CN114371438A - 基于物联网的计量设备失准判断方法 - Google Patents

Abstract

本发明公开了基于物联网的计量设备失准判断方法，属于电能表检测技术领域，具体方法包括：步骤一：获取进行监测的供电区域，将获取的供电区域进行划分，形成不同的监测区域，对每个监测区域设置固定的管理人员；步骤二：校核监测区域内总计电量误差，将具有计量误差的监测区域标记为异常区域；步骤三：获取异常区域对应的分析模型，采集当前时间段异常区域内各个用户的电表计量数据，通过分析模型对采集的电表计量数据进行分析，获得异常电表计量数据对应的电能表，标记为异常电表；步骤四：建立电能表分析库，获取异常电表前N天的计量数据，N为正整数，将获取的计量数据输入到电能表分析库中进行分析，获得异常电表的失准判断结果。

Description

基于物联网的计量设备失准判断方法

技术领域

本发明属于电能表检测技术领域，具体是基于物联网的计量设备失准判断方法。

背景技术

电能的采集、计量、存储与传输主要依靠电能表，其准确性关系到电网企业和每个用户的切身利益。为保证计量公正性，目前电网企业主要通过拆回检定、周期轮换、定期抽检与现场试验等方式对计量失准装置进行管控，需要耗费较大的人力、物力与财力，但有时仍无法及时发现并更换失准电能表，因此目前需要一种基于物联网的计量设备失准判断方法。

发明内容

为了解决上述方案存在的问题，本发明提供了基于物联网的计量设备失准判断方法。

本发明的目的可以通过以下技术方案实现：

基于物联网的计量设备失准判断方法，具体方法包括：

步骤一：获取进行监测的供电区域，将获取的供电区域进行划分，形成不同的监测区域，对每个监测区域设置固定的管理人员；

步骤二：校核监测区域内总计电量误差，将具有计量误差的监测区域标记为异常区域；

步骤三：获取异常区域对应的分析模型，采集当前时间段异常区域内各个用户的电表计量数据，通过分析模型对采集的电表计量数据进行分析，获得异常电表计量数据对应的电能表，标记为异常电表；

步骤四：建立电能表分析库，获取异常电表前N天的计量数据，N为正整数，将获取的计量数据输入到电能表分析库中进行分析，获得异常电表的失准判断结果。

进一步地，划分监测区域的方法包括：

步骤SA1：获取供电区域的供电图，识别供电图中的边界线和小区分界线，将识别的边界线和小区分界线两者组成的区域标记为单元区域；

步骤SA2：建立聚类样本集合

将单元区域的特征向量视为一个独立的聚类簇，计算两两聚类簇之间的距离，设置监测区域的最大服务半径，将距离最近的两个聚类簇合并为一个新的聚类簇，将新的聚类簇标记为合并聚类簇；

步骤SA3：计算合并聚类簇与其他聚类簇之间的距离，当合并聚类簇与其他聚类簇之间的最小距离小于最大服务半径时，将对应的两个聚类簇进行合并，再次形成一个新的合并聚类簇；

步骤SA4：重复步骤SA3，直到合并聚类簇与其他聚类簇之间的最小距离不小于最大服务半径时，停止重复步骤SA3，将对应的合并聚类簇标记为监测区域。

进一步地，建立聚类样本集合的方法包括：

获取单元区域内的用户数量和用电量，将单元区域标记为i，i＝1、2、……、n，n为正整数，将用户数量标记为Pi，将用电量标记为Li，建立单元区域的特征向量

根据单元区域的特征向量建立聚类样本集合。

进一步地，校核监测区域内总计电量误差的方法包括：

在各个监测区域内设置区域输入计量单元，获取各个监测区域内的用户电表计量数据，根据获取的监测区域内的用户电表计量数据计算监测区域内的总的电表计量数据，标记为区域电表数据，设置对应监测区域的电表允许计量误差，计算区域输入计量单元的计量电量与区域电表数据之间的差值，并标记为区域差值，获取区域差值的绝对值大于电表允许计量误差的监测区域。

