CN105158723B - 一种数字化电能计量***的误差评估***及方法 - Google Patents
一种数字化电能计量***的误差评估***及方法 Download PDFInfo
- Publication number
- CN105158723B CN105158723B CN201510458899.6A CN201510458899A CN105158723B CN 105158723 B CN105158723 B CN 105158723B CN 201510458899 A CN201510458899 A CN 201510458899A CN 105158723 B CN105158723 B CN 105158723B
- Authority
- CN
- China
- Prior art keywords
- electric energy
- error
- parameter
- energy metering
- degeneration
- 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
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于多参量退化模型的数字化电能计量***误差评估方法,属于智能电网设备在线状态评估领域。本发明通过在变电站各个关键部位安装的传感器,连获取数字化电能计量装置运行环境数据,采用基于多参量退化模型评估方法,评估数字化电能计量***的误差状态,实现数字电能计量***真正意义上的状态监测及检修。本发明包括环境传感单元、电流电压传感单元、计算机及运行于计算机上的评估软件。本发明为数字化电能计量***提供工程化的在线状态监测方案,评估数字电能计量***的误差状态,为数字化电能计量技术的工程化应用提供在线监测手段。
Description
技术领域
本发明属于智能电网设备在线状态监测领域,更具体地,涉及一种基于多参量退化模型的数字化电能计量***误差评估方法。
背景技术
随着科学技术的进步,电力***朝着数字化和智能化方向不断发展,数字化变电站是智能电网的重要组成部分。在数字化变电站中,电能计量不再采用传统的电能计量装置,而是采用全数字化电能计量装置,典型的三相数字化电能计量装置组成如图1所示。位于高压侧的组合式电子互感器1-3分别为A相组合式电子互感器、B相组合式电子互感器和C相组合式电子互感器,其中,组合式电子互感器包括组装在一起的电子式电流互感器和电子式电压互感器,经同步时钟4同步,分别采集A相母线5、B相母线6以及C相母线7的电流和电压,采集的数据以一定的格式如FT3经光纤发送给低压侧的合并单元8。合并单元8将接收的采样数据再以IEC61850-9-2/LE帧格式发送到数字式电能表9。数字式电能表9采用一定的电能算法计算出电能。数字式电能表9具有RS485或红外接口,用于与其他设备进行通信。
数字电能计量***是智能变电站的关键环节之一,实现数字电能计量***工程化应用和状态检修,符合“坚强智能电网”要求。近年来,对数字电能计量***的理论和试验研究有很多,主要目的是提升其稳定性和可靠性,推进其工程化应用。对于数字电能计量***,最重要的是误差特性,为了掌握数字电能计量***的运行误差规律,江苏电科院和广东电科院等科研单位建立了数字电能计量监测***,能获取数字电能计量***的运行环境参数和误差数据,但没有进一步利用这些数据。重庆电科院提出了的电能计量***状态检验策略,使电能计量***的状态检修再进一步。这些工作虽然取得了成果,但分别存在不足之处:(1)没有充分利用监测***获取的数据评估计量***的误差状态;(2)依靠经验评估计量***的状态而非科学合理的数学模型。
目前针对大多数输变电设备的状态评估模型和评估方法均有较为完善的研究体系,但针对数字电能计量***评估模型和方法基本处于空白,导致电能计量***只能定期检定或出现计量误差超差之后停电检修,影响了供电可靠性,也增加了运维成本。数字电能计量***误差评估的难点在于:(1)误差影响因素多,计量误差是这些因素综合作用的结果,难以建立单一因素对计量误差的影响模型;(2)电能计量***的误差性能参量和影响量数据多,且相互之间无明确关系,难以采用传统数据处理方法得到有用的结果(3)各影响因素对计量误差的作用此消彼长,使得其评估方法显著有别于大多设备的性能评估方法,没有成熟可用的评估模型。数字化电能计量***在运行中暴露出的稳定性问题使其不能大量用于工程实践,而且对数字化电能计量***的误差评估也一直缺乏有效方法。总之,为了正确评估数字化电能计量***的误差,需要采用新的评估模型和采用现代数据处理方法。
