CN115508770A - 一种基于kl-nb算法的电能表运行状态在线评估方法 - Google Patents

一种基于kl-nb算法的电能表运行状态在线评估方法 Download PDF

Info

Publication number
CN115508770A
CN115508770A CN202211466208.3A CN202211466208A CN115508770A CN 115508770 A CN115508770 A CN 115508770A CN 202211466208 A CN202211466208 A CN 202211466208A CN 115508770 A CN115508770 A CN 115508770A
Authority
CN
China
Prior art keywords
electric energy
branch
energy meter
error
power supply
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.)
Granted
Application number
CN202211466208.3A
Other languages
English (en)
Other versions
CN115508770B (zh
Inventor
代洁
张荣霞
杨文锋
何质质
任波
陈应林
陈勉舟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuhan Gelanruo Intelligent Technology Co ltd
Original Assignee
Wuhan Gelanruo Intelligent Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuhan Gelanruo Intelligent Technology Co ltd filed Critical Wuhan Gelanruo Intelligent Technology Co ltd
Priority to CN202211466208.3A priority Critical patent/CN115508770B/zh
Publication of CN115508770A publication Critical patent/CN115508770A/zh
Application granted granted Critical
Publication of CN115508770B publication Critical patent/CN115508770B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Theoretical Computer Science (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Computing Systems (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于KL‑NB算法的电能表运行状态在线评估方法，包括：对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电压互感器误差估计值
Figure 671238DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 513292DEST_PATH_IMAGE002
；基于
Figure 174080DEST_PATH_IMAGE001
和
Figure 825336DEST_PATH_IMAGE002
，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；以电能表第一计量误差和第二计量误差作为特征参量，采用KL‑NB分类算法构建电能表状态评估模型，对待测电能表进行状态评估；采用了电压、电流互感器误差数据及变电站总表数据，评估了电能表计量误差；以电能表计量误差为特征参量，采用改进的贝叶斯算法实现了电能表状态的准确评估。

