CN107563601A - 一种智能电能表运行状态评价方法 - Google Patents
一种智能电能表运行状态评价方法 Download PDFInfo
- Publication number
- CN107563601A CN107563601A CN201710670328.8A CN201710670328A CN107563601A CN 107563601 A CN107563601 A CN 107563601A CN 201710670328 A CN201710670328 A CN 201710670328A CN 107563601 A CN107563601 A CN 107563601A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- energy meter
- intelligent electric
- index
- running state
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种智能电能表运行状态评价方法,属于智能装置检测领域。本发明方法包括:步骤1:确立评价智能电能表运行状态的指标和运行状态分类;步骤2:M个专家分别评价各个指标对智能电能表运行状态的影响程度;步骤3:确立各个智能电能表运行状态指标的权值;步骤4:利用步骤3得到的权值,对智能电能表运行状态进行重新判别得到M个专家的评估结果;步骤5:对M个专家的评估结果进行融合,得到最终的智能电能表运行状态结果。利用本发明方法实现了对智能电能表运行状态的更为准确地评价和判别。
Description
技术领域
本发明属于智能装置检测领域,具体涉及一种智能电能表运行状态评价方 法。
背景技术
智能电能表作为智能电网的终端设备,在智能电网的建设中有着举足轻重 的地位。当前国家电网公司对智能电能表的设计寿命要求是不少于10年,而电 子式交流电能表检定规程规定1级、2级表的检定周期不超过8年,使用8年的 智能电能表需要拆下送回实验室检测,成本巨大,即使检定合格,也仅剩2年 寿命。因此当前对合格智能电能表也多采取报废处理,造成严重的浪费。为解 决此问题,急需研究智能电能表的运行状态评价方法,分析智能电能表的运行 状态,同时也为智能电能表的轮换策略提供支撑。
发明内容
本发明的目的在于解决上述现有技术中存在的难题,提供一种智能电能表 运行状态评价方法,实现对智能电能表运行状态的更为准确地评价和判别。
本发明是通过以下技术方案实现的:
一种智能电能表运行状态评价方法,包括:
步骤1:确立评价智能电能表运行状态的指标和运行状态分类;
步骤2:M个专家分别评价各个指标对智能电能表运行状态的影响程度;
步骤3:确立各个智能电能表运行状态指标的权值;
步骤4:利用步骤3得到的权值,对智能电能表运行状态进行重新判别得到 M个专家的评估结果;
步骤5:对M个专家的评估结果进行融合,得到最终的智能电能表运行状态 结果。
所述步骤1中确立的评价智能电能表运行状态的指标包括:智能电能表投 运前的检定误差、运行误差、运行时间、运行环境、家族缺陷、在线监测数据;
所述步骤1中的运行状态分类包括:优、良、中、差。
所述步骤3是利用层次分析法确立各个智能电能表运行状态指标的权值, 具体包括以下步骤:
步骤3-1,构建判断矩阵:
根据每个专家对各个指标对智能电能表运行状态的影响程度的大小的评 价,将指标两两相互比较,构建判断矩阵A,其表示为:
其中,判断矩阵中的aij表示两个指标之间相对重要性的比较,其数值通过 比例标注法得到;
步骤3-2,计算判断矩阵A的最大特征值λmax和特征向量ω;
步骤3-3,对判断矩阵A进行一致性检验;
步骤3-4,将最大特征值λmax所对应的特征向量ω进行归一化处理,得到各 个指标所对应的权值。
所述步骤3-3是这样实现的:
利用下式计算一致性指标CI:
其中λmax为判断矩阵A的最大特征值,n为指标的个数;
查找一致性指标RI表,选取n所对应的RI值,利用下式计算比例一致性 指标CR:
根据CR值,对判断矩阵进行一致性检验:
若判断矩阵A的比例一致性指标CR<0.1,则通过一致性检验,即判断矩阵 A可以接受;
若判断矩阵A的比例一致性指标CR≥0.1,则没有通过一致性检验,让没有 通过一致性检验的专家重新评价各个指标对智能电能表运行状态的影响程度, 然后返回步骤3-1。
所述步骤4是这样实现的:
每个专家根据各个指标的新的权值,对智能电能表运行状态进行打分,具 体如下:
每个指标的测量结果对应单项分值,将其乘以新得到的权值获得总的评价 分值,进而给出每个运行状态对应的可信度,即得到该专家的评估结果。
所述步骤5是采用DS证据理论方法对M个专家的评估结果进行融合,得到 最终的智能电能表运行状态结果,具体包括以下步骤:
步骤5-1:构建识别框架Θ,即Θ={‘优’,‘良’,‘中’,‘差’}, 完成基本概率分配,使概率分配函数满足:
其中,m为识别框架Θ上的mass函数,当m(A)>0时,A称为焦元;
步骤5-2:利用融合公式进行融合,得到最终结果,所述融合公式为:
其中,i表示每个指标的下标;
其中,为冲突项;
m(A)即最终的智能电能表运行状态结果:各个运行状态的概率。
与现有技术相比,本发明的有益效果是:
1、引入层次分析法,将专家对影响智能电能表运行状态的指标的定性认识 定量化,减小了评价结果的不确定性;
2、采用DS证据理论,对不同专家的判别结果进行融合,使最终对智能电 能表运行状态的评价结果更加准确。
附图说明
图1是本发明方法的步骤框图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
本发明的目的是提出一种基于层次分析法和DS证据理论的智能电能表运行 状态评价方法。以实现对智能电能表运行状态的更为准确地评价和判别。
为了达到上述目的,本发明采取的技术方案如图1所示,包括:
步骤1:确立评价智能电能表运行状态的指标和运行状态分类;
步骤2:M个专家分别评价各个指标对智能电能表运行状态的影响程度;
步骤3:利用层次分析法确立各个智能电能表运行状态指标的权值;
步骤4:利用步骤3得到的权值,对智能电能表运行状态重新判别;
步骤5:利用DS证据理论,对多个专家的评估结果进行融合,得到最终的 智能电能表运行状态结果。
所述步骤1中:所述步骤1中所确立评价智能电能表运行状态的指标,包 括:智能电能表投运前的检定误差、运行误差、运行时间、运行环境、家族缺 陷、在线监测数据;所述运行状态确立为:优,良,中,差。
所述步骤2中,不同专家根据自身经验,判别不同指标对智能电能表运行 状态判别影响程度的大小。
所述步骤3包括以下步骤:
步骤3-1,构建判断矩阵:
根据步骤2中专家对不同指标对智能电能表运行状态判别影响因素的大小, 两两指标相互比较,构建判断矩阵A,其表示为:
其中,判断矩阵中的aij表示两个指标之间相对重要性的比较。其数值通过 比例标注法得到。
步骤3-2,计算判断矩阵的最大特征值λmax和特征向量ω。
步骤3-3,对判断矩阵进行一致性检验:
计算一致性指标CI,表达式为:
其中λmax为判断矩阵的最大特征值。n为指标的个数。
查找一致性指标RI表。选取m所对应的RI值,如表1所示:
n | 1 | 2 | 3 | 4 | 5 | 6 | 7 | 8 | 9 |
RI | 0 | 0 | 0.52 | 0.89 | 1.12 | 1.24 | 1.36 | 1.41 | 1.46 |
表1
计算比例一致性指标CR,表达式为:
根据CR值,对判断矩阵进行一致性检验:
若判断矩阵比例一致性指标CR<0.1,则通过一致性检验。判断矩阵可以接 受。
若判断矩阵比例一致性指标CR≥0.1,则没有通过一致性检验,让这些专家 重新评估各个指标在智能电能表运行状态评估中重要性的大小,然后返回步骤 3-1;
步骤3-4,将最大特征值λmax所对应的特征向量ω归一化处理,得到各个指 标所对应的权值。
所述步骤4,专家根据各个指标新的权值,对智能电能表运行状态进行打分, (例如可以采用表2所示的打分,也可以根据需求采用其它打分方式)并给出 可信度,给出对智能电能表运行状态的判别(即表9、10所示的可信度数据)。
分值 | 小于70分 | 70-80分 | 80-90分 | 大于90分 |
状态 | 差 | 中 | 良 | 优 |
表2
所述步骤5中,采用DS证据理论方法对多个专家的评判结果进行融合,包 括以下步骤:
步骤5-1:构建识别框架Θ,即Θ={‘优’,‘良’,‘中’,‘差’}, 完成基本概率分配,使概率分配函数满足:
其中,m为识别框架Θ上的mass函数,当m(A)>0时,A称为焦元;
步骤5-2:利用融合公式进行融合,得到最终结果。融合公式为:
m(A)即对应表9中的概率。
其中,为冲突项,反应了证据之间的冲突程度。
本发明方法的一个实施例如下:
构建智能电能表运行状态评价体系,选取投放运营前检定误差、运行误差、 运行时间、运行环境、家族缺陷、在线监测数据作为评价智能电能表运行状态 的指标。本实施例中是以2个专家为例来说明的。
选取指标如表3所示:
表3
选取A,B两位专家,对评价指标进行打分,构建判断矩阵。
判断矩阵的标度方法如表4所示:
标度 | 含义 |
1 | 表示两个因素相比,具有同样重要性 |
3 | 表示两个因素相比,一个因素比另一个因素稍微重要 |
5 | 表示两个因素相比,一个因素比另一个因素明显重要 |
7 | 表示两个因素相比,一个因素比另一个因素强烈重要 |
9 | 表示两个因素相比,一个因素比另一个因素极端重要 |
2,4,6,8 | 上述两相邻判断的中值 |
倒数 | 因素i与j比较的判断aij,则因素j与i比较的判断aji=1/aij |
表4
两位专家根据经验判断,给出指标间相互比较分值,A专家判别表如表5所 示,B专家判别表如表6所示。
指标 | C1 | C2 | C3 | C4 | C5 | C6 |
C1 | 1 | 1/2 | 4 | 3 | 3 | 3 |
C2 | 2 | 1 | 5 | 4 | 4 | 3 |
C3 | 1/4 | 1/5 | 1 | 1/2 | 1/2 | 1/3 |
C4 | 1/3 | 1/4 | 2 | 1 | 1 | 1/2 |
C5 | 1/3 | 1/4 | 2 | 1 | 1 | 1/2 |
C6 | 1/3 | 1/3 | 3 | 2 | 2 | 1 |
表5
指标 | C1 | C2 | C3 | C4 | C5 | C6 |
C1 | 1 | 1/3 | 6 | 5 | 3 | 4 |
C2 | 3 | 1 | 7 | 6 | 4 | 5 |
C3 | 1/6 | 1/7 | 1 | 1/2 | 1/4 | 1/3 |
C4 | 1/5 | 1/6 | 2 | 1 | 1/3 | 1/2 |
C5 | 1/3 | 1/4 | 1/3 | 3 | 1 | 2 |
C6 | 1/4 | 1/5 | 3 | 2 | 1/2 | 1 |
表6
分别构建A专家和B专家的判断矩阵。
求判断矩阵的最大特征值。A1的最大特征值为7.693;A2的最大特征值为 6.0509。
进行一致性判别。
判断矩阵A1一致性比例CR=0.0182,小于0.10,符合一致性检验。
判断矩阵A2一致性比例CR=0.0082,小于0.10,符合一致性检验。
求解判断矩阵最大特征值对应的特征向量,归一化后得到在由层次分析法 处理后得到的权值系数。如表7所示:
表7
A、B专家利用智能电能表以上6个指标的数据,根据基于层次分析法的权 值系数对智能电能表运行状态进行评价,给出当前的智能电能表运行状态的评 价结果,A专家评价结果如表9所示,B专家评价结果如表10所示。
设当前C1-C6的测试数据对应的评分为:95,85,90,90,90,95分。
与层次分析法的权值系数相乘后,得到总状态评分。分值与对应状态的关 系如表8所示:
智能电能表运行状态 | 分值 |
优 | >90 |
良 | 80-90 |
中 | 70-80 |
差 | <70 |
表8
得到A专家评分为:90.13分,B专家评分为89.5分。
专家给出评价状态的可信度。最终结果如表9和表10所示:
智能电能表运行状态 | 可信度 |
优 | 80% |
良 | 20% |
中 | 0 |
差 | 0 |
表9
智能电能表运行状态 | 可信度 |
优 | 20% |
良 | 70% |
中 | 10% |
差 | 0 |
表10
应用DS理论,对两位专家的判别结果进行融合。
识别框架Θ为智能电能表的运行状态,即Θ={‘优’,‘良’,‘中’, ‘差’}
基本概率分配数据采用表9、表10中的概率数据(即可信度数据)。
求冲突项系数K=0.37。
利用融合公式对A、B两位专家的评价结果进行融合,最终得到结果如表11 所示:
智能电能表运行状态 | 概率 |
优 | 0.53 |
良 | 0.47 |
中 | 0 |
差 | 0 |
表11
最终融合结果为表明,智能电能表运行状态为优的概率为最大。因此评价 当前智能电能表运行状态为优。
上述技术方案只是本发明的一种实施方式,对于本领域内的技术人员而言, 在本发明公开了应用方法和原理的基础上,很容易做出各种类型的改进或变形, 而不仅限于本发明上述具体实施方式所描述的方法,因此前面描述的方式只是 优选的,而并不具有限制性的意义。
Claims (6)
1.一种智能电能表运行状态评价方法,其特征在于:所述方法包括:
步骤1:确立评价智能电能表运行状态的指标和运行状态分类;
步骤2:M个专家分别评价各个指标对智能电能表运行状态的影响程度;
步骤3:确立各个智能电能表运行状态指标的权值;
步骤4:利用步骤3得到的权值,对智能电能表运行状态进行重新判别得到M个专家的评估结果;
步骤5:对M个专家的评估结果进行融合,得到最终的智能电能表运行状态结果。
2.根据权利要求1所述的智能电能表运行状态评价方法,其特征在于:所述步骤1中确立的评价智能电能表运行状态的指标包括:智能电能表投运前的检定误差、运行误差、运行时间、运行环境、家族缺陷、在线监测数据;
所述步骤1中的运行状态分类包括:优、良、中、差。
3.根据权利要求2所述的智能电能表运行状态评价方法,其特征在于:所述步骤3是利用层次分析法确立各个智能电能表运行状态指标的权值,具体包括以下步骤:
步骤3-1,构建判断矩阵:
根据每个专家对各个指标对智能电能表运行状态的影响程度的大小的评价,将指标两两相互比较,构建判断矩阵A,其表示为:
其中,判断矩阵中的aij表示两个指标之间相对重要性的比较,其数值通过比例标注法得到;
步骤3-2,计算判断矩阵A的最大特征值λmax和特征向量ω;
步骤3-3,对判断矩阵A进行一致性检验;
步骤3-4,将最大特征值λmax所对应的特征向量ω进行归一化处理,得到各个指标所对应的权值。
4.根据权利要求3所述的智能电能表运行状态评价方法,其特征在于:所述步骤3-3是这样实现的:
利用下式计算一致性指标CI:
<mrow>
<mi>C</mi>
<mi>I</mi>
<mo>=</mo>
<mfrac>
<mrow>
<msub>
<mi>&lambda;</mi>
<mi>max</mi>
</msub>
<mo>-</mo>
<mi>n</mi>
</mrow>
<mrow>
<mi>n</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</mfrac>
</mrow>
其中λmax为判断矩阵A的最大特征值,n为指标的个数;
查找一致性指标RI表,选取n所对应的RI值,利用下式计算比例一致性指标CR:
<mrow>
<mi>C</mi>
<mi>R</mi>
<mo>=</mo>
<mfrac>
<mrow>
<mi>C</mi>
<mi>I</mi>
</mrow>
<mrow>
<mi>R</mi>
<mi>I</mi>
</mrow>
</mfrac>
</mrow>
根据CR值,对判断矩阵进行一致性检验:
若判断矩阵A的比例一致性指标CR<0.1,则通过一致性检验;
若判断矩阵A的比例一致性指标CR≥0.1,则没有通过一致性检验,让没有通过一致性检验的专家重新评价各个指标对智能电能表运行状态的影响程度,然后返回步骤3-1。
5.根据权利要求4所述的智能电能表运行状态评价方法,其特征在于:所述步骤4是这样实现的:
每个专家根据各个指标的新的权值,对智能电能表运行状态进行打分,具体如下:
每个指标的测量结果对应单项分值,将其乘以新得到的权值获得总的评价分值,进而给出每个运行状态对应的可信度,即得到该专家的评估结果。
6.根据权利要求5所述的智能电能表运行状态评价方法,其特征在于:所述步骤5是采用DS证据理论方法对M个专家的评估结果进行融合,得到最终的智能电能表运行状态结果,具体包括以下步骤:
步骤5-1:构建识别框架Θ,即Θ={‘优’,‘良’,‘中’,‘差’},完成基本概率分配,使概率分配函数满足:
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>&Phi;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>A</mi>
<mo>&Element;</mo>
<mi>&Theta;</mi>
</mrow>
</munder>
<mi>m</mi>
<mrow>
<mo>(</mo>
<mi>A</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
其中,m为识别框架Θ上的mass函数,当m(A)>0时,A称为焦元;
步骤5-2:利用融合公式进行融合,得到最终结果,所述融合公式为:
其中,i表示每个指标的下标;
其中,为冲突项;
m(A)即最终的智能电能表运行状态结果:各个运行状态的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710670328.8A CN107563601A (zh) | 2017-08-08 | 2017-08-08 | 一种智能电能表运行状态评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710670328.8A CN107563601A (zh) | 2017-08-08 | 2017-08-08 | 一种智能电能表运行状态评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107563601A true CN107563601A (zh) | 2018-01-09 |
Family
ID=60974349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710670328.8A Pending CN107563601A (zh) | 2017-08-08 | 2017-08-08 | 一种智能电能表运行状态评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107563601A (zh) |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830437A (zh) * | 2018-04-09 | 2018-11-16 | 国电南瑞科技股份有限公司 | 一种用于智能电能表运行的评估方法 |
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 |