本发明针对数字化电能计量***特征,采用多参量退化误差评估模型,结合误差评估约束条件,对数字化电能计量***误差状态作出合理评估。利于推进数字电能计量技术工程化应用,推进数字电能计量***状态检修,具有重要理论和实践意义。
发明内容
针对现有技术中存在的问题,本申请提供的是一种数字化电能计量***的误差评估***及方法,其中通过对BP神经网络的具体结构及其设置方式进行研究和涉及,实现了对数字化电能计量装置误差状态在线监测。
为实现上述目的,按照本发明的一个方面,提供了一种数字化电能计量***的误差评估***,该误差评估***用于对数字化电能计量装置进行在线误差状态评估,并包括环境传感单元、电流电压传感单元和中央处理单元,其特征在于:
所述环境传感单元包括温度传感器、湿度传感器、第二微处理器,以及第二直流电源;其中该温度传感器、湿度传感器分别用于对作为监测对象的数字化电能计量***所处环境执行温度、湿度进行实时测量,并将共同传输给所述第二微处理器,该第二直流电源则用于对所述中的其他组成单元提供工作电源;
所述电流电压传感单元包括电磁式电流互感器、电磁式电压互感器、第一微处理器,以及为电流电压传感单元内各器件供电的第一直流电源;其中所述电流互感器、所述电压互感器用于对所述数字化电能计量***的频率和谐波进行实时测量;
此外,所述中央处理单元同时与所述第一、第二微处理器相连,并根据测量数据实时建立和更新多参量退化模型,评估数字电能计量***当前及未来短时误差状态:
所述计算机运行集成的数据分析处理软件作为状态评估平台,(1)采用差分归一化预处理方法对所述测量数据进行预处理,(2)再采用人工神经网络训练退化网络具体为:将经差分归一化处理的测量数据输入到所述退化网格,求得差分对应的退化网格;(3)最后再根据所述各传感单元的所述测量数据评估所述数字电能计量***当前及未来短时误差状态,从而实现数字化电能计量装置的误差状态监测。
按照本发明的另一方面,提供了一种数字化电能计量***的误差评估方法,其特征在于,该***包括以下步骤:
(1)在同一采用率的前提下,分别对所述数字化电能计量***的影响***误差的因素以及相对应的***误差进行测量;所述影响***误差的因素为环境温度、环境湿度、电气参数、频率和谐波、电磁场、振动、通信异常、失压、断流中的一项或多项;
(2)采用差分归一化预处理方法对所述测量数据进行预处理;
(3)再采用人工神经网络训练退化网络,采用人工神经网络进行学习训练,并对训练网络进行验证,判断训练结果是否合理,如不合理则重新再训练,直到验证误差满足设定值为止;
(4)最后再根据所述各传感单元的所述测量数据通过所述退化网络评估所述数字电能计量***当前及未来短时误差状态,从而实现数字化电能计量装置的误差状态监测。
优选地,在所述步骤(3)中,将经差分归一化处理的测量数据输入到所述退化网格,求得差分对应的退化网格,以此来评估电能计量***的误差。
总体而言,按照本发明的上述技术构思与现有技术相比,主要具备以下的技术优点:
1、实现对数字化电能计量装置误差状态在线监测,为数字电能计量***提供一种真正意义上的工程级状态监测及检修方法。
附图说明
图1所示为现有技术中典型的数字化电能计量装置结构示意图;
图2所示为单相电能计量***输入输出等效图;
图3所示为电流、电压测量误差示意图;
图4所示为基于多参量退化模型误差状态评估的评估步骤图;
图5所示为基于多参量退化模型的数字化电能计量***误差评估方法***组成框图;
图6所示为BP神经网络结构示意图;
图7所示为温度原始数据曲线图;
图8所示为温度预处理数据曲线图;
图9所示为ECT比差原始数据曲线图;
图10所示为ECT比差预处理数据曲线图;
图11所示为训练迭代次数与误差关系图;
图12所示为误差评估结果与实际运行误差比对图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
所述的评估模型为多参量退化模型。具体内涵如下:
一个设备或***的参数退化一般意味着性能下降。对于复杂设备或***,表征性能的参数往往有多个,使得在建立状态评估模型时需要同时考虑这些参数。例如在变压器状态评价中涉及到油中溶解气体、绝缘电阻、介质损耗、油中微水等参数;断路器状态评价中涉及到触头电磨损、分合闸线圈电流、开断行程等参数。以变压器状态评估为例,假设表征某变压器性能的参数构成的集合定义为{P1,P2,...,Pn},一个简单而有效的性能评估模型是:当max|Pi|(i=1,2,...,n)超过阈值时,给出评估结论“该变压器的某一性能会下降至影响设备正常工作”。
