CN117495106A - 一种智能电表实时风险筛查、预测方法及系统 - Google Patents
一种智能电表实时风险筛查、预测方法及系统 Download PDFInfo
- Publication number
- CN117495106A CN117495106A CN202311683565.XA CN202311683565A CN117495106A CN 117495106 A CN117495106 A CN 117495106A CN 202311683565 A CN202311683565 A CN 202311683565A CN 117495106 A CN117495106 A CN 117495106A
- Authority
- CN
- China
- Prior art keywords
- risk
- screening
- metering
- time
- risk screening
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 97
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000012795 verification Methods 0.000 claims abstract description 16
- 230000010354 integration Effects 0.000 claims description 45
- 230000011218 segmentation Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004171 remote diagnosis Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000005611 electricity Effects 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 abstract description 6
- 230000035945 sensitivity Effects 0.000 abstract description 6
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000003745 diagnosis Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 230000007613 environmental effect Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012502 risk assessment Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004134 energy conservation Methods 0.000 description 1
- 238000011065 in-situ storage Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种智能电表实时风险筛查及预测方法,包括基于智能电表首次检定数据的计量风险筛查,以及还包括基于智能电表AMI数据的远程计量风险筛查,将计量风险筛查结果和AMI数据的远程计量风险筛查结果进行综合风险评级,获得智能电表实时风险状况。本发明在首检筛查和智能电表失准监测方法的基础上经过一系列算法,可以在电能表发生故障后大幅缩短发现时间,当采用适当的参数时具有极高的灵敏度,同时对于可能出现的特定故障进行预测,尽可能避免用电用户或电力部门的损失,保证贸易公平。
Description
技术领域
本发明涉及电子式电能表计量技术领域,尤其涉及一种智能电表实时风险筛查、预测方法及系统。
背景技术
智能电表是智能电网(特别是智能配电网)数据采集的基本设备之一,承担着原始电能数据采集、计量和传输的任务,是实现信息集成、分析优化和信息展现的基础。判定智能电表(以下简称“电能表”或“电表”)计量性能目前有两种方法,第一种是计量检定或计量校准,即根据《电子式交流电能表检定规程》进行,任意检定点误差超过规程中规定的范围则直接判定该电表不合格(检定)或不符合要求(校准),虽然该方法的结果具有绝对性,但需要将智能电表拆回到实验室,对于已经安装使用中的电表,拆卸需要大量人力物力,同时也会影响用户正常用电;
第二种方法是现场检测,即到电表安装现场进行检测,该方法依据相关校准规范,虽然不用拆卸电表,但对于安装数量巨大的再用电表能然需要大量人力物力。