Description

一种基于KL-NB算法的电能表运行状态在线评估方法
技术领域
本发明涉及电力计量在线监测技术领域，尤其涉及一种基于KL-NB算法的电能表运行状态在线评估方法。
背景技术
智能电能表作为用电信息采集系统的重要组成部分，其可靠性和采集准确性成为电力部门和用户最为关注的对象。如何依据智能电能表运行数据准确评估其计量误差，是智能电能表健康管理领域的一个新兴热点课题。
传统上对于智能电能表的计量误差监测主要还是依靠人工进行数据分析及现场检查，效率非常低下，根本无法满足电网的运维需求。因此采用在线评估算法对智能电能表运行状态进行评估，对电能表的稳定性判断及运维检修显得尤为重要。
发明内容
本发明针对现有技术中存在的技术问题，提供一种基于KL-NB算法的电能表运行状态在线评估方法，采用了电压、电流互感器误差数据及变电站总表数据，评估了电能表计量误差。以电能表计量误差为特征参量，采用改进的贝叶斯算法实现了电能表状态的准确评估。
根据本发明的第一方面，提供了一种基于KL-NB算法的电能表运行状态在线评估方法，包括：
步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得 到电压互感器误差估计值
Figure 766173DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 589510DEST_PATH_IMAGE002
；
步骤2，基于所述电压互感器误差估计值
Figure 896994DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 256432DEST_PATH_IMAGE002
，得到各支 路的近似供电电压及电流值，计算出各支路的近似供电量；
步骤3，基于特勒根定律构建各支路的所述近似供电量与真实供电量之间的评估模型，求解所述评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；
步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；
步骤5，以电能表所述第一计量误差和第二计量误差作为特征参量，采用KL-NB分类算法构建电能表状态评估模型；基于所述电能表状态评估模型，对待测电能表进行状态评估。
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，所述步骤2包括：
支路i近似供电电压：
Figure 256749DEST_PATH_IMAGE003
； （1-1）
支路i近似供电电流：
Figure 803268DEST_PATH_IMAGE004
； （1-2）
其中，
Figure 678557DEST_PATH_IMAGE005
和
Figure 361343DEST_PATH_IMAGE006
分别为支路i的测量电压和电流，
Figure 532561DEST_PATH_IMAGE007
和
Figure 566376DEST_PATH_IMAGE008
分别为支路i的电压和 电流互感器的额定变比；
支路i在[t1,t2]时间段内的输出的近似供电电量为：
Figure 714198DEST_PATH_IMAGE009
（1-3）
其中，
Figure 48228DEST_PATH_IMAGE010
为功率因素，
Figure 859189DEST_PATH_IMAGE011
为支路i的电压、电流相位差。
可选的，所述步骤3中
构建的所述评估模型为：
Figure 911459DEST_PATH_IMAGE012
（1-4）
其中，
Figure 364437DEST_PATH_IMAGE013
表示支路b的校准系数，
Figure 785928DEST_PATH_IMAGE014
表示[t1,t2]时间段内支路b第N次采样的近似 供电量。
可选的，所述步骤3中采用神经网络得到所述评估模型的校准系数的过程包括：
步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路；
步骤302，基于所述标准参考支路的供电量求解所述校准系数。
可选的，所述步骤301包括：
步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据；
步骤30102，计算每条线路分时电量数据的数据扰动为：
Figure 298949DEST_PATH_IMAGE015
（1-5）
其中，
Figure 307357DEST_PATH_IMAGE016
代表支路i的分时电量数据序列，
Figure 564026DEST_PATH_IMAGE017
为序列的标准差，
Figure 341489DEST_PATH_IMAGE018
为 序列的均值绝对值；
步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵A，并计算该矩阵的条件数：
Figure 789525DEST_PATH_IMAGE019
（1-6）
其中，
Figure 285229DEST_PATH_IMAGE020
为矩阵A的范数；
步骤30104，根据所述步骤30102的计算结果选择所述数据扰动最低的50%的支路，并从其中选出对应的cond(A)最低时对应的支路作为所述标准参考支路。
可选的，所述步骤302包括：
步骤30201，将所述评估模型变形为：
Figure 80009DEST_PATH_IMAGE021
（1-7）
其中，
Figure 977558DEST_PATH_IMAGE022
，
Figure 566803DEST_PATH_IMAGE023
，
Figure 313917DEST_PATH_IMAGE024
，R为标准参考支路的供电 量；
步骤30202，采用神经网络模型，计算出校准系数K值，计算得到支路i在[t1,t2]时 间内的真实供电量
Figure 912388DEST_PATH_IMAGE025
。
可选的，所述步骤3中所述第一计量误差为：
Figure 398864DEST_PATH_IMAGE026
（1-8）
其中，
Figure 690168DEST_PATH_IMAGE027
为支路i上的电能表的示值电量，
Figure 393420DEST_PATH_IMAGE028
为支路i的真实供电量。
可选的，所述步骤4包括：
步骤401，基于能量守恒原理得到：
Figure 530003DEST_PATH_IMAGE029
（1-9）
其中，
Figure 605406DEST_PATH_IMAGE030
，
Figure 67612DEST_PATH_IMAGE031
，
Figure 992580DEST_PATH_IMAGE032
；
其中，G表示系统中的能量损失；J为同一类别下的电能表数量；
Figure 198434DEST_PATH_IMAGE033
表示第J台电能 表第N次采样的示值电量；
Figure 925081DEST_PATH_IMAGE034
为所述变电站总表第1次采样的示值电量；
步骤402，采用神经网络算法计算得到A和G，进而得到所述电能表第二计量误差 为：
