CN114926015B - 基于d-s证据理论的智能电能表质量状态评价方法及系统 - Google Patents
基于d-s证据理论的智能电能表质量状态评价方法及系统 Download PDFInfo
- Publication number
- CN114926015B CN114926015B CN202210535333.9A CN202210535333A CN114926015B CN 114926015 B CN114926015 B CN 114926015B CN 202210535333 A CN202210535333 A CN 202210535333A CN 114926015 B CN114926015 B CN 114926015B
- Authority
- CN
- China
- Prior art keywords
- index
- electric energy
- energy meter
- intelligent electric
- abnormal event
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 40
- 230000002159 abnormal effect Effects 0.000 claims abstract description 54
- 238000009826 distribution Methods 0.000 claims abstract description 52
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000013441 quality evaluation Methods 0.000 claims abstract description 25
- 230000008569 process Effects 0.000 claims abstract description 7
- 238000001514 detection method Methods 0.000 claims description 24
- 238000013210 evaluation model Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000003860 storage Methods 0.000 claims description 3
- 230000003068 static effect Effects 0.000 abstract description 6
- 238000012216 screening Methods 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 238000013024 troubleshooting Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000005653 Brownian motion process Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009960 carding Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- 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
- G06Q10/06395—Quality analysis or management
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- 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
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明提供了一种基于D‑S证据理论的智能电能表质量状态评价方法及系统,通过在获取数据中,构建包括稳定性指标、可靠性指标和异常事件指标的一级指标,再将一级指标分别分为多个二级指标,构建了一种两层次、三维度的电能表质量评价指标方法及体系,综合考虑静态与动态指标,可兼顾准确性、时效性全面反映电能表质量水平;在此基础上,采用D‑S证据理论确定确稳定性指标、可靠性指标和异常事件指标的权重,提出一种基于D‑S证据理论的电能表质量状态评价方法,可实现综合利用多源信息评价电能表质量状态,使得评价结果更加准确;采用概率分布表示质量评价结果,给出质量评价结果点估计的同时,还可给出发生故障的概率,提高了风险可控性。
Description
技术领域
本发明属于质量评价技术领域,尤其涉及一种基于D-S证据理论的智能电能表质量状态评价方法及系统。
背景技术
智能电能表质量与可靠性是一项十分重要的指标,质量与可靠性差的电能表影响电能计量、电网稳定、以及企业形象。当前,在现货交易电力市场建设的背景下,电能表质量与可靠性显得尤其重要,对电能表质量与可靠性评价的准确性、及时性与动态评价提出了更高要求。
发明人发现,现有电能表质量状态评价方法存在虚警率高、评价结果时效性差的问题,导致维护时间和人力成本居高不下,严重影响了电力市场现货交易的建设与发展,对电网稳定性带来隐患。
发明内容