上述性能评估模型不适用于数字化电能计量***评估。原因主要有三点:(1)计量***的某一性能参数退化,一般不会导致计量***整体出现运行故障(2)计量***各参数的退化具有方向性,即参数退化对电能计量的影响并非绝对使计量误差增大,也可能呈此消彼长从而不影响整体计量误差,例如电压互感器比差向正方向变大,电流互感器比差向负方向变大,计量***仍然能正确计量电能;(3)在上述(1)和(2)前提下,不能以最大退化量或者各退化量的加权和或乘积评估实际的数字电能计量***的误差。因此,针对数字化电能计量***,需要提出新的评估模型。
为简化建模,仅考虑单相电能计量。单相电能计量的平均功率表达式为:
单相数字电能计量***可以等效为一个双输入单输出***,其输入为模拟电压和电流,输出为功率,***等效示意图如图2所示。
由图2可以看出,电能计量归结到底是测量电压和电流。电压和电流的测量误差直接导致电能计量误差,因此电能计量***的退化参量可以认为有如下四个:电压测量比差、电压测量角差、电流测量比差、电流测量角差。
同时,对图2所示的***,比差和角差测量误差实质是U(i)和I(i)测量误差,如图3A和图3B所示。
图3A中,曲线1为原始输入电压,曲线2为只有比差的输入电压,曲线3为同时有比差和角差的输入电压。假设单相数字电能计量***初始时刻的退化参量均为0,在投运之后,它们分别在各自的维度变化,变化方向不确定。某时刻四个参量退化至fPT、δPT、fCT和δCT,此时离散功率应为:
式中,αi是由fPT和δPT引起的U(i)误差系数,αi=h1(fPT,δPT);βi是由fCT和δCT引起的I(i)变化系数,βi=h2(fCT,δCT),αi和βi的取值范围为:-1≤α≤1,-1≤β≤1。
由式(2)可知,当αiβi=1时,电能计量准确度不变,原因是各参量的退化对电能计量的影响相互抵消,使得计量误差为0。
基于以上分析,数字电能计量误差评估与一般设备或***的性能评估模型具有显著的差异性,主要区别在于数字电能计量***的参量退化具有方向性,任一参量退化对计量误差的影响应该考虑当前其他参量变化。因此,本文针对电能计量***提出了基于多参量退化误差评估模型。
现有理论研究认为,变电站投入运行的数字电能计量***受多方面影响,包括环境温度、湿度;电气参数如负荷、频率和谐波;电磁场、振动、通信异常;失压、断流等电网事件。按照是否影响电能计量***正常工作分为可靠性和稳定性影响因素;按照影响时间分为持续性和偶发性影响因素。
为了方便本发明叙述清晰准确,进一步简化该模型,选取影响稳定性的持续性因素进行建模,分别为环境温度、湿度、电网频率、谐波。四个影响因素共同作用于数字电能计量***,影响四个退化参量fPT,δPT,fCT,δCT,可用如下方程组描述:
上式中,Temp(t)、Hum(t)、Freq(t)、Harm(t)、分别为温度、湿度、频率、谐波随时间的变化的函数。令:
方程组的解矩阵记为A,则方程(4)可以写为:
式(7)为数字电能计量***参量退化方程。其中,是参量退化作用向量,是退化参量,定义A为退化参量在作用向量下的多参量退化网络。
电能计量***的误差定义为评估约束条件:
上式中,ηP为平均功率误差。式(7)和(8)共同构成数字化电能计量***误差评估模型。
所述误差状态评估方法为基于多参量退化模型误差状态评估,其具体内涵如下:
本发明基于基于多参量退化模型误差状态评估的评估步骤如图4所示,包括数据预处理、训练退化网络以及计量***的误差评估。
(1)数据预处理。对输入多参量进行采样率统一,再做差分归一化处理,分别得到:
{ΔTemp(1),ΔTemp(2),...,ΔTemp(n)};
{ΔHum(1),ΔHum(2),...,ΔHum(n)};
{ΔFreq(1),ΔFreq(2),...,ΔFreq(n)};
{ΔHarm(1),ΔHarm(2),...,ΔHarm(n)};
{ΔδCT(1),ΔδCT(2),...,ΔδCT(n)};
{ΔfCT(1),ΔfCT(2),...,ΔfCT(n)};
{ΔδPT(1),ΔδPT(2),...,ΔδPT(n)};
{ΔfPT(1),ΔfPT(2),...,ΔfPT(n)}。
由{ΔTemp(i),ΔHum(i),ΔFreq(i),ΔHarm(i)}构成作用响亮,作为图3所示退化网络的输入,{ΔδCT(i),ΔfCT(i),ΔδPT(i),ΔfPT(i)}构成图3的输出。
(2)训练退化网络。根据(1)所获取的输入输出样本序列,采用BP神经网络进行学习训练,并对训练网络进行验证,判断训练结果是否合理,如不合理则重新再训练,直到验证误差满足设定值为止;