Figure 761450DEST_PATH_IMAGE035
。
可选的，所述步骤5包括：
步骤501，构建训练样本数据
Figure 206338DEST_PATH_IMAGE036
；
其中，
Figure 448838DEST_PATH_IMAGE037
，
Figure 29992DEST_PATH_IMAGE038
表示第l个电能表的第一计量误差，
Figure 568421DEST_PATH_IMAGE039
表示第l个电能表 的第二计量误差；
将第一计量误差和第二计量误差划分为s个标度，
Figure 235026DEST_PATH_IMAGE040
，v=1，2；
Figure 517102DEST_PATH_IMAGE041
表 示特征
Figure 716877DEST_PATH_IMAGE042
的第
Figure 160628DEST_PATH_IMAGE043
个值，
Figure 111267DEST_PATH_IMAGE043
=1，2，3，…s；
步骤502，计算先验概率为：
Figure 665876DEST_PATH_IMAGE044
（1-10）
其中，k=1，2，3；
Figure 454578DEST_PATH_IMAGE045
表示正常，
Figure 600389DEST_PATH_IMAGE046
表示告警，
Figure 976006DEST_PATH_IMAGE047
表示异常；L表示训练样本数量；
Figure 599886DEST_PATH_IMAGE048
表示样本中第
Figure 744559DEST_PATH_IMAGE049
种状态的占比，
Figure 559806DEST_PATH_IMAGE050
表示样本的状态类别；
步骤503，计算训练集中每个属性的条件概率：
Figure 422720DEST_PATH_IMAGE051
（1-11）
其中，
Figure 850290DEST_PATH_IMAGE052
表示类别为
Figure 115050DEST_PATH_IMAGE049
、特征
Figure 570039DEST_PATH_IMAGE042
为
Figure 654670DEST_PATH_IMAGE041
的样本数；
步骤504，计算给定的实例x的后验概率为：
Figure 620352DEST_PATH_IMAGE053
（1-12）
其中，
Figure 739618DEST_PATH_IMAGE054
表示在Y取值为
Figure 663711DEST_PATH_IMAGE049
的条件下，
Figure 757611DEST_PATH_IMAGE055
的条件概率乘 积；
步骤505，求出最大的后验概率，根据最大后验概率的值，确定实例x的类；
Figure 526984DEST_PATH_IMAGE056
（1-13）
其中，argmax为计算最大值的函数；
权重
Figure 766335DEST_PATH_IMAGE057
（1-14）
其中，
Figure 64592DEST_PATH_IMAGE058
表示KL评估的可靠度参量；
Figure 153509DEST_PATH_IMAGE059
（1-15）
其中，
Figure 460994DEST_PATH_IMAGE060
表示含有特征
Figure 820431DEST_PATH_IMAGE041
的
Figure 820748DEST_PATH_IMAGE049
类在整个样本集中的概率；
Figure 632846DEST_PATH_IMAGE061
表示
Figure 242557DEST_PATH_IMAGE049
类样 本在整个样本中的概率；
步骤506，构建所述电能表状态评估模型的过程中，依据损失函数来迭代调整标度划分的阈值，直到损失函数达到最小或达到迭代次数；
定义损失函数：
Figure 456500DEST_PATH_IMAGE062
；
其中，
Figure 627719DEST_PATH_IMAGE063
为真实状态标签，
Figure 661534DEST_PATH_IMAGE064
为权重系数，
Figure 310821DEST_PATH_IMAGE065
为最大后验概率；
Figure 143385DEST_PATH_IMAGE066
为正常、告警 或异常状态样本间的距离，
Figure 485505DEST_PATH_IMAGE067
为分类后判断为正常、告警或异常状态的样本间的距离。
本发明提供的一种基于KL-NB算法的电能表运行状态在线评估方法，基于特勒根定律，对线路电能量数据进行了校正，进一步提高了电能表计量误差评估的准确性；基于变电站总表数据，在考虑线损的条件下，实现了电能表误差评估；对改进的贝叶斯分类算法进行了电能表状态分类，保证了分类算法的准确性。
附图说明
图1为本发明提供的一种基于KL-NB算法的电能表运行状态在线评估的流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
图1为本发明提供的一种基于KL-NB算法的电能表运行状态在线评估方法流程图，如图1所示，该在线评估方法包括：
步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得 到电压互感器误差估计值
Figure 741037DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 459594DEST_PATH_IMAGE002
。
具体实施中，采用电力互感器在线监测装置，采集电压、电流互感器的二次电参量 数据，采用电压互感器误差在线评估算法，电流互感器误差在线评估算法分别得到电压互 感器误差估计值
Figure 881086DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 394107DEST_PATH_IMAGE002
。
步骤2，基于电压互感器误差估计值
Figure 402514DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 659183DEST_PATH_IMAGE002
，得到各支路的 近似供电电压及电流值，计算出各支路的近似供电量。
步骤3，基于特勒根定律构建各支路的近似供电量与真实供电量之间的评估模型，求解评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差。
步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差。
步骤5，以电能表第一计量误差和第二计量误差作为特征参量，采用KL-NB分类算法构建电能表状态评估模型；基于电能表状态评估模型，对待测电能表进行状态评估。
本发明提供的一种基于KL-NB算法的电能表运行状态在线评估方法，采用了电压、电流互感器误差数据及变电站总表数据，评估了电能表计量误差；以电能表计量误差为特征参量，采用改进的贝叶斯算法实现了电能表状态的准确评估。
实施例1
本发明提供的实施例1为本发明提供的一种基于KL-NB算法的电能表运行状态在线评估方法的实施例，结合图1可知，该在线评估方法的实施例包括：