CN109307854A (zh) * | 2018-10-29 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种电能计量装置综合评估方法及*** |
CN109375143A (zh) * | 2018-08-30 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种确定智能电能表剩余寿命的方法 |
CN109858785A (zh) * | 2019-01-16 | 2019-06-07 | 中国电力科学研究院有限公司 | 一种评价智能电能表运行状态的方法和*** |
CN110873857A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于多源数据融合的智能电能表运行状态评价方法及*** |
CN110874685A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于神经网络的智能电能表运行状态判别方法及*** |
CN110991826A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江省电力有限公司电力科学研究院 | 一种评价低压电能表运行状态的方法 |
CN111008759A (zh) * | 2019-11-12 | 2020-04-14 | 国网上海市电力公司 | 一种基于信息融合的配电网状态评价方法 |
CN111626541A (zh) * | 2020-03-30 | 2020-09-04 | 上海电力大学 | 一种基于d-s证据理论的博物馆参观效果评价方法及*** |
CN111949939A (zh) * | 2020-08-26 | 2020-11-17 | 北京航空航天大学 | 基于改进topsis和聚类分析的智能电表运行状态评价方法 |
CN113238180A (zh) * | 2021-06-22 | 2021-08-10 | 广东电网有限责任公司计量中心 | 一种智能电表的状态检测方法及装置 |
CN114137472A (zh) * | 2021-11-16 | 2022-03-04 | 国网江苏省电力有限公司营销服务中心 | 一种数据共享和业务融通功能的智能电能表状态评价*** |
CN114926015A (zh) * | 2022-05-17 | 2022-08-19 | 国网山东省电力公司营销服务中心(计量中心) | 基于d-s证据理论的智能电能表质量状态评价方法及*** |
CN116611744A (zh) * | 2023-07-17 | 2023-08-18 | 中国石油大学(华东) | 一种用于sofc热电联供***综合评价的综合赋权方法 |
CN109858785B (zh) * | 2019-01-16 | 2024-06-28 | 中国电力科学研究院有限公司 | 一种评价智能电能表运行状态的方法和*** |
-
2017
- 2017-08-08 CN CN201710670328.8A patent/CN107563601A/zh active Pending
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108830437A (zh) * | 2018-04-09 | 2018-11-16 | 国电南瑞科技股份有限公司 | 一种用于智能电能表运行的评估方法 |
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 |
CN109375143B (zh) * | 2018-08-30 | 2022-09-09 | 中国电力科学研究院有限公司 | 一种确定智能电能表剩余寿命的方法 |
CN109375143A (zh) * | 2018-08-30 | 2019-02-22 | 中国电力科学研究院有限公司 | 一种确定智能电能表剩余寿命的方法 |
CN110873857A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于多源数据融合的智能电能表运行状态评价方法及*** |
CN110874685A (zh) * | 2018-09-04 | 2020-03-10 | 中国计量科学研究院 | 基于神经网络的智能电能表运行状态判别方法及*** |
CN109307854A (zh) * | 2018-10-29 | 2019-02-05 | 中国电力科学研究院有限公司 | 一种电能计量装置综合评估方法及*** |
CN109858785A (zh) * | 2019-01-16 | 2019-06-07 | 中国电力科学研究院有限公司 | 一种评价智能电能表运行状态的方法和*** |
CN109858785B (zh) * | 2019-01-16 | 2024-06-28 | 中国电力科学研究院有限公司 | 一种评价智能电能表运行状态的方法和*** |