(3)计量***误差评估。将测量的作用量序列{ΔTemp,ΔHum,ΔFreq,ΔHarm}输入到退化网络,求得退化参量的变化量,再结合退化参量初始值得到当前电能计量***各状态参数,最后评估电能计量***的当前误差。
本发明提供的基于多参量退化模型的数字化电能计量***误差评估方法通过在变电站各个关键部位安装的传感器,获取数字电能计量***的退化影响量,包括三条母线5-7准确的电流和电压以及组合式电子互感器测得的三条母线5-7的实测电流和电压、组合式电子互感器1-3的的环境温湿度等,将所述影响量构成数字电能计量***的参量退化影响向量;再通过数字电能计量***的历史运行状态建立多参量退化模型;最后将参量退化影响向量输入至退化模型,得出数字电能计量***当前及未来短时的误差状态。从而实现对数字化电能计量装置误差状态在线监测,为数字电能计量***提供一种真正意义上的工程级状态监测及检修方法。
图5所示为本发明实施例的基于多参量退化模型的数字化电能计量***误差评估***组成框图。如图5所示,基于多参量退化模型的数字化电能计量***误差评估方法***包括环境传感单元10、电流电压传感单元13和计算机14。
环境传感单元10包括温度传感器101、湿度传感器102、第一微处理器103,以及为环境传感单元10内各器件供电的第一直流电源104。在本发明实施例中,温度传感器101可以选用数字测温芯片DS18B20;湿度传感器102可以选用STTS751;第一微处理器103选用TI公司的MPS430F149低功耗单片机;第一直流电源104选用SD6-S05A1单元电源。
电流电压传感单元11包括电流互感器131、电压互感器132、第四微处理器133,以及为电流电压传感单元13内各器件供电的第四直流电源134。在本发明实施例中,电流互感器131和电压互感器132根据测量准确度要求选用符合准确度等级要求的电磁式电压互感器和电磁式电流互感器,其测量值可以作为标准一次电压和一次电流;第四微处理器133可以选用PowerPC架构的微处理器MPC860;第四直流电源134选用SD25-S12D1单元电源。
计算机14获取各传感模块10、13的测量数据。计算机14包括数据预处理模块、退化网络训练模块、误差状态评估模块和存储模块,采用基于退化思想的误差分析方法,首先通过数字电能计量***历史运行数据建立多参量退化模型,训练多参量退化网络,再使用将测量和计算所得关键参数组成退化量作用向量,将所述作用向量输入到所述多参量退化网络,从而评估数字化电能计量装置的当前和未来短时误差状态。目前的微型计算机硬件配置高,其处理器运算速度快,硬盘容量大,一般能满足运算及存储要求。在本发明实施例中,计算机14选用惠普HP Pavilion P6-1480CN微型计算机。
基于多参量退化模型的数字化电能计量***误差评估***获取的数据包括数字化电能计量装置的多参量、参量退化作用量以及数字化电能计量装置本身的运行数据。环境传感单元10、电流电压传感单元11构成传感监测***,连续在线获取数字化电能计量装置的多参量以及参量退化作用量相关数据,包括:三条母线5-7准确的电流和电压以及组合式电子互感器测得的三条母线5-7上的实测电流和电压、以及由此得到的电子式电流电压测量的比差和角差、环境的温度和湿度等。
下面具体说明各传感单元安装方式及6组数据的获取方法。
1、环境传感数据:将三个同样的环境传感单元10分别安装在组合式电子互感器1-3的基座处,用于获取组合式电子互感器1-3运行环境的温度、湿度。
2、准确的一次电流电压传感数据:将三个同样的电流电压传感单元13安装于三条母线5-7上,用于获取三条母线5-7的准确一次电流和准确一次电压,通过网口传送至计算机14。
图4所示为本发明实施例的计算机14进行误差状态评估的流程图。计算机14用差分归一化数据预处理方法将参量退化作用量及参量进行数据处理,用历史数据对数字电能计量***的参量退化网络进行了基于BP神经网络训练,最后将参量作用量输入至退化网络,得到数字电能计量***当前及未来短时误差状态。具体的,在本发明实施例中,属于数字电能计量***退化参量的是ECT测量误差、EVT测量误差等;属于退化参量作用量的是环境温度、湿度、电气参数如谐波、频率等。
所述的差分归一化数据预处理的具体内涵和方法如下:
退化模型的参量退化作用向量包括温度、湿度、频率和谐波,在获取这些数据时采用不同的采样频率导致数据量不同,例如温湿度为每三分钟采样一次,而频率、谐波、比差、角差每分钟采样(计算)一次,则温度、湿度作用量和其他量之间的采样率相差180倍;各类数据的基数以及量纲也不一致,例如温度基数为25,频率基数为50。首先,为了同步数据,应该对各类数据的采样率进行统一。其次,各输入量的基数不同会影响后续退化网络训练结果的正确性,基数大的输入量会将基数小的输入量淹没,需要对各类数据进行归一化处理,以便统一变量权值和量纲。
