能表运行状态检测评估系统,通过所述的检测评估方法对智能电能表进行运行状态检测评估,所述检测评估系统包括:
数据获取单元:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;
第一数据处理单元:分别对多个误差状态数据先后进行量化处理和归一化处理;
第一检测评估单元:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;
第二数据处理单元:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;
模型训练单元:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;
第二检测评估单元:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表的运行状态检测评估结果。
如上所述的方面和任一可能的实现方式,进一步提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如所述的检测评估方法。
与现有技术相比,本发明可以获得包括以下技术效果:
1)可以对电能表的运行质量水平进行准确合理的评价,在计量检定规程要求的电能表周期检定方法之外,提供另外一种科学有效的检验策略;通过区别对待不同运行质量的表计,让有质量隐患的提前检验,让运行状况良好的推迟检验,为差异化检验策略提供技术依据,延长运行寿命,减少电能表检验上的投入。
2)推动智能表质量数据的高效利用
通过建立智能电能表的质量验收、检定数据库、运行故障数据库和退出运行失效数据库,优化相关数据的管理方式和存储结构,提高数据处理能力和效率,研究基于检定数据、运行故障数据和退出运行表计失效数据的融合分析方法,可挖掘电能表的大量质量数据的应用价值,实现数据的高效利用。
3)提升智能电能表质量管控水平
通过智能电能表的性能退化趋势分析研究,建立电能表失效分析和预计模型,可以对运行中的电能表的质量情况和运行寿命进行预测分析,定位有潜在质量隐患的表计批次,有针对性的开展质量监控和运维,可以丰富电能表的质量管理手段,为智能电能集表中招标、推广应用以及为电网企业标准完善提供技术支撑,提升智能电能表质量管控、质量监督的能力。
4)降低计量运行成本,提高资源利用效率
通过实现智能电能表运行状态评价技术的应用,可为开展有针对性的周期检验提供有效的支撑工具和验证数据,丰富电能表的评价策略手段,避免质量稳定的表计出现不必要的退出运行的情况,提高计量资产的管理水平,降低运行成本,减少重复性的资源投入,提高投入产出率。
当然,实施本发明的任一产品并不一定需要同时达到以上所述的所有技术效果。
【附图说明】
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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一些实施例,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,还可以根据这些附图获得其它的附图。
图1是本发明一个实施例提供的智能电能表运行状态检测评估方法中状态评估流程图;
图2是本发明一个实施例提供的智能电能表运行状态检测评估系统中模型训练流程图;
图3是本发明一个实施例提供使用φ中的贝叶斯网进行状态评价图;
图4是本发明一个实施例提供贝叶斯网模型图;
图5是本发明一个实施例提供基于聚类的贝叶斯网选择性集成图;
图6是本发明一个实施例提供结合贝叶斯网和凸函数证据理论得出最终评价结果图。
【具体实施方式】
为了更好的理解本发明的技术方案,下面结合附图对本发明实施例进行详细描述。
应当明确,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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。
本发明提供一种智能电能表运行状态检测评估系统和方法,所述检测评估方法包括以下步骤:
S1:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;
S2:分别对多个误差状态数据先后进行量化处理和归一化处理;
S3:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;
S4:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;
S5:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;
S6:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表的运行状态检测评估结果。
S1-S3具体如图1所示,S4-S5具体如图2所示。所述S4中数据预处理过程包括对性能退化数据和智能电能表进行数据离散化处理和遗传特征选择,获得离散化数据和遗传特征。
