CN115166625A - 智能电表误差估计方法及装置 - Google Patents
智能电表误差估计方法及装置 Download PDFInfo
- Publication number
- CN115166625A CN115166625A CN202210788395.0A CN202210788395A CN115166625A CN 115166625 A CN115166625 A CN 115166625A CN 202210788395 A CN202210788395 A CN 202210788395A CN 115166625 A CN115166625 A CN 115166625A
- Authority
- CN
- China
- Prior art keywords
- load
- current
- data
- time period
- preset time
- 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
- 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
本发明涉及一种智能电表误差估计方法及装置,所述方法包括获取预设时间段内用户的用电数据及电表计量数据,对用电数据进行预处理,得到待处理电流;用电数据包括电压数据和电流数据;利用预设的随机森林负荷识别模型对待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长,根据负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;根据预设时间段内的理论用电量与电表计量数据,计算估计预设时间段内的绝对误差。本发明能高效精准的对智能电表运行误差进行估计,实现智能电表由定期更换向状态更换的方式转变,并确保计量的准确性。
Description
技术领域
本发明属于电表误差估计技术领域,具体涉及一种智能电表误差估计方法及装置。
背景技术
在智能电网快速发展及应用的背景下,其终端建设将完成普通电表到智能电表的更换。据统计分析,2019年国家电网智能电表招标数量快速增长至 7380.19万只,同比增长39.8%。2020年电能表铺设进度放缓,国家电网智能电表招标数量有所下滑,同比下降29.5%,2021年招标量恢复增长,达6674.01万只。预计2022年国家电网智能电表招标数量将达 7736.35万只,南方电网智能电表招标总额将达到31.76亿元。
智能电表作为智能电网的重要组成部分,是电网运行控制和供用电双方贸易结算的依据,其计量结果直接关系到电网安全及双方贸易结算是否公平合理,因此其属于强制检定设备,到期需要更换,根据规定,智能电表运行8年左右就需要更换。智能电表是典型的感知层终端,是故障抢修、电力交易、客户服务、配网运行、电能质量监测等各项业务的基础数据来源。在数字化智能电网的加速推进下,智能电表市场和盈利空间快速拓展。除了国家电网和南方电网公司大量采购以外,商业地产、市政建筑、学校、医院、工业企业、精密制造、交通基础设施、数据中心、通信等各行各业,都有大量的应用,市场潜力巨大。而且当前的分布式电源、充电桩等热点领域,都需要相关的智能电表技术支持。
相关技术中,电力公司检定智能电表是否精确的传统校验方法主要有两种: 一种是由专业人员定期携带仪器设备到现场进行周期抽检;另一种是通常将智能电表拆回检测室并在相同标准条件下(包括影响量的范围、环境条件、试验接线等)进行检定。现行计量校验模式越来越难以持续,主要体现在两方面:一是检定工作强度高、工作量大,需花费大量的人力和车辆在各个计量点的定期检定上。二是检定周期长,检测周期之间电能计量装置出现缺陷和异常不能及时发现的问题。
发明内容
有鉴于此,本发明的目的在于克服现有技术的不足,提供一种智能电表误差估计方法及装置,以解决现有技术中难以满足现代化智能电表出现缺陷和异常不能及时发现的问题。
为实现以上目的,本发明采用如下技术方案:一种智能电表误差估计方法,包括:
获取预设时间段内用户的用电数据及电表计量数据,所述用电数据包括电压数据和电流数据;
对所述用电数据进行预处理,得到待处理电流;
利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;
根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
进一步的,所述对所述用电数据进行预处理,得到待处理电流,包括:
利用傅里叶变换对所述用电数据进行阈值滤波处理;
将滤波处理后得到的用电数据确定为待处理电流。
进一步的,所述利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长,包括:
构建随机森林负荷识别模型;
利用所述随机森林负荷识别模型识别所述待处理电流,提取所述待处理电流中的特征参数;
根据所述特征参数确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