本发明为了解决上述问题,提出了一种基于D-S证据理论的智能电能表质量状态评价方法及系统,本发明可以全面反映电能表质量水平、兼顾准确性和时效性。
为了实现上述目的,本发明是通过如下的技术方案来实现:
第一方面,本发明提供了一种基于D-S证据理论的智能电能表质量状态评价方法,包括:
获取智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种;
依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,以及预设的智能电能表质量状态评价模型,得到评价结果;
其中,智能电能表质量状态评价模型中,依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,建立稳定性指标、可靠性指标和异常事件指标;所述稳定性指标是依据权重法,向初始稳定性指标和动态稳定性指标赋予权重得到,所述可靠性指标是依据权重法,向可靠寿命指标和失效率指标赋予权重得到,所述异常事件指标通过时钟超差指标、电池欠压指标或开盖指标中的一个或多个确定;依据权重法,对所述稳定性指标、所述可靠性指标和所述异常事件指标赋予权重,得到运行状态质量综合指标,确定所述稳定性指标、所述可靠性指标和所述异常事件指标的权重时,采用D-S证据理论确定;依据所述运行状态质量综合指标,通过求解概率分布得到质量评价结果。
进一步的,所述初始稳定性指标服从正态分布,分布参数根据智能电能表首检记录数据得到;所述动态稳定性指标服从正态分布,分布参数根据智能电能表失准估计数据得到。
进一步的,所述可靠寿命指标服从正态分布,分布参数根据智能电能表拆回分拣数据得到;所述失效率指标服从正态分布,分布参数根据智能电能表拆回分拣数据评估结果得到。
进一步的,所述时钟超差指标和所述电池欠压指标伴随电能表运行过程具有渐变过程,经过一段时间后达到超差阈值,出现时钟超差异常或电池欠压事件。
进一步的,所述动态稳定性指标赋予的权重大于所述初始稳定性指标赋予的权重;所述失效率指标赋予的权重大于所述可靠寿命指标赋予的权重。
进一步的,所述时钟超差指标、所述电池欠压指标和所述开盖指标中任一指标被确认为智能电能表异常事件时,确定智能电表为故障。
进一步的,若异常事件指标被确定,则智能电能表为故障;若异常事件指标不被确定,则采用D-S证据理论确定分别赋予所述稳定性指标、所述可靠性指标和所述异常事件指标的权值。
第二方面,本发明还提供了一种基于D-S证据理论的智能电能表质量状态评价系统,包括:
数据采集模块,被配置为:获取智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种;
评价模块,被配置为:依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,以及预设的智能电能表质量状态评价模型,得到评价结果;
其中,智能电能表质量状态评价模型中,依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,建立稳定性指标、可靠性指标和异常事件指标;所述稳定性指标是依据权重法,向初始稳定性指标和动态稳定性指标赋予权重得到,所述可靠性指标是依据权重法,向可靠寿命指标和失效率指标赋予权重得到,所述异常事件指标通过时钟超差指标、电池欠压指标或开盖指标中的一个或多个确定;依据权重法,对所述稳定性指标、所述可靠性指标和所述异常事件指标赋予权重,得到运行状态质量综合指标,确定所述稳定性指标、所述可靠性指标和所述异常事件指标的权重时,采用D-S证据理论确定;依据所述运行状态质量综合指标,通过求解概率分布得到质量评价结果。
第三方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了第一方面所述的基于D-S证据理论的智能电能表质量状态评价方法的步骤。
第四方面,本发明还提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了第一方面所述的基于D-S证据理论的智能电能表质量状态评价方法的步骤。
与现有技术相比,本发明的有益效果为:
本发明通过在获取数据中,构建包括稳定性指标、可靠性指标和异常事件指标的一级指标,再将一级指标分别分为多个二级指标,构建了一种两层次、三维度的电能表质量评价指标方法及体系,综合考虑静态与动态指标,可兼顾准确性、时效性全面反映电能表质量水平;在此基础上,采用D-S证据理论确定确稳定性指标、可靠性指标和异常事件指标的权重,提出一种基于D-S证据理论的电能表质量状态评价方法,可实现综合利用多源信息评价电能表质量状态,使得评价结果更加准确;采用概率分布标示质量评价结果,给出质量评价结果点估计的同时,还可给出发生故障的概率,提高了风险可控性。
附图说明
构成本实施例的一部分的说明书附图用来提供对本实施例的进一步理解,本实施例的示意性实施例及其说明用于解释本实施例,并不构成对本实施例的不当限定。
图1为本发明实施例1的电能表质量状态评价技术路线图;
图2为本发明实施例1的电能表质量指标体系。
具体实施方式:
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
实施例1:
在进行只能电能表质量评价时,与电能表相关的指标各种各样,如何针对电力市场现货交易构建电能表质量评价指标体系是难点,现有指标体系具有单一性、评价过程时效性差,难以满足现货交易要求;电能表质量与可靠性数据来源具有多样性,如何综合利用多源数据开展电能表质量评价缺少有针对性的方法;质量评价结果仅给出点估计,据此评价电能表质量状态风险较高。
针对上述问题,本实施例提出了一种基于D-S证据理论的智能电能表质量状态评价方法,包括:
获取智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种;
依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,以及预设的智能电能表质量状态评价模型,得到评价结果;
其中,智能电能表质量状态评价模型中,依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,建立稳定性指标、可靠性指标和异常事件指标;所述稳定性指标是依据权重法,向初始稳定性指标和动态稳定性指标赋予权重得到,所述可靠性指标是依据权重法,向可靠寿命指标(MTBF)和失效率指标赋予权重得到,所述异常事件指标通过时钟超差指标、电池欠压指标或开盖指标中的一个或多个确定;依据权重法,对所述稳定性指标、所述可靠性指标和所述异常事件指标赋予权重,得到运行状态质量综合指标,确定所述稳定性指标、所述可靠性指标和所述异常事件指标的权重时,采用D-S证据理论确定;依据所述运行状态质量综合指标,通过求解概率分布得到质量评价结果。
本实施例构建的电能表质量评价指标体系,可以全面反映电能表质量水平、兼顾准确性、时效性,解决了电能表数据来源多样性导致的评价苦难问题,采用概率分布标示质量评价结果,给出质量评价结果点估计的同时,还可给出发生故障的概率,提高了风险可控性。
如图1所示,本实施例中可以从电能表生命周期挂网前检验检测、挂网运行和拆回分拣三个阶段筛选相关指标,确定稳定性指标、可靠性指标和异常事件指标三类一级指标,并逐级向下分解成二级指标,构建电能表质量评价体系;收集电能表用电信息采集数据、异常与事件记录数据,开展底层指标评价方法研究;结合底层指标的工程意义与特征,构建底层指标权重确定方法,进而构建顶层指标评价方法;在各层级质量指标评价过程中引入概率分布,从概率意义上量化指标;结合各顶层指标工程意义及现场数据支撑,构建顶层指标权重确定方法;最终构建基于D-S证据理论的电能表运行质量评价建模方法;具体如下:
梳理电能表生命周期挂网前检验检测、挂网运行和拆回分拣三个阶段所有可能的信息来源,构建电能表质量指标体系,如图2所示;指标体体系由三个一级指标:稳定性指标A1、可靠性指标A2以及异常事件指标A3;其中,所述稳定性指标A1可分为初始稳定性指标A11和动态稳定性指标A12二个二级指标,所述可靠性指标A2可分为可靠寿命A21和失效率A22二个二级指标,考虑到异常与事件是否与电能表本身相关,可将所述异常事件指标A3分为时钟超差指标A31、电池欠压指标A32与开盖指标A33三个二级指标。
数据是智能电能表质量状态评价的基础;本实施例中,可以结合电网数据采集的工程实际,综合利用用电信息采集数据、计量调度数据和拆回分拣数据以及异常与事件记录数据;具体而言,可利用电能表首检记录数据评价初始稳定性指标,利用台区电能表失准估计数据评价动态稳定性指标,利用拆回分拣数据评估MTBF和失效率指标;对于异常事件指标,首先进行排故分析、进而预测电能表故障。
本实施例中,所述初始稳定性指标A11服从正态分布:
A11~N(EU-μI,σI)
其中,分布参数μI,σI可根据电能表首检记录数据利用最小二乘法计算得到,EU表示电能表计量误差门限值。
获得某一计量装置误差后,即可计算该计量装置将要超差的概率:
其中,eI,i为第i块电能表初始计量误差。
所述动态稳定性指标A12同样服从正态分布:
A12~N(EU-μD,σD)
其中,分布参数μD,σD可根据电能表失准估计数据利用最小二乘法计算得到,获得某一计量装置误差后,即可计算该计量装置发生超差的风险为:
eD,i为第i块电能表失准估算误差。
所述可靠寿命指标A21=tR-16服从正态分布;A21标示计量设备可靠寿命超出16年的距离,A21越大,表示计量设备可靠性水平越高,反之,则计量设备可靠性水平越低:
A21~N(μtR-16,σtR),
其中,设备可靠寿命为tR,分布参数μtR,σtR可根据电能表拆回分拣数据利用最小二乘法计算得到;可将随机变量A21低于16年的概率作为计量设备的故障风险:
所述失效率指标A22=R(t)-0.9服从正态分布,A22标示计量设备可靠度超出0.9的距离,A22越大,表示计量设备可靠性水平越高,反之,则计量设备可靠性水平越低:
A22~N(μR-0.9,σR),
其中,可靠度函数R(t)近似服从正态分布R~N(μR,σR),分布参数μR,σR可根据电能表拆回分拣数据评估结果经过矩等价转化得到。
可将随机变量A22低于0.9的概率作为计量设备的故障风险:
所述时钟超差指标A31与所述电池欠压指标A31伴随其运行过程具有渐变过程,经过一段时间后达到超差阈值εend,报时钟超差异常或电池欠压事件。视该过程为Wiener过程,则可建立该指标的退化规律模型,进而可以预测电能表在t时刻发生故障的概率为:
其中,F(t)为电能表发生故障的概率风险;Δεi=εi-εi-1,Δεi为电表在时刻ti和ti-1区间内的偏差增量;Δti=ti-ti-1,Δti为时刻ti和ti-1的时间间隔(i>1,且i为正整数)。
