CN117572332A - 一种基于云计算的电能表误差校验方法及系统 - Google Patents
一种基于云计算的电能表误差校验方法及系统 Download PDFInfo
- Publication number
- CN117572332A CN117572332A CN202410060348.3A CN202410060348A CN117572332A CN 117572332 A CN117572332 A CN 117572332A CN 202410060348 A CN202410060348 A CN 202410060348A CN 117572332 A CN117572332 A CN 117572332A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- cloud computing
- energy meter
- waveform
- value
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005070 sampling Methods 0.000 claims abstract description 202
- 238000012545 processing Methods 0.000 claims abstract description 165
- 238000012937 correction Methods 0.000 claims abstract description 102
- 230000007613 environmental effect Effects 0.000 claims abstract description 80
- 238000001514 detection method Methods 0.000 claims abstract description 47
- 238000005265 energy consumption Methods 0.000 claims abstract description 35
- 238000012544 monitoring process Methods 0.000 claims abstract description 17
- 238000013508 migration Methods 0.000 claims description 66
- 230000005012 migration Effects 0.000 claims description 66
- 238000011156 evaluation Methods 0.000 claims description 15
- 230000005611 electricity Effects 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 230000005764 inhibitory process Effects 0.000 claims description 4
- 230000001360 synchronised effect Effects 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 abstract description 11
- 230000009286 beneficial effect Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 10
- 239000012634 fragment Substances 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 238000012795 verification Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 206010063659 Aversion Diseases 0.000 description 1
- 241000282414 Homo sapiens Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000009792 diffusion process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003313 weakening effect Effects 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种基于云计算的电能表误差校验方法及系统,属于电数字数据处理技术领域,包括:基于每个电能表所在位置和检测覆盖范围区域构建出云计算网络;采集云计算网络中子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值和负荷电流值的采样波形并监测所有电能表的环境温度值;基于电能表的环境温度值或对应的负荷电流值采样波形情况,获得电能表的校正负荷电压值与校正负荷电流值波形;基于所有电能表的校正负荷电压值和校正负荷电流值的波形求出所有电能表检测覆盖范围区域的电能消耗量;基于所有电能消耗量数据获得区域校正用电量。本发明解决了未考虑将电能表的异常结果进行校正的问题,实现了对电能表的异常结果进行校正。
Description
技术领域
本发明涉及电数字数据处理技术领域,特别涉及一种基于云计算的电能表误差校验方法及系统。
背景技术
目前,电能作为人类从事现代化社会生产和进行日常生活不可缺少的重要能源,其计量的准确关乎着输电方与用电方的切身利益。而电能计量的准确需要使用电能表,现在供电方及用电方对自身的权益越来越关心,从而对电能计量装置的准确度提出了越来越高的要求。
但是,现在的电能表误差自校验方法只检测电能表是否出现异常,未将电能表的异常结果进行校正,导致电能表计量出的实际用电量存在巨大误差。例如公开号为“CN106569167A”、专利名称为“电能表误差自校验方法及电能表”,其方法包括以下步骤:电控选择开关接收校验信号,基准源电路的基准电压和基准电流的输出端与对应采样通道连接;计量芯片对基准电压和基准电流进行采样,获得电压采样数值A2和电流采样数值B2;电能表的MCU根据电压采样数值A2和电流采样数值B2,计算电压采样数值A2和电压预设值A1的电压差值,电流采样数值与电流预设值的电流差值;MCU将电压差值与电压允许偏差α比较、电流差值与电流允许偏差β比较获得比较结果;MCU根据比较结果获得校验结果如果电压差值小于或等于电压允许偏差且电流差值小于或等于电流允许偏差则校验结果为电能表正常,如果电压差值大于电压允许偏差和/或电流差值大于电流允许偏差则校验结果为电能表异常。应用本发明实施例,可以检测电能表是否出现异常。但是该专利只是判断电能表是否异常,存在未考虑将电能表的异常结果进行校正。
因此,本发明提出了一种基于云计算的电能表误差校验方法及系统,用以将电能表的异常结果进行校正,更精确地对区域实际用电量进行计量。
发明内容