进一步的,所述特征参数包括:电流凹凸系数和电流波峰系数;
其中,所述电流凹凸系数为用户负荷投入后的一个周期内电流值之和与负荷状态进入稳态后一个周期内电流值之和的比值;所述电流波峰系数为电流峰值与电流均方根的比值。
进一步的,所述构建随机森林负荷识别模型,包括:
采集用户的各种用电设备用电数据作为负荷样本集,从所述负荷样本集中随机且有放回的进行多次抽样,生成多个训练集;
从所述训练集中随机选择多个特征,根据多个所述特征对应的Gini系数选择所述特征的分割点;
根据所述分割点递归构建决策树模型,将多个所述决策树模型采用随机森林的学习算法建立随机森林识别模型。
进一步的,选择所述特征的分割点后,对单个决策树模型进行剪枝,得到最优决策树模型。
进一步的,将所述绝对误差与预设阈值进行对比;
如果所述绝对误差超出所述预设阈值,则上报故障以通知工作人员检修;否则,继续进行误差评估。
进一步的,所述电流凹凸系数表征电流信号的稳态特征,所述电流波峰系数表征电流信号的暂态特征。
本申请实施例提供一种基于随机森林算法的智能电表误差估计装置,包括:
获取模块,用于获取预设时间段内用户的用电数据及电表计量数据;所述用电数据包括电压数据和电流数据;
预处理模块,用于对所述用电数据进行预处理,得到待处理电流;
识别模块,用于利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
计算模块,用于根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;
估算模块,用于根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
进一步的,还包括:
对比模块,用于将所述绝对误差与预设阈值进行对比;
如果所述绝对误差超出所述预设阈值,则上报故障以通知工作人员检修;否则,继续进行误差评估。
本发明采用以上技术方案,能够达到的有益效果包括:
本发明提供一种智能电表误差估计方法及装置,本申请通过随机森林负荷识别模型对用户的用电数据进行识别,可以得到用户理论用电量,然后根据用户理论用电量与用户理论用电量进行计算,就得到了预设时段段内的误差,通过误差的大小即可以判断智能电表运行是否正常,确保智能电表的准确性。
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他的附图。
图1为本发明智能电表误差估计方法的步骤示意图;
图2为本发明智能电表误差估计方法实施的装置的结构示意图;
图3为本发明智能电表误差估计方法的流程示意图;
图4为本发明提供的电流信号经过傅里叶阈值去噪前后对比结果示意图;
图5为本发明提供的随机森林的算法结构示意图;
图6为本发明提供的多个用电设备的电流信号经过傅里叶阈值去噪的结果示意图;
图7为本发明提供的识别的3种不同类型的负荷并对每个负荷进行了时长统计示意图;
图8为本发明基于随机森林算法的智能电表误差估计装置的结构示意图;
图9为本发明提供的智能电表误差估计方法实施环境的硬件结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将对本发明的技术方案进行详细的描述。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的前提下所得到的所有其它实施方式,都属于本发明所保护的范围。
下面结合附图介绍本申请实施例中提供的一个具体的智能电表误差估计方法及装置。
如图1所示,本申请实施例中提供的智能电表误差估计方法,包括:
S101,获取预设时间段内用户的用电数据及电表计量数据;所述用电数据包括电压数据和电流数据;
S102,对所述用电数据进行预处理,得到待处理电流;
一些实施例中,所述电压数据和所述电流数据分别是通过预先设置在用户的用电设备上的电压采样模块和电流采样模块获取到的。
如图2所示,用户的用电设备可以包括:小太阳、冰箱、热水壶、电视和/ 或吹风机等,当然还可以包括其他用电设备,本申请在此不做限定。本申请通过在用电设备中安装电压采集模块和电流采集模块,其中,电压采集模块可以是电压采集器,电流采集模块可以是电流采集器,通过电压采集器和电流采集器分别采集用电设备的电压数据和电流数据,然后将获取预设时间段内用户的用电数据发送至服务器,服务器将数据传送至电脑,电表计量数据可以通过监控实现。
S103,利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
S104,根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;
可以理解的是,随机森林负荷识别模型是预先构建的,其能够对待处理电流进行识别分析,就可以得到预设时间段内用户接入的负荷种类以及每种负荷对应的时长,其原理为因为不同的用电设备使用时的电流信号不同,而根据不同的电流信号就可以判断不同的负荷,同时根据电流信号的持续时间可以判断负荷的持续时长。在得到负荷种类及每种负荷对应的时长后即可以计算用户理论用电量。
