CN117331017A - 一种三相四线电能表错接线研判方法及系统 - Google Patents

一种三相四线电能表错接线研判方法及系统 Download PDF

Info

Publication number
CN117331017A
CN117331017A CN202311022292.4A CN202311022292A CN117331017A CN 117331017 A CN117331017 A CN 117331017A CN 202311022292 A CN202311022292 A CN 202311022292A CN 117331017 A CN117331017 A CN 117331017A
Authority
CN
China
Prior art keywords
phase
data
wiring
electric energy
energy meter
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
Application number
CN202311022292.4A
Other languages
English (en)
Inventor
张艳丽
牛任恺
刘晶
刘继鹏
易忠林
张鑫磊
王利赛
郭伟
刘桐然
檀舒
石磊
妙红英
岳振宇
岳虎
王玉君
姜振宇
程杰
刘岩
戚成飞
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.)
State Grid Corp of China SGCC
State Grid Jibei Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Jibei Electric Power 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 State Grid Corp of China SGCC, State Grid Jibei Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202311022292.4A priority Critical patent/CN117331017A/zh
Publication of CN117331017A publication Critical patent/CN117331017A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/55—Testing for incorrect line connections
    • 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
    • G06F18/00—Pattern recognition
    • G06F18/10—Pre-processing; Data cleansing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Power Engineering (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明提供一种三相四线电能表错接线研判方法及系统，涉及电量计量领域，基于实验室环境，获得三相四线N种接线类型库的典型特征值；获取现场实际采集值，利用聚类算法对实验室环境获得的典型特征值进行修正优化，使构建三相四线N种接线类型库接近实际现场数据；从用电信息采集系统中获取数据；将采集的数据按预设时间相隔进行组合和预处理；对三相四线电能表接线类型进行研判。本发明解决了现有的错接线研判技术无法大规模使用、成本较高且无法精确感知具体是哪种错接线的问题。