步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得 到电压互感器误差估计值
Figure 436646DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 353525DEST_PATH_IMAGE002
。
步骤2，基于电压互感器误差估计值
Figure 114807DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 644009DEST_PATH_IMAGE002
，得到各支路的 近似供电电压及电流值，计算出各支路的近似供电量。
在一种可能的实施例方式中，步骤2包括：
基于电压、电流互感器的误差估计值，可计算出线路近似的供电电压及电流：
支路i近似供电电压：
Figure 807137DEST_PATH_IMAGE003
； （1-1）
支路i近似供电电流：
Figure 927539DEST_PATH_IMAGE004
； （1-2）
其中，
Figure 143495DEST_PATH_IMAGE005
和
Figure 741966DEST_PATH_IMAGE006
分别为支路i的测量电压和电流，
Figure 759601DEST_PATH_IMAGE007
和
Figure 50905DEST_PATH_IMAGE008
分别为支路i的电压和 电流互感器的额定变比。
则，支路i在[t1,t2]时间段内的输出的近似供电电量为：
Figure 255621DEST_PATH_IMAGE009
（1-3）
其中，
Figure 156319DEST_PATH_IMAGE010
为功率因素，
Figure 497302DEST_PATH_IMAGE011
为支路i的电压、电流相位差。
步骤3，基于特勒根定律构建各支路的近似供电量与真实供电量之间的评估模型，求解评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差。
在一种可能的实施例方式中，基于特勒根定律，一个具有n个结点和b条支路的电 路，假设各支路电流和支路电压取关联参考方向，并令
Figure 693928DEST_PATH_IMAGE068
、
Figure 651520DEST_PATH_IMAGE069
分别 为支路b的电流和电压，则对任意时刻t，有
Figure 857373DEST_PATH_IMAGE070
，其中
Figure 285818DEST_PATH_IMAGE071
为考虑方向后的电流值。
则[t1,t2]时间段内：
Figure 653345DEST_PATH_IMAGE072
（2-1）
考虑到电压、电流互感器误差评估与误差真值之间的差异性，实际计算过程中，
Figure 832654DEST_PATH_IMAGE072
,为提交电能表误差评估的准确性，这里采用神经网络算法对线路供电量进行校正， 以得到各线路真实的供电量。
构建的评估模型为：
Figure 576619DEST_PATH_IMAGE012
（1-4）
其中，
Figure 390729DEST_PATH_IMAGE013
表示支路b的校准系数，
Figure 663579DEST_PATH_IMAGE014
表示[t1,t2]时间段内支路b第N次采样的近似 供电量。
在一种可能的实施例方式中，步骤3中采用神经网络得到评估模型的校准系数的过程包括：
步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路。
在一种可能的实施例方式中，步骤301包括：
步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据。
步骤30102，计算每条线路分时电量数据的数据扰动，具体公式如下：
Figure 64604DEST_PATH_IMAGE015
（1-5）
其中，
Figure 612260DEST_PATH_IMAGE016
代表支路i的分时电量数据序列，
Figure 546456DEST_PATH_IMAGE017
为序列的标准差，
Figure 255786DEST_PATH_IMAGE018
为 序列的均值绝对值。
步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵A，并计算该矩阵的条件数，具体公式如下：
Figure 409687DEST_PATH_IMAGE019
（1-6）
其中，
Figure 495454DEST_PATH_IMAGE020
为矩阵A的范数。
步骤30104，根据步骤30102的计算结果优先选择数据扰动最低的50%的支路，并从其中选出对应的cond(A)最低时对应的支路作为标准参考支路。
步骤302，基于标准参考支路的供电量求解校准系数。
在一种可能的实施例方式中，步骤302包括：
步骤30201，将评估模型变形为：
Figure 785621DEST_PATH_IMAGE021
（1-7）
其中，
Figure 695546DEST_PATH_IMAGE022
，
Figure 805585DEST_PATH_IMAGE023
，
Figure 695043DEST_PATH_IMAGE024
，R为标准参考支路的供电 量。
步骤30202，采用神经网络模型，计算出校准系数K值，计算得到支路i在[t1,t2]时 间内的真实供电量
Figure 839717DEST_PATH_IMAGE025
。
在一种可能的实施例方式中，步骤3中第一计量误差为：
Figure 389385DEST_PATH_IMAGE026
（1-8）
其中，
Figure 517878DEST_PATH_IMAGE027
为支路i上的电能表的示值电量，
Figure 414289DEST_PATH_IMAGE028
为支路i的真实供电量
步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差。
在一种可能的实施例方式中，基于能量守恒原理在一段时间内，有：
Figure 679049DEST_PATH_IMAGE073
（1-9）
其中，
Figure 134039DEST_PATH_IMAGE074
为固定损耗电能量，
Figure 484248DEST_PATH_IMAGE075
为线损率，
Figure 449930DEST_PATH_IMAGE076
表示变电站总表的示值电量，
Figure 834775DEST_PATH_IMAGE077
为子表 i的近似误差系数，
Figure 726246DEST_PATH_IMAGE078
为子表i的示值电量。
线路损耗、固定损耗、误差电量之和：
Figure 563752DEST_PATH_IMAGE079
（2-2）
则，
Figure 536387DEST_PATH_IMAGE080
（2-3）
其中，
Figure 775738DEST_PATH_IMAGE081
。
公式（2-3）可变形为：
Figure 103689DEST_PATH_IMAGE082
（2-4）
其中，
Figure 162912DEST_PATH_IMAGE083
