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 PDFInfo
- 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
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 33
- 238000013210 evaluation model Methods 0.000 claims abstract description 29
- 238000007635 classification algorithm Methods 0.000 claims abstract description 9
- 238000004134 energy conservation Methods 0.000 claims abstract description 7
- 238000000034 method Methods 0.000 claims description 16
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 238000004590 computer program Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 241000282577 Pan troglodytes Species 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
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
Description
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在[t1,t2]时间段内的输出的近似供电电量为:
可选的,所述步骤3中
构建的所述评估模型为:
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:
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:
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:
可选的,所述步骤4包括:
步骤401,基于能量守恒原理得到:
可选的,所述步骤5包括:
步骤502,计算先验概率为:
步骤503,计算训练集中每个属性的条件概率:
步骤504,计算给定的实例x的后验概率为:
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;
其中,argmax为计算最大值的函数;
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:
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:
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:
则,支路i在[t1,t2]时间段内的输出的近似供电电量为:
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。
构建的评估模型为:
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:
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:
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:
在一种可能的实施例方式中,步骤3中第一计量误差为:
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:
从(2-4)可知,当具有近似相同的、时,基本不变。在一段时间内,电能表近
似误差系数基本无变化,则线损率也基本相等。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。
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502,计算先验概率为:
步骤503,计算训练集中每个属性的条件概率:
步骤504,计算给定的实例x的后验概率为:
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。
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:
则公式(1-13)可变形为:
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:
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。
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。
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502,计算先验概率为:
步骤503,计算训练集中每个属性的条件概率:
步骤504,计算给定的实例x的后验概率为:
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;
其中,argmax为计算最大值的函数;
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:
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)
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)
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 |
-
2022
- 2022-11-22 CN CN202211466208.3A patent/CN115508770B/zh active Active
Patent Citations (5)
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)
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 |