所述S5具体包括:通过贝叶斯网层和K-means选择集成层对离散化数据和遗传特征进行模型训练;通过凸函数证据理论层对模型训练结果进行预测结果融合,获取最优检测评估模型。所述通过贝叶斯网层和K-means选择集成层对离散化数据和遗传特征进行模型训练具体包括:使用机器学习方法训练多个智能电能表历史数据中的表示指标属性和性能退化数据中的电能表状态间关系的贝叶斯网集合;基于聚类算法从贝叶斯网集合中选取若干最优贝叶斯网。
所述S6具体包括以下步骤:
S61:设计评分函数衡量贝叶斯网与待检测智能电能表的误差状态数据的拟合程度;
S62:基于启发式搜索算法搜索分值最高的贝叶斯网结构,同时基于极大似然法学习贝叶斯网参数;
S63:设计相似度函数估算任意两个贝叶斯网在状态评价上的相似度,基于聚类算法对生成的T个贝叶斯网进行聚类,将其划分为K个簇,其中K<T,使得同一簇中的贝叶斯网相似度高,不同簇中的贝叶斯网相异性高;
S64:从每个簇中选择精度最高的贝叶斯网,进而得到K个精度高、多样性强的贝叶斯网;
S65:使用上步选出的K个贝叶斯网作为融合模型,分别推理计算出电能表各状态的概率值,基于凸函数证据理论对各贝叶斯网的决策结果进行进一步融合,得到最终的状态评价结果。
所述S1中归一化处理方法具体为:将误差状态数据的量化数值根据其取值范围按归一化公式转化为0~100之间的数值。通过凸函数证据理论层对模型训练结果进行预测结果融合具体为:采用凸函数证据理论方法,对若干最优贝叶斯网中的贝叶斯网进行集成,进而得到状态评价结果。所述误差状态数据包括表型选择误差、基本误差、运行误差、运行时间误差、运行故障率误差、运行监测事件误差、运行监测异常误差、误差分散性误差、全检退货率误差、运行质量抽检误差、铅封状态误差、安装环境误差和用户信誉误差。
本发明还提供一种智能电能表运行状态检测评估系统,通过所述的检测评估方法对智能电能表进行运行状态检测评估,所述检测评估系统包括:
数据获取单元:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;
第一数据处理单元:分别对多个误差状态数据先后进行量化处理和归一化处理;
第一检测评估单元:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;
第二数据处理单元:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;
模型训练单元:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;
第二检测评估单元:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表的运行状态检测评估结果。
本发明还提供一种可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时运行如所述的检测评估方法。
本发明在具体使用时,方法如下:
S1:获取智能电能表自设计到现在所使用的全部状态量数据,按照电网《DL/T448-2016电能计量装置技术管理规程》,获取了13个状态量数据,分别如下:
(1)表型选择
表型选择代表电能表的选型配置合格率。该状态量反映电能表配置的合格情况,包括未按DL/T448要求配置相应准确度等级电能表、电能表型号与二次回路不匹配、电能表额定电流与CT二次侧电流不匹配等。
(2)基本误差
基本误差代表电能表在设计时,在实验室检定选定负荷点的基本误差。该状态量反映电能表固有计量性能的好坏。
(3)误差分散性
误差分散性代表同一批次合格电能表额定负荷点下基本误差的标准偏差统计值。该状态量反映批次电能表质量控制的好坏。
(4)运行时间
运行时间代表电能表的运行年数,该状态量反映运行时间对电能表运行性能的影响。表计运行年数,最小分辨力0.5年,只舍不进。例如:0-5.9个月为0年,6-11.9个月为0.5年。若是本年新增电能表,因为我们抽取评价的数据是在年计划内的运行电能表,如2020年的年计划是2019年末或2020年初制定的,我们就取制定过计划的I、II、III类电能表数据,2020年新增电能表就不会在本年评估计划内,所以在算法内不将不在评估计划内的电能表带入算法。
(5)运行故障率
运行故障率代表同一批次电能表运行故障率统计值。该状态量反映运行电能表批次质量的好坏。
(6)全检退货率
全检退货率代表同一制造厂家所供三相电能表因不合格退货批次比例统计值(包括了二次返厂)。该状态量反映电能表制造厂家的信誉、管理和质量水平。
(7)运行质量抽检
运行质量抽检代表同一批次电能表运行抽检统计值。该状态量反映运行电能表批次运行的好坏。
(8)铅封状态
铅封状态代表电能表运行过程中的铅封配置。该状态量反映电能表铅封配置的完整情况。包括电能表最近一次现场检验记录中的封印配置记录:所要求封印全封、所要求封印未封或未全封。
(9)安装环境
安装环境代表电能表安装环境。该状态量反映电能表运行环境好坏状况。包括:室内带空调、室内无空调、室外。
(10)用户信誉