。
从（2-4）可知，当具有近似相同的
Figure 470397DEST_PATH_IMAGE084
、
Figure 829834DEST_PATH_IMAGE076
时，
Figure 830151DEST_PATH_IMAGE085
基本不变。在一段时间内，电能表近 似误差系数
Figure 898643DEST_PATH_IMAGE086
基本无变化，则线损率
Figure 744239DEST_PATH_IMAGE088
也基本相等。因此采用黑猩猩优化的DBSCAN聚类算法 对电能量数据进聚类。通过黑猩猩算法对DBSCAN聚类中的参数Eps（定义密度时的邻域半 径）和MinPts（定义核心点时的阈值）进行自适应选取，群体的最优解对应Eps参数，群体的 次优解对应MinPts参数。
对于同一类别下的电能表数据，因为系统中的能量损失
Figure 958183DEST_PATH_IMAGE089
基本一致，则公式 （1-9）可表示为：
Figure 129401DEST_PATH_IMAGE029
（2-5）
其中，
Figure 661751DEST_PATH_IMAGE030
，
Figure 576617DEST_PATH_IMAGE031
，
Figure 645068DEST_PATH_IMAGE032
。
其中，G表示系统中的能量损失；J为同一类别下的电能表数量；
Figure 456029DEST_PATH_IMAGE033
表示第J台电能 表第N次采样的示值电量；
Figure 508298DEST_PATH_IMAGE034
为所述变电站总表第1次采样的示值电量；
步骤402，采用神经网络算法计算得到A和G，进而得到所述电能表第二计量误差 为：
Figure 725391DEST_PATH_IMAGE035
（2-6）
步骤5，以电能表第一计量误差和第二计量误差作为特征参量，采用KL-NB分类算法构建电能表状态评估模型；基于电能表状态评估模型，对待测电能表进行状态评估。
在一种可能的实施例方式中，步骤5包括：
步骤501，构建训练样本数据
Figure 382768DEST_PATH_IMAGE036
；
其中，
Figure 895789DEST_PATH_IMAGE037
，
Figure 904197DEST_PATH_IMAGE038
表示第l个电能表的第一计量误差，
Figure 160866DEST_PATH_IMAGE039
表示第l个电能表 的第二计量误差；
将第一计量误差和第二计量误差划分为s个标度，
Figure 702443DEST_PATH_IMAGE040
，v=1，2；
Figure 386365DEST_PATH_IMAGE041
表 示特征
Figure 147648DEST_PATH_IMAGE042
的第
Figure 676849DEST_PATH_IMAGE043
个值，
Figure 574398DEST_PATH_IMAGE043
=1，2，3，…s。
步骤502，计算先验概率为：
Figure 927757DEST_PATH_IMAGE044
（1-10）
其中，k=1，2，3；
Figure 910756DEST_PATH_IMAGE045
表示正常，
Figure 509228DEST_PATH_IMAGE046
表示告警，
Figure 995704DEST_PATH_IMAGE047
表示异常；L表示训练样本数量；
Figure 519964DEST_PATH_IMAGE048
表示样本中第
Figure 990260DEST_PATH_IMAGE049
种状态的占比，
Figure 126843DEST_PATH_IMAGE050
表示样本的状态类别。
步骤503，计算训练集中每个属性的条件概率：
Figure 264563DEST_PATH_IMAGE051
（1-11）
其中，
Figure 930031DEST_PATH_IMAGE052
表示类别为
Figure 120579DEST_PATH_IMAGE049
、特征
Figure 795274DEST_PATH_IMAGE042
为
Figure 521921DEST_PATH_IMAGE041
的样本数。
步骤504，计算给定的实例x的后验概率为：
Figure 623869DEST_PATH_IMAGE053
（1-12）
其中，
Figure 567292DEST_PATH_IMAGE054
表示在Y取值为
Figure 45678DEST_PATH_IMAGE049
的条件下，
Figure 892411DEST_PATH_IMAGE055
的条件概率乘 积。
步骤505，求出最大的后验概率，根据最大后验概率的值，确定实例x的类。
Figure DEST_PATH_IMAGE090
（1-13）
贝叶斯算法是假设各特征相互独立的分类方法，而在显示生活中各特征项之间必然会存在一定的联系，忽视朴素贝叶斯算法特征独立的假设会降低算法的分类性能。因此采用KL测度法对特征分配相应的权重：
Figure 368523DEST_PATH_IMAGE059
（1-15）
其中，
Figure 799242DEST_PATH_IMAGE060
表示含有特征
Figure 81319DEST_PATH_IMAGE041
的
Figure 782559DEST_PATH_IMAGE049
类在整个样本集中的概率；
Figure 757468DEST_PATH_IMAGE061
表示
Figure 645790DEST_PATH_IMAGE049
类样 本在整个样本中的概率。
定义权重：
Figure 230093DEST_PATH_IMAGE057
（1-14）
其中，
Figure 785839DEST_PATH_IMAGE058
表示KL评估的可靠度参量。
则公式（1-13）可变形为：
Figure DEST_PATH_IMAGE091
（2-7）
步骤506，构建电能表状态评估模型的过程中，依据损失函数来迭代调整标度划分的阈值，直到损失函数达到最小或达到迭代次数。
定义损失函数：
Figure 869332DEST_PATH_IMAGE062
；
其中，
Figure 244950DEST_PATH_IMAGE063
为真实状态标签，
Figure 101785DEST_PATH_IMAGE064
为权重系数，
Figure 777617DEST_PATH_IMAGE065
为最大后验概率；
Figure 94329DEST_PATH_IMAGE066
为正常、告警 或异常状态样本间的距离，
Figure 222822DEST_PATH_IMAGE067
为分类后判断为正常、告警或异常状态的样本间的距离。
可以理解的是，基于背景技术中的缺陷，本发明实施例提出了一种基于KL-NB算法的电能表运行状态在线评估方法，基于特勒根定律，对线路电能量数据进行了校正，进一步提高了电能表计量误差评估的准确性；基于变电站总表数据，在考虑线损的条件下，实现了电能表误差评估；对改进的贝叶斯分类算法进行了电能表状态分类，保证了分类算法的准确性。
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 (9)