进一步地，获取异常区域对应的分析模型的方法包括：

获取每个监测区域内对应的用户历史电表计量数据，从历史电表计量数据中筛选出计量准确的电表计量数据，标记为区域训练数据，获取电能表分析模型，通过区域训练数据对电能表分析模型进行训练和校验，将校验成功的电能表分析模型标记为分析模型，为分析模型打上对应的监测区域标签；根据异常区域进行匹配，获得对应监测区域标签的分析模型。

进一步地，建立电能表分析库的方法包括：

获取大量的电能表历史计量数据，筛选出电能表历史计量数据中失准电能表的计量数据，标记为失准数据，失准数据包括计量日期和对应日期的计量数据，获取失准数据对应的故障原因，设置数据条，所述数据条有N个数据填充位，一个数据填充位对应一个计量日期的计量数据，将一组失准数据整合到一个数据条中，为数据条进行编号，根据数据条编号和对应的故障原因设置故障原因匹配表；建立数据库，将数据条输入到数据库中进行保存，所述数据库内设置有聚类单元，通过聚类单元对数据条进行聚类，获得k个失准聚类；在数据库内设置匹配单元；匹配单元用于根据输入进来的数据条向量进行匹配；将数据库标记为电能表分析库。

进一步地，通过聚类单元对数据条进行聚类的方法包括：

步骤SA1：根据数据条中的计量数据将数据条向量化，标记为数据条向量，将数据条向量映射到向量空间，设置k值，任意选择k个数据条向量作为预设聚类中心；

步骤SA2：计算聚类对象到所有预设聚类中心的欧氏距离；并根据计算结果将每个聚类对象划分到距离它最近的聚类中心，作为该类别的一个成员；

步骤SA3：重新计算每个类别的均值，作为该类别新的聚类中心；

步骤SA4：当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时，完成聚类；反之，则返回步骤SA2。

进一步地，电能表分析库的工作方法包括：

获取输入进来的异常电表前N天的计量数据，将获取的计量数据输入到数据条中，标记为分析数据条，将分析数据条进行向量化，标记为分析数据条向量，将分析数据条向量映射到向量空间中进行，通过聚类单元对分析数据条向量进行聚类，获得分析数据条向量属于的聚类，标记为分析聚类，通过匹配单元将分析数据条向量与分析聚类内的数据条向量进行逐一匹配，获得分析数据条向量与数据条向量之间的匹配度，将匹配度大于阈值X1的数据条向量标记为匹配数据，计算匹配数据数量在分析聚类内的占比，标记为失准概率，当失准概率大于阈值X2时，将对应输入进来的计量数据标记为失准数据，并获取匹配数据对应的故障原因。

与现有技术相比，本发明的有益效果是：实现对区域内电能表的失准判断，降低管理人员的工作量，提高排查效率；通过设置区域输入计量单元，进一步的缩小问题排查区域，与监测区域相结合，实现当出现供计量差时，快速缩小排查区域，降低排查工作量，提高排查效率。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍，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他的附图。

图1为本发明方法流程图。

具体实施方式

下面将结合实施例对本发明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。

如图1所示，基于物联网的计量设备失准判断方法，具体方法包括：

步骤一：获取进行监测的供电区域，将获取的供电区域进行划分，形成不同的监测区域，对每个监测区域设置固定的管理人员；

因为供电区域太大，当出现计量误差时，排查原因太繁琐和耗费时间，效率不高，而通过划分不同的监测区域，当出现供计量差时，可以快速的锁定对应的监测区域，派遣对应的管理人员进行实地校核；