由于温、湿度不可能发生突变,因此可以使用一阶线性插值法对温、湿度数据进行数据量扩充,以达到和其他。以温度数据处理为例,假设第i和j点采样温度为T(i)和T(j),数据量需要增加至N倍,则进行数据扩充之后,两个温度采样值之间的数据序列为:
同理,对湿度采用(9)式处理后,温湿度数据采样率与其他变量相同。
再使用差分归一化对各类数据进行处理,假设变量序列为{V1,V2,...,Vn,Vn+1},其变化梯度定义为
ΔV=max{ΔVi}(i=2,3,...,n,n+1) (10)
则对变量序列进行如下差分归一化处理:
由此,方程(7)写为归一化形式为:
上式中,为差分作用向量,为差分退化参量,B为对应的差分退化网络。
上述归一化之前对数据先做了差分处理的原因是:用非差分的归一化数据训练的退化网络,在进行实例验证时,结果显示训练所得的退化网络并不能正确评估计量***的误差。进一步研究数据特征发现,各类数据的变化速率和变化量不同,例如温度、湿度等变化缓慢且变化量较大,而频率变化量则相当微小。但是很显然,微小的频率波动对电能计量***的误差影响是较大的,即小权值的作用量具有大权值的影响程度,因此提出使用差分归一化进行预处理,放大微小变化的权值。
所述的多参量退化网络训练的具体内涵和方法如下:
求解多参量退化网络的实质是根据作用量和退化参量求解方程(12)的系数矩阵B,它描述了多因素综合影响对退化参量的作用,然而矩阵B的元素不具有可解析性,不能用常量或者初等函数描述。在这种情况下,宜使用人工智能学习方法训练退化网络,逼近真实系数矩阵B的输入输出特性。
本发明实例以BP前馈神经网络为例。前馈神经网络是人工神经网络的一种,各神经元从输入层开始,接收前一级输入,再输入到下一级,直至输出层。BP神经网络是前馈神经网络的一种,其网络结构和双向传播的学习方式使得该神经网络具有如下特点:1)分布式信息存储方式;2)学习方式并行处理;3)自学习和自适应性;4)较强的鲁棒性和容错性。
针对多参量退化网络的训练,其学习网络结构示意图如图6所示。i、j、k分别对应输入层、隐层、输出层。对于本文所训练的退化网络,输入为作用量输出为退化量训练的网络对输入的变换作用逼近式(12)中的系数矩阵B。
更进一步的,为了说明本发明中所述误差状态评估方法的一般实施步骤,以下以具体算例详细叙述。本发明以安装于某110kV变电站的数字电能计量在线监测***所获取数据作为样本进行分析。具体分析步骤如下:
(1)截取2015年4月7日上午10时至下午5时的数据作为分析对象,首先使用差分归一化对数据进行预处理。作用量以温度为例,退化量以电子式电流互感器比差为例,其预处理结果如图7、图8、图9和图10所示。
如图7所示为温度原始数据,在一天中的温度变化平缓;图8为温度进行差分归一化处理之后的数据;如图9所示为ECT比差原始数据;图10为ECT比差进行差分归一化处理之后的数据。由图7、图8、图9和图10可以看出,经过差分归一化处理之后,值均在-1到1之间,有利于保证训练退化网络的正确性。
(2)对数据使用BP神经网络进行训练,设置训练误差为0.01%,得到退化网络,并对退化网络进行检验,得到的训练结果如图11所示。
由图11可以看出,在进行50次迭代之后,误差小于0.01%,认为学习结束,再采用交叉校验方法对训练结果进行检验。
根据上述训练的退化网络,结合退化量初始值,评估数字电能计量***在4月7日下午5时之后短时内的误差状态,并分析在线监测***在同一时段所获取的数据。结果如图12所示。对比曲线1和曲线2,可以看出,基于多参量退化模型的评估结果,与实际运行结果趋势基本符合,短时评估误差与实际误差相比,其绝对误差不大于0.2%。
对本发明更深层次的理解如下:对某一变电站内的数字电能计量***,最终只需要设置测量退化参量作用量的传感器,即图5所示的环境传感单元10,但传感器种类不限于图5中所列;而无需设置测量数字电能计量退化参量的传感器,即图5所示的电流电流传感单元11。通过将退化参量作用量输入训练良好的退化网络,即可得到数字电能计量***误差状态。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种数字化电能计量***的误差评估***,该误差评估***用于对数字化电能计量***进行在线误差状态评估,并包括环境传感单元、电流电压传感单元和中央处理单元,其特征在于:
在统一采样率的前提下,分别对所述数字化电能计量***的影响***误差的因素以及相对应的***误差进行测量;所述影响***误差的因素为环境温度、环境湿度、电气参数、频率和谐波、电磁场、振动、通信异常、失压、断流中的一项或多项;