1.一种基于KL-NB算法的电能表运行状态在线评估方法，其特征在于，所述在线评估方法包括：
步骤1，对采集到的电压、电流互感器二次电参量数据采用误差在线评估算法，得到电 压互感器误差估计值
Figure DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure DEST_PATH_IMAGE002
；
步骤2，基于所述电压互感器误差估计值
Figure 434155DEST_PATH_IMAGE001
和电流互感器误差估计值
Figure 288978DEST_PATH_IMAGE002
，得到各支路的 近似供电电压及电流值，计算出各支路的近似供电量；
步骤3，基于特勒根定律构建各支路的所述近似供电量与真实供电量之间的评估模型，求解所述评估模型的校准系数后，计算得到各个电能表的真实供电量与示值电量之间的第一计量误差；
步骤4，基于变电站总表供电数据及能量守恒定律计算得到各个电能表第二计量误差；
步骤5，以电能表所述第一计量误差和第二计量误差作为特征参量，采用KL-NB分类算法构建电能表状态评估模型；基于所述电能表状态评估模型，对待测电能表进行状态评估。
2.根据权利要求1所述的在线评估方法，其特征在于，所述步骤2包括：
支路i近似供电电压：
Figure DEST_PATH_IMAGE003
； （1-1）
支路i近似供电电流：
Figure DEST_PATH_IMAGE004
； （1-2）
其中，
Figure DEST_PATH_IMAGE005
和
Figure DEST_PATH_IMAGE006
分别为支路i的测量电压和电流，
Figure DEST_PATH_IMAGE007
和
Figure DEST_PATH_IMAGE008
分别为支路i的电压和电流互 感器的额定变比；
支路i在[t1,t2]时间段内的输出的近似供电电量为：
Figure DEST_PATH_IMAGE009
（1-3）
其中，
Figure DEST_PATH_IMAGE010
为功率因素，
Figure DEST_PATH_IMAGE011
为支路i的电压、电流相位差。
3.根据权利要求1所述的在线评估方法，其特征在于，所述步骤3中
构建的所述评估模型为：
Figure DEST_PATH_IMAGE012
（1-4）
其中，
Figure DEST_PATH_IMAGE013
表示支路b的校准系数，
Figure DEST_PATH_IMAGE014
表示[t1,t2]时间段内支路b第N次采样的近似供电 量。
4.根据权利要求3所述的在线评估方法，其特征在于，所述步骤3中采用神经网络得到所述评估模型的校准系数的过程包括：
步骤301，根据各支路供电电路数据的数据扰动程度和对应的系数矩阵条件数，选出标准参考支路；
步骤302，基于所述标准参考支路的供电量求解所述校准系数。
5.根据权利要求4所述的在线评估方法，其特征在于，所述步骤301包括：
步骤30101，对各支路的电能量数据进行清洗，得到各支路不同时间段的分时电量数据；
步骤30102，计算每条线路分时电量数据的数据扰动为：
Figure DEST_PATH_IMAGE015
（1-5）
其中，
Figure DEST_PATH_IMAGE016
代表支路i的分时电量数据序列，
Figure DEST_PATH_IMAGE017
为序列的标准差，
Figure DEST_PATH_IMAGE018
为序列 的均值绝对值；
步骤30103，轮流剔除每条支路，将剩余支路的分时电量数据记作矩阵A，并计算该矩阵的条件数：
Figure DEST_PATH_IMAGE019
（1-6）
其中，
Figure DEST_PATH_IMAGE020
为矩阵A的范数；
步骤30104，根据所述步骤30102的计算结果选择所述数据扰动最低的50%的支路，并从其中选出对应的cond(A)最低时对应的支路作为所述标准参考支路。
6.根据权利要求4所述的在线评估方法，其特征在于，所述步骤302包括：
步骤30201，将所述评估模型变形为：
Figure DEST_PATH_IMAGE021
（1-7）
其中，
Figure DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
，
Figure DEST_PATH_IMAGE024
，R为标准参考支路的供电量；
步骤30202，采用神经网络模型，计算出校准系数K值，计算得到支路i在[t1,t2]时间内 的真实供电量
Figure DEST_PATH_IMAGE025
。
7.根据权利要求3所述的在线评估方法，其特征在于，所述步骤3中所述第一计量误差 为：
Figure DEST_PATH_IMAGE026
（1-8）
其中，
Figure DEST_PATH_IMAGE027
为支路i上的电能表的示值电量，
Figure DEST_PATH_IMAGE028
为支路i的真实供电量。
8.根据权利要求1所述的在线评估方法，其特征在于，所述步骤4包括：
步骤401，基于能量守恒原理得到：
Figure DEST_PATH_IMAGE029
（1-9）
其中，
Figure DEST_PATH_IMAGE030
，
Figure DEST_PATH_IMAGE031
，