S105,根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
其中,理论用电量为根据随机森林负荷识别模型计算得到的理论值,通过理论用电量与电表计量数据作差得到差的绝对值,即为绝对误差。理论值与实际使用过程中电表的计量数据存在一定范围的误差是正常的,但是如果超过了就说明电表可能出现了异常或损坏的情况。
智能电表误差估计方法的工作原理为:首先获取预设时间段ΔT内某用户原始用电数据和电表计量数据W1,然后通过预先构建的随机森林负荷识别模型对用电数据进行识别,得到负荷种类及每种负荷对应的时长,然后通过负荷种类及每种负荷对应的时长即可以计算用户理论用电量,通过用户理论用电量与电表计量数据就可以计算得到绝对误差。
一些实施例中,所述对所述用电数据进行预处理,得到待处理电流,包括:
利用傅里叶变换对所述用电数据进行阈值滤波处理;
将滤波处理后得到的用电数据确定为待处理电流。
具体的,如图3所示的,首先获取预设时间段ΔT内某用户原始用电数据和电表计量数据W1,采用傅里叶阈值去噪对电流信号进行滤波处理,避免影响负荷辨识结果,增加负荷辨识准确度,傅里叶阈值去噪前后结果对比如图4所示。
一些实施例中,所述利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长,包括:
构建随机森林负荷识别模型;
利用所述随机森林负荷识别模型识别所述待处理电流,提取所述待处理电流中的特征参数;
根据所述特征参数确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
一些实施例中,所述特征参数包括:电流凹凸系数和电流波峰系数
其中,所述电流凹凸系数为用户负荷投入后的一个周期内电流值之和与负荷状态进入稳态后一个周期内电流值之和的比值;所述电流波峰系数为电流峰值与电流均方根的比值。其中,所述电流凹凸系数表征电流信号的稳态特征,所述电流波峰系数表征电流信号的暂态特征。
具体的,本申请中在得到去噪后的用电信息即电流后,选取电流凹凸系数 c和电流波峰系数ICF作为提取特征,其中,电流凹凸系数定义为用户负荷投入后的一周期内电流值之和与负荷状态进入稳态后一周期内电流值之和的比值。电流凹凸系数越大,反映了电器波形的非线性程度越高,内部结构越复杂,电流发生的畸变程度越大。计算公式如下:
其中,c为电流凹凸系数,ITK为暂态区域第k时刻的电流峰值,ISK为稳态区域第k时刻的电流峰值。
电流波峰系数由电流峰值与电流均方根得到,计算公式如下:
其中,ICF为电流波峰系数;IP为电流峰值,具体为在一个采样周期中电流的最大值;Irms为电流均方根。
一些实施例中,所述构建随机森林负荷识别模型,包括:
采集用户的各种用电设备用电数据作为负荷样本集,从所述负荷样本集中随机且有放回的进行多次抽样,生成多个训练集;
从所述训练集中随机选择多个特征,根据多个所述特征对应的Gini系数选择所述特征的分割点;
根据所述分割点递归构建决策树模型,将多个所述决策树模型采用随机森林的学习算法建立随机森林识别模型。
作为一种优选的实施方式,选择所述特征的分割点后,对单个决策树模型进行剪枝,得到最优决策树模型。
具体的,两个典型特征综合了稳态特征与暂态特征各自优势用来确定负荷种类和负荷接入时长,采用随机森林算法进行负荷辨识,随机森林的算法结构示意图如图5所示。
其中,构建随机森林负荷识别模型的过程如下:从负荷特征样本集X共进行n次抽样,生成n个训练集X=[x1 x2…xn]T;对于单个决策树模型,随机选择 k个特征,并根据相应的规则(Gini系数)选择最好的特征进行分裂,划分数据集,
其中Gini系数计算公式如下:
其中,pv为第v类样本的概率。
按照上一步骤的操作递归构建决策树h1(x1),h2(x2),…,hk(xk),直到该节点的所有特征量样本都属于同一类负荷,同时在分裂过程中需要剪枝。构建模型之后,读入新数据,分别在不同决策树中进行分类,最后采用多数投票法确定分类的类别。
构建负荷辨识模型之后,从智能电表获取ΔT时间内模拟场景原始用电数据即电流电压信号和电表计量数据W1,对电流信号进行傅里叶阈值去噪如图6 所示,将滤波之后的电流信号以电流波峰系数和电流凹凸系数为特征提取进行数据分析,识别得了3种不同类型的负荷并对每个负荷进行了时长统计,如图 7所示。
通过随机森林算法建立随机森林负荷辨识模型,确定预设时间段ΔT时间内用户接入的不同负荷数量M与每种负荷的接入时长T=(T1…Ti…Tm);其中 Ti为第i种负荷在ΔT时间内的接入时长。
然后根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量,计算用户在ΔT内的理论用电量W2,公式如下:
其中,Gi为第i种负荷的有功功率,作为样本训练的中间参量,不作为特征。计算公式如下
Gi=UIicosθ (5)
其中,U是ΔT内测得的电压有效值,Ii是负荷识别的第i种电器在ΔT内的电流有效值,θ为电压与电流信号的相位差。
