CN106443556A - 电能表智能诊断方法 - Google Patents
电能表智能诊断方法 Download PDFInfo
- Publication number
- CN106443556A CN106443556A CN201610799223.8A CN201610799223A CN106443556A CN 106443556 A CN106443556 A CN 106443556A CN 201610799223 A CN201610799223 A CN 201610799223A CN 106443556 A CN106443556 A CN 106443556A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- abnormal
- data
- intelligent diagnostics
- 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
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003745 diagnosis Methods 0.000 claims abstract description 59
- 238000004458 analytical method Methods 0.000 claims abstract description 29
- 238000001514 detection method Methods 0.000 claims abstract description 23
- 230000002159 abnormal effect Effects 0.000 claims description 96
- 230000005611 electricity Effects 0.000 claims description 47
- 238000000819 phase cycle Methods 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 7
- 208000032953 Device battery issue Diseases 0.000 claims description 6
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 6
- 230000005856 abnormality Effects 0.000 claims description 5
- 238000012098 association analyses Methods 0.000 claims description 5
- 230000001131 transforming effect Effects 0.000 claims description 5
- 230000004907 flux Effects 0.000 claims description 3
- 230000010247 heart contraction Effects 0.000 claims description 3
- 238000007418 data mining Methods 0.000 abstract 1
- 238000009412 basement excavation Methods 0.000 description 2
- 238000002405 diagnostic procedure Methods 0.000 description 2
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000012163 sequencing technique Methods 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及一种电能表智能诊断方法,包括如下几个步骤:①通过现场检测和电能信息采集***获取电表数据和事件数据;②通过步骤①获得的电表数据和事件数据进行单一异常分析,单一异常分析包括6类智能诊断分析模型,每个智能诊断分析模型包括若干个智能诊断主题;③对不同的智能诊断主题间的关联关系进行异常关联分析并建立关联度模型从而得到进一步智能诊断结果;④将步骤②得到的智能诊断主题的单一异常分析诊断结果和步骤③得到的进一步智能诊断结果输出给现场检测人员,辅助现场检测人员进行电能表检测和诊断。本发明通过数据比对、统计分析和数据挖掘等技术手段,对电能表的运行工况进行诊断和分析,有效确定电能表是否处于正常运行状态。
Description
技术领域
本发明属于电能质量检测技术领域,特别涉及一种电能表智能诊断方法。
背景技术
近些年来,随着国内电力需求和电网规模的扩大,电压等级不断提升,大容量、高电压等级用户不断增多,同时随着分时电价和阶梯电价的实行,电能计量的准确性和可靠性已成为社会关注的焦点,检测过程中对于电能表诊断的准确性要求更高,现有的检测过程中电能表诊断主要是通过人工的方式在电能表现场进行,现场缺乏数据支持,也非法通过程序化的方法进行量化准确判断,都是依靠人工经验数据来判断,容易造成诊断不准确或者误诊断的情况,难以满足计量精益化管理需求。
发明内容
本发明要解决的技术问题是提供一种通过现场检测数据和电能信息采集***采集数据实现自动对电能表的运行状态进行判断的电能表智能诊断方法。