所述环境传感单元包括温度传感器、湿度传感器、第二微处理器,以及第二直流电源;其中该温度传感器、湿度传感器分别用于对作为监测对象的数字化电能计量***所处环境执行温度、湿度进行实时测量,并将所述所处环境执行温度、湿度测量结果共同传输给所述第二微处理器,该第二直流电源则用于对所述中的其他组成单元提供工作电源;
所述电流电压传感单元包括电磁式电流互感器、电磁式电压互感器、第一微处理器,以及为电流电压传感单元内各器件供电的第一直流电源;其中所述电流互感器、所述电压互感器用于对所述数字化电能计量***的频率和谐波进行实时测量;
此外,所述中央处理单元同时与所述第一、第二微处理器相连,并根据测量数据实时建立和更新多参量退化模型,评估数字电能计量***当前及未来短时误差状态,具体为:
选取影响稳定性的持续性因素进行建模,分别为环境温度、湿度、电网频率、谐波四个影响因素共同作用于所述数字电能计量***,影响四个退化参量fPT,δPT,fCT,δCT,可用如下方程组描述:
上式1中,Temp(t)、Hum(t)、Freq(t)、Harm(t)、分别为温度、湿度、频率、谐波随时间的变化的函数;令:
方程组的解矩阵记为A,则式1可以写为:
式4为数字电能计量***参量退化方程;其中,是参量退化作用向量,是退化参量,定义A为退化参量在作用向量下的多参量退化网络;
所述误差评估***还包括计算机,所述计算机运行集成的数据分析处理软件作为状态评估平台执行如下步骤处理:
步骤(1)采用差分归一化预处理方法对所述测量数据进行预处理;
对输入多参量进行采样率统一,再做差分归一化处理,分别得到:
{ΔTemp(1),ΔTemp(2),...,ΔTemp(n)};
{ΔHum(1),ΔHum(2),...,ΔHum(n)};
{ΔFreq(1),ΔFreq(2),...,ΔFreq(n)};
{ΔHarm(1),ΔHarm(2),...,ΔHarm(n)};
{ΔδCT(1),ΔδCT(2),...,ΔδCT(n)};
{ΔfCT(1),ΔfCT(2),...,ΔfCT(n)};
{ΔδPT(1),ΔδPT(2),...,ΔδPT(n)};
{ΔfPT(1),ΔfPT(2),...,ΔfPT(n)};
步骤(2)再采用人工神经网络训练退化网络具体为:将经差分归一化处理的测量数据输入到所述退化网络,求得差分对应的退化网络;
由{ΔTemp(i),ΔHum(i),ΔFreq(i),ΔHarm(i)}构成作用向量作为所述退化网络的输入,获得输出{ΔδCT(i),ΔfCT(i),ΔδPT(i),ΔfPT(i)};其中所述i为1~n之间的整数;
步骤(3)由所述步骤(2)获得的输出退化参量的变化量,再结合退化参量初始值得到当前电能计量***各状态参数评估当前误差,从而实现数字化电能计量***的误差状态监测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510458899.6A CN105158723B (zh) | 2015-07-30 | 2015-07-30 | 一种数字化电能计量***的误差评估***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510458899.6A CN105158723B (zh) | 2015-07-30 | 2015-07-30 | 一种数字化电能计量***的误差评估***及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105158723A CN105158723A (zh) | 2015-12-16 |
CN105158723B true CN105158723B (zh) | 2019-02-15 |
Family
ID=54799641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510458899.6A Active CN105158723B (zh) | 2015-07-30 | 2015-07-30 | 一种数字化电能计量***的误差评估***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105158723B (zh) |
Families Citing this family (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107490778B (zh) * | 2017-08-25 | 2019-07-02 | 成都思晗科技股份有限公司 | 一种计量误差影响因素多因素定量分析方法 |