δ=|W1-W2| (6)
δ为绝对误差。
一些实施例中,本申请提供的智能电表误差估计方法,还包括:
将所述绝对误差与预设阈值进行对比;
如果所述绝对误差超出所述预设阈值,则上报故障以通知工作人员检修;否则,继续进行误差评估。
其中,预设阈值为智能电表允许的最大误差,本申请中将δ与智能电表允许最大误差比较,如果超过阈值则上报故障,通知工作人员检修,如果在阈值范围内,则继续进行误差评估。
本申请具有以下有益效果:
本申请能高效精准的对智能电表运行误差进行估计,实现智能电表由定期更换向状态更换的方式转变,并确保计量的准确性,节省大量人力物力;
本申请从时域对用户用电数据进行分析,并构建电流波峰系数、电流凹凸系数的典型多负荷特征,相比单一特征提取的局限性,本方法提高了用户负荷辨识准确率;
本申请使用随机森林方法,有效的对某一时间段内用户的用电情况包括负荷种类和接入时长进行统计,有利于计算精确的用户用电量理论值,便于后续对智能电表计量精度判断,从而实现智能电表误差评估智能化。
如图8所示,本申请实施例提供一种基于随机森林算法的智能电表误差估计装置,包括:
获取模块801,用于获取预设时间段内用户的用电数据及电表计量数据;所述用电数据包括电压数据和电流数据;
预处理模块802,用于对所述用电数据进行预处理,得到待处理电流;
识别模块803,用于利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
计算模块804,用于根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;
估算模块805,用于根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
本申请提供的基于随机森林算法的智能电表误差估计装置的工作原理为,获取模块801获取预设时间段内用户的用电数据及电表计量数据;所述用电数据包括电压数据和电流数据;预处理模块802对所述用电数据进行预处理,得到待处理电流;识别模块803利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;计算模块804根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;估算模块805根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
本申请提供一种计算机设备,包括:存储器和处理器,还可以包括网络接口,所述存储器存储有计算机程序,存储器可以包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。该计算机设备存储有操作系统,存储器是计算机可读介质的示例。所述计算机程序被所述处理器执行时,使得所述处理器执行智能电表误差估计方法,图9中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一个实施例中,本申请提供的智能电表误差估计方法可以实现为一种计算机程序的形式,计算机程序可在如图9所示的计算机设备上运行。
一些实施例中,所述计算机程序被所述处理器执行时,使得所述处理器执行以下步骤:获取预设时间段内用户的用电数据及电表计量数据,对所述用电数据进行预处理,得到待处理电流;所述用电数据包括电压数据和电流数据;利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长,根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
本申请还提供一种计算机存储介质,计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光光盘(DVD)或其他光学存储、磁盒式磁带存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。
一些实施例中,本发明还提出了一种计算机可读存储介质,存储有计算机程序,所述计算机程序被处理器执行时,获取预设时间段内用户的用电数据及电表计量数据,对所述用电数据进行预处理,得到待处理电流;所述用电数据包括电压数据和电流数据;利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长,根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
综上所述,本发明提供一种智能电表误差估计方法及装置,包括通过随机森林负荷识别模型对用户的用电数据进行识别,可以得到用户理论用电量,然后根据用户理论用电量与用户理论用电量进行计算,就得到了预设时段段内的误差,通过误差的大小即可以判断智能电表运行是否正常,确保智能电表的准确性。除此之外,本申请还设有预设阈值,能够在绝对误差超过预设阈值也就说明电表存在异常或损坏时进行报警,尽快通知工作人员进行维修,节省人力物力。