CN111008759A (zh) * | 2019-11-12 | 2020-04-14 | 国网上海市电力公司 | 一种基于信息融合的配电网状态评价方法 |
CN110991826A (zh) * | 2019-11-18 | 2020-04-10 | 国网浙江省电力有限公司电力科学研究院 | 一种评价低压电能表运行状态的方法 |
CN111626541A (zh) * | 2020-03-30 | 2020-09-04 | 上海电力大学 | 一种基于d-s证据理论的博物馆参观效果评价方法及*** |
CN111949939A (zh) * | 2020-08-26 | 2020-11-17 | 北京航空航天大学 | 基于改进topsis和聚类分析的智能电表运行状态评价方法 |
CN113238180A (zh) * | 2021-06-22 | 2021-08-10 | 广东电网有限责任公司计量中心 | 一种智能电表的状态检测方法及装置 |
CN114137472A (zh) * | 2021-11-16 | 2022-03-04 | 国网江苏省电力有限公司营销服务中心 | 一种数据共享和业务融通功能的智能电能表状态评价*** |
CN114926015A (zh) * | 2022-05-17 | 2022-08-19 | 国网山东省电力公司营销服务中心(计量中心) | 基于d-s证据理论的智能电能表质量状态评价方法及*** |
CN116611744A (zh) * | 2023-07-17 | 2023-08-18 | 中国石油大学(华东) | 一种用于sofc热电联供***综合评价的综合赋权方法 |
CN116611744B (zh) * | 2023-07-17 | 2023-10-27 | 中国石油大学(华东) | 一种用于sofc热电联供***综合评价的综合赋权方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107563601A (zh) | 一种智能电能表运行状态评价方法 | |
CN105930976B (zh) | 基于加权理想点法的节点电压暂降严重程度综合评估方法 | |
CN111537939B (zh) | 一种基于多指标融合的电压互感器状态评估方法及装置 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN109359894B (zh) | 一种基于rpn的电力计量设备风险评价方法及装置 | |
CN108664700B (zh) | 基于不确定数据包络分析的加速退化信息融合建模方法 | |
CN106447212A (zh) | 一种基于ahp的智能电表软件质量评价方法 | |
CN110400231B (zh) | 一种加权非线性贝叶斯的电能计量设备失效率预估方法 | |
CN109298225B (zh) | 一种电压量测数据异常状态自动识别模型***及方法 | |
CN105512465B (zh) | 基于改进vikor法的云平台安全性量化评估方法 | |
CN107885928A (zh) | 考虑测量误差的步进应力加速性能退化可靠性分析方法 | |
CN108829878B (zh) | 一种工业实验数据异常点检测方法及装置 | |
CN113887908A (zh) | 考虑主客观交叉融合权重的桥梁风险评估方法 | |
CN106569069A (zh) | 电力变压器故障诊断方法 | |
CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
CN111967717A (zh) | 一种基于信息熵值的数据质量评价方法 | |
CN111612371A (zh) | 一种基于层次分析法的智能电表质量评估方法 | |
CN102945222A (zh) | 一种基于灰色理论的乏信息测量数据粗大误差判别方法 | |
CN111598387A (zh) | 一种于多维度确定电能表质量的方法及*** | |
CN109886314B (zh) | 一种基于pnn神经网络的餐厨废弃油检测方法及其装置 | |
CN114493157A (zh) | 一种适用分散光伏用户的电能质量评估方法 | |
CN113052411A (zh) | 数据产品质量评价方法及装置 | |
CN116341290B (zh) | 一种长贮装备可靠性抽样检测方法 | |
CN104616209B (zh) | 一种基于在线监测的电力电缆接头信息聚合评价方法 | |
CN106779354B (zh) | 用于飞行器性能评估的Bayes数据融合评估方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180109 |