所属于开盖指标A33不表示电能表质量状态,但该事件一旦出现,若由非授权人为开盖,则需要生产工单,特此单独考虑。
本实施例,确定所述稳定性指标A1时,动态误差更好的体现了计量设备当前稳定性情况,因此,衡量计量设备稳定性指标A1要综合考虑初始稳定性指标A11和动态稳定性指标A12,且动态稳定性指标A12应赋予更高的权重。考虑都随着运行时间的推移,动态稳定性指标A12应该具有更高的权重,其权重应该具有动态性。因此,基于计量设备运行时间构造静态指标和动态指标权重:
其中,T为运行时间。
据此得到所述稳定性指标A1:
A1=wIA11+wDA12
其中,wI和wD为赋予的权值;
若eA1,i-EU≥0,表示第i个电能表超差,处于故障状态;若eA1,i-EU<0则表示第i个电能表未超差,处于良好状态,且发生超差的风险为:
其中,eA1,i为第i个电能表计量误差估算值。
本实施例中,可靠寿命tR(A21)属于可靠性静态指标,可靠度R(t)(A22)属于可靠性动态指标,考虑都随着运行时间的推移,稳定性动态指标A22应该具有更高的权重,其权重应该具有动态性;因此,基于计量设备运行时间构造静态指标和动态指标权重:
据此得到计量装置可靠性指标A2:
A2=wIUA21+wDUA22
其中,UA21,UA22为可靠性指标A21,A22的归一化计算值;
且服从正态分布:
其中,为电能表可靠寿命;/>为电能表可靠度;
获得计量装置可靠性测度后,即可计算该计量装置发生故障的风险为:
本实施例中,确定异常事件指标A3时,针对时钟超差指标A31、电池欠压指标A32和开盖指标A33任一异常事件类指标,若经过排故分析后表示确是电能表本身问题触发该异常事件,则采用一票否决制,表征电能表当前质量状态为“故障”,需要生成工单。此时,A3=1。
若排故分析显示该异常事件并非由电能表本身触发,则可基于当前数据更新预测该电能表未来发生故障的风险。
据此,顶层指标A1、A2、与A3三个指标都可确定。
本实施例中,顶层指标权重确定方法为:
针对稳定性指标A1与可靠性指标A2,依据超差、故障二个原因分类拆回电能表数量,依据数量占比初步估计A1与A2的相对权重。
若A3=1,则基于一票否决制,电能表质量状态为“故障”。
若A3不为1,则可采用D-S证据理论,综合A1、A2确定各一级指标权重:
先利用证据理论合成规则:
其中,CM′gh表示第g位专家认为随机变量dh服从分布fh(dh)为真的概率。
结合A1、A2、与A3三项指标,展开上式计算可得各位专家所给出三项指标权重的被支持程度:
上式矩阵中每行代表一项指标,其中第一至第三行指标分别为A1、A2以及A3,每列代表一位专家,每个元素代表一位专家给出的某一项指标权重被其他专家支持的程度,且每一行的元素和为1。
设共I个专家给出了各指标权重分布,可以得到I个正态分布(g=1,…,I),然后用上式中每个专家各指标权重被支持的程度乘以各专家相应的指标权重均值,最后求和则可得到当前个指标的权重,即:
wA1=μ11a11+μ12a12+……+μ1Ia1I
其中μ11,μ12……μ1I为第1至第I个专家给出的稳定性指标A1的各个权重均值;
wA2=μ21a21+μ22a22+……+μ2Ia2I
其中μ21,μ22……μ2I为第1至第I个专家给出的可靠性指标A2的各个权重均值;
wA3=μ31a31+μ32a32+……+μ3Ia3I
其中μ31,μ32……μ3I为第1至第I个专家给出A3的各个权重均值;
据此,可以确定稳定性指标权重wA1、可靠性指标权重wA2和异常事件指标权重wA3。
建立电能表质量状态评价模型:
获得稳定性指标权重wA1、可靠性指标权重wA2和异常事件指标权重wA3之后,可通过加权获得计量设备运行状态质量综合指标A,
A=VA1×wA1+VA2×wA2+VA3×wA3~N(μA,σA)
式中,μA=1,A1~N(μA1,σA1),A2~N(μA2,σA2),A3~N(μA3,σA3);
归一化
其中,和/>分别为指标A1,A2,A3的均值。
获得计量装置个性能指标后,即可计算该计量装置发生故障的风险为:
电力现货市场交易不仅要求智能电能表稳定、可靠运行,而且要求一旦发生异常或故障,要能够快速响应排查故障或隐患;本实施例中,以电网用电信息采集系统、营销管理系统、电力调度生产管理系统、以及拆回分拣系统数据记录,在全寿命周期内筛选出稳定性指标、可靠性指标、异常事件指标三类一级指标,构建智能电能表运行质量水平指标体系,结合工程背景研究电能表质量水平指标评价方法和指标权重确定方法,基于D-S证据理论建立智能电能表现场运行质量水平评价模型;构建了一种2层次、3维度的电能表质量评价指标体系,综合考虑静态与动态指标,可兼顾准确性、时效性全面反映电能表质量水平;提出基于D-S证据理论的电能表质量状态评价方法,可实现综合利用多源信息评价电能表质量状态,使得评价结果更加准确;采用概率分布标示质量评价结果,给出质量评价结果点估计的同时,还可给出发生故障的概率,提高了风险可控性。
实施例2:
本实施例提供了一种基于D-S证据理论的智能电能表质量状态评价系统,包括:
数据采集模块,被配置为:获取智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种;
评价模块,被配置为:依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,以及预设的智能电能表质量状态评价模型,得到评价结果;