可以理解的是,上述提供的方法实施例与上述的装置实施例对应,相应的具体内容可以相互参考,在此不再赘述。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请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,本申请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和光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。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、嵌入式处理机或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方法的制造品,该指令方法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。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种智能电表误差估计方法,其特征在于,包括:
获取预设时间段内用户的用电数据及电表计量数据,所述用电数据包括电压数据和电流数据;
对所述用电数据进行预处理,得到待处理电流;
利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;
根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
2.根据权利要求1所述的方法,其特征在于,所述对所述用电数据进行预处理,得到待处理电流,包括:
利用傅里叶变换对所述用电数据进行阈值滤波处理;
将滤波处理后得到的用电数据确定为待处理电流。
3.根据权利要求1所述的方法,其特征在于,所述利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长,包括:
构建随机森林负荷识别模型;
利用所述随机森林负荷识别模型识别所述待处理电流,提取所述待处理电流的特征参数;
根据所述特征参数确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长。
4.根据权利要求3所述的方法,其特征在于,所述特征参数包括:电流凹凸系数和电流波峰系数;
其中,所述电流凹凸系数为用户负荷投入后的一个周期内电流值之和与负荷状态进入稳态后一个周期内电流值之和的比值;所述电流波峰系数为电流峰值与电流均方根的比值。
5.根据权利要求4所述的方法,其特征在于,所述构建随机森林负荷识别模型,包括:
采集用户的各种用电设备用电数据作为负荷样本集,从所述负荷样本集中随机且有放回的进行多次抽样,生成多个训练集;
从所述训练集中随机选择多个特征,根据多个所述特征对应的Gini系数选择所述特征的分割点;
根据所述分割点递归构建决策树模型,将多个所述决策树模型采用随机森林的学习算法建立随机森林识别模型。
6.根据权利要求5所述的方法,其特征在于,还包括:
选择所述特征的分割点后,对单个决策树模型进行剪枝,得到最优决策树模型。
7.根据权利要求1所述的方法,其特征在于,还包括:
将所述绝对误差与预设阈值进行对比;
如果所述绝对误差超出所述预设阈值,则上报故障以通知工作人员检修;否则,继续进行误差评估。
8.根据权利要求4所述的方法,其特征在于,
所述电流凹凸系数表征电流信号的稳态特征,所述电流波峰系数表征电流信号的暂态特征。
9.一种基于随机森林算法的智能电表误差估计装置,其特征在于,包括:
获取模块,用于获取预设时间段内用户的用电数据及电表计量数据;所述用电数据包括电压数据和电流数据;
预处理模块,用于对所述用电数据进行预处理,得到待处理电流;
识别模块,用于利用预设的随机森林负荷识别模型对所述待处理电流进行识别分析,确定预设时间段内用户接入的负荷种类以及每种负荷对应的时长;
计算模块,用于根据所述负荷种类及每种负荷对应的时长计算预设时间段内的用户理论用电量;
估算模块,用于根据预设时间段内的所述理论用电量与所述电表计量数据,计算估计预设时间段内的绝对误差。
10.根据权利要求9所述的装置,其特征在于,还包括:
对比模块,用于将所述绝对误差与预设阈值进行对比;
如果所述绝对误差超出所述预设阈值,则上报故障以通知工作人员检修;否则,继续进行误差评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210788395.0A CN115166625A (zh) | 2022-07-06 | 2022-07-06 | 智能电表误差估计方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210788395.0A CN115166625A (zh) | 2022-07-06 | 2022-07-06 | 智能电表误差估计方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115166625A true CN115166625A (zh) | 2022-10-11 |