本发明提供一种基于云计算的电能表误差校验方法及系统,用以基于每个电能表所在位置和检测覆盖范围区域,构建出云计算网络,采集云计算网络中子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值和负荷电流值的采样波形,并监测所有电能表的环境温度值,基于电能表的环境温度值或对应的负荷电流值采样波形情况,获得电能表的校正负荷电压值与校正负荷电流值波形,基于所有电能表的校正负荷电压值和校正负荷电流值的波形,求出所有电能表检测覆盖范围区域的电能消耗量,基于所有电能消耗量数据获得区域总电能表的校正值。实现了对电能表的异常结果进行校正,更精确地对区域实际用电量进行计量。
本发明提供一种基于云计算的电能表误差校验方法,包括:
S1:基于每个电能表的检测覆盖范围区域搭建多个云计算子区域和对应的计算节点,并基于所有计算节点将所有云计算子区域相连,构建出云计算网络;
S2:基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值;
S3:若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,否则,将对应云计算子区域的负荷电压值采样波形作为校正负荷电压值波形,并将负荷电流值采样波形作为校正负荷电流值波形;
S4:基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量;
S5:基于所有电能表的检测覆盖范围区域在工作时间内的电能消耗量,获得云计算网络对应的实际覆盖区域的区域校正用电量。
优选的,基于云计算的电能表误差校验方法,S2:基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值,包括:
S201:基于预设频率采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值;
S202:将每个云计算子区域在连续时间段内的所有瞬时负荷电压值相连,获得负荷电压值采样波形,同时,将每个云计算子区域在连续时间段内的所有瞬时负荷电流值相连,获得负荷电流值采样波形;
S203:实时监测所有电能表的环境温度值。
优选的,基于云计算的电能表误差校验方法,若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,包括:
若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则基于超出预设温度值或负荷电流值采样波形出现波形失真的情况进行分别处理,获得云计算子区域的电能表在超出预设温度值或负荷电流值采样波形出现波形失真的时段内每个时刻的校正负荷电压值和校正负荷电流值;
基于校正负荷电压值拟合出云计算子区域的电能表的校正负荷电压值波形,同时,基于校正负荷电流值拟合出校正负荷电流值波形。
优选的,基于云计算的电能表误差校验方法,基于超出预设温度值或负荷电流值采样波形出现波形失真的情况进行分别处理,获得云计算子区域的电能表在超出预设温度值或负荷电流值采样波形出现波形失真的时段内每个时刻的校正负荷电压值和校正负荷电流值,包括:
若电能表的环境温度值超出预设温度值时,则将对应电能表设为标注电能表,并对标注电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,获得判断结果,并根据判断结果获得标注电能表环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值;
当负荷电流值采样波形出现波形失真时,则将对应电能表设为标注电能表,并将出现波形失真的采样波形片段进行低频抑制,获得云计算子区域的电能表在负荷电流值采样波形出现波形失真时段内每个时刻的校正负荷电流值。
优选的,基于云计算的电能表误差校验方法,对标注电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,获得判断结果,并根据判断结果获得标注电能表环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值,包括:
确定出标注电能表的环境温度值超过预设温度值的时间段的时间长度;
当时间长度小于预设时间长度时,将标注电能表的环境温度值超过预设温度值的时间段内的部分负荷电压值采样波形片段删除,并利用负荷电压值采样波形中被删除的部分负荷电压值采样波形片段前相邻的一个当前时间长度的部分负荷电压值采样波形片段,对负荷电压值采样波形中被删除的时间段进行波形填充,获得标注电能表在环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值;
当标注电能表环境温度值超过预设温度值的时间段不小于预设时间长度时,则基于环境温度对负荷电压值的预设校正系数,对标注电能表在环境温度值超过预设温度值的时间段内对应的负荷电压值采样波形片段的波形幅度进行调整,获得标注电能表在环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值。
优选的,基于云计算的电能表误差校验方法,S4:基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量,包括:
S401:按预设抽样频率对云计算网络内每个云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形进行同步抽样,获得多组抽样数据,其中,每组抽样数据中包含一个抽样校正负荷电压值与一个抽样校正负荷电流值;
S402:基于每组抽样数据中的抽样校正负荷电压值与抽样校正负荷电流值以及对应电能表工作时间,获得电能表在工作时间内电能消耗量。
优选的,基于云计算的电能表误差校验方法,S402:基于每组抽样数据中的抽样校正负荷电压值与抽样校正负荷电流值以及对应电能表工作时间,获得电能表在工作时间内电能消耗量,包括:
;
其中,W为当前电能表在工作时间内电能消耗量,f为预设抽样频率,为抽样数据的组序数,/>为同步抽样的总次数,/>为以预设抽样频率f在当前电能表的校正负荷电压值波形与校正负荷电流值波形中抽样获得的第/>组抽样数据中的抽样校正负荷电压值,/>为以预设抽样频率f在当前电能表的校正负荷电压值波形与校正负荷电流值波形中抽样获得的第/>组抽样数据中的抽样校正负荷电流值。
优选的,基于云计算的电能表误差校验方法,还包括:
在云计算网络中确定出多个节点层,并定义每个节点层的节点层序数;
将标注电能表对应的计算节点设定为数据处理过载节点;
确定出覆盖区域的云计算网络中的所有非数据处理过载节点;
基于当前时刻已完成的数据处理过载节点到每个节点层的所有非数据处理过载节点的数据计算处理迁移的次数,确定每个非数据处理过载节点在当前时刻的重要度;
确定出数据处理过载节点与最外层的所有非数据处理过载节点的最小单位迁移时间中的最大值,作为极限迁移时间;
基于覆盖区域的云计算网络,确定出数据处理过载节点与每个非数据处理过载节点之间的最小单位迁移时间,基于所有最小单位迁移时间与极限迁移时间确定出所有非数据处理过载节点在当前时刻的抗拒度;
基于覆盖区域的云计算网络,确定出与每个非数据处理过载节点直连的所有非数据处理过载节点的个数,作为对应非数据处理过载节点在当前时刻的数据分担量;
将所有非数据处理过载节点的重要度、抗拒度和数据分担量代入至最优迁移路径算法,获得数据处理过载节点在当前时刻进行数据处理迁移的最优路径;