Figure DEST_PATH_IMAGE032
；
其中，G表示系统中的能量损失；J为同一类别下的电能表数量；
Figure DEST_PATH_IMAGE033
表示第J台电能表第N 次采样的示值电量；
Figure DEST_PATH_IMAGE034
为所述变电站总表第1次采样的示值电量；
步骤402，采用神经网络算法计算得到A和G，进而得到所述电能表第二计量误差为：
Figure DEST_PATH_IMAGE035
。
9.根据权利要求1所述的在线评估方法，其特征在于，所述步骤5包括：
步骤501，构建训练样本数据
Figure DEST_PATH_IMAGE036
；
其中，
Figure DEST_PATH_IMAGE037
，
Figure DEST_PATH_IMAGE038
表示第l个电能表的第一计量误差，
Figure DEST_PATH_IMAGE039
表示第l个电能表的第 二计量误差；
将第一计量误差和第二计量误差划分为s个标度，
Figure DEST_PATH_IMAGE040
，v=1，2；
Figure DEST_PATH_IMAGE041
表示特 征
Figure DEST_PATH_IMAGE042
的第
Figure DEST_PATH_IMAGE043
个值，
Figure 601140DEST_PATH_IMAGE043
=1，2，3，…s；
步骤502，计算先验概率为：
Figure DEST_PATH_IMAGE044
（1-10）
其中，k=1，2，3；
Figure DEST_PATH_IMAGE045
表示正常，
Figure DEST_PATH_IMAGE046
表示告警，
Figure DEST_PATH_IMAGE047
表示异常；L表示训练样本数量；
Figure DEST_PATH_IMAGE048
表 示样本中第
Figure DEST_PATH_IMAGE049
种状态的占比，
Figure DEST_PATH_IMAGE050
表示样本的状态类别；
步骤503，计算训练集中每个属性的条件概率：
Figure DEST_PATH_IMAGE051
（1-11）
其中，
Figure DEST_PATH_IMAGE052
表示类别为
Figure 635830DEST_PATH_IMAGE049
、特征
Figure 653465DEST_PATH_IMAGE042
为
Figure 741506DEST_PATH_IMAGE041
的样本数；
步骤504，计算给定的实例x的后验概率为：
Figure DEST_PATH_IMAGE053
（1-12）
其中，
Figure DEST_PATH_IMAGE054
表示在Y取值为
Figure 585703DEST_PATH_IMAGE049
的条件下，
Figure DEST_PATH_IMAGE055
的条件概率乘积；
步骤505，求出最大的后验概率，根据最大后验概率的值，确定实例x的类；
Figure DEST_PATH_IMAGE056
（1-13）
其中，argmax为计算最大值的函数；
权重
Figure DEST_PATH_IMAGE057
（1-14）
其中，
Figure DEST_PATH_IMAGE058
表示KL评估的可靠度参量；
Figure DEST_PATH_IMAGE059
（1-15）
其中，
Figure DEST_PATH_IMAGE060
表示含有特征
Figure 407773DEST_PATH_IMAGE041
的
Figure 748755DEST_PATH_IMAGE049
类在整个样本集中的概率；
Figure DEST_PATH_IMAGE061
表示
Figure 411293DEST_PATH_IMAGE049
类样本在 整个样本中的概率；
步骤506，构建所述电能表状态评估模型的过程中，依据损失函数来迭代调整标度划分的阈值，直到损失函数达到最小或达到迭代次数；
定义损失函数：
Figure DEST_PATH_IMAGE062
；
其中，
Figure DEST_PATH_IMAGE063
为真实状态标签，
Figure DEST_PATH_IMAGE064
为权重系数，
Figure DEST_PATH_IMAGE065
为最大后验概率；
Figure DEST_PATH_IMAGE066
为正常、告警或异常 状态样本间的距离，
Figure DEST_PATH_IMAGE067
为分类后判断为正常、告警或异常状态的样本间的距离。
CN202211466208.3A 2022-11-22 2022-11-22 一种基于kl-nb算法的电能表运行状态在线评估方法 Active CN115508770B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211466208.3A CN115508770B (zh) 2022-11-22 2022-11-22 一种基于kl-nb算法的电能表运行状态在线评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211466208.3A CN115508770B (zh) 2022-11-22 2022-11-22 一种基于kl-nb算法的电能表运行状态在线评估方法