实现本发明目的的技术方案是提供一种电能表智能诊断方法,包括如下几个步骤:
①通过现场检测和电能信息采集***获取电表数据和事件数据;
②通过步骤①获得的电表数据和事件数据进行单一异常分析,单一异常分析包括电量异常诊断、电压电流异常诊断、异常用电诊断、负荷异常诊断、时钟异常诊断、接线异常诊断共计6类智能诊断分析模型,每个智能诊断分析模型包括若干个智能诊断主题;
③对不同的智能诊断主题间的关联关系进行异常关联分析并建立关联度模型从而得到进一步智能诊断结果;异常关联分析的方法是对任意2个智能诊断主题同时发生时建立关联度模型,关联度模型的进一步智能诊断结果包括疑似窃电、设备故障、错接线、配变需扩容、现场维护、电池失效、回路异常、用电异常8类,任2个智能诊断主题同时发生时归类到8类进一步智能诊断结果之一或无进一步智能诊断结果,当归类到8类进一步智能诊断结果之一时,通过分析得到关联度模型的关联度;关联度用以表示某2个智能诊断主题同时发生时,进一步智能诊断结果发生的可能程度,用百分比表示;
④将步骤②得到的智能诊断主题的单一异常分析诊断结果和步骤③得到的进一步智能诊断结果输出给现场检测人员,辅助现场检测人员进行电能表检测和诊断。
进一步的,步骤②中,6类智能诊断分析模型包括共27个智能诊断主题,如下所示,每个智能诊断主题包括定义、数据源、诊断方法、计算模型、阈值及分级5个项目,其中K和N为各个诊断主题中对应设置的阈值参数,K的定义在各个诊断主题中独立、主题间互不干扰,N的定义在各个诊断主题中独立、主题间互不干扰:
1、电量异常诊断模型:包括电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表费率设置异常5个智能诊断主题,如下表:
2、电压电流异常诊断模型:包括电压断相、电压越限、电压不平衡、高供高计B相异常、电流失流、电流不平衡6个智能诊断主题,如下表:
3、异常用电诊断模型:包括电能表开盖、计量门开闭、恒定磁场干扰、电量差动异常、功率差动异常、用户停电6个智能诊断主题,如下表:
4、负荷异常诊断模型:包括需量超容、负荷超容、电流过流、负荷持续超下限、功率因数异常5个智能诊断主题,如下表:
5、时钟异常诊断模型:包括终端时钟异常、电能表时钟异常2个智能诊断主题,如下表:
6、接线异常诊断模型:包括反向电量异常、相序异常、潮流反向3个智能诊断主题,如下表:
进一步的,步骤③中,关联度模型包括归类到8类进一步智能诊断结果的共108个模型,如下所示:
疑似窃电:
设备故障:
序号 | 关联主题1 | 关联主题2 | 关联度 |
26 | 电能表示值不平 | 用户停电 | 1.0 |
27 | 电能表示值不平 | 电量差动异常 | 0.3 |
28 | 电能表示值不平 | 电能表停走 | 0.6 |
29 | 电能表示值不平 | 电能表倒走 | 0.6 |
30 | 电能表示值不平 | 电能表飞走 | 0.6 |
31 | 电能表飞走 | 电流过流 | 0.6 |
32 | 电能表飞走 | 负荷超容 | 0.6 |
33 | 电能表飞走 | 需量超容 | 0.6 |
34 | 电能表飞走 | 用户停电 | 0.6 |
35 | 电能表飞走 | 功率差动异常 | 0.6 |
36 | 电能表倒走 | 用户停电 | 0.6 |
37 | 电能表倒走 | 电量差动异常 | 0.6 |
38 | 电能表倒走 | 电压越限 | 0.6 |
39 | 电能表停走 | 负荷持续超下限 | 0.6 |
40 | 电能表停走 | 用户停电 | 0.6 |
41 | 电能表停走 | 电量差动异常 | 0.6 |
42 | 电能表停走 | 电压越限 | 0.6 |
43 | 用户停电 | 电压越限 | 0.6 |
44 | 用户停电 | 电压不平衡 | 0.3 |
45 | 用户停电 | 需量超容 | 0.6 |
46 | 用户停电 | 负荷超容 | 0.6 |
47 | 用户停电 | 电流过流 | 0.3 |
48 | 电流失流 | 电流不平衡 | 0.3 |
49 | 电量差动异常 | 功率差动异常 | 0.3 |
50 | 终端时钟异常 | 电能表时钟异常 | 0.6 |
错接线:
配变需扩容:
序号 | 关联主题1 | 关联主题2 | 关联度 |
4 | 需量超容 | 电流过流 | 1.0 |
5 | 需量超容 | 负荷超容 | 1.0 |
6 | 负荷超容 | 电流过流 | 1.0 |
现场维护:
序号 | 关联主题1 | 关联主题2 | 关联度 |
5 | 计量门开闭 | 电能表时钟异常 | 0.3 |
6 | 计量门开闭 | 终端时钟异常 | 0.3 |
7 | 计量门开闭 | 用户停电 | 0.6 |
8 | 计量门开闭 | 电能表飞走 | 1.0 |
电池失效:
序号 | 关联主题1 | 关联主题2 | 关联度 |
3 | 用户停电 | 电能表时钟异常 | 0.6 |
4 | 用户停电 | 终端时钟异常 | 0.6 |
回路异常:
序号 | 关联主题1 | 关联主题2 | 关联度 |
6 | 电流不平衡 | 电压越限 | 0.6 |
7 | 电流不平衡 | 电流过流 | 1.0 |
8 | 电流不平衡 | 功率因数异常 | 1.0 |
9 | 电压断相 | 电流失流 | 1.0 |
10 | 电压越限 | 电压不平衡 | 1.0 |
用电异常:
序号 | 关联主题1 | 关联主题2 | 关联度 |
3 | 负荷持续超下限 | 功率因数异常 | 0.3 |
4 | 电压不平衡 | 电流不平衡 | 0.6 |
进一步的,步骤①中,对于电表数据和事件数据进行筛选,其中事件筛选规则如下:对于采集终端和电能表生成的事件,按以下规则筛选:
(1)同1条事件重复上报,事件内容包括时间均完全相同,只保留第1条;
(2)同1类事件重复上报,事件名称相同但内容不同,每8h只保留第1条;
(3)剔除内容不符合通信协议格式要求的事件,包括数据乱码及应填数据为空的情况;
(4)剔除内容明显有误的事件,包括事件时间早于设备安装时间及事件时间晚于当前时间h天后的情况(h建议值为5);
(5)对于应成对出现的事件,若事件不成对则通过曲线数据和终端心跳、登录报文等数据进行辅助判断。
进一步的,步骤①中,对于电表数据和事件数据进行筛选,其中数据筛选规则如下:对于采集终端和电能表的数据,按以下规则筛选:
(1)正/反向有功总功率乘倍率的数值大于用户合同容量的a倍(a建议值为50),属于异常数据;
(2)日冻结正/反向电能示值计算得到的电量,大于用户日最大用电量(合同容量×24h)的b倍(b建议值为50),属于异常数据;
(3)月冻结正/反向电能示值计算得到的电量,大于用户月最大用电量(合同容量×24h×30天)的c倍(c建议值为50),属于异常数据;
(4)日/月冻结最大需量乘倍率的数值大于用户合同容量的d倍(d建议值为50),属于异常数据;
(5)总加组电能量曲线计算得到的时段电量,大于用户时段最大用电量(合同容量×时段长度)的e倍(e建议值为50),属于异常数据;
(6)二次侧电压值大于二次侧额定电压值的f倍(f建议值为2),属于异常数据;
(7)二次侧电流值乘倍率大于电流互感器一次侧额定电流值的g倍(g建议值为2),属于异常数据。
本发明具有积极的效果:(1)本发明的电能表智能诊断方法通过用现场检测数据和电能信息采集***的采集数据实现对电能表数据的采集与处理,并在通过数据比对、统计分析和数据挖掘等技术手段,对电能表的运行工况进行诊断和分析,确定电能表是否处于正常运行状态。
(2)本发明的电能表智能诊断方法通过量化建立诊断模型的方法来判断故障提高了现场诊断的准确性,避免了人工诊断的误判断或者判断不准确的情况。
(3)本发明的电能表智能诊断方法提高了现场检测的效率,缩短了现场检测的时间。
(4)本发明的电能表智能诊断方法能快速准确的解答用电客户的对于诊断结果的疑惑,提高了现场检测的服务质量。
(5)本发明的电能表智能诊断方法的现场诊断数据更加全面,解决了原先现场诊断缺乏数据支持的情况。
具体实施方式
(实施例1)
本实施例的电能表智能诊断方法是通过现场检测和电能信息采集***(也称用电信息采集***)实现对电能表数据的采集与处理,并在采集***主站通过数据比对、统计分析和数据挖掘等技术手段,对电能表的运行工况进行诊断和分析,确定电能表是否处于正常运行状态。
智能诊断的数据来源包括电能表和采集终端中的电能计量数据、运行工况数据和事件记录等各类数据。通过对电能表、采集终端各类数据的产生条件、关联关系的分析,结合相关业务应用需求,研究确定了单一设备分析、期间分析和群分析等智能诊断模型。
本实施例的电能表智能诊断方法通过以下步骤实现现场智能诊断:
①通过现场检测和电能信息采集***获取电表数据和事件数据。
其中,事件数据包括电能表断相、终端电压回路异常、电能表过压、电能表欠压、终端电压越限等;
电表数据包括三相电压曲线、三相电流曲线、计量回路正向有功总电能示值、比对回路正向有功总电能示值等。
对于电表数据和事件数据进行筛选,其中事件筛选规则如下:对于采集终端和电能表生成的事件,按以下规则筛选:
(1)同1条事件重复上报,事件内容包括时间均完全相同,只保留第1条。
(2)同1类事件重复上报,事件名称相同但内容不同,每8h只保留第1条。
(3)剔除内容不符合通信协议格式要求的事件,包括数据乱码及应填数据为空的情况。
(4)剔除内容明显有误的事件,包括事件时间早于设备安装时间及事件时间晚于当前时间h天后的情况(h建议值为5)。
(5)对于应成对出现的事件,若事件不成对则通过曲线数据和终端心跳、登录报文等数据进行辅助判断。
数据筛选规则如下:对于采集终端和电能表的数据,按以下规则筛选:
(1)正/反向有功总功率乘倍率的数值大于用户合同容量的a倍(a建议值为50),属于异常数据。
(2)日冻结正/反向电能示值计算得到的电量,大于用户日最大用电量(合同容量×24h)的b倍(b建议值为50),属于异常数据。
(3)月冻结正/反向电能示值计算得到的电量,大于用户月最大用电量(合同容量×24h×30天)的c倍(c建议值为50),属于异常数据。
(4)日/月冻结最大需量乘倍率的数值大于用户合同容量的d倍(d建议值为50),属于异常数据。
(5)总加组电能量曲线计算得到的时段电量,大于用户时段最大用电量(合同容量×时段长度)的e倍(e建议值为50),属于异常数据。
(6)二次侧电压值大于二次侧额定电压值的f倍(f建议值为2),属于异常数据。
(7)二次侧电流值乘倍率大于电流互感器一次侧额定电流值的g倍(g建议值为2),属于异常数据。
②通过步骤①获得的电表数据和事件数据进行单一异常分析,单一异常分析包括电量异常诊断、电压电流异常诊断、异常用电诊断、负荷异常诊断、时钟异常诊断、接线异常诊断6类智能诊断分析模型共27个智能诊断主题,如下所示,每个智能诊断主题包括定义、数据源、诊断方法、计算模型、阈值即分级5个项目,其中K和N为各个诊断主题中对应设置的阈值参数,K的定义在各个诊断主题中独立、主题间互不干扰,N的定义在各个诊断主题中独立、主题间互不干扰:
1、电量异常诊断模型:包括电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表费率设置异常5个智能诊断主题,如下表:
2、电压电流异常诊断模型:包括电压断相、电压越限、电压不平衡、高供高计B相异常、电流失流、电流不平衡6个智能诊断主题,如下表:
3、异常用电诊断模型:包括电能表开盖、计量门开闭、恒定磁场干扰、电量差动异常、功率差动异常、用户停电6个智能诊断主题,如下表:
4、负荷异常诊断模型:包括需量超容、负荷超容、电流过流、负荷持续超下限、功率因数异常5个智能诊断主题,如下表:
5、时钟异常诊断模型:包括终端时钟异常、电能表时钟异常2个智能诊断主题,如下表:
6、接线异常诊断模型:包括反向电量异常、相序异常、潮流反向3个智能诊断主题,如下表:
③对不同的智能诊断主题间的关联关系进行异常关联分析并建立关联度模型从而得到进一步智能诊断结果,进一步提高对异常信息、故障信息诊断的准确度。异常关联分析的方法是对任意2个诊断主题同时发生时建立关联度模型,关联度模型的进一步智能诊断结果包括疑似窃电、设备故障、错接线、配变需扩容、现场维护、电池失效、回路异常、用电异常8类,任2个诊断主题同时发生时归类到8类进一步智能诊断结果之一或无进一步智能诊断结果,当归类到8类进一步智能诊断结果之一时,通过分析得到关联度模型的关联度;关联度用以表示某2个诊断主题同时发生时,进一步智能诊断结果发生的可能程度,用百分比表示,例如当关联主题1“潮流反向”和关联主题2“高供高计B相异常”同时发生时,归类到“错接线”的进一步智能诊断结果,关联度为0.6,即当关联主题1“潮流反向”和关联主题2“高供高计B相异常”同时发生时,“错接线”的发生可能程度为60%。关联度模型包括归类到8类进一步智能诊断结果的共108个模型:
(一)疑似窃电:
(二)设备故障:
(三)错接线:
序号 | 关联主题1 | 关联主题2 | 关联度 |
33 | 潮流反向 | 高供高计B相异常 | 0.6 |
34 | 潮流反向 | 电量差动异常 | 1.0 |
35 | 潮流反向 | 功率因数异常 | 0.3 |
36 | 潮流反向 | 反向电量异常 | 1.0 |
37 | 相序异常 | 高供高计B相异常 | 0.6 |
38 | 相序异常 | 电流失流 | 0.6 |
39 | 相序异常 | 电流不平衡 | 0.6 |
40 | 相序异常 | 电量差动异常 | 1.0 |
41 | 相序异常 | 功率差动异常 | 1.0 |
42 | 相序异常 | 负荷持续超下限 | 0.3 |
43 | 相序异常 | 功率因数异常 | 0.3 |
44 | 相序异常 | 反向电量异常 | 0.3 |
45 | 反向电量异常 | 电流不平衡 | 0.6 |
46 | 反向电量异常 | 电量差动异常 | 1.0 |
47 | 反向电量异常 | 功率因数异常 | 0.3 |
48 | 电压不平衡 | 功率差动异常 | 0.6 |
(四)配变需扩容:
序号 | 关联主题1 | 关联主题2 | 关联度 |
7 | 需量超容 | 电流过流 | 1.0 |
8 | 需量超容 | 负荷超容 | 1.0 |
9 | 负荷超容 | 电流过流 | 1.0 |
(五)现场维护:
序号 | 关联主题1 | 关联主题2 | 关联度 |
9 | 计量门开闭 | 电能表时钟异常 | 0.3 |
10 | 计量门开闭 | 终端时钟异常 | 0.3 |
11 | 计量门开闭 | 用户停电 | 0.6 |
12 | 计量门开闭 | 电能表飞走 | 1.0 |
(六)电池失效:
序号 | 关联主题1 | 关联主题2 | 关联度 |
5 | 用户停电 | 电能表时钟异常 | 0.6 |
6 | 用户停电 | 终端时钟异常 | 0.6 |
(七)回路异常:
序号 | 关联主题1 | 关联主题2 | 关联度 |
11 | 电流不平衡 | 电压越限 | 0.6 |
12 | 电流不平衡 | 电流过流 | 1.0 |
13 | 电流不平衡 | 功率因数异常 | 1.0 |
14 | 电压断相 | 电流失流 | 1.0 |
15 | 电压越限 | 电压不平衡 | 1.0 |
(八)用电异常:
④将步骤②得到的智能诊断主题的单一异常分析诊断结果和步骤③得到的进一步智能诊断结果输出给现场检测人员,辅助现场检测人员进行电能表检测和诊断,从而实现通过智能分析和现场维护的方式完成电能表设备故障的排查、处理。
显然,上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。而这些属于本发明的精神所引伸出的显而易见的变化或变动仍处于本发明的保护范围之中。
Claims (7)
1.一种电能表智能诊断方法,其特征在于包括如下几个步骤:
①通过现场检测和电能信息采集***获取电表数据和事件数据;
②通过步骤①获得的电表数据和事件数据进行单一异常分析,单一异常分析包括电量异常诊断、电压电流异常诊断、异常用电诊断、负荷异常诊断、时钟异常诊断、接线异常诊断共计6类智能诊断分析模型,每个智能诊断分析模型包括若干个智能诊断主题;
③对不同的智能诊断主题间的关联关系进行异常关联分析并建立关联度模型从而得到进一步智能诊断结果;异常关联分析的方法是对任意2个智能诊断主题同时发生时建立关联度模型,关联度模型的进一步智能诊断结果包括疑似窃电、设备故障、错接线、配变需扩容、现场维护、电池失效、回路异常、用电异常8类,任2个智能诊断主题同时发生时归类到8类进一步智能诊断结果之一或无进一步智能诊断结果,当归类到8类进一步智能诊断结果之一时,通过分析得到关联度模型的关联度;关联度用以表示某2个智能诊断主题同时发生时,进一步智能诊断结果发生的可能程度,用百分比表示;
④将步骤②得到的智能诊断主题的单一异常分析诊断结果和步骤③得到的进一步智能诊断结果输出给现场检测人员,辅助现场检测人员进行电能表检测和诊断。
2.根据权利要求1所述的电能表智能诊断方法,其特征在于:步骤②中,6类智能诊断分析模型包括共27个智能诊断主题,如下所示,每个智能诊断主题包括定义、数据源、诊断方法、计算模型、阈值及分级5个项目,其中K和N为各个诊断主题中对应设置的阈值参数,K的定义在各个诊断主题中独立、主题间互不干扰,N的定义在各个诊断主题中独立、主题间互不干扰:
1、电量异常诊断模型:包括电能表示值不平、电能表飞走、电能表倒走、电能表停走、电能表费率设置异常5个智能诊断主题,如下表:
2、电压电流异常诊断模型:包括电压断相、电压越限、电压不平衡、高供高计B相异常、电流失流、电流不平衡6个智能诊断主题,如下表:
3、异常用电诊断模型:包括电能表开盖、计量门开闭、恒定磁场干扰、电量差动异常、功率差动异常、用户停电6个智能诊断主题,如下表:
4、负荷异常诊断模型:包括需量超容、负荷超容、电流过流、负荷持续超下限、功率因数异常5个智能诊断主题,如下表:
5、时钟异常诊断模型:包括终端时钟异常、电能表时钟异常2个智能诊断主题,如下表:
6、接线异常诊断模型:包括反向电量异常、相序异常、潮流反向3个智能诊断主题,如下表:
3.根据权利要求2所述的电能表智能诊断方法,其特征在于:步骤③中,关联度模型包括归类到8类进一步智能诊断结果的共108个模型,如下所示:
(一)疑似窃电:
(二)设备故障:
(三)错接线:
(四)配变需扩容:
(五)现场维护:
(六)电池失效:
(七)回路异常:
(八)用电异常:
4.根据权利要求1至3之一所述的电能表智能诊断方法,其特征在于:步骤①中,对于电表数据和事件数据进行筛选,其中事件筛选规则如下:对于采集终端和电能表生成的事件,按以下规则筛选:
(1)同1条事件重复上报,事件内容包括时间均完全相同,只保留第1条;
(2)同1类事件重复上报,事件名称相同但内容不同,每8h只保留第1条;
(3)剔除内容不符合通信协议格式要求的事件,包括数据乱码及应填数据为空的情况;
(4)剔除内容明显有误的事件,包括事件时间早于设备安装时间及事件时间晚于当前时间h天后的情况;
(5)对于应成对出现的事件,若事件不成对则通过曲线数据和终端心跳、登录报文等数据进行辅助判断。
5.根据权利要求4所述的电能表智能诊断方法,其特征在于:h建议值为5。
6.根据权利要求1至5之一所述的电能表智能诊断方法,其特征在于:步骤①中,对于电表数据和事件数据进行筛选,其中数据筛选规则如下:对于采集终端和电能表的数据,按以下规则筛选:
(1)正/反向有功总功率乘倍率的数值大于用户合同容量的a倍,属于异常数据;
(2)日冻结正/反向电能示值计算得到的电量,大于用户日最大用电量即合同容量×24h的b倍,属于异常数据;
(3)月冻结正/反向电能示值计算得到的电量,大于用户月最大用电量即合同容量×24h×30天的c倍,属于异常数据;
(4)日/月冻结最大需量乘倍率的数值大于用户合同容量的d倍,属于异常数据;
(5)总加组电能量曲线计算得到的时段电量,大于用户时段最大用电量即合同容量×时段长度的e倍,属于异常数据;
(6)二次侧电压值大于二次侧额定电压值的f倍,属于异常数据;
(7)二次侧电流值乘倍率大于电流互感器一次侧额定电流值的g倍,属于异常数据。
7.根据权利要求8所述的电能表智能诊断方法,其特征在于:a建议值为50,b建议值为50,c建议值为50,d建议值为50,e建议值为50,f建议值为2,g建议值为2。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799223.8A CN106443556A (zh) | 2016-08-31 | 2016-08-31 | 电能表智能诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610799223.8A CN106443556A (zh) | 2016-08-31 | 2016-08-31 | 电能表智能诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN106443556A true CN106443556A (zh) | 2017-02-22 |
Family
ID=58165073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610799223.8A Pending CN106443556A (zh) | 2016-08-31 | 2016-08-31 | 电能表智能诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106443556A (zh) |
Cited By (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633670A (zh) * | 2017-07-21 | 2018-01-26 | 国网浙江省电力公司 | 一种采用采集运维知识库的采集异常诊断方法 |
CN107656231A (zh) * | 2017-07-21 | 2018-02-02 | 国网浙江省电力公司 | 一种电能表开表盖事件准确性分析方法 |
CN107680368A (zh) * | 2017-09-06 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种基于采集数据的计量装置在线监测与智能诊断方法 |
CN108107401A (zh) * | 2017-12-20 | 2018-06-01 | 宁波三星医疗电气股份有限公司 | 一种基于智能表的开盖检测方法及智能表 |
CN108828494A (zh) * | 2018-04-18 | 2018-11-16 | 电子科技大学 | 基于遗传算法的智能电能表功能检定方法 |
CN108919169A (zh) * | 2018-06-29 | 2018-11-30 | 宁波三星智能电气有限公司 | 一种电能表的故障自诊断方法 |
CN109253750A (zh) * | 2018-09-18 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种计量设备的计量累计值增量过大异常状态判断方法及*** |
CN109253752A (zh) * | 2018-09-18 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种计量设备供能中断判断方法及*** |
CN109407039A (zh) * | 2018-11-13 | 2019-03-01 | 许继集团有限公司 | 智能电表及其***、自诊断方法和故障检测方法 |
CN109470278A (zh) * | 2018-09-18 | 2019-03-15 | 中国电力科学研究院有限公司 | 一种确定计量设备的计量累计值处于增量为零状态的方法及*** |
CN109948877A (zh) * | 2018-12-03 | 2019-06-28 | 国网浙江新昌县供电有限公司 | 一种基于异常事件组合的用电行为精准分析方法 |
CN109946553A (zh) * | 2017-12-21 | 2019-06-28 | 成都长城开发科技有限公司 | 三相电表及其接地故障检测方法 |
CN110703019A (zh) * | 2019-10-12 | 2020-01-17 | 国网北京市电力公司 | 基于输电线路的采集信息的用电异常精准定位方法 |
CN110726964A (zh) * | 2019-09-05 | 2020-01-24 | 国网新疆电力有限公司电力科学研究院 | 一种基于电压电流类计量异常远程诊断方法 |
CN110888101A (zh) * | 2019-12-05 | 2020-03-17 | 新奥数能科技有限公司 | 电能表异常诊断方法及装置 |
CN111126759A (zh) * | 2019-11-18 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
CN111191878A (zh) * | 2019-12-10 | 2020-05-22 | 国网天津市电力公司电力科学研究院 | 一种基于异常分析的台区及电能表状态评价方法及*** |
CN111371188A (zh) * | 2020-05-06 | 2020-07-03 | 国网河北省电力有限公司沧州供电分公司 | 一种用电异常数据实时预警*** |
CN111475548A (zh) * | 2020-05-06 | 2020-07-31 | 国网河北省电力有限公司沧州供电分公司 | 一种基于大数据挖掘技术的用电异常分析决策*** |
CN111965584A (zh) * | 2020-08-11 | 2020-11-20 | 云南电网有限责任公司电力科学研究院 | 一种电能表异常分析方法及装置 |
CN111965585A (zh) * | 2020-08-11 | 2020-11-20 | 云南电网有限责任公司电力科学研究院 | 一种电能表异常判断方法 |
CN112712442A (zh) * | 2020-12-30 | 2021-04-27 | 国网浙江省电力有限公司营销服务中心 | 一种基于多维聚类的电力用户超容诊断方法 |
CN112748389A (zh) * | 2019-10-31 | 2021-05-04 | 河南许继仪表有限公司 | 一种现场智能单相电能表故障诊断仪 |
CN114280399A (zh) * | 2021-12-22 | 2022-04-05 | 上海尤比酷电气有限公司 | 一种基于负载特性的电气设备异常诊断方法及装置 |
CN114325555A (zh) * | 2022-01-04 | 2022-04-12 | 国网上海市电力公司 | 一种计量设备异常在线监测模型及误差计算方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103954816A (zh) * | 2014-04-30 | 2014-07-30 | 国网上海市电力公司 | 一种智能远程反窃电稽查方法 |
CN104658229A (zh) * | 2015-03-12 | 2015-05-27 | 江西仪能新能源微电网协同创新有限公司 | 智慧用电检查及管理移动终端及具有其的*** |
CN104933272A (zh) * | 2014-03-17 | 2015-09-23 | 国家电网公司 | 一种防窃电分析的方法及装置 |
CN105652232A (zh) * | 2015-12-30 | 2016-06-08 | 国家电网公司 | 一种基于流处理的电能计量装置在线异常诊断方法及*** |
-
2016
- 2016-08-31 CN CN201610799223.8A patent/CN106443556A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933272A (zh) * | 2014-03-17 | 2015-09-23 | 国家电网公司 | 一种防窃电分析的方法及装置 |
CN103954816A (zh) * | 2014-04-30 | 2014-07-30 | 国网上海市电力公司 | 一种智能远程反窃电稽查方法 |
CN104658229A (zh) * | 2015-03-12 | 2015-05-27 | 江西仪能新能源微电网协同创新有限公司 | 智慧用电检查及管理移动终端及具有其的*** |
CN105652232A (zh) * | 2015-12-30 | 2016-06-08 | 国家电网公司 | 一种基于流处理的电能计量装置在线异常诊断方法及*** |
Non-Patent Citations (1)
Title |
---|
王扬 等: "电力大数据基础平台建设与应用实践", 《中国电力出版社》 * |
Cited By (34)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107633670A (zh) * | 2017-07-21 | 2018-01-26 | 国网浙江省电力公司 | 一种采用采集运维知识库的采集异常诊断方法 |
CN107656231A (zh) * | 2017-07-21 | 2018-02-02 | 国网浙江省电力公司 | 一种电能表开表盖事件准确性分析方法 |
CN107680368A (zh) * | 2017-09-06 | 2018-02-09 | 国网辽宁省电力有限公司 | 一种基于采集数据的计量装置在线监测与智能诊断方法 |
CN108107401A (zh) * | 2017-12-20 | 2018-06-01 | 宁波三星医疗电气股份有限公司 | 一种基于智能表的开盖检测方法及智能表 |
CN108107401B (zh) * | 2017-12-20 | 2020-07-28 | 宁波三星医疗电气股份有限公司 | 一种基于智能表的开盖检测方法及智能表 |
CN109946553B (zh) * | 2017-12-21 | 2021-06-22 | 成都长城开发科技有限公司 | 三相电表及其接地故障检测方法 |
CN109946553A (zh) * | 2017-12-21 | 2019-06-28 | 成都长城开发科技有限公司 | 三相电表及其接地故障检测方法 |
CN108828494A (zh) * | 2018-04-18 | 2018-11-16 | 电子科技大学 | 基于遗传算法的智能电能表功能检定方法 |
CN108828494B (zh) * | 2018-04-18 | 2020-06-12 | 电子科技大学 | 基于遗传算法的智能电能表功能检定方法 |
CN108919169A (zh) * | 2018-06-29 | 2018-11-30 | 宁波三星智能电气有限公司 | 一种电能表的故障自诊断方法 |
CN109253750A (zh) * | 2018-09-18 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种计量设备的计量累计值增量过大异常状态判断方法及*** |
CN109470278A (zh) * | 2018-09-18 | 2019-03-15 | 中国电力科学研究院有限公司 | 一种确定计量设备的计量累计值处于增量为零状态的方法及*** |
CN109253752A (zh) * | 2018-09-18 | 2019-01-22 | 中国电力科学研究院有限公司 | 一种计量设备供能中断判断方法及*** |
CN109470278B (zh) * | 2018-09-18 | 2022-03-04 | 中国电力科学研究院有限公司 | 一种确定计量设备的计量累计值处于增量为零状态的方法及*** |
CN109407039A (zh) * | 2018-11-13 | 2019-03-01 | 许继集团有限公司 | 智能电表及其***、自诊断方法和故障检测方法 |
CN109948877B (zh) * | 2018-12-03 | 2023-06-30 | 国网浙江新昌县供电有限公司 | 一种基于异常事件组合的用电异常精准分析方法 |
CN109948877A (zh) * | 2018-12-03 | 2019-06-28 | 国网浙江新昌县供电有限公司 | 一种基于异常事件组合的用电行为精准分析方法 |
CN110726964A (zh) * | 2019-09-05 | 2020-01-24 | 国网新疆电力有限公司电力科学研究院 | 一种基于电压电流类计量异常远程诊断方法 |
CN110703019A (zh) * | 2019-10-12 | 2020-01-17 | 国网北京市电力公司 | 基于输电线路的采集信息的用电异常精准定位方法 |
CN112748389A (zh) * | 2019-10-31 | 2021-05-04 | 河南许继仪表有限公司 | 一种现场智能单相电能表故障诊断仪 |
CN111126759B (zh) * | 2019-11-18 | 2023-01-10 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