基于数据处理迁移的最优路径,将数据处理过载节点的数据计算执行步骤平均迁移到所有非数据处理过载节点上。
优选的,基于云计算的电能表误差校验方法,将所有非数据处理过载节点在当前时刻的重要度、抗拒度和数据分担量代入至最优迁移路径算法,获得数据处理过载节点在当前时刻进行数据处理迁移的最优路径,包括:
基于非数据处理过载节点的重要度、抗拒度和数据分担量,计算出云计算网络中每个非数据处理过载节点可接受数据处理迁移的评价值,包括:
;
式中,为云计算网络中第/>层第/>个非数据处理过载节点在当前时刻/>可接受数据处理迁移的评价值,/>为当前时刻/>的云计算网络中第/>层第/>个非数据处理过载节点的抗拒度,/>为当前时刻/>的云计算网络中第/>层第/>个非数据处理过载节点的重要度,/>为当前时刻/>的云计算网络中第/>层第/>个非数据处理过载节点的数据分担量,为第/>层节点层中的非数据处理过载节点总数;
将数据处理过载节点与云计算网络中每个节点层中可接受数据处理迁移的评价值中最大值对应的非数据处理过载节点依次相连,获得数据处理过载节点进行数据处理迁移的最优路径。
优选的,基于云计算的电能表误差校验系统,用于执行实施例1至9中所述的基于云计算的电能表误差校验方法,包括:
云计算网络构建模块,用于基于每个电能表的检测覆盖范围区域搭建多个云计算子区域和对应的计算节点,并基于所有计算节点将所有云计算子区域相连,构建出云计算网络;
实时监测模块,用于基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值;
校正值确定模块,用于若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,否则,将对应云计算子区域的负荷电压值采样波形作为校正负荷电压值波形,并将负荷电流值采样波形作为校正负荷电流值波形;
电能消耗模块,用于基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量;
区域总表校正模块,用于基于所有电能表的检测覆盖范围区域在工作时间内的电能消耗量获得区域实际用电量,将实际用电量作为区域总电能表的校正值。
本发明相对于现有技术产生的有益效果为:基于每个电能表所在位置和检测覆盖范围区域,构建出云计算网络,采集云计算网络中子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值和负荷电流值的采样波形,并监测所有电能表的环境温度值,基于电能表的环境温度值或对应的负荷电流值采样波形情况,获得电能表的校正负荷电压值与校正负荷电流值波形,基于所有电能表的校正负荷电压值和校正负荷电流值的波形,求出所有电能表检测覆盖范围区域的电能消耗量,基于所有电能消耗量数据获得区域总电能表的校正值。实现了对电能表的异常结果进行校正,更精确地对区域实际用电量进行计量。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的本申请文件中所特别指出的结构来实现和获得。
下面通过附图和实施例,对本发明的技术方案做进一步的详细描述。
附图说明
附图用来提供对本发明的进一步理解,并且构成说明书的一部分,与本发明的实施例一起用于解释本发明,并不构成对本发明的限制。在附图中:
图1为本发明实施例中的一种基于云计算的电能表误差校验方法流程图;
图2为本发明实施例中求所有电能表的检测覆盖范围区域在工作时间内的电能消耗量的方法流程图;
图3为本发明实施例中的一种基于云计算的电能表误差校验系统示意图;
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
实施例1:本发明提供了一种基于云计算的电能表误差校验方法,参考图1,包括:
S1:基于每个电能表的检测覆盖范围区域搭建多个云计算子区域和对应的计算节点,并基于所有计算节点将所有云计算子区域相连,构建出云计算网络;
S2:基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值;
S3:若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,否则,将对应云计算子区域的负荷电压值采样波形作为校正负荷电压值波形,并将负荷电流值采样波形作为校正负荷电流值波形;
S4:基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量;
S5:基于所有电能表的检测覆盖范围区域在工作时间内的电能消耗量,获得云计算网络对应的实际覆盖区域的区域校正用电量。
该实施例中,单个电能表对应单个云计算子区域。
该实施例中,检测覆盖范围区域为电能表能可检测的负荷用电量的负荷所在位置的覆盖范围。
该实施例中,云计算子区域为在云端搭建的与检测覆盖范围区域对应的虚拟区域,云计算子区域的尺寸与检测覆盖范围区域的尺寸成比例。
该实施例中,计算节点为在云端用于检测对应云计算子区域对应的检测覆盖范围区域内的负荷用电量并执行误差校验过程的节点。
该实施例中,云计算网络为基于计算节点将所有云计算子区域相连后获得的由多个计算节点组成并覆盖所有云计算子区域的网。
该实施例中,预设频率为预先设置的采集频率,例如:20Hz。
该实施例中,瞬时负荷电压值为云计算子区域对应的检测覆盖范围内所有负荷的瞬时总负荷电压值。
该实施例中,瞬时负荷电流值为云计算子区域对应的检测覆盖范围内所有负荷的瞬时总电流值。
该实施例中,负荷电压值采样波形为由云计算子区域在连续时间段内的所有瞬时负荷电压值相连获得的波形。
该实施例中,负荷电流值采样波形为由云计算子区域在连续时间段内的所有瞬时负荷电流值相连获得的波形。
该实施例中,电能表的所在环境温度值为电能表的安装位置处的环境温度。
该实施例中,预设温度值为预先设置的电能表不产生检测误差时可允许的最大温度,例如:30摄氏度。
该实施例中,波形失真为电流稳定状态发生波形畸变,不再保持理想的工频正弦变化波形。
该实施例中,分别校正为对负荷电压值采样波形与负荷电流值采样波形使用不同的校正方法进行校正。
该实施例中,校正负荷电压值波形为对对负荷电压值采样波进行校正后获得的校正波形。
该实施例中,校正负荷电流值波形为对对负荷电流值采样波进行校正后获得的校正波形。
该实施例中,电能消耗量为电能表的检测覆盖范围区域内所有负荷在电能表工作时间内消耗的电能量。
该实施例中,实际用电量为云计算网络中所有电能表的检测覆盖范围区域内所有负荷在电能表工作时间内消耗的总点能量,即为云计算网络中所有电能表的奸恶覆盖范围区域在工作时间内的电能消耗量之和。
该实施例中,实际覆盖区域即为云计算网络中所有云计算子区域对应的检测覆盖范围汇总后的区域。
该实施例中,区域校正用电量为实际覆盖区域中所有负荷的被校正后的总电能消耗量。
以上技术的有益效果为:可以将每个电能表检测覆盖区域作为云计算子区域,构建云计算网络,实现将电能表位置和对应的检测覆盖范围区域在云端的复制存储,并基于云计算网络中的计算节点执行对电能表的误差校验计算,不仅实现大范围区域内大量电能表的误差校验过程的集成计算,也由于电压电流检测数据的云端调取更加快捷,可以加快误差校验的计算速度,节省时间,且通过对云计算子区域的瞬时负荷电压值与瞬时负荷电流值进行分别校正,实现对大范围区域内大量电能表的同时高效地误差校正,基于校正结果获得云计算网络对应的实际覆盖区域的区域校正用电量,实现对包含多个电能表的大范围区域内实际用电量的更准确计量。