CN107861089A (zh) * | 2017-09-26 | 2018-03-30 | 国网江西省电力公司电力科学研究院 | 一种适应于特殊运行工况的智能电能表测试方法 |
CN108088469B (zh) * | 2017-11-14 | 2021-08-17 | 中国航空工业集团公司西安飞机设计研究所 | 一种长航时飞机惯性导航误差补偿方法 |
CN108445435B (zh) * | 2018-02-05 | 2020-08-25 | 国电南瑞科技股份有限公司 | 一种电能表检定装置误差在线评估方法 |
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 |
CN109188341A (zh) * | 2018-09-18 | 2019-01-11 | 南方电网科学研究院有限责任公司 | 电能表的现场运行误差评估方法、装置、设备及存储介质 |
CN109597014A (zh) * | 2018-11-30 | 2019-04-09 | 国网上海市电力公司 | 一种基于人工智能技术的电能表误差诊断方法 |
CN110658487A (zh) * | 2019-10-18 | 2020-01-07 | 国网福建省电力有限公司 | 一种可以实现智能电表误差在线估计的表箱及*** |
CN110907885B (zh) * | 2019-12-06 | 2021-10-01 | 国网湖北省电力有限公司计量中心 | 一种数字化电能计量***现场运行状态评估方法及*** |
CN113138362A (zh) * | 2021-05-11 | 2021-07-20 | 深圳市先行电气技术有限公司 | 对电能表电能计量误差进行自动补偿的校准方法 |
CN113887846B (zh) * | 2021-12-07 | 2022-02-22 | 武汉格蓝若智能技术有限公司 | 一种电容式电压互感器的超差风险预警方法 |
CN115693916B (zh) * | 2022-09-07 | 2023-05-30 | 国网安徽省电力有限公司宿州供电公司 | 一种变电站直流电源智能在线监测方法及*** |
CN115480204A (zh) * | 2022-09-29 | 2022-12-16 | 武汉格蓝若智能技术有限公司 | 基于大数据推演的电流互感器运行误差在线评估优化方法 |
CN117233687B (zh) * | 2023-11-13 | 2024-02-06 | 威胜集团有限公司 | 一种基于历史数据的cvt初始误差评估方法、介质及终端 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1172261A (zh) * | 1997-08-27 | 1998-02-04 | 武汉国测电器公司 | 电力互感器校验方法及装置 |
CN201069470Y (zh) * | 2007-07-20 | 2008-06-04 | 太原市优特奥科电子科技有限公司 | 高压电能计量装置综合误差实时在线监测设备 |
CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
CN202758062U (zh) * | 2012-07-05 | 2013-02-27 | 广东电网公司电力科学研究院 | 一种数字化变电站电能计量装置整体计量误差检测*** |
CN202794496U (zh) * | 2012-05-22 | 2013-03-13 | 鹤岗电业局 | 电能计量装置实时在线监测仪器 |
CN104076319A (zh) * | 2014-05-04 | 2014-10-01 | 贵州电力试验研究院 | 一种数字化电能计量装置的在线误差分析*** |
-
2015
- 2015-07-30 CN CN201510458899.6A patent/CN105158723B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1172261A (zh) * | 1997-08-27 | 1998-02-04 | 武汉国测电器公司 | 电力互感器校验方法及装置 |
CN201069470Y (zh) * | 2007-07-20 | 2008-06-04 | 太原市优特奥科电子科技有限公司 | 高压电能计量装置综合误差实时在线监测设备 |
CN202794496U (zh) * | 2012-05-22 | 2013-03-13 | 鹤岗电业局 | 电能计量装置实时在线监测仪器 |