用户信誉代表电能表用户是否发生过违约、窃电等影响信誉的行为。包括:在供电企业的供电设施上擅自接线用电、绕越供电企业用电计量装置用电、伪造或者开启供电企业加封的电能表封印用电、故意损坏供电企业电能表、故意使供电企业电能表不准或者失效。
(11)运行误差
运行误差代表电能表现场实负荷检验的误差。该状态量反映电能表实际运行计量性能的好坏。
(12)运行监测事件
运行监测事件代表电能表运行过程中发生失压、失流、电流不平衡、电压不平衡、欠压、过压、过流、电压逆相序、全失压、断相等电能表运行事件的类型和次数,该状态量反映电能表实时运行情况。
(13)运行监测异常
运行监测异常代表电能表运行过程中发生电量异常、时钟异常和用电异常类型和数量。该状态量反映电能表实时运行情况。
S2:对S1中获取的13个状态量数据进行量化处理,具体量化处理方式如下:
对于表型选择:
(1)评价数据
表1
其中,表型选择状态项数据应用标准如表1所示,
(2)量化方法
对于基本误差:
(1)评价数据
表2
其基本误差状态项数据应用标准如表2所示。
(2)量化方法
其中:
δ1i(i=1,2,3)为各负荷点误差对应的权重,取值为评价周期内与x1i(i=1,2,3)匹配的负荷点数量(剔除额定负荷2%或5%以下的数据)。
注:被评价电能表无法获取负荷数据时,δ1i(i=1,2,3)取相同值。
对于误差分散性:
(1)评价数据
表3
误差分散性状态项数据应用标准如表3所示。
(2)量化方法
其中:
x3i(i=1,2,…n)为同一批次合格电能表额定负荷点,功率因数1.0时基本误差修约前数值;
N为被评价电能表所属到货批次电能表总数。
对于运行时间:
(1)评价数据
表4
其中,运行时间状态项数据应用标准如表4所示。
(2)量化方法
注:S4最小值为0。
对于运行故障率:
(1)评价数据
表5
运行故障率状态项数据应用标准如图5所示。
(2)量化方法
对于全检退货率:
(1)评价数据
表6
其中,全检退货率状态项数据应用标准如表6所示。
(2)量化方法
对于运行质量抽检:
(1)评价数据
表7
其中,运行质量抽检状态项数据应用标准如表7所示。
(2)量化方法
对于铅封状态:
(1)评价数据
表8
其中,运行质量抽检状态项数据应用标准如表8所示。
(2)量化方法
对于安装环境:
(1)评价数据
表9
其中,安装环境状态项数据应用标准如表9所示。
(2)量化方法
其中:x9i(i=1,2,3)为室内有空调、室内无空调、户外三种情况。
对于用户信誉:
(1)评价数据
表10
其中,用户信誉状态项数据应用标准如表10所示。
(2)量化方法
对于运行误差
(1)评价数据
表11
其中,运行误差状态项数据应用标准如表11所示。
(2)量化方法
其中:i=1,2,3;l为被评价电能表误差限值;
注:对于I类电能表,n=3;对于II类电能表,n=2;对于III类电能表,n=1。检测次数不足n次时,取S11=min(0.8,S11i)。
对于运行监测事件:
(1)评价数据
表12
其中,运行监测事件状态项数据应用标准如表12所示。
(2)量化方法
对于运行监测异常:
(1)评价数据
表13
其中,运行监测异常状态项数据应用标准如表13所示。
(2)量化方法
其中:x13为评价周期内被评价电能表发生电量异常的数量;y13为评价周期内被评价电能表发生时钟异常的数量;z13为评价周期内被评价电能表发生用电异常的数量;α13为被评价电能表发生电量异常的基础影响因子,默认为0.9;β13为被评价电能表发生时钟异常的基础影响因子,默认为0.8;γ13为被评价电能表发生用电异常的基础影响因子,默认为0.95。
S3:量化完成之后,对状态项量化数值进行归一化处理,将13个状态项的量化数值(S)根据其取值范围(a~b)按表14的归一化公式转化为0~100之间的数值(V)。
表14
S4:通过归一化处理后的13个状态项数据,对智能电能表进行评价,评价参照以下评分方式:
电能表的总体状态评分G为:
G=B×I=B×(T×M×F);
B=δ1V1+δ2V2+δ3V3+δ4V4+δ5V5+δ6V6+δ7V7+δ8V8+δ9V9+δ10V10;
T=V11/100;
M=V12/100;
F=V13/100;
式中:
1)B为基础分值,I为影响分值,T为运行误差影响量,M为监测事件影响量,F为监测异常影响量;
2)影响分值(取百分数)包括T(检测分值)、M(监测事件分值)和F(监测异常分值);
3)基础分值为表型选择、基本误差、误差分散性、运行时间、运行故障率、全检退货率、运行质量抽检、铅封状态、安装环境和用户信誉共10个状态项的归一化评价分值的加权和;
4)δ1、δ2、δ3、δ4、δ5、δ6、δ7、δ8、δ9、δ10的默认值分别为0.1、0.15、0.1、0.1、0.1、0.1、0.1、0.1、0.05、0.1。
S5:根据对智能电能表的评价结果,按照预设判定阈值,对智能电能表进行状态判定,获得状态判定结果,将状态判定结果与智能电能表的状态项的各个指标进行存储并建立数据库;预设的状态判定阈值如表15所示:
表15
S6:对S5中数据库的数据进行数据预处理:
数据库中的数据包括智能电能表历史数据、性能退化数据以及评价状态判定结果;其中,对智能电能表历史数据和性能退化数据先进行数据离散化处理,再进行遗传特征选择。