实施例2:在实施例1的基础上,基于云计算的电能表误差校验方法,S2:基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值,包括:
S201:基于预设频率采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值;
S202:将每个云计算子区域在连续时间段内的所有瞬时负荷电压值相连,获得负荷电压值采样波形,同时,将每个云计算子区域在连续时间段内的所有瞬时负荷电流值相连,获得负荷电流值采样波形;
S203:实时监测所有电能表的环境温度值。
以上技术的有益效果为:可由基于预设频率进行采样获得的瞬时负荷电压值与瞬时负荷电流值组成负荷电压值采样波形与负荷电流值采样波形,减少了数据收集量和数据处理量,可以对真实波形结构进行反映。
实施例3:在实施例1的基础上,基于云计算的电能表误差校验方法,若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,包括:
若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则基于超出预设温度值或负荷电流值采样波形出现波形失真的情况进行分别处理,获得云计算子区域的电能表在超出预设温度值或负荷电流值采样波形出现波形失真的时段内每个时刻的校正负荷电压值和校正负荷电流值;
基于校正负荷电压值拟合出云计算子区域的电能表的校正负荷电压值波形,同时,基于校正负荷电流值拟合出校正负荷电流值波形。
该实施例中,拟合为对云计算子区域的电能表在连续时间段内的所有校正负荷电压值或校正负荷电流值相连。
该实施例中,分别处理包括:超出预设温度值的电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,基于判断结果获得校正负荷电压值,并将出现波形失真的采样波形片段进行低频抑制,基于抑制结果获得校正负荷电流值。
该实施例中,校正负荷电压值为云计算子区域的电能表在超出预设温度值的时段内每个时刻,对应检测覆盖范围的内所有负荷的被校正后的瞬时总电压值。
该实施例中,校正负荷电流值为云计算子区域的电能表在负荷电流值采样波形出现波形失真的时段内每个时刻,对应检测覆盖范围的内所有负荷的被校正后的瞬时总电流值。
以上技术的有益效果为:可以基于环境温度值与负荷电流值采样波形的情况对云计算子区域的瞬时负荷电压值与瞬时负荷电流值进行分别校正,校正更精确。
实施例4:在实施例3的基础上,基于云计算的电能表误差校验方法,基于超出预设温度值或负荷电流值采样波形出现波形失真的情况进行分别处理,获得云计算子区域的电能表在超出预设温度值或负荷电流值采样波形出现波形失真的时段内每个时刻的校正负荷电压值和校正负荷电流值,包括:
若电能表的环境温度值超出预设温度值时,则将对应电能表设为标注电能表,并对标注电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,获得判断结果,并根据判断结果获得标注电能表环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值;
当负荷电流值采样波形出现波形失真时,则将对应电能表设为标注电能表,并将出现波形失真的采样波形片段进行低频抑制,获得云计算子区域的电能表在负荷电流值采样波形出现波形失真时段内每个时刻的校正负荷电流值。
该实施例中,标注电能表为所在环境温度值超出预设温度值或对应的云计算子区域的负荷电流值采样波形出现波形失真的电能表。
该实施例中,时间长度为标注电能表的环境温度值超过预设温度值的时间长短,其时间长度单位为秒。
该实施例中,对标注电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,即为:对标注电能表的环境温度值超过预设温度值的时间段的时间长度与预设时间长度进行时间长度比对。
该实施例中,判断结果为对标注电能表的环境温度值超过预设温度值的时间段的时间长度与预设时间长度进行时间长度比对的结果。
该实施例中,低频抑制为使用高通滤波器对波形的低频分量进行抑制,保留高频分量。
以上技术的有益效果为:可依据环境温度值超过预设温度值的时间来对负荷电压值采样波形进行不同方式的校正,精确度更高,误差小,对出现波形失真的采样波形片段进行低频抑制,不仅实现了对波形失真部分的有效部分的提取,也减少了数据处理量。
实施例5:在实施例4的基础上,基于云计算的电能表误差校验方法,对标注电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,获得判断结果,并根据判断结果获得标注电能表环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值,包括:
确定出标注电能表的环境温度值超过预设温度值的时间段的时间长度;
当时间长度小于预设时间长度时,将标注电能表的环境温度值超过预设温度值的时间段内的部分负荷电压值采样波形片段删除,并利用负荷电压值采样波形中被删除的部分负荷电压值采样波形片段前相邻的一个当前时间长度的部分负荷电压值采样波形片段,对负荷电压值采样波形中被删除的时间段进行波形填充,获得标注电能表在环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值;
当标注电能表环境温度值超过预设温度值的时间段不小于预设时间长度时,则基于环境温度对负荷电压值的预设校正系数,对标注电能表在环境温度值超过预设温度值的时间段内对应的负荷电压值采样波形片段的波形幅度进行调整,获得标注电能表在环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值。
该实施例中,预设时间长度为基于事先采集数据获得的电能表的环境温度值超过预设温度值的时间段长短与对应的负荷电压值采样波形关系确定的时间长度,该预设时间长度用于判断出对应标注电能表的环境温度值超过预设温度值的时间段内的部分负荷电压值采样波形片段是否应该删除时,所依据的标注电能表的环境温度值超过预设温度值的时间段的时间长度的判断阈值。
该实施例中,相邻的一个当前时间长度为与环境温度值超过预设温度值时间段时间长度相同的一个相邻时间长度,例如:被删除的时段为[t1,t2],则对应的相邻的一个当前时间长度对应的时段为[t1-(t2-t1),t1]。
该实施例中,波形填充为将相邻的一个当前时间长度的部分负荷电压值采样波形片段顺移复制到删除波形的位置。
该实施例中,预设校正系数为由预先采集的不同位置电能表环境温度对负荷电压值的增强、削弱影响情况进行确定,表征对负荷电压值进行校正时的校正程度的系数。
该实施例中,波形幅度进行调整为基于预设校正系数对标注电能表在环境温度值超过预设温度值的时间段内对应的负荷电压值采样波形片段进行波形整体幅度的调整,例如:将1与校正系数的和当作调整倍数,将负荷电压值采样波形片段中单个时刻的负荷电压值与调整倍数的乘积当作调整后的负荷电压值。