CN102707256A (zh) * | 2012-06-20 | 2012-10-03 | 北京航空航天大学 | 基于BP-AdaBoost神经网络的电子式电能表故障诊断方法 |
CN202758062U (zh) * | 2012-07-05 | 2013-02-27 | 广东电网公司电力科学研究院 | 一种数字化变电站电能计量装置整体计量误差检测*** |
CN104076319A (zh) * | 2014-05-04 | 2014-10-01 | 贵州电力试验研究院 | 一种数字化电能计量装置的在线误差分析*** |
Non-Patent Citations (1)
Title |
---|
人工神经网络在电能计量综合误差分析中的应用;陶锐;《内蒙古科技与经济》;20080430(第7期);第86-87页 |
Also Published As
Publication number | Publication date |
---|---|
CN105158723A (zh) | 2015-12-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105158723B (zh) | 一种数字化电能计量***的误差评估***及方法 | |
CN103268519B (zh) | 基于改进Lyapunov指数的电力***短期负荷预测方法及装置 | |
CN102377180B (zh) | 基于电能质量监测***的电力***负荷建模方法 | |
CN101441231B (zh) | 一种谐波电能计量误差分析装置 | |
CN103020459B (zh) | 一种多维度用电行为的感知方法及*** | |
CN102654539B (zh) | 一种电子式互感器运行状态评价方法 | |
CN104076319A (zh) | 一种数字化电能计量装置的在线误差分析*** | |
CN106786567B (zh) | 一种基于pmu类噪声数据的在线负荷建模方法 | |
CN110031788A (zh) | 一种空心线圈电流互感器误差环境相关性分析方法 | |
CN114201924B (zh) | 基于迁移学习的太阳辐照度预测方法及预测*** | |
CN111553080B (zh) | 一种配电台区负荷动态等值非机理模型参数闭环辨识方法 | |
Cui et al. | HVDC transmission line fault localization base on RBF neural network with wavelet packet decomposition | |
CN110045317A (zh) | 一种互感器计量误差在线检测方法及*** | |
Kong et al. | A remote estimation method of smart meter errors based on neural network filter and generalized damping recursive least square | |
CN105488335A (zh) | 一种基于李雅普诺夫指数的电力***负荷预测方法及装置 | |
CN105044649A (zh) | 一种电流互感器误差水平动态检测方法及*** | |
CN113837432A (zh) | 一种物理-数据联合驱动的电力***频率预测方法 | |
CN114583767B (zh) | 一种数据驱动的风电场调频响应特性建模方法及*** | |
Zhang et al. | A hierarchical framework for ambient signals based load modeling: Exploring the hidden quasi-convexity | |
KR100946278B1 (ko) | 풍력 발전 단지의 모델링 및 해석 파라미터 시험 방법 | |
CN116226620A (zh) | 一种基于svm和lstm的次同步振荡模态辨识方法 | |
CN107069710B (zh) | 计及新能源时空相关性的电力***状态估计方法 | |
CN110098610A (zh) | 故障扰动下电力***振荡主导模式的实时辨识方法及*** | |
CN111091223A (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN106570345A (zh) | 一种基于图论理论的参数辨识方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |