CN117973847A - 一种基于大数据的智能电表误差感知评估方法及系统 - Google Patents
一种基于大数据的智能电表误差感知评估方法及系统 Download PDFInfo
- Publication number
- CN117973847A CN117973847A CN202311792084.2A CN202311792084A CN117973847A CN 117973847 A CN117973847 A CN 117973847A CN 202311792084 A CN202311792084 A CN 202311792084A CN 117973847 A CN117973847 A CN 117973847A
- Authority
- CN
- China
- Prior art keywords
- smart meter
- error
- judging
- matrix
- module
- 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
- 230000008447 perception Effects 0.000 title claims abstract description 32
- 238000011156 evaluation Methods 0.000 title claims abstract description 18
- 239000011159 matrix material Substances 0.000 claims abstract description 58
- 238000000034 method Methods 0.000 claims abstract description 19
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 238000012360 testing method Methods 0.000 claims abstract description 8
- SLXKOJJOQWFEFD-UHFFFAOYSA-N 6-aminohexanoic acid Chemical compound NCCCCCC(O)=O SLXKOJJOQWFEFD-UHFFFAOYSA-N 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000003213 activating effect Effects 0.000 claims description 9
- 238000012216 screening Methods 0.000 description 5
- 230000007547 defect Effects 0.000 description 4
- 238000012544 monitoring process Methods 0.000 description 4
- 230000002950 deficient Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Measurement Of Current Or Voltage (AREA)
Abstract
一种基于大数据的智能电表误差感知评估方法及系统,该方法先创建三个空集合ZA、ZB、ZC,并基于智能电表的首检和运行测试数据获得基本误差矩阵,然后基于智能电表基本误差矩阵依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值感知矩阵方差S′j,再判断是否满足若满足,则在时将智能电表的负载误差Xj并入集合ZA,在aij∈S时将Xj并入集合ZB,在aij∈V时将Xj并入集合ZC,接着判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则进行下一次感知循环,最后基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定。本发明能够准确筛选出智能电网中存在计量风险的电表,有效降低智能电表在使用过程中的故障风险。
Description
技术领域
本发明属于电表误差感知领域,具体涉及一种基于大数据的智能电表误差感知评估方法及系统。
背景技术
在大规模电动汽车接入电网的背景下,智能电表电能计量的准确度尤为重要。智能电表是电脑计量、审计和分析的数据基础,与我们的日常生活息息相关。随着电力技术的快速发展,我国安装了上亿个智能电表,基础电子元器件的数量将达到数百亿件,即使制造企业根据6σ技术可以将不良率控制在百万分之3.4以下,也有大量的电表存在元器件缺陷。元器件有缺陷的仪表比其他仪表有更大的失效概率,如由于电阻的实际值与标称值存在一定的偏差,或受到电压、电流等外界因素的影响,仪表的数值会发生线性或非线性漂移,这类问题包括运输过程中的人为损坏,可能在初检时不表现出来;但在后续使用中更容易出现误差漂移或故障,造成电能监测和统计误差。因此对智能电表误差的感知和评估十分重要。
发明内容
本发明的目的是针对现有技术存在的上述问题,提供一种基于大数据的智能电表误差感知评估方法及系统。
为实现以上目的,本发明的技术方案如下:
第一方面,本发明提出一种基于大数据的智能电表误差感知评估方法,包括:
S1、创建三个空集合ZA、ZB、ZC,并基于智能电表的首检和运行测试数据获得基本误差矩阵V=eij,其中,i=1,2,...,m,j=1,2,...,n,m为智能电表的数量,n为负载点的数量;
S2、基于基本误差矩阵V依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值/>感知矩阵方差Sj′;
S3、判断是否满足若满足,则进入S4,否则进入S5;
