CN114265001B - 一种智能电表计量误差评估方法 - Google Patents
一种智能电表计量误差评估方法 Download PDFInfo
- Publication number
- CN114265001B CN114265001B CN202210198155.5A CN202210198155A CN114265001B CN 114265001 B CN114265001 B CN 114265001B CN 202210198155 A CN202210198155 A CN 202210198155A CN 114265001 B CN114265001 B CN 114265001B
- Authority
- CN
- China
- Prior art keywords
- meter
- time
- data
- sub
- electric quantity
- 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
Images
Classifications
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供一种智能电表计量误差评估方法,包括:根据指定的起止时间,分别获取总表和所有分表的抄表读数;将获取的总表和所有分表的抄表读数按时间先后顺序排序,并按时间轴计算总表和所有分表的分时电量数据;剔除异常的总表和分表的分时电量数据;根据正常的总表和分表的分时电量,基于神经网络模型计算每一个分表的计量误差。本发明从所有的分时电量数据中剔除异常数据,并进行数据样本挑选,可以更加有针对性地求解智能电表的计量误差,使智能电表计量误差评估结果更加稳定。
Description
技术领域
本发明涉及电力计量领域,更具体地,涉及一种智能电表计量误差评估方法。
背景技术
目前,我国电网已经安装超过5亿只智能电表,智能电表作为智能电网感知层中极为重要的传感终端,担负极为重要的电能计量功能,也极大地推动了我国智能电网的快速、健康发展。然而,目前我国全社会用电量已经超过7万亿千瓦时,智能电表的计量准确性和稳定性显得尤为重要。在如此巨大的用电量下,智能电表的任何计量偏差都将对区域间或电网-用户间电费结算造成难以估量的影响和损失。
然而,传统上对于智能电表的计量误差监测主要还是依靠人工进行数据分析以及现场检查,效率非常低下,根本无法满足电网的运维需求。近年来,也有一些远程评估智能电表计量误差的方法被提出来,主要都是基于流入和流出的能量守恒的原理构建模型方程,进而求解智能电表的计量误差。但是,由于电能数据与人类的生产、生活行为密切相关,数据中包含大量噪声。此外,现有电能数据采集系统也因为时钟不同步、智能电表数据精度等因素引入额外的数据噪声,致使基于能量守恒原理构建的模型方程往往存在较大的病态性,从而无法准确评估智能电表的计量误差。综合而言,现有的方法主要存在如下不足:
1)现有的方法大多直接采用最小二乘法或者改进的最小二乘法进行误差评估,并不能解决模型方程病态的问题,致使解算出的误差始终存在极大偏差;
2)现有的解决模型方程病态的方法是基于模型方程的条件数作为过滤条件,但是模型方程条件数并不能完全反映该方程是否病态或者病态程度,致使解算出的误差仍存在较大的不确定性;
3)在现有的方法中,数据域与模型域的优化过程相互隔离,数据挑选方法无法很好地为误差评估模型服务,致使解算出的误差的准确性不可控;
4)现有的方法计算复杂度大,由于现有智能电表的数据采集频率最高达到了96点/天,数据量非常庞大,因此现有的方法需要很长时间完成病态方程的剔除,导致智能电表误差评估过程的效率较低;
5)现有的方法存在较多人为设定的规则,无法较好地发挥电力大数据的优势。
由此可见,现有的智能电表计量误差评估方法还无法较好地满足智能电网的运行与管理需求。为确保智能电表计量的准确性,亟需一种针对大数据驱动的智能电表计量误差评估方法,更加智能、准确地发现计量误差异常的智能电表。
发明内容
本发明针对现有技术中存在的技术问题,提供一种智能电表计量误差评估方法,及时、准确地发现存在计量误差异常的智能电表,提高智能电网计量数据质量、改善电网线损评估准确性,为现场运维与检修提供有力的支撑。
本发明提供一种智能电表计量误差评估方法,包括:
根据指定的起止时间,分别获取总表和所有分表的抄表读数;
将获取的总表和所有分表的抄表读数按时间先后顺序排序,并按时间轴计算总表和所有分表的分时电量数据,所述分时电量数据是指上一个抄表时刻到当前抄表时刻期间的用电量;
剔除异常的总表和分表的分时电量数据;
根据正常的总表和分表的分时电量,基于神经网络模型计算每一个分表的计量误差。