由于贝叶斯网络主要处理离散变量,且电能表评价结果以离散值形式表示,故本发明首先对评价智能电能表运行状态指标数据中的连续值进行离散化,采用如下方法:
对于具有连续取值的指标x,当其在历史数据中有k个不重复的连续属性值xi时,计算所述指标x的每个不重复的连续属性值xi出现的概率P(xi),其中1≤i≤k,k的初始值为k0;基于概率P(xi)计算指标x的信息熵将指标x的不重复的连续属性值划分至k个区间,其中每个区间对应指标x的一个不重复的值,并记录划分点。
任意选择相邻的两个区间合并,计算合并后的k-1个区间中每个区间出现的概率,并根据所述每个区间的概率计算指标x的信息熵H(k-1),使合并前后的熵之差H(k)-H(k-1)最小,若出现两组或两组以上相邻区间同时满足条件,则随机选择一组;根据合并后的区间的信息熵H(k-1),计算Sj=(k0-1)×H(k-1)-(k-2)×H(k0),其中j的初始值为1;若Sj≤Sj-1,此时每个区间对应指标x的一个离散值。否则令k=k-1,j=j+1,重复上述操作。
S7:使用机器学习方法训练多个表示指标属性和电能表状态间关系的贝叶斯网集合;
贝叶斯网络是人工智能领域处理不确定性问题的重要工具之一,根据离散化后确定的评价智能电能表运行状态的指标属性集合X={X1...Xi...Xn},基于预先采集的电能表运行状态历史数据和性能退化数据,结合集成学习思想,通过遗传算法学习、训练生成电表数据和电能表状态之间因果关系的贝叶斯网。
采用Bagging算法从数据中训练生成T个贝叶斯网的集合F,方法如下:
步骤1:对训练集进行第t次随机采样,共采集m次,得到包含m个样本的采样集Dt={C1C2...Cm},其中m为数据量,Ci为第i组数据,每组数据是一个长度为n+1的向量{X1...Xi...XnXn+1},其由评价智能电能表运行状态的指标属性集合X={X1...Xi...Xn}和智能电能表运行状态指标Xn+1组成;其中t的初始值是1,1≤t≤T;
步骤2:用采样集Dt训练第t个贝叶斯网,贝叶斯网包含n+1个变量,其中X1...Xn表示如前所述的电能表状态属性数据,Xn+1表示电能表状态,有d种可能取值,如d=3(稳定、关注、预警),训练贝叶斯网方法如下:
基于训练数据集Dt={C1C2...Cm}随机生成若干个贝叶斯网,作为通过遗传算法迭代确定最优贝叶斯网的初始种群Popt,其中t的初始值是0,设置的遗传算法迭代数为t0,每个贝叶斯网作为所述初始种群Qt中的一个个体。
其中式1为批量数据情况,式2为增量数据情况。Nilk是训练数据集D中指标属性Xi取其第k个值,且πi取其第l个值,即时的训练数据个数,Nil是D中πi取其第l个值的训练数据个数,πi是指标属性Xi的父结点,m是训练数据集中的训练数据的组数。
对初始种群Popt执行选择操作,按适应度函数的从大到小的顺序选择若干个贝叶斯网组成父代群体;对父代群体执行交叉操作,在父代群体的任意两个贝叶斯网中交换每个结点与其父结点构成的局部子结构;对经过交叉操作后的群体执行变异操作,变异操作包括在贝叶斯网中增加一条到任意两个结点的有向边,删除一条到任意两个结点的有向边,逆转一条任意两个结点的有向边的方向,生成中间群体Popson。采用和计算初始种群Popt每个个体的适应度相同的方法对Popson中的每个个体计算适应度;从Popt和Popson中按照适应度从大到小的顺序选择若干个个体组成新一代群体Popt,令t=t+1。
步骤3:将步骤2生成的贝叶斯网Bt加入到集合F中,F←F∪{Bt},t=t+1。
S8:基于聚类算法从贝叶斯网集合中选取若干最优贝叶斯网
从产生的T个贝叶斯网中选择K个精度高的贝叶斯网组成新的集合φ。方法如下:
步骤1:构建T×T的相似度矩阵S,其中S(i,j)表示贝叶斯网Bi和Bj的相似度,假定贝叶斯网Bi和Bj对样本集的状态评价结果为yk和y′k,计算贝叶斯网Bi和Bj的相似度S(i,j)的公式为:
式中,m表示贝叶斯网Bi和Bj的采样集采样的样本数量;
步骤5:当连续两次迭代中,所述K个簇均不发生变化或达到最大迭代次数L时,转至步骤6,否则转至步骤3继续执行;
S9:采用凸函数证据理论集成各贝叶斯网的评价结果,确定状态评价模型;
如图3所示,采用凸函数证据理论方法,对φ中的贝叶斯网进行集成,进而得到状态评价结果,假定x1,x2,...,xn表示当前观测到的已知的指标属性值,Y表示电能表状态。方法如下:
步骤1:对于集合φ中的贝叶斯网φ1,当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值,Yl表示智能电能表的运行状态d种可能取值中的第l种,则计算智能电能表的运行状态Yl的概率λ1(sl)的公式为:
式中1≤l≤d,1≤i≤n+1,Xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点,πY是运行状态Y的父结点;
步骤2:对于集合φ中的贝叶斯网φj,当x1,...,xn表示实际观测到的评价智能电能表运行状态的n个指标的数值,Yl表示智能电能表的运行状态d种可能取值中的第l种,则计算智能电能表的运行状态Yl的概率λj(sl)的公式为:
式中2≤j≤K,j的初始值是2,xi∈Children(Y)表示电能表的属性指标Xi是运行状态Y的子结点,πY是运行状态Y的父结点;
步骤3:用下式将λ1(sj)和λj(sl)进行融合,并将结果赋给λ1(sl):
步骤4:当j<K时,令j=j+1,并转至步骤2,当j=K时,转至步骤5;
步骤5:最终得到的λ1(sl)即为智能电能表每种可能的运行状态的概率值。
下面推导上式的计算方法,令πY是结点Y的父结点,Children(Y)是结点r的子结点。从贝叶斯网马尔科夫覆盖的特性,可知:
由于分母P(x1,...,xn)并不包含Y,即无论Y取何值,P(x1,...,xn)的值都相同,因此可以将分母看成常数。而且分子是联合概率分布,可以被表示成各结点的局部条件概率分布的乘积。因此,上式可以表示为:
其中c是常数,上式将各结点的局部条件概率分布分成3部分:Y的局部条件概率分布,Y的子结点的局部条件概率分布,其它结点的局部条件概率分布。由于第三部分并不包含变量FY,所以这部分额也可以归到常数里,因此上式可以表示为:
S10:根据确定的状态评价模型对获取到的智能电能表的参数进行状态评估;
评价模型的整体架构如下:
以百分制对计量装置健康度进行表述。100分表示最佳状态,0分则表示需要立即进行现场检验,其他情形的状态评分介于100分~0分之间。计量装置健康度评分L包含计量装置状态检验评分G、配置方式评分K、运行工况评分R三部分组成,G、K和R这三个分值也采用百分制方式表述,对这三个分值加权综合之后,即为计量装置健康度的整体评分:
L=ωGG+ωKK+ωRR
式中ωG+ωK+ωR=1它们分别为状态检验、配置方式、运行工况三部分评分的权值。
状态数据聚类分析
层次聚类算法通过对给定的数据对象集合进行层次分解,以达到将数据组织成一棵聚类树的目的。凝聚式层次聚类算法的思想是在聚类的初始阶段将每个对象作为单独的一个簇,然后通过相继合并距离最近的两个簇,直到所有的簇合并为一个或达到一个终止条件,从而形成一个完整的树状聚类结构。
给出含有N个电能计量状态数据的数据样本集和对应的N*N的距离矩阵,层次聚类的基本算法如下:
1)将每个数据点作为一个初始簇,簇间的距离(相似)等于相应数据点之间的距离;
2)通过分析簇与簇之间的距离,找出最相近(最相似)的两个簇,然后把它们合并;
3)计算新产生的簇和原来每个簇之间的距离,更新距离矩阵;
4)重复第二步和第三步的内容,直到所有的数据点都聚集到一个簇中。
根据聚类结果,由此确定不同故障类型关联指标,然后以此作为权值计算、或者变权的依据。
状态指标权重确定
确定常权重系数
关联规则算法以运行统计数据为基础,能够避免专家意见的主观性缺陷。关联规则通过寻找同一事件中出现不同项之间的相关性。即找出事件中频繁发生的项或属性的所有子集,以及它们之间的相互关联性。事务数据库记为D,D是子集事务δ的集合,D={δ1,δ2,...δN},N为数据库中子集事务的个数。某子集事务记为δi={χ1,χ2,...,χN},χ称为项。设D={χ1,χ2,...,χj}是D中所有项的集合,X的任何子集A称为项集,|A|=K则称集合A为K项集。在事务数据库D中,其所包含某特定项集A的事务的个数称为项集A的支持度计数,记为σ(A),在概率学中可以表示为
Sup(A→B)=P(A∪B)
关联规则A→B的置信度是数据库D中包含A同时也包含B的百分比,即条件概率P(B|A),记为
置信度表示关联规则的可信程度,即置信度越高,说明其可信度就越高。
对于计量装置D表示任一综合状态量超标,Aij表示第i个综合状态中第j个状态量超标,Bi表示第i类故障发生。
计算各综合状态量中单项状态量的置信度,再对同一综合状态量中各单项状态量的置信度进行比较,根据其置信度大小确定各单项状态量的常权重系数,如下
式中:wi,j为第i项综合状态量中第j项单项状态量的常权重系数;Ci,j为第i项综合状态量中第j项单项状态量的置信度;mi为第i项综合状态量中包含的单项状态量个数。
变权处理
关联规则方法能够在一定程度上改善常权重系数的确定过度依赖于主观意识和经验的情况,但常权重系数不会因状态量的变化而发生改变。当计量装置的某一状态量数值严重偏离正常值,即计量装置某一方面性能已严重下降时,若仅仅根据常权重系数来进行故障状态评估,由于该状态量权重占整体比例并不大,整体评价可能还是正常水平。因此仅仅使用常权重系数还不能准确地反映电能计量装置真实的运行状态。在计量装置状态评估中,引入变权公式
实施例1:
通过以下实施例对本发明技术方案进行验证,结合集成学习思想,对训练集D进行T次随机采样(如T=10),形成T组训练数据集D1,...,DT。通过机器学习方法训练出T个贝叶斯网模型。基本原理是设计评分函数衡量贝叶斯网与数据的拟合程度,然后基于启发式搜索算法搜索分值最高的贝叶斯网结构,同时基于极大似然法学习贝叶斯网参数,如图4。
设计相似度函数估算任意两个贝叶斯网在状态评价上的相似度,基于聚类算法对生成的T个贝叶斯网进行聚类,将其划分为K(K<T,如K=4)个簇,使得同一簇中的贝叶斯网相似度高,不同簇中的贝叶斯网相异性高。从每个簇中选择精度最高的贝叶斯网,进而得到K个精度高、多样性强的贝叶斯网,如图5所示。