以上技术的有益效果为:对标注电能表环境温度值超过预设温度值的时间段小于预设时间长度时采用波形片段顺移复制的方式对需要校正的波形片段进行校正,使得获得的校正负荷电压值的方式更简单,而对标注电能表环境温度值超过预设温度值的时间段不小于预设时间长度时采用预设校正系数对需要校正的波形片段进行校正,使得所获得的校正负荷电压值更加精准,即依据标注电能表环境温度值超过预设温度值的时间段与预设时间长度的关系来对负荷电压值采样波形进行不同方式的校正,整个对负荷电压值采样波形的校正更加快捷准确。
实施例6:在实施例1的基础上,基于云计算的电能表误差校验方法,S4:基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量,参考图2,包括:
S401:按预设抽样频率对云计算网络内每个云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形进行同步抽样,获得多组抽样数据,其中,每组抽样数据中包含一个抽样校正负荷电压值与一个抽样校正负荷电流值;
S402:基于每组抽样数据中的抽样校正负荷电压值与抽样校正负荷电流值以及对应电能表工作时间,获得电能表在工作时间内电能消耗量。
该实施例中,预设抽样频率为预先设置的抽样频率,例如:100Hz、200Hz等。
该实施例中,同步抽样为对电能表的校正负荷电压值波形与校正负荷电流值波形中同一时刻的数值进行抽样。
以上技术的有益效果为:无需对每时每刻的校正负荷电压值与校正负荷电流值进行分析处理,只需对每个云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形进行同步抽样,大幅减少了数据处理量,基于抽样数据与对应电能表的工作时间便能获得每个电能表在工作时间内的电能消耗量,大幅减少计算时间。
实施例7:在实施例6的基础上,基于云计算的电能表误差校验方法,S402:基于每组抽样数据中的抽样校正负荷电压值与抽样校正负荷电流值以及对应电能表工作时间,获得电能表在工作时间内电能消耗量,包括:
;
其中,W为当前电能表在工作时间内电能消耗量,f为预设抽样频率,为抽样数据的组序数,/>为同步抽样的总次数,/>为以预设抽样频率f在当前电能表的校正负荷电压值波形与校正负荷电流值波形中抽样获得的第/>组抽样数据中的抽样校正负荷电压值,/>为以预设抽样频率f在当前电能表的校正负荷电压值波形与校正负荷电流值波形中抽样获得的第/>组抽样数据中的抽样校正负荷电流值。
以上技术的有益效果为:无需对每时每刻的校正负荷电压值与校正负荷电流值进行处理,仅仅基于以预设抽样频率抽取获得的抽样数据便能求得电能消耗量,大幅减少了计算工作量,提升了计算电能表在工作时间内电能消耗量的效率。
实施例8:在实施例4的基础上,基于云计算的电能表误差校验方法,还包括:
在云计算网络中确定出多个节点层,并定义每个节点层的节点层序数;
将标注电能表对应的计算节点设定为数据处理过载节点;
确定出覆盖区域的云计算网络中的所有非数据处理过载节点;
基于当前时刻已完成的数据处理过载节点到每个节点层的所有非数据处理过载节点的数据计算处理迁移的次数,确定每个非数据处理过载节点在当前时刻的重要度;
确定出数据处理过载节点与最外层的所有非数据处理过载节点的最小单位迁移时间中的最大值,作为极限迁移时间;
基于覆盖区域的云计算网络,确定出数据处理过载节点与每个非数据处理过载节点之间的最小单位迁移时间,基于所有最小单位迁移时间与极限迁移时间确定出所有非数据处理过载节点在当前时刻的抗拒度;
基于覆盖区域的云计算网络,确定出与每个非数据处理过载节点直连的所有非数据处理过载节点的个数,作为对应非数据处理过载节点在当前时刻的数据分担量;
将所有非数据处理过载节点的重要度、抗拒度和数据分担量代入至最优迁移路径算法,获得数据处理过载节点在当前时刻进行数据处理迁移的最优路径;
基于数据处理迁移的最优路径,将数据处理过载节点的数据计算执行步骤平均迁移到所有非数据处理过载节点上。
该实施例中,节点层为由云计算网络中包含的计算节点连接获得的节点层,节点层为由内到外扩散分布。
该实施例中,节点层序数为以由内到外的顺序依次确定出的节点层的排序序数。
该实施例中,数据处理过载节点为标注电能表对应的计算节点,代表此计算节点存在检测误差,需要进行误差校正,因此该计算节点的数据处理量大,数据处理过载节点为存在数据处理过载现象的计算节点。
该实施例中,非数据处理节点为除标注电能表以外剩余的电能表对应的计算节点,代表此计算节点不存在检测误差,不需进行数据校正,数据处理量不大,非数据处理节点为不存在数据处理过载现象的计算节点。
该实施例中,重要度为数据处理过载节点向非数据处理过载节点进行数据计算处理迁移的次数和预设标准迁移次数的比值,预设标准迁移次数例如一万次。
该实施例中,极限迁移时间为数据处理过载节点在云端的存储位置与最外层的所有非数据处理过载节点在云端的存储位置的最小单位迁移时间中的最大值。
该实施例中,最小单位迁移时间为迁移单位数据所需的最小迁移时间。
该实施例中,抗拒度为数据处理过载节点与非数据处理过载节点之间的最小单位迁移时间和极限迁移时间的比值。
该实施例中,数据分担量为在云计算网络中与数据处理过载节点直连的所有非数据处理过载节点的个数。
该实施例中,最优迁移路径算法为计算数据处理过载节点进行数据处理迁移的最优路径的算法。
该实施例中,数据计算执行步骤平均迁移为将数据处理过载节点的数据处理平均迁移到所有非数据处理过载节点上。
以上技术的有益效果为:基于最优迁移路径算法获得数据处理过载节点在当前时刻进行数据处理迁移的最优路径,对非数据处理过载节点的数据处理进行迁移,减少计算时间,提升计算效率。
实施例9:在实施例8的基础上,基于云计算的电能表误差校验方法,将所有非数据处理过载节点在当前时刻的重要度、抗拒度和数据分担量代入至最优迁移路径算法,获得数据处理过载节点在当前时刻进行数据处理迁移的最优路径,包括:
基于非数据处理过载节点的重要度、抗拒度和数据分担量,计算出云计算网络中每个非数据处理过载节点可接受数据处理迁移的评价值,包括:
;/>
式中,为云计算网络中第/>层第/>个非数据处理过载节点在当前时刻/>可接受数据处理迁移的评价值,/>为当前时刻/>的云计算网络中第/>层第/>个非数据处理过载节点的抗拒度,/>为当前时刻/>的云计算网络中第/>层第/>个非数据处理过载节点的重要度,/>为当前时刻/>的云计算网络中第/>层第/>个非数据处理过载节点的数据分担量,为第/>层节点层中的非数据处理过载节点总数;
将数据处理过载节点与云计算网络中每个节点层中可接受数据处理迁移的评价值中最大值对应的非数据处理过载节点依次相连,获得数据处理过载节点进行数据处理迁移的最优路径。
该实施例中,非数据处理过载节点可接受数据处理迁移的评价值表征数据处理过载节点对其对应的非数据处理过载节点进行数据处理迁移的接受程度,评价值越大表示数据处理迁移的接受程度越高。
以上技术的有益效果为:考虑到数据计算处理迁移的次数、数据处理过载节点与非数据处理过载节点之间的单位迁移时间、与数据处理过载节点直连的所有非数据处理过载节点的个数等多个影响变量,准确计算出云计算网络中每个非数据处理过载节点可接受数据处理迁移的评价值,即基于所有非数据处理过载节点在当前时刻的重要度、抗拒度和数据分担量就能获得数据处理过载节点进行数据处理迁移的最优路径,实现对云计算网络中每个非数据处理过载节点可接受数据处理迁移程度的准确评估。