CN111126759A (zh) * | 2019-11-18 | 2020-05-08 | 国网浙江省电力有限公司 | 一种基于异常事件故障关联度的电能表状态评估方法 |
CN110888101A (zh) * | 2019-12-05 | 2020-03-17 | 新奥数能科技有限公司 | 电能表异常诊断方法及装置 |
CN111191878A (zh) * | 2019-12-10 | 2020-05-22 | 国网天津市电力公司电力科学研究院 | 一种基于异常分析的台区及电能表状态评价方法及*** |
CN111371188A (zh) * | 2020-05-06 | 2020-07-03 | 国网河北省电力有限公司沧州供电分公司 | 一种用电异常数据实时预警*** |
CN111475548A (zh) * | 2020-05-06 | 2020-07-31 | 国网河北省电力有限公司沧州供电分公司 | 一种基于大数据挖掘技术的用电异常分析决策*** |
CN111965584A (zh) * | 2020-08-11 | 2020-11-20 | 云南电网有限责任公司电力科学研究院 | 一种电能表异常分析方法及装置 |
CN111965585A (zh) * | 2020-08-11 | 2020-11-20 | 云南电网有限责任公司电力科学研究院 | 一种电能表异常判断方法 |
CN112712442A (zh) * | 2020-12-30 | 2021-04-27 | 国网浙江省电力有限公司营销服务中心 | 一种基于多维聚类的电力用户超容诊断方法 |
CN112712442B (zh) * | 2020-12-30 | 2023-11-07 | 国网浙江省电力有限公司营销服务中心 | 一种基于多维聚类的电力用户超容诊断方法 |
CN114280399A (zh) * | 2021-12-22 | 2022-04-05 | 上海尤比酷电气有限公司 | 一种基于负载特性的电气设备异常诊断方法及装置 |
CN114280399B (zh) * | 2021-12-22 | 2024-03-12 | 上海尤比酷电气有限公司 | 一种基于负载特性的电气设备异常诊断方法及装置 |
CN114325555A (zh) * | 2022-01-04 | 2022-04-12 | 国网上海市电力公司 | 一种计量设备异常在线监测模型及误差计算方法 |
CN114325555B (zh) * | 2022-01-04 | 2023-11-14 | 国网上海市电力公司 | 一种计量设备异常在线监测模型及误差计算方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106443556A (zh) | 电能表智能诊断方法 | |
CN106405475A (zh) | 电能表异常诊断方法 | |
CN106780121B (zh) | 一种基于用电负荷模式分析的用电异常识别方法 | |
CN107680368A (zh) | 一种基于采集数据的计量装置在线监测与智能诊断方法 | |
CN102170124B (zh) | 一种电能质量稳态指标预警方法 | |
CN106199305A (zh) | 煤矿井下供电***用干式变压器绝缘健康状态评估方法 | |
CN109886475B (zh) | 基于ai的计量自动化***的信息安全态势感知*** | |
CN105548949B (zh) | 一种智能电能表的故障远程判断方法及其*** | |
CN113032454A (zh) | 基于云计算的交互式用户用电异常监测预警管理云平台 | |
CN104635198B (zh) | 故障发现及时的电能计量装置远程监测诊断方法 | |
CN104678348B (zh) | 效率较高的电能计量装置远程监测诊断方法 | |
CN104483575A (zh) | 用于非侵入式电力监测的自适应负荷事件检测方法 | |
CN109188082A (zh) | 一种基于bp神经网络的变压器状态评估方法 | |
CN107543989B (zh) | 基于电能表失压断相判断线损异常的方法 | |
CN104573850A (zh) | 一种火电厂设备状态评估方法 | |
CN105588995A (zh) | 一种电力计量自动化***线损异常检测方法 | |
CN109298379A (zh) | 一种基于数据监测的智能电表现场误差异常的识别方法 | |
CN107219453B (zh) | 一种基于多维混合量的变电站继电保护隐性故障诊断方法 | |
CN102928808A (zh) | 电力用户现场电能表故障远程判定方法 | |
CN104714206B (zh) | 一种故障发现及时的电能计量装置远程监测诊断方法 | |
CN114252694A (zh) | 用于监测电气***中的能量相关数据的***和方法 | |
CN109615273A (zh) | 一种电动汽车充电设施状态评价方法与*** | |
CN113687293A (zh) | 基于大数据的线损异常智能分析方法 | |
CN107703383A (zh) | 一种信息采集***故障诊断知识库的建立方法 | |
CN102306244B (zh) | 一种基于检测点评估的排故方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170222 |
|
RJ01 | Rejection of invention patent application after publication |