其中,智能电能表质量状态评价模型中,依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,建立稳定性指标、可靠性指标和异常事件指标;所述稳定性指标是依据权重法,向初始稳定性指标和动态稳定性指标赋予权重得到,所述可靠性指标是依据权重法,向可靠寿命指标和失效率指标赋予权重得到,所述异常事件指标通过时钟超差指标、电池欠压指标或开盖指标中的一个或多个确定;依据权重法,对所述稳定性指标、所述可靠性指标和所述异常事件指标赋予权重,得到运行状态质量综合指标,确定所述稳定性指标、所述可靠性指标和所述异常事件指标的权重时,采用D-S证据理论确定;依据所述运行状态质量综合指标,通过求解概率分布得到质量评价结果。
所述系统的工作方法与实施例1的基于D-S证据理论的智能电能表质量状态评价方法相同,这里不再赘述。
实施例3:
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现了实施例1所述的基于D-S证据理论的智能电能表质量状态评价方法的步骤。
实施例4:
本实施例提供了一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现了实施例1所述的基于D-S证据理论的智能电能表质量状态评价方法的步骤。
以上所述仅为本实施例的优选实施例而已,并不用于限制本实施例,对于本领域的技术人员来说,本实施例可以有各种更改和变化。凡在本实施例的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本实施例的保护范围之内。
Claims (8)
1.基于D-S证据理论的智能电能表质量状态评价方法,其特征在于,包括:
获取智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种;
依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,以及预设的智能电能表质量状态评价模型,得到评价结果;
其中,智能电能表质量状态评价模型中,依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,建立稳定性指标、可靠性指标和异常事件指标;所述稳定性指标是依据权重法,向初始稳定性指标和动态稳定性指标赋予权重得到,所述可靠性指标是依据权重法,向可靠寿命指标和失效率指标赋予权重得到,所述异常事件指标通过时钟超差指标、电池欠压指标或开盖指标中的一个或多个确定;依据权重法,对所述稳定性指标、所述可靠性指标和所述异常事件指标赋予权重,得到运行状态质量综合指标,确定所述稳定性指标、所述可靠性指标和所述异常事件指标的权重时,采用D-S证据理论确定;依据所述运行状态质量综合指标,通过求解概率分布得到质量评价结果;
所述初始稳定性指标服从正态分布,分布参数根据智能电能表首检记录数据得到;所述动态稳定性指标服从正态分布,分布参数根据智能电能表失准估计数据得到;
所述可靠寿命指标服从正态分布,分布参数根据智能电能表拆回分拣数据得到;所述失效率指标服从正态分布,分布参数根据智能电能表拆回分拣数据评估结果得到;
所述智能电能表质量状态评价模型具体为:
A=VA1×wA1+VA2×wA2+VA3×wA3~N(μA,σA)
式中,μA=1,A1~N(μA1,σA1),A2~N(μA2,σA2),A3~N(μA3,σA3);
归一化
其中,A为计量设备运行状态质量综合指标,A1为稳定性指标,A2为可靠性指标,A3为异常事件指标,和/>分别为指标A1、A2、A3的均值;wA1为稳定性指标权重,wA2为可靠性指标权重,wA3为异常事件指标权重;指标A、A1、A2、A3均服从正态分布;μA、μA1、μA2、μA3分别为指标A、A1、A2、A3的分布参数;σA、σA1、σA2、σA3分别为指标A、A1、A2、A3的标准差参数;VA1为稳定性指标A1归一化参数,VA2为可靠性指标A2归一化参数,VA3为异常事件类指标A3归一化参数。
2.如权利要求1所述的基于D-S证据理论的智能电能表质量状态评价方法,其特征在于,所述时钟超差指标和所述电池欠压指标伴随电能表运行过程具有渐变过程,经过一段时间后达到超差阈值,出现时钟超差异常或电池欠压事件。
3.如权利要求1所述的基于D-S证据理论的智能电能表质量状态评价方法,其特征在于,所述动态稳定性指标赋予的权重大于所述初始稳定性指标赋予的权重;所述失效率指标赋予的权重大于所述可靠寿命指标赋予的权重。
4.如权利要求1所述的基于D-S证据理论的智能电能表质量状态评价方法,其特征在于,所述时钟超差指标、所述电池欠压指标和所述开盖指标中任一指标被确认为智能电能表异常事件时,确定智能电表为故障。
5.如权利要求1所述的基于D-S证据理论的智能电能表质量状态评价方法,其特征在于,若异常事件指标被确定,则智能电能表为故障;若异常事件指标不被确定,则采用D-S证据理论确定分别赋予所述稳定性指标、所述可靠性指标和所述异常事件指标的权值。
6.基于D-S证据理论的智能电能表质量状态评价系统,其特征在于,包括:
数据采集模块,被配置为:获取智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种;