S4、若则将智能电表的负载误差Xj并入集合ZA;若aij∈S,则将Xj并入集合ZB;若aij∈V,则将Xj并入集合ZC;
S5、判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则返回S3进行下一次感知循环,其中,k=m,q=n+2;
S6、基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定。
所述S基于以下公式计算得到:
上式中,为第i个智能电表的平均误差,Si为第i个智能电表的方差。
所述aij、Sj′基于以下公式计算得到:
上式中,V′k,q为感知矩阵,aij为第i个智能电表对第j个负载点的感知系数。
所述S6中,智能电表风险等级判定包括:
若Xj不在ZA、ZB、ZC的并集中,则判定为低风险智能电表;
若Xj在集合ZA中,则判定为中风险智能电表;
若Xj在ZB、ZC的并集中,则判定为高风险智能电表;
若Xj在ZB、ZC的交集中,则判定为极高风险智能电表。
第二方面,本发明提出一种基于大数据的智能电表误差感知评估系统,包括集合创建模块、感知计算模块、第一判断模块、集合更新模块、第二判断门模块、风险等级判定模块;
所述集合创建模块用于创建三个空集合ZA、ZB、ZC,并基于智能电表的首检和运行测试数据获得基本误差矩阵V=eij,其中,i=1,2,...,m,j=1,2,...,n,m为智能电表的数量,n为负载点的数量;
所述感知计算模块用于基于基本误差矩阵V依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值/>感知矩阵方差Sj′;
所述第一判断模块用于判断是否满足若满足,则激活集合更新模块,否则激活第二判断门模块;
所述集合更新模块用于在时将智能电表的负载误差Xj并入集合ZA,在aij∈S,时将Xj并入集合ZB,在aij∈V时将Xj并入集合ZC;
所述第二判断门模块用于判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则激活第一判断模块进行下一次感知循环,其中,k=m,q=n+2;
所述风险等级判定模块用于基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定。
所述感知计算模块基于以下公式计算S:
上式中,为第i个智能电表的平均误差,Si为第i个智能电表的方差。
所述感知计算模块基于以下公式计算aij、Sj′:
上式中,V′k,q为感知矩阵,aij为第i个智能电表对第j个负载点的感知系数。
所述风险等级判定模块基于如下方法进行智能电表风险等级判定:
若Xj不在ZA、ZB、ZC的并集中,则判定为低风险智能电表;
若Xj在集合ZA中,则判定为中风险智能电表;
若Xj在ZB、ZC的并集中,则判定为高风险智能电表;
若Xj在ZB、ZC的交集中,则判定为极高风险智能电表。
与现有技术相比,本发明的有益效果为:
本发明提出的一种基于大数据的智能电表误差感知评估方法先创建三个空集合ZA、ZB、ZC,并基于智能电表的首检和运行测试数据获得基本误差矩阵,然后基于智能电表基本误差矩阵依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值/>感知矩阵方差Sj′,再判断是否满足/>若满足,则在/>时将智能电表的负载误差Xj并入集合ZA,在aij∈S时将Xj并入集合ZB,在aij∈V时将Xj并入集合ZC,接着判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则进行下一次感知循环,最后基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定,该方法采用了误差感知循环筛选算法,可以对智能电表的计量风险进行分类,准确筛选出智能电网中存在计量风险的电表,有效降低智能电表在使用过程中的故障风险。
附图说明
图1为实施例1中感知循环的流程图。
图2为实施例1中风险等级判定的规则图。
图3为实施例2所述系统的结构图。
具体实施方式
下面结合具体实施方式以及附图对本发明作进一步详细的说明。
正常元件的整体性能误差应该是线性的,缺陷元件表现出三个主要问题:一是元件本身固有误差,但整体性能仍然是线性的;二是分量误差一般是非线性的;三是组件在某一点(或范围)误差很大或很小,而在其他范围内保持线性。三种缺陷类型中的第一种不会实质上影响使用寿命,并且故障率低,而第二、三种缺陷大大提高了器件的失效性,导致使用寿命低或故障率高。
本发明将智能电表的筛选算法分为A、B、C三类,每一类对应上述的一种故障:
A类算法通过判断基本误差矩阵V中同一列的严重误差xj(j=1,2,3…n),可以筛选同一负载点的误差明显偏离其他点的电表。A类算法筛选出来的是元件本身带有固定误差,但整体性能仍是线性的问题。
B类算法通过计算基本误差矩阵V中每行的平均值,可以判断单个仪表的负载点误差是否与其他仪表的负载点偏差严重。B类算法筛选出来的是误差非线性的问题。
C类算法通过计算基本误差矩阵V中每一行的标准差Sj(j=1,2,3…n),可以判断同一批次中同一仪表的所有负载点的误差与其他仪表相比是否有整体偏移。C类算法筛选出来的是在某一点(或范围)误差很大或很小,而在其他范围内保持线性的问题。
以上三类筛选算法在整个系统中发挥着重要的作用,采用三种不同的筛选因子对电能表的验证误差进行分析,利用三种不同的筛选因子确定组件的缺陷类型,可以从大量电能表中准确筛选出存在计量风险的电能表。
对于判定为高风险的智能电表,在后续使用过程中跟踪监测;对于判定为极高风险的智能电表,在后续使用过程中徐进行监测和控制,并按期实施现场校准。通过确定每个智能电表的计量风险等级,并列出需要重点监控的电表,便于在使用中跟踪监控。
实施例1:
如图1所示,一种基于大数据的智能电表误差感知评估方法,依次按照以下步骤实施:
1、创建三个空集合ZA、ZB、ZC,分别对应A、B、C三类算法感知出来的智能电表误差问题,并基于智能电表的首检和运行测试数据获得基本误差矩阵V=eij,其中,i=1,2,...,m,j=1,2,...,n,m为智能电表的数量,n为负载点的数量。
本实施例中每个智能电表的负载点为10个,构建的误差矩阵V如下:
2、基于智能电表基本误差矩阵依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值/>感知矩阵方差Sj′,计算公式如下:
上式中,为第i个智能电表的平均误差,Si为第i个智能电表的方差,V′k,q为感知矩阵,aij为第i个智能电表对第j个负载点的感知系数。
3、判断是否满足若满足,则进入步骤4,否则进入步骤5。
4、若则将智能电表的负载误差Xj并入集合ZA;若aij∈S,则将Xj并入集合ZB;若aij∈V,则将Xj并入集合ZC。
5、判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则返回S3进行下一次感知循环,其中,k=m,q=n+2。
6、基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定,如图2所示,包括:
若Xj不在ZA、ZB、ZC的并集中,则判定为低风险智能电表;
若Xj在集合ZA中,则判定为中风险智能电表;
若Xj在ZB、ZC的并集中,则判定为高风险智能电表;
若Xj在ZB、ZC的交集中,则判定为极高风险智能电表。
实施例2:
如图3所示,一种基于大数据的智能电表误差感知评估系统,包括集合创建模块、感知计算模块、第一判断模块、集合更新模块、第二判断门模块、风险等级判定模块。
所述集合创建模块用于创建三个空集合ZA、ZB、ZC,并基于智能电表的首检和运行测试数据获得基本误差矩阵V=eij,其中,i=1,2,...,m,j=1,2,...,n,m为智能电表的数量,n为负载点的数量;
所述感知计算模块用于基于基本误差矩阵V依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值/>感知矩阵方差Sj′,具体计算公式如下:
上式中,为第i个智能电表的平均误差,Si为第i个智能电表的方差,V′k,q为感知矩阵,aij为第i个智能电表对第j个负载点的感知系数。
所述第一判断模块用于判断是否满足若满足,则激活集合更新模块,否则激活第二判断门模块。
所述集合更新模块用于在时将智能电表的负载误差Xj并入集合ZA,在aij∈S,时将Xj并入集合ZB,在aij∈V时将Xj并入集合ZC。
所述第二判断门模块用于判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则激活第一判断模块进行下一次感知循环,其中,k=m,q=n+2。
所述风险等级判定模块用于基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定,包括:
若Xj不在ZA、ZB、ZC的并集中,则判定为低风险智能电表;
若Xj在集合ZA中,则判定为中风险智能电表;
若Xj在ZB、ZC的并集中,则判定为高风险智能电表;
若Xj在ZB、ZC的交集中,则判定为极高风险智能电表。
Claims (8)
1.一种基于大数据的智能电表误差感知评估方法,其特征在于,
所述方法包括:
S1、创建三个空集合ZA、ZB、ZC,并基于智能电表的首检和运行测试数据获得基本误差矩阵V=eij,其中,i×1,2,...,m,j=1,2,...,n,m为智能电表的数量,n为负载点的数量;
S2、基于基本误差矩阵V依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值/>感知矩阵方差S′j;
S3、判断是否满足若满足,则进入S4,否则进入S5;
S4、若则将智能电表的负载误差Xj并入集合ZA;若aij∈S,则将Xj并入集合ZB;若aij∈V,则将Xj并入集合ZC;
S5、判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则返回S3进行下一次感知循环,其中,k=m,q=n+2;
S6、基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定。
2.根据权利要求1所述的一种基于大数据的智能电表误差感知评估方法,其特征在于,
所述S基于以下公式计算得到:
上式中,为第i个智能电表的平均误差,Si为第i个智能电表的方差。
3.根据权利要求2所述的一种基于大数据的智能电表误差感知评估方法,其特征在于,
所述aij、S′j基于以下公式计算得到:
上式中,V′k,q为感知矩阵,aij为第i个智能电表对第j个负载点的感知系数。
4.根据权利要求1-3中任一项所述的一种基于大数据的智能电表误差感知评估方法,其特征在于,
所述S6中,智能电表风险等级判定包括:
若Xj不在ZA、ZB、ZC的并集中,则判定为低风险智能电表;
若Xj在集合ZA中,则判定为中风险智能电表;
若Xj在ZB、ZC的并集中,则判定为高风险智能电表;
若Xj在ZB、ZC的交集中,则判定为极高风险智能电表。
5.一种基于大数据的智能电表误差感知评估系统,其特征在于,
所述系统包括集合创建模块、感知计算模块、第一判断模块、集合更新模块、第二判断门模块、风险等级判定模块;
所述集合创建模块用于创建三个空集合ZA、ZB、ZC,并基于智能电表的首检和运行测试数据获得基本误差矩阵V=eij,其中,i=1,2,...,m,j=1,2,...,n,m为智能电表的数量,n为负载点的数量;
所述感知计算模块用于基于基本误差矩阵V依次计算平均误差矩阵方差矩阵S、感知系数aij、感知矩阵平均值/>感知矩阵方差S′j;
所述第一判断模块用于判断是否满足若满足,则激活集合更新模块,否则激活第二判断门模块;
所述集合更新模块用于在时将智能电表的负载误差Xj并入集合ZA,在aij∈S,时将Xj并入集合ZB,在aij∈V时将Xj并入集合ZC;
所述第二判断门模块用于判断是否满足i>k且j>q,若满足,则输出集合ZA、ZB、ZC,否则激活第一判断模块进行下一次感知循环,其中,k=m,q=n+2;
所述风险等级判定模块用于基于Xj和集合ZA、ZB、ZC进行智能电表风险等级判定。
6.根据权利要求5所述的一种基于大数据的智能电表误差感知评估系统,其特征在于,
所述感知计算模块基于以下公式计算S:
上式中,为第i个智能电表的平均误差,Si为第i个智能电表的方差。
7.根据权利要求6所述的一种基于大数据的智能电表误差感知评估系统,其特征在于,
所述感知计算模块基于以下公式计算aij、S′j:
上式中,V′k,q为感知矩阵,aij为第i个智能电表对第j个负载点的感知系数。
8.根据权利要求5所述的一种基于大数据的智能电表误差感知评估系统,其特征在于,所述风险等级判定模块基于如下方法进行智能电表风险等级判定:
若Xj不在ZA、ZB、ZC的并集中,则判定为低风险智能电表;
若Xj在集合ZA中,则判定为中风险智能电表;
若Xj在ZB、ZC的并集中,则判定为高风险智能电表;
若Xj在ZB、ZC的交集中,则判定为极高风险智能电表。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311792084.2A CN117973847A (zh) | 2023-12-25 | 2023-12-25 | 一种基于大数据的智能电表误差感知评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311792084.2A CN117973847A (zh) | 2023-12-25 | 2023-12-25 | 一种基于大数据的智能电表误差感知评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117973847A true CN117973847A (zh) | 2024-05-03 |
Family
ID=90846724
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311792084.2A Pending CN117973847A (zh) | 2023-12-25 | 2023-12-25 | 一种基于大数据的智能电表误差感知评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117973847A (zh) |
-
2023
- 2023-12-25 CN CN202311792084.2A patent/CN117973847A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111814390B (zh) | 基于传递熵和小波神经网络的电压互感器误差预测方法 | |
CN116879662B (zh) | 基于数据分析的变压器故障检测方法 | |
CN113125888B (zh) | 基于故障行为的航空机电产品加速寿命试验方法 | |
CN108120949A (zh) | 一种智能电能表加速退化试验方法 | |
CN110738346A (zh) | 一种基于威布尔分布的批次电能表可靠度预测方法 | |
CN115097376B (zh) | 计量设备的校验数据的处理方法、装置和计算机设备 | |
CN113406558A (zh) | 基于线性回归的电表失准检测方法、装置及电子设备 | |
CN115618273A (zh) | 一种基于并行图卷积神经网络的铁路轨道状态评估方法及系统 | |
KR102545482B1 (ko) | 전력량계의 휴대용 오차보정장치 | |
CN109213057A (zh) | 智能诊断装置和方法 | |
CN117518061B (zh) | 一种电测仪表检测数据检验系统及方法 | |
CN114280527A (zh) | 一种基于低压物联感知终端的电能表失准分析方法 | |
CN117973847A (zh) | 一种基于大数据的智能电表误差感知评估方法及系统 | |
CN117269734A (zh) | 一种主板带电老化检测系统 | |
CN117131437A (zh) | 发动机振动故障隔离方法 | |
CN109308395B (zh) | 基于lof-knn算法的晶圆级空间测量参数异常识别方法 | |
CN116773239A (zh) | 一种智能燃气表控制器可靠性寿命预测方法 | |
Variyam | Increasing the IDDQ test resolution using current prediction | |
CN110196855B (zh) | 基于秩和的性能退化数据与故障数据的一致性检验方法 | |
Worsman et al. | Enhancing the fault diagnosis of linear analog circuit steady-state DC testing through the analysis of equivalent faults | |
CN117932501B (zh) | 一种电能表运行状态管理方法和系统 | |
CN117169697B (zh) | 一种用于ate测试平台的测试判断系统 | |
EP3113088A1 (en) | Energy intensity variability analysis | |
CN116008385B (zh) | 一种tvoc监测设备校准方法 | |
CN118193302A (zh) | 一种基于大数据的芯片测试硬件寿命预警系统及方法 |
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 |