Description

一种三相四线电能表错接线研判方法及系统
技术领域
本发明涉及电量计量领域，尤其涉及一种三相四线电能表错接线研判方法及系统。
背景技术
随着能源革命和数字革命加速融合，电力市场化改革纵深推进，电力供需、代理购电、现货交易等对电能计量正确性、异常处理时效性提出了很高的要求，亟需对电能表错接线、计量故障、窃电等各类异常需要具备在线高效的智能感知和稽查分析研判能力，以满足计量异常存疑问题的在线稽查分析研判需求，即时纠偏，维护供用电双方的权益。
现有的对电能表错接线、计量故障、窃电等各类异常的分析研判技术，主要分为两个方向，一个是通过硬件检测，另一个是通过对电能表采集的数据进行分析。硬件检测的技术方式有很多种，如采用阻波装置和感测装置实现非入户不断电电能表错接线检测，或者利用带微处理器的错接线检测仪获取电路的测量信号判断现场待测装置的接线是否正确。然而，硬件检测方法无法解决同时对大量电能表的接线研判，使用成本也较高，无法大范围推广使用，并且当电能表出现错接线时无法及时感知。对实时采集的电能表数据分析则是根据采集数据的有功功率、无功功率、功率因数等变化量Δ确定是否发生了错接线，但是无法精确感知具体错接线类型，从而无法及时计算出后续的电量追退。故如何根据电能表已有数据及时研判出错接线类型是当前技术中急需解决的技术问题。
为了能实现对电能表接线类型进行研判，若使用监督类型的算法需要每一种接线类型都有大量数据以训练模型，但是目前只有针对每一种接线类型下的理论值，所以为了能充分利用已有的数据，采用半监督算法是研判电能表接线类型的比较合适的算法，即只需利用少量有标签数据和大量无标签数据进行学习，最终也能达到较好的性能，提高电能表错接线在线研判及差错电量计算的准确性，满足业务需求。标签传播算法(LabelpropagationAlgorithm，LPA)是一种基于图的半监督学习方法，认为联系紧密的节点会拥有一个相同的标签值，其基本思路是用已标记节点的标签信息预测未标记节点的标签信息，最后标签值相同的节点被划分进一个类别。LPA具有思路简单、扩展性强、复杂度最低、速度最快等特点，时间复杂度接近于线性0(m)(m为边的数目)。另外,标签传播算法既不需要优化预定义的目标函数，对接线的类型个数也没有限制。然而，虽然标签传播算法简单高效，但算法中的标签传播的随机性导致算法的准确度较差，划分结果不稳定,随机性较强，鲁棒性有待提高。
发明内容
本发明提供一种三相四线电能表错接线研判方法，方法实现对三相四线电能表96种接线类型的实时研判，具有研判准确率高、成本低、效率高的特点，提高了计量人员的检修效率。
方法包括：
S1：基于实验室环境，获得三相四线N种接线类型库的典型特征值；
S2：获取现场实际采集值，利用聚类算法对实验室环境获得的典型特征值进行修正优化，使构建三相四线N种接线类型库接近实际现场数据；
S3：从用电信息采集系统中获取数据；
S4：将采集的数据按预设时间相隔进行组合和预处理；
S5：对三相四线电能表接线类型进行研判。
进一步需要说明的是，步骤S1中的三相四线N种接线类型库包含：A相电压、B相电压、C相电压、A相电压相角、B相电压相角、C相电压相角、A相电压电流相角、B相电压电流相角、C相电压电流相角的典型特征值。
进一步需要说明的是，步骤S2中的聚类算法采用密度峰值聚类算法，并基于密度峰值聚类算法计算局部密度、计算与高密度点的最小距离、可视化、确定聚类中心五个步骤确定簇的中心，以对实验室环境获得的典型特征值进行修正优化。
进一步需要说明的是，采用的密度峰值聚类算法包括如下处理方式：
局部密度的计算公式如下：
其中，dc的大小设置满足；
通过如下公式计算与高密度点的最小距离：
绘制出局部密度ρi与高局部密度点距离δi的关系散点图；
选取局部密度和高局部密度距离均大于阈值的信息作为簇中心；
将实验环境获取的N种接线类型典型特征值修正优化为簇中心样本点的A相电压、B相电压、C相电压、A相电压相角、B相电压相角、C相电压相角、A相电压电流相角、B相电压电流相角、C相电压电流相角数据。
进一步需要说明的是，步骤S3中从用电信息采集系统中获取的数据包括三相有功功率、电流、电压、无功功率和电压相角、电压电流相角、功率因数数据。
进一步需要说明的是，步骤S4中对采集的数据基于如下方式进行预处理：
对原始数据中失真数据进行清洗；
采用拉格朗日插值法对数据缺失值进行插补和修正；
将数据的取值限定在[0,1]这个区间之内，计算公式如下：
其中Xmax为对应影响因素数据的最大值，Xmin为数据中对应影响因素数据的最小值。
进一步需要说明的是，所述步骤五中采用标签传播算法模型对三相四线电能表接线类型进行研判。
方法中，采用标签传播算法模型对三相四线电能表接线类型进行研判，研判步骤包括如下：
(1)将构建的三相四线N种接线类型库(UA1,UB1,UC1,UB1,.....y1)、
(UA2,UB2,UC2,UB2,.....y2)、......、(UA96,UB96,UC96,UB96,.....y96)数据作为有标签数据，(UA97,UB97,UC97,UB97,.....y97)、......、(UA96+u,UB96+u,UC96+u,UB96+u,.....y96+u)作为无标签数据；