评价模块,被配置为:依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,以及预设的智能电能表质量状态评价模型,得到评价结果;
其中,智能电能表质量状态评价模型中,依据智能电能表挂网前检测数据、挂网运行数据和拆回分拣后数据中的一种或几种数据,建立稳定性指标、可靠性指标和异常事件指标;所述稳定性指标是依据权重法,向初始稳定性指标和动态稳定性指标赋予权重得到,所述可靠性指标是依据权重法,向可靠寿命指标和失效率指标赋予权重得到,所述异常事件指标通过时钟超差指标、电池欠压指标或开盖指标中的一个或多个确定;依据权重法,对所述稳定性指标、所述可靠性指标和所述异常事件指标赋予权重,得到运行状态质量综合指标,确定所述稳定性指标、所述可靠性指标和所述异常事件指标的权重时,采用D-S证据理论确定;依据所述运行状态质量综合指标,通过求解概率分布得到质量评价结果;
所述初始稳定性指标服从正态分布,分布参数根据智能电能表首检记录数据得到;所述动态稳定性指标服从正态分布,分布参数根据智能电能表失准估计数据得到;
所述可靠寿命指标服从正态分布,分布参数根据智能电能表拆回分拣数据得到;所述失效率指标服从正态分布,分布参数根据智能电能表拆回分拣数据评估结果得到;
所述智能电能表质量状态评价模型具体为:
A=VA1×wA1+VA2×wA2+VA3×wA3~N(μA,σA)
式中,μA=1,A1~N(μA1,σA1),A2~N(μA2,σA2),A3~N(μA3,σA3);
归一化
其中,A为计量设备运行状态质量综合指标,A1为稳定性指标,A2为可靠性指标,A3为异常事件指标,和/>分别为指标A1、A2、A3的均值;wA1为稳定性指标权重,wA2为可靠性指标权重,wA3为异常事件指标权重;指标A、A1、A2、A3均服从正态分布;μA、μA1、μA2、μA3分别为指标A、A1、A2、A3的分布参数;σA、σA1、σA2、σA3分别为指标A、A1、A2、A3的标准差参数;VA1为稳定性指标A1归一化参数,VA2为可靠性指标A2归一化参数,VA3为异常事件类指标A3归一化参数。
7.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现了如权利要求1-5任一项所述的基于D-S证据理论的智能电能表质量状态评价方法的步骤。
8.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述程序时实现了如权利要求1-5任一项所述的基于D-S证据理论的智能电能表质量状态评价方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535333.9A CN114926015B (zh) | 2022-05-17 | 2022-05-17 | 基于d-s证据理论的智能电能表质量状态评价方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210535333.9A CN114926015B (zh) | 2022-05-17 | 2022-05-17 | 基于d-s证据理论的智能电能表质量状态评价方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114926015A CN114926015A (zh) | 2022-08-19 |
CN114926015B true CN114926015B (zh) | 2023-07-21 |
Family
ID=82807806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210535333.9A Active CN114926015B (zh) | 2022-05-17 | 2022-05-17 | 基于d-s证据理论的智能电能表质量状态评价方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114926015B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115526348B (zh) * | 2022-08-30 | 2024-06-25 | 深圳市东昂科兴技术有限公司 | 设备维护计划生成方法、装置、设备及存储介质 |
CN115951123B (zh) * | 2023-02-28 | 2023-06-30 | 国网山东省电力公司营销服务中心(计量中心) | 一种基于无线通信的电能计量方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927654A (zh) * | 2019-08-23 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 一种智能电能表批次运行状态评价方法 |
CN110991826A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江省电力有限公司电力科学研究院 | 一种评价低压电能表运行状态的方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107563601A (zh) * | 2017-08-08 | 2018-01-09 | 中国计量科学研究院 | 一种智能电能表运行状态评价方法 |