实施例10:本发明提供了一种基于云计算的电能表误差校验系统,参考图3,包括:
云计算网络构建模块,用于基于每个电能表的检测覆盖范围区域搭建多个云计算子区域和对应的计算节点,并基于所有计算节点将所有云计算子区域相连,构建出云计算网络;
实时监测模块,用于基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值;
校正值确定模块,用于若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,否则,将对应云计算子区域的负荷电压值采样波形作为校正负荷电压值波形,并将负荷电流值采样波形作为校正负荷电流值波形;
电能消耗模块,用于基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量;
区域总表校正模块,用于基于所有电能表的检测覆盖范围区域在工作时间内的电能消耗量获得区域实际用电量,将实际用电量作为区域总电能表的校正值。
以上技术的有益效果为:可以将每个电能表检测覆盖区域作为云计算子区域,构建云计算网络,实现将电能表位置和对应的检测覆盖范围区域在云端的复制存储,并基于云计算网络中的计算节点执行对电能表的误差校验计算,不仅实现大范围区域内大量电能表的误差校验过程的集成计算,也由于电压电流检测数据的云端调取更加快捷,可以加快误差校验的计算速度,节省时间,且通过对云计算子区域的瞬时负荷电压值与瞬时负荷电流值进行分别校正,实现对大范围区域内大量电能表的同时高效地误差校正,基于校正结果获得云计算网络对应的实际覆盖区域的区域校正用电量,实现对包含多个电能表的大范围区域内实际用电量的更准确计量。
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,则本发明也意图包含这些改动和变型在内。
Claims (10)
1.一种基于云计算的电能表误差校验方法,其特征在于,包括:
S1:基于每个电能表的检测覆盖范围区域搭建多个云计算子区域和对应的计算节点,并基于所有计算节点将所有云计算子区域相连,构建出云计算网络;
S2:基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值;
S3:若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,否则,将对应云计算子区域的负荷电压值采样波形作为校正负荷电压值波形,并将负荷电流值采样波形作为校正负荷电流值波形;
S4:基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量;
S5:基于所有电能表的检测覆盖范围区域在工作时间内的电能消耗量,获得云计算网络对应的实际覆盖区域的区域校正用电量。
2.根据权利要求1所述的一种基于云计算的电能表误差校验方法,其特征在于,S2:基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值,包括:
S201:基于预设频率采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值;
S202:将每个云计算子区域在连续时间段内的所有瞬时负荷电压值相连,获得负荷电压值采样波形,同时,将每个云计算子区域在连续时间段内的所有瞬时负荷电流值相连,获得负荷电流值采样波形;
S203:实时监测所有电能表的环境温度值。
3.根据权利要求1所述的一种基于云计算的电能表误差校验方法,其特征在于,若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,包括:
若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则基于超出预设温度值或负荷电流值采样波形出现波形失真的情况进行分别处理,获得云计算子区域的电能表在超出预设温度值或负荷电流值采样波形出现波形失真的时段内每个时刻的校正负荷电压值和校正负荷电流值;
基于校正负荷电压值拟合出云计算子区域的电能表的校正负荷电压值波形,同时,基于校正负荷电流值拟合出校正负荷电流值波形。
4.根据权利要求3所述的一种基于云计算的电能表误差校验方法,其特征在于,基于超出预设温度值或负荷电流值采样波形出现波形失真的情况进行分别处理,获得云计算子区域的电能表在超出预设温度值或负荷电流值采样波形出现波形失真的时段内每个时刻的校正负荷电压值和校正负荷电流值,包括:
若电能表的环境温度值超出预设温度值时,则将对应电能表设为标注电能表,并对标注电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,获得判断结果,并根据判断结果获得标注电能表环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值;
当负荷电流值采样波形出现波形失真时,则将对应电能表设为标注电能表,并将出现波形失真的采样波形片段进行低频抑制,获得云计算子区域的电能表在负荷电流值采样波形出现波形失真时段内每个时刻的校正负荷电流值。
5.根据权利要求4所述的一种基于云计算的电能表误差校验方法,其特征在于,对标注电能表的环境温度值超过预设温度值的时间段的时间长度进行判断,获得判断结果,并根据判断结果获得标注电能表环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值,包括:
确定出标注电能表的环境温度值超过预设温度值的时间段的时间长度;
当时间长度小于预设时间长度时,将标注电能表的环境温度值超过预设温度值的时间段内的部分负荷电压值采样波形片段删除,并利用负荷电压值采样波形中被删除的部分负荷电压值采样波形片段前相邻的一个当前时间长度的部分负荷电压值采样波形片段,对负荷电压值采样波形中被删除的时间段进行波形填充,获得标注电能表在环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值;
当标注电能表环境温度值超过预设温度值的时间段不小于预设时间长度时,则基于环境温度对负荷电压值的预设校正系数,对标注电能表在环境温度值超过预设温度值的时间段内对应的负荷电压值采样波形片段的波形幅度进行调整,获得标注电能表在环境温度值超过预设温度值的时间段内每个时刻的校正负荷电压值。
6.根据权利要求1所述的一种基于云计算的电能表误差校验方法,其特征在于,S4:基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量,包括:
S401:按预设抽样频率对云计算网络内每个云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形进行同步抽样,获得多组抽样数据,其中,每组抽样数据中包含一个抽样校正负荷电压值与一个抽样校正负荷电流值;
S402:基于每组抽样数据中的抽样校正负荷电压值与抽样校正负荷电流值以及对应电能表工作时间,获得电能表在工作时间内电能消耗量。
7.根据权利要求6所述的一种基于云计算的电能表误差校验方法,其特征在于,S402:基于每组抽样数据中的抽样校正负荷电压值与抽样校正负荷电流值以及对应电能表工作时间,获得电能表在工作时间内电能消耗量,包括:
;
其中,W为当前电能表在工作时间内电能消耗量,f为预设抽样频率,为抽样数据的组序数,M为同步抽样的总次数,/>为以预设抽样频率f在当前电能表的校正负荷电压值波形与校正负荷电流值波形中抽样获得的第/>组抽样数据中的抽样校正负荷电压值,为以预设抽样频率f在当前电能表的校正负荷电压值波形与校正负荷电流值波形中抽样获得的第/>组抽样数据中的抽样校正负荷电流值。
8.根据权利要求4所述的一种基于云计算的电能表误差校验方法,其特征在于,还包括:
在云计算网络中确定出多个节点层,并定义每个节点层的节点层序数;
将标注电能表对应的计算节点设定为数据处理过载节点;
确定出覆盖区域的云计算网络中的所有非数据处理过载节点;
基于当前时刻已完成的数据处理过载节点到每个节点层的所有非数据处理过载节点的数据计算处理迁移的次数,确定每个非数据处理过载节点在当前时刻的重要度;
确定出数据处理过载节点与最外层的所有非数据处理过载节点的最小单位迁移时间中的最大值,作为极限迁移时间;
基于覆盖区域的云计算网络,确定出数据处理过载节点与每个非数据处理过载节点之间的最小单位迁移时间,基于所有最小单位迁移时间与极限迁移时间确定出所有非数据处理过载节点在当前时刻的抗拒度;
基于覆盖区域的云计算网络,确定出与每个非数据处理过载节点直连的所有非数据处理过载节点的个数,作为对应非数据处理过载节点在当前时刻的数据分担量;
将所有非数据处理过载节点的重要度、抗拒度和数据分担量代入至最优迁移路径算法,获得数据处理过载节点在当前时刻进行数据处理迁移的最优路径;
基于数据处理迁移的最优路径,将数据处理过载节点的数据计算执行步骤平均迁移到所有非数据处理过载节点上。
9.根据权利要求8所述的一种基于云计算的电能表误差校验方法,其特征在于,将所有非数据处理过载节点在当前时刻的重要度、抗拒度和数据分担量代入至最优迁移路径算法,获得数据处理过载节点在当前时刻进行数据处理迁移的最优路径,包括:
基于非数据处理过载节点的重要度、抗拒度和数据分担量,计算出云计算网络中每个非数据处理过载节点可接受数据处理迁移的评价值,包括:
;
式中,为云计算网络中第i层第m个非数据处理过载节点在当前时刻t可接受数据处理迁移的评价值,/>为当前时刻t的云计算网络中第i层第m个非数据处理过载节点的抗拒度,/>为当前时刻t的云计算网络中第i层第m个非数据处理过载节点的重要度,为当前时刻t的云计算网络中第i层第m个非数据处理过载节点的数据分担量,/>为第i层节点层中的非数据处理过载节点总数;
将数据处理过载节点与云计算网络中每个节点层中可接受数据处理迁移的评价值中最大值对应的非数据处理过载节点依次相连,获得数据处理过载节点进行数据处理迁移的最优路径。
10.一种基于云计算的电能表误差校验系统,其特征在于,用于执行权利要求1至9中所述的基于云计算的电能表误差校验方法,包括:
云计算网络构建模块,用于基于每个电能表的检测覆盖范围区域搭建多个云计算子区域和对应的计算节点,并基于所有计算节点将所有云计算子区域相连,构建出云计算网络;
实时监测模块,用于基于预设频率,采集所有云计算子区域的瞬时负荷电压值与瞬时负荷电流值,获得负荷电压值采样波形与负荷电流值采样波形,并实时监测所有电能表的所在环境温度值;
校正值确定模块,用于若电能表的环境温度值超出预设温度值或对应云计算子区域的负荷电流值采样波形出现波形失真,则对负荷电压值采样波形与负荷电流值采样波形进行分别校正,获得云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,否则,将对应云计算子区域的负荷电压值采样波形作为校正负荷电压值波形,并将负荷电流值采样波形作为校正负荷电流值波形;
电能消耗模块,用于基于云计算网络内所有云计算子区域的电能表的校正负荷电压值波形与校正负荷电流值波形,求出所有电能表的检测覆盖范围区域在工作时间内的电能消耗量;
区域总表校正模块,用于基于所有电能表的检测覆盖范围区域在工作时间内的电能消耗量获得区域实际用电量,将实际用电量作为区域总电能表的校正值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410060348.3A CN117572332B (zh) | 2024-01-16 | 2024-01-16 | 一种基于云计算的电能表误差校验方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410060348.3A CN117572332B (zh) | 2024-01-16 | 2024-01-16 | 一种基于云计算的电能表误差校验方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117572332A true CN117572332A (zh) | 2024-02-20 |
CN117572332B CN117572332B (zh) | 2024-03-22 |
Family
ID=89864772
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410060348.3A Active CN117572332B (zh) | 2024-01-16 | 2024-01-16 | 一种基于云计算的电能表误差校验方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117572332B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0569740A1 (de) * | 1992-05-12 | 1993-11-18 | Landis & Gyr Technology Innovation AG | Verfahren zur selbsttätigen Kalibration von Elektrizitätszählern und Anordnung zur Durchführung des Verfahrens |
US10393793B1 (en) * | 2015-11-12 | 2019-08-27 | Amazon Technologies, Inc. | Detecting power disturbances based on networked power meters |
CN114879125A (zh) * | 2022-06-02 | 2022-08-09 | 广东电网有限责任公司 | 三相电能表计量方法、三相电能表及可读存储介质 |
CN115166625A (zh) * | 2022-07-06 | 2022-10-11 | 云南电网有限责任公司电力科学研究院 | 智能电表误差估计方法及装置 |
CN115758674A (zh) * | 2022-10-26 | 2023-03-07 | 国家电网有限公司 | 一种电能表信息化评价校准模型测评验证系统及方法 |
CN116007715A (zh) * | 2021-10-21 | 2023-04-25 | 罗美特有限公司 | 自校验仪表系统及校验仪表的方法 |
CN116148527A (zh) * | 2023-04-18 | 2023-05-23 | 青岛高科通信股份有限公司 | 一种能够误差校正的电子电能表改造装置 |