(2)将所有数据作为节点，创建一个完全连接图，其边的权重计算式如下:
其中，dij表示任意两个节点的欧式距离，权重wij受控于参数σ；
(3)计算一个节点的标注通过边传播到其他节点的概率T，概率T通过如下公式进行计算：
(4)定义一个(96+u)x 96维的标注矩阵Y；
(5)每个节点按传播概率把其周围节点传播的标注值按权重相加，并更新本身的概率分布：
限定已标注数据，把已标注数据的概率分布重新赋值为初始值；
重复步骤(5)，直到收敛。
本发明还提供一种三相四线电能表错接线研判系统，系统包括：实验数据获取模块、现场数据处理模块、用电信息采集模块、数据处理模块以及接线研判模块；
实验数据获取模块基于实验室环境，获得三相四线N种接线类型库的典型特征值；
现场数据处理模块用于获取现场实际采集值，利用聚类算法对实验室环境获得的典型特征值进行修正优化，使构建三相四线N种接线类型库接近实际现场数据；
用电信息采集模块用于从用电信息采集系统中获取数据；
数据处理模块用于将采集的数据按预设时间相隔进行组合和预处理；
接线研判模块用于对三相四线电能表接线类型进行研判。
从以上技术方案可以看出，本发明具有以下优点：
本发明提供的三相四线电能表错接线研判方法对实验室环境获得的典型特征值进行修正优化，使构建三相四线N种接线类型库接近实际现场数据；再从用电信息采集系统中获取数据；将采集的数据按预设时间相隔进行组合和预处理；对三相四线电能表接线类型进行研判。这样，实现对三相四线电能表96种接线类型的实时研判，具有研判准确率高、成本低、效率高的特点，提高了计量人员的检修效率。还能够对三相四线电能表96种接线类型数据高效率地收集、存储，并进行处理，使用多维空间描述整个电力状态。提高三相四线电能表错接线研判管理水平和效率，控制电力过程运行风险，从而实现三相四线电能表接线研判全过程监督、管理和控制的及时性和科学性。
附图说明
为了更清楚地说明本发明的技术方案，下面将对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为三相四线电能表错接线研判方法流程图；
图2为三相四线电能表错接线研判系统示意图。
具体实施方式
本发明提供的三相四线电能表错接线研判方法主要是为了解决标签传播算法在对三相四线电能表错接线研判过程中的标签传播的随机性导致算法的准确度较差，划分结果不稳定，鲁棒性不高的问题。
当然本发明的三相四线电能表错接线研判方法可以基于人工智能技术对关联的数据进行获取和处理。其中，三相四线电能表错接线研判方法利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用装置。
本发明的方法中既有硬件层面的技术也有软件层面的技术。三相四线电能表错接线研判方法基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。三相四线电能表错接线研判方法软件技术主要包括计算机视角技术、语音处理技术、机器学习/深度学习以及程序设计语言。程序设计语言包括但不限于面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。
根据需要，三相四线电能表错接线研判方法还具有机器学习功能，其中本发明方法中的机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习、式教学习等技术。通过密度峰值聚类算法和标签传播算法模型等等，利用传感器监控、数据传输等技术，实现对三相四线电能表96种接线类型的实时研判，具有研判准确率高、成本低、效率高的特点，提高了计量人员的检修效率。
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1所示是一具体实施例中三相四线电能表错接线研判方法的流程图，方法包括：
S1：基于实验室环境，获得三相四线N种接线类型库的典型特征值；
其中，以获得三相四线96种接线类型库的典型特征值为例，在实验室三相表台体按照96种接线方式，抄读电表的A相电压、B相电压、C相电压、A相电压相角、B相电压相角、C相电压相角、A相电压电流相角、B相电压电流相角、C相电压电流相角的典型特征值。
96种接线情况的对照表1如下所示。
表1
S2：获取现场实际采集值，利用聚类算法对实验室环境获得的典型特征值进行修正优化，使构建三相四线96种接线类型库接近实际现场数据。
需要说明的是，聚类方法采用的是密度峰值聚类(Density Peak Clustering，DPC)，是一种基于密度的聚类方法，主要思想是寻找数据集中的密度较高且具有显著性的区域作为聚类中心，该聚类算法优势是可以得到非球形的聚类结果，可以很好地描述数据分布，同时在算法复杂度上也比一般的K-means算法的复杂度低。其使用过程通常包括五个步骤：计算局部密度、计算与高密度点的最小距离、可视化、确定聚类中心。
其中，局部密度的计算公式如下：
其中dc的大小设置满足，点落在dc圆区域内平均点数占总点数的1％-2％。
可选地，通过如下公式计算与高密度点的最小距离：
需要说明的使，本实施例绘制出局部密度ρi与高局部密度点距离δi的关系散点图；选取局部密度和高局部密度距离均大于阈值的信息作为簇中心；将实验环境获取的96种接线类型典型特征值修正优化为簇中心样本点的A相电压、B相电压、C相电压、A相电压相角、B相电压相角、C相电压相角、A相电压电流相角、B相电压电流相角、C相电压电流相角数据。
S3：从用电信息采集系统中获取数据。
本实施例中，从用电信息采集系统中获取包括A、B、C三相有功功率、电流、电压、无功功率和电压相角、电压电流相角、功率因数的96点数据。
S4：将采集的数据按预设时间相隔进行组合和预处理。
根据本申请的实施例，原始数据中存在着一些不完整的、不一致的、有异常的数据，这会影响到数据挖掘的执行效率和准确率，甚至会导致挖掘结果和所预想的偏差较大，所以进行数据预处理得到高质量数据的数据集是及其重要的。
本实施例首先需要处理的是原始数据中失真数据，如将电压缺相断相、电压幅值不合法、电流小于误差范围的失真数据进行清洗；其次，电力用户每天都有96点负荷数据，其中部分数据点会出现零值、空值或错误值，这会影响研判的结果。
本发明采用拉格朗日插值法对这些缺失值进行插补和修正。具体方法如下：从原始负荷数据集中确定因变量和自变量，并提取缺失值位置前后的5个数据，将取出的10个数据组成一组，利用插值的方法对全部缺失数据依次进行插补。
本发明的实施例中，还对数据进行归一化，本发明的输入数据为用电客户档案、负荷数据信息，具体包含电压、电流、功率、电流相角、电压相角、功率因数。
数据源中的电压、电流、功率因数存在数据量级不对应情况，这种无序化的数据会对接线类型研判结果造成较大误差。本发明将对样本数据进行规范化处理，采用归一化方法来消除这种不利因素，本发明将样本数据的取值限定在[0,1]这个区间之内，计算公式如下：
其中，Xmax为对应影响因素数据的最大值，Xmin为样本数据中对应影响因素数据的最小值。数据归一化之后处于同一量级的输入数据既能使预测模型的训练效率加快，又能使输出误差降低。
S5：对三相四线电能表接线类型进行研判。
对三相四线电能表接线类型进行研判的算法模型采用的是标签传播算法模型，步骤如下：
(1)将构建的三相四线96种接线类型库(UA1,UB1,UC1,UB1,.....y1)、
(UA2,UB2,UC2,UB2,.....y2)、......、(UA96,UB96,UC96,UB96,.....y96)数据作为有标签数据，(UA97,UB97,UC97,UB97,.....y97)、......、(UA96+u,UB96+u,UC96+u,UB96+u,.....y96+u)作为无标签数据。
(2)将所有数据作为节点(包括已标注和未标注数据)，创建一个完全连接图，其边的权重计算式如下：
其中dij表示任意两个节点的欧式距离，权重wij受控于参数σ。
(3)计算一个节点的标注通过边传播到其他节点的概率T如下所示：
(4)定义一个(96+u)x 96维的标注矩阵Y。
(5)每个节点按传播概率把它周围节点传播的标注值按权重相加，并更新自己的概率分布：
这里，限定已标注数据，把已标注数据的概率分布重新赋值为初始值。重复步骤5，直到收敛。
这样基于上述方法，实现对三相四线电能表96种接线类型的实时研判，具有研判准确率高、成本低、效率高的特点，提高了计量人员的检修效率。还能够对三相四线电能表96种接线类型数据高效率地收集、存储，并进行处理，使用多维空间描述整个电力状态。提高三相四线电能表错接线研判管理水平和效率，控制电力过程运行风险，从而实现三相四线电能表接线研判全过程监督、管理和控制的及时性和科学性。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
以下是本公开实施例提供的三相四线电能表错接线研判系统的实施例，该系统与上述各实施例的三相四线电能表错接线研判方法属于同一个发明构思，在三相四线电能表错接线研判系统的实施例中未详尽描述的细节内容，可以参考上述三相四线电能表错接线研判方法的实施例。
如图2所示，系统包括：实验数据获取模块、现场数据处理模块、用电信息采集模块、数据处理模块以及接线研判模块。
实验数据获取模块基于实验室环境，获得三相四线N种接线类型库的典型特征值。
现场数据处理模块用于获取现场实际采集值，利用聚类算法对实验室环境获得的典型特征值进行修正优化，使构建三相四线N种接线类型库接近实际现场数据。
用电信息采集模块用于从用电信息采集系统中获取数据。
数据处理模块用于将采集的数据按预设时间相隔进行组合和预处理。
接线研判模块用于对三相四线电能表接线类型进行研判。
本发明的系统解决了现有的错接线研判技术无法大规模使用、成本较高且无法精确感知具体是哪种错接线的问题。
本发明提供的三相四线电能表错接线研判系统是结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
所属技术领域的技术人员能够理解，本发明提供的三相四线电能表错接线研判方法各个方面可以实现为系统、方法或程序产品。因此，本公开的各个方面可以具体实现为以下形式，即：完全的硬件实施方式、完全的软件实施方式(包括固件、微代码等)，或硬件和软件方面结合的实施方式，这里可以统称为“电路”、“模块”或“系统”。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

Claims (9)

1.一种三相四线电能表错接线研判方法，其特征在于，方法包括：
S1：基于实验室环境，获得三相四线N种接线类型库的典型特征值；
S2：获取现场实际采集值，利用聚类算法对实验室环境获得的典型特征值进行修正优化，使构建三相四线N种接线类型库接近实际现场数据；
S3：从用电信息采集系统中获取数据；
S4：将采集的数据按预设时间相隔进行组合和预处理；
S5：对三相四线电能表接线类型进行研判。
2.根据权利要求1所述的三相四线电能表错接线研判方法，其特征在于，
步骤S1中的三相四线N种接线类型库包含：A相电压、B相电压、C相电压、A相电压相角、B相电压相角、C相电压相角、A相电压电流相角、B相电压电流相角、C相电压电流相角的典型特征值。
3.根据权利要求1所述的三相四线电能表错接线研判方法，其特征在于，
步骤S2中的聚类算法采用密度峰值聚类算法，并基于密度峰值聚类算法计算局部密度、计算与高密度点的最小距离、可视化、确定聚类中心五个步骤确定簇的中心，以对实验室环境获得的典型特征值进行修正优化。
4.根据权利要求3所述的三相四线电能表错接线研判方法，其特征在于，
采用的密度峰值聚类算法包括如下处理方式：
局部密度的计算公式如下：
其中，dc的大小设置满足；
通过如下公式计算与高密度点的最小距离：
绘制出局部密度ρi与高局部密度点距离δi的关系散点图；
选取局部密度和高局部密度距离均大于阈值的信息作为簇中心；
将实验环境获取的N种接线类型典型特征值修正优化为簇中心样本点的A相电压、B相电压、C相电压、A相电压相角、B相电压相角、C相电压相角、A相电压电流相角、B相电压电流相角、C相电压电流相角数据。
5.根据权利要求1所述的三相四线电能表错接线研判方法，其特征在于，
步骤S3中从用电信息采集系统中获取的数据包括三相有功功率、电流、电压、无功功率和电压相角、电压电流相角、功率因数数据。
6.根据权利要求1所述的三相四线电能表错接线研判方法，其特征在于，
步骤S4中对采集的数据基于如下方式进行预处理：
对原始数据中失真数据进行清洗；
采用拉格朗日插值法对数据缺失值进行插补和修正；
将数据的取值限定在[0,1]这个区间之内，计算公式如下：
其中Xmax为对应影响因素数据的最大值，Xmin为数据中对应影响因素数据的最小值。
7.根据权利要求1所述的三相四线电能表错接线研判方法，其特征在于，
所述步骤五中采用标签传播算法模型对三相四线电能表接线类型进行研判。
8.根据权利要求7所述的三相四线电能表错接线研判方法，其特征在于，
方法中，采用标签传播算法模型对三相四线电能表接线类型进行研判，研判步骤包括如下：
(1)将构建的三相四线N种接线类型库(UA1,UB1,UC1,UB1,.....y1)、
(UA2,UB2,UC2,UB2,.....y2)、......、(UA96,UB96,UC96,UB96,.....y96)数据作为有标签数据，(UA97,UB97,UC97,UB97,.....y97)、......、(UA96+u,UB96+u,UC96+u,UB96+u,.....y96+u)作为无标签数据；
(2)将所有数据作为节点，创建一个完全连接图，其边的权重计算式如下:
其中，dij表示任意两个节点的欧式距离，权重wij受控于参数σ；
(3)计算一个节点的标注通过边传播到其他节点的概率T，概率T通过如下公式进行计算：
(4)定义一个(96+u)x96维的标注矩阵Y；
(5)每个节点按传播概率把其周围节点传播的标注值按权重相加，并更新本身的概率分布：
限定已标注数据，把已标注数据的概率分布重新赋值为初始值；
重复步骤(5)，直到收敛。
9.一种三相四线电能表错接线研判系统，其特征在于，系统采用如权利要求1至8任意一项所述的三相四线电能表错接线研判方法；
系统包括：实验数据获取模块、现场数据处理模块、用电信息采集模块、数据处理模块以及接线研判模块；
实验数据获取模块基于实验室环境，获得三相四线N种接线类型库的典型特征值；
现场数据处理模块用于获取现场实际采集值，利用聚类算法对实验室环境获得的典型特征值进行修正优化，使构建三相四线N种接线类型库接近实际现场数据；
用电信息采集模块用于从用电信息采集系统中获取数据；
数据处理模块用于将采集的数据按预设时间相隔进行组合和预处理；
接线研判模块用于对三相四线电能表接线类型进行研判。
CN202311022292.4A 2023-08-14 2023-08-14 一种三相四线电能表错接线研判方法及系统 Pending CN117331017A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311022292.4A CN117331017A (zh) 2023-08-14 2023-08-14 一种三相四线电能表错接线研判方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311022292.4A CN117331017A (zh) 2023-08-14 2023-08-14 一种三相四线电能表错接线研判方法及系统

Publications (1)

Publication Number Publication Date
CN117331017A true CN117331017A (zh) 2024-01-02

Family

ID=89292183

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311022292.4A Pending CN117331017A (zh) 2023-08-14 2023-08-14 一种三相四线电能表错接线研判方法及系统

Country Status (1)

Country Link
CN (1) CN117331017A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554864A (zh) * 2024-01-09 2024-02-13 国网冀北电力有限公司 一种电能表接线异常在线感知诊断系统及方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117554864A (zh) * 2024-01-09 2024-02-13 国网冀北电力有限公司 一种电能表接线异常在线感知诊断系统及方法
CN117554864B (zh) * 2024-01-09 2024-04-05 国网冀北电力有限公司 一种电能表接线异常在线感知诊断系统及方法

Similar Documents

Publication Publication Date Title
Kang et al. Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters
CN113011481B (zh) 一种基于决策树算法的电能表功能异常评估方法及系统
CN108593260A (zh) 光缆线路故障定位和检测方法及终端设备
Sun et al. Outlier data treatment methods toward smart grid applications
CN110879377B (zh) 基于深度信念网络的计量装置故障溯源方法
CN116245033B (zh) 人工智能驱动的电力系统分析方法及智能软件平台
CN117331017A (zh) 一种三相四线电能表错接线研判方法及系统
CN115293257A (zh) 一种针对异常用电用户的检测方法及系统
CN115654381A (zh) 一种基于图神经网络的供水管道漏损检测方法
Zafar et al. Step towards secure and reliable smart grids in Industry 5.0: A federated learning assisted hybrid deep learning model for electricity theft detection using smart meters
CN115758151A (zh) 联合诊断模型建立方法、光伏组件故障诊断方法
Yin et al. Non-intrusive load monitoring by load trajectory and multi-feature based on DCNN
Yoon et al. Deep learning-based method for the robust and efficient fault diagnosis in the electric power system
CN115859099A (zh) 样本生成方法、装置、电子设备和存储介质
CN116402227A (zh) 一种基于云计算的风电大数据分析方法及系统
CN103529337B (zh) 设备故障与电气量信息间非线性相关关系的识别方法
CN114240041A (zh) 配网台区精益化线损分析方法及系统
CN115908082A (zh) 基于用电特征指标的企业排污监控方法及装置
CN106816871B (zh) 一种电力系统状态相似性分析方法
CN113435494A (zh) 低压居民用户异常用电识别方法及仿真模拟系统
Yang et al. Electricity theft detection based on ReliefF feature selection algorithm and BP neural network
CN103475527A (zh) 一种网管故障可信度分析系统及方法
Han et al. Novel Long Short-Term Memory Model Based on the Attention Mechanism for the Leakage Detection of Water Supply Processes
Morgoev et al. Algorithm for Operational Detection of Abnormally Low Electricity Consumption in Distribution
CN117878979B (zh) 基于电储能的功率平衡及动态补偿系统

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