以上两种方法都无法及时发现故障。目前电力运营企业推出了一种基于能量守恒的智能电表失准监测方法,该方法通过按一定时间间隔(目前为24h,计划缩减到15min一次)采集一个台区内总电表和各分电表累计电量(AMI数据),建立超定方程计算电能误差,这种方法虽然比前两种方法的实时性有所提高,但由于该算法的局限性(具体表现为:如果未知变量数量为n,超定方程至少需要n+1个方程才能解出所有未知变量,一天一个方程,200只表就需要200天参能解出电表误差。限定条件影响:积分区间小于积分间隔会漏掉数据,积分间隔过大会平均掉突变数据),监测实时性和台区包含的分表数量成反比,而当台区的分表数量最多可以达到200只以上时,使用该算法会导致某只电表故障后至少经过200天才能被发现,灵敏度较低。
发明内容
针对上述存在的问题,本发明旨在提供一种智能电表实时风险筛查、预测方法及系统,其在首检筛查和智能电表失准监测方法的基础上经过一系列算法,可以在电能表发生故障后大幅缩短发现时间,当采用适当的参数时具有极高的灵敏度,同时对于可能出现的特定故障进行预测,尽可能避免用电用户或电力部门的损失。
为了实现上述目的,本发明所采用的技术方案如下:一种智能电表实时风险筛查及预测方法,所述风险筛查包括基于智能电表首次检定数据的计量风险筛查,其中,还包括基于智能电表AMI数据的远程计量风险筛查;
所述预测方法包括将计量风险筛查结果和AMI数据的远程计量风险筛查结果进行综合风险评级,获得智能电表实时风险状况。
进一步的,基于智能电表AMI数据的远程计量风险筛查为远程诊断,该远程诊断算法包括以下操作步骤:
a、获得各台区内智能电表在一定计量周期内的平均计量误差随时间变化的序列ei(i=1,2,……,n-1),按公式(1)对误差分段求导为:
ki=f′(x)=e2-e1 (1)
式中:e为时间序列的平均计量误差值,n为序列总长度;
b、按设定间隔对求导结果以公式(2)积分:
式中:a、b分别代表积分区间两端的时间;
c、对于每单个智能电表的误差分段积分结果序列按3σ法则,筛查出高离散性表格;
d、在多于一个积分区间内出现误差超差情况的智能电表归为ZD。
进一步的,所述预测方法包括以下步骤:
e、取得计量风险筛查分类集合ZA、ZB、ZC,将未取得有AMI数据的智能电表归为ZE类风险集合;
f、根据评级规则对不同类风险进行综合评级。
进一步的,在步骤b中,积分区间和积分间隔可根据实际需求可选择,条件为:
积分区间不小于积分间隔;积分间隔不超过误差序列总长度的四分之一。优选的,所述积分区间为7d,30d或90d。其中,7天包含了用电周期变化(一周工作周期),30天考虑到了假期引发的偶发性用电变化,90天则包含了温湿度造成的用电影响,因此可以根据本地情况选择一种设定或多种设定综合分析。
进一步的,所述积分区间为7d,30d或90d。
进一步的,所述风险评级规则为:
高风险:或/>或/>
中风险:或/> 或/>
低风险:
注:ZA、ZB、ZC分别代表首次检定数据筛查产生的A类、B类、C类风险中所有电表的集合;ZD、ZE分别代表基于AMI数据筛查产生的D类、E类风险中所有电表的集合。
一种智能电表实时风险筛查及预测系统,其特征在于,包含以下模块:
首次计量风险筛查模块,其基于智能电表首次检定数据的计量风险筛查,获得首次计量风险筛查结果;
AMI数据的远程计量风险筛查模块,其基于智能电表AMI数据的远程计量风险筛查,获得AMI数据的远程计量风险筛查结果;
风险等级评估模块,其结合首次计量风险筛查结果和AMI数据的远程计量风险筛查结果进行综合风险评级,获得智能电表实时风险状况。
进一步的,所述AMI数据的远程计量风险筛查模块包括诊断子模块,所述诊断子模块通过基于智能电表AMI数据进行风险集合分类。
进一步的,所述诊断子模块包括获取单元、积分单元及筛查单元,其中:
获取单元,所述获取单元获得各台区内智能电表在一定计量周期内的平均计量误差随时间变化的序列ei(i=1,2,……,n-1),按公式(1)对误差分段求导为:
ki=f′(x)=e2-e1 (1)
式中:e为时间序列的平均计量误差值,n为序列总长度;
积分单元,所述积分单元按设定间隔对求导结果以公式(2)积分:
式中:a、b分别代表积分区间两端的时间;
筛查单元,所述筛查单元对于每单个智能电表的误差分段积分结果序列按3σ法则筛查。
本发明的有益效果是:本发明在首检筛查和智能电表失准监测方法的基础上经过一系列算法,可以在电能表发生故障后大幅缩短发现时间,当采用适当的参数时具有极高的灵敏度,同时对于可能出现的特定故障进行预测,尽可能避免用电用户或电力部门的损失,保证贸易公平。
附图说明
图1为本发明基于智能电表首次检定数据的计量风险筛查方法(流程图)。
图2为本发明实施例对正常智能电表30天误差分段求导曲线图。
图3为本发明实施例中对正常智能电表30天积分曲线图。
图4为本发明实施例中对误差缓慢飘移超差表现图。
图5为本发明实施例中对误差瞬间飘移超差表现图。
图6为本发明实施例中对误差缓慢飘移积分曲线图。
图7为本发明实施例中对误差瞬间飘移积分曲线图。