划分监测区域的方法包括：

步骤SA1：获取供电区域的供电图，识别供电图中的边界线和小区分界线，边界线即为供电图中的河流、道路等边界线，将识别的边界线和小区分界线两者组成的区域标记为单元区域，如小区分界线或边界线独立形成单元区域、小区分界线和边界线之间包围成单元区域；

步骤SA2：获取单元区域内的用户数量和用电量，用电量指的是单元区域内采集时间内的平均用电量，可以根据实际的采集需求，采用单元区域内的日平均用电量、月平均用电量等用电量，将单元区域标记为i，i＝1、2、……、n，n为正整数，将用户数量标记为Pi，将用电量标记为Li，建立单元区域的特征向量

根据单元区域的特征向量建立聚类样本集合

将单元区域的特征向量视为一个独立的聚类簇，计算两两聚类簇之间的距离，设置监测区域的最大服务半径，最大服务半径是由专家组根据管理人员的管理能力进行设置的，将距离最近的两个聚类簇合并为一个新的聚类簇，将新的聚类簇标记为合并聚类簇；

步骤SA3：计算合并聚类簇与其他聚类簇之间的距离，当合并聚类簇与其他聚类簇之间的最小距离小于最大服务半径时，将对应的两个聚类簇进行合并，再次形成一个新的合并聚类簇；

步骤SA4：重复步骤SA3，直到合并聚类簇与其他聚类簇之间的最小距离不小于最大服务半径时，停止重复步骤SA3，将对应的合并聚类簇标记为监测区域。

步骤二：校核监测区域内总计电量误差，将具有计量误差的监测区域标记为异常区域；

校核监测区域内总计电量误差的方法包括：

在各个监测区域内设置区域输入计量单元，区域输入计量单元用于计算对应监测区域内的输入电量，获取各个监测区域内的用户电表计量数据，根据获取的监测区域内的用户电表计量数据计算监测区域内的总的电表计量数据，标记为区域电表数据，设置对应监测区域的电表允许计量误差，电表允许计量误差是根据电表的特性和电表的数量进行设置的，计算区域输入计量单元的计量电量与区域电表数据之间的差值，并标记为区域差值，获取区域差值的绝对值大于电表允许计量误差的监测区域，因为区域差值有可能是负值。

通过设置区域输入计量单元，可进一步的缩小问题排查区域，与监测区域相结合，实现当出现供计量差时，快速缩小排查区域，降低排查工作量，提高排查效率。

步骤三：获取异常区域对应的分析模型，采集当前时间段异常区域内各个用户的电表计量数据，通过分析模型对采集的电表计量数据进行分析，获得异常电表计量数据对应的电能表，标记为异常电表；当前时间段的时间跨度是由专家组根据电能表使用规范进行设置的；

获取异常区域对应的分析模型的方法包括：

获取每个监测区域内对应的用户历史电表计量数据，从历史电表计量数据中筛选出计量准确的电表计量数据，标记为区域训练数据，获取电能表分析模型，电能表分析模型为当前现有的分析电能表计量异常的神经网络模型，通过区域训练数据对电能表分析模型进行训练和校验，将校验成功的电能表分析模型标记为分析模型，为分析模型打上对应的监测区域标签；根据异常区域进行匹配，获得对应监测区域标签的分析模型。

步骤四：建立电能表分析库，获取异常电表前N天的计量数据，N为正整数，将获取的计量数据输入到电能表分析库中进行分析，获得异常电表的失准判断结果；

建立电能表分析库的方法包括：

获取大量的电能表历史计量数据，筛选出电能表历史计量数据中失准电能表的计量数据，标记为失准数据，失准数据包括计量日期和对应日期的计量数据，获取失准数据对应的故障原因，设置数据条，所述数据条有N个数据填充位，一个数据填充位对应一个计量日期的计量数据，将一组失准数据整合到一个数据条中，为数据条进行编号，根据数据条编号和对应的故障原因设置故障原因匹配表；建立数据库，将数据条输入到数据库中进行保存，所述数据库内设置有聚类单元，通过聚类单元对数据条进行聚类，获得k个失准聚类；在数据库内设置匹配单元；匹配单元用于根据输入进来的数据条向量进行匹配，将数据库标记为电能表分析库。