使用上步选出的K个贝叶斯网作为融合模型,分别推理计算出电能表各状态的概率值。基于凸函数证据理论对各贝叶斯网的决策结果进行进一步融合,得到最终的状态评价结果,如图6所示。
本发明根据基于智能电能表运行状态评价方法和建立的基于智能电能表运行状态评价模型,结合实际需求,对智能电能表运行状态评价系统的技术方案进行设计,确保系统的可靠性、安全性和友好的交互性。基于智能电能表运行状态评价系统框图,整个系统由智能电能表检定运行数据库、智能电能表特征信息提取、智能电能表运行状态评价及智能电能表运行状态评价和检验策略几部分组成。利用智能电能表检定运行数据库为底层数据支撑,以智能电能表方法、性能退化方法和运行状态评价方法为主要技术手段实现对智能电能表运行状态及性能退化失效预计的科学评价,并依据评价结果制定出智能电能表运行状态评价和检验策略。以智能表运行状态评价系统的评价结果为基础,综合考虑检验所需设备购置费、设备检验带来的经济效益等经济因素,检验的人员配置、检验效率等管理因素,和制定出的运行状态评价和检验的结果对系统稳定性的破坏等影响因素,确保所设计智能电能表运行状态评价和检验策略的科学性、实用性和可靠性。
以上对本申请实施例所提供的一种智能电能表运行状态检测评估系统和方法,进行了详细介绍。以上实施例的说明只是用于帮助理解本申请的方法及其核心思想;同时,对于本领域的一般技术人员,依据本申请的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本申请的限制。
如在说明书及权利要求书当中使用了某些词汇来指称特定组件。本领域技术人员应可理解,硬件制造商可能会用不同名词来称呼同一个组件。本说明书及权利要求书并不以名称的差异来作为区分组件的方式,而是以组件在功能上的差异来作为区分的准则。如在通篇说明书及权利要求书当中所提及的“包含”、“包括”为一开放式用语,故应解释成“包含/包括但不限定于”。“大致”是指在可接收的误差范围内,本领域技术人员能够在一定误差范围内解决所述技术问题,基本达到所述技术效果。说明书后续描述为实施本申请的较佳实施方式,然所述描述乃以说明本申请的一般原则为目的,并非用以限定本申请的范围。本申请的保护范围当视所附权利要求书所界定者为准。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的商品或者系统不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种商品或者系统所固有的要素。在没有更多限制的情况下,由语句“包括一个......”限定的要素,并不排除在包括所述要素的商品或者系统中还存在另外的相同要素。
应当理解,本文中使用的术语“和/或”仅仅是一种描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。另外,本文中字符“/”,一般表示前后关联对象是一种“或”的关系。
上述说明示出并描述了本申请的若干优选实施例,但如前所述,应当理解本申请并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述申请构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本申请的精神和范围,则都应在本申请所附权利要求书的保护范围内。
Claims (10)
1.一种智能电能表运行状态检测评估方法,其特征在于,所述检测评估方法包括以下步骤:
S1:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;
S2:分别对多个误差状态数据先后进行量化处理和归一化处理;
S3:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;
S4:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;
S5:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;
S6:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表的运行状态检测评估结果。
2.根据权利要求1所述的检测评估方法,其特征在于,所述S4中数据预处理过程包括对性能退化数据和智能电能表进行数据离散化处理和遗传特征选择,获得离散化数据和遗传特征。
3.根据权利要求2所述的检测评估方法,其特征在于,所述S5具体包括:
通过贝叶斯网层和K-means选择集成层对离散化数据和遗传特征进行模型训练;
通过凸函数证据理论层对模型训练结果进行预测结果融合,获取最优检测评估模型。
4.根据权利要求3所述的检测评估方法,其特征在于,所述通过贝叶斯网层和K-means选择集成层对离散化数据和遗传特征进行模型训练具体包括:
使用机器学习方法训练多个智能电能表历史数据中的表示指标属性和性能退化数据中的电能表状态间关系的贝叶斯网集合;
