CN117110977B - 一种电能表误差评估方法及系统 - Google Patents
一种电能表误差评估方法及系统 Download PDFInfo
- Publication number
- CN117110977B CN117110977B CN202311391648.1A CN202311391648A CN117110977B CN 117110977 B CN117110977 B CN 117110977B CN 202311391648 A CN202311391648 A CN 202311391648A CN 117110977 B CN117110977 B CN 117110977B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- error
- energy meter
- model
- transformer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 230000008859 change Effects 0.000 claims abstract description 77
- 238000012795 verification Methods 0.000 claims abstract description 48
- 230000035882 stress Effects 0.000 claims abstract description 42
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000013210 evaluation model Methods 0.000 claims abstract description 11
- 230000006353 environmental stress Effects 0.000 claims abstract description 10
- 230000002787 reinforcement Effects 0.000 claims abstract description 9
- 238000004134 energy conservation Methods 0.000 claims abstract description 8
- 230000008569 process Effects 0.000 claims description 12
- 230000007613 environmental effect Effects 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009471 action Effects 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 230000007246 mechanism Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 4
- 238000005286 illumination Methods 0.000 claims description 4
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000003795 chemical substances by application Substances 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 238000012937 correction Methods 0.000 claims description 3
- 238000005516 engineering process Methods 0.000 claims description 3
- 241000411851 herbal medicine Species 0.000 claims description 3
- 239000000463 material Substances 0.000 claims description 3
- 239000000203 mixture Substances 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 238000003556 assay Methods 0.000 description 5
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
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
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/80—Management or planning
- Y02P90/82—Energy audits or management systems therefor
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明公开了一种电能表误差评估方法及系统。本发明的电能表误差评估方法,包括:采集总表和各分表电能量数据,基于能量守恒定律,评估支线上的电能表第一误差;基于环境应力和电应力数据,构建一个检定周期的第一误差变化模型和二个检定周期的第二误差变化模型,用第一误差变化模型计算得到的误差变化值与第二误差变化模型计算得到的误差变化值之差,修正第一误差变化模型;利用修正后的第一误差变化模型得到电能表第二误差;采用强化学习算法,赋予电能表第一误差和电能表第二误差不同权重,构建电能表误差评估模型;基于构建的电能表误差评估模型,对待测电能表进行误差评估。本发明实现了电能表误差准确评估。
Description
技术领域
本发明属于电力计量在线监测技术领域,具体地说是一种电能表误差评估方法及系统。
背景技术
电能表作为法定计量器具,其计量准确性关系到经济效益和社会效益,对保证电网健康稳定运行具有重要作用。当前,智能电能表计量误差检定大多在实验室环境下进行,实验室环境与现场运行环境存在差异,实验室内不能完全复现电能表现场失效,特别是不能真实复现多个应力对电能表的综合影响。因此,在现场运行条件下开展电能表计量误差研究具有重要的现实意义。
环境应力影响电能表计量误差,但是在阐释电能表计量误差变化规律方面更侧重于单应力对电能表计量误差的影响,多应力联合作用下电能表计量误差演变规律研究不够充分。
发明内容
本发明所要解决的技术问题是克服上述现有技术存在的缺陷,提供一种电能表误差评估方法及系统,以实现电能表误差准确评估。
为此,本发明采用如下的技术方案:一种电能表误差评估方法,其特征在于,包括:
S1,采集总表和各分表电能量数据,基于能量守恒定律,评估支线上的电能表第一误差;
S2,基于环境应力和电应力数据,构建一个检定周期的第一误差变化模型和二个检定周期的第二误差变化模型,用第一误差变化模型计算得到的误差变化值与第二误差变化模型计算得到的误差变化值之差,修正第一误差变化模型;利用修正后的第一误差变化模型得到电能表第二误差;
S3,采用强化学习算法,赋予电能表第一误差和电能表第二误差不同权重,构建电能表误差评估模型;
S4,基于构建的电能表误差评估模型,对待测电能表进行误差评估。
进一步地,所述的S1,包括:
S11)基于能量守恒原理,在[t 1,t 2]时间段内有:
(1)
其中,b为电能表台数,c为互感器台数,表示变电站总表的示值,/>为第i台电能表误差引入的电能计量损耗,/>为第j台互感器误差引入的电能计量损耗,/>为第i台电能表的电能量示值,G表示线损和固定损耗引起的电能计量损耗;
(2)
该方程表示第j台互感器在[t 1,t 2]时间段内因计量误差引入的电能计量损耗;
(3)
(4)
其中,为第j台互感器的一次电压值,/>为第i台互感器的一次电流值,/>、分别为电压、电流互感器额定变比,/>、/>分别为第j台互感器的二次电压、电流值,为功率因素,/>、/>分别为线路j的电压、电流在通过互感器前后的相位差;/>、/>分别为第j台电压、电流互感器的评估误差;
(5)
(6)
其中,为第i台电能表输入电能,/>为第i台电能表的误差;
将(2)-(6)带入式(1)进行处理,得到下式(7):
(7)
S12)基于互感器误差在线评估技术,评估电压、电流互感器误差、/>,设、/>,则(7)式进一步变形为:
(8)
式(8)为去除互感器影响后的电能表能量守恒公式;为去除互感器计量误差影响后的电能量;
S13)求解电能表误差
除去互感器损耗后的电量损耗:(9)
则(10)
其中,,/>为电能表误差系数,/>为线损率,/>为固定损耗电能量;
式(10)变形为:(11)
其中,,
基于和/>数据,采用聚类算法,对电能量数据进行分类;
对于同一类别下的电能量数据下,公式(8)表示为:(12)
其中,/>,/>
其中,J为同一类别下的电能表数量;表示第J台电能表第1次采样的电能量示值数据;/>为变电站总表消除互感器影响后的第1次采样的电能量数据;
采用神经网络算法,计算出A、G,则电能表第一误差为:(13),/>。
进一步地,构建一个检定周期的第一误差变化模型的步骤如下:
S21),采集电能表各应力数据、两次检定运行时长及电能表停电检定误差;
S22),对环境应力序列和电应力序列的特征分别进行特征融合,然后采用CNN-LSTM模型分别进行特征提取,得到特征参量:
构建第i台电能表的环境应力序列数据和电应力序列数据/>:
、/>
其中,i=1、2、...b;表示第i台电能表第1天的平均温度、/>表示第i台电能表第1天的平均湿度、/>表示第i台电能表第1天的平均压力、/>表示第i台电能表第1天的平均光照强度、/>表示第i台电能表第1天的平均风速;/>为第i台电能表第1天的平均电流、/>为第i台电能表第1天的平均功率因素;
采用CNN-LSTM模型对各样本、/>数据进行特征提取,得到特征参量:
,
,
其中,H表示从中提取的环境特征,D表示从/>中提取的电应力特征,/>、/>分别为提取的环境特征个数及电应力特征个数;
S23),对运行时长t、环境特征H、电应力特征D进行特征融合
运行时长t、环境特征H和电应力特征D,共个特征,/>,F表示总特征;
为加强特征的关联性,利用特征的相关性,将两两特征进行关联组合,得到特征矩阵:
(14)
其中,、/>分别表示第m、g列特征值,m、g=1,2,…,u,/>、/>、/>表示组合后特征的第一通道、第二通道、第三通道;/>为第m列与第g列的特征相关性,为第m列与第g列的特征相关性,/>,其中,/>表示第i台电能表变量m、g两个变量分别相同排序后成对的变量位置之差,i=1,2,…b;
S24),构建第一误差变化模型
采用CNN模型构建第一误差变化模型:
(15)
为电能表最近两次停电检定误差之差。
进一步地,构建二个检定周期的第二误差变化模型的步骤如下:
基于两个检定周期时长内的各应力时序数据,采用上述S21)-S24)步骤,构建两个检定周期的第二误差变化模型:,其中/>为基于两个检定周期样本数据提取的特征量。
进一步地,第一误差变化模型的修正过程如下:对测试集中的同一电能表,用一个检定周期的第一误差变化模型计算最近一个检定周期内的误差变化值,用二个检定周期的第二误差模型计算最近二个检定周期内的误差变化值/>,计算两个模型之间的误差变化值差值:
(16)
其中,,/>为上一次、上上一次停电检定误差;
计算误差变换值差值的均值:(17)
以均值去重新修正第一误差变化模型:以均值/>为特征参量,和运行时长t、环境特征H、电应力特征D按照步骤S23)进行融合,重新修正第一误差变化模型。
进一步地,采用修正后的第一误差变化模型,对电能表误差变化值进行评估,得到误差变化值,从而计算出电能表第二误差:
(18),
式中,为第i台电能表最近一次的停电检定误差,/>表示采用修正后的第一误差变化模型评估出的误差变化值。
进一步地,所述的S3中,通过学习算法获得电能表第一误差/>和电能表第二误差/>的最优权重组合,实现电能表误差融合,完成电能表误差准确评估。
进一步地,所述S3的具体内容如下:
S31)创建和/>,其中/>分别为电能表第一误差的权重系数、电能表第二误差的权重系数,/>表示动作幅度大小;S为目标状态矩阵,/>为动作状态矩阵;
S32)基于ε-贪婪机制,智能体以/>的概率选择最优动作,以/>的概率随机选择动作,该机制的数学计算方法如下:
式中,为随机数,/>为贪婪系数;s为智能体状态;
S33)构建强化学习阶段的损失函数E与奖励机制r
(19)
(20)
各式中,,/>为迭代次数;H代表输入样本数,/>、/>分别表示第i个样本的真实值和预测值;
S34)计算价值函数更新Q表,过程如下:
(21)
式中,为学习率,/>为折扣因子,重复步骤S33)- S34),直至迭代终止;
基于上述步骤,根据学习算法获得最优全汇总组合/>,从而得到电能表误差评估模型:
(22)。
本发明具有的有益效果如下:在能力守恒定律中,本发明考虑了互感器误差对计量结果的影响,并在结果中删除了互感器误差影响;
基于时间、环境、电应力影响,本发明构建了不同检定周期内的误差变化模型,并通过2个检定周期结果与1个检定周期结果进行对比,对1个检定周期的误差变化模型进行修正,提高了电能表误差评估准确度。
附图说明
图1为本发明电能表误差评估方法的流程图。
具体实施方式
为了使本领域技术人员更好的理解本发明的技术方案,下面结合说明书附图及具体实施方式对本发明进行详细的描述。然而应当理解,具体实施方式的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。在本发明的描述中,需要理解的是,所用到的术语仅仅是用于描述的目的,而不能理解为指示或暗示相对重要性。
实施例
本实施例提供一种电能表误差评估方法,如图1所示,其包括:
S1,采集总表和各分表电能量数据,基于能量守恒定律,评估支线上的电能表第一误差;
S2,基于环境应力和电应力数据,构建一个检定周期的第一误差变化模型和二个检定周期的第二误差变化模型,用第一误差变化模型计算得到的误差变化值与第二误差变化模型计算得到的误差变化值之差,修正第一误差变化模型;利用修正后的第一误差变化模型得到电能表第二误差;
S3,采用强化学习算法,赋予电能表第一误差和电能表第二误差不同权重,构建电能表误差评估模型;
S4,基于构建的电能表误差评估模型,得到电能表综合误差,对待测电能表进行误差评估。
具体地,所述的S1,包括:
S11)基于能量守恒原理,在[t 1,t 2]时间段内有:
(1)
其中,b为电能表台数,c为互感器台数,表示变电站总表的示值,/>为第i台电能表误差引入的电能计量损耗,/>为第j台互感器误差引入的电能计量损耗,/>为第i台电能表的电能量示值,G表示线损和固定损耗引起的电能计量损耗;
(2)
该方程表示第j台互感器在[t 1,t 2]时间段内因计量误差引入的电能计量损耗;
(3)
(4)
其中,为第j台互感器的一次电压值,/>为第i台互感器的一次电流值,/>、分别为电压、电流互感器额定变比,/>、/>分别为第j台互感器的二次电压、电流值,为功率因素,/>、/>分别为线路j的电压、电流在通过互感器前后的相位差;/>、/>分别为第j台电压、电流互感器的评估误差;
(5)
(6)
其中,为第i台电能表输入电能,/>为第i台电能表的误差;
将(2)-(6)带入式(1)进行处理,得到下式(7):
(7)
S12)基于互感器误差在线评估技术,评估电压、电流互感器误差、/>,设、/>,则(7)式进一步变形为:
(8)
式(8)为去除互感器影响后的电能表能量守恒公式;
S13)求解电能表误差
电能表损耗:(9)
则(10)
其中,,/>为电能表误差系数,/>为线损率,/>为固定损耗电能量;
式(10)变形为:(11)
其中,,
基于和/>数据,采用聚类算法,对电能量数据进行分类;
对于同一类别下的电能量数据下,因为系统中的能量损失基本一致,则公式(8)表示为:(12)
其中,/>,/>
其中,J为同一类别下的电能表数量;表示第J台电能表第1次采样的电能量示值数据;/>为变电站总表消除互感器影响后的第1次采样的电能量数据;
采用神经网络算法,计算出A、G,则电能表第一误差为:(13),/>。
电压、电流互感器的二次输出作为电能表的输入,因此电压、电流互感器的超差情况,会影响电能表的电能量示数。在以往的研究中,一般均未考虑互感器影响,在本发明中将互感器误差引入计算,以实现电能表计量误差的准确测量。
更具体地,构建一个检定周期的误差变化模型的步骤如下:
S21),采集各应力数据及电能表停电检定误差
采集各电能表的时间应力:运行时间;
采集各电能表的环境应力:温度、湿度、压力、光照、风速;
采集各电能表的电应力:电流、功率因素;
采集两次检定运行时长及电能表停电检定误差。
S22),对环境应力序列和电应力序列的特征分别进行特征融合,然后采用CNN-LSTM模型分别进行特征提取,得到特征参量:
构建第i台电能表的环境应力序列数据和电应力序列数据/>:
、/>
其中,i=1、2、...b;表示第i台电能表第1天的平均温度、/>表示第i台电能表第1天的平均湿度、/>表示第i台电能表第1天的平均压力、/>表示第i台电能表第1天的平均光照强度、/>表示第i台电能表第1天的平均风速;/>为第i台电能表第1天的平均电流、/>为第i台电能表第1天的平均功率因素;
采用CNN-LSTM模型对各样本、/>数据进行特征提取,得到特征参量:
,
,
其中,H表示从中提取的环境特征,D表示从/>中提取的电应力特征,/>、/>分别为提取的环境特征个数及电应力特征个数;
S23),对运行时长t、环境特征H、电应力特征D进行特征融合
运行时长t、环境特征H和电应力特征D,共个特征,/>,F表示总特征;
为加强特征的关联性,利用特征的相关性,将两两特征进行关联组合,得到特征矩阵:
(14)
其中,、/>分别表示第m、g列特征值,m、g=1,2,…,u,/>、/>、/>表示组合后特征的第一通道、第二通道、第三通道;/>为第m列与第g列的特征相关性,,其中,/>表示第i台电能表变量m、g两个变量分别相同排序后成对的变量位置之差,i=1,2,…b;
S24),构建第一误差变化模型
采用CNN模型构建第一误差变化模型:
(15)
为电能表最近两次停电检定误差之差。
更具体地,构建二个检定周期的第二误差变化模型的步骤如下:
基于两个检定周期时长内的各应力时序数据,采用上述S21)-S24)步骤,构建两个检定周期的第二误差变化模型:,其中/>为基于两个检定周期样本数据提取的特征量。
第一误差变化模型的修正过程如下:对测试集中的同一电能表,用一个检定周期的第一误差变化模型计算最近一个检定周期内的误差变化值,用二个检定周期的第二误差模型计算最近二个检定周期内的误差变化值/>,计算两个模型之间的误差变化值差值:
(16)
其中,,/>为上一次、上上一次停电检定误差;
计算误差变换值差值的均值:(17)
以均值去重新修正第一误差变化模型:以均值/>为特征参量,和运行时长t、环境特征H、电应力特征D按照步骤S23)进行融合,重新修正第一误差变化模型。
采用修正后的第一误差变化模型,对电能表误差变化值进行评估,得到误差变化值,从而计算出电能表第二误差:
(18),
式中,为第i台电能表最近一次的停电检定误差,/>表示采用修正后的第一误差变化模型评估出的误差变化值。
所述的S3中,通过Q学习算法获得电能表第一误差和电能表第二误差/>的最优权重组合,实现电能表误差融合,完成电能表误差准确评估。
具体地,所述S3的具体内容如下:
S31)创建和/>,其中/>分别为电能表第一误差的权重系数、电能表第二误差的权重系数,/>表示动作幅度大小;S为目标状态矩阵,/>为动作状态矩阵;
S32)基于ε-贪婪机制,智能体以/>的概率选择最优动作,以/>的概率随机选择动作,该机制的数学计算方法如下:
式中,为随机数,/>为贪婪系数;
S33)构建强化学习阶段的损失函数E与奖励机制r
(19)
(20)
各式中,,/>为迭代次数;H代表输入样本数,/>、/>分别表示第i个样本的真实值和预测值;
S34)计算价值函数更新Q表,过程如下:
(21)
式中,为学习率,/>为折扣因子,重复步骤S33)- S34),直至迭代终止;
基于上述步骤,根据学习算法获得最优全汇总组合/>,从而得到电能表误差评估模型:
(22)。
本实施例还提供一种电能表误差评估系统,其用于实现上述的电能表误差评估方法。
应用例
采用本发明所述的电能表误差评估方法进行如下应用。
基于能量守恒定律获取支线上电能表第一误差(部分),基于环境应力、时间应力和电应力数据,获取电能表第二误差(部分):
表1 本发明评估出的电能表第一误差(简称第一误差)、电能表第二误差(简称第二误差)
采用强化学习赋予第一误差权重、第二误差权重,得到电能表误差权重:
表2 强化学习得到的误差权重
基于第一误差、第二误差以及权重信息,获取电能表综合误差。
表3 评估效果
由表3可知,本发明的评估结果与实际电能表误差相一致,最大偏差为0.013%,效果良好。
上述对实施例的描述是为便于本技术领域的普通技术人员能理解和应用本发明。熟悉本领域技术的人员显然可以容易地对上述实施例做出各种修改,并把在此说明的一般原理应用到其他实施例中而不必经过创造性的劳动。因此,本发明不限于上述实施例,本领域技术人员根据本发明的揭示,对于本发明做出的改进和修改都应该在本发明的保护范围之内。
Claims (5)
1.一种电能表误差评估方法,其特征在于,包括:
S1,采集总表和各分表电能量数据,基于能量守恒定律,评估支线上的电能表第一误差;
S2,基于环境应力和电应力数据,构建一个检定周期的第一误差变化模型和二个检定周期的第二误差变化模型,用第一误差变化模型计算得到的误差变化值与第二误差变化模型计算得到的误差变化值之差,修正第一误差变化模型;利用修正后的第一误差变化模型得到电能表第二误差;
S3,采用强化学习算法,赋予电能表第一误差和电能表第二误差不同权重,构建电能表误差评估模型;
S4,基于构建的电能表误差评估模型,对待测电能表进行误差评估;
构建一个检定周期的第一误差变化模型的步骤如下:
S21),采集电能表各应力数据、两次检定运行时长及电能表停电检定误差;
S22),对环境应力序列和电应力序列的特征分别进行特征融合,然后采用CNN-LSTM模型分别进行特征提取,得到特征参量:
构建第i台电能表的环境应力序列数据和电应力序列数据/>:
、/>
其中,i=1、2、...b,b为电能表数量;表示第i台电能表第1天的平均温度、/>表示第i台电能表第1天的平均湿度、/>表示第i台电能表第1天的平均压力、/>表示第i台电能表第1天的平均光照强度、/>表示第i台电能表第1天的平均风速;/>为第i台电能表第1天的平均电流、/>为第i台电能表第1天的平均功率因素;
采用CNN-LSTM模型对各样本、/>数据进行特征提取,得到特征参量:
,
,
其中,H表示从中提取的环境特征,D表示从PC中提取的电应力特征,/>、/>分别为提取的环境特征个数及电应力特征个数;
S23),对运行时长t、环境特征H、电应力特征D进行特征融合
运行时长t、环境特征H和电应力特征D,共个特征,/>,F表示总特征;
为加强特征的关联性,利用特征的相关性,将两两特征进行关联组合,得到特征矩阵:
(14)
其中,、/>分别表示第m、g列特征值,m、g=1,2,…,u,/>、/>、/>表示组合后特征的第一通道、第二通道、第三通道;/>为第m列与第g列的特征相关性,,其中,/>表示第i台电能表变量m、g两个变量分别相同排序后成对的变量位置之差,i=1,2,…b;
S24),构建第一误差变化模型
采用CNN模型构建第一误差变化模型:
(15)
为电能表最近两次停电检定误差之差;
构建二个检定周期的第二误差变化模型的步骤如下:
基于两个检定周期时长内的各应力时序数据,采用上述S21)-S24)步骤,构建两个检定周期的第二误差变化模型:,其中/>为基于两个检定周期样本数据提取的特征量;
第一误差变化模型的修正过程如下:对测试集中的同一电能表,用一个检定周期的第一误差变化模型计算最近一个检定周期内的误差变化值,用二个检定周期的第二误差模型计算最近二个检定周期内的误差变化值/>,计算两个模型之间的误差变化值差值:
(16)
其中,,/>为上一次、上上一次停电检定误差;
计算误差变换值差值的均值:(17)
以均值去重新修正第一误差变化模型:以均值/>为特征参量,和运行时长t、环境特征H、电应力特征D按照步骤S23)进行融合,重新修正第一误差变化模型;
采用修正后的第一误差变化模型,对电能表误差变化值进行评估,得到误差变化值,从而计算出电能表第二误差:
(18),
式中,为第i台电能表最近一次的停电检定误差,/>表示采用修正后的第一误差变化模型评估出的误差变化值。
2.根据权利要求1所述的电能表误差评估方法,其特征在于,所述的S1,包括:
S11)基于能量守恒原理,在[t 1,t 2]时间段内有:
(1)
其中,b为电能表台数,c为互感器台数,表示变电站总表的示值,/>为第i台电能表误差引入的电能计量损耗,/>为第j台互感器误差引入的电能计量损耗,/>为第i台电能表的电能量示值,G表示线损和固定损耗引起的电能计量损耗;
(2)
该方程表示第j台互感器在[t 1,t 2]时间段内因计量误差引入的电能计量损耗;
(3)
(4)
其中,为第j台互感器的一次电压值,/>为第i台互感器的一次电流值,/>、/>分别为电压、电流互感器额定变比,/>、/>分别为第j台互感器的二次电压、电流值,/>为功率因素,/>、/>分别为线路j的电压、电流在通过互感器前后的相位差;/>、/>分别为第j台电压、电流互感器的评估误差;
(5)
(6)
其中,为第i台电能表输入电能,/>为第i台电能表的误差;
将(2)-(6)带入式(1)进行处理,得到下式(7):
(7)
S12)基于互感器误差在线评估技术,评估电压、电流互感器误差、/>,设、/>,则(7)式进一步变形为:
(8)
式(8)为去除互感器影响后的电能表能量守恒公式;为去除互感器计量误差影响后的电能量;
S13)求解电能表误差
除去互感器损耗后的电量损耗:(9)
则(10)
其中,,/>为电能表误差系数,/>为线损率,/>为固定损耗电能量;
式(10)变形为:(11)
其中,,
基于和/>数据,采用聚类算法,对电能量数据进行分类;
对于同一类别下的电能量数据下,线损和固定损耗引起的电能计量损耗G基本一致,公式(8)表示为:(12)
其中,/>,/>
其中,J为同一类别下的电能表数量;表示第J台电能表第1次采样的电能量示值数据;/>为变电站总表消除互感器影响后的第1次采样的电能量数据;
采用神经网络算法,计算出A、G,则电能表第一误差为:(13),/>。
3.根据权利要求1所述的电能表误差评估方法,其特征在于,所述的S3中,通过学习算法获得电能表第一误差/>和电能表第二误差/>的最优权重组合,实现电能表误差融合,完成电能表误差准确评估。
4.根据权利要求3所述的电能表误差评估方法,其特征在于,所述S3的具体内容如下:
S31)创建和/>,其中/>分别为电能表第一误差的权重系数、电能表第二误差的权重系数,/>表示动作幅度大小;S为目标状态矩阵,/>为动作状态矩阵;
S32)基于ε-贪婪机制,智能体以/>的概率选择最优动作,以/>的概率随机选择动作,该机制的数学计算方法如下:
式中,为随机数,/>为贪婪系数;s为智能体状态;
S33)构建强化学习阶段的损失函数E与奖励机制r
(19)
(20)
各式中,,/>为迭代次数;H代表输入样本数,/>、/>分别表示第i个样本的真实值和预测值;
S34)计算价值函数更新Q表,过程如下:
(21)
式中,为学习率,/>为折扣因子,重复步骤S33)- S34),直至迭代终止;
基于上述步骤,根据学习算法获得最优全汇总组合/>,从而得到电能表误差评估模型:
(22)。
5.一种电能表误差评估系统,其特征在于,用于实现权利要求1-4任一项所述的电能表误差评估方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311391648.1A CN117110977B (zh) | 2023-10-25 | 2023-10-25 | 一种电能表误差评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311391648.1A CN117110977B (zh) | 2023-10-25 | 2023-10-25 | 一种电能表误差评估方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117110977A CN117110977A (zh) | 2023-11-24 |
CN117110977B true CN117110977B (zh) | 2024-03-01 |
Family
ID=88811436
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311391648.1A Active CN117110977B (zh) | 2023-10-25 | 2023-10-25 | 一种电能表误差评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117110977B (zh) |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281243A (zh) * | 2008-05-20 | 2008-10-08 | 深圳市科陆电子科技股份有限公司 | 等电位闭环电能表检验装置及检验方法 |
CN101303401A (zh) * | 2008-07-01 | 2008-11-12 | 长沙威胜电子有限公司 | 电能表的rtc调校装置及rtc自动补偿校正方法 |
WO2015085830A1 (zh) * | 2013-12-09 | 2015-06-18 | 国家电网公司 | 电子式电能表动态特性测试装置 |
CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN112686493A (zh) * | 2020-11-24 | 2021-04-20 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种依托大数据实时评价智能电表运行状态与更换的方法 |
CN113743651A (zh) * | 2021-08-04 | 2021-12-03 | 三峡大学 | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 |
WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN115508770A (zh) * | 2022-11-22 | 2022-12-23 | 武汉格蓝若智能技术股份有限公司 | 一种基于kl-nb算法的电能表运行状态在线评估方法 |
EP4134695A1 (fr) * | 2021-08-10 | 2023-02-15 | Sagemcom Energy & Telecom SAS | Verification de la precision metrologique d'un compteur electrique |
CN116245373A (zh) * | 2022-12-06 | 2023-06-09 | 云南电网有限责任公司信息中心 | 一种基于深度学习的电力数据质量规则自适应方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011035147A2 (en) * | 2009-09-18 | 2011-03-24 | Delaware Capital Formation, Inc. | Controlled compressional wave components of thickness shear mode multi-measurand sensors |
-
2023
- 2023-10-25 CN CN202311391648.1A patent/CN117110977B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101281243A (zh) * | 2008-05-20 | 2008-10-08 | 深圳市科陆电子科技股份有限公司 | 等电位闭环电能表检验装置及检验方法 |
CN101303401A (zh) * | 2008-07-01 | 2008-11-12 | 长沙威胜电子有限公司 | 电能表的rtc调校装置及rtc自动补偿校正方法 |
WO2015085830A1 (zh) * | 2013-12-09 | 2015-06-18 | 国家电网公司 | 电子式电能表动态特性测试装置 |
WO2019144386A1 (zh) * | 2018-01-26 | 2019-08-01 | 大连理工大学 | 一种航空发动机过渡态关键性能参数预测方法 |
CN108693496A (zh) * | 2018-05-07 | 2018-10-23 | 国网山东省电力公司电力科学研究院 | 一种基于参量退化方程的智能电能表误差预估方法 |
CN112686493A (zh) * | 2020-11-24 | 2021-04-20 | 国网新疆电力有限公司营销服务中心(资金集约中心、计量中心) | 一种依托大数据实时评价智能电表运行状态与更换的方法 |
WO2022110558A1 (zh) * | 2020-11-25 | 2022-06-02 | 国网湖南省电力有限公司 | 一种智能电能表故障预警方法及装置 |
CN113743651A (zh) * | 2021-08-04 | 2021-12-03 | 三峡大学 | 基于机器学习和svm算法的电子式电压互感器误差状态预测方法 |
EP4134695A1 (fr) * | 2021-08-10 | 2023-02-15 | Sagemcom Energy & Telecom SAS | Verification de la precision metrologique d'un compteur electrique |
CN115508770A (zh) * | 2022-11-22 | 2022-12-23 | 武汉格蓝若智能技术股份有限公司 | 一种基于kl-nb算法的电能表运行状态在线评估方法 |
CN116245373A (zh) * | 2022-12-06 | 2023-06-09 | 云南电网有限责任公司信息中心 | 一种基于深度学习的电力数据质量规则自适应方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117110977A (zh) | 2023-11-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113297797B (zh) | 一种基于XGBoost的电子式互感器量测误差状态评估方法及装置 | |
CN105842087A (zh) | 高温应力松弛数据转换为蠕变数据的设计预测方法 | |
CN106126944B (zh) | 一种电力变压器顶层油温区间预测方法及系统 | |
CN107741578B (zh) | 智能电能表运行误差远程校准的原始抄表数据处理方法 | |
CN110363334B (zh) | 基于灰色神经网络模型的光伏并网的电网线损预测方法 | |
CN115508770B (zh) | 一种基于kl-nb算法的电能表运行状态在线评估方法 | |
CN114265001B (zh) | 一种智能电表计量误差评估方法 | |
CN114091317A (zh) | 基于nwp辐照度修正和误差预测的光伏电站功率预测方法 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN116720622A (zh) | 一种电流互感器计量误差值预测方法 | |
CN117110977B (zh) | 一种电能表误差评估方法及系统 | |
CN113608126B (zh) | 一种不同温度下的锂电池soc在线预估方法 | |
CN103279030B (zh) | 基于贝叶斯框架的动态软测量建模方法及装置 | |
CN114692981A (zh) | 基于Seq2Seq模型的中长期径流预报方法和系统 | |
CN106610478A (zh) | 一种基于海量数据的储能电池特性评估方法及系统 | |
CN115511230B (zh) | 一种电能替代潜力分析预测方法 | |
CN111273212B (zh) | 数据驱动的电量传感器误差在线评测闭环改进方法、系统及介质 | |
CN112581311B (zh) | 一种多风电场聚合后出力长期波动特性预测方法及系统 | |
CN115600414B (zh) | 一种基于ai算法的电能表运行误差求解方法及装置 | |
Mbasso et al. | Demand-supply forecasting based on deep learning for electricity balance in Cameroon | |
CN110210711A (zh) | 一种电动汽车电能计量准确度评估方法 | |
CN113125037B (zh) | 一种基于分布式光纤在线测温系统的电缆导体温度估算方法 | |
CN114387033A (zh) | 一种基于天然气能量的计费方法和系统 | |
CN114609572B (zh) | 基于波动线路损耗的电流互感器变比准确性评估方法 | |
CN112163714B (zh) | 一种基于XGBoost的园区客户群体负荷释放算法 |
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 |