图8为本发明实施例中对智能电表风险集合归类流程图。
具体实施方式
为了使本领域的普通技术人员能更好的理解本发明的技术方案,下面结合附图和实施例对本发明的技术方案做进一步的描述。
参照附图1~8所示的一种智能电表实时风险筛查及预测方法,包括基于智能电表首次检定数据的计量风险筛查,其根据首次检定计量数据,确定同一批次智能电表的计量风险筛查结果,可分为A、B、C三类风险集合,筛查方法见图1所示。
在首次检定数据的计量风险筛查基础上,还包括基于智能电表AMI数据的远程计量风险筛查,其远程诊断算法包括以下操作步骤:
a、获得各台区内智能电表在一定计量周期内(如7d,30d和90d,本实施例选择30d)的平均计量误差(数据如下表1所示)随时间变化的序列ei(i=1,2,……,n-1),按公式(1)对误差分段求导为:
ki=f′(x)=e2-e1
式中:e为时间序列的平均计量误差值,n为序列总长度。
1-10(d) | 11-20(d) | 21-30(d) |
-0.0211 | -0.0124 | -0.0236 |
-0.0207 | -0.0121 | -0.0236 |
-0.0202 | -0.0107 | -0.0236 |
-0.0196 | -0.0093 | -0.0213 |
-0.0166 | -0.008 | -0.0213 |
-0.0157 | -0.0238 | -0.0202 |
-0.0157 | -0.0058 | -0.0202 |
-0.0157 | -0.0238 | -0.0202 |
-0.0135 | -0.0237 | -0.0202 |
-0.0135 | -0.0237 | -0.0202 |
表130天超定方程计算误差数据
对获得台区内智能电表30天误差分段求导结果如下表2所示,分段求导曲线ki=f′(x))=e2-e1;曲线结果如图2所示:
表230天误差分段求导数据b、按设定间隔对求导结果以牛顿—柯特斯法则公式(2)积分:
式中:a、b分别代表积分区间两端的时间。
根据上述分段求导结果进行牛顿-柯特斯公式积分:
30天周期(一个月):
7天周期(一周): 30天积分曲线如图3所示。
对于出现误差漂移的表现有两种情况,一是缓慢漂移,在未来某一时刻超差,二是瞬间漂移超差。其中,缓慢飘移超差表现如图4所示,瞬间飘移超差表现如图5所示,计算后的结果为:
缓慢漂移: 积分曲线如图6所示。
瞬间漂移: 积分曲线如图7所示。
而在积分时,积分区间和积分间隔可根据实际需求可选择,条件为:积分区间不小于积分间隔;积分间隔不超过误差序列总长度的四分之一。如周期(积分长度)设定方式:
超定方程中误差作为未知数,因为计算误差所用的数据来源为周期采集总电量,因此计算结果并不是真实误差反应的,是一个采集周期内的平均负载电流和功率因数下的误差表现,这其中也包含了温度等环境因素的影响。设定计算周期需要考虑本地的用电和环境因素,一般情况下设定为7天,30天和90天,7天包含了用电周期变化(一周工作周期),30天考虑到了假期引发的偶发性用电变化,90天则包含了温湿度造成的用电影响,因此可以根据本地情况选择一种设定或多种设定综合分析。
c、对于每单个智能电表的误差分段积分结果序列按3σ法则筛查,筛查算法以失准更换算法中超定方程为基础,通过对超定方程的计算误差进行分析,并结合首检数据提高筛查算法的准确度和可靠性。
将分段积分后在多于一个积分区间内出现误差超差情况的智能电表归为D类风险集合,流程见图8所示。而将未取得有AMI数据的智能电表归为E类风险集合。
智能电表远程状态风险评级
根据智能电表首次检定数据计量风险筛查确定的A、B、C三类风险集合、采用智能电表AMI数据计量风险筛查产生的D类风险集合,以及未取得有AMI数据的E类风险集合对智能电表状态风险进行综合评级,具体规则如下表3所示:
表3在役智能电表风险等级判定条件
注:ZA、ZB、ZC分别代表首次检定数据筛查产生的A类、B类、C类风险中所有电表的集合;ZD、ZE分别代表基于AMI数据筛查产生的D类、E类风险中所有电表的集合。
风险阈值设定:建议设定为高风险和中风险两种阈值,根据风险采用不同的措施。通过对正常情况和两种误差漂移情况比较,可以明显看出,无论是7天还是30天的周期都可以非常快速的筛查出存在风险的智能电表,当设定了合适的阈值时本算法具有极高的灵敏度。实施例的风险评估结果如下表4所示:
表4风险评估结果对比
本申请还公开一种智能电表实时风险筛查及预测系统,包含以下模块:
首次计量风险筛查模块,其基于智能电表首次检定数据的计量风险筛查,获得首次计量风险筛查结果;
AMI数据的远程计量风险筛查模块,其基于智能电表AMI数据的远程计量风险筛查,获得AMI数据的远程计量风险筛查结果。所述AMI数据的远程计量风险筛查模块包括诊断子模块,所述诊断子模块通过基于智能电表AMI数据进行风险集合分类。
所述诊断子模块包括获取单元、积分单元及筛查单元,其中:
获取单元,所述获取单元获得各台区内智能电表在一定计量周期内的平均计量误差随时间变化的序列ei(i=1,2,……,n-1),按公式(1)对误差分段求导为:
ki=f′(x)=e2-e1 (1)
式中:e为时间序列的平均计量误差值,n为序列总长度;
积分单元,所述积分单元按设定间隔对求导结果以公式(2)积分:
式中:a、b分别代表积分区间两端的时间;
筛查单元,所述筛查单元对于每单个智能电表的误差分段积分结果序列按3σ法则筛查。
风险等级评估模块,其结合首次计量风险筛查结果和AMI数据的远程计量风险筛查结果进行综合风险评级,获得智能电表实时风险状况。
本发明的原理是:本发明基于智能电表首次检定数据的计量风险筛查,引入基于智能电表AMI数据的远程计量风险筛查,在该远程计量风险筛查时考虑了用电周期变化、假期引发的偶发性用电变化及温湿度造成的用电影响等,并根据筛查结果并对智能电表远程状态风险评级,进而可以在电能表发生故障后大幅缩短发现时间,当采用适当的参数时具有极高的灵敏度,同时对于可能出现的特定故障进行预测,尽可能避免用电用户或电力部门的损失,保证贸易公平。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。
Claims (9)
1.一种智能电表实时风险筛查及预测方法,所述风险筛查包括基于智能电表首次检定数据的计量风险筛查,其中,还包括基于智能电表AMI数据的远程计量风险筛查;
所述预测方法包括将计量风险筛查结果和AMI数据的远程计量风险筛查结果进行综合风险评级,获得智能电表实时风险状况。
2.根据权利要求1所述的风险筛查及预测方法,其特征在于:基于智能电表AMI数据的远程计量风险筛查为远程诊断,该远程诊断算法包括以下操作步骤:
a、获得各台区内智能电表在一定计量周期内的平均计量误差随时间变化的序列ei(i=1,2,……,n-1),按公式(1)对误差分段求导为:
ki=f′(x)=e2-e1 (1)
式中:e为时间序列的平均计量误差值,n为序列总长度;
b、按设定间隔对求导结果以公式(2)积分:
式中:a、b分别代表积分区间两端的时间;
c、对于每单个智能电表的误差分段积分结果序列按3σ法则,筛查出高离散性表格;
d、在多于一个积分区间内出现误差超差情况的智能电表归为ZD。
3.根据权利要求2所述的风险筛查及预测方法,其特征在于,所述预测方法包括以下步骤:
e、取得计量风险筛查分类集合ZA、ZB、ZC,将未取得有AMI数据的智能电表归为ZE类风险集合;
f、根据评级规则对不同类风险进行综合评级。
4.根据权利要求2所述的风险筛查及预测方法,其特征在于:在步骤b中,积分区间和积分间隔可根据实际需求可选择,条件为:
积分区间不小于积分间隔;积分间隔不超过误差序列总长度的四分之一。
5.根据权利要求2所述的风险筛查及预测方法,其特征在于:所述积分区间为7d,30d或90d。
6.根据权利要求3所述的风险筛查及预测方法,其特征在于:所述风险评级规则为:
高风险:或/>或/>
中风险:或/> 或/>
低风险:
7.一种智能电表实时风险筛查及预测系统,其特征在于,包含以下模块:
首次计量风险筛查模块,其基于智能电表首次检定数据的计量风险筛查,获得首次计量风险筛查结果;
AMI数据的远程计量风险筛查模块,其基于智能电表AMI数据的远程计量风险筛查,获得AMI数据的远程计量风险筛查结果;
风险等级评估模块,其结合首次计量风险筛查结果和AMI数据的远程计量风险筛查结果进行综合风险评级,获得智能电表实时风险状况。
8.根据权利要求7所述的一种智能电表实时风险筛查及预测系统,其特征在于,所述AMI数据的远程计量风险筛查模块包括诊断子模块,所述诊断子模块通过基于智能电表AMI数据进行风险集合分类。
9.根据权利要求8所述的一种智能电表实时风险筛查及预测系统,其特征在于,所述诊断子模块包括获取单元、积分单元及筛查单元,其中:
获取单元,所述获取单元获得各台区内智能电表在一定计量周期内的平均计量误差随时间变化的序列ei(i=1,2,……,n-1),按公式(1)对误差分段求导为:
ki=f′(x)=e2-e1 (1)
式中:e为时间序列的平均计量误差值,n为序列总长度;
积分单元,所述积分单元按设定间隔对求导结果以公式(2)积分:
式中:a、b分别代表积分区间两端的时间;
筛查单元,所述筛查单元对于每单个智能电表的误差分段积分结果序列按3σ法则筛查。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311683565.XA CN117495106A (zh) | 2023-12-10 | 2023-12-10 | 一种智能电表实时风险筛查、预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311683565.XA CN117495106A (zh) | 2023-12-10 | 2023-12-10 | 一种智能电表实时风险筛查、预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117495106A true CN117495106A (zh) | 2024-02-02 |