CN116303480A (zh) * | 2023-05-22 | 2023-06-23 | 新乡市万新电气有限公司 | 基于云计算的电能表误差校验方法 |
US20230314491A1 (en) * | 2020-08-26 | 2023-10-05 | Georgia Tech Research Corporation | Energy Meters and Energy Monitoring Systems and Methods |
-
2024
- 2024-01-16 CN CN202410060348.3A patent/CN117572332B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0569740A1 (de) * | 1992-05-12 | 1993-11-18 | Landis & Gyr Technology Innovation AG | Verfahren zur selbsttätigen Kalibration von Elektrizitätszählern und Anordnung zur Durchführung des Verfahrens |
US10393793B1 (en) * | 2015-11-12 | 2019-08-27 | Amazon Technologies, Inc. | Detecting power disturbances based on networked power meters |
US20230314491A1 (en) * | 2020-08-26 | 2023-10-05 | Georgia Tech Research Corporation | Energy Meters and Energy Monitoring Systems and Methods |
CN116007715A (zh) * | 2021-10-21 | 2023-04-25 | 罗美特有限公司 | 自校验仪表系统及校验仪表的方法 |
US20230130707A1 (en) * | 2021-10-21 | 2023-04-27 | Romet Limited | Self proving meter system and method of proving a meter |
CN114879125A (zh) * | 2022-06-02 | 2022-08-09 | 广东电网有限责任公司 | 三相电能表计量方法、三相电能表及可读存储介质 |
CN115166625A (zh) * | 2022-07-06 | 2022-10-11 | 云南电网有限责任公司电力科学研究院 | 智能电表误差估计方法及装置 |
CN115758674A (zh) * | 2022-10-26 | 2023-03-07 | 国家电网有限公司 | 一种电能表信息化评价校准模型测评验证系统及方法 |
CN116148527A (zh) * | 2023-04-18 | 2023-05-23 | 青岛高科通信股份有限公司 | 一种能够误差校正的电子电能表改造装置 |
CN116303480A (zh) * | 2023-05-22 | 2023-06-23 | 新乡市万新电气有限公司 | 基于云计算的电能表误差校验方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117572332B (zh) | 2024-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US20160233830A1 (en) | Solar Power Generation System and Failure Diagnosis Method Therefor | |
JP6209412B2 (ja) | 太陽光発電システムの故障診断システム及び故障診断方法 | |
Bastidas-Rodríguez et al. | Model-based degradation analysis of photovoltaic modules through series resistance estimation | |
CN104880605B (zh) | 电池管理系统及电池单体的直流内阻的测量方法 | |
CN110071692B (zh) | 光伏组件故障判定方法、装置及控制器 | |
KR101376910B1 (ko) | 태양전지모듈의 고장검출 방법 및 그 장치 | |
CN112684401B (zh) | 轻载台区电能表运行误差数据的处理方法及系统 | |
CN107817395A (zh) | 一种基于电网线路运行误差远程校准的窃电排查方法 | |
CN113805138B (zh) | 一种基于参数有向遍历的智能电表误差估计方法及装置 | |
CN107677967B (zh) | 确定电池电量的方法及装置 | |
CN111008510A (zh) | 一种台区内电表识别方法及判断电表所属台区的方法 | |
KR20190066135A (ko) | 태양광 발전시스템의 고장 진단 시스템 | |
CN112684400A (zh) | 小电量台区的电能表运行误差数据监测方法及系统 | |
US20070252555A1 (en) | Method and apparatus for determining to which battery cell in a string of battery cells a test instrument is connected | |
JP2020125968A (ja) | 電池劣化診断装置、電池劣化解析回路及び電池劣化診断プログラム | |
JP2018026909A (ja) | 発電状態判定装置、監視装置、発電状態判定方法および判定プログラム | |
CN101237357B (zh) | 工业无线传感器网络故障在线检测方法 | |
CN117572332B (zh) | 一种基于云计算的电能表误差校验方法及系统 | |
JP6702168B2 (ja) | 太陽光発電システムの検査装置および検査方法 | |
Al Mahdi et al. | Experimentally derived models to detect onset of shunt resistance degradation in photovoltaic modules | |
CN116184060A (zh) | 一种适用于瓷质绝缘子带电作业的异动监测方法和系统 | |
CN115144052A (zh) | 一种水电站水头计算方法及系统 | |
WO2023095387A1 (ja) | 判定装置および判定方法 | |
KR102584762B1 (ko) | 휴대용 태양광 모듈 노후화 진단 장치 및 그 동작 방법 | |
KR20100045257A (ko) | 네트워크 트래픽 모니터링 방법 및 장치 |
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 |