基于聚类算法从贝叶斯网集合中选取若干最优贝叶斯网。
5.根据权利要求4所述的检测评估方法,其特征在于,所述S6具体包括以下步骤:
S61:设计评分函数衡量贝叶斯网与待检测智能电能表的误差状态数据的拟合程度;
S62:基于启发式搜索算法搜索分值最高的贝叶斯网结构,同时基于极大似然法学习贝叶斯网参数;
S63:设计相似度函数估算任意两个贝叶斯网在状态评价上的相似度,基于聚类算法对生成的T个贝叶斯网进行聚类,将其划分为K个簇,其中K<T,使得同一簇中的贝叶斯网相似度高,不同簇中的贝叶斯网相异性高;
S64:从每个簇中选择精度最高的贝叶斯网,进而得到K个精度高、多样性强的贝叶斯网;
S65:使用上步选出的K个贝叶斯网作为融合模型,分别推理计算出电能表各状态的概率值,基于凸函数证据理论对各贝叶斯网的决策结果进行进一步融合,得到最终的状态评价结果。
6.根据权利要求1所述的检测评估方法,其特征在于,所述S1中归一化处理方法具体为:将误差状态数据的量化数值根据其取值范围按归一化公式转化为0~100之间的数值。
7.根据权利要求4所述的检测评估方法,其特征在于,通过凸函数证据理论层对模型训练结果进行预测结果融合具体为:采用凸函数证据理论方法,对若干最优贝叶斯网中的贝叶斯网进行集成,进而得到状态评价结果。
8.根据权利要求1所述的检测评估方法,其特征在于,所述误差状态数据包括表型选择误差、基本误差、运行误差、运行时间误差、运行故障率误差、运行监测事件误差、运行监测异常误差、误差分散性误差、全检退货率误差、运行质量抽检误差、铅封状态误差、安装环境误差和用户信誉误差。
9.一种智能电能表运行状态检测评估系统,通过上述权利要求1-8之一所述的检测评估方法对智能电能表进行运行状态检测评估,其特征在于,所述检测评估系统包括:
数据获取单元:获取智能电能表的多个误差状态数据,记为智能电能表历史数据;
第一数据处理单元:分别对多个误差状态数据先后进行量化处理和归一化处理;
第一检测评估单元:对归一化处理后的数据进行归一化评价加权,按照预设阈值进行状态评定,评定结果记为性能退化数据;
第二数据处理单元:对性能退化数据和智能电能表历史数据进行数据预处理,获得训练数据;
模型训练单元:建立检测评估模型,并以训练数据进行模型训练,获得最优检测评估模型;
第二检测评估单元:将待检测智能电能表的误差状态数据代入最优检测评估模型,获取待检测智能电能表的运行状态检测评估结果。
10.一种可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时运行如权利要求1-8任一所述的检测评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160568.6A CN114065605A (zh) | 2021-09-30 | 2021-09-30 | 一种智能电能表运行状态检测评估系统和方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111160568.6A CN114065605A (zh) | 2021-09-30 | 2021-09-30 | 一种智能电能表运行状态检测评估系统和方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114065605A true CN114065605A (zh) | 2022-02-18 |
Family
ID=80233981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111160568.6A Pending CN114065605A (zh) | 2021-09-30 | 2021-09-30 | 一种智能电能表运行状态检测评估系统和方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114065605A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170000A (zh) * | 2022-09-06 | 2022-10-11 | 浙江万胜智能科技股份有限公司 | 一种基于电能表通信模块的远程监测方法及系统 |
CN115616472A (zh) * | 2022-11-30 | 2023-01-17 | 北京志翔科技股份有限公司 | 电能表误差模型的参数优化、误差确定方法及装置 |
CN115688558A (zh) * | 2022-09-15 | 2023-02-03 | 吉林金域医学检验所有限公司 | 检验设备状态评估方法、装置、计算机设备及存储介质 |
CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
CN116754830A (zh) * | 2023-06-13 | 2023-09-15 | 武汉阿迪克电子股份有限公司 | 一种电能表的计量方法、装置及储存介质 |
-
2021