Family
ID=83491679
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210788395.0A Pending CN115166625A (zh) | 2022-07-06 | 2022-07-06 | 智能电表误差估计方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115166625A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572332A (zh) * | 2024-01-16 | 2024-02-20 | 北京京仪北方仪器仪表有限公司 | 一种基于云计算的电能表误差校验方法及系统 |
-
2022
- 2022-07-06 CN CN202210788395.0A patent/CN115166625A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572332A (zh) * | 2024-01-16 | 2024-02-20 | 北京京仪北方仪器仪表有限公司 | 一种基于云计算的电能表误差校验方法及系统 |
CN117572332B (zh) * | 2024-01-16 | 2024-03-22 | 北京京仪北方仪器仪表有限公司 | 一种基于云计算的电能表误差校验方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110097297B (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN110223196B (zh) | 基于典型行业特征库和反窃电样本库的反窃电分析方法 | |
CN109034244B (zh) | 基于电量曲线特征模型的线损异常诊断方法及装置 | |
CN110634080B (zh) | 异常用电检测方法、装置、设备及计算机可读存储介质 | |
CN110231528B (zh) | 基于负荷特征模型库的变压器户变异常识别方法及装置 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN108198408B (zh) | 一种基于用电信息采集系统的自适应反窃电监控方法及系统 | |
Cheng et al. | Enhanced state estimation and bad data identification in active power distribution networks using photovoltaic power forecasting | |
CN109726865A (zh) | 基于emd-qrf的用户负荷概率密度预测方法、装置和存储介质 | |
CN111008193B (zh) | 一种数据清洗与质量评价方法及系统 | |
CN113126019A (zh) | 一种智能电表误差远程估计方法、系统、终端和存储介质 | |
CN116187773B (zh) | 一种用于电厂储存电能的损失分析方法及系统 | |
CN111177208A (zh) | 基于大数据分析的用电异常检测方法 | |
Ramos et al. | Data mining techniques application in power distribution utilities | |
CN116882804A (zh) | 一种智能电力监控方法及系统 | |
CN115166625A (zh) | 智能电表误差估计方法及装置 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、系统及介质 | |
Yoon et al. | Deep learning-based method for the robust and efficient fault diagnosis in the electric power system | |
CN116384622A (zh) | 基于电力大数据的碳排放监测方法及装置 | |
CN115907033A (zh) | 一种基于机器学习算法预测每小时用电量的方法及系统 | |
CN115146715A (zh) | 用电安全隐患诊断方法、装置、设备及存储介质 | |
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 | |
CN110717244B (zh) | 基于平均偏离度算法的数据信任度分析计算机仿真方法 | |
CN114839462A (zh) | 一种智能反窃电监察方法和系统 |
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 |