在上述技术方案的基础上,本发明还可以作出如下改进。
可选的,所述剔除异常的总表和分表的分时电量数据,包括:
基于总表和所有分表的分时电量数据,计算每一个抄表时刻的瞬时线损率;
基于局部离群因子检测法分析每一个抄表时刻的瞬时线损率的离群特性,剔除离群瞬时线损率对应时刻的总表和所有分表的分时电量数据。
可选的,所述基于总表和所有分表的分时电量数据,计算每一个抄表时刻的瞬时线损率,包括:
可选的,所述神经网络模型集成了数据样本挑选模块和误差求解模块;
基于数据样本挑选模块,从正常的总表和所有分表的分时电量数据中挑选数据样本;
基于误差求解模块,根据挑选的数据样本,计算每一个分表的计量误差。
可选的,所述数据样本挑选模块包括数据转置层、第一全连接网络层、二值化激活层和数据挑选单元;
基于数据转置层,将正常的总表和所有分表的分时电量数据进行行列转置,其中,所述正常的总表和所有分表的分时电量数据以数据矩阵的形式表示,行对应所有抄表时刻,列对应所有分表电量数据,转置数据矩阵的行对应所有分表电量数据,列对应所有抄表时刻;
基于二值化激活层,对转置数据矩阵中的每一个电量数据进行二值化;
基于数据挑选单元,将二值化激活层输出的行向量与转置数据矩阵进行矩阵乘法,从中挑选出元素不全为0的行,组成新数据矩阵,所述新数据矩阵的列数与转置数据矩阵的列数相同,行数小于或等于转置数据矩阵的行数。
可选的,所述第一全连接网络层的神经元数量与转置数据矩阵的行数相同,所述二值化激活层的激活函数为:
其中,x 1表示二值化激活层的输入,y 1表示二值化激活层的输出,threshold为二值化的阈值。
可选的,所述误差求解模块包括第二全连接网络层和sigmoid激活层,所述第二全连接网络层的神经元数量为1;
将挑选后的新数据矩阵输入所述第二全连接网络层和所述sigmoid激活层中,获取所述sigmoid激活层的输出;
计算所述sigmoid激活层的输出与总表分时电量数据的均方差,作为所述第一全连接网络层和所述第二全连接网络层的损失函数;
基于所述第二全连接网络层的权重参数,计算每一个分表的计量误差。
可选的,所述sigmoid激活层的激活函数为:
其中,x 2表示sigmoid激活层的输入,y 2表示sigmoid激活层的输出;
所述第二全连接网络层的权重参数为n维参数,n与分表数量相同。
可选的,所述基于所述第二全连接网络层的权重参数,计算每一个分表的计量误差,包括:
其中,err k 为求解出的第k个分表的计量误差,w k 为第二全连接网络层的权重参数中的第k维参数。
本发明提供的一种智能电表计量误差评估方法,从所有的分时电量数据中剔除异常数据,并进行数据样本挑选,可以更加有针对性地求解智能电表的计量误差,使智能电表计量误差评估结果更加稳定。
附图说明
图1为本发明提供的一种智能电表计量误差评估方法流程图;
图2是本发明实施例应用场景示意图;
图3是剔除异常分时电量数据的流程示意图;
图4是本发明实施例提供的智能电表计量误差远程评估方法框架示意图;
图5是本发明实施例提供的输入数据格式示意图;
图6是本发明实施例提供的基于神经网络的智能电表计量误差评估模型示意图;
图7为误差求解模块的训练以及误差求解流程示意图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明,但不用来限制本发明的范围。
实施例一
一种智能电表计量误差评估方法,参见图1,该计量误差评估方法主要包括:
S1,根据指定的起止时间,分别获取总表和所有分表的抄表读数;
S2,将获取的总表和所有分表的抄表读数按时间先后顺序排序,并按时间轴计算总表和所有分表的分时电量数据,所述分时电量数据是指上一个抄表时刻到当前抄表时刻期间的用电量。
可以理解的是,如图2所示,本发明的应用场景中包含一个总表以及m个分表,总表与分表的数据都具有时间戳且数据在时间上是同步的,在任意固定的时刻,分表记录的电量之和近似等于总表记录的电量。其次,总表与分表的数据更新频率一致,且所有智能电表之间的时间都是同步的。再次,总表的计量误差处于正常范围,并在本发明内容范围内视作误差评估的参考表。
具体的,根据指定的起止时间,分别获取总表和所有分表的抄表读数,具体的抄表读数是指在固定抄表时刻从智能电表读取的累计电量数据,单位为千瓦时,通常的抄表频率为96次/天或24次/天。本发明对抄表频率没有明确要求。
将获取的总表和所有分表的抄表读数按时间先后顺序排序,并按时间轴计算总表和所有分表的分时电量,所述分时电量是指上一个抄表时刻到当前抄表时刻期间的用电量。
S3,剔除异常的总表和分表的分时电量数据。