Publications (2)

Publication Number Publication Date
CN115508770A true CN115508770A (zh) 2022-12-23
CN115508770B CN115508770B (zh) 2023-04-07

Family

ID=84514583

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211466208.3A Active CN115508770B (zh) 2022-11-22 2022-11-22 一种基于kl-nb算法的电能表运行状态在线评估方法

Country Status (1)

Country Link
CN (1) CN115508770B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106816A (zh) * 2023-01-13 2023-05-12 北京市腾河智慧能源科技有限公司 基于5g模块的电能表误差校准方法及系统、设备、介质
CN117110977A (zh) * 2023-10-25 2023-11-24 国网浙江省电力有限公司营销服务中心 一种电能表误差评估方法及系统
CN117151932B (zh) * 2023-10-27 2024-01-12 武汉纺织大学 一种非平稳输出的电流互感器误差状态预测方法和系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180103302A1 (en) * 2016-10-10 2018-04-12 Utilidata, Inc. Systems and methods for system measurements integrity determination
CN108445435A (zh) * 2018-02-05 2018-08-24 国电南瑞科技股份有限公司 一种电能表检定装置误差在线评估方法
CN109389145A (zh) * 2018-08-17 2019-02-26 国网浙江省电力有限公司宁波供电公司 基于计量大数据聚类模型的电能表生产厂商评价方法
US20200057163A1 (en) * 2018-08-16 2020-02-20 Movano Inc. Bayesian Geolocation and Parameter Estimation by Retaining Channel and State Information
CN114265001A (zh) * 2022-03-02 2022-04-01 华中科技大学 一种智能电表计量误差评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180103302A1 (en) * 2016-10-10 2018-04-12 Utilidata, Inc. Systems and methods for system measurements integrity determination
CN108445435A (zh) * 2018-02-05 2018-08-24 国电南瑞科技股份有限公司 一种电能表检定装置误差在线评估方法
US20200057163A1 (en) * 2018-08-16 2020-02-20 Movano Inc. Bayesian Geolocation and Parameter Estimation by Retaining Channel and State Information
CN109389145A (zh) * 2018-08-17 2019-02-26 国网浙江省电力有限公司宁波供电公司 基于计量大数据聚类模型的电能表生产厂商评价方法
CN114265001A (zh) * 2022-03-02 2022-04-01 华中科技大学 一种智能电表计量误差评估方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116106816A (zh) * 2023-01-13 2023-05-12 北京市腾河智慧能源科技有限公司 基于5g模块的电能表误差校准方法及系统、设备、介质
CN116106816B (zh) * 2023-01-13 2024-04-26 北京市腾河智慧能源科技有限公司 基于5g模块的电能表误差校准方法及系统、设备、介质
CN117110977A (zh) * 2023-10-25 2023-11-24 国网浙江省电力有限公司营销服务中心 一种电能表误差评估方法及系统
CN117110977B (zh) * 2023-10-25 2024-03-01 国网浙江省电力有限公司营销服务中心 一种电能表误差评估方法及系统
CN117151932B (zh) * 2023-10-27 2024-01-12 武汉纺织大学 一种非平稳输出的电流互感器误差状态预测方法和系统

Also Published As

Publication number Publication date
CN115508770B (zh) 2023-04-07

Similar Documents

Publication Publication Date Title
CN115508770B (zh) 一种基于kl-nb算法的电能表运行状态在线评估方法
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
CN112381476B (zh) 用于确定状态异常的电能表的方法及装置
CN106505557B (zh) 一种遥测错误辨识方法及装置
CN108445435A (zh) 一种电能表检定装置误差在线评估方法
CN115902647B (zh) 一种电池状态智能监测方法
CN115469260B (zh) 一种基于Hausdorff的电流互感器异常识别方法、系统
CN113985339B (zh) 智能电表的误差诊断方法及系统、设备、存储介质
CN111458661A (zh) 一种配电网线变关系诊断方法、装置及系统
CN110969306A (zh) 基于深度学习的配电低压台区负荷预测方法及装置
CN112288303A (zh) 确定线损率的方式、装置
CN115248906B (zh) 一种发电机出线双电流互感器的状态误差识别方法及系统
CN115293257A (zh) 一种针对异常用电用户的检测方法及系统
CN115469259A (zh) 基于rbf神经网络的ct误差状态在线定量评估方法及装置
CN114265001B (zh) 一种智能电表计量误差评估方法
CN115392141A (zh) 一种自适应的电流互感器误差评估方法
CN112288594A (zh) 一种基于实时事件触发的数据质量异动处理方法和系统
CN117878979A (zh) 基于电储能的功率平衡及动态补偿系统
CN113484818B (zh) 基于滑动窗口的抗高频采集异常电能表精准定位方法
CN116662840A (zh) 一种基于机器学习的低压台区用户相位识别方法
CN113468729B (zh) 无标定方式的电力厂站计量装置运行误差测算方法及系统
CN115828134A (zh) 用电数据样本构建、模型训练、账户类别确定方法和装置
Remmen et al. Refinement of dynamic non-residential building archetypes using measurement data and Bayesian calibration
CN115409317A (zh) 基于特征选择和机器学习的台区线损检测方法及装置
CN114139408A (zh) 一种电力变压器健康状态评估方法

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
GR01 Patent grant
GR01 Patent grant