- 2021-09-30 CN CN202111160568.6A patent/CN114065605A/zh active Pending
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115170000A (zh) * | 2022-09-06 | 2022-10-11 | 浙江万胜智能科技股份有限公司 | 一种基于电能表通信模块的远程监测方法及系统 |
CN115170000B (zh) * | 2022-09-06 | 2023-01-13 | 浙江万胜智能科技股份有限公司 | 一种基于电能表通信模块的远程监测方法及系统 |
CN115688558A (zh) * | 2022-09-15 | 2023-02-03 | 吉林金域医学检验所有限公司 | 检验设备状态评估方法、装置、计算机设备及存储介质 |
CN115688558B (zh) * | 2022-09-15 | 2023-12-22 | 吉林金域医学检验所有限公司 | 检验设备状态评估方法、装置、计算机设备及存储介质 |
CN115616472A (zh) * | 2022-11-30 | 2023-01-17 | 北京志翔科技股份有限公司 | 电能表误差模型的参数优化、误差确定方法及装置 |
CN116258281A (zh) * | 2023-05-12 | 2023-06-13 | 欣灵电气股份有限公司 | 基于云平台管理的物联网消防监测及调控系统 |
CN116754830A (zh) * | 2023-06-13 | 2023-09-15 | 武汉阿迪克电子股份有限公司 | 一种电能表的计量方法、装置及储存介质 |
CN116754830B (zh) * | 2023-06-13 | 2024-01-09 | 武汉阿迪克电子股份有限公司 | 一种电能表的计量方法、装置及储存介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114065605A (zh) | 一种智能电能表运行状态检测评估系统和方法 | |
CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN105677791B (zh) | 用于分析风力发电机组的运行数据的方法和系统 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN106845846A (zh) | 大数据资产评估方法 | |
Zhu et al. | A novel decision-making model for selecting a construction project delivery system | |
CN110705887A (zh) | 一种基于神经网络模型的低压台区运行状态综合评价方法 | |
CN112488192A (zh) | 一种区域电网短期负荷预测方法 | |
CN110826237A (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
CN113627735A (zh) | 工程建设项目安全风险的预警方法及系统 | |
CN115660170A (zh) | 多维指标权重协同优化的数据资产管理成效差异化评估方法和系统 | |
CN110781206A (zh) | 一种学习拆回表故障特征规则预测在运电能表是否故障的方法 | |
CN112308305B (zh) | 一种基于多模型综合的售电量预测方法 | |
CN114548494A (zh) | 一种可视化造价数据预测智能分析系统 | |
CN114139940A (zh) | 一种基于组合赋权-云模型的广义需求侧资源网荷互动水平评估方法 | |
CN110348676A (zh) | 一种变电站自动化设备状态评价方法及系统 | |
CN112818525A (zh) | 一种水电机组状态评价方法及其系统 | |
Camelia et al. | A Computational Grey Based Model for Companies Risk Forecasting. | |
CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 | |
CN112785060A (zh) | 一种配电网精益化运维水平优化方法 | |
CN116956702A (zh) | 一种用电安全预警方法、介质及系统 | |
CN116128544A (zh) | 一种电力营销异常营业数据的主动稽核方法和系统 | |
Amjady | Generation adequacy assessment of power systems by time series and fuzzy neural network | |
CN113592292A (zh) | 一种电网一次设备技改大修项目准入评价方法 |
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 |