作为实施例,所述剔除异常的总表和分表的分时电量数据,包括:基于总表和所有分表的分时电量数据,计算每一个抄表时刻的瞬时线损率;基于局部离群因子检测法分析每一个抄表时刻的瞬时线损率的离群特性,剔除离群瞬时线损率对应时刻的总表和所有分表的分时电量数据。
可以理解的是,获取的总表和分表的分时电量数据,可能会存在一些异常数据,基于此,本发明提供了一种基于瞬时线损率的数据预处理方法,并采用离群点分析方法对瞬时线损率进行分析,将瞬时线损判率为离群点的数据样本进行初步过滤,瞬时线损率越高,说明对应的数据样本所蕴含的噪声越强。
其中,参见图3,计算所有分表与总表之间的瞬时线损。具体是沿着时间轴,分别计算每一个抄表时刻所有分表的分时电量之和,并计算该分时电量之和与相同抄表时刻的总表分时电量的差,从而得到每一个抄表时刻的分时电量差,即瞬时线损。进一步,用每一个抄表时刻的瞬时线损除以相同抄表时刻的总表分时电量,得到瞬时线损率。具体的计算公式如下:
对于每一个抄表时刻的瞬时线损率,采用局部离群因子检测法,即Local OutlierFactor简称LOF,对瞬时线损率进行分析。优选的,LOF算法的邻居数量参数设为10。LOF对每一个抄表时刻的瞬时线损率进行判别,输出结果为瞬时线损率离群或不离群。进一步,依据LOF对瞬时线损率的判别结果,同步地将离群的瞬时线损率对应时刻的总表数据和所有分表数据都删除,即将异常的总表和分表的分时电量数据剔除,提高后续分析数据的准确性。
S4,根据正常的总表和分表的分时电量,基于神经网络模型计算每一个分表的计量误差。
作为实施例,所述神经网络模型集成了数据样本挑选模块和误差求解模块;基于数据样本挑选模块,从正常的总表和所有分表的分时电量数据中挑选数据样本;基于误差求解模块,根据挑选的数据样本,计算每一个分表的计量误差。
其中,所述数据样本挑选模块包括数据转置层、第一全连接网络层、二值化激活层和数据挑选单元。基于数据转置层,将正常的总表和所有分表的分时电量数据进行行列转置,其中,所述正常的总表和所有分表的分时电量数据以数据矩阵的形式表示,行对应所有抄表时刻,列对应所有分表电量数据,转置数据矩阵的行对应所有分表电量数据,列对应所有抄表时刻;基于二值化激活层,对转置数据矩阵中的每一个电量数据进行二值化;基于数据挑选单元,将二值化激活层输出的行向量与转置数据矩阵进行矩阵乘法,从中挑选出元素不全为0的行,组成新数据矩阵,所述新数据矩阵的列数与转置数据矩阵的列数相同,行数小于或等于转置数据矩阵的行数。
可以理解的是,根据正常的总表和分表的分时电量,本发明实施例基于神经网络模型计算每一个分表的计量误差。
如图4所示,本发明提供的智能电表计量误差方法具体包括数据预处理和误差评估两部分。其中数据预处理部分负责挑选数据样本,误差评估模型利用预处理后的数据样本,评估每一个分表的计量误差。
其中,步骤S3中剔除异常后的分表数据的数据格式为矩阵形式,可参见图5,矩阵的行对应数据的时间戳,矩阵列对应分表,矩阵的第i行第k列代表第k个分表在第i个时刻记录的电量。本发明实施例范围内所有数据的单位均为千瓦时。
可理解的是,数据预处理和误差评估两部分由神经网络模型来完成,其中,参见图6,为构建的神经网络模型来对智能电表的计量误差进行评估,神经网络模型包括数据样本挑选模块和误差求解模块。
数据样本挑选模块由一个数据转置层、一个全连接网络层(称为第一全连接网络层)、一个二值化激活层和数据挑选单元构成。其中,数据转置层负责将输入的数据进行行列转置,转置数据矩阵的行对应包含的所有分表,列对应包含的所有时刻。其次,第一全连接网络层的神经元数量与输入数据的行数相同,且仅有权重参数,没有偏置参数。第一全连接网络层的权重参数全部初始化为0和1之间的随机数。最后,二值化激活层的具体函数形式如下:
其中,x 1表示二值化激活层的输入,y 1表示二值化激活层的输出,threshold为二值化的阈值,优选的threshold为0.6。
数据挑选单元将二值化激活层输出的行向量与输入的数据矩阵(转置数据矩阵)进行矩阵乘法,从结果挑选出元素不全为0的行,组成一个新数据矩阵,该新数据矩阵的列数与输入数据矩阵的列数相同,行数小于或等于输入数据矩阵的行数,这个新的数据矩阵作为误差求解模块的输入。
作为实施例,误差求解模块包括第二全连接网络层和sigmoid激活层,所述第二全连接网络层的神经元数量为1;将挑选后的新数据矩阵输入所述第二全连接网络层和所述sigmoid激活层中,获取所述sigmoid激活层的输出;计算所述sigmoid激活层的输出与总表分时电量数据的均方差,作为所述第一全连接网络层和所述第二全连接网络层的损失函数;基于所述第二全连接网络层的权重参数,计算每一个分表的计量误差。