通过聚类单元对数据条进行聚类的方法包括：

步骤SA1：根据数据条中的计量数据将数据条向量化，标记为数据条向量，将数据条向量映射到向量空间，设置k值，任意选择k个数据条向量作为预设聚类中心；

步骤SA2：计算聚类对象到所有预设聚类中心的欧氏距离；并根据计算结果将每个聚类对象划分到距离它最近的聚类中心，作为该类别的一个成员；

步骤SA3：重新计算每个类别的均值，作为该类别新的聚类中心；

步骤SA4：当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时，完成聚类；反之，则返回步骤SA2。

设置k值的设置方法由专家组根据数据条向量在向量空间中的分布进行设置的。

电能表分析库的工作方法包括：

获取输入进来的异常电表前N天的计量数据，将获取的计量数据输入到数据条中，标记为分析数据条，将分析数据条进行向量化，标记为分析数据条向量，将分析数据条向量映射到向量空间中进行，通过聚类单元对分析数据条向量进行聚类，获得分析数据条向量属于的聚类，标记为分析聚类，通过匹配单元将分析数据条向量与分析聚类内的数据条向量进行逐一匹配，获得分析数据条向量与数据条向量之间的匹配度，指的是两个向量对应位置数据相同的占比；将匹配度大于阈值X1的数据条向量标记为匹配数据，计算匹配数据数量在分析聚类内的占比，标记为失准概率，当失准概率大于阈值X2时，将对应输入进来的计量数据标记为失准数据，并获取匹配数据对应的故障原因，将获取的故障原因进行整理后发送给对应的管理人员。

上述公式均是去除量纲取其数值计算，公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式，公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。

以上实施例仅用以说明本发明的技术方法而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方法进行修改或等同替换，而不脱离本发明技术方法的精神和范围。

Claims (8)

1.基于物联网的计量设备失准判断方法，其特征在于，具体方法包括：

步骤一：获取进行监测的供电区域，将获取的供电区域进行划分，形成不同的监测区域，对每个监测区域设置固定的管理人员；

步骤二：校核监测区域内总计电量误差，将具有计量误差的监测区域标记为异常区域；

步骤三：获取异常区域对应的分析模型，采集当前时间段异常区域内各个用户的电表计量数据，通过分析模型对采集的电表计量数据进行分析，获得异常电表计量数据对应的电能表，标记为异常电表；

步骤四：建立电能表分析库，获取异常电表前N天的计量数据，N为正整数，将获取的计量数据输入到电能表分析库中进行分析，获得异常电表的失准判断结果。

2.根据权利要求1所述的基于物联网的计量设备失准判断方法，其特征在于，划分监测区域的方法包括：

步骤SA1：获取供电区域的供电图，识别供电图中的边界线和小区分界线，将识别的边界线和小区分界线两者组成的区域标记为单元区域；

步骤SA2：建立聚类样本集合

将单元区域的特征向量视为一个独立的聚类簇，计算两两聚类簇之间的距离，设置监测区域的最大服务半径，将距离最近的两个聚类簇合并为一个新的聚类簇，将新的聚类簇标记为合并聚类簇；

步骤SA3：计算合并聚类簇与其他聚类簇之间的距离，当合并聚类簇与其他聚类簇之间的最小距离小于最大服务半径时，将对应的两个聚类簇进行合并，再次形成一个新的合并聚类簇；