Family
ID=89671019
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311683565.XA Pending CN117495106A (zh) | 2023-12-10 | 2023-12-10 | 一种智能电表实时风险筛查、预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117495106A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118211837A (zh) * | 2024-05-20 | 2024-06-18 | 国网浙江省电力有限公司青田县供电公司 | 一种智能电表的性能评估方法及装置 |
-
2023
- 2023-12-10 CN CN202311683565.XA patent/CN117495106A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118211837A (zh) * | 2024-05-20 | 2024-06-18 | 国网浙江省电力有限公司青田县供电公司 | 一种智能电表的性能评估方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Wang et al. | Time-varying stochastic assessment of conservation voltage reduction based on load modeling | |
CN110375787B (zh) | 一种计量仪表运行状态在线评价方法 | |
CN109597014A (zh) | 一种基于人工智能技术的电能表误差诊断方法 | |
CN110927654B (zh) | 一种智能电能表批次运行状态评价方法 | |
JP2009089594A (ja) | 検針データを利用した電力設備の時空間負荷分析システム及び負荷の計算方法 | |
JP2003242212A (ja) | ユーティリティの消費特性が類似する曜日を決定する装置および方法 | |
CN110146840B (zh) | 一种基于多应力影响的批次电能表近期寿命预测方法 | |
KR102029031B1 (ko) | 배전선로 손실 추정 장치 및 방법 | |
Mousavi et al. | Effect of load models on probabilistic characterization of aggregated load patterns | |
CN117495106A (zh) | 一种智能电表实时风险筛查、预测方法及系统 | |
CN117078017A (zh) | 一种用于电力电网设备监控智能化决策分析系统 | |
CN118013450B (zh) | 一种基于太阳总辐射计算的光伏优化系统 | |
US20160282400A1 (en) | Equipment failure prediction system, equipment failure prediction device and equipment failure prediction method | |
CN109389280A (zh) | 基于多属性决策模型的电能表生产厂商评价方法 | |
CN111612019A (zh) | 一种基于大数据模型对智能电表故障异常辨识分析的方法 | |
CN110880055A (zh) | 楼宇智能电表系统 | |
CN115293257A (zh) | 一种针对异常用电用户的检测方法及系统 | |
CN116303480A (zh) | 基于云计算的电能表误差校验方法 | |
CN115809805A (zh) | 基于边缘计算的电网多源数据处理方法 | |
CN117277435A (zh) | 一种光伏逆变器的健康评估方法、系统及装置 | |
CN112084678A (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN109409629B (zh) | 基于多属性决策模型的采集终端生产厂商评价方法 | |
CN117851908B (zh) | 一种改进的在线低压台区电能表失准监测方法及装置 | |
KR102545482B1 (ko) | 전력량계의 휴대용 오차보정장치 |
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 |