可以理解的是,误差求解模块由一个第二全连接网络层和一个sigmoid激活层构成。其中,第二全连接网络层的神经元数量为1,且仅有权重参数,没有偏置参数。其中,第二全连接网络层的权重参数全部初始化为1,sigmoid激活层的具体函数形式如下:
其中,x 2表示sigmoid激活层的输入,y 2表示sigmoid激活层的输出。
需要说明的是,在对数据样本挑选模块和误差求解模块进行迭代训练时,计算sigmoid激活层的输出与总表分时电量数据的均方差,作为第一全连接网络层和所述第二全连接网络层的损失函数。其中,本发明实施例中,神经网络模型采用Adam优化器进行参数训练,优选的初始化学习率为0.001,优选的训练轮次为1000。
其中,参见图7,误差求解模块的训练过程如下:
将数据样本中的所有分表的分时电量数据组织成图4所示的数据矩阵,并输入到误差求解模块。同时,将总表的分时电量组织成一维向量。将误差求解模块的输出向量与总表分时电量向量计算均方差为损失。训练轮次是否达到预设的总轮次,如果没有达到,则执行迭代训练过程;否则,则迭代训练结束。
通过Adam优化器计算梯度,更新第一全连接网络层和第二全连接网络层的权重参数,继续执行训练过程。
训练完成后,提取第二全连接网络层的权重参数,其中,第二全连接网络层的权重参数为n维参数,n与分表数量相同,误差换算模块按下式计算所有分表的计量误差作为误差评估结果输出:
其中,err k 为求解出的第k个分表的计量误差,w k 为全连接网络层2的权重参数中的第k维参数,至此求解出每一个分表的计量误差。
下面介绍一个应用实例,利用实验室搭建的实验平台作为案例,该实验平台包括一个总表和10个分表,每个分表均对应了虚拟可调负载。总表的规格为0.2级,分表为1.0级。分表和总表的数据采集频率均为720个采集点/天,共采集了2天的数据。
智能电表计量误差评估模型的所有参数均按照本发明实施例进行设置,对本发明提供的智能电表计量误差评估方法进行了验证。
实验一:仅一个分表计量误差异常,测试结果如下表所示:
分表编号 | 真实误差 | 评估结果 |
1 | 0.02 | 0.0184 |
2 | 0.0009 | 0.0023 |
3 | -0.003 | -0.002 |
4 | -0.0008 | -0.0013 |
5 | 0.0022 | -0.0006 |
6 | 0.001 | 0.0015 |
7 | 0.0005 | 0.0001 |
8 | 0.006 | 0.0055 |
9 | 0.002 | 0.0008 |
10 | 0.004 | 0.0017 |
实验二:5个分表计量误差异常,测试结果如下表所示:
分表编号 | 真实误差 | 评估结果 |
1 | 0.02 | 0.0196 |
2 | 0.019 | 0.0202 |
3 | 0.023 | 0.0208 |
4 | 0.018 | 0.0165 |
5 | 0.022 | 0.0191 |
6 | -0.001 | 0.0018 |
7 | 0.0006 | 0.0012 |
8 | 0.003 | 0.0075 |
9 | 0.001 | -0.0012 |
10 | 0.0009 | 0.0023 |
从以上两个实验的结果可知,本发明提供的智能电表计量误差评估方法具有较好的计量误差异常诊断性能。
本发明提供的一种智能电表计量误差评估方法,具有以下优点:
(1)本发明将数据样本挑选与误差模型求解进行了统一,提出了跨数据域和模型域的全局优化策略,使数据样本挑选方法可以更加有针对性地为误差模型求解服务,使智能电表计量误差评估结果更加稳定。
(2)本发明提供了一种基于神经网络的自主选择数据样本的方法,根据校准后的分表数据与总表数据之间的均方差,挑选出最有效的数据样本,从而较好地剔除数据噪声较大的数据样本,有效降低智能电表计量误差评估模型的病态性。
(3)本发明提供了一种基于神经网络的智能电表计量误差远程评估方法,创新性的用全连接神经网络层的权重参数作为优化及输出对象,有效地将大量电力数据与神经网络结合在一起,充分发挥了电力大数据的优势,使误差评估结果更加准确。
需要说明的是,在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式计算机或者其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然,本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样,倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内,则本发明也意图包括这些改动和变型在内。
Claims (5)
1.一种智能电表计量误差评估方法,其特征在于,包括:
根据指定的起止时间,分别获取总表和所有分表的抄表读数;
将获取的总表和所有分表的抄表读数按时间先后顺序排序,并按时间轴计算总表和所有分表的分时电量数据,所述分时电量数据是指上一个抄表时刻到当前抄表时刻期间的用电量;
剔除异常的总表和分表的分时电量数据;
根据正常的总表和分表的分时电量,基于神经网络模型计算每一个分表的计量误差;
所述神经网络模型集成了数据样本挑选模块和误差求解模块;
基于数据样本挑选模块,从正常的总表和所有分表的分时电量数据中挑选数据样本;
基于误差求解模块,根据挑选的数据样本,计算每一个分表的计量误差;
所述数据样本挑选模块包括数据转置层、第一全连接网络层、二值化激活层和数据挑选单元;
基于数据转置层,将正常的总表和所有分表的分时电量数据进行行列转置,其中,所述正常的总表和所有分表的分时电量数据以数据矩阵的形式表示,行对应所有抄表时刻,列对应所有分表电量数据,转置数据矩阵的行对应所有分表电量数据,列对应所有抄表时刻;
基于二值化激活层,对转置数据矩阵中的每一个电量数据进行二值化;
基于数据挑选单元,将二值化激活层输出的行向量与转置数据矩阵进行矩阵乘法,从中挑选出元素不全为0的行,组成新数据矩阵,所述新数据矩阵的列数与转置数据矩阵的列数相同,行数小于或等于转置数据矩阵的行数;
所述误差求解模块包括第二全连接网络层和sigmoid激活层,所述第二全连接网络层的神经元数量为1;
将挑选后的新数据矩阵输入所述第二全连接网络层和所述sigmoid激活层中,获取所述sigmoid激活层的输出;
计算所述sigmoid激活层的输出与总表分时电量数据的均方差,作为所述第一全连接网络层和所述第二全连接网络层的损失函数;
基于所述第二全连接网络层的权重参数,计算每一个分表的计量误差,所述第二全连接网络层的权重参数为n维参数,n与分表数量相同;
所述基于所述第二全连接网络层的权重参数,计算每一个分表的计量误差,包括:
其中,err k 为求解出的第k个分表的计量误差,w k 为第二全连接网络层的权重参数中的第k维参数。
2.根据权利要求1所述的智能电表计量误差评估方法,其特征在于,所述剔除异常的总表和分表的分时电量数据,包括:
基于总表和所有分表的分时电量数据,计算每一个抄表时刻的瞬时线损率;
基于局部离群因子检测法分析每一个抄表时刻的瞬时线损率的离群特性,剔除离群瞬时线损率对应时刻的总表和所有分表的分时电量数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210198155.5A CN114265001B (zh) | 2022-03-02 | 2022-03-02 | 一种智能电表计量误差评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210198155.5A CN114265001B (zh) | 2022-03-02 | 2022-03-02 | 一种智能电表计量误差评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114265001A CN114265001A (zh) | 2022-04-01 |
CN114265001B true CN114265001B (zh) | 2022-06-07 |
Family
ID=80833828
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210198155.5A Active CN114265001B (zh) | 2022-03-02 | 2022-03-02 | 一种智能电表计量误差评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114265001B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115508770B (zh) * | 2022-11-22 | 2023-04-07 | 武汉格蓝若智能技术股份有限公司 | 一种基于kl-nb算法的电能表运行状态在线评估方法 |
CN115656914B (zh) * | 2022-12-12 | 2023-10-10 | 湖南省计量检测研究院 | 一种基于大数据的智能电表计量准确性检测方法及装置 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6043642A (en) * | 1996-08-01 | 2000-03-28 | Siemens Power Transmission & Distribution, Inc. | Watt-hour meter with communication on diagnostic error detection |
KR102121787B1 (ko) * | 2018-11-12 | 2020-06-11 | (주)화니시스템 | 원격검침 데이터를 이용한 적산열량계와 사용자 설비 장애 검출 시스템 |
AU2020101900A4 (en) * | 2020-08-21 | 2020-11-05 | Qinghu Rising Sunshine Data Technology (Beijing) Co., Ltd. | A method, device and equipment for detecting abnormal electric meter |
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 |
CN113556629B (zh) * | 2021-06-02 | 2023-02-17 | 天津大学 | 一种智能电表误差远程估计方法及装置 |
-
2022
- 2022-03-02 CN CN202210198155.5A patent/CN114265001B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN114265001A (zh) | 2022-04-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114265001B (zh) | 一种智能电表计量误差评估方法 | |
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 | |
CN113126019B (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN106338706A (zh) | 一种电能计量装置整体误差检测的方法、装置和系统 | |
CN102183621A (zh) | 水产养殖溶解氧浓度在线预测方法及系统 | |
CN115508770B (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN113901977A (zh) | 一种基于深度学习的电力用户窃电识别方法及系统 | |
CN109598052B (zh) | 基于相关系数分析的智能电表寿命周期预测方法及装置 | |
CN108594153B (zh) | 一种光纤电流互感器温度与标度因数分区间补偿方法 | |
CN111998918A (zh) | 一种误差校正方法、误差校正装置及流量传感系统 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN117556366B (zh) | 基于数据筛选的数据异常检测系统及方法 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN113158558B (zh) | 一种高速铁路路基连续压实分析方法、装置及分析仪 | |
CN117217419B (zh) | 工业生产全生命周期碳排放监测方法及系统 | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN117290685A (zh) | 一种基于历史数据的电厂电力设备专家诊断系统及方法 | |
CN112765787A (zh) | 动态环境下考虑性能指标聚类的退化建模与寿命预测方法 | |
CN110956330A (zh) | 一种基于多维影响量对输电线路线损进行预测的方法及系统 | |
CN115936545A (zh) | 一种基于水热互补方程的两参数月尺度水文模型建立方法 | |
CN109871998B (zh) | 一种基于专家样本库的配电网线损率预测方法及装置 | |
CN113408076A (zh) | 基于支持向量机模型的小样本机械剩余寿命预测方法 | |
CN112098066A (zh) | 基于门控循环单元的高压并联电抗器故障诊断方法及系统 | |
CN115952853B (zh) | 矿浆密度检测模型构建方法、装置及矿浆密度检测系统 | |
CN113466779B (zh) | 一种具备抗扰动能力的电能表计量故障诊断方法及系统 |
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 | ||
GR01 | Patent grant |