步骤SA4：重复步骤SA3，直到合并聚类簇与其他聚类簇之间的最小距离不小于最大服务半径时，停止重复步骤SA3，将对应的合并聚类簇标记为监测区域。

3.根据权利要求2所述的基于物联网的计量设备失准判断方法，其特征在于，建立聚类样本集合的方法包括：

获取单元区域内的用户数量和用电量，将单元区域标记为i，i＝1、2、……、n，n为正整数，将用户数量标记为Pi，将用电量标记为Li，建立单元区域的特征向量

根据单元区域的特征向量建立聚类样本集合。

4.根据权利要求1所述的基于物联网的计量设备失准判断方法，其特征在于，校核监测区域内总计电量误差的方法包括：

在各个监测区域内设置区域输入计量单元，获取各个监测区域内的用户电表计量数据，根据获取的监测区域内的用户电表计量数据计算监测区域内的总的电表计量数据，标记为区域电表数据，设置对应监测区域的电表允许计量误差，计算区域输入计量单元的计量电量与区域电表数据之间的差值，并标记为区域差值，获取区域差值的绝对值大于电表允许计量误差的监测区域。

5.根据权利要求1所述的基于物联网的计量设备失准判断方法，其特征在于，获取异常区域对应的分析模型的方法包括：

获取每个监测区域内对应的用户历史电表计量数据，从历史电表计量数据中筛选出计量准确的电表计量数据，标记为区域训练数据，获取电能表分析模型，通过区域训练数据对电能表分析模型进行训练和校验，将校验成功的电能表分析模型标记为分析模型，为分析模型打上对应的监测区域标签；根据异常区域进行匹配，获得对应监测区域标签的分析模型。

6.根据权利要求1所述的基于物联网的计量设备失准判断方法，其特征在于，建立电能表分析库的方法包括：

获取大量的电能表历史计量数据，筛选出电能表历史计量数据中失准电能表的计量数据，标记为失准数据，失准数据包括计量日期和对应日期的计量数据，获取失准数据对应的故障原因，设置数据条，所述数据条有N个数据填充位，一个数据填充位对应一个计量日期的计量数据，将一组失准数据整合到一个数据条中，为数据条进行编号，根据数据条编号和对应的故障原因设置故障原因匹配表；建立数据库，将数据条输入到数据库中进行保存，所述数据库内设置有聚类单元，通过聚类单元对数据条进行聚类，获得k个失准聚类；在数据库内设置匹配单元；匹配单元用于根据输入进来的数据条向量进行匹配；将数据库标记为电能表分析库。

7.根据权利要求6所述的基于物联网的计量设备失准判断方法，其特征在于，通过聚类单元对数据条进行聚类的方法包括：

步骤SA1：根据数据条中的计量数据将数据条向量化，标记为数据条向量，将数据条向量映射到向量空间，设置k值，任意选择k个数据条向量作为预设聚类中心；

步骤SA2：计算聚类对象到所有预设聚类中心的欧氏距离；并根据计算结果将每个聚类对象划分到距离它最近的聚类中心，作为该类别的一个成员；

步骤SA3：重新计算每个类别的均值，作为该类别新的聚类中心；

步骤SA4：当每个待聚类对象到其所属类别聚类中心的距离之和不能再减小时，完成聚类；反之，则返回步骤SA2。

8.根据权利要求6所述的基于物联网的计量设备失准判断方法，其特征在于，电能表分析库的工作方法包括：

获取输入进来的异常电表前N天的计量数据，将获取的计量数据输入到数据条中，标记为分析数据条，将分析数据条进行向量化，标记为分析数据条向量，将分析数据条向量映射到向量空间中进行，通过聚类单元对分析数据条向量进行聚类，获得分析数据条向量属于的聚类，标记为分析聚类，通过匹配单元将分析数据条向量与分析聚类内的数据条向量进行逐一匹配，获得分析数据条向量与数据条向量之间的匹配度，将匹配度大于阈值X1的数据条向量标记为匹配数据，计算匹配数据数量在分析聚类内的占比，标记为失准概率，当失准概率大于阈值X2时，将对应输入进来的计量数据标记为失准数据，并获取匹配数据对应的故障原因。

Images