CN108520304A (zh) * | 2018-02-27 | 2018-09-11 | 国网江苏省电力有限公司检修分公司 | 一种适用于多维信息下变压器状态评价的信息融合方法 |
CN114416753B (zh) * | 2022-04-01 | 2022-08-12 | 国网山东省电力公司营销服务中心(计量中心) | 基于时空量体四维数据的窃电证据数据处理方法及系统 |
-
2022
- 2022-05-17 CN CN202210535333.9A patent/CN114926015B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110927654A (zh) * | 2019-08-23 | 2020-03-27 | 国网天津市电力公司电力科学研究院 | 一种智能电能表批次运行状态评价方法 |
CN110991826A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江省电力有限公司电力科学研究院 | 一种评价低压电能表运行状态的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114926015A (zh) | 2022-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114926015B (zh) | 基于d-s证据理论的智能电能表质量状态评价方法及系统 | |
Angelos et al. | Detection and identification of abnormalities in customer consumptions in power distribution systems | |
US10534361B2 (en) | Industrial asset health model update | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN108053148B (zh) | 一种电力信息系统故障高效诊断方法 | |
Hokstad et al. | Common cause failure modeling: status and trends | |
CN102129060B (zh) | 电能表可靠性检测方法及装置 | |
CN102222276A (zh) | 电网二次设备状态检修方法及装置 | |
CN109359796A (zh) | 一种基于多评估指标的电能表生产厂商评价方法 | |
CN110221976B (zh) | 一种基于度量技术的计量终端软件质量量化评价方法 | |
CN109389280B (zh) | 基于多属性决策模型的电能表生产厂商评价方法 | |
CN110174878A (zh) | 一种无人化智能装备健康与保障综合管理通用系统 | |
CN110046797A (zh) | 基于critic和理想点法的计量设备运行质量评估方法 | |
CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
Long et al. | A data-driven combined algorithm for abnormal power loss detection in the distribution network | |
CN116882804A (zh) | 一种智能电力监控方法及系统 | |
Kančev et al. | The price of risk reduction: Optimization of test and maintenance integrating risk and cost | |
CN110873857B (zh) | 基于多源数据融合的智能电能表运行状态评价方法及系统 | |
Ma et al. | Measurement error assessment for smart electricity meters under extreme natural environmental stresses | |
Balali et al. | Data-driven predictive model of reliability estimation using degradation models: a review | |
CN112785456A (zh) | 基于向量自回归模型的高损线路窃电检测方法 | |
CN116380228A (zh) | 衡器运行监测方法、系统、终端及存储介质 | |
López et al. | Phasor measurement unit placement for wide area instability detection and prediction | |
CN118157325B (zh) | 一种用于新能源电力的实时监测方法及系统 | |
CN118226179B (zh) | 一种配网自动化继电保护测试系统 |
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 |